Опыт внедрения пилотного проекта «Искусственный интеллект» в работе участкового терапевта на территории Ямало-Ненецкого автономного округа: пилотное одномоментное скрининговое обсервационное исследование

Введение. Раннее выявление факторов риска (ФР) сердечно-сосудистых заболеваний (ССЗ) имеет важнейшее значение для профилактики возникновения ССЗ и развития их осложнений. Для выявления факторов риска ССЗ можно использовать системы искусственного интеллекта (ИИ), способные к обучению, обобщению и выводу. ИИ за короткий срок обрабатывает огромные массивы данных и выдает готовую информацию.
Цель исследования — оценить эффективность использования программы ИИ для выявления факторов риска ССЗ у пациентов в практике участкового врача-терапевта.
Методы. В исследование включены данные 1778 электронных амбулаторных карт пациентов старше 18 лет, прикрепленных к одному участку амбулаторного-поликлинического отделения государственного бюджетного учреждения здравоохранения Ямало-Ненецкого автономного округа «Муравленковская городская больница». Исследование проведено в четыре этапа. Первым этапом выполнено предварительное «обучение» программы «Искусственный интеллект» многочисленными шкалами оценки риска ССЗ. Платформой для ее работы явилась программа прогнозной аналитики и управления рисками Webiomed (компания «К-Скай», Россия). Второй этап: анализ медицинской информации для выявления факторов риска ССЗ по шкале относительного риска для пациентов младше 40 лет и шкалы SCORE для пациентов старше 40 лет. Третий этап: специалист проанализировал имеющуюся ранее и полученную новую информацию о каждом пациенте. По результатам третьего этапа исследования были сформированы 4 группы риска ССЗ (низкий, средний, высокий и очень высокий). Четвертым этапом впервые выявленные пациенты с высоким риском ССЗ, ранее не состоявшие на диспансерном учете, направлены на дополнительное клинико-лабораторное и инструментальное дообследование, консультации специалистов. Получены статистические данные в абсолютном и процентном отношениях. Статистическая обработка результатов осуществлена компьютерной программой системы поддержки принятия врачебных решений. Визуализация контента осуществлялась в электронных таблицах и диаграммах.
Результаты. На основании выявленных данных ИИ разделил всех пациентов на группы риска по ССЗ, а также указал на неучтенные факторы. ИИ подтвердил очень высокий и высокий риск ССЗ по SCORE (Systematic Cоronary Risk Evaluation) у 623 человек,  | 14–31 15
которые уже состояли на диспансерном учете у терапевта, кардиолога и получали соответствующую терапию. ФР, которые ранее не были учтены при постановке диагноза, были зафиксированы у 41 (11,5%) пациента из группы очень высокого риска и 37 (12,7%) пациентов с высоким риском. Система ИИ впервые выявила высокий риск ССЗ у 29 человек, который ранее не наблюдался участковым терапевтом и другими узкими специалистами по причине редкого обращения в медицинские учреждения. Эти пациенты были обнаружены системой ИИ по результатам периодических и предварительных медицинских осмотров (35%), после курса терапии других заболеваний в условиях круглосуточного стационара (31%), при обращении к узким специалистам (17%), при оформлении медицинского заключения на вождение транспортного средства (12%), при получении справки в бассейн (3%) или на оружие (2%). Среди впервые выявленных пациентов с высоким риском ССЗ основную группу составили мужчины — 24 человека (82%) и только 5 женщин (8%). Все эти лица были трудоспособного возраста от 40 до 50 лет. С целью подтверждения полученной информации врачом-куратором впоследствии назначено дообследование пациентов, в результате которого только у 1 человека (3%) была исключена соматическая патология.
Заключение. Эффективность использования программы ИИ составила 97%. Постоянный мониторинг всех параметров электронных историй болезни и амбулаторных карт в короткое время позволяет выявить наличие ФР при любом обращении человека в медицинское учреждение (профилактические и периодические медицинские осмотры, плановая диспансеризация, обращение к узким специалистам и т.д.) и формировать группы риска по ССЗ. Данный мониторинг дает возможность эффективного медицинского контроля за трудоспособным контингентом.

1. Костюкова К.С. Цифровизация сектора здравоохранения на основе технологии искусственного интеллекта в Японии: ключевые проблемы и подходы к решению. Микроэкономика. 2021; 5: 87–102. DOI: 10.33917/mic-5.100.2021.87-102

2. Hura G.S., Groppe S., Jain S., Gruenwald L. Artificial Intelligence in Global Epidemics, Part 1. New. Gener. Comput. 2021; 39(3–4): 483–485. DOI: 10.1007/s00354-021-00138-y

3. Мелдо А.А., Уткин Л.В., Трофимова Т.Н. Искусственный интеллект в медицине: современное состояние и основные направления развития интеллектуальной диагностики. Лучевая диагностика и терапия. 2020; 11(1): 9–17. DOI: 10.22328/2079-5343-2020-11-1-9-17

4. Моисеенко В.М., Мелдо А.А., Уткин Л.В., Прохоров И.Ю., Рябинин М.А., Богданов А.А. Автоматизированная система обнаружения объемных образований в легких как этап развития искусственного интеллекта в диагностике рака легкого. Лучевая диагностика и терапия. 2018; 3: 62–68. DOI: 10.22328/2079-5343-2018-9-3-62-68

5. Sato M., Morimoto K., Kajihara S., Tateishi R., Shiina S., Koike K., Yatomi Y. Machine-learning Approach for the Development of a Novel Predictive Model for the Diagnosis of Hepatocellular Carcinoma. Sci. Rep. 2019; 9(1): 7704. DOI: 10.1038/s41598-019-44022-8

6. Kim J., Chae M., Chang H.J., Kim Y.A., Park E. Predicting Cardiac Arrest and Respiratory Failure Using Feasible Artificial Intelligence with Simple Trajectories of Patient Data. J. Clin. Med. 2019; 8(9): 1336. DOI: 10.3390/jcm8091336

7. Lovejoy C.A., Buch V., Maruthappu M. Artificial intelligence in the intensive care unit. Crit. Care. 2019; 23(1): 7. DOI: 10.1186/s13054-018-2301-9

8. Kearney P.M., Whelton M., Reynolds K., Whelton P.K., He J. Worldwide prevalence of hypertension: a systematic review. J. Hypertens. 2004; 22(1): 11–19. DOI: 10.1097/00004872-200401000-00003

9. Chow C.K., Teo K.K., Rangarajan S., Islam S., Gupta R., Avezum A., Bahonar A., Chifamba J., Dagenais G., Diaz R., Kazmi K., Lanas F., Wei L., Lopez-Jaramillo P., Fanghong L., Ismail N.H., Puoane T., Rosengren A., Szuba A., Temizhan A., Wielgosz A., Yusuf R., Yusufali A., McKee M., Liu L., Mony P., Yusuf S.; PURE (Prospective Urban Rural Epidemiology) Study investigators. Prevalence, awareness, treatment, and control of hypertension in rural and urban communities in high-, middle-, and low-income countries. JAMA. 2013; 310(9): 959–968. DOI: 10.1001/jama.2013.184182

10. Мартынов А.И., Акатова Е.В., Первичко Е.И., Николин О.П.,Урлаева И.В. Влияние типа А поведенческой активности на развитие сердечно-сосудистых заболеваний и сахарного диабета 2-го типа. CardioСоматика. 2019; 10(4): 39–43. DOI: 10.26442/22217185.2019.4.190670

11. Бойцов С.А., Баланова Ю.А., Шальнова С.А., Деев А.Д., Артамонова Г.В., Гатагонова Т.М., Дупляков Д.В., Ефанов А.Ю., Жернакова Ю.В., Конради А.О., Либис Р.А., Минаков А.В., Недогода С.В., Ощепкова Е.В., Романчук С.А., Ротарь О.П., Трубачева И.А. И.А., Чазова И.Е., Шляхто Е.В., Муромцева Г.А., Евстифеева С.Е., Капустина А.В., Константинов В.В., Оганов Р.Г., Мамедов М.Н., Баранова Е.И., Назарова О.А., Шутемова О.А., Фурменко Г.И., Бабенко Н.И., Азарин О.Г., Бондарцов Л.В., Хвостикова А.Е., Ледяева А.А., Чумачек Е.В., Исаева Е.Н., Басырова И.Р., Кондратенко В.Ю., Лопина Е.А., Сафонова Д.В., Скрипченко А.Е., Индукаева Е.В., Черкасс Н.В., Максимов С.А., Данильченко Я.В., Мулерова Т.А., Шалаев С.В., Медведева И.В., Шава В.П., Сторожок М.А., Толпаров Г.В., Астахова З.Т., Тогузова З.А., Кавешников В.С., Карпов Р.С., Серебрякова В.Н. Артериальная гипертония среди лиц 25–64 лет: распространенность, осведомленность, лечение и контроль. По материалам исследования ЭССЕ. Кардиоваскулярная терапия и профилактика. 2014; 13(4): 4–14. DOI: 10.15829/1728-8800-2014-4-4-14

12. Шляхто Е.В., Звартау Н.Э., Виллевальде С.В., Яковлев А.Н., Соловьева А.Е., Федоренко А.А., Карлина В.А., Авдонина Н.Г., Ендубаева Г.В., Зайцев В.В., Неплюева Г.А., Павлюк Е.И., Дубинина М.В., Медведева Е.А., Ерастов А.М., Панарина С.А., Соловьев А.Е. Значимость оценки распространенности и мониторинга исходов у пациентов с сердечной недостаточностью в России. Российский кардиологический журнал. 2020; 25(12): 4204. DOI: 10.15829/1560-4071-2020-4204

13. Rahimi K., Emdin C.A., MacMahon S. The epidemiology of blood pressure and its worldwide management. Circ. Res. 2015; 116(6): 925–936. DOI: 10.1161/CIRCRESAHA.116.304723

14. Петрова Р.Е., Рыбаков О.Ю., Шеяфетдинова Н.А., Мякинина С.Б., Соловьев А.А., Портная Е.Б., Розанова Е.В., Пожарский Д.В., Ермаков Е.Г. Нормативно-правовое регулирование рабочего времени медицинских работников: необходимость, возможности и защита прав. Профилактическая медицина. 2020; 23(3): 20–26. DOI: 10.17116/profmed20202303120

15. Руголь Л.В., Сон И.М., Меньшикова Л.И. Динамика кадрового обеспечения и нагрузки врачей районных больниц. Профилактическая медицина. 2021; 24(12): 7–17. DOI: 10.17116/profmed2021241217

16. Карпов Ю.А. Новый вектор в лечении артериальной гипертонии: американские рекомендации 2017. Медицинский совет. 2018; 5: 8–14. DOI: 10.21518/2079-701x-2018-5-8-14

17. Кардиоваскулярная профилактика 2017. Российские национальные рекомендации. Российский кардиологический журнал. 2018; 6: 7–122. DOI: 10.15829/1560-4071-2018-6-7-122

18. Гусев А.В., Кузнецова Т.Ю., Корсаков И.Н. Искусственный интеллект в оценке рисков развития сердечно-сосудистых заболеваний. Российский журнал телемедицины и электронного здравоохранения. 2018; 4(3): 85–90. DOI: 10.29188/2542-2413-2018-4-3-85-90

19. Морозов С.П., Владзимирский А.В., Ледихова Н.В., Соколина И.А., Кульберг Н.С., Гомболевский В.А. Оценка диагностической точности системы скрининга туберкулеза легких на основе искусственного интеллекта. Туберкулез и болезни легких. 2018; 96(8): 42–49. DOI: 10.21292/2075-1230-2018-96-8-42-49

20. Johnson K.W., Torres Soto J., Glicksberg B.S., Shameer K., Miotto R., Ali M., Ashley E., Dudley J.T. Artificial Intelligence in Cardiology. J. Am. Coll. Cardiol. 2018; 71(23): 2668–2679. DOI: 10.1016/j.jacc.2018.03.521

21. Zippel-Schultz B., Schultz C., Müller-Wieland D., Remppis A.B., Stockburger M., Perings C., Helms T.M. Künstliche Intelligenz in der Kardiologie: Relevanz, aktuelle Anwendungen und nächste Schritte [Artificial intelligence in cardiology: Relevance, current applications, and future developments]. Herzschrittmacherther Elektrophysiol. 2021; 32(1): 89–98 (German). DOI: 10.1007/s00399-020-00735-2

22. Хохлов А.Л., Белоусов Д.Ю. Этические аспекты применения программного обеспечения с технологией искусственного интеллекта. Качественная Клиническая Практика. 2021; 1: 70–84. DOI: 10.37489/2588-0519-2021-1-70-84

23. Jamthikar A.D., Puvvula A., Gupta D., Johri A.M., Nambi V., Khanna N.N., Saba L., Mavrogeni S., Laird J.R., Pareek G., Miner M., Sfikakis P.P., Protogerou A., Kitas G.D., Nicolaides A., Sharma A.M., Viswanathan V., Rathore V.S., Kolluri R., Bhatt D.L., Suri J.S. Cardiovascular disease and stroke risk assessment in patients with chronic kidney disease using integration of estimated glomerular filtration rate, ultrasonic image phenotypes, and artificial intelligence: a narrative review. Int. Angiol. 2021; 40(2): 150–164. DOI: 10.23736/S0392-9590.20.04538-1

24. Gasanova I.A., Prelovskii D.S., Yurkin V.A., Drobintsev P.D., Drobintseva A.O. Modern possibilities of using ai methods in the analysis of biomedical data. Computing, Telecommunications and Control. 2020; 13(4); 21–33. DOI: 10.18721/JCSTCS.13402

25. Усачева Е.В., Нелидова А.В., Куликова О.М., Флянку И.П. Смертность трудоспособного населения России от сердечно-сосудистых заболеваний. Гигиена и санитария. 2021; 100(2): 159–165. DOI: 10.47470/0016-9900-2021-100-2-159-165