cardiotomskСибирский журнал клинической и экспериментальной медициныSiberian Journal of Clinical and Experimental Medicine2713-29272713-265XTSU publishing10.29001/2073-8552-2025-2706cardiotomsk-2706Research ArticleЦИФРОВЫЕ ТЕХНОЛОГИИ В МЕДИЦИНЕ И ЗДРАВООХРАНЕНИИDIGITAL TECHNOLOGIES IN MEDICINE AND HEALTHCAREСистема искусственного интеллекта для диагностики редких заболеваний: принципы построения и результаты клинической апробацииArtificial Intelligence System for Diagnosing Rare Diseases: Design Principles and Clinical Validation Resultshttps://orcid.org/0000-0002-3459-8851КобринскийБ. А.KobrinskiiB. A.

Кобринский Борис Аркадьевич, д-р мед. наук, профессор, заведующий отделом систем интеллектуальной поддержки принятия решений, ФИЦ ИУ РАН; профессор кафедры медицинской кибернетики и информатики им. С.А. Гаспаряна, Институт биомедицины (МБФ), РНИМУ им. Н.И. Пирогова Минздрава России 

119333, Москва, ул. Вавилова, 44, корп. 2; 117513, Москва, ул. Островитянова, 1, стр. 6т)

Boris A. Kobrinskii, Dr. Med. (Sci.), Professor, Head of the Department of Intelligent Decision Support Systems; Professor, S.A. Gasparyan Department of Medical Cybernetics and Informatics of the Institute of Biomedicine (MBF)

44, build. 2, Vavilova str., Moscow, 119333; 1, Bldg 6, Ostrovityanova str., Moscow, 117513

kba_05@mail.ruhttps://orcid.org/0000-0002-5293-8469БлагосклоновН. А.BlagosklonovN. A.

Благосклонов Николай Алексеевич, научный сотрудник, отдел систем интеллектуальной поддержки принятия решений, ФИЦ ИУ РАН; старший преподаватель, кафедра медицинской кибернетики и информатики им. С.А. Гаспаряна, Институт  биомедицины  (МБФ),  РНИМУ им. Н.И. Пирогова Минздрава России

119333, Москва, ул. Вавилова, 44, корп. 2; 117513, Москва, ул. Островитянова, 1, стр. 6

Nikolay A. Blagosklonov, Research Scientist, Department of Intelligent Decision Support Systems; Senior Lecturer, S.A. Gasparyan Department of Medical Cybernetics and Informatics of the Institute of Biomedicine (MBF)

44, build. 2, Vavilova str., Moscow, 119333; 1, Bldg 6, Ostrovityanova str., Moscow, 117513

nblagosklonov@frccsc.ruФедеральный исследовательский центр «Информатика и управление» Российской академии наук; Российский национальный исследовательский медицинский университет имени Н.И. Пирогова Министерства здравоохранения Российской Федерации (Пироговский Университет)РоссияFederal Research Center “Computer Science and Control” of the Russian Academy of Sciences; Pirogov Russian National Research Medical UniversityRussian Federation202513072025402218225Copyright © Кобринский Б.А., Благосклонов Н.А., 20252025Кобринский Б.А., Благосклонов Н.А.Kobrinskii B.A., Blagosklonov N.A.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/2706Введение

Введение. Дифференциальная диагностика редких болезней на долабораторном этапе обследования пациентов является сложной задачей не только для педиатров, но и для врачей-генетиков. Это обусловлено такими факторами, как недостаток у многих врачей личного опыта в наблюдении пациентов с редкими болезнями, вариативность и нечеткость клинических проявлений отдельных признаков. Интеллектуальные системы поддержки принятия решений обеспечивают выдвижение и обоснование диагностических гипотез.

Цель исследования

Цель исследования: рассмотреть архитектуру экспертной системы поддержки принятий решений для дифференциальной диагностики лизосомных болезней накопления (ЛБН) на долабораторном этапе и представить результаты клинической апробации.

Материал и методы

Материал и методы. Материалом исследования являлись 30 клинических форм ЛБН, которые были описаны 35 признаками на основе трех взаимно дополняющих экспертных оценок – коэффициента модальности (важности для диагностики), факторов уверенности манифестации и выраженности. Знания были получены из литературных источников, а затем уточнены экспертами, указавшими свою уверенность в каждом значении признака в каждом из 4 возрастных диапазонов (до 1 года, от 1 года до 3 лет включительно, от 4 до 6 лет включительно, 7 лет и старше). Эта информация послужила основой для формирования базы знаний интеллектуальной системы. Материалом для клинической апробации были деперсонифицированные выписки из электронных медицинских карт детей с ЛБН (мукополисахаридозы (МПС), муколипидозы ((МЛП), ганглиозидозы ((ГЗ), которые известны широкими перекрывающимися фенотипическими спектрами): 54 – для валидации (из одной медицинской организации), 38 – для верификации (из трех медицинских организаций трех регионов Российской Федерации). Для построения интеллектуальной системы были использованы методы инженерии знаний (для извлечения и структуризации знаний), матричный подход (для представления правил базы знаний), информационное и программное обеспечение для реализации архитектуры интеллектуальной системы.

Результаты

Результаты. Модифицирована экспертная система поддержки принятия решений по дифференциальной диагностике орфанных наследственных заболеваний ГенДиЭС. В новой версии система реализована в виде web-приложения. База знаний содержит 12 600 оценок, характеризующих меры доверия экспертов для 35 признаков 30 клинических форм ЛБН по 4 возрастным периодам. Алгоритм принятия решений обеспечивает оценку сходства клинической картины пациента с экспертными описаниями отдельных ЛБН. Точность для дифференциально-диагностического ряда из пяти гипотез составила 0,87 (95% ДИ [0,75; 0,95]) и 0,90 (95% ДИ [0,75; 0,97]) для валидации и верификации соответственно.

Заключение

Заключение. Интеллектуальная система ГенДиЭС показала высокую точность на долабораторном этапе диагностики, сопоставимую с мировыми аналогами. Реализация системы в виде web-приложения в свободном доступе предоставляет врачам возможность обращения с любого устройства, подключенного к сети Интернет.

Introduction

Introduction. Differential diagnostics of rare diseases at the pre-laboratory stage of patient examination is a significant challenge not only for pediatricians but also for geneticists. This fact is caused by limited physician experience in managing rare diseases, variability in symptom presentation, and ambiguity of clinical signs. AI-driven clinical decision support systems (CDSS) enable the generation and validation of diagnostic hypotheses.

Aim

Aim: To assess the architecture of the GenDiES (Genetic Diagnostic Expert System) CDSS for differential diagnosis of lysosomal storage diseases (LSDs) at the pre-laboratory stage and to present results from its clinical validation.

Material and Methods

Material and Methods. The study included 30 clinical forms of LSDs, described using 35 clinical features based on three complementary expert-derived metrics: modality coefficient (diagnostic importance), manifestation certainty factor, and degree of expression certainty factor. Knowledge was extracted from literature and refined through expert input, where experts assigned their confidence to each feature across four age groups: ≤ 1 year, 1–3 years, 4–6 years, ≥ 7 years. This structured data formed the system’s knowledge base. Clinical aprobation utilized de-identified electronic health records (EHR) of pediatric LSD patients (mucopolysaccharidoses, mucolipidoses, gangliosidoses-conditions with broad overlapping phenotypic spectra). Validation cohort: 54 EHR extracts from a single Russian medical institution. Verification cohort: 38 EHR extracts from three institutions across different Russian regions. The system was built using knowledge engineering methods (for knowledge extraction and structuring), a matrix-based framework (to organize rules), and custom software for implementation.

Results

Results. The updated GenDiES CDSS for differential diagnosis of rare hereditary diseases was deployed as a web application. Its knowledge base contains 12,600 expert confidence assessments for 35 clinical features across 30 LSD subtypes, categorized by age. A similarity-based algorithm compares patient profiles to expert-defined disease patterns. Accuracy for generating a differential diagnosis shortlist (top five hypotheses) reached 0.87 (95% CI [0.75; 0.95]) during validation and 0.90 (95% CI [0.75; 0.97]) during verification.

Conclusion

Conclusion. The GenDiES system demonstrated high diagnostic accuracy at the pre-laboratory stage, comparable to—and in some cases exceeding—the performance of limited existing international counterparts. Its web-based implementation ensures accessibility for physicians via any internet-connected device.

система искусственного интеллектаэкспертная системаГенДиЭСсистема поддержки врачебных решенийдифференциальная диагностиканаследственные болезнилизосомные болезни накоплениявалидацияверификацияartificial intelligence systemexpert systemGenDiESclinical decision support systemdifferential diagnosishereditary diseaseslysosomal storage diseasesvalidationverificationИсследование выполнено в рамках государственного задания «Системы искусственного интеллекта, извлечения знаний и анализа текстов», государственный регистрационный номер: 124040100006-4, Шифр: FFNG-2024-0001.Еhe study was carried out within the framework of the State assignment “Artificial Intelligence Systems, Knowledge Extraction, and Text Analysis” (State Registration No. 124040100006-4; Code: FFNG-2024-0001.ReferencesRichter T., Nestler-Parr S., Babela R., Khan Z.M., Tesoro T., Molsen E. et al. Rare diseases terminology and definitions – A systematic global review: Report of the ISPOR Rare Disease Special Interest Group. Value Health. 2015;18(6):906–914. https://doi.org/10.1016/j.jval.2015.05.008Richter T., Nestler-Parr S., Babela R., Khan Z.M., Tesoro T., Molsen E. et al. Rare diseases terminology and definitions – A systematic global review: Report of the ISPOR Rare Disease Special Interest Group. Value Health. 2015;18(6):906–914. https://doi.org/10.1016/j.jval.2015.05.008Балкунова Ю.Н., Кочергина Е.А., Базанова Н.А. Клинический пример: случай муколипидоза II/IIIA типа у ребенка. Пермский медицинский журнал. 2023;40(4):135–140. https://doi.org/10.17816/pmj404135-140Balkunova Y.N., Kochergina E.A., Bazanova N.A. Clinical case: type II/IIIA mucolipidosis in a child. Perm Medical Journal. 2023;40(4):135–140. (In Russ.). https://doi.org/10.17816/pmj404135-140Горбунова В.Н. Наследственные болезни обмена. Лизосомные болезни накопления. Педиатр. 2021;12(2):73–83. https://doi.org/10.17816/PED12273-83Gorbunova V.N. Congenital metabolic diseases. Lysosomal storage diseases. Pediatrician (St. Petersburg). 2021;12(2):73–83. (In Russ.). https://doi.org/10.17816/PED12273-83Borges P., Pasqualim G., Giugliani R., Matte U. Estimated prevalence of mucopolysaccharidoses from population-based exomes and genomes. Orphanet J. Rare Dis. 2020;15:324. https://doi.org/10.1186/s13023-020-01608-0Borges P., Pasqualim G., Giugliani R., Matte U. Estimated prevalence of mucopolysaccharidoses from population-based exomes and genomes. Orphanet J. Rare Dis. 2020;15:324. https://doi.org/10.1186/s13023-020-01608-0Захарова Е.Ю., Байдакова Г.В., Михайлова С.В., Пчелина С.Н., Краснопольская К.Д. Лизосомные болезни накопления: руководство для врачей. М: ГЭОТАР-Медиа; 2021:424. https://doi.org/10.33029/9704-6321-5-LAD-2021-1-424. ISBN 978-5-9704-6321-5.Zakharova E.Yu., Baidakova G.V., Mikhailova S.V., Pchelina S.N., Krasnopolskaya K.D. Lysosomal Storage Diseases: A Guide for Clinicians. Moscow: GEOTAR-Media; 2021:424. https://doi.org/10.33029/9704-6321-5-LAD-2021-1-424. ISBN 978-5-9704-6321-5.Назаренко Л.П., Назаренко М.С. Особенности раннего проявления лизосомных болезней накопления. Медицинская генетика. 2013;12(9):20–23. EDN: TJBVIVNazarenko L.P., Nazarenko M.S. THE early symtoms of lysosomal storage diseases. Medical Genetics. 2013;12(9):20–23. (In Russ.). EDN: TJBVIVКравчук Ж.П., Румянцева О.А. Орфанные заболевания: определение, проблемы, перспективы. Проблемы здоровья и экологии. 2013;(4):7–11. https://doi.org/10.51523/2708-6011.2013-10-4-1Kravchuk ZP, Rumyantseva OA. Orphan diseases: diagnosis, problems, prospects. Health and Ecology Issues. 2013;(4):7–11. (In Russ). https://doi.org/10.51523/2708-6011.2013-10-4-1Kang Q., Fang Y., Yang Y., Li D., Zheng L., Chen X. et al. Health service utilization, economic burden and quality of life of patients with mucopolysaccharidosis in China. Orphanet J. Rare Dis. 2024;19:324. https://doi.org/10.1186/s13023-024-03333-4Kang Q., Fang Y., Yang Y., Li D., Zheng L., Chen X. et al. Health service utilization, economic burden and quality of life of patients with mucopolysaccharidosis in China. Orphanet J. Rare Dis. 2024;19:324. https://doi.org/10.1186/s13023-024-03333-4Шашель В.А., Фирсова В.Н., Трубилина М.М., Подпорина Л.А., Фирсов Н.А. Орфанные заболевания и связанные с ними проблемы. Медицинский вестник Юга России. 2021;12(2):28–35. https://doi.org/10.21886/2219-8075-2021-12-2-28-35Shashel V.A., Firsova V.N., Trubilina M.M., Podporina L.A., Firsov N.A. Orphan diseases and associated problems. Medical Herald of the South of Russia. 2021;12(2):28–35. (In Russ). https://doi.org/10.21886/2219-8075-2021-12-2-28-35Krishnan G., Singh S., Pathania M., Gosavi S., Abhishek S., Parchani A., Dhar M. Artificial intelligence in clinical medicine: catalyzing a sustainable global healthcare paradigm. Frontiers in Artificial Intelligence. 2023;6:1227091. https://doi.org/10.3389/frai.2023.1227091Krishnan G., Singh S., Pathania M., Gosavi S., Abhishek S., Parchani A., Dhar M. Artificial intelligence in clinical medicine: catalyzing a sustainable global healthcare paradigm. Frontiers in Artificial Intelligence. 2023;6:1227091. https://doi.org/10.3389/frai.2023.1227091Гаврилова Т.А., Кудрявцев Д.В., Муромцев Д.И. Инженерия знаний. Модели и методы: Учебник. СПб.: Лань; 2023:324. ISBN: 978-5-507-46580-4.Gavrilova T.A., Kudrjavcev D.V., Muromcev D.I. Inzhenerija znanij. Modeli i metody: Uchebnik. St. Petersburg: Lan'; 2023:324. (In Russ.). ISBN: 978-5-507-46580-4.Кобринский Б.А. Триединство факторов уверенности в задачах медицинской диагностики. Искусственный интеллект и принятие решений. 2018;(2):62–72. https://doi.org/10.14357/20718594180205Kobrinskii B.A. Certainty factors triunity in the medical diagnostics tasks. Artificial Intelligence and Decision Making. 2018;(2):62–72. (In Russ.). https://doi.org/10.14357/20718594180205Грибова В.В., Петряева М.В., Шалфеева Е.А. Облачный сервис поддержки принятия диагностических решений в гастроэнтерологии. Врач и информационные технологии. 2019;(3):65–71.Gribova V.V., Petryaeva M.V., Shalfeeva E.A. Сloud decision support service for diagnosis in gastroenterology. Medical doctor and information technologies. 2019;(3):65–71. (In Russ.).Орехова Т.Ф., Кружилина Т.В., Неретина Т.Г. Матричный подход к описанию педагогических процессов в научных педагогических исследованиях. Бизнес. Образование. Право. 2020;(2):301–308. https://doi.org/10.25683/VOLBI.2020.51.213Orekhova T.F., Kruzhilina Т.V., Neretina T.G. Matrix approach to the description of pedagogical processes in scientific pedagogical research. Business. Education. Law. 2020;(2):301–308. (In Russ.). https://doi.org/10.25683/VOLBI.2020.51.213Благосклонов Н.А., Кобринский Б.А. Принятие диагностических решений экспертной системой в условиях неполноты или избыточности данных. Интегрированные модели и мягкие вычисления в искусственном интеллекте. Сборник научных трудов XII Международной научно-практической конференции (ИММВ-2024, Коломна, 14–17 мая 2024 г.). В 2-х т. Т. 1. Смоленск: Универсум; 2024:55–63. EDN: WKNXQXBlagosklonov N.A., Kobrinskii B.A. Decision making in conditions of incomplete or redundancy data. Integrated models and soft computing in artificial intelligence. Proceedings of the XII International Scientific and Practical Conference (IMSC-2024, Kolomna, May 14–17, 2024). In 2 vol. Vol. 1. Smolensk: Universum; 2024:55–63. (In Russ.). EDN: WKNXQXБлагосклонов Н.А., Кобринский Б.А. Дифференциальная диагностика наследственных болезней обмена с использованием системы на основе экспертных знаний. Сибирский журнал клинической и экспериментальной медицины. 2020;35(4):71–78. https://doi.org/10.29001/2073-8552-2020-35-4-71-78Blagosklonov N.A., Kobrinskii B.A. Differential diagnosis of hereditary metabolic diseases using the expert knowledge-based system. Siberian Journal of Clinical and Experimental Medicine. 2020;35(4):71–78. (In Russ.). https://doi.org/10.29001/2073-8552-2020-35-4-71-78Ronicke S., Hirsch M.C., Türk E., Larionov K., Tientcheu D., Wagner A.D. Can a decision support system accelerate rare disease diagnosis? Evaluating the potential impact of Ada DX in a retrospective study. Orphanet J. Rare Dis. 2019;(14):69. https://doi.org/10.1186/s13023-019-1040-6Ronicke S., Hirsch M.C., Türk E., Larionov K., Tientcheu D., Wagner A.D. Can a decision support system accelerate rare disease diagnosis? Evaluating the potential impact of Ada DX in a retrospective study. Orphanet J. Rare Dis. 2019;(14):69. https://doi.org/10.1186/s13023-019-1040-6Alves R., Piñol M., Vilaplana J., Teixidó I., Corella J., Comas J. et al. Computer-assisted initial diagnosis of rare diseases. PeerJ. 2016;4:e2211. https://doi.org/10.7717/peerj.2211Alves R., Piñol M., Vilaplana J., Teixidó I., Corella J., Comas J. et al. Computer-assisted initial diagnosis of rare diseases. PeerJ. 2016;4:e2211. https://doi.org/10.7717/peerj.2211Pantel J.T., Zhao M., Mensah M.A., Hajjir N., Hsieh T.-C., Hanani Y. et al. Advances in computer-assisted syndrome recognition by the example of inborn errors of metabolism. J. Inherit. Metab. Dis. 2018;41(3):533–539. https://doi.org/10.1007/s10545-018-0174-3Pantel J.T., Zhao M., Mensah M.A., Hajjir N., Hsieh T.-C., Hanani Y. et al. Advances in computer-assisted syndrome recognition by the example of inborn errors of metabolism. J. Inherit. Metab. Dis. 2018;41(3):533–539. https://doi.org/10.1007/s10545-018-0174-3Carrer A., Romaniello M.G., Calderara M.L., Mariani M., Biondi A., Selicorni A. Application of the Face2Gene tool in an Italian dysmorphological pediatric clinic: Retrospective validation and future perspectives. Am. J. Med. Genet. Part A. 2024;194(3):e63459. https://doi.org/10.1002/ajmg.a.63459Carrer A., Romaniello M.G., Calderara M.L., Mariani M., Biondi A., Selicorni A. Application of the Face2Gene tool in an Italian dysmorphological pediatric clinic: Retrospective validation and future perspectives. Am. J. Med. Genet. Part A. 2024;194(3):e63459. https://doi.org/10.1002/ajmg.a.63459

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