Ума в палаты: ученые разработали систему для использования ИИ в реанимациях по всей стране

Уникальная база данных поможет предсказывать наступление критического состояния у пациентов

Российские ученые создают первый публичный массив данных для отделений интенсивной терапии, предназначенный для обучения алгоритмов искусственного интеллекта. Он станет фундаментом для отечественных ИИ-решений в реанимации и позволит точнее выявлять пациентов, нуждающихся в экстренной помощи. Ключевым элементом разработки стали «клинические фенотипы» — классификация, которая заменит ограниченные и не всегда точные коды болезней. Это позволит искусственному интеллекту обучаться на реальных состояниях пациентов, а не на данных документации, и в разы повысит качество помощи больным в критическом состоянии. Например, развитие сепсиса можно будет предсказать за шесть часов до его возникновения, рассказали «Известиям» врачи.

Обучение ИИ для реанимационных отделений

Национальный медицинский исследовательский центр (НМИЦ) по профилю «анестезиология и реаниматология (для взрослых)» Сеченовского университета стал базой для разработки первого национального структурированного массива данных реанимационного пациента. Он позволит более эффективно обучать отечественные ИИ-решения для отделений реанимации и интенсивной терапии (ОРИТ) по всей стране.

По словам медиков, главная проблема современных ИИ-систем в реанимации — зависимость от неполных или отсутствующих кодов МКБ-10 (международная классификация болезней десятого пересмотра). В условиях ОРИТ менее 30% случаев критических состояний получают код — это общемировая практика, рассказали «Известиям» в вузе.

Новый датасет (массив данных) решает эту проблему за счет внедрения «клинических фенотипов» — алгоритмической идентификации патофизиологических состояний на основе объективных показателей: жизненных функций, лабораторных данных и динамики состояния пациента. В наборе данных на основе 5,3 тыс. случаев выделено более 80 таких фенотипов, включая сепсис, острый респираторный дистресс-синдром, острую почечную недостаточность и другие критические состояния.

— В процессе создания датасета разработчикам пришлось преодолевать барьер неточности данных, основанных на кодах МКБ. Для решения этой проблемы было введено понятие клинических фенотипов. Это алгоритмы, которые идентифицируют патофизиологические состояния на основе объективных критериев — витальных показателей, результатов лабораторных исследований и динамики состояния пациента. Благодаря этому ИИ-модели обучаются не на артефактах документирования, а на реальных клинических состояниях пациентов, — рассказала «Известиям» аналитик отдела анализа образовательных программ и научных исследований Сеченовского университета Наталья Живица.

По ее мнению, это кардинально меняет парадигму работы с данными в интенсивной терапии и открывает новые горизонты для создания решений, которые реально работают в условиях ОРИТ.

Проект реализуется совместно с индустриальным партнером «КваттроЛаб» — создателем реанимационно-анестезиологической информационной системы (РАИС). Эффективность предложенного подхода подтверждается результатами разработки модели машинного обучения, способной прогнозировать развитие сепсиса за шесть часов до появления клинических признаков. Такой результат стал возможен благодаря использованию клинических фенотипов и соответствующих алгоритмов, которые позволяют обучать модель на корректно структурированных данных. В частности, это исключает так называемую утечку данных из будущего (data leakage) на этапе обучения и обеспечивает корректное формирование выборок — с четким разделением клинических случаев по наличию или отсутствию сепсиса.

— Сепсис — одно из самых опасных состояний в реанимации с высокой смертностью, — рассказала «Известиям» руководитель аналитики РАИС Ирина Ларина. — Без качественно нового подхода к данным, реализованного в РИКОРД, создание аналогичных решений остается крайне затруднительным.

Шаг к медицине будущего

Создание первого такого датасета — не просто научный проект, а стратегическая инвестиция в технологический суверенитет и качество критической медицины будущего, рассказал директор НМИЦ Андрей Яворовский.

— Мы закладываем фундамент, на котором будет строиться будущее искусственного интеллекта в критической медицине России, — подчеркнул он.

ИИ уже востребован в анестезиологии и реанимации , а появление публичного датасета открывает новые возможности для практического применения, отметила заведующая кафедрой анестезиологии, реаниматологии и скорой медицинской помощи ИПО СамГМУ, эксперт рынка НТИ «Хелснет» Инна Труханова.

— Прежде всего, это возможность более раннего реагирования на критические инциденты интраоперационно, когда еще нет явных проявлений ни клинически, ни на мониторах. Кроме того, ИИ способен повысить точность и скорость оценки состояния пациента в реанимации за счет точной и быстрой интегральной балльной оценки. В анестезиологии технологии могут использоваться для подбора индивидуальных схем анестезии с учетом сопутствующих заболеваний, результатов анализов и принимаемых препаратов, — пояснила она.

Клинические данные интенсивной терапии — один из наиболее технически сложных типов данных для обучения нейросетевых моделей, отметил руководитель направления ИИ Cloud.ru Дмитрий Юдин. Высокая частота измерений, разнородные источники и значительное количество пропусков создают серьезные требования к качеству и структуре обучающей выборки. В этом смысле подход с клиническими фенотипами — когда состояние пациента описывается через объективные параметры, а не формальные коды классификации — методологически соответствует специфике задачи.

— Развитие отечественных доменных датасетов — необходимое условие для появления прикладных ИИ-решений в медицине. Без качественной и представительной базы данных устойчивые модели не строятся. Для задач такого класса объем датасета имеет принципиальное значение: 5,3 тыс. случаев — это осмысленная отправная точка, однако масштабирование базы остается необходимым условием, особенно применительно к редким критическим состояниям, — сказал эксперт.

В современных условиях любые верифицированные данные представляют ценность для разработки медицинских ИИ-решений, подчеркнул директор по маркетингу и сооснователь компании, создающей системы поддержки врачебных решений Цельс, участник рынка НТИ «Хелснет» Никита Николаев. Такой набор будет полезен разработчикам как минимум для валидации, то есть проверки качества метрик модели. Кроме того, он может применяться и для обучения ИИ, несмотря на относительно небольшой объем.

Автор: Мария Недюк

Фото: ИЗВЕСТИЯ/Дмитрий Коротаев