Машинное обучение поможет врачам принимать более информированные решения

Одной из важных задач, которую должна решить инновационная отрасль здравоохранения – телемедицина, состоит в систематизации всех данных конкретного медицинского учреждения. Сюда может относиться как внутрибольничная информация (медицинские карты пациентов, результаты обследования, истории болезни), так и данные, поступающие из внешних структур отрасли или смежных организаций.

Для решения этой задачи необходимо перевести всю имеющуюся информацию в электронный формат. Процессы цифровизации должны облегчить оформление и последующий доступ врачам любого медицинского учреждения к персональным данным пациента или к информации общего назначения.

Инновационные технологии для обработки медицинской информации

На пути решения этой задачи стоят несколько препятствий. Часто персональные карты пациентов оказываются неполными, сведения, касающиеся состояния здоровья одного человека, приходится собирать сразу в нескольких учреждениях. Это замедляет процессы цифровизации, снижает возможность получения доступа к необходимой для работы информации.

Теоретически преодолению этого препятствия (низкой интероперабельности информации) могут способствовать сразу две инновационные технологии:

• аналитическая обработка имеющихся в разных учреждениях данных;
• внедрение алгоритмов машинного обучения на базе систем «искусственный интеллект».

Систематизация разнородной информации с помощью этих современных технологий поможет быстрее собирать нужную информацию из разных источников и перемещать ее по телемедицинским сетям.

Оптимизация данных

Сразу два исследования, касающихся применения высоких технологий для систематизации и упорядочивания информации, были проведены в Массачусетском технологическом институте (США). В результате научных работ сотрудниками лаборатории компьютерных наук и искусственного интеллекта был зафиксирован положительный эффект при использовании новых продуктов для обработки данных.

Алгоритмы машинного обучения помогут пополнить информацию персональных карт и систематизировать уже имеющуюся. Используя инструменты прогнозной аналитики, можно будет выявить тенденции развития патологии и принять наиболее оптимальное решение для лечения пациента.

Система быстрого реагирования

В результате первого исследования был разработан подход на базе машинного обучения, использующий информацию о работе отделений интенсивной терапии. Исследователям удалось создать прогнозный алгоритм для лечения больных с разными симптомами.

Система «ICU Intervene» работает в режиме реального времени и для составления прогнозов, лечебных рекомендаций использует опыт, накопленный в палатах и отделениях интенсивной терапии.

Использование такой системы может быть эффективно при ограниченном времени для принятия решения, составления плана лечения, плана действий. Такие напряженные ситуации могут возникнуть во время эпидемий, массовом инфицировании населения, во время стихийных бедствий.

Универсальная модель

Система EHR Model Transfer со встроенным алгоритмом, работающим с информацией на разговорном языке, использует универсальную модель обработки имеющейся информации. Эта модель способна обработать данные (включая специальные термины и используемые концепции) из разных электронных систем.

Доктор Найгем Шаха (США, Стэнфордский университет) заметил, что данная система представляет «отличное решение». Используя информацию, которая уже имеется в других подобных системах, врачи смогут оказать более эффективную помощь, принять наиболее подходящее в конкретной ситуации решение.