CC BY
4
DOI 10.46320/2077-7639-2023-2-117-116-126
Искусственный интеллект в медицинских чат-ботах: векторы развития
Крошилин С.В., Медведева Е.И., Макар С.В.
В связи с возникающими новыми экзогенными и эндогенными вызовами в области оказания медицинской помощи населению возрастает необходимость поиска новых способов повышения качества, доступности и эффективности деятельности медицинских организаций. Инновационные и информационно-коммуникационные технологии все чаще применяются в медицине, в частности, в первичном звене: происходит смена системы коммуникаций и обслуживания пациентов. Современные чат-боты в здравоохранении - это возможность для врача и быстрый, простой, эффективный способ для пациентов обеспечить необходимой информацией. Основанные на технологиях искусственного интеллекта чат-боты могут достаточно эффективно предоставлять пациенту и врачу информацию консультационного характера, «ставить диагноз», рекомендовать направления лечения и препараты, на основе применения удаленно мониторинга показателей жизнедеятельности могут уведомить врача о возможных рисках, а также обеспечивать информационное сопровождение человека до момента поступления в медицинскую организацию.
для цитирования гост 7.1-2003
Крошилин С.В., Медведева Е.И., Макар С.В. Искусственный интеллект в медицинских чат-ботах: векторы развития // Дискуссия. - 2023. - Вып. 118. - С. 116-126.
ключевые слова
Искусственный интеллект, чат-боты в медицине, организация здравоохранения, медицинское обслуживание, социально-экономические проблемы.
JEL: I100, I110, 1150
DOI 10.46320/2077-7639-2023-3-118-116-126
Artificial intelligence in medical chatbots: vectors of development
Kroshilin S.V., Medvedeva E.I., Makar S.V.
In connection with emerging new exogenous and endogenous challenges in the field of providing medical care to the population, there is an increasing need to find new ways to improve the quality, accessibility and efficiency of medical organizations. Innovative and information and communication technologies are increasingly used in medicine, in particular, in the primary care level: there is a change in the system of communication and patient care. Modern chatbots in healthcare are an opportunity for doctors and a fast, simple, effective way for patients to provide the information they need. Chatbots based on artificial intelligence technologies can quite effectively provide consulting information to the patient and the doctor, "diagnose", recommend treatment directions and medications, based on the use of remote monitoring of vital signs, they can notify the doctor about possible risks, as well as provide information support to the person before admission to a medical organization.
for citation apa
Kroshilin S.V., Medvedeva E.I., Makar S.V. Artificial intelligence in medical chatbots: vectors of development. Diskussiya [Discussion], 118, 116-126
keywords
Artificial intelligence, chatbots in medicine, healthcare organization, medical care, socio-economic problems.
JEL: I100, I110, 1150
ВВЕДЕНИЕ
Начиная с 1970-х годов технологии искусственного интеллекта (ИИ) [1], [2], [3] активно развиваются и применяются для решения медицинских задач. Направлением, которое использовало технологии ИИ в 80-х годах прошлого столетия, стало развитие экспертных систем [4], [5]. Такие системы, на основе накопленной информации и аналитических алгоритмов, способных предлагать решения на основе знаний, которые в них вносили эксперты. Работа данных систем основывалась на базах знаний и алгоритмах, которые могли осуществлять логические заключения и формулировать выводы на основе полученной от экспертов информации [5]. В то время такие
технологии нашли широкое применение при реализации медицинских информационных системах (МИС), которые могли предлагать схему лечения и выдавать подсказки врачу, учитывая известные противопоказания, накопленные в базе знаний [6].
Идея создания подобных МИС была связана, прежде всего, с необходимостью сокращения рисков при постановке ошибочных диагнозов и назначений (клинических предписаний) пациентам планов лечений. Можно констатировать, что современная МИС - это информационная система, которая использует технологии ИИ для анализа данных о пациенте и осуществляет консультационное информационное сопровождение дея-
тельности врача при назначении, конечной целью которой является снижение вероятности допущения ошибок врачей, а также повышение эффективности и качества оказываемой медицинской помощи [6], [7]. На современном этапе, учитывая быстрое распространение, доступность и снижение стоимости владения информационно-коммуникационными технологиями (ИКТ), экспертные системы применяются еще шире. Например, всеобщая медицинская информационная система (МИС), которая была создана в период всплеска Пандемии соу1^19, помогла в дальнейшем не только оказывать помощь в постановке диагноза, но и при разработке реальных методов лечения в зависимости от степени поражения легких пациентов.
МАТЕРИАЛЫ И МЕТОДЫ
Отечественная история развития МИС с элементами ИИ начинается с периода, когда произошла разработка «частных алгоритмов действий врача», которые обосновал профессор Тавровский В.М., а продолжил Шульман Е.И. [7], [8]. Логическим продолжением данной работы стали алгоритмы глубокого обучения [9], [10] в основе которых были нейросетевые архитектуры [11]. Первые нейронные сети в конце 50-х годов могли моделировать работу человеческого глаза при взаимодействии с мозгом [3]. Отечественный метод, основанный на «дереве решений» [12], доказал эффективность и точность применения инструмента поддержки принятия врачебных решений на основе технологий ИИ [13], [14]. Однако при такой реализации схем принятия решений выявляется значительный недостаток, а именно отсутствие возможности динамической корректировки самого алгоритма лечения, когда происходит резкое ухудшение самочувствия пациента. Для устранения данного недостатка были разработаны алгоритмы обучения с подкреплением (например, О-Ьеагш^) [15], [16]. Такой метод в последнее время получил стремительное развитие в современных подходах реализации ИИ для поддержки принятия клинических решений. Он показал высокую значимость при назначении оптимальных схем лечения пациентов, в том числе, на основе «подбора» оптимальных лекарственных препаратов, необходимой дозировки, интервалов приема, учитывая генетические особенности и индивидуальные характеристики каждого больного при выборе схемы лечения [17]. Метод позволяет автоматически корректировать процедуры в зависимости от текущего состояния пациента. Примерами эффективного «подбора»
лечения могут служит динамические изменения в лечении диабета и сепсиса [16], а также эффективно использоваться при сопровождении ко-морбидных пациентов [18].
Сегодня технологии ИИ широко применяется в медицине [19]. ИИ позволяет повысить эффективность управления различными процессами и обрабатывать значительные объемы накопленной информации. Технологические ИТ-гиганты такие как Facebook, Google, Amazon, Apple, Microsoft, Baidu сегодня вкладывают значительные средства в развитие данной технологии и уже сегодня применяют разработки на основе ИИ в своей деятельности для повышения лояльности и увеличения клиентских баз. Благодаря развитию технологий, техники, информационного оборудования, а также средств коммуникаций стоимость применения ИИ в деятельности организаций и предприятий постоянно снижается. Произошел существенный рост производительности современной техники с одновременным снижением стоимости «владения». Наряду с этим происходит развитие «облачных» хранилищ данных и мобильных технологий, растет рынок свободного ПО. Наиболее востребованными отраслями, связанными с массовым (распределенным) обслуживанием потребителей, где в большей степени применяются технологии ИИ, можно считать торговлю, маркетинг, рекламу, телекоммуникационные и государственные услуги, банковское дело, страхование, финансовую сферу. ИИ также активно внедряется в сферах образования и здравоохранения [20]. Сегодня здравоохранение переходит на иной формат работы с пациентами. Отчасти благодаря технологии ИИ есть возможность «сопровождать» человека с помощью новейшего инструмента ИКТ на основе чат-ботов.
Чат-бот (англ. chatbot) в понимании современного пользователя ИКТ - это «виртуальный» собеседник или программа, которая может поддерживать беседу, причем делается это на основе информации, которая получается от собеседника непосредственно во время «разговора». Например, программа-собеседник сначала выясняет потребности человека (проблемы), а затем помогает удовлетворить их - то есть предлагает варианты решения обозначенных проблем. Современные чат-боты могут «общаться» с человеком не только при вводе запроса с клавиатуры, но и с помощью голосового управления (например, как делает это голосовой ассистент Алиса в «умной» колонке).
Схема работы чат-бота приведена на рисунке 1.
^СХЕМА РАБОТЫ ЧАТ-БОТА
^Д^Пользователь делает запрос чат-боту (спрашивает или набирает его)_
Q Программа делит запрос (реплику) пользователя на отдельные слова и ищет среди них ключевые
QЕсли это предусмотрено сценарием, чат-бот с помощью нейросети классифицирует вопрос, определяет намерение пользователя
Программа извлекает из фраз сущности, необходимые для генерации ответа
^^^^сливопроснепонятенпрограмма^
Далее инструмент ищет ответ на вопрос пользователя в базе или генерирует его с помощью обученной нейросети
QПри необходимости программа обращается к подсистемам, размещённым на сторонних серверах
Генерируется ответ и показывается пользователю. Если пользователь не удовлетворен ответом, то возвращаемся в п.1
Источник: Составлено авторами на основе открытых интернет-источников.
Рис. 1. Схема работы чат-бота
)
Схему работы чат-бота можно очень упрощенно представить виде определенной последовательности действий (линейного алгоритма). На первом этапе, как правило, происходит идентификация пользователя. Пользователь регистрируется в системе и/или вводит свой логин и пароль. Это необходимо для определения пользователя и фиксации самого факта общения, кроме того, такое «общение» остается в памяти системы для того, чтобы чат-бот мог «вспомнить» на какую тему он общался с пользователем в предыдущие коммуникации. После идентификации пользователь устно (например, в микрофон на компьютере или смартфона) или «письменно» (набирает на гаджете или с клавиатуры на компьютере) задаёт вопрос чат-боту. Пользователь может его сформулировать самостоятельно или выбирать из готовых вариантов. В последнем случае система более точно отвечает, так как нет необходимости «распознавания» запроса. Если вопрос задан «устно» чат-бот делит «задание» пользователя на отдельные слова, а затем выделяет ключевые понятия. Есть вариант, кода чат-бот обращается за поддержкой к нейросети при интерпретации запроса с целью его классификации. С помощью
заложенного сценария и/или плавающего алгоритма (машинного обучения) чат-бот определяет намерение пользователя, извлекая из фраз сущность (смысл), необходимый для генерации (формулировки) ответа. Если система не может «дать ответ пользователю», задается уточняющий вопрос(ы). Если чат-бот «понял», что хочет пользователь, то ищет ответ на запрос в базе знаний или генерирует его с помощью обучения посредством нейросети. В случае необходимости чат-бот может обращаться к дополнительным подсистемам (на сторонних серверах) и выполняет с их помощью необходимые вычисления. После этого пользователь получает сгенерированный чат-ботом ответ. Если пользователь не удовлетворен ответом или есть необходимость дальнейшего «диалога», то он задает следующий вопрос и вся перечисленная последовательность повторяется (зацикливается).
Чат-бот может использоваться, например, в коммерции и от лица компании вести диалог (коммуникацию) с потребителем с целью упростить и снизить затраты на онлайн-общение (не задействовать при этом оператора и/или менеджера по продажам). Это возможно в силу того, что сценарий построения диалога обычно одно-
типный: необходимо предоставить актуальную информацию по стоимости товара или услуг, условиях сделки, скидках, месте расположения и т.д. Аналогично можно выстроить диалог и с пациентом медицинской организации (МО), что очень важно для дальнейшего решения задач улучшения качества обслуживания и повышения эффективности менеджмента в системе российского здравоохранения [21], [22].
Следует подчеркнуть, что современный чат-бот - это далеко не первая попытка ИТ-сферы «запрограммировать» общение «врач-пациент». Первый программный продукт, который сегодня можно было бы назвать «чат-ботом», был предложен еще в 70-е годы прошлого столетия. В психотерапии использовалась система Eliza [ 23],
[24], которая могла эмитировать работу врача-психотерапевта. Она умела «поддерживать разговор» с пациентом используя полученную от него информацию.
Современные медицинские чат-боты - это программы, которые используют искусственный интеллект для выполнения задач пациентов. В частности, сервисы позволяют записаться на приём к врачу, найти клиники поблизости и получить доступ к информации о лекарствах. Кроме того, медицинские чаты-боты могут использоваться для проверки симптомов заболевания и других задач по оказанию медпомощи1. Чат-боты в медицине выполняют «хорошо понятный» для программирования функционал, например, такие сервисы для пациента как организация процесса поиска необходимой МО, записи на приём к врачу, а также могут оказывать другие консультационные услуги. Более «продвинутые» чат-боты способны по существующей симптоматике «ставить» диагноз (предварительный) и «выбирать» направления лечения. Это в значительной мере облегчает работу медицинского персонала на первичном приеме, так как пациенты перечисляют свои симптомы чат-боту, который на основе полученной информации оценивает ситуацию и работает по необходимому сценарию: он может перенаправить к необходимому специалисту, записать на прием, либо использовать телемедицинские технологии получения медицинских услуг в МО. В любом случае вся полученная от пациента информация сохраняется в системе и нет необходимости вводить ее повторно
[25]. Также в современных условиях они могут
1 Чат-боты в медицине / Медтех-портал Zdrav.Expert (2023).
[Электронный ресурс]. Режим доступа: https://zdrav.expert/index.
р!пр/Статья:Чат-ботывмедицине (дата обращения: 06.06.2023).
быть задействованы при использовании удаленного биомониторинга: отслеживают показания жизнедеятельности человека, разрабатывают рекомендации по соблюдению ЗОЖ, используются при организации реабилитационных мероприятий для пациентов, перенесших операцию. В конечном итоге, медицинские чат-боты помогают эффективно организовать процесс оказания медицинской помощи и становятся незаменимыми «помощниками» в современном информационном пространстве в медицинском менеджменте.
Эксперты по-разному оценивают объемы рынка медицинских чат-ботов в России, так как это достаточно новое направление. Однако можно констатировать, что рынок чат-ботов в целом устойчиво растет. С 2018 года произошло двукратное увеличение в объемах2. Аналитики портала РБК констатируют значительный рост продаж начиная с 2019 г. чат-ботов с голосовым управлением. Например, появление «умных» колонок с голосовым помощником-ассистентом Алисой, когда управление осуществляется голосом, спровоцировало самый быстрый рост. Молодое поколение пользователей «оценило» возможность общения и предоставления всех необходимых сервисов. К концу 2023 года рынок чат-ботов и интеллектуальных ассистентов с элементами ИИ может достичь 33 млрд. руб.3 (см. рис. 2).
Чат-боты становятся все более востребованы в государственном секторе оказании информационных услуг и в ряде других отраслей, в которых ранее не применялись. Каждый пятый чат-бот «работает» в торговле, чуть меньше 17% - в финансовом секторе, 14% - государственном (см. рис. 3). Очень удачным можно считать реализацию «помощника» на портале Госуслуг, который помогает экономить время при поиске необходимого сервиса на портале.
РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ
Мировые «бренды» по производству и внедрению чат-ботов с элементами ИИ по объективным причинам слабо поддерживают отечественный рынок. Однако российские разработчики ПО и отечественные ИТ-компании имеют собственный
2 Кривошапко Ю. Объем российского рынка чат-ботов за последний год увеличился вдвое (2019) / Интернет-портал «Российской газеты». [Электронный ресурс]. Режим доступа: ИПрз;// rg.ru/2019/09/10/obem-rossijskogo-rynka-chat-botov-za-poslednij-god-uvelichilsia-vdvoe.html (дата обращения: 06.06.2023).
3 Фейки и роботы: какими будут главные технологические тренды 2019 года (2018) / РБК^1_1. [Электронный ресурс]. Режим доступа: https://www.rbc.rU/technology_and_media/03/12/2018/5 c051d5d9a7947c4ecd961ae?fbclid=IwAR3nn75Yw8nsENHlHZBMh Vz19Dke3Vz8lEkzAy6M3De1ncSKGxFy0ke3b9g (дата обращения: 06.06.2023)
0,20
0,23
0,52
2016
2017
2018
33,00
Источник: Оценки и прогнозы компании JustAL, РБК (2018).
Рисунок 2. Прогноз динамикироста российского рынка разговорного ИИ (чат-ботов), млрд руб.
44%
6%
1%
20%
15%
8% 5%
5% 15%
20% 10%
2017
2018
2019
5% 12%
22% 10%
2020
■ Другое
■ Туризм и гостиничный бизнес Транспорт
Телекоммуникации и ИТ Ритейл / торговля) Доставка еды, общепит Госсектор
■ Внутрикорпоративные HR-боты
■ Банки, финансы, страхование
Источник: Рынок чат-ботов по оценкам компании JustAL (2018)4 .
Рисунок 3. Области применения чат-ботов в России, %
опыт развития речевых технологий и поддержки систем с ИИ. Сегодня в России существуют площадки, которые могут не только поддерживать, но и развивать данные технологии. В таблице приведены основные достоинства и недостатки платформ, на которых сегодня можно реализовать чат-боты для решения медицинских задач (см. табл. 1).
Кроме того, в России есть множество примеров реализации чат-ботов на порталах ИТ-гигантов, таких как Яндекс, которая с 2017 года уже реализует проект голосового помощника «Алиса». Есть собственный чат-бот с элементами ИИ «Салют» от Компании Сбер, а также на платформе реализованы помощники «Афина» и «Джой», впервые представленные в 2020 году.
4 Рынок чат-ботов в цифрах и фактах (2018) // Портал PLUSworld. URL: https://plusworld.ru/daily/tehnologii/403076-2/ (дата обращения: 06.06.2023)
У отечественных чат-ботов свой «характер», так как на одинаковые запросы они реагируют и отвечают по-разному, а «Алиса» может определять настроение пользователя по голосу, «обижаться» и даже некоторое время не общаться с пользователем.
Есть примеры эффективного использования отечественных медицинских чат-ботов, например, система Бос+. В ее основе самообучающиеся алгоритмы, которые способны собирать симптоматику, учитывать структуру лечения, историю общения с пациентом, его обращения, анализировать и сопоставлять между собой совместимость принимаемых препаратов. На основе этого возможно подготовить всю необходимую информацию для врача5. В данный момент ресурс развивается как
5 Чат-боты в области здравоохранения (2022) / CLeverbots. [Электронный ресурс]. Режим доступа: https://cleverbots.ru/chat-boty-v-obLasti-zdravoohraneniya/ (дата обращения: 06.06.2023)
Таблица 1
Характеристика площадок для реализации чат-ботов
Название площадки Достоинства Ограничения/ Недостатки
FacebookMessenger продвинутая платформа, большое количество способов взаимодействия; возможность «собирать» платежи и идентифицировать пользователей; «быстрые ответы» - удобная опция для перехода в нужное сообщение; включает около 100 тысяч активных ботов; объединяет более миллиарда пользователей ограничения развития в России (в н.в.); поддерживает в одном сообщении не более 1000 символов; ограничен размер загружаемых видеофайлов (не более 10 Мб); в большей степени подходит для продвижения прямых коммерческих проектов
ВКонтакте боты сети, ведущие диалог от имени группы или сообщества, получают специальный IP; виртуальный консультант может присылать пользователям стикеры, фото, текстовые файлы,геолокацию пользователь может понять, что это бот; необходимо понимать, как общаться целевой аудиторией; ВК может заблокировать страницу при нарушении политики; нет прямого входа в бот ВК
Viber может общаться в режиме реального времени; беседа может вестись через сервисы CRM; допускаются форматы mp3 или mp4 поддерживает в одном сообщении не более 4000 символов; ограничен размер загружаемых видеофайлов (не более 10 Мб); ограничен размер загружаемых файлов формата jpeg (не более 1 МБ); бот может показать пользователю одно текстового сообщения до того, как пользователь не напишет ему; нет возможности воспроизводить звуковые файлы непосредственно в боте
TeLegram чат-боты являются частью экосистемы Телеграм; позволяют передавать дополнительные параметры при запуске робота; существует возможность принимать платежи; есть собственный интерфейс для создания чат-ботов воспроизводит файлы mp3 и mp4, размером не более 10 Мб; картинки «не обрезает» поэтому может отобразится некорректно
WhatsApp охват пользователей в России по максимуму; можно реактивировать клиентов по номеру телефона; самые высокие показатели по открывае-мости и ответам на сообщения; самые высокие показатели «доставки» сообщений нет официального API для роботов; программный код закрыт; политика безопасности данных ограничена
Источник: Составлено авторами на основе открытых интернет-источников.
«СберЗдоровье». Он может служит онлайн-плат-формой для проведения телеконсультаций, а также получить рекомендации нейросети (ИИ) [20]: диагноз, необходимый перечень препаратов и варианты осуществления лечения.
Задача оптимизации здравоохранения как сферы экономики сегодня остро стоит не только перед Россией, но и перед всеми странами мира [26], [27]. Многие клиники вынуждены экономить. Это активизирует в свою очередь спрос на меди-
цинские чат-боты. Драйвером развития также можно считать развитие телемедицины и удаленной диагностики, внедрение умных устройств, а также возрастающая доступность и растущая зона покрытия мобильным интернетом. Пациенты всего мира все больше узнают о преимуществах медицинских чат-ботов, которые сейчас становятся все более востребованными и доступными. В современных условиях развития ИТ системы быстро совершенствуются, они способны всё более
точно и персонализировано задавать вопросы, обучаться на основе полученной информации, которую сообщает пациент. Очевидно, что до полноценного и повсеместного применения таких ботов, которые полностью и «автономно» могли бы ставить диагнозы, должно пройти ещё определенное время, а также должна быть сформирована правовая база. Другой проблемой развития чат-ботов остается проблема сохранности и конфиденциальности полученных данных.
Существуют и технические проблемы при реализации чат-ботов в медицине. Сложность заключается в необходимости систематизации самой медицинской информации, которая может отличаться как количественно, так и качественно в зависимости от сферы медицинской деятельности. Сложно структурировать полученные от пользователя запросы, так как пользователь «не является профессионалом» в использовании медицинской терминологии. Бывают объективные расхождения в названии препаратов, отличные характерные симптомы и другие составляющие, которые необходимо правильно интерпретировать, но при этом использовать одинаковое лечащее вещество. Кроме того, люди при общении с чат-
ботом, например, при описании своих симптомов могут ошибаться, торопиться, говорить невнятно, волноваться - то есть не способны точно сформулировать свой запрос или ответ для системы. Основные недостатки, возможные проблемы при использовании и достоинства медицинских чат-ботов представлены на рисунке 4.
ОБСУЖДЕНИЕ
Следует отметить, что существует и нормативно правовая проблема применения подобных технологий в медицине. Очевидно, что дополнительной трудностью, с которой сталкиваются все, кто использует технологии ИИ в своих разработках, является степень ответственности. Как и в случае с машинами, которые управляются ИИ и имеют «автопилотов» - в случае возникновения проблем существует вопрос: «Кто же будет итоговым ответчиком в случае возникновении сложных ситуаций?» - разработчик ИИ или тот, кто пользуется программным продуктом? В медицине подобные «ошибки» всегда связаны с повышенными рисками неверного установления диагноза и/или интерпретированной у пользователя симптоматики. Кроме того, использование открытых каналов связи, например в социальной
С
+ Д О С Т О И Н С Т В А +
X
+ Н Е Д О С Т А Т К И +
J
Снимает «рутинную работу» с администраторов: может записать пациента на приём, отправить напоминание о записи, получить ответ от пациента, обработать ответ
Позволяет оптимизировать «рутинные операции»: можно автоматизировать стандартный процесс ответов на часто задаваемые вопросы
Может отправлять пациентам памятки, инструкции результаты анализов, напоминание о приеме лекарств
После прима у врача пациент может получить рекомендации по дальнейшим действиям в зависимости от предоставляемой медицинской услуги
Позволяет оптимально организовать маршруты пациентов
В чрезвычайных ситуациях (Пандемия) способны оптимизировать работу, а также консультировать по оказанию первой помощи
Позволяет экономить средства на операционных затратах на административные расходы, на рассылке sms, на продвижении медицинских услуг (рекламе)
'Ограниченный функционал, необходимость «обучения». Проблема выбора экспертов для обучения
' Возможность ответов только на прямолинейные вопросы. Непонимание сарказма людей и неоднозначных высказываний
'Отсутствие возможности поддержки разговора, когда он «выходит» за пределы запрограммированного алгоритма
Не шаблонное поведение клиента может «сбить» бота с алгоритма
Если ответы человека на уточняющий вопрос остаются непонятными, то повторно задается тот же вопрос, что может раздражать пациента
Не является универсальным решением для всех видов медицинской помощи и требует индивидуальной
настройки (обучения) настройки (обучения)
В настоящее время не может работать полностью автономно и стать полноценной заменой медицинского персонала даже в первичном звене
Источник: Составлено авторами на основе открытых интернет-источников.
Рисунок 4. Достоинства и недостатки медицинских чат-ботов
сети, поднимает вопрос вариантов соблюдения Закона «О персональных данных» и медицинской этики в принципе. Другая сложная проблема кроется в необходимости привлечения множества экспертов, которые, как правило, имеют свое мнение по вопросам «обучения» чат-ботов. Перечисленные нюансы требуют серьезной проработки, анализа и изучения всех задач по созданию чат-ботов, которые призваны выполнять административные задачи в медицинской организации.
Институтом социально-экономических проблем народонаселения им. Н.М. Римашевской совместно с НИИ организации здравоохранения и медицинского менеджмента ДЗМ в начале 2023 года было проведено экспертное интервью, основной целью которого стало изучение отношения медицинских работников и ИТ-специалистов к возможности создания и развития чат-ботов в медицине. Был разработан топ-гайд, в котором предлагалось дать развернутые ответы на ряд вопросов, касающихся специфики развития, разработки и применения медицинских чат-ботов.
Экспертный опрос показал, что 71% экспертов уже сейчас согласны с тем, что медицинские чат-боты могут быть применены в работе медицинских организаций для решения относительно простых задач с обязательным контролем со стороны медиков. 14% экспертов считают, что технология еще «сырая» и неотработанная и не следует торопиться с ее применением. Приведем высказывание одного из экспертов: «... есть смысл рассматривать чат-боты применительно к решению телемедицинских задач, прежде всего, как
Список литературы
1. Римашевская Н.М. Здоровье молодежи: сравнительное исследование России, Беларусь, Польша: монография / Н.М. Римашевская, В.Г. Доброхлеб, Е.И. Медведева, С.В. Крошилин и др. М.: Экон-Информ, 2016. С. 104-117.
2. Weiss S. Glaucoma consultation by computer / S. Weiss, С. Kulikowski, A. Safir // Computers in Biology and Medicine. 1978. Т. 1. № 8. С. 25-40. https://doi. org/10.1016/0010-4825(78)90011-2.
3. Лютер Дж.Ф. Искусственный интеллект. М.: Вильямс, 2003.
4. Elizarova M.I. Artificial intelligence in medicine / M.I. Elizarova, K.M. Urazova, S.N. Ermashov // International journal of Professional Science. 2021. № 5. С. 81-85.
5. Gardner R.M. The HELP hospital information system / R.M. Gardner, T.A. Pryor, H.R. Warner // International Journal of Medical Informatics. 1999. Т. 3. № 54. С. 169-182. https:// doi.org/10.1016/s1386-5056(99)00013-1.
6. Darmoni S.J. et al. SETH: an expert system for the management on acute drug poisoning in adults // Computer Methods
решение вопросов коммуникации на сайтах муниципальных и частных медицинских организаций. Однако боты могут столкнуться с проблемами «человеческого общения», а именно: неточное описание симптомов (проблем со здоровьем) со стороны пациента. Есть сложность и с определением ответственности, медицинской этики, ненадёжности канала для передачи данных от пациента. Для решения данных задач разработчики таких систем должны тесно взаимодействовать с «медиками», чтобы выявлять все факторы и риски. Только в этом случае чат-боты станут хорошим современным инструментом в медицине». Другой эксперт высказал мнение, что «...несмотря ни на что, будущее за использованием ИИ в медицине, чат-боты могут уберечь от так называемых «врачебных ошибок». Очевидно, что через 10-15 лет чат-боты могут использоваться во многих диагностических процедурах, а также им будет отдана роль интеллектуальной базы знаний (эксперта), которые смогут реализовывать назначение схем лечения, необходимых процедур и анализов. Контролирующая роль пока остается за человеком-врачом...»
ЗАКЛЮЧЕНИЕ
Таким образом, можно утверждать, что медицинские чат-боты становятся важным инструментом, который способен не только уменьшать нагрузку на медицинский персонал (выполняя рутинную работу), но и повысить качество обслуживания пациентов за счет сокращения времени для получения точной, релевантной информации. Это делает медицинские чат-боты с технологиями ИИ, весьма востребованными в медицинской сфере и в экономике.
and Programs in Biomedicine. 1994.Т. 3-4. № 43. С. 171-176. https://doi.org/10.1016/0169-2607(94)90067-1.
7. Купеева И.А. Разработка интеллектуальной системы поддержки принятия врачебных решений в дерматовенерологии / И.А. Купеева, К.И. Разнатовский, Р.А. Раводин // Проблемы медицинской микологии. 2015. Т. 3. № 17. С. 27-31.
8. ШульманЕ.И. Клиническая информационная система ДОКА+: решения, свойства, возможности и результаты применения / Е.И. Шульман, Д.Ю. Пшеничников, М.В. Глазатов, А.Г. Микшин, Г.З. Рот // Врач и информационные технологии. 2007. № 1. С. 12-19.
9. Черемискин Ю.В. Назначение фармакотерапии в клинической информационной системе ДОКА+: реакция врачей Краснозёрской ЦРБ на сообщения проактивных функций // Врач и информационные технологии. 2011. № 1. С. 43-49.
10. SrivastavaS, et al. Prediction of Diabetes Using Artificial Neural Network Approach // Engineering Vibration, Communication and Information Processing. 2018. № 2. С. 679-687. https://doi. org/10.1007/978-981-13-1642-5_59.
11. LiX. Artificial intelligence neural network based on intelligent diagnosis // Journal of Ambient Intelligence and Humanized Computing. 2020. № 12. С. 923-931. https://doi.org/10.1007/ s12652-020-02108-6.
12. Arul K. Application of back propagation artificial neural network in detection and analysis of diabetes mellitus / K. Arul, T. Jayanthy // Journal of Ambient Intelligence and Humanized Computing. 2020. № 12. С. 7063-7070. https://doi.org/10.1007/ s12652-020-02371-7.
13. Жаркова О.С. Построение систем поддержки принятия решений в медицине на основе деревьев решений / О.С. Жаркова, К.А. Шаропин, А.С. Сеидова, Е.В. Берестнева, И.А. Осадчая // Современные наукоемкие технологии. 2016. Т. 1. № 6. С. 33-37.
14. Астахова И.Ф. Интеллектуальная поддержка принятия врачебных решений / И.Ф. Астахова, Е.И. Киселева // Современные информационные технологии и ИТ-образование. 2020.Т. 3. № 16. С. 664-672.
15. Pombo N. Knowledge discovery in clinical decision support systems for pain management / N. Pombo, P. Arabjo, J. Viana // Artificial Intelligence in Medicine. 2014. № 60. С. 1-11. https:// doi.org/10.1016/j.artmed.2013.11.005.
16. Wang L. Supervised Reinforcement Learning with Recurrent Neural Network for Dynamic Treatment Recommendation / L. Wang, W. Zhang, X. He, H. Zha // In Proceedings of ACM Conference (Conference'17). ACM, - 2018. Available at: https:// arxiv.org/abs/1807.01473 (дата обращения 26.04.2023). https:// doi.org/10.48550/arXiv.1807.01473.
17. Liu N. et al. Learning the Dynamic Treatment Regimes from Medical Registry Data through Deep O-network // Scientific Reports. 2019. Т 1. № 9. https://doi.org/10.1038/ s41598-018-37142-0.
18. Медведева Е.И. Возможности использования зарубежного опыта сопровождения полиморбидных пациентов в российском здравоохранении / Е.И. Медведева, С.В. Крошилин// Здоровье мегаполиса. 2022. Т 4. № 3. С. 54-65. https://doi. org/10.47619/2713-2617.zm.2022.v.3i4;54-65.
19. Reddy V.N., et al. Analyzing MRI scans to detect glioblastoma
References
1. Rimashevskaya N.M. Youth health: a comparative study of Russia, Belarus, Poland: monograph / N.M. Rimashevskaya, V.G. Dobrokhleb, E.I. Medvedeva, S.V. Kroshilin et al. M.: Ekon-Inform, 2016. P. 104-117.
2. Weiss S. Glaucoma consultation by computer / S. Weiss, C. Kulikowski, A. Safir // Computers in Biology and Medicine. 1978. T. 1. № 8. C. 25-40. https://doi. org/10.1016/0010-4825(78)90011-2.
3. Luther J.F. Artificial Intelligence. Moscow: Williams, 2003.
4. Elizarova M.I. Artificial intelligence in medicine / M.I. Elizarova, K.M. Urazova, S.N. Ermashov // International journal of Professional Science. 2021. № 5. C. 81-85.
5. Gardner R.M. The HELP hospital information system / R.M. Gardner, T.A. Pryor, H.R. Warner // International Journal of Medical Informatics. 1999. T. 3. № 54. C. 169-182. https:// doi.org/10.1016/s1386-5056(99)00013-1.
6. Darmoni S.J. et al. SETH: an expert system for the management on acute drug poisoning in adults // Computer Methods and Programs in Biomedicine. 1994.T. 3-4. № 43. C. 171-176. https://doi.org/10.1016/0169-2607(94)90067-1.
7. Kupeeva I.A. Development of an intelligent system for supporting medical decision-making in dermatovenerology / I.A. Kupeeva, K.I. Raznatovsky, R.A. Ravodin // Problems of medical mycology. 2015. Vol. 3. № 17. P. 27-31.
8. Shulman E.I. Clinical information system DOC+: solutions, properties, possibilities and results of application / E.I. Shulman,
tumor using hybrid deep belief networks // Journal of Big Data. 2020. Т 1. № 7. https://doi.org/10.1186/s40537-020-00311-y.
20. Аликперова Н.В. Искусственный интеллект в медицине: поиск новых возможностей. В кн.: Сборник научных трудов НИИОЗММ ДЗМ. Москва: НИИОЗММ ДЗМ, 2022. Т. 4 (14). С. 94-97.
21. Ярашева А.В. Проблемы и перспективы кадрового обеспечения московского здравоохранения / А.В. Ярашева, О.А. Александрова, Е.И. Медведева, С.В. Крошилин и др. // Экономические и социальные перемены: факты, тенденции, прогноз. 2020. Т 1. № 13. С. 174-190. DOI: 10.15838/ esc.2020.1.67.10.
22. Медведева Е.И. Телемедицина в современных условиях: отношение социума и вектор развития / Е.И. Медведева, О.А. Александрова, С.В. Крошилин // Экономические и социальные перемены: факты, тенденции, прогноз. 2022. Т. 3. № 15. С. 200-222. DOI: 10.15838/esc.2022.3.81.11.
23. Решетникова Ю.С. Профиль пациента, готового к использованию цифровых технологий и методов искусственного интеллекта при получении медицинской помощи / Ю.С. Решетникова, О.В. Шарапова, А.Л. Каткова, О.А. Нестерова, Н.С. Брынза, И.М. Петров // Здравоохранение Российской Федерации. 2022. Т. 1, № 66. С. 20-26. https:// doi.org/10.47470/0044-197X-2022-66-1-20-26.
24. Dillon S. The Eliza effect and its dangers: from demystification to gender critique // Journal for Cultural Research.2020. Т. 1, № 24. С. 1-15. doi:10.1080/14797585.2020.1754642.
25. Caroline B. The computational therapeutic: exploring Weizenbaum's ELIZA as a history of the present // AI & Society. 2019. Т. 4, № 34. С. 803-812. https://doi.org/10.1007/ s00146-018-0825-9.
26. Nosova S., Norkina, A, Makar S. et al. Artificial Intelligence Technology as an Economic Accelerator of Business Process // Studies in Computational Intelligence. 2022. Т. 1032. С. 355-366.
27. Nosova S, Norkina A, Makar S. et al. Artificial intelligence as a driver of business process transformation // Procedia Computer Science. 2022. Т. 213. С. 276-284.
D.Yu. Pshenichnikov, M.V. Glazatov, A.G. Mikshin, G.Z. Roth // Doctor and information technologies. 2007. № 1. P. 12-19.
9. Cheremiskin Yu.V. Appointment of pharmacotherapy in the clinical information system DOC +: the reaction of doctors of the Krasnozersk CRH to messages of proactive functions // Doctor and information technologies. 2011. № 1. P. 43-49.
10. Srivastava S., et al. Prediction of Diabetes Using Artificial Neural Network Approach // Engineering Vibration, Communication and Information Processing. 2018. № 2. C. 679-687. https://doi. org/10.1007/978-981-13-1642-5_59.
11. Li X. Artificial intelligence neural network based on intelligent diagnosis // Journal of Ambient Intelligence and Humanized Computing. 2020. № 12. C. 923-931. https://doi.org/10.1007/ s12652-020-02108-6.
12. Arul K. Application of back propagation artificial neural network in detection and analysis of diabetes mellitus / K. Arul, T. Jayanthy // Journal of Ambient Intelligence and Humanized Computing. 2020. № 12. C. 7063-7070. https://doi.org/10.1007/ s12652-020-02371-7.
13. Zharkova O.S. Building decision support systems in medicine based on decision trees / O.S. Zharkova, K.A. Sharopin, A.S. Seidova, E.V. Berestneva, I.A. Osadchaya // Modern hightech technologies. 2016. Vol. 1. №. 6. P. 33-37.
14. Astakhova I.F. Intellectual support for medical decision-making / I.F. Astakhova, E.I. Kiseleva // Modern information technologies and IT education. 2020.T. 3. № 16. P. 664-672.
15. Pombo N. Knowledge discovery in clinical decision support systems for pain management / N. Pombo, P. Arabjo, J. Viana // Artificial Intelligence in Medicine. 2014. № 60. C. 1-11. https:// doi.org/10.1016/j.artmed.2013.11.005.
16. Wang L. Supervised Reinforcement Learning with Recurrent Neural Network for Dynamic Treatment Recommendation / L. Wang, W. Zhang, X. He, H. Zha // In Proceedings of ACM Conference (Conference'17). ACM, - 2018. Available at: https://arxiv.org/abs/1807.01473. https://doi.org/10.48550/ arXiv.1807.01473.
17. Liu N. et al. Learning the Dynamic Treatment Regimes from Medical Registry Data through Deep O-network // Scientific Reports. 2019. T 1. № 9. https://doi.org/10.1038/ s41598-018-37142-0.
18. Medvedeva E.I. Possibilities of using foreign experience in supporting polymorbid patients in Russian healthcare / E.I. Medvedeva, S.V. Kroshilin// Health of megapolis. 2022. T 4. № 3. P. 54-65. https://doi.org/10.47619/2713-2617.zm.2022.v.3i4 ;54-65.
19. Reddy V.N., et al. Analyzing MRI scans to detect glioblastoma tumor using hybrid deep belief networks // Journal of Big Data. 2020. T. 1. № 7. https://doi.org/10.1186/s40537-020-00311-y.
20. Alikperova N.V. Artificial intelligence in medicine: the search for new opportunities. In: Collection of scientific works of NIIOZMM DZM. Moscow: NIIOZMM DZM, 2022. Vol. 4 (14). P. 94-97.
Информация об авторе
Крошилин С.В., кандидат технических наук, доцент, ведущий научный сотрудник лаборатории исследования поведенческой экономики ФГБУН «Институт социально-экономических проблем народонаселения им. Н.М. Римашевской Федерального научно-исследовательского социологического центра Российской академии наук»(г. Москва, РоссийскаяФедерация); научный сотрудник ГБУ «Научно-исследовательский институт организации здравоохранения и медицинского менеджмента Департамента здравоохранения города Москвы»(г. Москва, Российская Федерация); доцент кафедры математики, физики и медицинской информатики ФГБОУ ВО «Рязанский государственный медицинский университет имени академика И.П. Павлова» Минздрава России (Рязань, Российская Федерация). Почта для связи с автором: krosh_sergey@mail.ru
Медведева Е.И., доктор экономических наук, доцент, ведущий научный сотрудник лаборатории исследования поведенческой экономики ФГБУН «Институт социально-экономических проблем народонаселения им. Н.М. Римашевской Федерального научно-исследовательского социологического центра Российской академии наук»(г. Москва, Российская Федерация); научный сотрудник ГБУ «Научно-исследовательский институт организации здравоохранения и медицинского менеджмента Департамента здравоохранения города Москвы»(г. Москва, Российская Федерация). Почта для связи с автором: e_lenam@mail.ru
Макар С.В., доктор экономических наук, ведущий научный сотрудник Института региональной экономики и межбюджетных отношений Финансового университета при Правительстве Российской Федерации (г. Москва, Российская Федерация. Почта для связи с автором: svetwn@mail.ru
Информация о статье
Дата получения статьи: 22.05.2023
Дата принятия к публикации: 27.06.2023
© Крошилин С.В., Медведева Е.И., Макар С.В., 2023.
21. Yarasheva A.V. Problems and prospects of staffing Moscow healthcare / A.V. Yarasheva, O.A. Alexandrova, E.I. Medvedeva, S.V. Kroshilin et al. // Economic and social changes: facts, trends, forecast. 2020. T. 1. № 13. P. 174-190. DOI: 10.15838/ esc.2020.1.67.10.
22. Medvedeva E.I. Telemedicine in modern conditions: the attitude of society and the vector of development / E.I. Medvedeva, O.A. Alexandrova, S.V. Kroshilin // Economic and social changes: facts, trends, forecast. 2022. Vol. 3. № 15. P. 200-222. DOI: 10.15838/esc.2022.3.81.11.
23. Reshetnikova Yu.S. Profile of a patient ready to use digital technologies and artificial intelligence methods in receiving medical care / Yu.S. Reshetnikova, O.V. Sharapova, A.L. Katkova, O.A. Nesterova, N.S. Brynza, I.M. Petrov // Healthcare of the Russian Federation. 2022. Vol. 1, № 66. P. 20-26. https://doi. org/10.47470/0044-197X-2022-66-1-20-26 .
24. Caroline B. The computational therapeutic: exploring Weizenbaum's ELIZA as a history of the present // AI & Society. 2019. T. 4, № 34. C. 803-812. https://doi.org/10.1007/ s00146-018-0825-9.
25. Nosova S., Norkina, A., Makar S. et al. Artificial Intelligence Technology as an Economic Accelerator of Business Process // Studies in Computational Intelligence. 2022. T. 1032. C. 355-366.
26. Nosova S., Norkina A., Makar S. et al. Artificial intelligence as a driver of business process transformation // Procedia Computer Science. 2022. T. 213. C. 276-284.
Information about the author
Kroshilin S.V., PhD in Technical Sciences, Associate Professor,Leading Researcher at the Behavioral Economics Research Laboratory of the N.M. Rimashevskaya Institute Socio-Economic Studies of Population of the Federal Center of Theoretical and Applied Sociology of the Russian Academy of Sciences (Moscow, Russian Federation); Researcher at the GBU Research Institute of Health Organization and Medical Management of the Moscow City Health Department» (Moscow, Russian Federation); Associate Professor of the Department of Mathematics, Physics and Medical Informatics of the Ryazan State Medical University named after Academician I.P. Pavlov of the Ministry of Health of Russia (Ryazan, Russian Federation). Corresponding author: krosh_sergey@mail.ru.
Medvedeva E.I., Doctor of Economics, Associate Professor, Leading Researcher at the Behavioral Economics Research Laboratory of the N.M. Rimashevskaya Institute Socio-Economic Studies of Population of the Federal Center of Theoretical and Applied Sociology of the Russian Academy of Sciences (Moscow, Russian Federation); Researcher at the GBU Research Institute of Health Organization and Medical Management of the Moscow City Health Department» (Moscow, Russian Federation). Corresponding author: e_lenam@ mail.ru.
Makar S.V., Doctor of Economics, Senior Research Scientist, Institute of Regional Economics and Interbudgetary Relations, Financial University under Government of the Russian Federation (Moscow, Russian Federation). Corresponding author: svetwn@mail.ru.
Article Info
Received for publication: 22.05.2023 Accepted for publication: 27.06.2023
© Kroshilin S.V., Medvedeva E.I., Makar S.V., 2023.
