Система искусственного интеллекта для диагностики редких заболеваний: принципы построения и результаты клинической апробации

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: 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. 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. 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. 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.

1. Richter 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.2015.05.008

2. Балкунова 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/pmj404135-140

3. Горбунова В.Н. Наследственные болезни обмена. Лизосомные болезни накопления. Педиатр. 2021;12(2):73–83. https://doi.org/10.17816/PED12273-83

4. Borges 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/s13023-020-01608-0

5. Захарова 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.

6. Назаренко Л.П., Назаренко М.С. Особенности раннего проявления лизосомных болезней накопления. Медицинская генетика. 2013;12(9):20–23. EDN: TJBVIV

7. Кравчук Ж.П., Румянцева О.А. Орфанные заболевания: определение, проблемы, перспективы. Проблемы здоровья и экологии. 2013;(4):7–11. https://doi.org/10.51523/2708-6011.2013-10-4-1

8. Kang 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/s13023-024-03333-4

9. Шашель 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/10.21886/2219-8075-2021-12-2-28-35

10. Krishnan 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.2023.1227091

11. Гаврилова Т.А., Кудрявцев Д.В., Муромцев Д.И. Инженерия знаний. Модели и методы: Учебник. СПб.: Лань; 2023:324. ISBN: 978-5-507-46580-4.

12. Кобринский Б.А. Триединство факторов уверенности в задачах медицинской диагностики. Искусственный интеллект и принятие решений. 2018;(2):62–72. https://doi.org/10.14357/20718594180205

13. Грибова В.В., Петряева М.В., Шалфеева Е.А. Облачный сервис поддержки принятия диагностических решений в гастроэнтерологии. Врач и информационные технологии. 2019;(3):65–71.

14. 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.2020.51.213

15. Благосклонов 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: WKNXQX

16. Благосклонов 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/10.29001/2073-8552-2020-35-4-71-78

17. Ronicke 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/s13023-019-1040-6

18. Alves 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.2211

19. Pantel 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/s10545-018-0174-3

20. Carrer 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