Искусственный интеллект в репродуктивной медицине: этические и клинические аспекты


Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Внедрение систем искусственного интеллекта (ИИ) в медицине является одним из важнейших современных трендов мирового здравоохранения. Технологии ИИ позволяют значительно усовершенствовать систему диагностики, разработку новых лекарственных средств, а также повысить качество оказания медицинской помощи при одновременном снижении расходов. Несмотря на очевидные преимущества использования алгоритмов на основании ИИ, существует ряд ограничений на пути внедрения данных программ в здравоохранение. Среди таких проблем остро встает вопрос об этических ограничениях в деятельности ИИ и ответственности за решения, которые способна принимать программа. Еще одним немаловажным вопросом безопасного применения ИИ является принцип «черного ящика», когда при определении причинно-следственных связей между данными нельзя определить, как именно система пришла к полученным выводам. На сегодняшний день основная задача исследований в области ИИ должна заключаться в повышении точности программного продукта. Заключение: В обзоре рассмотрены основные области применения ИИ, различные методики машинного обучения, этические ограничения и перспективы внедрения данных программ в клиническую практику, в том числе в области вспомогательных репродуктивных технологий (ВРТ).

Полный текст

Доступ закрыт

Об авторах

Юлия Сергеевна Драпкина

ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Минздрава России

Email: yu_drapkina@oparina4.ru
к.м.н., н.с. отделения вспомогательных технологий в лечении бесплодия им. профессора Б.В. Леонова

Елена Анатольевна Калинина

ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Минздрава России

Email: e_kalinina@oparina4.ru
д.м.н, профессор, заведующая отделением вспомогательных технологий в лечении бесплодия им. профессора Б.В. Леонова

Наталья Петровна Макарова

ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Минздрава России

Email: np_makarova@oparina4.ru
д.б.н., в.н.с. отделения вспомогательных технологий в лечении бесплодия им. профессора Б.В. Леонова

Кирилл Сергеевич Мильчаков

ФГАОУ ВО «Первый Московский государственный медицинский университет имени И.М. Сеченова» Минздрава России (Сеченовский университет)

к.м.н., доцент

Владимир Евгеньевич Франкевич

ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Минздрава России

Email: v_frankevich@oparina4.ru
д.ф-м.н., руководитель отдела системной биологии в репродукции

Список литературы

  1. Lamb D.J., Niederberger C.S. Artificial intelligence in medicine and male infertility. World J. Urol. 1993; 11(2): 129-36. https://dx.doi.org/10.1007/BF00182040.
  2. Hamet P., Tremblay J. Artificial intelligence in medicine. Metabolism. 2017; 69: S36-40.
  3. Ившин А.А., Багаудин Т.З., Гусев А.В. Искусственный интеллект на страже репродуктивного здоровья. Акушерство и гинекология. 2021; 5: 17-24. https://dx.doi.org/10.18565/aig.2021.5.17-24.
  4. Gore J.C. Artificial intelligence in medical imaging. Magn. Reson. Imaging. 2020; 68: A1-4. https://dx.doi.org/10.1016/j.mri.2019.12.006.
  5. Ranjini K., Suruliandi A., Raja S.P. Machine learning techniques for assisted reproductive technology: a review. J. Circuit. Syst. Comput. 2020; 29(11): 2030010. https://dx.doi.org/10.1142/S021812662030010X.
  6. Wang R., Pan W., Jin L., Li Y., Geng Y., Gao C. et al. Artificial intelligence in reproductive medicine. Reproduction. 2019; 158(4): R139-54. https://dx.doi.org/10.1530/REP-18-0523.
  7. Barnett-Itzhaki Z., Elbaz M., Butterman R., Amar D., Amitay M., Racowsky C. et al. Machine learning vs. classic statistics for the prediction of IVF outcomes. J. Assist. Reprod. Genet. 2020; 37(10): 2405-12. https://dx.doi.org/10.1007/s10815-020-01908-1.
  8. Sidey-Gibbons Sidey-Gibbons C.J. Machine learning in medicine: a practical introduction. BMC Med. Res. Methodol. 2019; 19(1): 64. https://dx.doi.org/10.1186/s12874-019-0681-4.
  9. Saeedi P., Yee D., Au J., Havelock J. Automatic identification of human blastocyst components via texture. IEEE Trans. Biomed. Eng. 2017; 64(12): 2968-78. https://dx.doi.org/10.1109/TBME.2017.2759665.
  10. VerMilyea M., Hall J.M.M., Diakiw S.M., Johnston A., Nguyen T., Perugini D. et al. Development of an artificial intelligence-based assessment model for prediction of embryo viability using static images captured by optical light microscopy during IVF. Hum. Reprod. 2020; 35(4): 770-84. https://dx.doi.org/10.1093/humrep/deaa013.
  11. Hajirasouliha I., Elemento O. Precision medicine and artificial intelligence: overview and relevance to reproductive medicine. Fertil. Steril. 2020; 114(5): 908-13. https://dx.doi.org/10.1016/j.fertnstert.2020.09.156.
  12. Carrasco B., Arroyo G., Gil Y., Gomez M.J., Rodriguez I., Barri P.N. et al. Selecting embryos with the highest implantation potential using data mining and decision tree based on classical embryo morphology and morphokinetics. J. Assist. Reprod. Genet. 2017; 34(8): 983-90. https://dx.doi.org/10.1007/s10815-017-0955-x.
  13. Liao S., Pan W., Dai W., Jin L., Huang G., Wang R. et al. Development of a dynamic diagnosis grading system for infertility using machine learning. JAMA Netw. Open. 2020; 3(11): e2023654.
  14. Filho E.S., Noble J.A., Poli M., Griffiths T., Emerson G., Wells D. A method for semi-automatic grading of human blastocyst microscope images. Hum. Reprod. 2012; 27(9): 2641-8. https://dx.doi.org/10.1093/humrep/des219.
  15. Uyar A., Bener A., Ciray H.N. Predictive modeling of implantation outcome in an in vitro fertilization setting. Med. Decis. Making. 2015; 35(6): 714-25. https://dx.doi.org/10.1177/0272989X14535984.
  16. Khan A., Gould S., Salzmann M. Automated monitoring of human embryonic cells up to the 5-cell stage in time-lapse microscopy images. In: 2015 IEEE 12th International Symposium on Biomedical Imaging (ISBI). IEEE; 2015: 389-93.
  17. Miyagi Y., Habara T., Hirata R., Hayashi N. Feasibility of deep learning for predicting live birth from a blastocyst image in patients classified by age. Reprod. Med. Biol. 2019; 18(2): 190-203. 1 https://dx.doi.org/0.1002/rmb2.12266.
  18. Keskinbora K.H. Medical ethics considerations on artificial intelligence. J. Clin. Neurosci. 2019; 64: 277-82. https://dx.doi.org/10.1016/j.jocn.2019.03.001.
  19. Организация объединенных наций по вопросам образования науки и культуры (ЮНЕСКО). Рекомендация об этических аспектах искусственного интеллекта. Генеральная конференция, 41-я сессия, Париж, 2021.
  20. Национальная стратегия развития искусственного интеллекта на период до 2030 года. Утверждена указом Президента Российской Федерации № 490 от 10 октября 2019 года «О развитии искусственного интеллекта в Российской Федерации».
  21. I Международный форум «Этика искусственного интеллекта (ИИ): начало доверия». Кодекс этики ИИ. 26 октября 2021г.
  22. Российская Федерация. Федеральный закон № 123-ФЗ «О проведении эксперимента по установлению специального регулирования в целях создания необходимых условий для разработки и внедрения технологий искусственного интеллекта в субъекте Российской Федерации - городе федерального значения Москве и внесении изменений в статьи 6 и 10 Федерального закона "О персональных данных”».
  23. Федеральное агентство по техническому регулированию и метрологии. Национальный стандарт Российской Федерации ГОСТ Р. - 2020. Системы искусственного интеллекта. Системы искусственного интеллекта в клинической медицине. Часть 1. Клинические испытания. М.: Стандартинформ; 2020.
  24. Хохлов А.Л., Белоусов Д.Ю. Этические аспекты применения программного обеспечения с технологией искусственного интеллекта. Качественная клиническая практика. 2021; 1: 70-84. https://dx.doi.org/10.37489/2588-0519-2021-1-70-84.
  25. Карпов О.Э., Пензин О.В., Веселова О.В. Организация и регуляция взаимодействия искусственного интеллекта с врачом и пациентом. Вестник Национального меди ко-хирургического Центра им. Н.И. Пирогова. 2020; 15(2): 155-60. https://dx.doi.org/10.25881/BPNMSC.2020.73.34.027.
  26. DeGregory K.W., Kuiper P., DeSilvio T., Pleuss J.D., Miller R., Roginski J.W. et al. A review of machine learning in obesity. Obes. Rev. 2018; 19(5): 668-85. https://dx.doi.org/10.1111/obr.12667.
  27. Гусев А.В., Морозов С.П., Кутичев В.А., Новицкий Р.Э. Нормативноправовое регулирование программного обеспечения для здравоохранения, созданного с применением технологий искусственного интеллекта, в Российской Федерации. Медицинские технологии. Оценка и выбор. 2021; 43(1): 36-45. https://dx.doi.org/10.17116/medtech20214301136.
  28. Гаврилов Э.Л., Хоманов К.Э., Короткова А.В., Аслибекян Н.О., Шевченко Е.А. Актуальные направления развития справочно-информационных он-лайн приложений для врачей. Вестник Национального медико-хирургического Центра им. Н.И. Пирогова. 2017; 12(1): 83-7.
  29. Schuh J.C.L., Funk K.A. Compilation of international standards and regulatory guidance documents for evaluation of biomaterials, medical devices, and 3-D printed and regenerative medicine products. Toxicol. Pathol. 2019; 47(3): 344-57. https://dx.doi.org/10.1177/0192623318804121.
  30. Keane P.A., Topol E.J. With an eye to AI and autonomous diagnosis. NP J. Digit. Med. 2018; 1: 40. https://dx.doi.org/10.1038/s41746-018-0048-y.
  31. Wolff J., Pauling J., Keck A., Baum bach J. The economic impact of artificial intelligence in health care: A Systematic review J. Med. Internet. Res. 2020; 22(2): e 16 8 66. https://dx.doi.org/10.2196/16866.
  32. Takshi S. Unexpected inequality: disparate-impact from artificial intelligence in healthcare decisions. J. Law Health. 2021; 34(2): 215-51.
  33. Aristidou A., Jena R., Topol E.J. Bridging the chasm between AI and clinical implementation. Lancet. 2022; 399(10325): 620. https://dx.doi.org/10.1016/S0140-6736(22)00235-5.
  34. Handelman G.S., Kok H.K., Chandra R. V., Razavi A.H., Huang S., Brooks M. et al. Peering into the black box of artificial intelligence: evaluation metrics of machine learning methods. Am. J. Roentgenol. 2019; 212(1): 38-43. https://dx.doi.org/10.2214/AJR.18.20224.
  35. Cimadomo D., Marconetto A., Innocenti F., Trio S., Chiappetta V., Soscia D. et al. O-101. Elucidation of blastocyst collapse and its consequences generated by artificial intelligence: A comprehensive analysis of 1943 embryos from 643 couples. Hum. Reprod. 2022; 37 (Suppl.1). https://dx.doi.org/10.1093/humrep/deac105.124.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© ООО «Бионика Медиа», 2022

Данный сайт использует cookie-файлы

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.

О куки-файлах