Оценка эффективности использования технологий искусственного интеллекта для скрининга заболеваний легких в муниципальной больнице

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

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

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. 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. 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.

1. Афанасьева 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/10.25205/2542-0410-2020-16-3-40-49

2. Гольдина 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.

3. 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;41–49

4. Melendez 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/srep25265

5. Rahman 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/10.1183/13993003.02159-2016

6. Lakhani 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.2017162326

7. Jaeger 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/s11548-018-1857-9

8. Vajda 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/s10916-018-0991-9

9. Мирошниченко С.И., Коваленко Ю.Н., Чернецов В.Б. Замена флюорографии на скрининговую цифровую рентгенографию. Поликлиника. 2016;6:19–22.

10. 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-2022-96-4-56-63

11. Гусев 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.

12. 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/stm2023.15.4.01

13. Hwang 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