ВОЗМОЖНОСТИ И ОГРАНИЧЕНИЯ ПРИМЕНЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В МЕДИЦИНЕ Текст научной статьи по специальности «Клиническая медицина»

ф ЛЕКЦИИ

Новости клинической цитологии России Russian News of Clinical Cytology

2023, т. 27, № 2, с. 18-24 2023, vol. 27, № 2, pp. 18-24

https://doi.org/10.24412/1562-4943-2023-2-0003

ВОЗМОЖНОСТИ И ОГРАНИЧЕНИЯ ПРИМЕНЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В МЕДИЦИНЕ

А.И. КУЗНЕЦОВ1, Е.В. ЩЕПКИНА2 4, Т. В. СУШИНСКАЯ3, С.В. ЕПИФАНОВА5, Д.М. ФАУР6

1ФГБОУ ВО «Московский авиационный институт (национальный исследовательский университет) (МАИ), Москва, Россия

2 ФГБОУ ВО «Российская академия народного хозяйства и государственной службы при Президенте РФ» (РАНХиГС), Москва, Россия

3 Московский научно-исследовательский онкологический институт имени П. А Герцена -филиал ФГБУ «Национальный медицинский исследовательский центр радиологии» Минздрава России (МНИОИ им. ПА. Герцена - филиал ФГБУ «НМИЦРадиологии» Минздрава России), Москва, Российская Федерация

4ГБУЗ «Научно-практический клинический центр диагностики и телемедицинских технологий» ДЗМ, Москва, Россия

5 ФГБУ «Центральная клиническая больница с поликлиникой» Управления делами Президента Российской Федерации, Москва, Россия

6 ФГБОУ ВО «Российский экономический университет им. ГВ. Плеханова», Москва, Россия

Резюме

Модернизация здравоохранения с помощью интеллектуальных технологий становится глобальной тенденцией последних лет. Искусственный интеллект (ИИ) имеет огромный потенциал в сфере здравоохранения, но для полной реализации этого потенциала необходимо выполнение определенных условий. В статье отражены основные области применения ИИ в медицине, основные тенденции и препятствия, мешающие его внедрению в процесс развития национальной системы здравоохранения.

Ключевые слова: здравоохранение, искусственный интеллект, медицинские услуги, технологические решения.

Информация об авторах:

Кузнецов А.И. - https://orcid.org/0000-0003-2182-5792 Щепкина Е.В. - https://orcid.org/0000-0002-2079-1482 Сушинская Т.В. - https://orcid.org/0000-0001-8812-9105 Епифанова С.В. - https://orcid.org/0000-0002-7591-5120 Фаур Д.М. - https://orcid.org/0009-0006-4756-4681

Автор, ответственный за переписку: Сушинская Татьяна Валентиновна -

e-mail: taigi65@yandex.ru

Как цитировать:

Кузнецов А.И., Щепкина Е.В., Сушинская Т.В., Епифанова С.В., Фаур Д.М. Возможности и ограничения применения искусственного интеллекта в медицине. Новости клинической цитологии России. 2023;27(2):18-24. https://doi. org/10.24412/1562-4943-2023-2-0003

Введение

Искусственный интеллект (ИИ) - относительно новая область исследований, возникшая в 1956 году, когда Джон Маккарти с соратниками ввели термин «искусственный интеллект» на Дартмутской конференции, призванной объединить людей, интересующихся ИИ, и заложить основу для будущих исследований в этой области. Маккарти определил ИИ как «науку и инжиниринг по созданию интеллектуальных машин».

Но в те времена компьютеры были еще слишком слабы, чтобы справляться с теми языковыми задачами, которые задавали исследователи. И из-за недостаточных результатов решаемых задач финансирование ИИ быстро иссякло.

Продолжение истории ИИ началось в начале 2000-х годов, когда рост объема памяти, скорости компьютера и очередной приток финансирования открыл новые возможности для его развития. Сейчас ИИ - это активно растущая область, в которой постоянно разрабатываются новые методы и алгоритмы.

ИИ нашел свое место и в медицине. Объем медицинских данных стремительно растет. Согласно оценкам экспертов, в 2010 году данные удваивались каждые три с половиной года, а в 2020 году - каждые 73 дня [1]. В таких условиях врачам просто необходимы «умные помощники».

Системы ИИ хорошо себя показывают при автоматизации рутинных задач, помощи в принятии решений и выполнении сложного анализа данных. ИИ может произвести революцию в сфере здравоохранения, повысив точность, скорость и эффективность меди-

цинской диагностики, что может помочь в создании новых или модернизации существующих алгоритмов обследования, и возможно, лечения. Но, прежде чем интегрировать ИИ в свою повседневную работу, врачам крайне важно понять его «плюсы» и «минусы». В этой статье мы рассмотрим преимущества и недостатки ИИ в медицине, чтобы помочь врачам принимать обоснованные решения при использовании ИИ для повседневных задач.

Используя ИИ, можно, например, по неким внешним данным (прогноз погоды или др.) прогнозировать загрузку медицинских учреждений до того, как пациенты обратятся за медицинской помощью. Например, в одном исследовании по данным метеорологических наблюдений прогнозировалось количество пациентов, которые обратятся в больницу с носовыми кровотечениями [2]. Анализ данных временных рядов и сезонность могут обеспечивать пассивный эпидемиологический надзор в конкретном регионе [3].

Возможности ИИ также можно использовать на всех этапах постановки клинического диагноза (рис. 1).

Если необходимо принимать срочные решения и нет времени на проведение анализов, например, при экстренной госпитализации больного с СОУГО-19, то по данным жалоб и коморбидного состояния пациента ИИ может оценить риск смертельного исхода в период госпитализации. Это позволит быстро формировать группы больных по тяжести состояния и возможного исхода, назначать нужные анализы и выбирать правильное лечение [4].

Также использование ИИ может быть полезным для врачей при дифференциальной диагностике (ДД) - процессе определения наиболее вероятного диагноза, основанного на симптомах, медицинской истории пациента и результатах медицинских исследований. На этом этапе ИИ может использоваться для определения вероятных диагнозов на основе собранных данных. С помощью алгоритмов ИИ можно провести анализ и классификацию симптомов пациента, сравнить их с набором готовых диагнозов и определить наиболее вероятный.

Например, при диагностике наследственных ли-зосомных болезней результатом работы ИИ может быть ранжированный перечень диагностических гипотез, отражающий степень их соответствия эталонным описаниям клинических форм заболевания [5].

Или, например, когда у пациента выявлен рак и требуется определить наличие или отсутствие метастазов в регионарные лимфатические узлы для выбора оптимального лечения, ИИ может оценить вероятность наличия даже микрометастазов по результатам анализов крови [6]. ИИ может разработать прогностическую модель в форме анкеты для диабет-скрининга у пациентов с псориазом [7]. Также ИИ может помочь при назначении лечения конкретному пациенту, а именно обеспечить персонализированное лечение. С помощью ИИ пациентов с одинаковым основным диагнозом можно разбить на группы, например, по сопутствующим заболеваниями или вредными привычками. Возможна адаптация планов лечения с учетом потребностей и особенностей разных групп пациентов.

Хотя основное внимание в литературе чаще всего сосредоточено на применении ИИ для диагностики, следует отметить, что ИИ можно использовать и после проведения лечения (медикаментозного, хирургического или комбинированного) для прогнозирования вероятности выживаемости, рецидива или осложнений у пациентов через определенный временной промежуток и т.д. прогностическая модель может помочь врачам определить наилучший план действий для пациента: частоту наблюдения или изменение плана лечения.

Возможно построение прогностической модели таким образом, что она будет учитывать (кроме результатов анализов и вариантов лечения) еще и вредные привычки больного, например, курение, а также соматический статус, лишний вес и др. Это позволит врачу более обоснованно рекомендовать пациенту отказаться от курения или нормализовать свой вес.

ИИ может помочь разделить пациентов на группы, имеющие разные траектории лечения и разные прогнозы выживаемости. Такой анализ может выявить наиболее успешную модель лечения, которая приводит к улучшению качества жизни и прогнозировать выживаемость (например, у больных с заболеваниями почек), а также поможет выявить неудачные модели лечения, дальнейший анализ которых поможет установить проблемы метода лечения [8]. С помощью ИИ возможно предсказание риска возникновения различных заболеваний на основе ряда данных: пола, возраста, образа жизни пациента, его семейному положению, уровню образования, условиям проживания и т.д. Это возможно и для таких заболеваний, как туберкулез или ВИЧ [9].

- Рецидив/Осложнен не ■*

А

Жалобы + Анамнез

Физикальные исследования

Предварительный диагноз

^ Лабораторные ^ Окончательный *ф-

Лечение

инструментальные исследования

диагноз

Ж Наблюдение

Список д иффере н ци ал ьн ых диагнозов

Г

Рис. 1. Алгоритм постановки диагноза.

Таким образом, ИИ в медицинской практике характеризуется следующими преимуществами: 1. Многомерность анализа.

ИИ может анализировать многомерные данные о пациенте как о едином объекте. Эти многомерные данные могут включать данные анамнеза, результаты лабораторных и инструментальных исследований, социальные условия жизни.

Использование многомерного анализа позволяет взглянуть на заболевание комплексно и получить полное представление о состоянии конкретного пациента. Этот подход похож на «Притчу о слоне и слепых», в которой каждый слепой касается своей части слона и интерпретирует ее по-разному, что приводит к разным выводам о природе животного. Да, изучение и осмысление многомерных данных - это сложная задача для человека. Но изучение каждого анализа пациента по отдельности, без многомерного видения, например, лишь по референсным значениям лабораторных показателей (ниже нормы - норма - выше нормы), может привести к неполным или даже к ошибочным выводам.

Такой многомерный подход с использованием ИИ позволит врачу получить информацию о вероятности наличия у пациента некого заболевания: высокой, средней, низкой. При низкой вероятности наличия заболевания врач может не назначать ненужные/лишние анализы, при высоком - более обоснованно рекомендовать пациенту необходимые дополнительные исследования, соответствующие хирургические вмешательства или медикаментозные методы лечения. А при среднем - назначить профилактическое лечение, что может помочь пациенту избежать появления/ развития заболевания. Такой подход может существенно снизить нагрузку на систему здравоохранения: поможет сократить список возможных дифференциальных диагнозов, требующих проверки и дополнительного обследования. Также это может позволить раньше начать лечение тем, кому это действительно

Автоматизация электронных карт Анализ изображений и диагностика Анализ данных пациентов и оценка рисков ИИ для предиктивной аналитики ИИ для оптимизации потока пациентов Сотставпение персонализированного плана лечения Виртуальные помощники медсестры Эндоскопия с применением ии Хирургия с применением роботов Аналитика психического здоровья

нужно, что может сократить время лечения, избежать возможных осложнений заболевания и, соответственно, стоимость самого лечения. Следовательно ИИ может быть встроен в существующий алгоритм дифференциальной диагностики.

2. Снижение размерности.

Благодаря ИИ возможна оптимизация набора необходимых анализов для постановки или уточнения диагноза. Так, например, для определения наличия метастазов в регионарные лимфатические узлы при раке шейки матки, достаточно исследования семи рутинных показателей периферической крови и гемостаза, тогда как обычно берется несколько десятков показателей цельной крови и ее сыворотки [6].

3. Объективный взгляд.

ИИ рассматривает весь комплекс имеющихся факторов и анализов пациента. Особенно это важно, когда пациент приходит на прием часто и врач не в состоянии отследить минимальные изменения его состояния. Это может помочь свести к минимуму человеческий фактор ошибки.

Все описанные «плюсы» ИИ позволяют значительно повысить качество медицинского обслуживания и при этом снизить его стоимость, что способствует росту числа медицинских учреждений, использующих или намеревающихся внедрить решения ИИ для повышения эффективности здравоохранения и медицинских услуг (рис. 2 - адаптировано из [10]).

Однако на пути развития медицинского искусственного интеллекта существуют барьеры, препятствующие его развитию [1]. Основными из них являются:

- работа с неоднородными данными: разное оборудование может быть настроено на разные пороговые значения одинаковых показателей или давать разную погрешность результатов исследования;

- высокая стоимость разработки и внедрения ИИ в практику. Это существенно замедляет процесс внедрения или делает его практически невозможным;

1 43% 20% Й1

4 \% 23% 1

4\% 21% ;«

40% 23% |Н

| 34% ?Ь%

24% 21% ■

2 г% 24%

гл% 27%

■ Внедряют ■ Планируют внедрять

Рис. 2. Внедрение инструментов искусственного интеллекта на различных этапах медицинской деятельности (результаты опроса, проведенного Массачусетским технологическим институтом). Адаптировано из [10]

- сложности с сертификацией инструментов искусственного интеллекта;

- отсутствие регламентированной ответственности медицинского персонала за последствия решений, принятых с помощью ИИ;

- сопротивление изменениям, связанных с внедрением ИИ в существующие системы и процессы со стороны медицинского персонала;

- сопротивление изменениям и нежелание брать на себя ответственность за решения ИИ понятно и, зачастую, связано с непониманием врачами методов ИИ.

ИИ - это набор математических алгоритмов. Математический аппарат, используемый ИИ, чрезвычайно мощен. Он накапливался и оттачивался различными областями математики на протяжении многих веков. Одним из основных принципов математики является необходимость доказательства. Чтобы математическая теорема была принята за истину, необходимо доказательство с помощью логики и математических рассуждений. Этот принцип распространяется и на прогностические модели, которые строит ИИ. Прежде чем модель ИИ может быть признана пригодной для принятия решений, необходимо математически доказать ее точность и надежность. Причем тестирование предлагаемой модели должно быть проведено в нескольких медицинских центрах (не менее 2-х независимых) в течение не менее 6 месяцев на достаточно большой выборке пациентов (около 1000 человек) и быть подтверждено врачом-диагностом [11]. Строгость и точность математической науки требуют и гарантируют, что модели ИИ докажут свою точность еще до того, как будут рекомендованы для сертификации в качестве медицинского изделия.

Нужно иметь в виду, что модели, построенные на основе ИИ, могут совершать ошибки. Потенциальные ошибки ИИ могут включать ложноположитель-ные, ложноотрицательные результаты и переобучение. Ложноположительные результаты возникают, когда алгоритм находит состояние или заболевание, которого на самом деле нет, а ложноотрицательные результаты возникают, когда алгоритм не может определить состояние или заболевание, которое на самом деле присутствует. Переобучение происходит, когда модель излишне подстраивается под обучающий набор данных и не может уловить общую закономерность развития болезни, что приводит к ошибкам именно на новых пациентах.

Для оценки эффективности работы прогностической модели, построенной на основе ИИ, разработано множество метрик оценки ее качества, такие как: чувствительность, специфичность, точность, отношение правдоподобия положительного результата и т.д. (таблица 1).

Многие врачи плохо знакомы с информатикой и ИИ, поэтому существует недопонимание, как компьютеры строят свои прогностические модели и генерируют на их основе свои прогнозы. Часто врачи скептически относятся к точности прогнозов и считают это недоработкой ИИ.

Вопрос недоверия к ИИ усугубляется еще и тем, что модели ИИ часто рассматриваются как «черные ящики». Отсутствие «прозрачности» мешает врачам понять внутреннюю работу моделей, чтобы определить, почему они дают тот или иной прогноз.

Для простоты восприятия в данной статье мы не будем рассматривать модели ИИ, которые представ-

Таблица 1

Стандартный набор метрик эффективности прогностической модели для классификации [11], где ТР - Истинноположительный, ТК - Истинноотрицательный, БР - Ложноположительный, БК - Ложноотрицательный

Показатель Значение Формула

Чувствительность Вероятность того, что индекс-тест окажется позитивным при наличии признака ТР / (ТР + БЫ)

Специфичность Вероятность того, что индекс-тест окажется негативным при отсутствии признака ТЫ / (ТЫ + БР)

Точность (общая валидность) Уровень соответствия полученных результатов индекс-теста к действительным значениям референс-теста (ТР + ТЫ) / (ТР + ТЫ + БЫ + БР)

Отношение правдоподобия положительного результата Математически отображает во сколько раз при положительном результате индекс-теста вероятность наличия целевой патологии превышает вероятность его отсутствия Чувствительность/ (1-специфичность)

Отношение правдоподобия отрицательного результата Математически отображает во сколько раз при отрицательном результате индекс-теста вероятность наличия целевой патологии превышает вероятность его отсутствия (1-чувствительность)/ специфичность

Прогностическая ценность положительного результата Вероятность заболевания при положительном результате индекс-теста ТР / (ТР + БР)

Прогностическая ценность отрицательного результата Вероятность отсутствия заболевания при отрицательном (нормальном) результате индекс-теста ТЫ / (ТЫ + БЫ)

Частота ложных срабатываний Вероятность ложного срабатывания 1-специфичность

ляют собой «черный ящик». Рассмотрим только те, которые являются «белыми ящиками», т.е. открытыми и легко интерпретируемыми. Модели в виде «белого ящика» строят такие алгоритмы ИИ, как многофакторная логистическая регрессия (MLR - Multinomial logistic regression) и Дерево решений (DT - Decision Tree). Модели в виде «черного ящика» строят все нейросети, а также алгоритмы машинного обучения, такие как «Случайный лес» (RF - RandomForest), «Метод опорных векторов» (SVM - Support Vector Networks) и др.

ИИ создает прогностическую модель на основе собранных врачом данных о пациентах. И именно здесь кроется проблема, которая может привести ИИ к ошибкам. Точность модели ИИ зависит именно от качества исходных медицинских данных, на основе которых она была обучена. Врачу следует понимать проблемы и ограничения, с которыми он может столкнуться при создании базы данных для ИИ.

Во-первых, это проблема правильности постановки диагноза. По данным разных авторов, например, ошибки диагностики метастатического поражения лимфатических узлов у больных раком шейки матки (РШМ) встречаются в 8%-42% случаев [11, 13, 14]. То есть доля правильных диагнозов составила всего 58%. В то время как при построении модели ИИ, если модель на тестовой выборке предсказывает с точностью менее 80%, то для математиков-создателей модели она считается непригодной даже для клинической апробации, тем более для использования на практике.

Если модель ИИ обучается на пациентах, которым поставлен неправильный диагноз, то такая модель никогда не будет работать корректно. Но это не проблема ИИ. Это проблема базы данных, на основе которой ИИ построил прогностическую модель.

Во-вторых, ИИ - это всего лишь статистический метод, а не панацея экспертной оценки. ИИ не наделяет модели своими собственными законами, ИИ пытается извлечь общие закономерности в подаваемых ему на вход данных для обучения. Однако в литературе продолжает распространяться мнение, что «предсказывают модели машинного обучения» а не то, что «предсказывают данные» [15, 16, 17].

Утверждать обратное равносильно утверждению, что «критерий Стьюдента определяет различия» в каждом исследовании, демонстрирующем значение р<0,05. Хотя на самом деле критерий Стьюдента лишь указывает на различие, если оно в данных есть. Если различий в данных нет, то критерий Стьюдента ничего сам самостоятельно с данными сделать не может. Так и прогностическая модель может быть построена алгоритмами ИИ, если закономерности в данных есть. Если закономерностей в данных нет, то модель построена не будет, а если и будет, то точность ее предсказаний на тестовых данных будет очень низкой, то есть близкой к 50%, что означает в статистике случайное предсказание, что для практического применения не приемлемо.

Третья проблема касается запроса искусственному интеллекту построить модель и искать закономерности там, где их нет.

Например, если попросить ИИ построить модель по определению психических заболеваний по клиническому и биохимическому анализу крови, то модель построена не будет или точность ее будет чрезвычайно мала. И это не значит, что ИИ не работает или данные не достоверные. Это, скорее всего, говорит том, что этой зависимости не существует. Именно в этом состоит вдумчивая работа врача: выбрать правильные признаки/предикторы для построения модели.

Четвертая проблема состоит в избыточности данных, предоставляемых для анализа ИИ. Это частая проблема начинающих врачей-исследователей. Они считают, что если они дадут ИИ все возможные показатели, которые у них есть по каждому пациенту, то ИИ сам разберется и выберет наиболее важные и подходящие. Задачу выбора наиболее важных и отсечения лишних или сильно коррелирующих между собой переменных, лучше изначально возложить на аналитика (Data Scientist).

Пятая проблема - это размер базы данных. База данных о пациентах должна быть достаточно большой, чтобы она охватывала все многообразие возможных степеней тяжести одного и того же заболевания или патологии. Например, неуместно заставлять ИИ строить модель по определению злокачественности новообразования, предоставив ему данные только по здоровым и больным со II, III и IV стадиями, исключив из исследования больных с I стадией болезни. В этом случае, при появлении пациента с I стадией злокачественного заболевания, мы не можем знать, как поведет себя модель, ведь она не обучалась на таких больных. Виноват здесь не ИИ, а исследователь, который не предусмотрел обучение ИИ на всем спектре степеней тяжести или стадий заболевания.

Шестая проблема - это сбалансированность базы данных. База данных о пациентах должна быть сбалансированной, т.е. включающей все возможные степени тяжести или стадии заболевания, представленные примерно соразмерным количеством пациентов.

Итак, ИИ может определять общие закономерности, которые не всегда очевидны для врача в силу их многомерности. Для этого ИИ использует только те данные, которые дает врач-исследователь в качестве обучающей выборки.

Врачам важно не полагаться полностью на результаты ИИ, а использовать модели ИИ в качестве инструмента-помощника. Иными словами, ИИ может давать подсказки, но он не может заменить клинический опыт, интуицию и знания врача.

Заключение

ИИ может произвести революцию в медицинской практике, повысив точность, эффективность и улучшив результаты лечения пациентов. Однако для врачей крайне важно взвесить все «за и против», прежде чем интегрировать ИИ в повседневную работу. Понимая потенциальные преимущества и проблемы ИИ, врачи могут принимать обоснованные решения о том, как наилучшим образом использовать эту технологию для улучшения качества своей работы. Врачи всегда будут вовлечены в процесс принятия окончательного решения с использованием ИИ, так как ИИ

не может заменить человеческий анализ и клинический опыт врача.

В целом, использование ИИ в медицинской диагностике может улучшить качество и точность диагностики, ускорить и удешевить процесс лечения и повысить эффективность работы врача, который продолжит играть главную роль в процессе постановки диагноза.

Авторы заявляют об отсутствии конфликта интересов.

ЛИТЕРАТУРА/REFERENCES

1. Васюта Е.А., Подольская Т.В. Проблемы и перспективы внедрения искусственного интеллекта в медицине. Государственное и муниципальное управление. Ученые записки. 2022;1:25-32. [Vasyuta EA., Podol'skaya TV. Challenges and prospects for the introduction of artificial intelligence in medicine// State and municipal administration scientific notes. 2022;1:25-32 (in Russ.).]

https://doi.org/10.22394/2079-1690-2022-1-1-25-32

2. Свидетельство о государственной регистрации программы для ЭВМ № 2022614994 РФ. № 2022613869/ 28.03.2022 Крюков А.И., Носуля Е.В., Суркова Г.В., Мирошниченко С.А., Щепкина Е.В., Кузнецов А.И. МетеоНК-6. Ссылка активна на 26.07.2023. [Certificate of state registration of the computer program № 2022614994 Russian Federation.: № 2022613869/ 28.03.2022 / Kryukov A.I., Nosulya E.V., Surkova G.V., Miroshnichenko C.A., Schepkina E.V., Kuznetsov A.I. MeteoNK-6 (in Russ.).]

https://www.elibrary.ru/item.asp?edn=wyrgxd

3. Ming D.K., Tuan N.M., Hernandez B., Sangkaew S., Vuong N.L., Chanh H.Q., Chau N.V.V., Simmons C.P., Wills B., Georgiou P., Holmes A.H., Yacoub S. The Diagnosis of Dengue in Patients Presenting With Acute Febrile Illness Using Supervised Machine Learning and Impact of Seasonality. Front Digit Health. 2022; Mar 14;4. https://doi.org/10.3389/fdgth.2022.849641

4. Кудрявцева Н.А., Чорбинская С.А., Девяткин А.В., Самушия М.А., Барышникова Г.А., Евдокимова С.А., Колпаков Е.А., Щепкина Е.В. Особенности течения COVID-19 у госпитализированных больных. Кремлевская медицина. Клинический вестник. 2023;1:25-32. [Kudryavtseva N.A., Chorbinskaya S.A., Devyatkin A.V., Samushiya M.A., Baryshnikova G.A., Evdokimova S.A., Kolpakov E.A., Schepkina E.V. Features of the course of COVID-19 infection in a multidisciplinary hospital. Kremlin medicine journal. 2023;1:25-32. (in Russ.).] https://doi.org/10.48612/cgma/bfu5-humt-m6dv

5. Кобринский Б.А., Благосклонов Н.А., Демикова Н.С., Николаева Е.А., Коталевская Ю.Ю., Меликян Л.П., Зиновьева Ю.М. Компьютерная система для дифференциальной диагностики лизосомных болезней накопления на основе методов искусственного интеллекта. Бюллетень сибирской медицины. 2022;21(2):67-73. [Ko-brinskii B.A., Blagosklonov N.A., Demikova N.S., Nikolae-va E.A., Kotalevskaya Y.Y., Melikyan L.P., Zinovieva Y.M. An artifirial intelligence computer system for differential diagnosis of lysosomal storage diseases. Bulletin of Siberian Medicine. 2022;21(2):67-73 (in Russ.).] https://doi.org/10.20538/1682-0363-2022-2-67-73

6. Патент РФ на изобретение № 2750769 C2/ 02.07.2021 Бюл. № 19. Каприн А.Д., Стуклов Н.И., Су-шинская Т.В., Щепкина Е.В., Кузнецов А.И. Способ диагностики метастазов в лимфатические узлы малого таза у больных резектабельным раком шейки матки. Ссылка активна на 26.07.2023. [Patent RF for an invention № 2750769 C2/ 02.07.2021 Bul. № 19. Kap-rin A.D., Stuklov N.I., Sushinskaya T.V., Schepkina E.V., Kuznetsov A.I. Method for diagnosis of metastases to lymph nodes of small pelvis in patients with resectable cervical cancer: (in Russ.).] https://yandex.ru/patents/ doc/RU2750769C2_20210702

7. Моржанаева М.А., Свечникова Е.В., Щепкина Е.В., Кузнецов А.И. Применение анкеты диабет-скрининга у пациентов с псориазом. Фарматека. 2022;29(4):69-75. [Morzhanaeva M.A., Svechnikova E.V., Shchepkina E.V., Kuznetsov A.I. Application of the diabetes screening questionnaire in patients with psoriasis. Farmateka. 2022;29(4):69-75. (in Russ.).] https://doi.org/10.18565/pharmateca.2022.4.69-75

8. Baudrier C., Tran Y., Delanoy N., Katsahian S., Sabati-er B., Perrin G. Identifying homogeneous healthcare use profiles and treatment sequences by combining sequence pattern mining with care trajectory clustering in kidney cancer patients on oral anticancer drugs: A case study. Health Informatics Journal. 2022 Apr-Jun;28(2). https://doi.org/10.1177/14604582221101526.

9. Kanesamoorthy K., Dissanayake M.B. Prediction of treatment failure of tuberculosis using support vector machine with genetic algorithm. Int J Mycobacteriol. 2021 Jul-Sep;10(3):279-284. https://doi.org/10.4103/ijmy.ijmy-130-21

10. How AI is humanizing health care: MIT Technology Review. Accessed June 26, 2023.

https://www.technologyreview.com/2020/01/22/ 276128/how-ai-is-humanizing-health-care

11. Клинические испытания программного обеспечения на основе интеллектуальных технологий (лучевая диагностика) / Морозов С.П., Владзимирский А.В., Кляшторный В. Г. [и др.]. - Москва: Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения города Москвы, 2019. - 33 с. - (Лучшие практики лучевой и инструментальной диагностики; Выпуск 23). [Clinical trials of software based on intelligent technologies (imaging) / Morozov S.P., Vladzimirskii A.V., Klyash-tornyi V.G. [i dr.]. - Moscow : State Healthcare Institution Scientific and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Department of Healthcare, 2019. 33 p. (Best Practices in Radiation and Instrumental Diagnostics ; Issue 23 (in Russ.).] Dostalek L., Slama J., Fisherova D. et al. Impact of sentinel lymph node frozen section evaluation to avoid combined treatment in early-stage cervical cancer. International Journal of Gynecological Cancer. 2020; 30(6):744-748. https://doi.org/10.1136/ijgc-2019-001113

12. Tsunoda A.T., Marnitz S., Soares Nunes J. et al. Incidence of histologically proven pelvic and para-aortic lymph node metastases and rate of upstaging in patients with locally advanced cervical cancer: results of a prospective randomized trial. Oncology. 2017;92(4):213-220. https://doi.org/10.1159/000453666

13. Сушинская Т.В., Епифанова С.В., Щепкина Е.В., Кузнецов А.И., Стуклов Н.И. Ошибки диагностики предраковых заболеваний и рака шейки матки. Онко-

гинекология. 2020;1(33):49-57. [Sushinskaya T.V., Epi-fanova S.V., Schepkina E.V., Kuznetsov A.I., Stuklov N.I. Errors in precancerous lesions and cervical cancer diagnosis. Onkoginekologiya. 2020;1(33):49-57 (in Russ.).] https://doi.org/10.52313/22278710-2020-1-49 14. Shapira J., Peskin B., Norman D. Editorial commentary: Machine learning can indicate hip arthroscopy procedures, predict postoperative improvement, and estimate costs. Arthroscopy. 2022; ul;38(7):2217-2218. https://doi.org/0.1016/j.arthro.2022.01.041

15. Kunze K.N., Krivicich L.M., Clapp I.M., et al. Machine learning algorithms predict achievement of clinically significant outcomes after orthopaedic surgery: A systematic review. Arthroscopy. 2022; 38: 2090-2105 https://doi.org/10.1016/j.arthro.2021.12.030

16. Grazal CF, Anderson AB, Booth GJ, Geiger PG, Forsberg JA, Balazs GC. A Machine-Learning Algorithm to Predict the Likelihood of Prolonged Opioid Use Following Arthroscopic Hip Surgery. Arthroscopy. 2022 Mar;38(3):839-847.e2. https://doi.org/10.1016/j.arthro.2021.08.009

POSSIBILITIES AND LIMITATIONS

OF ARTIFICIAL INTELLIGENCE APPLICATION IN MEDICINE

A.I. KUZNETSOV1, E.V. SCHEPKINA 2>4, TV. SUSHINSKAYA 3, S.V. EPIFANOVA 5, D.M. FAUR 6

1 Moscow Aviation Institute (National Research University), Moscow, Russia

2 Russian Presidential Academy of National Economy and Public Administration (RANEPA), Moscow, Russia

3 PA Herzen Moscow Oncology Research Institute, Branch, National Medical Radiology Research Center, Ministry of Health of Russia, Moscow, Russia

4 State Healthcare Institution Scientific and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Department of Healthcare. Moscow, Russia

5 Federal State Budgetary Institution "Central Clinical Hospital with a Polyclinic" Moscow, Russia

6Higher School of Economics and Business of the Plekhanov Russian University of Economics, Moscow, Russia

Abstract

Innovation of healthcare with the Artificial Intelligence (AI) technologies has become a global trend in recent years. AI has a large potential in the field of healthcare, but for a full implementation of these advantages the certain conditions must be met. This article gives an overview of the main areas of AI application in medicine, the main trends, and difficulties in its development for the national health system.

Keywords: healthcare, artificial intelligence, medical services, technological solutions.

Information about the author:

Kuznetsov A.I.- https://orcid.org/0000-0003-2182-5792 Schepkina E.V. - https://orcid.org/0000-0002-2079-1482

Sushinskaya T.V. - https://orcid.org/0000-0001-8812-9105 Epifanova S.V. - https://orcid.org/0000-0002-7591-5120 Faur D.M. - https://orcid.org/0009-0006-4756-4681

Corresponding author: Sushinskaya Tatiana Valentinovna -

e-mail: taigi65@1yandex.ru

To cite this article:

Kuznetsov A.I., Schepkina E.V., Sushinskaya T.V., Epifanova S.V., Faur D.M. Possibilities and limitations of artificial intelligence application in medicine. Russian News of Clinical Cytology. 2023;27(2):18-24. https://doi.org/10.24412/1562-4943-2023-2-0003

The authors declare no conflict of interest.