Системы поддержки принятия решении? в медицине — Ярослав Ашихмин

ПостНаука продолжает рассказывать о современных технологиях в проекте «Банк знаний», подготовленном совместно с Корпоративным университетом Сбербанка.

Медицинские информационные технологии сегодня развиваются очень быстро. Объем знаний в области медицины огромен, и врачам, даже ультраспециализированным, крайне сложно накапливать знания, систематизировать их и применять при контакте с пациентами. Поэтому логично, что медицинские информационные системы являются сегодня одним из главных наших помощников. И они становятся все более умными. В настоящее время мы можем говорить о большом тренде развития систем поддержки принятия решений в медицине. Изначально они были достаточно простыми. Это были различные справочники. При формировании запроса в отношении диагноза система выдавала какую-то информацию врачу в отношении того, какое может быть дообследование, например, согласно стандартам. Это была очень простая информация.

Затем появились чекеры лекарственных взаимодействий. Врач мог загрузить схему фармакотерапии в систему, и она выдавала информацию о том, насколько сочетаются лекарства, как может меняться их концентрация, основываясь на стандартных моделях лекарственных взаимодействий. Затем появились чекеры симптомов: в систему забивались симптомы пациента или какие-то клинические признаки, и она с той или иной вероятностью предполагала клинический диагноз.

Это один из трендов развития медицины, но, к сожалению, эти системы крайне несовершенны. Безусловно, нам бы очень хотелось их иметь. Они бы значительно упростили постановку диагноза. Но мы упираемся здесь в то, что клиническая симптоматика даже в хорошо известных заболеваниях сильно варьируется. Например, в случае инфаркта миокарда в 30% у пациентов наблюдается атипичная клиническая симптоматика. И мы понимаем, что простые алгоритмы здесь не будут работать. То есть стандартно, если мы загрузим в систему информацию о том, какие симптомы при инфаркте миокарда, то там 20–30% эта система будет, вероятно, не распознавать.

Системы установки диагноза на основании клинической информации пытаются улучшить за счет использования нейронных сетей различных сложностей. Есть и семантические сети, самые разные алгоритмы. Они позволяют улучшить качество помощи в установлении диагноза, но пока что мы слишком далеко от цели.

Мейнстримом в развитии систем поддержки медицинских решений являются технологии, базирующиеся на нейронных сетях. Одной из проблем здесь являются правила работы нейронных сетей, garbage in — garbage out (мусор в нейронную сеть — мусор обратно). Очень сильно затрудняет развитие этих систем отсутствие правильного сбора информации в отношении того, что происходит с пациентом, и отсутствие стандартизированных систем аккумуляции медицинской информации. К сожалению, сегодня доктор в своей голове проводит синтез такого объема самой разной информации, которую пока что мы полностью не научились перекладывать в машину. И если мы сможем каким-то образом наладить интерфейс между пациентом и машиной такого же качества, какого может добиться квалифицированный доктор, тогда мне представляется, что уровень системы поддержки медицинских решений вырастет многократно.

Если есть диагноз и известны данные инструментальных исследований, здесь системы могут нам предложить оптимальные пути лечения. Наверное, многие слышали про IBM Watson, одну из такого рода систем. Как она устроена внутри, доподлинно никто не знает, но есть предположения. Известна история компании IBM, которая очень долго работала над распознаванием текстов и правильной обработкой медицинской информации. По всей видимости, оказалось возможным прочитать массив медицинских данных и загрузить их внутрь системы, чтобы она на основании имеющегося диагноза предложила пути решения почти так же, как доктор.

Почему нельзя просто вмонтировать обыкновенные клинические рекомендации внутрь медицинской системы? Потому что знание очень быстро меняется, и если медицинская информационная система не учтет какое-то новое исследование, то она будет предлагать медицинские решения, которые намного хуже, чем те, что предлагает доктор. И системы, подобные Watson, позволяют включать поверх своего имеющегося знания дополнительные новые источники информации.

Но мы понимаем, что эти системы не могут сделать какого-то чуда. Данные, которые они нам предлагают, базируются на клинических исследованиях. Если вы в курсе всех клинических исследований в данной области, то вы будете обладать тем же уровнем знания, что и условный IBM Watson. И в чем он только может быть большим помощником, так это в том, что врач может далеко не все помнить в отношении той или иной болезни.

Такого рода технологии развиваются. IBM первые в этом, но есть другие компании, которые пытаются сконструировать такую же сложную систему, которая, зная диагноз, предлагает какие-то пути решения и может даже включать новую клиническую информацию. Но пока что эти технологии все-таки недостаточно развиты, для того чтобы использовать их в такой открытой и большой клинической практике. Хотя я думаю, что в течение десятилетий мы все-таки получим такую систему, которая бы предлагала решения не хуже доктора. Как известно, профессия доктора сегодня стоит в ряду тех профессий, которые уйдут на второй план после появления искусственного интеллекта, потому что вполне возможно, что он будет принимать более правильные решения, нежели врач, анализируя медицинскую информацию.

Тем не менее что у нас есть уже сейчас? У нас уже сейчас в смартфоне есть упрощенные системы, которые позволяют оценить риск появления каких-то осложнений у определенных категорий пациентов. Это медицинские калькуляторы, различные шкалы, которые очень просто использовать в повседневной практике. Они могут суммировать медицинскую информацию и в каком-то очень узком сегменте помогать принимать медицинские решения. Сейчас производители медицинских информационных систем пытаются включить как можно больше элементов системы поддержки медицинских решений внутрь системы. Это как раз симптом-чекеры, затем помощники, которые позволяют предложить простой спектр исследований при тех или иных диагнозах, системы оценки лекарственных взаимодействий и системы для упрощения динамического наблюдения за пациентами с установленным диагнозом. То есть, по сути, они могут быть достаточно простыми. Необязательно использовать самые необычные нейронные схемы.

Впереди всех сегодня специалисты по лучевой диагностике. Прогресс в нейронных сетях огромен. И мы видим, что системы распознавания изображений все ближе и ближе подступают по качеству суждения о патологии к тому, что говорит радиолог. То есть, если системе указать на то, какой это срез, чего срез, в какой области, мы видим, что системы распознавания изображений начинают уже давать информацию в отношении патологии. Пока что для коммерческого использования доступны достаточно простые варианты, которые позволяют, например, оценить количество и динамику очагов в головном мозге. То есть доктор в принципе говорит системе, что да мы сейчас хотим проанализировать, сколько очагов и что с ними случилось. Система не ставит диагноз такая, но она может очень точно посчитать, сколько, какие очертания, обрисовать контуры.

То есть мы видим, что система поддержки принятия медицинских решений мелкими шагами заходит в медицину. Различные параметры работы сердца компьютер может посчитать очень точно, движения сердца, сам обрисовать контуры левого желудочка и оценить то, что происходит с насосной, сократительной функцией сердца. Ошибаются ли они? Да, конечно. В ряде случаев они не очень точно показывают контур. И доктор все равно сегодня является очень важной составляющей в диагностическом процессе. Тем не менее мы ждем, что все-таки, наверное, тоже в ближайшие пять-семь лет здесь будет более глубокий прогресс и что при отдельных болезнях или, возможно, при оценке функций отдельных органов мы будем встречать все больше автоматизации в распознавании той или иной болезни или ее оттенков, степени ее прогрессирования. Особенно это может быть полезно, если мы говорим о динамике развития, когда мы можем сравнить, что было и что стало.

Еще одна технология, над которой сегодня трудится большое количество инженеров, — это простые методы измерения артериального давления. Есть браслеты, которые измеряют давление на запястье. И разрабатываются все менее инвазивные системы, которые бы позволили постоянно контролировать артериальное давление. Это очень полезная штука. Возможно, если у нас появятся системы для постоянного неинвазивного контроля артериального давления, у нас изменится кардиология. Мы пересмотрим понятие артериальной гипертензии, мы сможем совсем иначе смотреть на повышение давления при нагрузке у здоровых людей, у пожилых людей. Мы очень этого ждем.

Но мне пока что хотелось бы предостеречь людей с наличием гипертонии от использования даже браслетов для измерения давления, потому что наше научное общество пока даже такие устройства не рекомендует использовать из-за того, что лучевая артерия, на которой производится измерение, слишком маленькая и вы можете недооценивать уровень артериального давления в аорте. Поэтому все-таки пока что нужно использовать устройства с манжеткой, которая находится на плече. Но, возможно, в будущем у нас будут устройства, которые позволят более точно измерять артериальное давление так, чтобы это было комфортно для пациента.

Это все software. А есть еще hardware. Есть технологии, которые проникают в операционную. И драйвером здесь были военные, которые хотели создать устройства, такие механические руки, роботов, которые бы могли помочь военным на поле боя таким образом, чтобы хирург мог оказать им помощь удаленно. По всей видимости, этот расцвет различных роботов, который мы сейчас видим, — Da Vinci, хирургические роботы, многие пациенты очень хотят прооперироваться именно на роботе, — как и интернет, пошел из военных кругов. Пока что они не могут оперировать без человека. Но мы знаем, что автомобиль Tesla уже может в ряде случаев водить сам. Так же и здесь, я думаю, в течение десятилетий мы получим хирургического робота, который где-то может страховать хирурга. Я не думаю, что он будет сам выполнять хирургические операции, но как есть у автомобиля система контроля полосы, так и робот сможет в каких-то случаях страховать хирурга.

Умная операционная — один из трендов развития сегодня в медицине. И если мы говорим о системах поддержки медицинских решений, здесь все-таки не роботы главный драйвер, а так называемые технологии fusion. Пациент, до того как попал в операционную, может пройти КТ, МРТ, могут быть сделаны трехмерные карты его тела. В операционной могут быть наложены специальные маркеры на человека, а перед оперирующими хирургами может быть установлена трехмерная карта, поворачивая которую, разворачивая, поворачивая ее вместе со столом, на котором лежит пациент, они могут понимать, где и в какой момент они находятся. И это очень сильно упрощает ход операции, и фактически во многих случаях эта умная технология позволяет сегодня даже не делать интраоперационные КТ. Если несколько лет назад трендом было наличие аппарата КТ внутри операционной, были такие гибридные операционные, то сегодня это нужно все меньше. Потому что fusion-технологии с трехмерной реконструкцией позволяют добиться во многих случаях того же, для чего раньше необходимо было КТ.

Хотя системы поддержки принятия решений в медицине очень активно развиваются, они достаточно медленно проникают в современную медицину из-за ее взвешенного консерватизма. Пока что они несовершенны, помогают нам как такие подпорки в определенных местах, но заменить доктора не могут. Как бы вам ни хотели рассказать про это инженеры, они не могут сделать то, что может доктор. Главной проблемой является установление диагноза и реагирование при изменении состояния пациента. Но если диагноз ясен, в каких-то технических вопросах нам эти системы уже сейчас очень сильно помогают. И доктора самых разных специальностей имеют сегодня большое количество элементов систем поддержки медицинских решений, рядом с которыми они ходят, используют их в той или иной мере, не используют вообще, но их будет все больше и больше. И я считаю, что их использование — это очень хорошо.

Источник: cdn-postnauka.netdna-ssl.com

Комментарии: