Пронькин А.А.
ЭКСПЕРТНАЯ СИСТЕМА С ЭЛЕМЕНТАМИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ДИАГНОСТИКИ И УЧЕТА ПАЦИЕНТОВ *
Аннотация:
в статье рассмотрены вопросы синтеза архитектуры экспертной системы с элементами искусственного интеллекта для диагностики и учета пациентов в медицинской отрасли. Система разработана с использованием современных методов интеллектуального анализа, машинного обучения и технологий нейронных сетей. Основные компоненты системы включают модуль диагностики, базу данных пациентов и экспертную компоненту. Актуальность исследований в данной области обусловлена необходимостью разработка и внедрения автоматизированных диагностических систем с элементами искусственного интеллекта для улучшения качества и эффективности медицинского обслуживания. В статье рассмотрены перспективы дальнейшего развития и повышения функциональности системы. Практическое внедрение результатов исследований представляет собой вклад в область медицинской информатики и способствует дальнейшему развитию и применению интеллектуальных технологий в плане диагностики и учета пациентов.
Ключевые слова:
автоматизированные диагностические системы, медицинская диагностика, учёт пациентов, искусственный интеллект, машинное обучение, нейронные сети, экспертные системы
Введение. Современное развитие интеллектуальных технологий в рамках четвертой промышленной революции «Индустрия 4.0» подчеркивает роль и значение методов искусственного интеллекта в плане автоматизации и цифровой трансформации практически всех процессов человеческой жизнедеятельности. Актуальность интеллектуальных систем особенно важно в медицинской отрасли, где точность, скорость и эффективность диагностики могут иметь решающее значение для сохранения здоровья и жизни пациентов. Анализ исследований в данной области показывает, что применение искусственного интеллекта может увеличить точность диагностики. Результаты внедрения данных методов и технологий в ходе автоматизации и интеллектуализация лабораторий клинической диагностики за последние 4 года с 2021 по 2024гг позволяют прогнозировать среднегодовой темп роста точности диагностирования примерно на 5,6% в последующие несколько лет, начиная с 2025 года. В настоящее время медицинская отрасль сталкивается с проблемой больших данных, а именно с необходимостью обрабатывать огромные объемы информации от результатов лабораторных тестов до медицинских записей пациентов. Данную задачу практически невозможно выполнить вручную, но она решается в автоматизированных системах с использованием технологий больших данных и искусственного интеллекта. Одним из подходов является создание и внедрение экспертных систем с элементами искусственного интеллекта для диагностики и учета пациентов. Экспертные системы имитируют способность человека принимать решения на основе знаний и приобретенного опыта в конкретной области человеческой деятельности. Они полезны в медицинской сфере для помощи врачам в диагностике и лечении заболеваний.Разрабатываемая система использует современные технологии и методы искусственного интеллекта, включая машинное обучение и нейронные сети для обработки и анализа больших медицинских данных. Она позволяет автоматизировать процесс диагностики и учета пациентов, что значительно улучшает качество и эффективность медицинского обслуживания. Отметим, что несмотря на многочисленные преимущества, интеллектуальная экспертная система не может полностью подменить человеческий фактор при медицинском заключении по результатам диагностики. Результаты автоматизированного диагностирования могут играть рекомендательный характер для повышения оперативности и точности клинической диагностики, минимизации возможных медицинских ошибок. Система представляет инструмент, который помогает врачам и медицинскому персоналу выполнять работу более эффективно и качественно [16]. Целью разработки экспертной системы является исследование возможности и потенциала применения технологий искусственного интеллекта в области медицинской диагностике и учете пациентов, а также оценка дальнейшего развития ее архитектуры и функциональности. Результаты исследований и практического внедрения системы должны стать полезным вкладом в область медицинской информатики и способствовать широкому распространению и применению технологий искусственного интеллекта в данной отрасли.Теоретический обзор состояния исследований. Рассмотрим основные направления применения методов и технологий искусственного интеллекта в различных областях медицинской сферы деятельности. В статье [1] предлагается экспертная система с элементами искусственного интеллекта для диагностики сердечно-сосудистой системы. Авторы приводят пример использования моделей нечёткой логики для диагностики ее патологий. В работе [2] представлен опыт разработки и применения медицинского искусственного интеллекта (ИИ) на примере сервиса "ФтизисБиоМед". Авторы делятся результатами трехлетнего эксперимента, начиная с 2020 года, в ходе которого сервис был успешно внедрен в систему здравоохранения регионального уровня. Статья описывает методологию использования ИИ в реальной клинической практике. Интеллектуальный сервис "ФтизисБиоМед" успешно прошел клинические испытания на большом наборе данных и зарегистрирован как медицинское изделие. В следующей работе [3] рассматривается типология систем искусственного интеллекта для применения в медицинской сфере. Автор приходит к выводу, что системы искусственного интеллекта направлены на уменьшение числа врачебных ошибок при назначении курса лечения, постановки диагнозов, выполнении операций, совершенствовании процесса обучения студентов в ходе их подготовки к лечебной деятельности. В обзорной статье [4] исследуется применение методов искусственного интеллекта в урологической практике с целью выбора персонифицированного подхода к лечению мочекаменной болезни. Автор рассматривает использование математических моделей в виде искусственных нейронных сетей для выбора методов лечения и прогнозирования его результатов. Основным выводом исследований является то, что интеллектуальные системы могут значительно повысить эффективность и качество медицинской помощи, снизить количество врачебных ошибок и оптимизировать процесс обучения студентов медицинских специальностей. В другой работе [5] также представлен систематический обзор применения экспертных систем и технологий машинного обучения в клинической урологии. В статье оценивается возможность применения экспертных систем в урологических исследованиях для многовариантного анализа. С помощью метода PRISMA был проведен обширный поиск по семи ключевым источникам. Из более чем тысячи статей отобраны 712 подходящих, в которых анализируется применение 168 систем в области урологической онкологии, включая 31 систему с моделями искусственных нейронных сетей. Данные модели предназначены для диагностики и прогнозирования онкологических заболеваний. Еще одна работа [6] также рассматривает различные типы систем искусственного интеллекта для применения в урологии. Выводы по результатам исследований указывают на целенаправленность таких систем в плане снижения медицинских ошибок при постановке диагноза, назначении курса лечения и выполнении различных операций, а также на повышение качества подготовки студентов медицинских специальностей. В следующей статье [7] исследуется применение технологий искусственного интеллекта в гастроэнтерологии. Автор описывает основы правильной постановки диагноза, которые включают опыт, умение мыслить и действовать нестандартно в сложных ситуациях. Результаты исследований показывают, что система обобщения и классификации на основе интеллектуальных технологий позволяет свести огромное количество возможных ситуаций к небольшому числу типовых сценариев, на основе которых формируются решения или гипотезы. В работе [8] представлены принципы создания онтологической базы знаний для диагностики орфанных заболеваний на предклинической стадии. Предложенный подход опирается на модальности и уровни уверенности в отношении сроков проявления и выраженности симптомов для каждой клинической фазы развития болезни в конкретные возрастные периоды. Для реализации подхода создан прототип онтологической базы знаний и в работе подробно описывается процесс ее наполнения с применением метода МЕТЕОР.Еще одна обзорная статья [9] посвящена использованию методов искусственного интеллекта в гематологии. Автор поясняет, что искусственный интеллект включает в себя компьютерные технологии для решения задач, таких как распознавание изображений и голоса. Особое внимание уделяется машинному обучению и методам создания моделей на основе данных. Обзор представляет практические примеры применения искусственного интеллекта в гематологии и призывает исследователей и клиницистов к более глубокому изучению и пониманию этих технологий. В работе [10] представлено описание применения моделей искусственных нейронных сетей, а именно ANN нейросети, в медицинской диагностике для моделирования и анализа риска развития остеопороза у пациентов с сахарным диабетом. В статье [11] рассматривается как технологии ИИ могут быть применены в диагностике и оценке риска развития различных заболеваний, генетическом тестировании, прогнозировании вероятности беременности и оценке фертильности, анализе половых клеток, а также для выбора наилучших эмбрионов в программе экстракорпорального оплодотворения. Пример медицинской экспертной системы для постановки диагноза и назначения лекарств представлен в статье [12]. Данный проект направлен на компьютеризацию системы медицинской диагностики и для выписки рецептов в плане улучшения качества медицинских услуг. Другая экспертная система [13] применяется в области иммунологии и фокусируется на применении методов искусственного интеллекта для диагностики и лечения болезни Брутона. Для апробации системы авторы получили доступ к базе данных пациентов с этим редким заболеванием в сотрудничестве с детским мемориальным институтом здоровья в Варшаве. Анализ этих данных позволил представить данные о заболевании в виде деревьев решений, ято было использовано для создания экспертной системы. Такие системы могут оценить тяжесть заболевания на основе данных конкретного пользователя с высокой точностью, что подтверждается экспериментальными исследованиями.Результаты исследований, приведенные в обзорной статье [14], представляют собой систематический обзор литературы, обобщающий применение искусственного интеллекта для диагностики заболеваний. Обзор охватывает различные методы и техники для анализа медицинских данных и прогнозирования болезней. Описываются источники данных, такие как образовательные, генетические и медицинские базы данных. Результаты исследований сравниваются по различным критериям качества, таким как точность и чувствительность. В научной работе [15] обсуждается роль искусственного интеллекта в медицинской диагностике для принятия решений по результатам интервью с дерматологами, чтобы понять их ожидания от системы. Главным выводом статьи является то, что искусственный интеллект должен помогать врачам, а не заменять их. Материалы и методы. Предлагаемая система представляет собой комплексное решение, состоящее из нескольких ключевых компонентов (Рис. 1). Основными компонентами являются модуль диагностики, база данных пациентов и экспертная подсистема. Каждый из компонент играет свою роль в общей работе системы и взаимодействует с другими модулями.Рис. 1. Архитектура системы.Модуль диагностики является центральным элементом системы. Он реализует методы машинного обучения и нейронную сеть для анализа данных пациента и определения спектра возможных заболеваний. Для данного модуля разработана модель классификационной нейронной сети, которая обучена на наборе медицинских данных пациентов, симптомы и заболевания которых были диагностированы ранее. Нейронная сеть анализирует данные нового пациента и сравнивает их с симптоматикой и данными пациентов из обучающего набора, чтобы определить его наиболее вероятные заболевания. Модель нейронной сети была разработана для классификации состояний здоровья с помощью метода опорных векторов (Support Vector Machine, SVM) на языке программирования Python с использованием библиотек Pandas, scikit-learn и seaborn. Процесс построения модели начался с загрузки и предварительной обработки данных, включая обработку пропущенных значений и преобразование текстовых описаний симптомов в числовые значения. Данные были разделены на обучающий и тестовый наборы, после чего были проведена кросс-валидация и поиск сетки для оптимизации гиперпараметров модели. После обучения модели ее производительность оценивалась с помощью таких показателей, как F1 и точность, а также визуализировалась с помощью матрицы ошибок. Итоговая модель сохранялась в файле для последующего использования. Этот процесс моделирования обеспечивает точную классификацию медицинских состояний на основе симптомов пациента и является полезным инструментом для диагностики заболеваний (Рис. 2).Рис. 2. Взаимодействие системы с людьми.Для обучения модели использован набор данных "Прогнозирование симптомов заболевания". Данный набор позволяет создать систему прогнозирования заболеваний по симптомам. Обучение на основе данных может быть выполнено на различных моделях классификации. В нашем случае использовалась модель SVC (sklearn.svm.SVC). Данная модель представляет собой реализацию в scikit-learn метода опорных векторов для классификации. Формально модель поддерживает только бинарную классификацию, но благодаря поддерживаемой схеме one-vs-one позволяет реализовывать многоклассовую классификацию. После использования подхода для подбора параметров была определена наилучшая модель с точностью: F1-score = 99.48099565029264 | Accuracy = 99.45799457994579. Параметры модели: SVC(C=0.1, gamma=1, kernel='poly').Экспертная компонента системы представляет собой важный модуль, нацеленный на использование знаний и опыта врачей-экспертов для эффективного назначения медикаментов и лечебных процедур после диагностики пациентов. Результатом работы этого модуля являются ценные рекомендации, основанные на персонализированном плане лечения. Этот план включает в себя выбор методов лечения, профилактики, диспансеризации и реабилитации, опираясь на клинический диагноз, анализ данных пациента и сравнение с аналогичными случаями из базы данных.Для удобства работы пользователей программа интегрирована в веб-приложение, которое использует мощь Django и Django REST Framework для создания прикладного программного интерфейса. Внутри приложения присутствуют сериализаторы, обеспечивающие эффективную работу с данными (Рис. 3). Рис. 3. Диаграмма классов сериализации.Каждый сериализатор играет свою роль:AddDiseaseSerializer. Предназначен для добавления новых объектов модели DiseaseModel. Он определяет, какие поля могут быть сериализованы и десериализованы при создании или обновлении объекта болезни.DiseaseSerializer. Используется для представления объектов модели DiseaseModel в формате JSON, сериализуя все поля модели для удобства обработки.DiseaseTranslationSerializer. Этот сериализатор занимается созданием переводов болезней, принимая данные о имени перевода и идентификаторе болезни для создания нового объекта DiseaseTranslationModel.AddSymptomSerializer. Служит для добавления новых объектов модели SymptomModel, определяя, какие поля могут быть сериализованы и десериализованы при создании или обновлении объекта симптома.SymptomSerializer. Предназначен для представления объектов модели SymptomModel в формате JSON, сериализуя все поля модели для удобства работы с данными.SymptomTranslationSerializer. Отвечает за создание переводов симптомов, принимая данные о имени перевода и идентификаторе симптома для создания нового объекта SymptomTranslationModel.Две основные компоненты (нейронная сеть и экспертный модуль) являются элементами искусственного интеллекта. Они взаимодействуют друг с другом для эффективной работы в плане постановки медицинского диагноза и рекомендательного синтеза индивидуального плана лечения пациента. Модуль диагностики обрабатывает данные и результаты анализов пациента и определяет возможные заболевания. Эта информация передается в экспертный модуль, который использует ее для выработки рекомендаций по возможным методам лечения. После подтверждения правильности диагноза и назначенного плана лечения, данные пациента, результаты диагностики и план лечения сохраняются в базе данных для использования в дальнейшем в качестве обучающей выборки для нейронной сети и для сравнительного анализа при работе с новыми пациентами.Результаты. Как было показано ранее, в модуле диагностики работает предварительно обученная модель классификационной нейронной сети для анализа данных пациента и определения возможных заболеваний. Для реализации технологии машинного обучения применяются инструментальные средства PyTorch и Scikit Learn. PyTorch включает средства создания и обучения нейронных сетей, а Scikit Learn предлагает широкий спектр алгоритмов машинного обучения. Инструментальные средства позволяют создавать сложные нейросетевые модели для работы с большими объемами данных с целью выявления скрытых закономерностей.Процесс диагностики начинается с сбора данных о пациенте, включая его симптомы, историю болезней и результаты анализов. Эти данные обрабатываются модулем диагностики, который использует обученную нейронную сеть для определения вероятных заболеваний. Результаты представляются врачу для анализа и подтверждения правильности диагностики. В модуль диагностики встроены интерфейсы для взаимодействия с другими системами лечебного учреждения. Данные интерфейсы необходимы для интеграции с базой данных электронных медицинских карт пациентов, с электронной регистратурой и другими подсистемами. Интерфейсы позволяют модулю обмениваться информацией, что повышает точность и эффективность диагностики. Основной интерфейс модуля обеспечивает его взаимодействие с экспертной подсистемой. Экспертная подсистема играет ключевую роль в процессе рекомендательного синтеза плана персонализированного лечения пациента по результатам его диагностирования. Кроме информации их модуля диагностики, для выработки рекомендаций по лечению она использует знания и опыт врачей-экспертов, медицинские данные и историю лечения пациента, информацию об аналогичных клинических случаях. Таким образом, особенностью экспертной подсистемы является ее работа с большими данными. Для анализа аналогичных случаев в подсистеме реализован метод кластерного анализа для определения степени сходства данных и планов лечения множества пациентов с учетом их симптомов, историй болезней и результаты лабораторных анализов. Результаты кластеризации необходимы для сравнительного анализа результатов клинического диагноза пациента с похожими случаями, чтобы выбрать и рекомендовать наиболее эффективные стратегии лечения. Преимуществом экспертной подсистемы является способность к обучению. Система может обучаться в ходе накопления подтвержденных данных по выбранным методам лечения, повышая качество и эффективность в будущем. База данных пациентов является основным информационным компонентом, обеспечивающим учет и отслеживание состояния здоровья пациентов. Она содержит необходимую информацию о пациентах, включая историю болезней, результаты анализов, клинические диагнозы, планы лечения и т.д. В предложенной системе база данных разработана с использованием инструментария управления данными SQLite, который обеспечивает надежность и эффективность хранения данных с высокой производительностью и гибкостью. В базе данных хранятся различные виды медицинской информации, включая персональные данные пациентов, их медицинские карты и истории лечения, результаты анализов и лабораторных тестов, результаты диагностик и планы лечения. Информация используется для поддержки клинического процесса, включая мониторинг здоровья, диагностику, лечение, профилактику, диспансеризацию и реабилитацию пациентов.Обсуждение и заключение. В настоящее время разработан прототип системы, который непрерывно совершенствуется. В процессе дальнейшего развития выполняется повышение качества и точности работы модуля диагностики посредством постоянного переобучения нейронной сети на основе реальных медицинских данных. Производится расширение базы данных в ходе добавления данных новых пациентов и ее интеграция с другими медицинскими системами. Это позволяет реализовать более полный и точный учет состояния здоровья пациентов, обеспечить глубокую и точную диагностику. Система разрабатывается с использованием современных технологий Django, PyTorch/Scikit Learn и SQLite. Она относиться к системам рекомендательного класса и представляет важный шаг для внедрения автоматизированной технологии учета пациентов и более точной медицинской диагностики. Повышение точности диагностики приведет к улучшению качества ухода за пациентами, увеличению эффективности работы медицинского персонала и росту общего уровня здравоохранения в стране.В плане дальнейших исследований предполагается развитие и доработка компонент системы, что включает в себя модернизация алгоритмов диагностики, расширение базы данных пациентов и повышение качестве работы экспертной подсистем в ходе ее обучения, интеграция с другими медицинскими системами в конкретном лечебном учреждении. Результаты исследований необходимы для раскрытия потенциала и возможностей искусственного интеллекта в области медицинской диагностики.Финансирование: Исследование выполнено при поддержке Российского научного фонда (проект № 20-71-10087)
Номер журнала Вестник науки №4 (73) том 4
Ссылка для цитирования:
Пронькин А.А. ЭКСПЕРТНАЯ СИСТЕМА С ЭЛЕМЕНТАМИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ДИАГНОСТИКИ И УЧЕТА ПАЦИЕНТОВ // Вестник науки №4 (73) том 4. С. 635 - 650. 2024 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/14132 (дата обращения: 23.06.2025 г.)
Вестник науки © 2024. 16+