СОБЫТИЯ РАЗГОВОРЫ

ИИ в поддержке принятия клинических решений: препятствия и возможности

Ники Афанасиаду | TMLS2019

О спикере

Получив докторскую степень по молекулярной и клеточной биологии в Эдинбургском университете (Великобритания), я имею опыт компьютерного моделирования в геномных исследованиях, медицине и здоровье населения. Примечательно, что как научный сотрудник NIH (США) я создал прототип конвейера, который использует информацию на уровне генома и EHR для создания персонализированных моделей риска заболеваний.

Помимо публикации в международных рецензируемых журналах, моя работа была отмечена несколькими наградами в Великобритании и США, включая конкурс открытых данных Нью-Йорка для проекта Data Science в 2018 году. В настоящее время я работаю специалистом по данным в H2O.ai, тесно сотрудничаю с компании в сфере здравоохранения, помогающие им расширять свои возможности с помощью ИИ.

О разговоре

Поскольку обработка и хранение данных становятся дешевле, основным препятствием для внедрения ИИ часто становится доступность данных. Лучше всего это проиллюстрировать медицина, где достижения в области поддержки принятия клинических решений с помощью ИИ отражают инновации в том, как данные записываются и хранятся в системах здравоохранения.

Поддержка принятия клинических решений с помощью ИИ включает диагностику и прогноз, а также алгоритмы классификации или регрессии, которые могут предсказать вероятность медицинского исхода или риск определенного заболевания. Несколько алгоритмов классификации изображений с использованием медицинских изображений были одобрены FDA в качестве диагностических инструментов за последние два года, и, несомненно, последуют другие.

Аналогичным образом, FDA уже одобрило носимые устройства, которые отслеживают жизненно важные функции для выявления нарушений. Эти первые примеры демонстрируют огромный потенциал приложений искусственного интеллекта в медицине, поскольку объем и разнообразие собираемых медицинских данных увеличивается.

Более 80–90% больниц и врачебных кабинетов США внедряют ту или иную форму EHR, и аналогичные или даже более высокие показатели внедрения наблюдаются во всем мире. Несмотря на сохраняющиеся нерешенные проблемы, отсутствие взаимодействия между системами EHR или непрерывность истории болезни, преодолеваются прошлые препятствия на пути к принятию, связанные с удобством использования и доступностью данных.

Будут обсуждены три примера моделей искусственного интеллекта для поддержки принятия клинических решений, построенных на данных EHR.

  • (1) Накопление историй болезни с момента рождения вместе с связанной информацией ЭУЗ матери в медицинском учреждении позволило прогнозировать детей с высоким риском ожирения уже через два года после рождения, что, возможно, позволило превратить их жизнь в профилактические вмешательства.
  • (2) Система Advanced Alert Monitoring, разработанная и развернутая Kaiser Permanente, использует данные отделения интенсивной терапии (ICU) для прогнозирования случаев смертельного ухудшения состояния и предупреждения персонала о необходимости принятия мер по спасению жизни.
  • (3) И последнее, но не менее важное: от систем поддержки принятия клинических решений часто требуется, чтобы они предоставляли достаточные объяснения своих прогнозов. Глобальные и местные объяснения прогнозов относительно повторной госпитализации демонстрируют, как методы интерпретируемости позволяют такие объяснения.

По мере того, как информация EHR становится стандартизированной и обогащается, например, информация о геноме, медицина готова использовать достижения искусственного интеллекта для улучшения показателей здоровья.