Качество медицинской помощи является одним из ключевых показателей, определяющих как среднюю продолжительность жизни, так и уровень ее качества. За последнее столетие медицинские технологии совершили огромный скачок, и высококвалифицированная медицинская помощь стала более доступной.

В то же время современная медицина столкнулась с рядом новых вызовов: высокие требования к квалификации специалистов, потребность в качественной помощи в соответствии с принципами доказательной медицины, обеспечение доступности удаленной консультативной помощи, необходимость в снижении стоимости лечения при сохранении его качества.

Справиться с этими вызовами и выйти на принципиально новый уровень можно путем внедрения высокотехнологичных решений, которые позволят поднять диагностику и лечение на новую ступень развития. В данном обзоре мы рассмотрим, как внедрение в отделениях анестезиологии, реанимации и интенсивной терапии (ОАРИТ) клинических информационных систем на основе цифровых технологий может помочь в решении актуальных вопросов совершенствования службы в целом.

Основной целью реанимации и интенсивной терапии является поддержание и восстановление функций жизненно важных органов и систем пациентов. Для ее достижения, с одной стороны, необходимо осуществлять непрерывный контроль и коррекцию основных показателей жизнедеятельности (частота дыхания и сердечных сокращений, уровень артериального давления, уровень оксигенации крови, биохимические показатели крови и т.д.). С другой стороны, пациенты должны получать адекватное интенсивное лечение, направленное на коррекцию и нормализацию гомеостаза, включающее поддержание гемодинамики, баланса жидкости и электролитов, респираторную поддержку, антибактериальную терапию и др. Современные ОАРИТ оборудованы множеством медицинских устройств, позволяющих как отслеживать состояние пациента, так и проводить необходимые медицинские вмешательства: это кардио- и респираторные мониторы, аппараты искусственной вентиляции легких (ИВЛ), системы постоянной инфузии, устройства почечно-заместительной терапии и др. Кроме того, информация поступает из других лабораторных и медицинских информационных систем. Все эти устройства генерируют непрерывный поток информации о состоянии пациента и проводимых процедурах (рис. 1).

Рис. 1. Пример объединения прикроватного оборудования для сбора и дальнейшего анализа данных в отделении анестезиологии, реанимации и интенсивной терапии.

В связи с этим и появились системы, объединяющие данные, с дальнейшей группировкой и анализом, возможностью реализации поддержки принятия решений.

Активное внедрение информационных технологий в сферу здравоохранения началось еще в конце ХХ века, и за счет совершенствования и развития с каждым днем они занимают все более уверенную позицию. Так, появились современные системы управления данными пациентов (PDMS — Patient Data Management System), которые прошли в своем развитии несколько этапов. Использование информационных технологий в ОАРИТ исходно рассматривалось как инструмент автоматического сбора данных о пациенте с оборудования (PDMS первого поколения). Дальнейшее развитие направления привело к возможности обмена информацией между различными информационными системами, в том числе располагающимися вне ОАРИТ. Следующим шагом было не только объединение информации от различных систем, но и создание полноценной электронной истории болезни путем разработки механизмов взаимодействия, обеспечивающих сбор, сортировку информации от разрозненных носителей и систем, и эффективного электронного документооборота — PDMS третьего поколения. Следующим шагом будет внедрение клинических информационных систем PDMS четвертого поколения с возможностью машинного обучения (МО) и использования искусственного интеллекта (ИИ) — новых и перспективных направлений.

Учитывая мировой опыт и имеющиеся публикации об эффективности применения технологии обработки больших данных (big data), получаемых о пациентах, находящихся в критическом состоянии, при наблюдении, диагностике и интенсивной терапии, весьма перспективным является ее все более широкое внедрение в работу ОАРИТ, в том числе в нашей стране. В настоящее время среди представленных в России технологий, которые относятся к PDMS для анестезиологии и реаниматологии на основе сбора, обработки и анализа данных, такая возможность имеется у IntelliSpace Critical Care and Anesthesia производства компании «Филипс». Данная система разработана специально для ОАРИТ и имеет следующую функциональность:

— позволяет автоматизировать информационные потоки, которые протекают в анестезиологических и реанимационных отделениях, за счет оцифровки медицинских данных пациента (больших данных), получаемых с практически любого прикроватного оборудования — носителя информации о пациенте, такого как наркозно-дыхательные аппараты, гемодинамические мониторы, аппараты ИВЛ и капнографы, инфузионные стойки и прочее, что исключает необходимость «ручной регистрации» данных в документах;

— может обеспечивать тесное прямое взаимодействие с другими медицинскими информационными системами для обмена данными: получение результатов лабораторных и инструментальных исследований, заключений специалистов и др.;

— электронный документооборот, специализированный для ОАРИТ: кроме дневников наблюдения, протоколов течения анестезии и манипуляций, есть электронная карта интенсивной терапии и карта течения анестезии, в которых автоматически фиксируются все данные о пациенте, включая назначения, результаты исследований и прочее;

— имеется автоматизация клинических шкал для оценки степени тяжести состояния пациента (шкала комы Глазго, qSOFA, SOFA, APACHE II, MPM II, SAPS II) и медицинских протоколов ведения пациента, система поддерживает пять встроенных протоколов (ведение пациентов с подозрением на развитие или подтвержденным сепсисом, профилактика тромбоза глубоких вен, профилактика возникновения вентилятор-ассоциированной пневмонии, контроль уровня гликемии, профилактика развития катетер-ассоциированной инфекции) с возможностью формирования при необходимости уникальных настроек для определенной категории пациентов.

Таким образом, создается полноценная электронная история болезни пациента, содержащая высокоточные данные, что позволяет использовать технологию работы с большими данными, проводить комплексный анализ и прогнозировать изменения в состоянии пациента. Система обеспечивает врачам возможность принимать взвешенные клинические решения, опираясь на несколько сотен медицинских параметров (с оборудования, лабораторной системы, информации о назначениях медпрепаратов, об аллергиях, диагнозах, прогнозах и прочее). Для научных целей доступны оцифрованные мультиданные с минимальной погрешностью. Все это положительно влияет на развитие анестезиологии и реаниматологии в целом и в частности на повышение качества лечения каждого пациента.

Предоставляя широкий функционал врачу анестезиологу-реаниматологу, цифровизация данных может обеспечивать и административные нужды клиники: полностью прозрачное, оцифрованное сопровождение пациента, контролируемое по разным параметрам (длительность, наполняемость, стоимость) с возможностью оптимизации времени/качества/затрат, что применимо к каждому конкретному пациенту, патологии, отделению и клинике в целом.

Ниже мы рассмотрим несколько наиболее востребованных направлений применения систем принятия решений и больших данных в ОАРИТ.

Предсказание риска развития сепсиса

Одной из глобальных проблем ОАРИТ является сепсис, так как его развитие не только ухудшает течение основного заболевания пациента, но и служит потенциальным предиктором летального исхода. Каждую минуту от сепсиса в мире погибают не менее 14 человек, а ежегодно — больше людей, чем от рака предстательной железы, молочной железы и ВИЧ вместе взятых, что выводит сепсис на лидирующее место среди всех причин смерти взрослого населения [1]. Согласно данным Всемирной организации здравоохранения за 2018 г., общемировое эпидемиологическое бремя сепсиса не поддается точной оценке. Согласно расчетам, он ежегодно развивается более чем у 30 млн человек и, возможно, уносит жизни около 6 млн [1]. Каждый год сепсисом болеют 3 млн новорожденных и 1,2 млн детей [2]. Несмотря на отсутствие официальных достоверных единых статистических данных, к сожалению, проблема высокой летальности при сепсисе весьма актуальна и для России. Кроме того, среднее пребывание в больнице при сепсисе в 2 раза дороже, чем при других состояниях, а средняя заболеваемость тяжелым сепсисом увеличивается примерно на 13% в год [3].

Несомненно, диагностика и своевременно начатое лечение снижают связанные с лечением расходы и смертность. Несмотря на очевидные преимущества, раннее и точное выявление сепсиса остается сложной клинической проблемой [3].

Развитие технологии МО и использования больших данных в ОАРИТ имеет свои перспективы для решения этой задачи.

Так, в работе Q. Mao и соавт. (2018), выполненной в клиниках Калифорнии и Вашингтона (США), получены статистически значимые данные о прогнозировании развития сепсиса. Работа основана на построении алгоритма МО InSight с выборкой данных из медицинской информационной системы, включающей 90 353 пациентов. Алгоритм основан на ретроспективных данных и применен в дальнейшем к проспективному анализу. В основе модели лежит анализ основных клинических данных пациента: это уровень систолического артериального давления, уровень диастолического артериального давления, частота сердечных сокращений, частота дыхания, насыщение крови кислородом и температура тела, а оценка риска формируется для пациента на основе алгоритмического дерева решений. Проведено сравнение прогнозов разработанного алгоритма InSight и «золотого стандарта» с тремя распространенными клиническими системами оценки ухудшения состояния пациентов: MEWS (Modified Early Warning Score), SIRS (Systemic Inflammatory Response Syndrome), SOFA (Sequential Organ Failure Assessment). InSight превзошел эти классические системы для скрининга сепсиса, тяжелого сепсиса и септического шока. Оказалось, что построенная модель МО прогнозирует развитие сепсиса за 4 ч до его начала с высоким уровнем чувствительности 0,80 и достигает специфичности 0,95, 0,84 — для тяжелого сепсиса и 0,99 — для обнаружения септического шока в отличие от стандартных схем прогнозирования (0,75, 0,72 и 0,84 соответственно). Это заблаговременное выявление пациентов, склонных к тяжелому сепсису, может расширить окно для своевременного клинического вмешательства. Высокая эффективность алгоритма в академических и муниципальных больницах, включенных в это исследование, в будущем предполагает потенциальную высокую эффективность в различных клинических условиях [4].

В работе E. Rivers и соавт. (2001) также разработан алгоритм прогнозирования развития сепсиса, получивший название AISE (Artificial Intelligence Sepsis Expert). В его основе лежит адаптированный метод анализа выживаемости, принимающий на вход 65 различных параметров с различной временной изменчивостью — от статичных параметров (пол, возраст пациента) до временных рядов высокого разрешения (с временным шагом 2 с). Разработанный алгоритм показал высокую точность предсказания развития сепсиса во временном интервале до 12 ч (площадь под кривой ROC составляет 0,83—0,85). Наглядно продемонстрировано, что имеется сильная связь между задержкой эффективного начала антимикробной терапии и внутрибольничной смертностью (скорректированное отношение шансов (ОШ) 1,119 (часовая задержка), 95% доверительный интервал (ДИ) 1,103—1,136, p=0,001). Каждый час задержки в назначении антимикробных препаратов в течение последующих 6 ч связан со средним снижением выживаемости на 7,6%. Ко 2-му часу внутрибольничная летальность статистически значимо повышалась по сравнению с получением терапии в течение 1-го часа (ОШ 1,67; 95% ДИ 1,12—2,48). Таким образом, продемонстрировано, что интервал времени до начала эффективной антимикробной терапии являлся значимым предиктором исхода [3].

Предсказание неблагоприятных инцидентов и осложнений

Для большинства пациентов, находящихся на лечении в ОАРИТ, не столько основное заболевание может привести к неблагоприятному исходу, сколько развитие возможных осложнений. Зачастую малозаметные их признаки возникают за несколько часов до непосредственного развития жизнеугрожающих состояний, что не всегда очевидно клинически. В таких ситуациях многие осложнения могут быть распознаны по монотонному ухудшению инструментальных либо лабораторных показателей на протяжении длительного промежутка времени. Алгоритмы МО, которые в режиме реального времени анализируют данные, поступающие от прикроватного оборудования, могут быть настоящей панацеей для заблаговременного прогнозирования развития неблагоприятных инцидентов, создания возможности адекватной коррекции состояния пациента с целью избежать дальнейшего его ухудшения.

В исследовании, проведенном в междисциплинарном отделении интенсивной терапии на 60 коек Бернской университетской клиники (Швейцария), принимающем >6500 пациентов в год, разработан основанный на методах МО алгоритм, предупреждающий клиницистов об угрозе развития недостаточности кровообращения за 8 ч до предполагаемого неблагоприятного инцидента. Обработка данных, подготовка моделей и анализ проводились на кафедрах компьютерных наук, а также биосистемной науки и техники в ETH Zürich (Швейцария).

Цель исследования состояла в том, чтобы оценить гемодинамику в клиническом контексте, сосредоточив внимание на доле случаев недостаточности кровообращения, которые система способна обнаружить, и частоте ложных тревог. Точность модели определена как доля сигналов тревоги, которые правильно предсказывают наступление события (период недостаточности кровообращения) в течение последующих 8 ч. Для проспективной регистрации информации о состоянии здоровья пациента, измерения параметров функций органов, результатов лабораторных анализов и параметров лечения от поступления в ОАРИТ до выписки использовали данные пациентов (всего 9040 в возрасте от 16 до 100 лет (240 пациентов в год), из них более 1000 пациентов тестовой системы circEWS GMB MIMIC), включенных в исследование после внедрения электронной системы управления данными пациентов (PDMS; GE Centricity Critical Care, General Electrics, Хельсинки, Финляндия) с 2008 г. по август 2016 г.

Для оценки эффективности прогнозирования использовали регистрацию клинических показателей состояния кровообращения. Из 175 получаемых от пациента параметров определены 17 основных, 3 опорных: уровень лактата (в артериальной и венозной крови), уровень среднего артериального давления (АДср) и применение вазоактивных/инотропных препаратов. Использовали 6 основных статистических характеристик пациента: возраст, показатель хирургической госпитализации, показатель экстренной госпитализации, тяжесть состояния по шкале APACHE, рост и пол, которые объединены во временную сетку выборки.

При использовании МО для разработки системы раннего предупреждения о недостаточности кровообращения на основе базы данных показателей интенсивной терапии высокого разрешения установили, что автоматическая система (МО) предсказывала 90,0% случаев развития недостаточности кровообращения (распространенность 3,1%), причем наступление 81,8% случаев выявлялось за более чем 2 ч до инцидента [5].

A. Meyer и соавт. разработали и протестировали алгоритмы МО для предсказания трех наиболее распространенных/характерных типов осложнений, возникающих после операций на открытом сердце: постоперационного кровотечения с необходимостью оперативной ревизии, почечной недостаточности с необходимостью заместительной почечной терапии, летального исхода. В качестве базовой модели использована рекуррентная нейронная сеть, обученная на данных 47 559 пациентов. Данные включали общие сведения о пациенте (4 признака), информацию о проведенной операции (9), витальные функции (11), газовый состав артериальной крови (9), лабораторные анализы (17), жидкостный баланс (2). Качество построенных моделей сравнивалось по базовым метрикам (точность, чувствительность, полнота и др.) с тремя основными шкалами, используемыми для оценки состояния пациентов:

1) клиническое правило послеоперационного кровотечения (Clinical rule for postoperative bleeding, Bojar) для случая кровотечения;

2) упрощенная оценка острого физиологического состояния (Simplified Acute Physiology Score II, SAPS II) — для летальности;

3) заболевание почек: улучшение глобальных результатов (Kidney Disease: Improving Global Outcomes, KDIGO) — для почечной недостаточности.

Во всех трех случаях качество прогнозов, даваемых алгоритмами МО [6], оказалось значительно выше. Так, доля правильных ответов возросла не меньше чем на 17%.

Исследование C. Subbe и соавт., проведенное в университетской клинике Великобритании, направлено на изучение и возможность предотвращения «запоздалой реакции на клиническое ухудшение» состояния пациентов ОАРИТ при внедрении методов электронной автоматизированной консультативной системы (ЭАКС) мониторинга и оповещения жизненно важных показателей. В результате обследованы 2139 пациентов до (ретроспективно контрольная группа) и 2263 — после внедрения. При применении ЭАКС количество уведомлений о «запоздалой реакции на клиническое ухудшение» увеличилось с 405 до 524 (p=0,001), причем больше уведомлений вызвано инфузионной нагрузкой, применением бронходилататоров и антибиотиков. Кроме того, несмотря на увеличение числа пациентов с приказами «не пытайтесь реанимировать» (с 99 до 135; p=0,047), количество летальных исходов снизилось со 173 до 147 (p=0,042), а остановка сердца уменьшилась с 14 до 2 случаев (p=0,002). Наконец, тяжесть заболевания у пациентов, поступивших в ОАРИТ, снижена средняя оценка острого физиологического и хронического состояния здоровья II балла: 26 (SD 9) по сравнению с 18 (SD 8), как и летальность (от 45% до 24%; p=0,04) [7]. Такое раннее прогнозирование неблагоприятных инцидентов позволяет существенно улучшить качество оказания помощи и снизить расходы на ее проведение.

Машинное обучение и коррекция лабораторного контроля

Одним из неотъемлемых инструментов в динамическом наблюдении за пациентами в ОАРИТ является своевременный лабораторный контроль. При этом возникает необходимость соблюдать баланс между ожидаемой пользой от того или иного лабораторного показателя для принятия клинического решения по данному тесту и затратами или риском, которые он представляет для пациента. Для оптимизации данного процесса также может успешно использоваться МО. Об этом свидетельствуют данные исследования, проведенного в Принстонском университете, США (Department of Electrical Engineering, Department of Computer Science, Center for Statistics and Machine Learning, Princeton University).

Основой исследования являлось извлечение интересующей когорты лабораторных тестов из базы данных MIMIC III [8], которая включала в себя деидентифицированные данные о критической помощи при более чем 58 000 госпитализаций. Из этой базы данных сперва отбирали взрослых пациентов с, по крайней мере, одним зарегистрированным измерением для каждого из 20 жизненно важных показателей и лабораторных тестов, обычно заказываемых и проверяемых клиницистами (например, результаты, сообщаемые в анализе биохимических показателей или кислотно-основного состояния крови). Далее данные о пациентах фильтровали по продолжительности их пребывания, учитывая только тех, кто находится в отделении интенсивной терапии в течение от 1 до 20 дней, и, таким образом, сформировали основную группу из 6 060 наблюдений.

Из 20 оцениваемых физиологических признаков определили 8, которые более точно предсказывали начало тяжелого сепсиса, септического шока или острой почечной недостаточности, оценку SIRS (синдрома системного воспалительного ответа) и SOFA (последовательная оценка органной недостаточности) [2, 9]: частота дыхания в 1 мин, частота сердечных сокращений в 1 мин, АДср, температура тела, уровень креатинина и мочевины в сыворотке крови, содержание лейкоцитов в крови, уровень лактата. Из этих 8 признаков первые 3 являлись жизненно-важными показателями, измеряемыми с помощью систем прикроватного мониторинга, которые регистрировались ежечасно; последние 4 являлись лабораторными, требующими инвазивного вмешательства, и обычно измерялись 2—3 раза в сутки. С учетом того, что частота назначений их варьировала в разных лабораториях и ОАРИТ, разработан алгоритм, основанный на структуре многовыходового гауссовского процесса (MOGP — Multiple OUTPUT Gaussian Process) [2] для получения ежечасных прогнозов состояния пациента с количественной неопределенностью по 17 из 20 клинических признаков (всего проанализировано более 800 000 шагов). Для прогнозирования выбраны параметры, входящие в шкалу оценки тяжести состояния SOFA. Это мотивировалось тем, что на практике сепсис чаще распознается по сопутствующей органной недостаточности, чем по непосредственному выявлению самой инфекции [10]. Прирост по SOFA 2 баллов и более считался критическим показателем для развития сепсиса [5] и являлся предиктором для лабораторного контроля. В разработанной математической модели учитывались не только рассчитанная тяжесть состояния и его динамика в зависимости от изменения предпринимаемой терапии или вмешательства, но и условная стоимость лабораторного теста.

После того, как внедрено МО в тестовой группе, сформированы следующие рекомендации по лабораторному контролю: основное внимание необходимо акцентировать на данных, получаемых с прикроватного оборудования (частота дыхания, частота сердечных сокращений, уровень АДср), так как их динамика позволяет раньше предопределить развитие критических инцидентов (показания к диализу, необходимость перевода на ИВЛ); лабораторный контроль основных показателей следует проводить не чаще 1 раза в 24-часовой интервал, если нет прироста по SOFA >2 баллов в течение 1 ч, и только в случае увеличения оценки по SOFA >2 баллов в течение 1 ч необходимы контроль уровня лактата и дальнейшая расширенная лабораторная диагностика [11]. Тем самым показана необоснованность рутинного лабораторного контроля у всех пациентов в ОАРИТ 3—4 раза в сутки, что снижает не только затраты на проводимое лечение, но и высокую информационную нагрузку на клинициста. Например, в случае рекомендации о назначении определения уровня лейкоцитов крови в тестовом наборе достигнуто общее снижение такого назначения на 44% по сравнению с контрольной группой, при назначении анализа для определения уровня лактата крови — на 27%. Все это позволяет оптимизировать подходы к диагностическим мероприятиям в интенсивной терапии.

Имеется ряд сообщений о разработке алгоритмов МО и эффективном внедрении их в клиническую практику ОАРИТ, направленных на прогнозирование необходимости госпитализации, 30- и 90-дневной выживаемости, вариантов медикаментозной терапии, длительности аппаратной вентиляции, возможных сроков перевода из отделений интенсивной терапии, летальности при различных патологиях и т.п. [5, 12—14]. Каждый из них дает возможность клиническим специалистам использовать современный инструмент МО для повышения качества проводимой терапии, что влияет в первую очередь на выживаемость пациентов, длительность пребывания в ОАРИТ и стационаре и, что немаловажно, на стоимость лечения. Кроме того, демонстрируется возможность сбора и анализа большого количества данных с созданием условий в помощи принятия клинических решений, создания статистических отчетов и выявления закономерностей.

Искусственный интеллект и машинное обучение

ИИ, МО и большие данные — технологии, которые кардинально изменили нашу жизнь за последние 10 лет, проникнув во многие сферы деятельности человека. В этом разделе мы разберем, что же такое МО, чем оно отличается от ИИ и зачем нужны большие данные.

ИИ (англ. Artificial Intelligence, AI) — это научное направление, в рамках которого создаются системы, способные решать творческие задачи, раньше считавшиеся прерогативой человека. Примерами таких задач являются распознавание изображений и речи, написание текстов и музыки, выявление закономерностей. Принято выделять сильный и слабый ИИ. Сильный ИИ может приобрести способность мыслить и осознавать себя как отдельную личность, т.е. обладать «сознанием». Сама возможность создания сильного ИИ активно обсуждается среди ученых и до сих пор является спорной. Слабый ИИ не обладает «сознанием», но может решать поставленные перед ним задачи так же хорошо, как и человек, а возможно, даже лучше.

МО (англ. machine learning, ML) является одним из способов создания слабого ИИ. По сути МО возникло на стыке статистики, теории вероятности и компьютерных наук. Главная концепция МО заключается в создании обучаемых параметрических моделей. Такие модели не выдают ответы, закодированные на этапе программирования, т.е. не действуют по заранее заложенному принципу вида «если..., то...». Вместо этого ответы модели зависят от ее внутренних параметров. Количество параметров в одной модели может достигать десятков миллионов. Значения этих параметров подбираются так, чтобы качество даваемых ответов было наилучшим. Что считать наилучшим качеством, зависит от конкретной задачи. Процесс подбора параметров называется обучением модели. После окончания процесса обучения параметры модели фиксируются, и теперь она может быть использована для получения ответов.

Многие модели и алгоритмы, успешно применяемые в МО, изобретены еще в середине XX века и даже ранее. Одним из примеров такой модели является линейная регрессия, т.е. пропорциональная зависимость одной величины от одной или более переменных. Проиллюстрируем это на следующем примере: мы измерим рост и массу тела у 50 взрослых здоровых мужчин. Нанесем каждое измерение на график в координатах рост—масса тела (рис. 2). Можно заметить, что точки образуют «облако», вытянутое из нижнего левого угла в правый верхний. Теперь проведем прямую линию, которая описывается уравнением y=ax+b, так, чтобы она проходила через середину этого облака, и примерно одинаковое количество точек лежало слева и справа от этой прямой. Выбор параметров a и b, при которых прямая наилучшим образом проходит через все облако точек, и будет процессом обучения выбранной линейной модели. Теперь мы можем воспользоваться этой моделью для предсказания массы тела человека по его росту. Для этого необходимо умножить рост на коэффициент пропорциональности a и добавить смещение b.

Рис. 2. Измерения массы тела и роста людей с нормальным индексом массы тела [16]. Сплошной линией показана аппроксимация линейной зависимостью.

На этом простом примере можно продемонстрировать несколько важных правил, которые справедливы для большинства моделей МО. Во-первых, модели зачастую дают не абсолютно точный прогноз, а лишь некоторое значение, которое может быть близко к истинному. Во-вторых, качество модели определяется качеством данных, на которых она обучена. Если использовать некачественные данные, то модель не сможет давать хорошие предсказания. В-третьих, усложнение модели (в разумных пределах) может повысить точность результатов. Например, учет дополнительных сведений об исследуемых (например, их пол или возраст), вероятно, может повысить точность предсказаний. И последнее — каждая модель МО имеет свою область применения. Модель, хорошо предсказывающая массу тела человека, вряд ли сможет хорошо предсказывать массу тела кошек или собак.

МО, несмотря на сравнительно молодой возраст, состоит из нескольких условно выделяемых разделов. Рассмотренный выше пример линейной регрессии является примером обучения с учителем (supervised learning). В таких задачах модель в процессе обучения получает как признаки объектов (в данном случае — рост), так и правильные ответы ко всем объектам (масса тела). Противоположная ситуация — обучение без учителя (unsupervised learning), когда модель получает только признаки объектов. Примером таких задач является поиск закономерностей в данных. К примеру, когда в 1854 г. в Лондоне вспыхнула эпидемия холеры, врач Джон Сноу, лечивший больных, нанес все известные ему случаи на карту Лондона. Оказалось, что все случаи не разбросаны случайным образом, а образуют кластеры вокруг нескольких водопроводных колонок, из которых заразившиеся брали воду. Так Джон Сноу смог установить, что причиной заражения является загрязненная вода, поступавшая в эти колонки (рис. 3) [15].

Рис. 3. Карта Джона Сноу, на которой отмечены кластеры вспышки холеры [15].

На стыке между обучением с учителем и обучением без учителя активно развиваются несколько областей, рассматривающие промежуточные случаи: метки есть, но они могут содержать ошибки (weakly-supervised learning), или метки есть только для части данных.

Как уже сказано, для обучения моделей МО необходимы данные, т.е. информация, относящаяся к решаемой задаче. Если мы хотим сделать классификатор картинок, который будет относить картинки к одной из возможных категорий, то нам необходимы примеры таких картинок и соответствующие метки, т.е. указание, к какой из категорий относится каждая из картинок. Для обучения одной модели могут потребоваться тысячи и даже десятки тысяч примеров. Поэтому развитие МО и его повсеместное внедрение было бы невозможно без другой тесно связанной области — больших данных. Под большими данными обычно понимают не значительный объем информации, а методы работы с большими объемами информации. Таким образом, главным в этой области является не накопление сведений об окружающем мире, а выстраивание всего цикла работы с информацией: сбор, предобработка, хранение, поиск, выявление закономерностей и т.д.

Традиционно цикл построения систем МО состоит из цикла последовательных этапов (рис. 4). Самым первым этапом является анализ задачи, который включает в себя постановку цели, оценку ситуации, определение цели сбора данных и разработку плана. Затем следует этап анализа данных, во время которого данные собираются, описываются и анализируются. После этого наступает этап подготовки данных, на котором осуществляются необходимая подвыборка данных, их очистка и форматирование. На следующем этапе — создание модели — выбирается один или несколько алгоритмов МО, которые непосредственно обучаются на предподготовленных данных. После этого следует этап оценки качества модели, на котором эксперты должны дать свое заключение — готова ли созданная модель для использования в реальных условиях? Если качество модели удовлетворяет заданным критериям, то модель передается для внедрения непосредственно в организацию с целью решения задач, для которых она создавалась.

Рис. 4. Диаграмма процесса создания систем машинного обучения [13].

Иначе цикл повторяется вновь с этапа постановки задачи. Следует отметить, что описанный цикл в общих чертах совпадает с этапами прикладной научно-исследовательской работы.

Качество обученных моделей оценивается с помощью так называемых метрик — численных оценок способности модели предсказывать правильные ответы на данных, которые они не видели в процессе обучения. Выбор конкретной метрики зависит от задачи и выбранного алгоритма МО. Например, в задачах бинарной классификации (т.е. предсказания одного из двух возможных вариантов ответа — да/нет) наиболее распространены следующие метрики:

— доля правильных ответов (accuracy);

— точность (precision) — доля правильно предсказанных ответов среди всех предсказанных положительных ответов. Пример: доля действительно больных пациентов среди всех пациентов, которым установлен данный диагноз;

— полнота (recall) — доля обнаруженных объектов среди всех объектов данного класса. Пример: доля пациентов с выявленным заболеванием среди всех пациентов, обследованных на наличие данного заболевания.

В реальных задачах зачастую невозможно добиться абсолютной точности предсказаний: модели с высокой точностью обладают малой полнотой, и наоборот. Поэтому в зависимости от решаемой задачи выбирается одна метрика, которая и будет оптимизироваться, либо идут на компромисс и выбирают их баланс. К примеру, в случае скрининговых обследований на наличие туберкулеза стоит максимизировать полноту, чтобы обнаружить как можно больше людей, страдающих этим заболеванием.

Хотя на первый взгляд МО и большие данные могут показаться загадочными, на самом деле они тесно связаны с традиционными статистическими моделями, которые узнаваемы для большинства клиницистов. Мы надеемся, что выяснение этих связей позволит демистифицировать эти методы и обеспечит набор разумных ожиданий относительно роли машинного обучения и больших данных в здравоохранении.

Выводы

Таким образом, современные цифровые технологии, включающие в себя применение алгоритмов машинного обучения и искусственного интеллекта в условиях отделений анестезиологии, реанимации и интенсивной терапии, позволяют:

1) повысить безопасность пациентов благодаря применению анализа накопленных клинических данных;

2) структурировать информационный поток для врача анестезиолога-реаниматолога, концентрируя его внимание в первую очередь на критически значимых показателях;

3) оптимизировать время в работе медицинского персонала за счет автоматизации рутинно выполняемых расчетов (например, анализ клинических данных и формирование объективной картины о состоянии конкретного пациента на основе расчета клинических шкал не требуют дополнительных трудозатрат);

4) улучшить логистику ведения пациентов с точки зрения соотношения необходимого и достаточного уровня диагностических вмешательств и достижения высокого качества оказания медицинской помощи;

5) моделировать процесс лечения.

Конфликт интересов: авторы являются сотрудниками компании Филипс.