CC BY
61
УДК 577.29
ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В ОТДЕЛЕНИЯХ ИНТЕНСИВНОЙ ТЕРАПИИ СЛУЖБЫ ЭКСТРЕННОЙ МЕДИЦИНСКОЙ ПОМОЩИ (АНАЛИТИЧЕСКИЙ ОБЗОР)
А.М. ХАДЖИБАЕВ1, Ф.Т. АДЫЛОВА2, Х.М. КАСИМОВ1, В.Х. ШАРИПОВА1, Н.Б. ИСХАКОВ1
1 Республиканский научный центр экстренной медицинской помощи Минздрава Республики
Узбекистан
2 Институт математики им. В.И. Романовского Академии Наук Республики Узбекистан
Компьютерные системы искусственного интеллекта (ИИ) - современный тренд в развитии информационных технологий. В области медицины ИИ используется для разработки лекарств, персонализированной диагностики и терапии, медицинской визуализации. Использование компьютеров для помощи в лечении критически больных пациентов не является новой концепцией. С неоднозначными результатами в прошлом были предложены компьютеризированные системы для мониторинга пациентов отделений интенсивной терапии (ОИТ), ведения пациентов с помощью аппаратов ИВЛ, медицинской помощи пациентам с острым респираторным дистресс-синдромом (ОРДС), управления артериальной оксигенацией. Искусственный интеллект основан на принципиально ином подходе - алгоритмы ИИ учатся на многочисленных примерах. Сегодня алгоритмы машинного обучения используют для анализа данных, прогнозирования смертности и продолжительности пребывания в отделениях интенсивной терапии, выявления групп пациентов, которые имеют риск прогрессирования заболевания или могут иметь осложнения. Этот обзор написан на материалах самых последних публикаций, но развитие области искусственного интеллекта очень динамичное, поэтому можно ожидать новых, прорывных результатов в интенсивной терапии, и, соответственно, в службе экстренной медицинской помощи.
Ключевые слова: искусственный интеллект, отделения интенсивной терапии, служба экстренной медицинской помощи
ARTIFICIAL INTELLIGENCE IN INTENSIVE CARE UNITS of emergency medical service (ANALYTICAL REVIEW)
A.M. KHADJIBAEV 1, F.T. ADILOVA 2, H.M. KASIMOV 1, V.H. SHARIPOVA 1, N.B. ISKHAKOV 1
1 Republican Research Centre of Emergency Medicine, Tashkent, Uzbekistan
2 Romanovsky Institute of Mathematics, Tashkent, Uzbekistan
Computer systems of artificial intelligence (AI), a modern trend in the development of IT. In the field of medicine, AI is used to develop drugs, personalized diagnostics and therapy, and medical imaging. Using computers to help treat critically ill patients is not a new concept. With mixed results in the past, computerized systems have been proposed for monitoring patients in intensive care units (ICU), managing patients with ventilators, medical care for patients with acute respiratory distress syndrome (ARDS), and managing arterial oxygenation. Artificial intelligence is based on a fundamentally different approach: AI algorithms learn from numerous examples. Today, machine learning algorithms are used to analyze data, predict mortality and length of stay in intensive care units, identify groups of patients who are at risk of disease progression or may have complications. This review is based on the latest publications, but the development of AI is very dynamic, so one can expect new, advanced results in intensive care, and, accordingly, in the emergency medical service.
Keywords: artificial intelligence, intensive care units, emergency medical service
ВВЕДЕНИЕ
Двадцать первый век стал свидетелем ощутимого увеличения нашей способности выполнять сложные вычисления. Интернет способствовал свободному распространению программного обеспечения и дал стимул для ученых-компьютерщиков разработать мощные алгоритмы, направленные на моделирование человеческого интеллекта. Компьютерные системы искусственного интеллекта (ИИ) способны выполнять задачи, обычно требующие человеческого интеллекта. В области медицины ИИ используется для поиска лекарств, персонализированной диагностики и терапии, молекулярной биологии, биоинформатики и медицинской визуализации. Программы искусственного интеллекта также способны диагностировать заболевания, изучая и анализируя огромное количество цифровой информации, хранящейся в электронных медицинских записях. Управление по контролю за продуктами и лекарствами США (FDA) уверено, что «технологии, основанные на искусственном интеллекте, могут трансформировать здравоохранение»[1].
Большая часть человеческого интеллекта включает в себя распознавание образов - процесс, который сопоставляет визуальные или другие типы раздражителей с аналогичной информацией, хранящейся в мозге. Хотя человек наделен абстрактным мышлением, он обладает ограниченной способностью запоминать. Более того, людям трудно мыслить в терминах многомерных пространств или визуализировать шаблоны, построенные на больших объемах данных. Напротив, компьютеры имеют большой объем памяти, превосходно справляются с многомерными проблемами и могут различать даже небольшие или «нечеткие» ассоциации в массивах данных.
Использование компьютеров для помощи в лечении критически больных пациентов не является новой концепцией. С неоднозначными результатами в прошлом были предложены компьютеризированные системы для мониторинга пациентов отделений интенсивной терапии (ОИТ) [2], ведения пациентов с помощью аппаратов ИВЛ [3; 4], руководства медицинской помощью у пациентов с острым ре-
спираторным дистресс-синдромом (ОРДС) [5] и управления артериальной оксигенацией [6]. Эти ранние компьютерные системы были запрограммированы высокоспецифичными логическими выражениями !Р/ТНЕЫ/ЕЬБЕ, которые оценивали валидность состояния на основе принятых физиологических принципов и/или клинического опыта.
Искусственный интеллект основан на принципиально ином подходе. Алгоритмы ИИ учатся на многочисленных примерах, устанавливая свои собственные правила поведения и могут даже улучшить свой «интеллект», включив дополнительный опыт, полученный в результате применения этих правил. Машинное обучение - это основной инструмент ИИ, в котором машины учатся или извлекают знания из имеющихся данных, но не воздействуют на информацию. Машинное обучение объединяет методы статистического анализа с информатикой для создания алгоритмов, способных к «статистическому обучению».
Существует два типа структур машинного обучения: контролируемые и неконтролируемые, не останавливаясь на описании которых мы кратко представим два наиболее популярных в медицине подхода.
Регрессионное обучение. Большинство врачей знакомы с регрессионным анализом - статистическим методом, который создает математическое выражение (модель), связывающее одну входную переменную с другой (линейная регрессия) или множество входных переменных с одной зависимой переменной (множественная регрессия). В регрессионном анализе выходные данные являются функцией входных данных. Другими словами, прогнозируемая переменная будет изменяться вместе с входными переменными. Регрессия обычно используется для выявления новых зависимостей, при этом выбор модели основывается на ее значимости и адекватности.
Обучение классификацией. Обучение через классификацию - это форма распознавания образов, предназначенная для прогнозирования одного, нечислового результата или «класса» из заранее определенного списка возможностей. Алгоритмы классификатора обучаются с
использованием множества строк данных, причем каждая строка имеет несколько входных переменных и одну желаемую выходную переменную.
Простейшей моделью классификации является двоичный тип, в котором модели предлагается выбирать между ответом «да» и «нет». Классы могут состоять из медицинских состояний (например, сепсис, ОРДС, хроническая обструктивная болезнь легких (ХОБЛ) и т.д.), клинических или физиологических наблюдений (например, различные типы аритмии или асин-хронии вентиляторов). Каждый класс связан с рядом входных переменных или признаков, общих для всех классов. Для более точного описания класса требуется больше признаков, но увеличение их количества приводит к сложным моделям, которые требуют большей вычислительной мощности и более продолжительного времени вычислений. Важным руководящим принципом в машинном обучении является принцип «меньше - лучше».
Наиболее важным шагом в разработке модели машинного обучения является четкое определение проблемы и определение ее пригодности для машинного обучения. В то время как люди могут сделать классификацию на основе всего лишь нескольких примеров, обучение алгоритма машинного обучения требует больших объемов данных. Убедившись в том, что собрано достаточное количество примеров для представления в компьютер, исходный набор данных делится на «обучение» модели и «тестовый» набор для её проверки. Данные разделяются случайно, но обычной практикой является использование 70% или 80% данных для обучения, а оставшейся части - для тестирования. Цель «тестового» набора данных -оценить точность алгоритма при работе на ранее не знакомых данных. Точность определяется как процент правильных ответов; если точность получается ниже выбранного ожидаемого значения, следует собрать больше «обучающих» данных или использовать другой тип алгоритма машинного обучения. Алгоритмов классификации известно много; сегодня популярным типом алгоритма является нейронная сеть. Усовершенствованные системы машинно-
го обучения, охватывающие несколько уровней сложных нейронных сетей, называются глубоким обучением.
Рассмотренные выше методы машинного обучения относятся к контролируемым. Наиболее часто используемые методы неконтролируемого обучения - это кластеризация, обнаружение аномалий и уменьшение размерности, обсуждение которых выходит за рамки настоящей статьи.
Применение искусственного интеллекта в отделении интенсивной терапии
В условиях клиники существует много возможностей для применения ИИ. Контролируемые алгоритмы машинного обучения, учитывая их потенциал для автоматического распознавания образов, доказали свою полезность в радиологии [7] и гистопатологии [8]. Машинное обучение широко использовалось в области хирургии, так как оно относится к робототехнике [9], в кардиологии [10] для раннего выявления сердечной недостаточности [11], а также в исследованиях рака для классификации типов опухолей и скорости их роста [12].
Хотя внедрение машинного обучения в отделении интенсивной терапии находится в зачаточном состоянии, уже опубликовано несколько исследований, описывающих применение этой технологии в лечении пациентов с тяжелыми заболеваниями. Некоторые авторы использовали большие наборы данных для прогнозирования продолжительности пребывания в больнице, реадмиссии в отделении интенсивной терапии и уровня смертности, а также риска развития медицинских осложнений или состояний, таких как сепсис и ОРДС. Другие исследования касались небольших наборов клинических и физиологических данных, чтобы помочь в мониторинге пациентов, получающих вентиляционную поддержку.
Прогнозирование выживаемости пациентов и продолжительности пребывания. Нои^ооЙ е! а1. [13] обучили модель опорных векторов для прогнозирования выживаемости пациентов и продолжительности пребывания в ОИТ, используя данные 14 480 пациентов. Площадь модели под кривой (АиС) для прогнозирования продолжительного пребывания со-
ставила 0,82. В то же время точность клинического прогноза продолжительности пребывания в ОИТ составляет всего 53% [14].
Скрытая структура Марковской модели, примененная к физиологическим измерениям, проведенным в течение первых 48 часов приема в ОИТ, также предсказывала продолжительность пребывания в ОИТ с разумной точностью [15].
Проблема реадмиссии была исследована с помощью алгоритма нейронной сети, примененного к базе данных Medical Information Mart для интенсивной терапии III (MIMIC-III). Это доступная база данных с открытым исходным кодом, собранная у пациентов, получавших лечение в отделениях интенсивной терапии Медицинского центра Beth Israel Deaconess в период с 2001 по 2012 год. Алгоритм смог идентифицировать пациентов ОИТ с риском реадмиссии с чувствительностью 0,74 и AUC 0,79 [16].
Прогнозирование смертности. Awadet Al. [17] применили несколько алгоритмов машинного обучения, включая деревья решений, случайный лес и наивный байесовский алгоритм, к 11722 данным MIMIC-II при первом поступлении для прогнозирования смертности. Признаки включали демографические, физиологические и лабораторные данные. Эти модели превзошли стандартные системы оценки, такие как APACHE-II, последовательная оценка отказа органов (sequential organ failure assessment, SOFA) и упрощенная Simplified Acute Physiology Score (SAPS). Результат авторов был подтвержден в последующем исследовании с использованием анализа временных рядов [18].
Шведская система, использующая искусственные нейронные сети, применяемые для 200000 впервые госпитализированных в ОИТ, также показала превосходную эффективность в прогнозировании риска смерти по сравнению с SAPS-3 [19]. Также были предложены модели обучения для предсказания смертности при травме [20] и для педиатрических пациентов [21]. Вышеупомянутые модели выживаемости больных из ОИТ хотя и предлагают улучшенную производительность по сравнению со стандартными системами оценки прогнозирования
смертности, являются несколько громоздкими в использовании и требуют большого количества переменных.
Осложнения и стратификация риска. Уооп е! а1. [22] разработали метод прогнозирования нестабильности в отделении интенсивной терапии на основе логистической регрессии и моделей тахикардии с использованием моделей электрокардиограммы (ЭКГ) методом случайного леса с точностью 0,81. Недавнее исследование применило случайный лес к более чем 200000 электронных медицинских карт госпитализированных пациентов, чтобы предсказать возникновение сепсиса и септического шока. Хотя алгоритм был высокоспецифичным (98%), он имел чувствительность только 26%, что сильно ограничивало его полезность [23].
Были опубликованы другие исследования, описывающие использование моделей машинного обучения при формировании специфических оценок риска для случая эмболии легочной артерии [24], стратификации риска ОРДС [25], прогнозирования острого повреждения почек у пациентов с тяжелыми ожогами [26], в целом для больных в ОИТ [27], прогнозирования объемной чувствительности после введения жидкости [28] и выявления пациентов с вероятностью развития осложненной инфекции ОоБЫ^ит^АсМе [29].
Механическая вентиляция. В то время как современные механические вентиляторы работают исключительно хорошо при доставке воздуха в легкие больных, они представляют собой системы с прямой связью или с разомкнутым контуром, в которых на входной сигнал или режим вентиляции в значительной степени не влияют его выходной сигнал, - достаточность вентиляции. Таким образом, вентиляторы не способны оценить реакцию пациента на выдох. Желательным решением является разработка автономного вентилятора, т.е. устройства, которое могло бы непрерывно контролировать реакцию пациента на вентиляцию, в то же время регулируя параметры вентиляции, чтобы обеспечить пациенту комфортное, оптимально выдыхаемое дыхание.
За последнее десятилетие наблюдается значительный интерес к выявлению и классифика-
ции пациентов с явлением асинхронности-вен-тилятор, указывающим на степень связи или реакции пациента на дыхательную поддержку [30]. Методы машинного обучения для определения асинхронности пациент-вентилятор основаны на морфологических изменениях сигналов давления и потока.
Chen et al. [31] разработали алгоритм выявления неэффективных усилий по максимальному отклонению выдыхаемой части давления и расхода дыхательных путей. Неэффективные усилия присутствовали у 58% из 24 пациентов, включенных в их исследование. Анализ 5899 вдохов дал чувствительность и специфичность для выявления неэффективных усилий > 90%.
Алгоритм, разработанный Blanch et al. в работе [32] сравнил теоретическую экспоненциальную кривую потока выдоха с фактическим отслеживанием потока. Отклонение, превышающее 42%, считалось показателем неэффективных усилий. Они сравнили прогнозы алгоритма на случайной выборке из 1024 вдохов, полученных от 16 пациентов, с прогнозами, сделанными пятью экспертами, и сообщили о чувствительности 91,5% и специфичности 91,7% с прогностическим значением 80,3%. В качестве подтверждения концепции эта группа также сообщила о мониторинге сигналов дыхательных путей у 51 пациента с ИВЛ и была в состоянии предсказать вероятность асинхронности, возникающей от одного периода дыхания к другому, с использованием скрытой модели Маркова [33]. Система, используемая в этих испытаниях, была коммерциализирована как Better Care®, и она способна получать, синхронизировать, записывать и анализировать цифровые сигналы от прикроватных мониторов и механических вентиляторов [32].
Rhem et al. [34] и Adams et al. [35] разработали набор алгоритмов для обнаружения двух типов асинхронности, связанных с динамической гиперинфляцией, двойным срабатыванием и асинхронностью потока. Основываясь на обучающей базе данных по 5075 вдохах от 16 пациентов, они разработали логические операторы для распознавания двойного запуска на основании клинических правил у постели боль-
ного. Динамическая гиперинфляция определялась по соотношению выдыхаемого и вдыхаемого дыхательного объема. Алгоритмы были подтверждены данными, взятыми из другой группы пациентов (п = 17), в результате чего чувствительность и специфичность > 90%.
БоШ!е е! а1. [36] проверили несколько типов алгоритмов машинного обучения, включая случайный лес, наивный Байес и AdaBoost на данных, зарегистрированных от 62 пациентов с механической вентиляцией или имеющих риск развития ОРДС. Они выбрали 116 признаков, основываясь на клиническом понимании и описании сигнала, и смогли определить наличие синхронного дыхания, а также три типа асинхронности дыхательного аппарата пациента, включая двойной запуск, ограниченный поток и неэффективный запуск, с АиС> 0,89. Авторы признают, что их алгоритм не идентифицирует все типы асинхронности пациента с вентилятором, в частности, преждевременное дыхание с прерыванием дыхания или циклическую асинхронность.
СИо!ат1 е! а!. [37] обучили алгоритм случайного леса на наборе обучающих данных, полученных пятью экспертами, которые оценили 1377 циклов дыхания у 11 пациентов с искусственной вентиляцией легких, чтобы оценить циклическую асинхронность. Пациенты вентилировались с контролем объема. Модель точно обнаружила наличие или отсутствие вторичной синхронности с чувствительностью 89%.
Ми^иеепу е! а!. [38] использовали наивный Байесовский алгоритм машинного обучения с 21 признаком, включая показатели частоты дыхания, дыхательного объема, механики дыхания и морфологии выдоха, на данных из 5624 вдохов, классифицированных вручную одним наблюдателем, что дает точность 84%, но чувствительность всего 59%.
1_оо е! а!. [39] обучили сверточную (кон-волюционнную) нейронную сеть с 5500 ненормальными и 5,500 нормальными циклами дыхания, нацеленную на разработку алгоритма, способного отделить нормальный цикл дыхания от ненормального, сообщая о 96,9% чувствительности и 63,7% специфичности.
ЗАКЛЮЧЕНИЕ
Опытные реаниматологи успешно выполняют сбор, классификацию и анализ снимков клинической информации, чтобы быстро поставить диагноз и принять решение о вариантах лечения. Однако в среде с интенсивным использованием данных современных отделений интенсивной терапии реаниматологи должны справляться с неослабевающим потоком информации, которая полезна только в небольшой своей части. Согласно работе Alan Morris [40], реаниматологи должны бороться не менее чем с 236 переменными при уходе за пациентами, получающими искусственную вентиляцию легких. Способность постоянно каталогизировать, сопоставлять и классифицировать эти переменные выходит далеко за рамки возможностей даже самых знающих и проницательных клиницистов. Разумное применение технологии
искусственного интеллекта может помочь справиться с информационной перегрузкой.
Алгоритмы машинного обучения использовались для анализа данных, для прогнозирования смертности и продолжительности пребывания в отделениях интенсивной терапии. Они также способствовали выявлению групп пациентов, которые могут подвергаться риску про-грессирования заболевания или могут иметь осложнения. Эти ретроспективные исследования, какими бы полезными они ни были при ранней идентификации и стратификации пациентов, представляют собой только нижний уровень в исследовании ИИ. Этот обзор написан на материалах последних публикаций [41], но развитие области искусственного интеллекта очень динамичное, поэтому можно ожидать новых прорывных результатов в интенсивной терапии и, соответственно, службе экстренной медицинской помощи.
ЛИТЕРАТУРА:
1. Proposed Regulatory Framework for Modifications to Artificial Intelligence/Machine Learning (AI/ML)-Based Software as a Medical Device SaMD). https://www.fda.gov/ media/122535/ download. Accessed 20 Aug 2019.
2. Gardner R.M., Scoville O.P., West B.J., Bateman B., Cundick R.M. Jr, Clemmer T.P. Integrated computer systems for monitoring of the critically ill. Proc AnnuSympComput Appl Med Care. 1977; 1:301-7.
3. Grossman R., Hew E., Aberman A. Assessment of the ability to manage patients on mechanical ventilators using a computer model. Acute Care.1983-1984; 10:95-102.
4. Ohlson K.B., Westenskow D.R., Jordan W.S. A microprocessor based feedback controller for mechanical ventilation. Ann Biomed Eng. 1982; 10:35-48.
5. Sittig D.F., Gardner R.M., Pace N.L., Morris A.H.,
Beck E. Computerized management of patient
care in a complex, controlled clinical trial in the intensive care unit. Comput Methods Prog Biomed. 1989; 30:77-84.
6. Henderson S., Crapo R.O., Wallace C.J., East T.D., Morris A.H., Gardner R.M.Performance of computerized protocols for the management of arterial oxygenation in an intensive care unit. Int J Clin MonitComput. 1991-1992; 8: 271-80.
7. Hosny A., Parmar C., Quackenbush J., Schwartz L.H., Aerts HJWL. Artificial intelligence in radiology. Nat Rev Cancer. 2018; 18:500-10.
8. Litjens G., Sánchez C.I., Timofeeva N., et al. Deep learning as a tool for increased accuracy and efficiency of histopathological diagnosis. Sci Rep. 2016; 6:26286.
9. Kassahun Y., Yu B., Tibebu A.T., et al. Surgical robotics beyond enhanced dexterity instrumentation: a survey of machine learning techniques and their role in intelligent and
autonomous surgical actions. Int J Comput Assist Radiol Surg. 2016;11:553-68.
10. Johnson K.W., Torres Soto J., Glicksberg B.S., et al. Artificial intelligence in cardiology. J Am Coll Cardiol. 2018; 71:2668-79
11. Choi E., Schuetz A., Stweart WF, Sun J. Using recurrent neural network models for early detection of heart failure onset. J Am Med Inform Assoc. 2017;24:361-70.
12. Tang T.T., Zawaski J.A., Francis K.N., Qutub A.A., Gaber M.W. Image-based classification of tumor type and growth rate using machine learning: a preclinical study. Sci Rep. 2019; 9:12529.
13. Houthooft R., Ruyssinck J., van der Herten J, et al. Predictive modelling of survival and length of stay in critically ill patients using sequential organ failure scores. Artiflntell Med. 2015; 63:191-207.
14. Nassar A.P., Jr, Caruso P. ICU physicians are unable to accurately predict length of stay at admission: a prospective study. Int J Quat Health Care. 2006; 1:99-103.
15. Sotoodeh M., Ho J.C. Improving length of stay prediction using a hidden Markov model. AMIA Jt Summits Transl Sci Proc. 2019; 2019:425-34.
16. Lin Y.W., Zhou Y., Faghri F., Shaw M.J., Campbell R.H. Analysis and prediction of unplanned intensive care unit readmission using recurrent neural networks with lon short term memory. PLoS One. 2019; 14:e0218942.
17. Awad A., Bader-El-Den M., McNicholas J., Briggs J. Early hospital mortality prediction of intensive care unit patients using an ensemble learning approach. Int J Med Inform. 2017; 108:185-95.
18. Awad A., Bader-El-Den M., McNicholas J, Briggs J., El-Sonbaty Y. Predicting hospital mortality for intensive care unit patients: time-series analysis. Health Informatics J. 2019. https://doi.org/10.1177/ 1460458219850323 [Epub ahead of print].
19. Holmgren G., Andersson P., Jakobsson A., Frigyesi A. Artificial neural networks improve and simplify intensive care mortality prognos-
tication: a national cohort study of 217,289 first-time intensive care unit admissions. J Intensive Care. 2019; 7:44.
20. Rau CS, Wu SC, Chuang JF, et al. Machine learning models of survival prediction in trauma patients. J Clin Med. 2019; 8:799.
21. Kim S.Y., Kim S., Cho J., et al. A deep learning model for real-time mortality prediction in critically ill children. Crit Care. 2019; 23:279.
22. Yoon J.H., Mu L., Chen L., et al. Predicting tachycardia as a surrogate for instability in the intensive care unit. J Clin MonitComput. 2019;33:973-98.
23. Giannini H.M., Ginestra J.C., Chivers C., et al. A machine learning algorithm to predict severe sepsis and septic shock: development, implementation, and impact on clinical practice. Crit Care Med. 2019;47:1485-92.
24. Banerjee I., Sofela M., Yang J., et al. Development and performance of the pulmonary embolism result forecast model (PERFORM) for computed tomography clinical decision support. JAMA Netw Open. 2019; 2:e198719.
25. Zeiberg D., Prahlad T., Nallamothu B.K., Iwashyna T.J., Wiens J., Sjoding M.W. Machine learning for patient risk stratification for acute respiratory distress syndrome. PLoS One. 2019; 14:e0214465.
26. Tran N.K., Sen S., Palmieri T.L., Lima K., Falwell S., Wajda J., Rashidi H.H. Artificial intelligence and machine learning for predicting acute kidney injury in severely burned patients: a proof of concept. Burns. 2019; 45:1350-8.
27. Flechet M., Falini S., Bonetti C., et al. Machine learning versus physicians' prediction of acute kidney injury in critically ill adults: a prospective evaluation of the AKIpredictor. Crit Care. 2019; 23:282.
28. Zhang Z., Ho K.M., Hong Y. Machine learning for the prediction of volume responsiveness in patients with oliguric acute kidney injury in critical care. Crit Care. 2019; 23:112.
29. Li B.Y., Oh J., Young V.B., Rao K., Wiens J. Using machine learning and the electronic health
record to predict complicated Clostridium difficile infection. Open Forum Infect Dis. 2019; 6:ofz186.
30. Thille A., Rodriguez P., Cabello B., Lellouche F., Brochard L. Patient-ventilator asynchrony during assisted mechanical ventilation. Intensive Care Med. 2006; 32:1515-22.
31. Chen C.W., Lin W.C., Hsu C.H., Cheng K.S., Lo C.S. Detecting ineffective triggering in the expiratory phase in mechanically ventilated patients based on airway flow and pressure deflection: feasibility of using a computer algorithm. Crit Care Med. 2008;36:455-61.
32. Blanch L., Sales B., Montanya J., et al. Validation of the better care® system to detect ineffective efforts during expiration in mechanically ventilated patients: a pilot study. Intensive Care Med. 2012;38:772-80.
33. Marchuk Y., Magrans R., Sales B., et al. Predicting patient-ventilator asynchronies with hidden Markov models. Sci Rep. 2018;8:17614.
34. Rehm G.B., Han J., Kuhn B., et al. Creation of a robust and generalizable machine learning classifier for patient ventilator asynchrony. Methods Inf Med. 2018;57:208-19.
35. Adams J.Y., Lieng M.K., Kuhn B.T., et al. Development and validation of a multialgorithm analytic platform to detect offtarget mechanical ventilation. Sci Rep. 2017; 7:14980.
36. Sottile P.D., Albers D., Higgins C., Mckeehan J., Moss M.M. The association between ventilator dyssynchrony, delivered tidal volume, and sedation using a novel automated ventilator dyssynchrony detection algorithm. Crit Care Med. 2018; 46:e151-7.
37. Gholami B., Phan T.S., Haddad W.M., et al. Replicating human expertise of mechanical ventilation waveform analysis in detecting patient-ventilator cycling asynchrony using machine learning. Comput Biol Med. 2018;97:137-44.
38. Mulqueeny Q., Redmond S.J., Tassaux D., et al. Automated detection of asynchrony in patient-ventilator interaction. Conf Proc IEEE Eng Med Biol Soc. 2009;2009:5324-7.
39. Loo N.L., Chiew Y.S., Tan C.P., Arunachalam G., Ralib A.M., Mat-Nor M.B. A machine learning model for real-time asynchronous breathing monitoring. IFAC-PapersOnLine. 2018;51:378-83.
40. Morris A.H. Human cognitive limitations. Broad, consistent, clinical application of physiological principles will require decision support. Ann Am Thorac Soc. 2018;15(Suppl 1):S53-6.
41. Guillermo Gutierrez Artificial Intelligence in the Intensive Care Unit Critical Care (2020) 24:101https://doi.org/10.1186/s13054-020-2785-y
SHOSHILINCH TIBBIY YORDAM INTENSIV TERAPIYA BO'LIMLARIDA SUN'IY INTELLEKT (TAHLILIY SHARH)
A.M. XADJIBAYEV1, F.T. ADILOVA2, H.M. KASIMOV1, V.X. SHARIPOVA1, N.B. ISXAKOV1 1RespubIika shoshilinch tibbiy yordam ilmiy markazi, Toshkent, O'zbekiston
2O'zbekiston Respublikasi Fanlar Akademiyasining V.l. Romanovskiy nomidagi Matematika instituti, Toshkent, O'zbekiston
Sun'iy intellektli (SI) kompyuter tizimlari axborot texnologiyalari rivojlanishidagi zamonaviy trendni belgilaydi. Tibbiyot sohasida SI dori-darmonlarni ishlab chiqarish, diagnostika va terapiya hamda tibbiy tasvirlar tahlilida qo'llaniladi. Og'ir bemorlarni davolashda kompyuterlardan foydalanish yangi tushuncha emas. Ilgari erishilgan natijalar bilan reanimatsiya bo'limlarida bemorlarni kuzatib borish, sun'iy ventilatsiyadagi bemorlarni olib borish, o'tkir respirator distress sindrom (O'RDS) bilan og'rigan bemorlarga tibbiy yordam ko'rsatish va arterial oksigenatsiyani
boshqarish uchun kompyuterlashtirilgan tizimlar taklif qilindi. SI tubdan farq qiladigan yondashuvga asoslanadi, undagi algoritmlar ko'plab misollar asosida o'z-o'zini takomillashtirib (o'rgatib) boradi. Bugungi kunda mashinaviy o'rganish algoritmlari ma'lumotlarni tahlil qilish, intensiv terapiya bo'limlarida o'lim va yotish vaqtini taxmin qilish, kasallikning rivojlanish xavfi bo'lgan yoki asoratlari bo'lgan bemorlar guruhlarini aniqlash uchun ishlatiladi. Ushbu sharh eng so'nggi nashrlarga asoslandi, ammo sun'iy intellektning rivojlanishi juda dinamik, shuning uchun intensiv terapiya va umuman, shoshilinch tibbiy yordam xizmatida yangi, katta yutuqlarni kutishimiz mumkin.
Kalit so'zlar: sun'iy intellekt, intensiv terapiya bo'limlari, shoshilinch tibbiy yordam xizmati.
Сведения об авторах:
Хаджибаев Абдухаким Муминович - д.м.н., профессор, заместитель министра здравоохранения Республики Узбекистан, генеральный директор Республиканского научного центра экстренной медицинской помощи.
Адылова Фатима Туйчиевна - д.т.н., профессор, заведующая лабораторией биологической и медицинской кибернетики института математики им. В.И. Романовского АН РУз. Касимов Хамит Махмудович - к.т.н., заместитель директора РНЦЭМП по инновациям, Тел. 90 1743922, Email: medkib@mail.ru.
Шарипова Висолат Хамзаевна - д.м.н., руководитель научно-клинического отдела «Анестезиология и реаниматология» РНЦЭМП.
Исхаков Нурбек Баркамолович - заведующий информационно-аналитическим отделом РНЦЭМП. ishakovn@mail.ru.
Authors:
Abduhakim Khadjibaev - Doctor of Medical Sciences, Professor, General Director of Republican Research Centre of Emergency Medicine.
Fatima Adilova - Doctor of Technical Sciences, Professor, Head of the Laboratory of Biological and Medical
Cybernetics, Romanovsky Institute of Mathematics, Tashkent, Uzbekistan.
Khamit Kasimov - Candidate of Technical Sciences, Deputy Director for Innovation, Republican
Research Centre of Emergency Medicine. Phone: 90 1743922, Email: medkib@mail.ru
Visolatkhon Sharipova - Doctor of Medical Sciences, Head of the department of Anesthesiology and
Intensive Care, Republican Research Centre of Emergency Medicine. Email: visolat_78@mail.ru.
Nurbek Iskhakov - Head of Information Analytical Department, Republican Research Centre
of Emergency Medicine, Email: ishakovn@mail.ru.
