Искусственный интеллект может прогнозировать развитие заболеваний

Возможности искусственного интеллекта исследовали ученые из Великобритании, Франции и России. Результаты своей работы они разместили в журнале GigaScience.

Они пришли к выводу, что обученная на большом массиве данных нейросеть способна анализировать развитие заболеваний на перспективу. Машина может составить прогнозы динамики различных заболеваний и кризисов в мировой системе здравоохранения

Группа исследователей использовала для своей работы метод главных деревьев. Он позволяет строить модели развития кардиологических заболеваний и диабета.

Сложным динамическим процессом назвал болезнь еще Гиппократ. Современные квалифицированные медицинские специалисты также умеют прогнозировать развитее болезни у отдельного пациента, а не просто фиксировать его состояние. Но на основе индивидуальных прогнозов сегодня требуется типовое прогнозирование. Как конкретный протокол, оно может быть применимо в работе с индивидуальными пациентами.

Применение искусственного интеллекта позволило обрабатывать данные о происходящих процессах в медицинской отрасли целых стран. Цифровые технологии способны хранить и обрабатывать миллиарды историй болезней и триллионы исследований. Когда количество перейдет в качество и нейросеть поможет с помощью масштабной базы данных улучшать качество медицинских знаний. На эти вопросы пытались найти ответы ученые в ходе своего исследования. Ответы могли бы помочь в проведении динамического фенотипирования больных.

Александром Горбань, соавтором работы, профессором Лестерского университета и руководителем мегагранта «Масштабируемые сети систем искусственного интеллекта для анализа данных растущей размерности» в ННГУ было рассказано о некоторых сложностях, с которыми ученые столкнулись в ходе работы. Он поделился с научным медицинским сообществом проблемой, которую пришлось решать группе исследователей.

Сегодня сложно и дорого проводить постоянный мониторинг пациента и систематически собирать информацию о работе различных органов его организма. Такая информация называется длительными, или диахроническими, наблюдениями, и она необходима для построения точной индивидуальной клинической траектории. Пока же врачи могут работать лишь с синхронными (моментальными) данными за время, пока пациенты лечатся амбулаторно или стационарно. Насколько корректным будет построение клинической траектории и динамических фенотипов на основе моментальных данных, исследователи пока понять не смогли.

Но ученые надеются, что на большом количестве синхронных данных можно получить корректную картину структуры клинических траекторий. Ведь каждый пациент будет испытывать различные фазы заболевания по определенной траектории патологии. Метод машинного обучения, или метод главных деревьев, может быть использован при анализе наблюдений за пациентами, страдающими диабетом и сердечно-сосудистыми заболеваниями. В этом направлении возможности прогнозирования болезни наиболее важны, так как это коварные патологии приносят неожиданные осложнения, ухудшения самочувствия вплоть до летальных исходов.

Исследователи предполагают, что разработанная ими методика может использоваться не только в кардиологии и эндокринологии, но и для других заболевании и типов данных. Ее можно применять при анализе историй болезни, зафиксированных в электронных медкартах больных. Методика будет полезна для улучшения результатов мониторинга пациентов с использованием носимых медицинских приборов.