cardiotomskСибирский журнал клинической и экспериментальной медициныSiberian Journal of Clinical and Experimental Medicine2713-29272713-265XTSU publishing10.29001/2073-8552-2025-40-1-209-217cardiotomsk-2649Research ArticleЦИФРОВЫЕ ТЕХНОЛОГИИ В МЕДИЦИНЕ И ЗДРАВООХРАНЕНИИDIGITAL TECHNOLOGIES IN MEDICINE AND HEALTHCAREОценка эффективности использования технологий искусственного интеллекта для скрининга заболеваний легких в муниципальной больницеEffectiveness of artificial intelligence for lung disease screening in a municipal hospitalhttps://orcid.org/0000-0002-3063-1538БородулинаЕ. А.BorodulinaE. A.

Бородулина Елена Александровна, д-р мед. наук, профессор, заведующий кафедрой фтизиатрии и пульмонологии

443099, Самара, ул. Чапаевская, 89

Elena А. Borodulina, Dr. Sci. (Med.), Professor, Head of the Department of Phthisiology and Pulmonology

89, Chapaevskaya str., Samara, 443099

borodulinbe@yandex.ruhttps://orcid.org/0009-0001-4879-1521ГогоберидзеЮ. Т.GogoberidzeY. T.

Гогоберидзе Юрий Тенгизович, старший инженер-разработчик

422980, Республика Татарстан, Чистополь, ул. К. Маркса, 135

Yuri T. Gogoberidze, Senior Development Engineer

135, K. Marksa str., Chistopol, 422980, Republic of Tatarstan

gut@vector.ruhttps://orcid.org/0009-0008-2391-3714ПросвиркинИ. А.ProsvirkinI. A.

Просвиркин Илья Александрович, канд. техн. наук, ИТ-директор

422980, Республика Татарстан, Чистополь, ул. К. Маркса, 135

Ilya A. Prosvirkin, Cand. Sci. (Techn.), IT Director

135, K. Marksa str., Chistopol, 422980, Republic of Tatarstan

pia@vector.ruhttps://orcid.org/0000-0002-8847-9831БородулинБ. Б.BorodulinB. B.

Бородулин Борис Борисович, канд. техн. наук, инженер-программист, центр дистанционных образовательных технологий, ИПО

443099, Самара, ул. Чапаевская, 89

Boris B. Borodulin, Cand. Sci. (Techn.), Software Engineer, Center for Distance Educational Technologies of the Institute of Postgraduate Education

89, Chapaevskaya str., Samara, 443099

borodulinbb@gmail.comhttps://orcid.org/0000-0003-0039-6829ВдоушкинаЕ. С.VdoushkinaE. S.

Вдоушкина Елизавета Сергеевна, канд. мед. наук, доцент, кафедра фтизиатрии и пульмонологии

443099, Самара, ул. Чапаевская, 89

Elizaveta S. Vdoushkina, Cand. Sci. (Med.), Associate Professor, Department of Phthisiology and Pulmonology

89, Chapaevskaya str., Samara, 443099

chumanovaliza@mail.ruhttps://orcid.org/0000-0002-2546-1837ПоваляеваЛ. В.PovalyaevaL. V.

Поваляева Людмила Викторовна, канд. мед. наук, доцент, кафедра фтизиатрии и пульмонологии

443099, Самара, ул. Чапаевская, 89

Ludmila V. Povalyaeva, Associate Professor, Department of Phthisiology and Pulmonology

89, Chapaevskaya str., Samara, 443099

povalyaevalv8@rambler.ruhttps://orcid.org/0000-0003-4209-3025ЖилинскаяК. В.ZhilinskayK. V.

Жилинская Кристина Васильевна, ординатор, кафедра фтизиатрии и пульмонологии

443099, Самара, ул. Чапаевская, 89

Kristina V. Zhilinskaya, Medical Resident, Department of Phthisiology and Pulmonology

89, Chapaevskaya str., Samara, 443099

kristizhilinskay@gmail.comhttps://orcid.org/0009-0004-1259-3269ПоваляевЕ. И.PovalyaevE. I.

Поваляев Егор Игоревич, студент 6-го курса

443030, Самара, ул. Чкалова, 100

Egor I. Povalyaev, 6th-year Student

100, Chkalova str., Samara, 443030

egor_63_crazy@mail.ruhttps://orcid.org/0000-0001-6716-856XКарасьС. И.KarasS. I.

Карась Сергей Иосифович, д-р мед. наук, доцент, специалист отдела координации научной и образовательной деятельности

634012, Томск, ул. Киевская, 111а

 

Sergey I. Karas, Dr. Sci. (Med.), Associate Professor, Specialist of Department for Research and Training Coordination

111a, Kievskaya str., Tomsk, 634012

ksi@cardio-tomsk.ruСамарский государственный медицинский университет Министерства здравоохранения Российской Федерации (СамГМУ Минздрава России)РоссияSamara State Medical University of the Ministry of Health of the Russian Federation (SAMSU)Russian FederationОбщество с ограниченной ответственностью «ФтизисБиоМед» (ООО «ФтизисБиоМед»)РоссияCompany “FtizisBioMed”Russian FederationЧастное учреждение образовательная организация высшего образования Медицинский университет «Реавиз»РоссияPrivate Institution Educational Organization of Higher Education “Medical University “Reaviz”Russian FederationНаучно-исследовательский институт кардиологии, Томский национальный исследовательский медицинский центр Российской академии наук (НИИ кардиологии Томского НИМЦ)РоссияCardiology Research Institute, Tomsk National Research Medical Center, Russian Academy of Sciences, (Cardiology Research Institute, Tomsk NRMC)Russian Federation202513042025401209217Copyright © Бородулина Е.А., Гогоберидзе Ю.Т., Просвиркин И.А., Бородулин Б.Б., Вдоушкина Е.С., Поваляева Л.В., Жилинская К.В., Поваляев Е.И., Карась С.И., 20252025Бородулина Е.А., Гогоберидзе Ю.Т., Просвиркин И.А., Бородулин Б.Б., Вдоушкина Е.С., Поваляева Л.В., Жилинская К.В., Поваляев Е.И., Карась С.И.Borodulina E.A., Gogoberidze Y.T., Prosvirkin I.A., Borodulin B.B., Vdoushkina E.S., Povalyaeva L.V., Zhilinskay K.V., Povalyaev E.I., Karas S.I.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.sibjcem.ru/jour/article/view/2649Актуальность

Актуальность. Для организации скрининговых обследований населения на туберкулез легких разработаны и зарегистрированы сервисы, основанные на применении технологий искусственного интеллекта (ИИ-сервисы).

Цель

Цель: оценить диагностические метрики и производительность ИИ-сервиса производства ООО «ФтизисБиоМед» как системы поддержки принятия врачебных решений (СППВР) в рамках рутинной клинической практики в муниципальной больнице.

Материал и методы

Материал и методы. Индекс-тест проводили на программном обеспечении «Программа автоматизированного анализа цифровых рентгенограмм органов грудной клетки / флюорограмм по ТУ 62.01.29-001-96876180-2019».

Результаты

Результаты. Индекс-тест ИИ-сервиса как СППВР показал высокие значения операционных характеристик (чувствительность 96%, специфичность 61%), значительную экономию времени, затраченного на формирование заключений, высокую скорость передачи данных. Выбор оптимальной точки разделения для проведения скрининга целесообразен на основе метрики максимизации прогностической ценности отрицательного результата (максимизации чувствительности). При сравнении диагностической эффективности решений ИИ-сервиса и врачей показано, что площадь под ROC-кривой заключений ИИ-сервиса (0,91–0,93) не уступает аналогичному показателю квалифицированных врачей-рентгенологов (0,78–0,91, согласно данным литературы).

Обсуждение

Обсуждение. Использование ИИ-сервиса позволяет значительно экономить время, необходимое для анализа одного рентгеновского снимка, что особенно важно для быстрой диагностики в рамках скрининговых программ. Использование ИИ-сервиса с высокой диагностической эффективностью расширяет возможности рентгенологов и свидетельствует о переходе на новый уровень качества оказания медицинской помощи. Высокая скорость передачи данных позволяет улучшить координацию между медицинским персоналом и обеспечивает более оперативное принятие решений в отношении пациентов.

Выводы

Выводы. Выявление патологических изменений на рентгенограммах пациентов с применением ИИ-сервиса имеет высокую диагностическую эффективность и может быть использовано в рамках программ скрининга населения на заболевания легких.

Background

Background. To organize screening of the population for pulmonary tuberculosis, services based on the use of artificial intelligence technologies (AI services) have been developed and registered.

Aim

Aim: To evaluate diagnostic metrics and performance of the AI-service as medical decision support system within the framework of routine clinical practice at the scale of a municipal hospital.

Material and Methods

Material and Methods. The index test was conducted using the software “Automated analysis program for digital chest X-ray/ fluorography images according to TU 62.01.29-001-96876180-2019” produced by LLC “PhthisisBiomed”.

Results

Results. The index test of the AI service as a system for supporting medical decision-making showed high values of operational characteristics (sensitivity 96%, specificity 61%), significant savings in the time spent on forming conclusions, and high data transfer rate. The choice of the optimal separation point for screening is reasonably based on the metric of maximizing the predictive value of a negative result (sensitivity maximization). When comparing the diagnostic efficiency of AI-service solutions and physicians, it is shown that the area under the ROC curve of AI-service conclusions (0.91–0.93) is not inferior to that of qualified radiologists (0.78-0.91 according to the literature.

Discussion

Discussion. The use of AI service allows to significantly save the time required to analyze one X-ray image, which is especially important for rapid diagnostics within the framework of screening programs. The use of AI service with high diagnostic efficiency expands the capabilities of radiologists and indicates a transition to a new level of quality of medical care. High speed data transfer allows for better coordination between medical staff and enables faster decision-making for patients.

Conclusions

Conclusions. Detection of pathological changes on radiographs of patients using AI-service has high diagnostic efficiency and can be used within the framework of population screening programs for lung diseases.

искусственный интеллектWeb-сервисфлюорограммарентгенограммазаболевания легкихраспознавание изображенийпринятие диагностических решенийпрограммы скринингаartificial intelligenceWebservicefluorographyX-raylung diseasesimage recognitiondiagnostic decision makingscreening programРабота выполнена в рамках комплексной научной темы кафедры фтизиатрии и пульмонологии ФГБОУ ВО «Самарский государственный медицинский университет» Министерства здравоохранения Российской Федерации «Поражение легких инфекционной этиологии. Совершенствование методов выявления, диагностики и лечения» (14.05.2021 г.)The work was performed within the framework of a comprehensive scientific topic of the Department of Phthisiology and Pulmonology of the Federal State Budgetary Educational Institution of Higher Education "Samara State Medical University" of the Ministry of Health of the Russian Federation “Lung lesion of infectious etiology. Improvement of methods of detection, diagnosis and treatment” (05.14.2021)ReferencesАфанасьева Е.Н. Искусственный интеллект и «большие данные» в здравоохранении: области применения и гражданско-правовое регулирование. Юридическая наука и практика. 2020;16(3):40–49. https://doi.org/10.25205/2542-0410-2020-16-3-40-49Afanasyeva E. N. Artificial Intelligence and Big Data in Healthcare: Applications and Legal Regulation. Juridical Science and Practice. 2020;16(3):40–49. (In Russ.). https://doi.org/10.25205/2542-0410-2020-16-3-40-49Гольдина Т.А., Бурмистров В.А., Ефименко И.В., Хорошевский В.Ф. Искусственный интеллект в здравоохранении: real world data и patient voice – готовы ли мы к новым реалиям? Медицинские технологии. Оценка и выбор. 2021;2(43):22–31. https://doi.org/10.17116/medtech20214302122.Goldina TA, Burmistrov VA, Efimenko IV, Khoroshevskiy V.F. Artificial Intelligence in Healthcare: Real World Data and Patient Voice – Are We Ready for New Realities? Medical Technologies. Assessment and Choice. 2021;43(2):22–31. (In Russ.). https://doi.org/10.17116/medtech20214302122.Аликперова Н.В. Искусственный интеллект в здравоохранении: риски и возможности. Здоровье мегаполиса. 2023; 4(3):41–49. Alikperova N.V. Artificial intelligence in healthcare: risks and opportunities. Health of the megapolis. 2023;4(3):41–49. (In Russ.). https://doi.org/10.47619/2713-2617.zm.2023.v.4i3;41–49Alikperova N.V. Artificial intelligence in healthcare: risks and opportunities. Health of the megapolis. 2023;4(3):41–49. (In Russ.). https://doi.org/10.47619/2713-2617.zm.2023.v.4i3;41–49Melendez J. Sánchez C.I. Philipsen R.H., Maduskar P., Dawson R., Theron G. et al. An automated tuberculosis screening strategy combining X-ray-based computer-aided detection and clinical information. Sci. Rep. 2016;29(6):25265. https://doi.org/10.1038/srep25265Melendez J. Sánchez C.I. Philipsen R.H., Maduskar P., Dawson R., Theron G. et al. An automated tuberculosis screening strategy combining X-ray-based computer-aided detection and clinical information. Sci. Rep. 2016;29(6):25265. https://doi.org/10.1038/srep25265Rahman M.T., Codlin A.J., Rahman M.M., Nahar A., Reja M., Islam T. et al. An evaluation of automated chest radiography reading software for tuberculosis screening among public- and private-sector patients. Eur. Respir. 2017:49. https://doi.org/10.1183/13993003.02159-2016Rahman M.T., Codlin A.J., Rahman M.M., Nahar A., Reja M., Islam T. et al. An evaluation of automated chest radiography reading software for tuberculosis screening among public- and private-sector patients. Eur. Respir. 2017:49. https://doi.org/10.1183/13993003.02159-2016Lakhani P., Sundaram B. Deep learning at chest radiography: automated classification of pulmonary tuberculosis by using convolutional neural networks. Radiology. 2017;284(2):574–582. https://doi.org/10.1148/radiol.2017162326Lakhani P., Sundaram B. Deep learning at chest radiography: automated classification of pulmonary tuberculosis by using convolutional neural networks. Radiology. 2017;284(2):574–582. https://doi.org/10.1148/radiol.2017162326Jaeger S., Juarez-Espinosa O.H., Candemir S., Poostchi M., Yang F., Kim L. et al. Detecting drug-resistant tuberculosis in chest radiographs. Int. J. Comput. Assist. Radiol. Surg. 2018;13(12):1915–1925. https://doi.org/10.1007/s11548-018-1857-9Jaeger S., Juarez-Espinosa O.H., Candemir S., Poostchi M., Yang F., Kim L. et al. Detecting drug-resistant tuberculosis in chest radiographs. Int. J. Comput. Assist. Radiol. Surg. 2018;13(12):1915–1925. https://doi.org/10.1007/s11548-018-1857-9Vajda S., Karargyris A., Jaeger S., Santosh Kc., Candemir S., Xue Zh. et al. Feature selection for automatic tuberculosis screening in frontal chest radiographs. J. Med. Syst. 2018;42(8):146. https://link.springer.com/article/10.1007/s10916-018-0991-9Vajda S., Karargyris A., Jaeger S., Santosh Kc., Candemir S., Xue Zh. et al. Feature selection for automatic tuberculosis screening in frontal chest radiographs. J. Med. Syst. 2018;42(8):146. https://link.springer.com/article/10.1007/s10916-018-0991-9Мирошниченко С.И., Коваленко Ю.Н., Чернецов В.Б. Замена флюорографии на скрининговую цифровую рентгенографию. Поликлиника. 2016;6:19–22.Miroshnichenko S.I., Kovalenko Yu.N., Chernetsov V.B. Replacing fluorography with screening digital radiography. Polyclinic. 2016;6:19–22. (In Russ.).Арзамасов К.М., Семенов С.С., Кокина Д.Ю., Бобровская Т.М., Павлов Н.А., Кирпичев Ю.С. и др. Критерии применимости компьютерного зрения для профилактических исследований на примере рентгенографии и флюорографии органов грудной клетки. Медицинская физика. 2022;4(96):56. https://doi.org/10.52775/1810-200X-2022-96-4-56-63Arzamasov K.M., Semenov S.S., Kokina D.Yu., Bobrovskaya T.M., Pavlov N.A., Kirpichev Yu.S. et al. Criteria for the applicability of computer vision for preventive studies using the example of X-ray and fluoroscopy of the organs of the chest. Medical physics. 2022;4:96:56. (In Russ.). https://doi.org/10.52775/1810-200X-2022-96-4-56-63Гусев А., Морозов С., Лебедев Г., Владзимирский А., Зинченко В., Шарова Д. и др. Развитие искусственного интеллекта в здравоохранении в России. Справочная библиотека интеллектуальных систем. 2021:259–279.Gusev A., Morozov S., Lebedev G., Vladzimirsky A., Zinchenko V., Sharova D., et al. The development of artificial intelligence in healthcare in Russia. The reference library of intelligent systems. 2021:259–279. (In Russ.).Гогоберидзе Ю.Т., Классен В.И., Натензон М.Я., Просвиркин И.А., Владзимирский А.В., Шарова Д.Е. и др. Искусственный медицинский интеллект «ФтизисБиоМед». Программа автоматизированного анализа цифровых рентгенограмм органов грудной клетки/ флюорограмм. СТМ. 2023:15:5. https://doi.org/10.17691/stm2023.15.4.01Gogoberidze Y.T., Klassen V.I., Natenzon M.Y., Prosvirkin I.A., Vladzimirsky A.V., Sharova D.E., et al. PhthisisBioMed artificial medical intelligence: software for automated analysis of digital chest x-ray/fluoro grams. Sovremennye tehnologii v medicine. 2023;15(4):5. (In Russ.). https://doi.org/10.17691/stm2023.15.4.01Hwang E.J., Park S., Jin K., Kim J.I., Choi S.Y., Lee J.H. et al. Development and validation of a deep learning-based automated detection algorithm for major thoracic diseases on chest radiographs. JAMA Netw. Open. 2019;2(3):191095. https://doi.org/10.1001/jamanetworkopen.2019.1095Hwang E.J., Park S., Jin K., Kim J.I., Choi S.Y., Lee J.H. et al. Development and validation of a deep learning-based automated detection algorithm for major thoracic diseases on chest radiographs. JAMA Netw. Open. 2019;2(3):191095. https://doi.org/10.1001/jamanetworkopen.2019.1095

The authors declare that there are no conflicts of interest present.