text

Машинное обучение в медицине: еще теория или уже практика?

  • 7 сентября 2018
  • 70
Старший вице-президент по разработке ПО в WaveAccess
Среди ключевых компетенций: создание и интеграция модулей машинного обучения.

Для работы, изучения и анализа больших данных в здравоохранении появляются всё новые технологии. В помощь врачам теперь добавилось так называемое «машинное обучение», то есть подраздел искусственного интеллекта, который изучает методы построения алгоритмов, способных обучаться. Как реализуется машинное обучение в медицине и с чем сейчас работают многие клиники – в нашей статье.

Автоматизация интеллектуальных задач и машинное обучение

Разберемся, почему возникла потребность машинного обучения в медицине. В России растет перспективный рынок врачебных услуг: так, по статистике Министерства здравоохранения РФ, только за 2017 год частные лечебные учреждения обслужили более трети населения. Получается, более 30% могут себе позволить платное здравоохранение. Растет рынок частных клиник, которые удовлетворяют потребность в более качественном лечении.

Это означает рост и ужесточение конкуренции: старые учреждения борются за возврат посетителей, новые - стремятся заполучить долю прибыли. В этой борьбе маркетинговых инструментов уже недостаточно. Требуется новая управленческая парадигма: быстрее получать результаты анализов, снижать издержки, автоматизировать рутинные процессы, которые раньше отнимали у медицинских специалистов силы и время. А в идеале — автоматизировать сложные задачи, которые у конкурентов пока исполняются вручную. В этом отношении машинное обучение в медицине смогло бы предоставить такую возможность.

Многие процессы в клиниках уже удалось поручить компьютерным системам, к примеру:

  1. Сбор заявок с сайта, перенаправление администратору, IP-телефония;
  2. Документооборот, хранение данных о сделках с клиентами (ERP-системы); 
  3. Хранение данных о клиентах, их заказах (CRM-системы);
  4. Передача данных медицинских исследований и получение ответа от лабораторий;
  5. Хранение и поддержка медицинских карт пациентов.

При этом не перед обслуживающим персоналом, а именно перед медиками в клинике встают наиболее сложные интеллектуальные задачи. Лечащим врачам приходится знакомиться с сотнями самых разных методик оказания врачебной помощи и современными способами обследования, с множеством медикаментов и новыми статьями об их побочных эффектах. Специалистам нужно учитывать показания и противопоказания, особенности пациента, известные кейсы заболеваний. Чтобы работать эффективно, нужно обрабатывать лавину информации. Автоматизация всего части этих задач способна по-настоящему сэкономить ресурсы и повысить качество услуг.

ВАЖНО!
Суть машинного обучения состояла в дилемме - машине не под силу писать медзаключения, определять болезни или расшифровывать рентгенограммы. При росте бизнеса приходится наращивать штат, заставлять пациентов дольше ждать в очереди. Разве можно автоматизировать то, что долгое время делали только высококвалифицированные специалисты?

Сегодня возможностей стало больше: системы на базе технологий машинного обучения (machine learning, ML) пользуются не просто статистикой, а более сложными алгоритмами. Эти алгоритмы можно обучать, «говорить» им, верно ли они сделали выводы, — и качество их работы будет улучшаться, а значит, такую систему можно научить выполнять и более сложные задачи. Например, поддерживать врачей при принятии решения, снимать с них часть объемной работы.

Машинное обучение в медицине как система поддержки принятия решений

Аналитические системы на основе машинного обучения в медицине способны помогать с принятием решения, основываясь на данных о пациенте. Как пример можно привести разработку Google, которая мгновенно определяет риск инфаркта. Сюда же можно отнести системы «умного» мониторинга: они в реальном времени считывают показатели пациентов, а порой даже напоминают о необходимости приема лекарств, в зависимости от показателей. Это в том числе и системы, которые «читают» миллионы научных статей и выдают нужные, предсказывают течения заболеваний и анализируют жизненно важные данные.

Они помогают в процессах, где:

  1. требуется принять много быстрых решений (например, перенаправить данные в нужные департаменты, оценить правильность заполнения сотен документов, «прочесть» и «понять» заявку);
  2. где решение требуется всего лишь одно, но взвешенное (например, предугадать обострение заболевания).

Подобные ML-системы способны оперативно обрабатывать достаточно информации, выдавая врачу самое главное: выжимку, на основе которой решение принять легче.

Задачи машинного обучения

Расскажем о самых частых задачах машинного обучения, которые теперь можно решать.

Распознавание образов: помощь специалисту в чтении результатов медицинского сканирования: например, указание на участки видеозаписи, которые наиболее репрезентативны (ангиограммы, рентгенограммы, томографические исследования и т.д.), помощь в распознании аномалий на этих образах.

Например, расшифровка результатов УЗИ.

Машинное обучение в медицине: еще теория или уже практика?

Нейросеть помогает определять области нахождения артерий и распознавать холестериновые бляшки.

Наш клиент предоставляет медучреждениям и врачам частной практики США устройство для оценки состояния сонных артерий, а также сервис по подробной расшифровке результатов сканирования. Ранее специалисты по расшифровке просматривали всю полученную видеозапись длиной в среднем 2 минуты, кадр за кадром проверяя состояние артерии. Измерение толщины стенки артерии и ее диаметра, определение формы, размеров и расположения бляшек осуществлялись вручную. С ростом количества пользователей поставщику решения приходилось увеличивать штат высокооплачиваемых техников, росли расходы компании.

Требовалось оптимизировать процессы: ускорить работу текущего штата специалистов, а не наращивать его. Мы разработали систему с применением алгоритмов машинного обучения в медицине и нейросетей, которая помогает техникам расшифровывать УЗИ: она автоматически подсказывает, где удобнее будет измерять диаметр стенки артерии. А также детектирует наличие бляшки в артерии пациента, если она есть. Разумеется, если система «решает», что бляшек на УЗИ нет, техник должен будет просмотреть запись сам: исключить ложно-отрицательный результат. Текущая система значительно ускоряет и облегчает работу медиков.

Поиск среди научных текстов: система машинного обучения осуществляет поиск нужных данных среди неструктурированных источников, к примеру, прецедентов заболевания в базах знаний, научных работ по строго определенной теме, мнений в научных журналах. Казалось бы, задача простая, но если у нас есть миллионы публикаций, и их число растет каждый месяц — она становится сложнее. К этому можно добавить, что системы машинного обучения могут не только составлять релевантные подборки текстов, но и анализировать их тональность: отношение автора к теме исследования.

Если говорить о примерах – расскажем о разработке для крупной фармацевтической компании в США. Чтобы своевременно добавлять в инструкцию по применению препарата актуальные данные о противопоказаниях, наш заказчик должен отслеживать научные публикации о своем препарате. Такие публикации появляются в большом количестве, поэтому выгоднее этот процесс автоматизировать и выдавать сотрудникам уже готовую подборку. Система машинного обучения смогла осуществить поиск по внутренним базам медицинских текстов не только по самим публикациям, но и по метаданным (информация об авторе, месте и времени выхода научной статьи).

Предсказание течения болезней, в том числе хронических, и контроль по процессу лечения. Аналитические системы на базе машинного обучения могут на основе образа жизни человека и других известных параметров предсказывать развитие болезней и помогать в их предупреждении.

Один из показательных кейсов — предсказание того, не попадет ли клиент медицинской страховой компании в группу риска. Страховые компании в США по закону обязаны продавать страховку всем, даже тем, кто ведет очевидно не здоровый образ жизни или страдает хроническим заболеванием. Обычно таких клиентов ведет особый страховой агент — специалист с медицинским образованием. Он внимательно следит, чтобы эти люди не попадали в группу риска, побуждает вести здоровый образ жизни, вовремя проходить обследования и выявлять заболевания. В его задачи входит следить за состоянием их здоровья и предупреждать обострения, чтобы в дальнейшем такой покупатель страховых услуг не начал обходиться компании дороже.

В помощь специалисту была разработана такая система машинного обучения, которая (зная первичные данные о пациенте) смогла вести всех клиентов страховой компании сама, без вмешательства доктора. Она анализирует множество данных о пациентах и на их основе может предсказывать возникновение и обострение заболеваний. В итоге удалось даже предсказать, возникнут ли в ближайшее время у человека проблемы с опиатами (наркомания).

Данная система была разработана по заказу крупной компании из США, которая продает свой продукт по подписке страховым компаниям. Она экономит значительные средства, позволяя страховым агентам с медицинским образованием более прицельно заниматься клиентами.

Возможности машинного обучения – прогнозы внедрения

Системы на основе машинного обучения в медицине, как правило, нуждаются в достаточно большом количестве данных для анализа: необходимы десятки тысяч сканов, пациентов, диагнозов. Именно в этом случае алгоритм способен обучиться для самостоятельной работы и приносить клиникам выгоду.

Пользуясь более сложными алгоритмами и современными вычислительными мощностями, ML-системы способны значительно облегчить работу высококвалифицированных специалистов. Они применяются всюду, где есть большой поток информации и невозможно или накладно извлекать выводы вручную: в науке помогают производить поиск по документам в сотни раз быстрее, чем это сделал бы человек, в медицинcкой практике — снизить влияние человеческого фактора, помогая более точно распознавать болезни, находить нужные кадры в результатах обследований и многое другое.

Как раньше в «гонке вооружений» выигрывал тот, кто быстрее других внедрял новые схемы автоматизации привычных процессов, так и сейчас у машинного обучения есть шанс стать новым конкурентным преимуществом в медицинской отрасли.

Мы в соцсетях
Сайт использует файлы cookie. Они позволяют узнавать вас и получать информацию о вашем пользовательском опыте. Это нужно, чтобы улучшать сайт. Посещая страницы сайта и предоставляя свои данные, вы позволяете нам предоставлять их сторонним партнерам. Если согласны, продолжайте пользоваться сайтом. Если нет – установите специальные настройки в браузере или обратитесь в техподдержку.