КОНЦЕПЦІЇ СТВОРЕННЯ ІНТЕЛЕКТУАЛЬНОЇ МЕДИЧНОЇ СИСТЕМИ ДІАГНОСТИКИ ДЛЯ ДОПОМОГИ В РОБОТІ ТА НАВЧАННІ ЛІКАРІВ НА ОСНОВІ ШТУЧНОГО ІНТЕЛЕКТУ
DOI:
https://doi.org/10.32689/maup.it.2023.5.4Ключові слова:
діагностика, інтелектуальна інформаційна система, навчання, прогнозування, штучний інтелект.Анотація
Анотація. Стаття присвячена розвитку інтелектуальних медичних систем діагностики з використанням інформаційних систем та технологій. У статті представлено огляд сучасного стану і розвитку інформаційних систем, технологій та штучного інтелекту в медичній галузі, проаналізовано існуючи інтелектуальні системи діагностики в медицині та кардіології зокрема, доведено необхідність створення інтелектуальних систем для допомоги лікарям первинної ланки та кардіологам. Метою публікації було дослідити сучасний стан інтелектуальних медичних систем діагностики, проаналізувати недоліки таких систем, визначити доцільність створення нової системи діагностики та сформулювати принципи та критерії для її роботи. Науковою новизною статті є новий підхід для діагностики та лікування пацієнтів, а також навчання медичних працівників за допомогою інтелектуальної медичної системи на основі штучного інтелекту. Використовуючи передові алгоритми штучного інтелекту, система аналізує великі масиви даних, що охоплюють записи пацієнтів, медичну літературу і клінічні дані в режимі реального часу, щоб надати точну і своєчасну діагностичну інформацію. Інтелектуальна медична діагностична система працює як допоміжний інструмент, допомагаючи лікарям у процесі діагностики, пропонуючи уточнені пропозиції, визначаючи потенційні аномалії та рекомендуючи персоналізовані плани лікування. Використовуючи методи машинного та глибинного навчання, система постійно адаптується та розвивається, навчаючись на кожному діагностичному сценарії та вдосконалюючи свою точність прогнозування з часом. Завдяки інтерактивним симуляціям і навчальним модулям, заснованим на конкретних випадках, лікарі-початківці та практикуючі лікарі можуть брати участь у захоплюючих, реалістичних сценаріях, відточуючи свої діагностичні навички та розширюючи свою базу знань. До недоліків даної статті можна віднести лише теоретичний підхід до формування концепцій та задач до інтелектуальної медичної системи, огляд вже існуючих систем.
Посилання
Національне дослідження STEPS в Україні. URL: https://phc.org.ua/naukova-diyalnist/doslidzhennya/doslidzhennya-z-neinfekciynikh-zakhvoryuvan/nacionalne-doslidzhennya-steps-v-ukraini
Центр громадського здоров’я МОЗ України. Серцево-судинні захворювання – головна причина смерті українців. 2021. URL: https://phc.org.ua/naukova-diyalnist/doslidzhennya/doslidzhennya-z-neinfekciynikh-zakhvoryuvan/nacionalne-doslidzhennya-steps-v-ukraini
Коробка О. Практичні рекомендації щодо ведення пацієнтів з артеріальною гіпертензією. Кардіологія, Ревматологія, Кардіохірургія. 2020. № 4 (71) С. 25-27 URL: https://health-ua.com/multimedia/userfiles/files/2020/Cardio_4_2020/Cardio_4_2020_st25_27.pdf
Лисенко Г.І., Ященко О.Б. Медикаментозне лікування пацієнтів із артеріальною гіпертензією. 2011. Укр. Мед. Часопис, 3 (83) – V/VI. URL: https://api.umj.com.ua/wp/wp-content/uploads/2011/06/3002.pdf
Інтелектуальна інформаційна система. URL: https://pidru4niki.com/74257/informatika/intelektualna_informatsiyna_sistema
Висоцький А.А., Суріков О.О., Василюк-Зайцева С.В. Розвиток штучного інтелекту в сучасній медицині. 2023.Укр. Мед. Часопис 2 (154) – III/IV
Москаленко А. С. Інтелектуальна система підтримки прийняття рішень для радіонуклідної діагностики в кардіології. 2016. Радіоелектронні і комп’ютерні системи № 3. С. 49–55 URL: http://www.irbis-nbuv.gov.ua/cgi-bin/
irbis_nbuv/cgiirbis_64.exe?I21DBN=LINK&P21DBN=UJRN&Z21ID=&S21REF=10&S21CNR=20&S21STN=1&S21FMT=A
SP_meta&C21COM=S&2_S21P03=FILA=&2_S21STR=recs_2016_3_8
Betancur J., Commandeur F., Motlagh M. Deep Learning for Prediction of Obstructive Disease From Fast Myocardial Perfusion SPECT: A Multicenter Study. 2018. URL: https://www.jacc.org/doi/abs/10.1016/j.jcmg.2018.01.020
Kwon J.M., Lee S.Y., Jeon K.H., Lee Y. Deep Learning–Based Algorithm for Detecting Aortic Stenosis Using Electrocardiography. 2020. URL: https://www.ahajournals.org/doi/full/10.1161/JAHA.119.014717
Khurshid S., Friedman S., Reeder C. ECG-Based Deep Learning and Clinical Risk Factors to Predict Atrial Fibrillation. 2021. URL: https://www.ahajournals.org/doi/full/10.1161/CIRCULATIONAHA.121.057480
Zachi I. Attia, Kapa S., Lopez-Jimenez F. Screening for cardiac contractile dysfunction using an artificial intelligence–enabled electrocardiogram. 2019. URL: https://www.nature.com/articles/s41591-018-0240-2
Khurshid S., Friedman S., Pirruccello J.P. Deep Learning to Predict Cardiac Magnetic Resonance–Derived Left Ventricular Mass and Hypertrophy From 12-Lead ECGs. 2021. URL: https://www.ahajournals.org/doi/full/10.1161/CIRCIMAGING.120.012281
Arnaout R., Curran L., Zhao Y. An ensemble of neural networks provides expert-level prenatal detection of complex congenital heart disease. 2021. URL: https://www.nature.com/articles/s41591-021-01342-5%C2%A0