Ученые предлагают докторам объединиться в совместной борьбе с пандемией

Клиники и исследователи приглашаются к использованию глубокого обучения для выявления пневмонии, вызванной Covid-19: изучим характер Covid-19 с помощью методов глубокого машинного обучения.

В том, что искусственный интеллект (ИИ) и методы машинного обучения могут быть использованы для вынесения объективных и обоснованных рекомендаций, уже мало кто сомневается. Но врачи, еще не пытавшиеся выстроить самостоятельный диалог с ИИ, не всегда понимают, насколько реально им уже сегодня подключиться к разработке машинной модели диагностики и прогноза при Covid-19. Созданная таким образом компьютерная программа потенциально поможет им бороться с пандемией, раскрыв глубинные процессы, протекающие в организме больного.

Аналогично можно будет осуществить подход и к любым другим болезням, которые доктора диагностируют в рамках своей повседневной практики.

Эпидемия запустила процесс интенсивного совершенствования современного здравоохранения, потому что борьба с быстро распространяющейся и неконтролируемой болезнью требует не менее эффективных методов ее обнаружения, разработки и применения самых передовых технологий.

Как решения, основанные на искусственном интеллекте и машинном обучении, могут помочь с решением этой проблемы? - на этот вопрос отвечает руководитель компании Азфорус» Анна Викторовна Кузнецова.

 - Медицинское обслуживание с использованием искусственного интеллекта не является панацеей и «лекарством будущего», это не означает, что врачи-роботы повсеместно начнут заменять живых докторов. Однако ИИ готов внести эффективный и срочный вклад в существующую систему здравоохранения и снизить нагрузку на медицинских работников, перегруженных заботой о пациентах, настроить системы анализа неизвестных процессов в организме под воздействием новых, ранее мало изученных агрессивных агентов, с которыми доктора впервые столкнулись в таком масштабе. Техника позволяет облегчить в большой степени и трудоемкую задачу отчетности в клинической практике.

А главное - использование ИИ для помощи в поисках корреляции, диагностике, прогнозировании и отчетности позволяет врачам быстро принимать обоснованные решения, которые спасут тысячи пациентов, борющихся за свою жизнь с этой смертельной болезнью, и медицинских работников, которые подвергаются постоянному риску заражения.

У нас есть готовые алгоритмы, которые предоставляют ускоренный путь для понимания биологии COVID-19, но для этого нам нужна библиотека клинических случаев пневмонии, собранные ранее. Мы не можем действовать в одиночку - для реализации потенциала ИИ сейчас требуются ресурсы совместной работы. Только так мы достигнем успеха в этой борьбе. Для максимальной эффективности необходимо объединить несколько источников данных и самые успешные алгоритмы.

- Расскажите об известных Вам совместных мероприятиях, направленных на поощрение обмена информацией и ускорение потенциальных результатов для пациентов.

- Самая свежая информация: сетью испанских клиник HM Hospitales принято решение об открытии свободного доступа к базе анонимных клинических данных о пациентах, проходящих лечение в этих медицинских учреждениях от вируса SARS-CoV-2. С 25 апреля данные собирались открыть для бесплатного доступа. Мы участвуем в этом проекте. Но аналогичную инициативу могли бы подхватить и медики нашей страны.

Проект, получивший название «ДАННЫЕ О COVID СПАСАЮТ ЖИЗНИ» позволит исследователям, ученым, медучреждениям, преумножить свои знания о вирусе, изучив клинические данные для успешного поиска лекарств и методов лечения.

В базе уже имеется 2157 анонимных историй болезни, содержащих различную информацию о пациентах, получивших лечение от COVID-19. В них включено подробное описание о постановке диагноза, ходе лечения с момента поступления в клинику, в течение всего времени пребывания в отделении интенсивной терапии и выздоровлении или смерти. Так же там имеется другая информация: результаты диагностической визуализации и лабораторных исследований.

- Почему Вам этот проект кажется таким значимым?

- Практика последних дней убедительно выявила недостатки существующей системы тестирования COVID. Чувствительность слишком низка Министерство здравоохранения предлагает возложить ответственность за диагностику непосредственно на лечащих врачей, их подручные средства диагностики и интуицию.

Понятно всем, что эта задача крайне сложна!

Предполагается, что в условиях повышенной нагрузки врач должен разобраться по разрозненным и противоречивым источникам мировой научной периодики в нюансах различий между COVID и обычной пневмонией. Между тем эффективное решение возможно существует.

В клиниках имеются базы данных по пневмонии, собранные задолго до появления COVID и содержащие значения разнообразных доступных для получения клинических, лабораторных показателей. Для создания алгоритма диагностики достаточно сравнить такие показатели из группы больных не вирусной пневмонией с аналогичными показателями в группе с COVID. Использование методов анализа данных, основанных на машинном обучении, вполне может привести к получению практически бесплатных средств диагностики с эффективностью, сравнимой с эффективностью диагностики, основанной на дорогостоящих специфических тестах. Не исключено, что по мере накопления информации в этих базах данных удастся добиться выделения групп риска.

- Возможен ли прогноз исхода коронавирусной инфекции по собранным показателям во время пребывания в стационаре?

- Конечно. Это очевидно! Для этого достаточно внести в базу данных все повторяющиеся исследования с указанием даты (или номером суток пребывания в клинике). Наши методы позволят выявить закономерности – взаимовлияние факторов, наиболее информативных с точки зрения разделения двух групп (умер / жив). Это позволит предположить механизм действия вируса внутри организма, ответ иммунной реакции на него. Можно будет определить переломный момент во время течения заболевания – в сторону выздоровления или в сторону летального исхода.

- Что умеет делать, разработанный Вами алгоритм?

- Наш программный комплекс позволяет использовать накопленную ранее информацию в базах лабораторно-клинических данных, для анализа и дальнейшего прогноза, с дальнейшим принятием правильных решений.

Мы располагаем сложным математическим аппаратом для анализа, но кроме этого нами создан программный комплекс, адаптированный к работе любого специалиста без технического образования. Отлажен режим «трех кнопок»: ввод и подготовка данных (замена символов на числа, работа с пропусками и выбросами), анализ 7-ю методами машинного обучения (в том числе нашими оригинальными «Методом Валидных Разбиений» и «Методом Статистически Взвешенных Синдромов»), наглядный отчет с планом дальнейших действий.

Кроме методов, предполагающих статические исследования, мы располагаем методом, основанным на авторегрессии, учитывающим динамику наиболее важных показателей во времени и внешние влияния на процесс, которые тоже надо будет учитывать в базе данных.

-Что получит исследователь на выходе?

- В результате работы наших алгоритмов аналитик получает: список наиболее значимых показателей (с валидными границами), ранжированных по их информативности, на которые можно воздействовать, чтобы пациенты, отнесенные алгоритмом в группу с неблагоприятным прогнозом, смогли улучшить свой прогноз и “перейти” в благоприятную группу. Пошаговый план, со списком конкретных изменяемых параметров и их границами разбиения, дает возможность активно влиять на исход заболевания вновь прибывшего пациента.

- Чем отличается работа вашего алгоритма от работы нейросетей?

- Наш подход обладает существенным преимуществом перед нейросетями, поскольку лишен недостатков «черного ящика» и предоставляет полное понимание, почему пациент отнесен в один из классов. Результат прозрачен и точен благодаря перестановочным тестам. Система ориентирована на врачей и вполне может помочь находить верные решения в случаях новых, ранее не известных, патологий. В условиях, когда нет официальных схем лечения нового заболевания, информация о процессах, происходящих в организме больного с угрозой летального исхода, позволит докторам найти верные способы воздействия на органы-мишени.

- Как должны выглядеть данные, подготовленные клиникой для анализа?

- Рекомендации к формированию базы данных довольно просты и с ними справится любой врач, который хотя бы немного знаком с компьютером. В принципе вся эта информация уже должна быть в информационных системах клиник. Ее просто надо привести в нужный формат.

Вид необходимой для прогноза информации следующий. Передается обезличенная информация. Обозначается пациент сквозным номером или номером и/б.

Далее расположен показатель, отражающий целевую функцию:

• Для задачи исхода заболевания: умер (1) / жив (2).
• Для задачи типа пневмонии: с Covid-19 (1) / без вируса (2).

Далее столбцы для анализа:

Нужно собрать в файл Excel всю клинико-лабораторную информацию, собранную по пациенту с момента поступления в стационар и анамнез. Порядок показателей (желательно соблюдать), размерность изменяемого показателя - в названии столбца, в ячейки таблицы помещать только числа. Если в предоставленном здесь перечне показателей отсутствует какая-то информация, то ее все равно необходимо внести в дополнительные столбцы.

• Номер истории болезни (и/б)
• Пол
• Возраст

Анамнез:

• Наличие сопутствующих хронических заболеваний (заболевание, степень тяжести)
• Дата первых симптомов Covid-19
• Наличие контактов с зараженными (знакомые, близкие, загран. поездка, професс. нагрузка и т.д.)
• Симптомы при поступлении – по официальной схеме.

Формула крови: (общий анализ)

• Гемоглобин (Hb, Hemoglobin)
• Гематокрит (Ht, Hematocrit)
• Эритроциты (RBC, Red Blood Cells)
• MCV (Mean Cell volume, средний объём эритроцитов)
• RDW (Red cell Distribution Width , распределение эритроцитов по величине)
• MCH (Mean Cell Hemoglobin,среднее содержание гемоглобина в эритроцитах)
• MCHC (Mean Cell Hemoglobin Concentration, средняя концентрация гемоглобина в эритроцитах)
• Тромбоциты (PLT, Platelets)
• Лейкоциты (WBC, White Blood Cells)
• Нейтрофилы
• Лимфоциты
• Эозинофилы
• Ретикулоциты

Далее предположительно:

• клинический анализ мочи (общий анализ мочи);
• биохимический анализ крови (глюкоза, креатинин, мочевина, общий белок, билирубин общий, билирубин прямой, АСТ, АЛТ);
• отдельные параметры коагулограммы (протромбиновое время, фибриноген, активированное частичное тромбопластиновое время – АЧТВ);
• иммуногематологические исследования (группа крови, резус-фактор);
• серологическая диагностика инфекций (гепатиты В и С, ВИЧ-инфекция, сифилис).
• Гормональный статус крови
• Иммунологический статус (субпопуляции лимфоцитов – CD3, CD4, CD8, CD16, CD25 и т.д.).

Согласитесь, что этот набор информации уже сейчас должен заноситься в электронные карты пациентов. Любая клиника, собравшая массив таких данных может в потенциале стать и нашим партнером по обучению машинного интеллекта.

В рамках этого интервью, мне хотелось бы обратиться к главным врачам клиник, ученым и исследователям с предложением о сотрудничестве и совместном машинном обучении ИИ прямо сейчас, когда так дорога каждая минута в борьбе с этой еще не побежденной болезнью.

Использование потенциала искусственного интеллекта и возможностей машинного обучения - мощнейший инструмент в борьбе с пандемией. Наш алгоритм представляет новые способы решения старых проблем и открывает двери для решения только что возникших, поэтому представляет огромную ценность. Мы приглашаем вас к совместному быстрому внедрению и интеграции решений ИИ в ответ на вызов COVID-19.

Искусственный интеллект способен расшифровать тайны грозного вируса. Ученым нужны только данные из клиник, где лечат больных с Covid-19

 Подготовила Надежда Данилова