Роль искусственных нейронных сетей и систем поддержки принятия врачебных решений в медицинских информационных системах

Обложка

Цитировать

Полный текст

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

Аннотация

Интеграция искусственных нейронных сетей (ИНС) в системы поддержки принятия клинических решений на базе медицинских информационных систем представляет собой преобразующий сдвиг в технологиях здравоохранения, улучшающий принятие клинических решений с помощью передовых методов машинного обучения. Эта эволюция возникла в ответ на растущую сложность и объем медицинских данных, что требует более сложных инструментов поддержки принятия решений, которые могут предоставлять персонализированные рекомендации и улучшать результаты лечения пациентов. Нейронные сети, характеризующиеся своей способностью обучаться на больших наборах данных, сыграли решающую роль в разработке прогностических моделей, которые выявляют риски для пациентов и предлагают решения, оптимизируя клинические рабочие процессы и повышая качество оказываемой помощи. Применение ИНС вызвало дискуссии об их эффективности, удобстве использования и этических последствиях решений в области здравоохранения, основанных на искусственном интеллекте (ИИ). Исследования показали значительное улучшение точности прогнозирования по сравнению с традиционными системами, основанными на правилах, однако при их внедрении сохраняются проблемы, в т.ч. связанные с качеством данных алгоритмической предвзятостью и необходимостью прозрачности в процессах принятия решений с помощью ИИ. Переход от традиционных подходов принятия решений к системам на базе нейросетевых технологий усиливает дебаты вокруг доверия и объяснимости в технологиях здравоохранения. В то время как ИНС предлагают многообещающие достижения в принятии медицинских решений, их природа «черного ящика» вызывает опасения у поставщиков медицинских услуг относительно надежности и прозрачности генерируемых ими рекомендаций. Решение этих проблем имеет большое значение для обеспечения интеграции ИНС в медицинские информационные системы, что в конечном итоге направлено на равноправное и эффективное лечение пациентов. Поскольку данная область продолжает развиваться, текущие и новые исследования имеют решающее значение для совершенствования, смягчения потенциальных предубеждений и улучшения функциональности систем поддержки врачебных решений, работающих на основе ИНС. Конвергенция ИИ и здравоохранения возвещает о новой эре, которая может произвести революцию в клинической практике, но также требует тщательного рассмотрения этических последствий и соблюдения основополагающих принципов лечения пациентов.

Полный текст

Доступ закрыт

Об авторах

И. Г. Труханова

Самарский государственный медицинский университет

Email: a.d.gureev@samsmu.ru
ORCID iD: 0000-0002-2191-1087
Россия, Самара

А. Д. Гуреев

Самарский государственный медицинский университет

Автор, ответственный за переписку.
Email: a.d.gureev@samsmu.ru
ORCID iD: 0000-0001-8389-7244

ассистент кафедры анестезиологии, реаниматологии и скорой медицинской помощи Института профессионального образования

Россия, Самара

Е. Г. Бибикова

Самарский государственный медицинский университет

Email: a.d.gureev@samsmu.ru
ORCID iD: 0009-0005-9392-1101
Россия, Самара

А. В. Лунина

Самарский государственный медицинский университет

Email: a.d.gureev@samsmu.ru
ORCID iD: 0000-0002-3182-2109
Россия, Самара

Список литературы

  1. Sutton R.T., Pincock D., Baumgart D.C., et al. An overview of clinical decision support systems: benefits, risks, and strategies for success. npj Digital Med. 2020;3(1):1–10. doi: 10.1038/s41746-020-0221-y.
  2. Patel J.L., Goyal R.K. Applications of artificial neural networks in medical science. Curr Clin Pharmacol. 2007;2(3):217–26. doi: 10.2174/157488407781668811.
  3. Smith T.R. Developmental Surveillance and Screening in the Electronic Health Record. Pediatr Clin North Am. 2016;63(5):933–43. doi: 10.1016/j.pcl.2016.06.014.
  4. Miziara I.D., Miziara C.S.M.G. Medical errors, medical negligence and defensive medicine: A narrative review. Clinics (Sao Paulo, Brazil). 2022;77:100053. doi: 10.1016/j.clinsp.2022.100053.
  5. Amirahmadi A., Ohlsson M., Etminani K. Deep learning prediction models based on EHR trajectories: A systematic review. J Biomed Inform. 2023;144:104430. doi: 10.1016/j.jbi.2023.104430.
  6. Rasmy L., Nigo M., Kannadath B.S., et al. Recurrent neural network models (CovRNN) for predicting outcomes of patients with COVID-19 on admission to hospital: model development and validation using electronic health record data. Lancet. Digital Health. 2022;4(6):e415–25. doi: 10.1016/S2589-7500(22)00049-8.
  7. Tran K.A., Kondrashova O., Bradley A., et al. Deep learning in cancer diagnosis, prognosis and treatment selection. Gen Med. 2021;13(1):152. doi: 10.1186/s13073-021-00968-x.
  8. Hansun S., Argha A., Liaw S.-T., et al. Machine and Deep Learning for Tuberculosis Detection on Chest X-Rays: Systematic Literature Review. J Med Internet Res. 2023;25:e43154. doi: 10.2196/43154.
  9. Gürsoy E., Kaya Y. An overview of deep learning techniques for COVID-19 detection: methods, challenges, and future works. Multimed Syst. 2023;29(3):1603. doi: 10.1007/s00530-023-01083-0.
  10. LeCun Y., Bengio Y , Hinton G. Deep learning. Nature. 2015;521(7553):436–44. doi: 10.1038/nature14539.
  11. He Y., Zhao H., Wong S.T.C. Deep learning powers cancer diagnosis in digital pathology. Computerized Medical Imaging and Graphics: Official J Computer Med Imag Soc. 2021;88:101820. doi: 10.1016/j.compmedimag.2020.101820.
  12. Chuang W.-Y., Yu W.-H., Lee Y.-C., et al. Deep Learning-Based Nuclear Morphometry Reveals an Independent Prognostic Factor in Mantle Cell Lymphoma. Am J Pathol. 2022;192(12):1763–78. doi: 10.1016/j.ajpath.2022.08.006.
  13. Jiang X., Hu Z., Wang S., Zhang Y. Deep Learning for Medical Image-Based Cancer Diagnosis. Cancers. 2023;15(14):3608. doi: 10.3390/cancers15143608.
  14. Ting D.S.W., Pasquale L.R., Peng L., et al. Artificial intelligence and deep learning in ophthalmology. Br J Ophthalmol. 2019;103(2):167–75. doi: 10.1136/bjophthalmol-2018-313173.
  15. Kantidakis G., Hazewinkel A.-D., Fiocco M. Neural Networks for Survival Prediction in Medicine Using Prognostic Factors: A Review and Critical Appraisal. Computat Mathemat Methods Med. 2022;2022:1176060. doi: 10.1155/2022/1176060.
  16. Koo K.C., Lee K.S., Kim S., et al. Long short-term memory artificial neural network model for prediction of prostate cancer survival outcomes according to initial treatment strategy: development of an online decision-making support system. W J Urol. 2020;38(10):2469–76. doi: 10.1007/s00345-020-03080-8.
  17. Gohari M.R., Biglarian A., Bakhshi E., Pourhoseingholi M.A. Use of an artificial neural network to determine prognostic factors in colorectal cancer patients. APJCP. Asian Pacif J Cancer Prev. 2011;12(6):1469–72.
  18. Sakellaropoulos T., Vougas K., Narang S., et al. A Deep Learning Framework for Predicting Response to Therapy in Cancer. Cell Rep. 2019;29(11):3367–73.e4. doi: 10.1016/j.celrep.2019.11.017.
  19. Lee M. Deep Learning Techniques with Genomic Data in Cancer Prognosis: A Comprehensive Review of the 2021–2023 Literature. Biology. 2023;12(7):893. doi: 10.3390/biology12070893.
  20. Reddy S. Generative AI in healthcare: an implementation science informed translational path on application, integration and governance. Implement Sci: IS. 2024;19(1):27. doi: 10.1186/s13012-024-01357-9.
  21. Carl N., Schramm F., Haggenmüller S., et al. Large language model use in clinical oncology. NPJ Precision Oncol. 2024;8(1):240. doi: 10.1038/s41698-024-00733-4.
  22. Morley J., DeVito N.J., Zhang J. Generative AI for medical research. BMJ. (Clinical research ed.). 2023;382:1551. doi: 10.1136/bmj.p1551.
  23. Van De Sijpe G., Quintens C., Walgraeve K., et al. Overall performance of a drug-drug interaction clinical decision support system: quantitative evaluation and end-user survey. BMC. Medical informatics and decision making. 2022;22(1):48. doi: 10.1186/s12911-022-01783-z.
  24. Flores E., Martinez-Racaj L., Torreblanca R., et al. Clinical Decision Support System in laboratory medicine. Clin Chem Lab Med. 2024;62(7):1277–82. doi: 10.1515/cclm-2023-1239.
  25. Amici L.D., van Pelt M., Mylott L., et al. Clinical Decision Support as a Prevention Tool for Medication Errors in the Operating Room: A Retrospective Cross-Sectional Study. Anesth Analg. 2024;139(4):832–9. doi: 10.1213/ANE.0000000000007058.
  26. Njie G.J., Proia K.K., Thota A.B., et al. Clinical Decision Support Systems and Prevention: A Community Guide Cardiovascular Disease Systematic Review. Am J Prev Med. 2015;49(5):784–95. doi: 10.1016/j.amepre.2015.04.006.
  27. Huang S., Liang Y., Li J., Li X. Applications of Clinical Decision Support Systems in Diabetes Care: Scoping Review. J Med Internet Res. 2023;25:e51024. doi: 10.2196/51024.
  28. Pichardo-Lowden A., Umpierrez G., Lehman E.B., et al. Clinical decision support to improve management of diabetes and dysglycemia in the hospital: a path to optimizing practice and outcomes. BMJ. Open Diab Res Care. 2021;9(1):e001557. doi: 10.1136/bmjdrc-2020-001557.
  29. Schwartz J.M., George M., Rossetti S.C., et al. Factors Influencing Clinician Trust in Predictive Clinical Decision Support Systems for In-Hospital Deterioration: Qualitative Descriptive Study. JMIR. Human Factors. 2022;9(2):e33960. doi: 10.2196/33960.
  30. Chen H., Ma X., Rives H., et al. Trust in Machine Learning Driven Clinical Decision Support Tools Among Otolaryngologists. Laryngoscope. 2024;134(6):2799–804. doi: 10.1002/lary.31260.
  31. Wang J.X., Sullivan D.K., Wells A.J., et al. Neural Networks for Clinical Order Decision Support. AMIA Joint Summits on Translational Science proceedings. AMIA. Joint Summits Translat Sci. 2019;2019:315–24.
  32. Wang L., Zhang Z., Wang D., et al. Human-centered design and evaluation of AI-empowered clinical decision support systems: a systematic review. Front Comput Sci. 2023. doi: 10.3389/fcomp.2023.1187299.
  33. Khan S., Khan H.U., Nazir S. Systematic analysis of healthcare big data analytics for efficient care and disease diagnosing. Sci Rep. 2022;12(1):22377. doi: 10.1038/s41598-022-26090-5.
  34. Jing X., Himawan L., Law T. Availability and usage of clinical decision support systems (CDSSs) in office-based primary care settings in the USA. BMJ. Health & Care Inform. 2019;26(1):e100015. doi: 10.1136/bmjhci-2019-100015.
  35. Solomon J., Dauber-Decker K., Richardson S., et al. Integrating Clinical Decision Support Into Electronic Health Record Systems Using a Novel Platform (EvidencePoint): Developmental Study. JMIR. Formative Res. 2023;7:e44065. doi: 10.2196/44065.
  36. Rahimi A.K., Pienaar O., Ghadimi M., et al. Implementing AI in Hospitals to Achieve a Learning Health System: Systematic Review of Current Enablers and Barriers. J Med Internet Res. 2024;26(1):e49655. doi: 10.2196/49655.
  37. Fraser H., Crossland D., Bacher I., et al. Comparison of Diagnostic and Triage Accuracy of Ada Health and WebMD Symptom Checkers, ChatGPT, and Physicians for Patients in an Emergency Department: Clinical Data Analysis Study. JMIR. mHealth and uHealth. 2023;11:e49995. doi: 10.2196/49995.
  38. Fernandes M., Vieira S.M., Leite F., et al. Clinical Decision Support Systems for Triage in the Emergency Department using Intelligent Systems: a Review. Artificial Intelligence Med. 2020;102:101762. doi: 10.1016/j.artmed.2019.101762.
  39. Katzman J.L., Shaham U., Cloninger A., et al. DeepSurv: personalized treatment recommender system using a Cox proportional hazards deep neural network. BMC. Med Res Method. 2018;18(1):24. doi: 10.1186/s12874-018-0482-1.
  40. Johnson K.B., Wei W.-Q., Weeraratne D., et al. Precision Medicine, AI, and the Future of Personalized Health Care. Clin Translat Sci. 2020;14(1):86. doi: 10.1111/cts.12884.
  41. Arora A., Alderman J.E., Palmer J., et al. The value of standards for health datasets in artificial intelligence-based applications. Nature Med. 2023;29(11):2929–38. Doi: 0.1038/s41591-023-02608-w.
  42. Batko K., Slezak A. The use of Big Data Analytics in healthcare. J Big Data. 2022;9(1):3. doi: 10.1186/s40537-021-00553-4.
  43. London A.J. Artificial Intelligence and Black-Box Medical Decisions: Accuracy versus Explainability. Hastings Center Rep. 2019;49(1):15–21. doi: 10.1002/hast.973.
  44. Juravle G., Boudouraki A., Terziyska M., Rezlescu C. Trust in artificial intelligence for medical diagnoses. Progress Brain Res. 2020;253:263–82. doi: 10.1016/bs.pbr.2020.06.006.
  45. Ibrahim A.M., Abdel-Aziz H.R., Mohamed H.A.H., et al. Balancing confidentiality and care coordination: challenges in patient privacy. BMC. Nursing. 2024;23(1):564. doi: 10.1186/s12912-024-02231-1.
  46. Mocydlarz-Adamcewicz M., Bajsztok B., Filip S., et al. Management of Onsite and Remote Communication in Oncology Hospitals: Data Protection in an Era of Rapid Technological Advances. J Personal Med. 2023;13(5):761. doi: 10.3390/jpm13050761.
  47. Abgrall G., Holder A.L., Chelly Dagdia Z., et al. Should AI models be explainable to clinicians? Critical Care. 2024;28(1):301. doi: 10.1186/s13054-024-05005-y.
  48. Palaniappan K., Lin E.Y.T., Vogel S. Global Regulatory Frameworks for the Use of Artificial Intelligence (AI) in the Healthcare Services Sector. Healthcare (Basel, Switzerland). 2024;12(5):562. doi: 10.3390/healthcare12050562.
  49. Bottomley D., Thaldar D. Liability for harm caused by AI in healthcare: an overview of the core legal concepts. Front Pharmacol. 2023;14:1297353. doi: 10.3389/fphar.2023.1297353.
  50. Acosta J.N., Falcone G.J., Rajpurkar P., Topol E.J. Multimodal biomedical AI. Nature Med. 2022;28(9):1773–84. doi: 10.1038/s41591-022-01981-2.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© ООО «Бионика Медиа», 2024