DOI: 10.26347/1607-2502202009-10029-033
ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В АВТОМАТИЗАЦИИ ВЫПОЛНЕНИЯ СТАНДАРТНЫХ ЗАДАЧ ВРАЧА-РЕНТГЕНОЛОГА
Цель исследования. Оценить некоторые прикладные аспекты эффективности использования технологий искусственного интеллекта в клинической практике на примере автоматизации диагностического процесса в лучевой диагностике.
Материалы и методы. Выполнен анализ рабочего процесса 5 врачей-рентгенологов при выполнении обзорной рентгенограммы органов грудной клетки в прямой проекции с целью определения этапов, сопровождающихся наибольшими временными затратами; не требующих реализации высоких профессиональных компетенций в области лучевой диагностики; являющихся рутинными, повторяющимися от исследования к исследованию. Для автоматизации стандартного процесса описания исследования воспользовались разработанной ранее системой искусственного интеллекта, анализирующей изображение и формирующей предзаполненное заключение, которую интегрировали в медико-информационную систему медицинской организации. Оценили эффективность работы системы. Результаты. Система автоматизации трудового процесса врача-рентгенолога в частном приложении к анализу рентгенографических исследований грудной клетки позволяет оптимизировать трудозатраты специалиста, сокращая время, затрачиваемое на проведение рутинных процедур, в среднем на треть, что сопровождается увеличением количества описываемых исследований.
Выводы. Искусственный интеллект, интегрированный в информационный контур медицинской организации, представляет собой эффективного ассистента, не только не исключающего врача-специалиста из диагностического процесса, но и концентрирующего его интеллектуальные ресурсы в решении более сложных клинических задач. Ключевые слова: искусственный интеллект, лучевая диагностика, рабочий процесс, автоматизация, стандартные процедуры
Авторы заявляют об отсутствии возможных конфликтов интересов.
Финансирование: исследование не имело спонсорской поддержки.
Для цитирования: Ройтберг П.Г., Блинов Д.С., Черемисин В.М. Технологии искусственного интеллекта в автоматизации выполнения стандартных задач врача-рентгенолога. Проблемы стандартизации в здравоохранении. 2020: 9-10: 29-33. DOI: 10.26347/1607-2502202009-10029-033.
П.Г. Ройтберг1,2, Д.С. Блинов1, В.М. Черемисин3
1 ООО
«КэреМенторЭйАй», отдел научных исследований и разработок, Москва, Россия
2 АО «Медицина», Москва, Россия
3 ФГБОУ ВО «Санкт-Петербургский государственный университет», Санкт-Петербург, Россия
INTEGRATING AI TECHNOLOGIES IN RADIOLOGY WORKFLOWS
Objective. To evaluate some applied aspects of the use of AI technologies in radiology clinical practice.
Methods. We studied workflows of 5 radiologists analyzing chest x-ray in straight view in order to determine the stages that are most time-consuming; not requiring the implementation of high professional skills in radiology; being routine, repeating from research to research. To optimize the standard radiologist's workflow, we used a developed artificial intelligence system, which analyzes X-ray image and releases a pre-filled conclusion. The system was integrated into the healthcare provider information system. Finally, we evaluated the effectiveness of the system. Results. The system allows to optimize the radiology workflow, reducing the most time-consuming routine procedures by a third, and increase the number of described images. Interpretation. AI technologies integrated into a healthcare provider information system is an effective assistant which allows to concentrate a practitioner intellectual resources on solving more complex clinical problems.
Keywords: artificial intelligence, radiology, workflow, automation, standard procedures Authors declare no competing interests. Funding: the study had no funding.
For citation: Roitberg PG, Blinov DS, Cheremisin VM. Integrating AI technologies in radiology workflows. Health Care Standardization Problems. 2020; 9-10: 29-33. DOI: 10.26347/1607-2502202009-10029-033.
Pavel Roitberg1,2, Dmitry Blinov1, Prof. Vladimir Cheremisin3
1 Care Mentor AI, R&D Department, Moscow, Russia
2 JSC Medicine, Moscow, Russia
3 St. Petersburg State University, St. Petersburg, Russia
Технологии искусственного интеллекта за последние несколько лет прочно вошли в нашу повседневность. Система медицинской помощи и здравоохранение в целом, являясь одной из наиболее крупных, информационно и технологически насыщенных и системообразующих отраслей человеческой деятельности, сейчас представляет собой широчайшее поле деятельности как для поиска инновационных интеллектуальных решений, так и для внедрения уже имеющихся разработок. Вместе с тем помимо широко обсуждаемых в профессиональном сообществе научно-практических, клинических, правовых и этических проблем, перед бизнес-сообществом, разработчиками и организаторами здравоохранения встают и вопросы экономического характера, сопряженные с внедрением технологий искусственного интеллекта: извлечения прибыли, экономической эффективности внедрения, окупаемости инвестиций и др. Со всей очевидностью сейчас можно сказать, что именно ответы на эти ключевые вопросы будут определять прогресс развития искусственно-интеллектуальных технологий в здравоохранении, оценку их эффективности и пригодности для имплементации. Способствует актуализации роли экономических механизмов в формировании рынка высокотехнологичной медицины и трансформация ценностной составляющей медицинской услуги. В условиях укрепления позиций частного сектора в сфере оказания медицинской помощи здоровье и способы его сохранения, хотя все еще рассматриваются через призму социального блага, но все больше приобретают признаки товарности [1—3]. В этой связи главными точками приложения искусственного интеллекта в клинической медицине являются: 1) сокращение стоимости медицинских услуг и повышение экономической эффективности за счет концентрации трудовых ресурсов специалистов на решении более сложных задач; 2) идентификация стратегий, оптимизирующих организацию оказания медицинской помощи пациентам; 3) автоматизация рутинных и повторяющихся элементов клинического процесса [4]. Реализация обозначенных задач может быть решена, в том числе на основе корректного сбора, обработки и анализа больших данных [5]. При этом принципы безопасности, удобства и доступности использования должны рассматриваться как краеугольные [6].
В то же время, клинико-диагностический процесс представляет собой чрезвычайно сложную
последовательность взаимосвязанных процедур, зачастую носящих непрогнозируемый или малопрогнозируемый характер и требующих высокой концентрации на: информацию, получаемую от пациента в процессе его опроса и объективного обследования; данные о клинических результатах лечения и исходах заболевания; решение вопроса о наиболее подходящем способе ведения и лечения пациента и др.
Цель исследования — оценить некоторые прикладные аспекты эффективности использования технологий искусственного интеллекта в клинической практике на примере автоматизации диагностического процесса в лучевой диагностике.
МАТЕРИАЛЫ И МЕТОДЫ
Экспериментальный фрагмент исследования проведен на базе диагностического отделения АО «Медицина» (Клиника академика Ройтберга), Москва. На первом этапе выполнен анализ рабочего процесса врачей-рентгенологов (в исследовании участвовали 5 специалистов клиники) при выполнении обзорной рентгенограммы органов грудной клетки в прямой проекции с целью определения элементов, отвечающих следующим условиям: а) сопровождаются наибольшими временными затратами; б) не требуют реализации высоких профессиональных компетенций в области лучевой диагностики; в) являются рутинными, повторяющимися от исследования к исследованию.
На втором — разработали автоматизированную систему, включающую технологии искусственного интеллекта производства ООО «КэреМенторЭйАй», направленные на оптимизацию рутинных элементов рабочего процесса врача, и интегрировали ее в рабочий процесс врача-рентгенолога. На третьем — оценили эффективность работы автоматизированной интеллектуальной системы с расчетом некоторых показателей экономической эффективности. В частности, проанализировали результаты работы врача, нейронной сети, оценили частоту использования врачом протокола нейросетевой системы. Схематическое изображение разработанной системы представлено на рис. 1.
Для анализа наличия патологических изменений на цифровых рентгенограммах органов грудной клетки в прямой проекции и их описания использовали оригинальную систему искусственного интеллекта производства ООО «КэреМенторЭйАй» [7, 8]. В рамках разработки интеграционного решения система осуществляет формирование рабочего листа исследований с последующей автоматизацией заполнения протокола исследования пользователем (врачом-
Рис. 1. Схема интеграции автоматизированного решения в рабочий процесс врача-рентгенолога
рентгенологом). При этом врачу-диагносту предоставляется возможность воспользоваться заключением, выданным нейросетью по рентгенограмме, по которой пользователю необходимо заполнить протокол исследования, в качестве предзаполненного шаблона. При этом анализировали следующую информацию по каждому протоколу исследования:
— Id протокола;
— продолжительность заполнения протокола врачом;
— данные протокола, которые заполнил врач;
— данные протокола, которые выдала нейронная сеть;
— был ли в системе на момент заполнения протокола врачом протокол от нейронной сети;
— врач отреагировал/не отреагировал на уведомление о наличии протокола от нейронной сети;
— врач воспользовался/не воспользовался пред-заполненным протоколом от нейронной сети.
При анализе результатов использовались методы вариационной статистики.
РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ
Реализация алгоритма интеграции автоматизированного решения включала следующие этапы: 1) исследование из PACS медицинской организации (МО) перенаправляются в PACS разработчика через стандартный механизм push^ PACS-сервера; 2) DICOM-файл забирается из PACS разработчика в деперсонализированном виде, преобразуется в PNG изображение и отправляется в нейронную сеть при помощи облачного сервиса CMAI Cloud на анализ; полученный из CMAI Cloud протокол, передается в медицинскую информационную систему (МИС) МО, привязка осуществляется по полю patientID (номер карточки пациента в МИС) из метаданных исследования; 3) врач-рентгенолог в процессе своей
работы, для того чтобы заполнить протокол исследования, в МИС МО осуществляет поиск пациента (по patientID), производит создание протокола и его заполнение. В случае наличия на момент поиска исследований, пришедших от CMAI Cloud, в рабочем листе пользователя формируется уведомление об этом факте. Таким образом, в интерфейсе МИС МО пользователь получает открытый для заполнения протокол исследования и тут же уведомление о том, что в системе есть уже заполненный нейронной сетью протокол от CMAI Cloud по данному пациенту. Пользователь может не реагировать на уведомление от МИС МО о наличии протокола от нейронной сети и продолжать работать по существующему сценарию (проводить анализ и заполнять протокол в среде МИС самостоятельно). Если пользователь реагирует на наличие заполненного протокола от нейронной сети по определенному пациенту, то открывается новая форма протокола с предзапол-ненными полями по данным от нейронной сети, при этом отображаются все поля протокола, кроме заключения. Пользователь оценивает протокол от нейронной сети, и у него есть возможность: а) экспортировать все или выборочные данные из нейросетевого протокола в протокол исследования, заполняемый пользователем; б) закрыть протокол нейронной сети и продолжить заполнять протокол исследования в МИС МО. Пока пользователь не завершил заполнение протокола, у него сохраняется возможность вернуться к просмотру протокола от нейронной сети и пойти по сценарию (а).
В качестве измеряемых параметров эффективности автоматизации в МИС МО на аналитическом этапе исследования фиксировали следующие данные: 1) продолжительность заполнения протокола врачом-рентгенологом; 2) наличие в системе на момент заполнения протокола пользователем ответ от нейронной сети (отображалось ли врачу уведомление о наличии данного ответа); 3) реакция пользователя на уведомление о наличии протокола от нейронной сети (перешел ли врач в режим просмотра протокола); 4) воспользовался ли врач предзаполненным протоколом от нейронной сети (перенес данные из протокола нейронной сети в свой протокол или просто закрыл протокол от нейронной сети).
Интеграция в рабочий процесс врача-рентгенолога автоматизированной системы приводила к постепенному замещению «ручного» описания рентгенографического исследования грудной
%
£ 100 I 90 | 80 | 70 £ 60 | 50 § 40 | 30
£ 20
га
| ю
^ 0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 День эксперимента
Рис. 2. Динамика частоты (М ± т) использования предзаполненного искусственным интеллектом (ИИ) протокола анализа рентгенографического изображения (представлены результаты по 5 специалистам) %
100......................1--
90-в|||||||---
80-1||||||^-¡¡¡¡¡¡¡¡¡1-
70-1|||||||Ш ---
60-щШ -ШЖ -
50-¡¡Ш -1||||||||||-
40-ЩШЖ -||||в -
30-1|||||||^-ИШ -
20-||||||в -||||||в -
10-1111111111-1111111111-
01-|ШШШШ|-[ШШШЩ-
Без изменений С изменениями
(Область диаграммы) протоколом ИИ Ч Доля совпадений О Всего проанализировано
Рис. 3. Частота совпадений и использования предзаполненного протокола искусственным интеллектом при описании рентгенограмм грудной клетки здоровых пациентов и лиц с изменениями на снимке
клетки использованием данных, предоставленных искусственным интеллектом (рис. 2). Экспоненциальный характер динамики характеризовался непродолжительным периодом адаптации, в течение которого, во-первых, пользователь проводил субъективную оценку точности нейросе-тевого анализа рентгенографического изображения, а, во-вторых, проходило формирование стереотипа использования нового ассистирующего программного средства. После чего следовал прогрессивный рост доли исследований, анализируемых с помощью автоматизированной системы с выходом на стационарный уровень через 10 дней.
Следует обратить внимание на то, что в отечественной клинической практике существует алгоритм описания рентгенограмм грудной клетки здоровых пациентов и лиц, имеющих соответствующие заболевания. При этом, хотя диагностическая терминология носит общепринятый характер, принадлежность диагноста к той или иной научно-практической школе и его субъективные предпочтения создают широкое поле
для стилистических вариаций в оформлении итогового документа. Это обстоятельство существенно затрудняет стандартизацию формулировочной части протокола производителей медицинского искусственного интеллекта. Результаты сопоставления частоты внесения изменений в нейро-сетевой описательный протокол пользователем автоматизированной системы в зависимости от наличия или отсутствия на анализируемом изображении признаков патологии представлены на рис. 3.
Как видно, в 95% наблюдений нейронная сеть корректно интерпретировала рентгенограммы органов грудной клетки без патологических изменений, а пользователь во всех случаях использовал для генерации описательного протокола пред-заполненный искусственным интеллектом шаблон. В случае с описанием снимков, содержащих признаки патологических изменений, несмотря на высокую частоту совпадений мнений искусственного интеллекта и пользователя (в среднем составлявшую 91%), предзаполненным нейронной сетью шаблоном врач пользовался без изменений в среднем в 56% наблюдений, в остальных случаях — вносил изменения.
Также представляло большой интерес изучить изменения трудозатрат (временного компонента) в части описания рентгенологического исследования (таблица).
На описание рентгенограмм с патологическими изменениями органов грудной клетки врач тратит в среднем на 45% времени больше, чем на описание неизмененных изображений. При этом, использование интеллектуальных систем, позволяющих осуществлять предварительный
Средние трудозатраты врачей-рентгенологов (5 специалистов) в рамках привычного рабочего процесса и при использовании системы автоматизации
Рабочие условия Затраты рабочего времени, мин (М ± т)
рентгенограммы без патологических изменений рентгенограммы с патологическими изменениями
Без автоматизации С использованием ИИ 8,7 ± 1,2 5,7 ± 0,4* 12,3 ± 1,1а 7,6 ± 1,4*
Примечание. * — различия при сравнении с временными затратами без автоматизации статистически значимы при р < 0,05; а — различия при сравнении с временными затратами на описание рентгенограмм без изменений статистически значимы при р < 0,05 (одномерный дисперсионный анализ, критерий Тьюки).
анализ снимков, позволяет существенно сокращать время, затрачиваемое на оформление протокола исследования: в среднем на 34,5% в случае отсутствия патологии и на 38,2% при описании патологических изменений.
Таким образом, рассуждая о возможностях искусственного интеллекта при автоматизации клинико-диагностического процесса, мы должны опираться на оптимальное сочетание ряда факторов: с одной стороны, — повышение персона-лизации, технологичности и инновационности процесса, а с другой — сохранение качества и точности диагностики, защита персональных данных, использование высококвалифицированного труда специалистов отрасли на решение главным образом профессиональных задач [9].
Разработанная нами система автоматизации трудового процесса врача-рентгенолога в частном приложении к анализу рентгенографических исследований грудной клетки позволяет оптимизировать трудозатраты специалиста, сокращая время, затрачиваемое на проведение рутинных процедур, в среднем на треть. Это сопровождается увеличением количества описываемых исследований и/или появлением возможности концентрации человеческих интеллектуальных ресурсов на решение более сложных, требующих большего времени, случаев.
ВЫВОДЫ
1. Система автоматизации работы врача-рентгенолога с использованием технологий искусственного интеллекта позволяет оптимизировать рабочий процесс специалиста и снижает затраты времени на проведение рутинных процедур на 34—38% в зависимости от сложности решаемой задачи.
2. Искусственный интеллект, интегрированный в информационный контур МО, представля-
ет собой эффективного ассистента, не только не исключающего врача-специалиста из диагностического процесса, но концентрирующего его интеллектуальные ресурсы в решении более сложных клинических задач.
ЛИТЕРАТУРА / REFERENCES
1. Aggarwal NK, Rowe M, Sernyak MA. Is health care a right or a commodity? Implementing mental health reform in a recession. Psychiatric Services. 2010; 61(11): 1144—1145.
2. Feldstein PJ. Health Care Economics, 7th ed. Clifton Park: Cengage Learning, 2012. 544 p.
3. Rosenbloom ST, Carroll RJ, Warner JL, Matheny ME, Denny JC. Representing knowledge consistently across health systems. Yearbook of Medical Informatics. 2017; 26(1): 139—147.
4. Becker's Healthcare. 2018. AI with an ROI: Why revenue cycle automation may be the most practical use of AI. Available at: https://www.beckershospitalreview.com/artificial-intelligence/ai-with-an-roi-why-revenue-cycle-automa-tion-may-be-the-most-practical-use-of-ai.html.
5. Baras JD, Baker LC. Magnetic resonance imaging and low back pain care for Medicare patients. Health Affairs (Millwood). 2009; 28(6): w1133—w1140.
6. Bauchner H, Fontanarosa PB. Waste in the US Health Care System. JAMA. 2019; 322(15): 1463—1464.
7. Nitris L, Zhukov E, Blinov D, Gavrilov P, Blinova E, Lobischeva A. Advanced neural network solution for detection of lung pathology and foreign body on chest plain radiographs. Imaging in Medicine. 2019; 11(5): 57—66.
8. Блинов Д.С., Лобищева А.Е., Варфоломеева А.А., Ка-мышанская И.Г., Блинова Е.В. Нейросетевая интерпретация рентгенологического изображения грудной клетки: современные возможности и источники ошибок. Проблемы стандартизации в здравоохранении. 2019; 9-10: 4—9. Blinov DS, Lobishcheva AE, Varfolomeeva AA, Kamishanskaya IG, Blinova EV. [Chest x-rays analysis by neural network: contemporary achievements and causes of misinterpretation]. Health Care Standardization Problems. 2019; 9-10: 4—9. https://doi.org/10.26347/1607-2502201909-10004-009. Russian
9. Seligman B, Tuljapurkar S, Rehkopf D. Machine learning approaches to the social determinants of health in the health and retirement study. SSM-Population Health. 2017; 4: 95—99.
Поступила / Received: 25.06.2020 Принята к опубликованию / Accepted: 30.07.2020
Сведения об авторах:
Ройтберг Павел Григорьевич — канд. экон. наук, соучредитель ООО «КэреМеторЭйАй»; член совета директоров АО «Медицина» (Клиника академика Ройтберга).
Блинов Дмитрий Сергеевич — д-р мед. наук, ООО «КэреМеторЭйАй», руководитель отдела научных исследований и разработок. Тел. +7 (927) 197-14-22. E-mail: d.blinov@cmai.team.
Черемисин Владимир Максимович — д-р мед. наук, профессор, ФГБОУ ВО «Санкт-Петербургский государственный университет», заведующий курсом лучевой диагностики кафедры онкологии.
About the authors:
Pavel G. Roitberg — Ph.D. in Economics, co-founder of Care Mentor AI; JSC Medicine, Member of Directors' Board.
Dmitry S. Blinov — Sc.D. in Medicine, Head of Research and Development Department, Care Mentor AI. Moscow, Russia. E-mail:
d.blinov@cmai.team.
Prof. Vladimir M. Cheremisin — Sc.D. in Medicine, Head of Radiology Department, St. Petersburg State University, St. Petersburg, Russia.