Роль искусственных нейронных сетей и систем поддержки принятия врачебных решений в медицинских информационных системах
Интеграция искусственных нейронных сетей (ИНС) в системы поддержки принятия клинических решений на базе медицинских информационных систем представляет собой преобразующий сдвиг в технологиях здравоохранения, улучшающий принятие клинических решений с помощью передовых методов машинного обучения. Эта эволюция возникла в ответ на растущую сложность и объем медицинских данных, что требует более сложных инструментов поддержки принятия решений, которые могут предоставлять персонализированные рекомендации и улучшать результаты лечения пациентов. Нейронные сети, характеризующиеся своей способностью обучаться на больших наборах данных, сыграли решающую роль в разработке прогностических моделей, которые выявляют риски для пациентов и предлагают решения, оптимизируя клинические рабочие процессы и повышая качество оказываемой помощи. Применение ИНС вызвало дискуссии об их эффективности, удобстве использования и этических последствиях решений в области здравоохранения, основанных на искусственном интеллекте (ИИ). Исследования показали значительное улучшение точности прогнозирования по сравнению с традиционными системами, основанными на правилах, однако при их внедрении сохраняются проблемы, в т.ч. связанные с качеством данных алгоритмической предвзятостью и необходимостью прозрачности в процессах принятия решений с помощью ИИ. Переход от традиционных подходов принятия решений к системам на базе нейросетевых технологий усиливает дебаты вокруг доверия и объяснимости в технологиях здравоохранения. В то время как ИНС предлагают многообещающие достижения в принятии медицинских решений, их природа «черного ящика» вызывает опасения у поставщиков медицинских услуг относительно надежности и прозрачности генерируемых ими рекомендаций. Решение этих проблем имеет большое значение для обеспечения интеграции ИНС в медицинские информационные системы, что в конечном итоге направлено на равноправное и эффективное лечение пациентов. Поскольку данная область продолжает развиваться, текущие и новые исследования имеют решающее значение для совершенствования, смягчения потенциальных предубеждений и улучшения функциональности систем поддержки врачебных решений, работающих на основе ИНС. Конвергенция ИИ и здравоохранения возвещает о новой эре, которая может произвести революцию в клинической практике, но также требует тщательного рассмотрения этических последствий и соблюдения основополагающих принципов лечения пациентов.Труханова И.Г., Гуреев А.Д., Бибикова Е.Г., Лунина А.В.
Ключевые слова
нейронные сети
искусственный интеллект
системы поддержки принятия врачебных решений
медицинские информационные системы
электронная медицинская карта
Список литературы
1. Sutton R.T., Pincock D., Baumgart D.C., et al. An overview of clinical decision support systems: benefits, risks, and strategies for success. npj Digital Med. 2020;3(1):1–10. Doi: 10.1038/s41746-020-0221-y.
2. Patel J.L., Goyal R.K. Applications of artificial neural networks in medical science. Curr Clin Pharmacol. 2007;2(3):217–26. Doi: 10.2174/157488407781668811.
3. Smith T.R. Developmental Surveillance and Screening in the Electronic Health Record. Pediatr Clin North Am. 2016;63(5):933–43. Doi: 10.1016/j.pcl.2016.06.014.
4. Miziara I.D., Miziara C.S.M.G. Medical errors, medical negligence and defensive medicine: A narrative review. Clinics (Sao Paulo, Brazil). 2022;77:100053. Doi: 10.1016/j.clinsp.2022.100053.
5. Amirahmadi A., Ohlsson M., Etminani K. Deep learning prediction models based on EHR trajectories: A systematic review. J Biomed Inform. 2023;144:104430. Doi: 10.1016/j.jbi.2023.104430.
6. Rasmy L., Nigo M., Kannadath B.S., et al. Recurrent neural network models (CovRNN) for predicting outcomes of patients with COVID-19 on admission to hospital: model development and validation using electronic health record data. Lancet. Digital Health. 2022;4(6):e415–25. Doi: 10.1016/S2589-7500(22)00049-8.
7. Tran K.A., Kondrashova O., Bradley A., et al. Deep learning in cancer diagnosis, prognosis and treatment selection. Gen Med. 2021;13(1):152. Doi: 10.1186/s13073-021-00968-x.
8. Hansun S., Argha A., Liaw S.-T., et al. Machine and Deep Learning for Tuberculosis Detection on Chest X-Rays: Systematic Literature Review. J Med Internet Res. 2023;25:e43154. Doi: 10.2196/43154.
9. Gürsoy E., Kaya Y. An overview of deep learning techniques for COVID-19 detection: methods, challenges, and future works. Multimed Syst. 2023;29(3):1603. Doi: 10.1007/s00530-023-01083-0.
10. LeCun Y., Bengio Y , Hinton G. Deep learning. Nature. 2015;521(7553):436–44. Doi: 10.1038/nature14539.
11. He Y., Zhao H., Wong S.T.C. Deep learning powers cancer diagnosis in digital pathology. Computerized Medical Imaging and Graphics: Official J Computer Med Imag Soc. 2021;88:101820. Doi: 10.1016/j.compmedimag.2020.101820.
12. Chuang W.-Y., Yu W.-H., Lee Y.-C., et al. Deep Learning-Based Nuclear Morphometry Reveals an Independent Prognostic Factor in Mantle Cell Lymphoma. Am J Pathol. 2022;192(12):1763–78. Doi: 10.1016/j.ajpath.2022.08.006.
13. Jiang X., Hu Z., Wang S., Zhang Y. Deep Learning for Medical Image-Based Cancer Diagnosis. Cancers. 2023;15(14):3608. Doi: 10.3390/cancers15143608.
14. Ting D.S.W., Pasquale L.R., Peng L., et al. Artificial intelligence and deep learning in ophthalmology. Br J Ophthalmol. 2019;103(2):167–75. Doi: 10.1136/bjophthalmol-2018-313173.
15. Kantidakis G., Hazewinkel A.-D., Fiocco M. Neural Networks for Survival Prediction in Medicine Using Prognostic Factors: A Review and Critical Appraisal. Computat Mathemat Methods Med. 2022;2022:1176060. Doi: 10.1155/2022/1176060.
16. Koo K.C., Lee K.S., Kim S., et al. Long short-term memory artificial neural network model for prediction of prostate cancer survival outcomes according to initial treatment strategy: development of an online decision-making support system. W J Urol. 2020;38(10):2469–76. Doi: 10.1007/s00345-020-03080-8.
17. Gohari M.R., Biglarian A., Bakhshi E., Pourhoseingholi M.A. Use of an artificial neural network to determine prognostic factors in colorectal cancer patients. APJCP. Asian Pacif J Cancer Prev. 2011;12(6):1469–72.
18. Sakellaropoulos T., Vougas K., Narang S., et al. A Deep Learning Framework for Predicting Response to Therapy in Cancer. Cell Rep. 2019;29(11):3367–73.e4. Doi: 10.1016/j.celrep.2019.11.017.
19. Lee M. Deep Learning Techniques with Genomic Data in Cancer Prognosis: A Comprehensive Review of the 2021–2023 Literature. Biology. 2023;12(7):893. Doi: 10.3390/biology12070893.
20. Reddy S. Generative AI in healthcare: an implementation science informed translational path on application, integration and governance. Implement Sci: IS. 2024;19(1):27. Doi: 10.1186/s13012-024-01357-9.
21. Carl N., Schramm F., Haggenmüller S., et al. Large language model use in clinical oncology. NPJ Precision Oncol. 2024;8(1):240. Doi: 10.1038/s41698-024-00733-4.
22. Morley J., DeVito N.J., Zhang J. Generative AI for medical research. BMJ. (Clinical research ed.). 2023;382:1551. Doi: 10.1136/bmj.p1551.
23. Van De Sijpe G., Quintens C., Walgraeve K., et al. Overall performance of a drug-drug interaction clinical decision support system: quantitative evaluation and end-user survey. BMC. Medical informatics and decision making. 2022;22(1):48. Doi: 10.1186/s12911-022-01783-z.
24. Flores E., Martinez-Racaj L., Torreblanca R., et al. Clinical Decision Support System in laboratory medicine. Clin Chem Lab Med. 2024;62(7):1277–82. Doi: 10.1515/cclm-2023-1239.
25. Amici L.D., van Pelt M., Mylott L., et al. Clinical Decision Support as a Prevention Tool for Medication Errors in the Operating Room: A Retrospective Cross-Sectional Study. Anesth Analg. 2024;139(4):832–9. Doi: 10.1213/ANE.0000000000007058.
26. Njie G.J., Proia K.K., Thota A.B., et al. Clinical Decision Support Systems and Prevention: A Community Guide Cardiovascular Disease Systematic Review. Am J Prev Med. 2015;49(5):784–95. Doi: 10.1016/j.amepre.2015.04.006.
27. Huang S., Liang Y., Li J., Li X. Applications of Clinical Decision Support Systems in Diabetes Care: Scoping Review. J Med Internet Res. 2023;25:e51024. Doi: 10.2196/51024.
28. Pichardo-Lowden A., Umpierrez G., Lehman E.B., et al. Clinical decision support to improve management of diabetes and dysglycemia in the hospital: a path to optimizing practice and outcomes. BMJ. Open Diab Res Care. 2021;9(1):e001557. Doi: 10.1136/bmjdrc-2020-001557.
29. Schwartz J.M., George M., Rossetti S.C., et al. Factors Influencing Clinician Trust in Predictive Clinical Decision Support Systems for In-Hospital Deterioration: Qualitative Descriptive Study. JMIR. Human Factors. 2022;9(2):e33960. Doi: 10.2196/33960.
30. Chen H., Ma X., Rives H., et al. Trust in Machine Learning Driven Clinical Decision Support Tools Among Otolaryngologists. Laryngoscope. 2024;134(6):2799–804. Doi: 10.1002/lary.31260.
31. Wang J.X., Sullivan D.K., Wells A.J., et al. Neural Networks for Clinical Order Decision Support. AMIA Joint Summits on Translational Science proceedings. AMIA. Joint Summits Translat Sci. 2019;2019:315–24.
32. Wang L., Zhang Z., Wang D., et al. Human-centered design and evaluation of AI-empowered clinical decision support systems: a systematic review. Front Comput Sci. 2023. Doi: 10.3389/fcomp.2023.1187299.
33. Khan S., Khan H.U., Nazir S. Systematic analysis of healthcare big data analytics for efficient care and disease diagnosing. Sci Rep. 2022;12(1):22377. Doi: 10.1038/s41598-022-26090-5.
34. Jing X., Himawan L., Law T. Availability and usage of clinical decision support systems (CDSSs) in office-based primary care settings in the USA. BMJ. Health & Care Inform. 2019;26(1):e100015. Doi: 10.1136/bmjhci-2019-100015.
35. Solomon J., Dauber-Decker K., Richardson S., et al. Integrating Clinical Decision Support Into Electronic Health Record Systems Using a Novel Platform (EvidencePoint): Developmental Study. JMIR. Formative Res. 2023;7:e44065. Doi: 10.2196/44065.
36. Rahimi A.K., Pienaar O., Ghadimi M., et al. Implementing AI in Hospitals to Achieve a Learning Health System: Systematic Review of Current Enablers and Barriers. J Med Internet Res. 2024;26(1):e49655. Doi: 10.2196/49655.
37. Fraser H., Crossland D., Bacher I., et al. Comparison of Diagnostic and Triage Accuracy of Ada Health and WebMD Symptom Checkers, ChatGPT, and Physicians for Patients in an Emergency Department: Clinical Data Analysis Study. JMIR. mHealth and uHealth. 2023;11:e49995. Doi: 10.2196/49995.
38. Fernandes M., Vieira S.M., Leite F., et al. Clinical Decision Support Systems for Triage in the Emergency Department using Intelligent Systems: a Review. Artificial Intelligence Med. 2020;102:101762. Doi: 10.1016/j.artmed.2019.101762.
39. Katzman J.L., Shaham U., Cloninger A., et al. DeepSurv: personalized treatment recommender system using a Cox proportional hazards deep neural network. BMC. Med Res Method. 2018;18(1):24. Doi: 10.1186/s12874-018-0482-1.
40. Johnson K.B., Wei W.-Q., Weeraratne D., et al. Precision Medicine, AI, and the Future of Personalized Health Care. Clin Translat Sci. 2020;14(1):86. Doi: 10.1111/cts.12884.
41. Arora A., Alderman J.E., Palmer J., et al. The value of standards for health datasets in artificial intelligence-based applications. Nature Med. 2023;29(11):2929–38. Doi: 0.1038/s41591-023-02608-w.
42. Batko K., Slezak A. The use of Big Data Analytics in healthcare. J Big Data. 2022;9(1):3. Doi: 10.1186/s40537-021-00553-4.
43. London A.J. Artificial Intelligence and Black-Box Medical Decisions: Accuracy versus Explainability. Hastings Center Rep. 2019;49(1):15–21. Doi: 10.1002/hast.973.
44. Juravle G., Boudouraki A., Terziyska M., Rezlescu C. Trust in artificial intelligence for medical diagnoses. Progress Brain Res. 2020;253:263–82. Doi: 10.1016/bs.pbr.2020.06.006.
45. Ibrahim A.M., Abdel-Aziz H.R., Mohamed H.A.H., et al. Balancing confidentiality and care coordination: challenges in patient privacy. BMC. Nursing. 2024;23(1):564. Doi: 10.1186/s12912-024-02231-1.
46. Mocydlarz-Adamcewicz M., Bajsztok B., Filip S., et al. Management of Onsite and Remote Communication in Oncology Hospitals: Data Protection in an Era of Rapid Technological Advances. J Personal Med. 2023;13(5):761. Doi: 10.3390/jpm13050761.
47. Abgrall G., Holder A.L., Chelly Dagdia Z., et al. Should AI models be explainable to clinicians? Critical Care. 2024;28(1):301. Doi: 10.1186/s13054-024-05005-y.
48. Palaniappan K., Lin E.Y.T., Vogel S. Global Regulatory Frameworks for the Use of Artificial Intelligence (AI) in the Healthcare Services Sector. Healthcare (Basel, Switzerland). 2024;12(5):562. Doi: 10.3390/healthcare12050562.
49. Bottomley D., Thaldar D. Liability for harm caused by AI in healthcare: an overview of the core legal concepts. Front Pharmacol. 2023;14:1297353. Doi: 10.3389/fphar.2023.1297353.
50. Acosta J.N., Falcone G.J., Rajpurkar P., Topol E.J. Multimodal biomedical AI. Nature Med. 2022;28(9):1773–84. Doi: 10.1038/s41591-022-01981-2.
Об авторах / Для корреспонденции
Автор для связи: Антон Дмитриевич Гуреев, ассистент кафедры анестезиологии, реаниматологии и скорой медицинской помощи Института профессионального образования, Самарский государственный медицинский университет, Самара, Россия; a.d.gureev@samsmu.ru
ORCID:
И.Г. Труханова (I.G. Trukhanova), https://orcid.org/0000-0002-2191-1087
А.Д. Гуреев (A.D. Gureev), https://orcid.org/0000-0001-8389-7244
Е.Г. Бибикова (E.G. Bibikova), https://orcid.org/0009-0005-9392-1101
А.В. Лунина (A.V. Lunina), https://orcid.org/0000-0002-3182-2109
Также по теме
