Состояние и перспективы внедрения технологий искусственного интеллекта в акушерско-гинекологическую практику

Сухих Г.Т., Давыдов Д.Г., Логинов В.В., Баев О.Р., Приходько А.М., Шешко Е.Л., Чмыхова Е.В.

1) ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Министерства здравоохранения Российской Федерации, Москва, Россия; 2) АНО ВО «Открытый гуманитарно-экономический университет», Москва, Россия; 3) ФГАОУ ВО «Первый Московский государственный медицинский университет имени И.М. Сеченова» Министерства здравоохранения Российской Федерации, кафедра акушерства, гинекологии, перинатологии и репродуктологии ИПО врачей, Москва, Россия; 4) ООО «Электронное образование», Москва, Россия
Систематический обзор литературы посвящен текущему состоянию и перспективам применения искусственного интеллекта (ИИ) в области сохранения здоровья матери и плода. Раскрыты понятие ИИ и пути его развития в медицине. Отмечается, что ИИ не заменяет врача, а является инструментом совершенствования врачебной деятельности. В статье показаны возможности и выделены направления применения ИИ в акушерстве и гинекологии (АиГ): распознавание медицинских изображений, прогнозирование и помощь врачам в определении диагноза, создание рекомендательных систем подбора лечения, роботизация медицинских манипуляций и дополненная реальность, оптимизация рутинных функций медицинских работников, сервисы взаимодействия и обучения врачей и пациентов. Кроме того, ИИ может быть использован в научных целях для понимания сложных многофакторных механизмов развития патологии, создания информационных моделей заболевания, новых классификаций болезней и моделей лечебного воздействия. ИИ также способен автоматически извлекать новую медицинскую информацию из описаний клинических наблюдений и научных публикаций. Приведены конкретные примеры разработок по указанным направлениям. Рассмотрены ожидаемые сложности внедрения систем ИИ, описаны первоочередные шаги по внедрению. Разработка систем ИИ требует прямого участия врачей, включая отбор и подготовку данных, формулирование медицинских задач и их перевод на язык специалистов в области машинного обучения. Делается вывод, что приложения на основе ИИ в сфере АиГ уже стали реальностью и в ближайшем будущем позволят снизить нагрузку на медицинских работников, повысить эффективность диагностики, прогнозирования и лечения, предупреждать медицинские ошибки. Перспективным является применение ИИ в телемедицинских системах для оказания помощи врачам и пациентам вне мест дислокации крупных медицинских комплексов.
Заключение. Результаты обзора могут быть использованы для определения перспективных научных исследований, разработки национальной программы внедрения ИИ в акушерско-гинекологическую практику, в образовательных программах и повышении квалификации медицинских работников.

Ключевые слова

искусственный интеллект
акушерство
гинекология
машинное обучение
беременность
роды
система поддержки принятия решений

В последние десятилетия стремительный рост биомедицинских данных превзошел возможности врачей по учету значимых параметров для понимания заболеваний, и традиционные статистические подходы оказываются бессильны против такого объема и разнообразия. Клинические испытания дороги, требуют много времени и не всегда возможны при беременности.

Новые информационные технологии, в частности системы искусственного интеллекта (ИИ), способны выявить множество взаимосвязей в большом количестве данных и использовать эту информацию для оказания помощи в клинической деятельности [1]. Такие системы способны снизить нагрузку на медицинских работников, повысить эффективность диагностики и лечения, делать прогнозы риска для здоровья в реальном времени и предупреждать медицинские ошибки [2]. ИИ также может извлекать новую медицинскую информацию из описания клинических наблюдений, научных публикаций и руководств.

Следует отметить, что внедрение ИИ в сферу акушерства и гинекологии (АиГ) сопряжено с рядом организационных, технических и этических проблем. Важным является определить возможности, пути и последствия внедрения подобных технологий в практику АиГ.

Методология и результаты информационного поиска

Первоначальный поиск источников был проведен в базе данных Web of Science Core Collection; отбирали публикации за период 2015–2020 гг. в области исследований Obstetrics & Gynecology по ключевым словам темы: Artificial Intelligence, Machine Learning, Neural Network. По этим трем ключевым словам за последние 5 лет в области АиГ было обнаружено 288 публикаций. Дальнейший подбор литературы для обзора осуществляли с учетом релевантных ссылок из ранее отобранных источников. Всего при подготовке настоящего обзора использованы 122 публикации.

Понятие искусственного интеллекта

Понятие ИИ используется для обозначения компьютерных технологий, решающих задачи, которые обычно требуют участия человека. По сути, это система алгоритмов, основанных на машинном обучении. ИИ не заменяет, а расширяет человеческий интеллект, и на сегодняшний день невозможно провести аналогию между ними. Появление так называемого «сильного» ИИ, имитирующего человеческое сознание, относится пока к области научной фантастики, а все существующие и перспективные технологии ИИ относятся к так называемому «слабому» интеллекту и позволяют решать конкретные, четко определенные задачи. Например, конкретная реализация алгоритма компьютерного зрения способна идентифицировать опухоли на основе маммографии, но не позволяет обнаружить их в матке и не способна поставить диагноз с учетом данных лабораторных исследований или назначить лечение.

В основе большинства современных систем ИИ лежит общая технология машинного обучения (MO) и три ее специфичные области: обработка естественного языка, компьютерное зрение и прогнозное моделирование. Суть МО состоит в предъявлении компьютерам больших наборов данных, в которых специальные программы автоматически обнаруживают закономерности и используют найденные связи для выводов и решений.

Наибольший вклад в развитие ИИ вносят такие алгоритмы МО, как искусственные нейронные сети (ИНС), являющиеся математическими системами с абстрактным отражением принципа работы естественных нейронных сетей. Кроме ИНС, в МО часто применят алгоритмы деревьев решений и случайного леса, графовые методы, генетические алгоритмы, методы кластерного анализа, опорных векторов и др. Такие алгоритмы способны итеративно учиться на больших клинических базах данных и использовать опыт врачей. Таким образом, медицинские решения и индивидуальная терапия для одного пациента могут основываться на обширном коллективном опыте.

Три фактора объясняют развитие ИИ в сфере здравоохранения:

  • переход медицинских организаций к цифровым технологиям диагностики и документооборота, что привело к появлению больших оцифрованных наборов данных (особенно размеченных);
  • доступность мощных компьютеров, способных работать с большими данными и, в частности, обучать глубокие нейронные сети с множеством настраиваемых параметров;
  • наличие алгоритмов обработки информации, в том числе предварительно обученных универсальных нейронных сетей, доступных как библиотеки с открытым исходным кодом (PyTorch, Tensorflow и др.), что позволяет адаптировать и быстро развертывать их для работы со специфическими задачами.

Направления применения искусственного интеллекта в сфере акушерства и гинекологии

Системы ИИ могут применяться до зачатия, во время беременности и в послеродовом периоде [3]. Анализ научных публикаций и сведений о разработке и внедрении медицинских интеллектуальных систем позволяет выделить несколько направлений применения ИИ в сфере АиГ:

  • распознавание образов в медицинских изображениях;
  • прогнозирование и помощь в определении диагноза;
  • рекомендательные системы подбора лечения;
  • роботизация медицинских манипуляций и дополненная реальность;
  • оптимизация рутинных функций врача;
  • сервисы взаимодействия и обучения врачей и пациентов.

Распознавание медицинских изображений

К источникам медицинских изображений относятся ультразвуковое исследование, магнитно-резонансная томография (МРТ), покадровая съемка эмбриона, рентген и т.д. На сегодняшний день это наиболее разработанное направление (38% публикаций), и здесь имеется наибольшее число приложений, готовых к внедрению в клиническую практику. Так, технологии ИИ были применены для улучшения пренатальной диагностики врожденных пороков сердца [4], количественной оценки сердечной функции плода [5]. Сообщается о разработке алгоритмов автоматической сегментации полости матки и плаценты при МРТ плода в целях обнаружения аномалий [6].

В программах вспомогательных репродуктивных технологий ИИ обеспечивает более точный и стандартизированный анализ динамики развития эмбриона, что позволяет отбирать наиболее жизнеспособные экземпляры для переноса [7]. Реализованы системы автоматического определения качества спермы [8], оптимизации яичникового резерва [9]. Следует отметить отечественный алгоритм AI Cloud SberCloud, автоматически определяющий темпы развития эмбриона, а также вероятность успешного ЭКО.

Значительное число приложений посвящено обнаружению онкологических заболеваний [10, 11]. Из внедренных в практику разработок стоит отметить технологию Google Health и Alphabet DeepMind AI для определения рака молочной железы на ранних стадиях. В России маммографический скрининг с использованием ИИ разрабатывается в рамках платформы Botkin.AI.

Прогнозирование и помощь в определении диагноза

Технологии ИИ способны преодолеть человеческие ограничения в объеме и скорости обработки информации. Так, технологии ИИ позволяют симультанно анализировать разнородные признаки, выстраивать цифровые модели пациента [12]. Прежде всего, такие технологии внедряются в сферу лабораторной диагностики. Так, нейронная сеть была применена для создания интеллектуальной системы раннего и неинвазивного обнаружения эпителиального рака яичников с использованием микро-РНК [13]. Другая возможность касается оптимизации нагрузки клинических лабораторий. Модели ИИ для микробиологического скрининга образцов мочи перед посевом позволяют оценить вероятность инфекции и отбирать образцы, подлежащие культивированию, что повышает эффективность диагностики и на 41% снижает нагрузку лабораторий [14]. Технология ИИ способна объединить результаты цитологии и биомаркеры, что повышает точность тестов и оценки индивидуального риска для различных гистологических диагнозов [15].

Раннее обнаружение задержки внутриутробного развития и изменений сердцебиения плода улучшит перинатальные исходы и снизит риск сердечно-сосудистой смертности во взрослом возрасте [16]. Анализ частоты сердечных сокращений плода (ЧСС) помогает контролировать его состояние и диагностировать осложнения, в частности гипоксию.

При этом используемый для принятия решений во время родов визуальный анализ кардиотокограммы (КТГ) содержит элемент субъективности, преодолеть которую и снизить количество ненужных вмешательств способен ИИ [17]. Было предпринято несколько попыток повысить эффективность автоматической оценки КТГ (CAFE, INFANT и PeriCALM) [18, 19]. Комбинация вариабельности сердечного ритма с другими доступными параметрами дает более точные прогнозы [20]. Продолжаются построения многоуровневых моделей с системой нейро-нечеткого вывода [21], разрабатываются интеллектуальные приложения дистанционной поддержки в интерпретации КТГ [22].

Модели ИИ могут использовать комплекс социально-демографических и психологических данных, акушерский анамнез, симптомы, данные физикального осмотра и лабораторные показатели [23]. Так, оценка риска преждевременных родов может осуществляться начиная с этапа планирования беременности на основе демографических данных и генетической информации. По мере развития беременности, на основе дополнительных данных анализов и осмотров ИИ осуществляет постоянную оценку вероятности преждевременных родов, а также предлагает возможные методы лечения [24].

В публикациях сообщается о разработке систем автоматизированного выявления и прогнозирования гестационного сахарного диабета [25], привычного невынашивания беременности [26], тяжелой неонатальной заболеваемости [27]. Системы ИИ предлагается использовать для выявления риска преждевременных родов у бессимптомных женщин с короткой шейкой матки [28], прогнозирования перинатального исхода по данным амниоцентеза [29], предсказания успеха беременности на основе анамнеза матери [30] и у женщин с системной красной волчанкой [31]. Еще одним направлением использования ИИ является анализ ДНК для прогнозирования пороков и редких заболеваний, оценки риска хромосомных аномалий [32].

Были продемонстрированы возможности технологии ИИ в диагностике преждевременных родов на основе электрогистерографии [33], что позволяет начать необходимое вмешательство на ранних этапах у женщин с истинными родами и предотвратить ненужное лечение для женщин с преждевременными схватками без родов.

Помимо уже разработанных приложений, следует отметить ряд технологий, которые вполне могут быть применены к акушерско-гинекологической практике уже в ближайшее время. Так, DeepMind Health компании Google обнаруживает риски для здоровья на основе данных о пациенте до того, как симптомы могут распознать врачи. Лаборатория ИИ Сбербанка разработала модель прогнозирования трех наиболее вероятных диагнозов из списка 265 заболеваний по записям электронной медицинской карты. Точность ее предсказания сопоставима с таковой у опытных врачей [34].

Рекомендательные системы подбора лечения

Первые системы поддержки принятия врачебных решений (СППВР) использовали простой алгоритмический подход с цепочками дедукции по типу утверждений «если – то» [35]. Такие алгоритмы малоэффективны и не соответствуют персонализации медицинской помощи. Благодаря развитию нечетких ИНС системы ИИ для поддержки принятия решений стали строить на основе моделей болезней [21]. Такие системы ИИ представляют собой облако симптомов, возможных решений и связей между ними, моделирующих заболевание. Эти системы получают на вход симптомы пациента, а алгоритм ИИ на основе существующих клинических рекомендаций предлагает набор возможных диагнозов и вариантов лечения с относительными уровнями достоверности [36]. В недавнем обзоре было выявлено 11 исследований внедрения СППВР у беременных [3].

Достаточно многочисленны разработки СППВР в области вспомогательных репродуктивных технологий, позволяющие персонализировать и повысить эффективность ЭКО. Например, ИИ может быть использован для расчета времени индукции овуляции на основе 39 параметров [37], выбора оптимальной схемы приема лекарств для следующей попытки индукции овуляции, отслеживания развития фолликулов, уровней гормонов в крови, развития эндометрия и выдачи рекомендаций для следующих этапов [24].

СППВР могут встраиваться в телемедицинские системы, в том числе дистанционного мониторинга беременности [28]. Это позволит обеспечить квалифицированной помощью жителей отдаленных местностей. В Китае уже в настоящее время испытывают систему ИИ для оказания медицинской помощи в сельских поселениях [25].

Роботизация и дополненная реальность

Роботизированная хирургия – это термин, обозначающий системы на базе ИИ для помощи в хирургических процедурах. Роботизированные процедуры все чаще применяются в гинекологической хирургии [38]. Существует возможность обучать существующие роботизированные системы для применения в операциях в сфере АиГ. Например, исследователи из Университета Беркли, Intel и Google Brain, используя видеозаписи работы восьми хирургов, обучили ИИ накладывать швы и завязывать узлы. Причем алгоритм Motion2Vec усвоил технику работы каждого хирурга и самостоятельно выбирал оптимальную технику работы [39].

В настоящее время в хирургии используют несколько приложений дополненной реальности, что помогает уменьшать количество осложнений и сокращать время операции [40]. Дополненная реальность также помогает обучаться в реалистичных условиях, создавать эффективные предоперационные планы в соответствии с глубиной и размерами ткани [28].

Оптимизация рутинных врачебных функций

К этому направлению относятся системы распознавания голоса и автоматизированного заполнения медицинских документов, алгоритмы сокращения административной работы, поиска и передачи медицинской информации. Существенно повысить эффективность врачебной деятельности способны технологии голосового заполнения медицинской карты в режиме реального времени [41]. Например, российский алгоритм Voice2med распознает речь врача и автоматически заполняет протокол медицинской информационной системы (МИС), в т.ч. «Медиалог». Сокращение времени на работу с медицинской документацией составляет от 22 до 70%.

Еще один подход заключается в разработке цифровых ассистентов, обрабатывающих текущую документацию, например, автоматический сбор данных о пациенте, результатов обследований и анализов [42]. К ним относят системы проверки медицинской документации и лечебных назначений.

Интересное направление связано с реализацией методов обработки естественного языка, которые извлекают медицинскую информацию из гигантского объема источников (руководств, учебников и научных журналов), что упрощает отслеживание постоянно меняющейся медицинской информации. Применение такой системы типа IBM Watson сокращает ручной поиск информации среди тысяч журнальных статей: достаточно описать проблему, и система извлечет доступную актуальную информацию и представит ее в виде краткого обзора на естественном языке [21]. Также ИИ может автоматически обеспечить СППВР актуальной информацией, протоколами и стандартами лечения.

Сервисы взаимодействия и обучения врачей и пациентов

Системы на основе технологий ИИ могут быть применены для анализа и обучения эффективному врачебному общению и взаимодействию [43]. Системы распознавания речи на основе ИИ могут оценивать тип и качество общения врача с пациентом, проявление участия, поддержки, эмоций [43], различать врачей, получавших положительные или отрицательные оценки пациентов [44].

Такие разработки могут быть применены для построения индивидуализированной (а в некоторых случаях и конфиденциальной), объективной и повторяющейся обратной связи, которую будет получать врач по итогам своей работы [43] и в обучении медицинской коммуникации [45]. Это касается как создания интеллектуальных тренажерных систем, так и инструмента оценки компетентности обучаемых, их взаимодействия с пациентом (включая оценку полноты и правильности задаваемых вопросов и т.п.) [24].

Приложения на основе ИИ также могут быть ориентированы на непосредственное взаимодействие и помощь пациентам. Наиболее готовыми к внедрению являются системы дистанционного консультирования пациентов на онлайн-платформах. Это преимущественно чат-боты с ИИ-системами обработки естественного языка, позволяющими не только выдать заранее заложенную в них алгоритмизированную информацию, но и определять суть проблемы, формулировать уточняющие вопросы, учиться на задаваемых пациентами вопросах и ответах врача. По совокупности чат-бот определяет вероятный диагноз и рекомендует один из вариантов: немедленное обращение за медицинской помощью, обращение в плановом порядке или амбулаторное лечение с информированием о мерах, которые пациент может принять самостоятельно. Недавно такой виртуальный врач «Вавилон», реализованный в виде приложения на смартфоне, показал превосходство в диагностике заболеваний по сравнению с опытными врачами [46]. Системы ИИ также могут использоваться для повышения медицинской грамотности населения [47] или для сбора информации перед врачебным приемом, подобно чат-боту Mandy, который проводит интервью с пациентами первичной медико-санитарной помощи [48].

Благодаря использованию носимых устройств, связанных с системами ИИ, состояние пациентов можно отслеживать и реагировать дистанционно. Пациенту может быть предоставлен носимый датчик, который передает данные (ЧСС, температура, артериальное давление, сатурация кислорода и т.п.) в центр ИИ клиники. При выходе за пределы индивидуальных референсных значений врач получает уведомление с предоставлением вероятных диагнозов, основанных на предыдущей истории пациента [24].

Проблемы внедрения технологий искусственного интеллекта в медицину

Обобщение данных, представленных в проанализированных публикациях, позволило сформулировать несколько ключевых проблем внедрения систем ИИ в медицинскую практику.

1. Алгоритмы ИИ могут облегчить работу медицинских работников (снизить затраты как финансов, так и врачебного времени) и лучше выполнить их некоторые функции, но не могут заменить человека.

2. Технологии ИИ далеки от совершенства, и их внедрение не обязательно приводит к успеху.

3. МО требует больших наборов данных. Однако сегодня в сфере АиГ мало исследований с большими выборками. Нехватка точно аннотированных медицинских данных является серьезной проблемой для применения методов МО к клинических вопросах. Если данные содержат ошибки (например, отражают субъективизм оценщиков или недостатки текущих медицинских знаний), то эти ошибки будут воспроизведены в моделях ИИ [49].

4. Несмотря на свои возможности, модели ИИ обычно представляют собой «черный ящик», и их трудно соотнести с существующими биологическими и медицинскими знаниями. Непонимание того, как алгоритмы ИИ приходят к своим предсказаниям, приводит к заметному сопротивлению во врачебном сообществе, поскольку во многих случаях «почему», стоящее за предсказанием, так же важно, как и само предсказание [50]. Решение этой проблемы требует поиска путей, как сделать результат МО более прозрачным, чтобы врач был уверен, что модель не основана на артефактах [51].

5. Новые требования к объему и качеству данных приведут к изменению привычных методов работы и, соответственно, к возможному сопротивлению со стороны сотрудников. Следует предусмотреть соответствующее информирование специалистов, обсуждение вопросов и проблем, вовлечение врачей в разработку и внедрение систем ИИ.

6. Следует учитывать опасность чрезмерного (явного или неявного) влияния системы ИИ на врачебные решения [21]. В сложных случаях врач может быть склонен опираться на выводы ИИ как на документально подтвержденные заключения, в противовес собственным выводам, основанным на квалификации и интуиции. Тем самым возникает угроза передачи функции ответственности врачебного решения от клиницистов к системам ИИ.

Текущие задачи разработки и внедрения систем искусственного интеллекта в сфере акушерства и гинекологии

Проведенный обзор литературы выявил основные задачи разработки и внедрения систем ИИ в акушерско-гинекологическую практику.

1. Необходимо определить варианты использования и направления, в которых можно ожидать максимальной отдачи от вложений в ИИ; идентифицировать клинические проблемы, чтобы понять, как использовать МО для их решения.

2. Определить, какие данные необходимы для проверки гипотез МО и разработать методологию их сбора. Источниками данных могут являться: локальные, региональные и вертикально интегрированные МИС, масштабный сбор данных от пациентов (включая анамнез, дневник беременности и т.п.); цифровизация результатов диагностических методов; объединение локальных диагностических баз данных в единое хранилище.

3. Оценить потребность и обеспечить необходимые вычислительные мощности и хранилища данных.

4. Разработать систему административной поддержки и готовности медицинского персонала к участию в разработке и внедрении решений на основе ИИ. Прежде всего это касается готовности к введению новых МИС, систем документооборота и участию в бета-тестировании.

Заключение

Приложения на основе ИИ уже стали реальностью в медицинских учреждениях. В краткосрочной перспективе (5 лет) станут клинически доступными технологии, обеспечивающие автоматизацию распознавания медицинских изображений, прогнозирования риска и постановки диагноза, оценки качества врачебных решений и сервисов «второе мнение», замену рутинных врачебных функций и совершенствование врачебной коммуникации. ИИ будет способствовать развитию телемедицины и оказания помощи врачам и пациентам вне мест дислокации крупных медицинских комплексов.

Разработка медицинских систем ИИ не является чисто технической задачей, она требует прямого участия врачей, включая отбор и подготовку данных, формулирование медицинских задач и их перевод на язык специалистов в области МО. Кроме того, ИИ может быть использован в научных целях для понимания сложных многофакторных механизмов развития патологии, создания информационных моделей заболевания, новых классификаций болезней и моделей лечебного воздействия.

Список литературы

  1. Emin E.I., Emin E., Papalois A., Willmott F., Clarke S., Sideris M. Artificial intelligence in obstetrics and gynaecology: Is this the way forward? In Vivo. 2019; 33(5): 1547-51. https://dx.doi.org/10.21873/invivo.11635.
  2. Makary M.A., Daniel M. Medical error-the third leading cause of death in the US. BMJ. 2016; 353: i2139. https://dx.doi.org/10.1136/bmj.i2139.
  3. Davidson L., Boland M.R. Enabling pregnant women and their physicians to make informed medication decisions using artificial intelligence. J. Pharmacokinet. Pharmacodyn. 2020; 47(4): 305-18. http://dx.doi.org/10.1007/s10928-020-09685-1.
  4. Yeo L., Romero R. Fetal Intelligent Navigation Echocardiography (FINE): A novel method for rapid, simple, and automatic examination of the fetal heart. Ultrasound Obstet. Gynecol. 2013; 42(3): 268-84. https://dx.doi.org/10.1002/uog.12563.
  5. Garcia-Canadilla P., Sanchez-Martinez S., Crispi F., Bijnens B. Machine learning in fetal cardiology: what to expect. Fetal Diagn. Ther. 2020; 47(5): 363-72. https://dx.doi.org/10.1159/000505021.
  6. Twickler D.M., Do Q.N., Xi Y., Shahedi M., Dormer J., Anusha Devi T.T. et al. 228: Automated segmentation of the human placenta and uterus with MR imaging using artificial intelligence (AI). Am. J. Obstet. Gynecol. 2020; 222(1): S158-9. https://dx.doi.org/10.1016/j.ajog.2019.11.244.
  7. Zaninovic N., Elemento O., Rosenwaks Z. Artificial intelligence: its applications in reproductive medicine and the assisted reproductive technologies. Fertil. Steril. 2019; 112(1): 28-30. https://dx.doi.org/10.1016/j.fertnstert.2019.05.019.
  8. Сысоева А.П., Макарова Н.П., Калинина Е.А., Скибина Ю.С., Занишевская А.А., Янчук Н.О., Грязнов А.Ю. Повышение эффективности вспомогательных репродуктивных технологий с помощью искусственного интеллекта и машинного обучения на эмбриологическом этапе. Акушерство и гинекология. 2020; 7: 28-36.
  9. Cohn K.H., Copperman A.B., Zhang Q., Beim P.Y. Leveraging artificial intelligence for more data-driven patient counseling after failed IVF cycles. Fertil. Steril. 2017; 108(3): e53-4. https://dx.doi.org/10.1016/j.fertnstert.2017.07.171.
  10. Ibrahim A., Gamble P., Jaroensri R., Abdelsamea M.M., Mermel C.H., Chen P.C., Rakha E.A. Artificial intelligence in digital breast pathology: Techniques and applications. Breast. 2020; 49: 267-73. https://dx.doi.org/10.1016/j.breast.2019.12.007.
  11. Bogani G., Rossetti D., Ditto A., Martinelli F., Chiappa V., Mosca L. et al. Artificial intelligence weights the importance of factors predicting complete cytoreduction at secondary cytoreductive surgery for recurrent ovarian cancer. J. Gynecol. Oncol. 2018; 29(5): e66. https://dx.doi.org/10.3802/jgo.2018.29.e66.
  12. Abdalla N., Winiarek J., Bachanek M., Cendrowski K., Sawicki W. Clinical, ultrasound parameters and tumor marker-based mathematical models and scoring systems in pre-surgical diagnosis of adnexal tumors. Ginekol. Pol. 2016; 87(12): 824-9. https://dx.doi.org/10.5603/GP.2016.0096.
  13. Elias K.M., Fendler W., Stawiski K., Fiascone S.J., Vitonis A.F., Berkowitz R.S. et al. Diagnostic potential for a serum miRNA neural network for detection of ovarian cancer. Elife. 2017; 6: e28932. https://dx.doi.org/10.7554/eLife.28932.
  14. Burton R.J., Albur M., Eberl M., Cuff S.M. Using artificial intelligence to reduce diagnostic workload without compromising detection of urinary tract infections. BMC Med. Inform. Decis. Mak. 2019; 19(1): 171. https://dx.doi.org/10.1186/s12911-019-0878-9.
  15. Kyrgiou M., Pouliakis A., Panayiotides J.G., Margari N., Bountris P., Valasoulis G. et al. Personalised management of women with cervical abnormalities using a clinical decision support scoring system. Gynecol. Oncol. 2016; 141(1): 29-35. https://dx.doi.org/10.1016/j.ygyno.2015.12.032.
  16. Gadagkar A.V., Shreedhara K.S. Features based IUGR diagnosis using variational level set method and classification using artificial neural networks. In: Proceedings – 2014 5th International conference on signal and image processing. (ICSIP 2014). Bangalore, India 8-10 January; 2014: 303-10.
  17. Balayla J., Shrem G. Use of artificial intelligence (AI) in the interpretation of intrapartum fetal heart rate (FHR) tracings: a systematic review and meta-analysis. Arch. Gynecol. Obstet. 2019; 300(1): 7-14. https://dx.doi.org/10.1007/s00404-019-05151-7.
  18. Desai G.S. Artificial intelligence: the future of obstetrics and gynecology. J. Obstet. Gynaecol. India. 2018; 68(4): 326-7. https://dx.doi.org/10.1007/s13224-018-1118-4.
  19. Brocklehurst P.; INFANT Collaborative Group. A study of an intelligent system to support decision making in the management of labour using the cardiotocograph – the INFANT study protocol. BMC Pregnancy Childbirth. 2016; 16: 10. https://dx.doi.org/10.1186/s12884-015-0780-0.
  20. Fergus P., Hussain A., Al-Jumeily D., Huang D.S., Bouguila N. Classification of caesarean section and normal vaginal deliveries using foetal heart rate signals and advanced machine learning algorithms. Biomed. Eng. Online. 2017; 16(1): 89. https://dx.doi.org/10.1186/s12938-017-0378-z.
  21. Scerri M., Grech V. Artificial intelligence in medicine. Early Hum. Dev. 2020; 145: 105017. https://dx.doi.org/10.1016/j.earlhumdev.2020.105017.
  22. Kazantsev A., Ponomareva J., Kazantsev P., Digilov R., Huang P. Development of e-health network for in-home pregnancy surveillance based on artificial intelligence. In: Proceedings of 2012 IEEE-EMBS International conference on biomedical and health informatics. Hong Kong, China; 2012: 82-4. https://dx.doi.org/10.1109/BHI.2012.6211511.
  23. Nodelman E., Molitoris J., Holbert M. Using artificial intelligence to predict spontaneous preterm delivery. Am. J. Obstet. Gynecol. 2020; 222(1, Suppl.): S350. (SMFM 40th Annual Meeting – The Pregnancy Meeting. 3–8 February 2020. Gaylord Texan Resort & Conference Center, Grapevine, Texas).
  24. Yeh J. The potential for improvements in women’s health using artificial intelligence (AI) technology. Preface. Curr. Womens Health Rev. 2018; 14(1): 2.
  25. Shen J.Y., Chen J.B., Liu Z.R., Zhang C., Liu Q., Ming W.K. AI1 An innovative artificial intelligence application in disease screening: an opportunity to improve maternal health care in an underdeveloped rural area. Value Health. 2019; 22(Suppl. 2): S34. (ISPOR 2019: May 18–22 2019, New Orleans, LA, USA).
  26. Bruno V., Biasiotti M., D'Orazio M., Pietropolli A., P Abundo P., Ticconi C. et al. Artificial intelligence (AI) based-method applied in recurrent pregnancy loss (RPL) patients diagnostic work-up and classification: a potential innovation in common clinical practice. Hum. Reprod. 2019; 34 (Suppl. 1): i55-6. (Abstracts of the 35th Annual Meeting of the European Society of Human Reproduction and Embryology).
  27. Hamilton E.F., Dyachenko A., Ciampi A., Maurel K,. Warrick P.A., Garite T.J. Estimating risk of severe neonatal morbidity in preterm births under 32 weeks of gestation. J. Matern. Neonatal Med. 2020; 33(1): 73-80. https://dx.doi.org/10.1080/14767058.2018.1487395.
  28. Iftikhar P., Kuijpers M.V., Khayyat A., Iftikhar A., DeGouvia De Sa M. Artificial intelligence: a new paradigm in obstetrics and gynecology research and clinical practice. Cureus. 2020; 12(2): e7124. https://dx.doi.org/10.7759/cureus.7124.
  29. Bahado-Singh R.O., Sonek J., McKenna D., Cool D., Aydas B., Turkoglu O. et al. Artificial intelligence and amniotic fluid multiomics: prediction of perinatal outcome in asymptomatic women with short cervix. Ultrasound Obstet. Gynecol. 2019; 54(1): 110-8. https://dx.doi.org/10.1002/uog.20168.
  30. Akbulut A., Ertugrul E., Topcu V. Fetal health status prediction based on maternal clinical history using machine learning techniques. Comput. Methods Programs Biomed. 2018; 63: 87-100. https://dx.doi.org/10.1016/j.cmpb.2018.06.010.
  31. Paydar K., Niakan Kalhori S.R., Akbarian M., Sheikhtaheri A. A clinical decision support system for prediction of pregnancy outcome in pregnant women with systemic lupus erythematosus. Int. J. Med. Inform. 2017; 97: 239-46. https://dx.doi.org/10.1016/j.ijmedinf.2016.10.018.
  32. VerMilyea M.D., Don Perugini, Murphy A P., Tuc Ngyuen, Cecilia Rios. et al.Artificial intelligence: non-invasive detection of morphological features associated with abnormalities in chromosomes 21 and 16. Fertil. Steril. 2019; 112(3, Suppl.): e237-8. (75th Scientific Congress of the American Society for Reproductive Medicine. 12-16 October 2019. Philadelphia, Pennsylvania). https://dx.doi.org/10.1016/j.fertnstert.2019.07.1366.
  33. Idowu I.O., Fergus P., Hussain A., Dobbins C., Khalaf M., Eslava R.V.C., Keight R. Artificial intelligence for detecting preterm uterine activity in gynacology and obstertric care. In: IEEE International conference on computer and information technology; ubiquitous computing and communications; dependable, autonomic and secure computing; pervasive intelligence and computing (CIT/IUCC/DASC/PICOM). 2015: 215-20.
  34. Blinov P., Avetisian M., Kokh V., Umerenkov D., Tuzhilin A.Predicting clinical diagnosis from patients electronic health records using BERT-based neural networks. In: Michalowski M., Moskovitch R., eds. Artificial intelligence in medicine. 18th International conference on artificial intelligence in medicine, AIME 2020, Minneapolis, MN, USA, August 25-28, 2020, Proceedings; 2020: 111-21.
  35. Shahid N., Rappon T., Berta W. Applications of artificial neural networks in health care organizational decision-making: A scoping review. PLoS One. 2019; 14(2): e0212356. https://dx.doi.org/10.1371/journal.pone.0212356.
  36. Алтухова О.С., Балашов И.С., Горина К.А., Лагутин В.В., Наумов В.А., Боровиков П.И., Ходжаева З.С. Системы поддержки принятия врачебных решений в акушерстве: возможности и перспективы. Акушерство и гинекология. 2020; 7: 5-11.
  37. Jurisica I., Mylopoulos J., Glasgow J., Shapiro H., Casper R.F. Case-based reasoning in IVF: Prediction and knowledge mining. Artif. Intell. Med. 1998; 12(1): 1-24. 10.1016/s0933-3657(97)00037-7.
  38. Rusch P., Kimmig R. Robotics – „smart medicine“ in der minimal-invasiven gynäkologischen Chirurgie. Der Gynäkologe. 2020; 53(9): 607-13. https://doi.org/10.1007/s00129-020-04614-2.
  39. Tanwani A.K., Sermanet P., Yan A., Anand R., Phielipp M., Goldberg K. Motion2Vec: semi-supervised representation learning from surgical videos. In: Proceedings – IEEE International conference on robotics and automation (ICRA). Online. Paris, France; June 2020.
  40. Moawad G., Tyan P., Louie M. Artificial intelligence and augmented reality in gynecology. Curr. Opin. Obstet. Gynecol. 2019; 31(5): 345-8. https://dx.doi.org/10.1097/GCO.0000000000000559.
  41. Johnson M., Lapkin S., Long V., Sanchez P., Suominen H., Basilakis J., Dawson L. A systematic review of speech recognition technology in health care. BMC Med. Inform. Decis. Mak. 2014; 94. https://dx.doi.org/10.1186/1472-6947-14-94.
  42. Hamet P., Tremblay J. Artificial intelligence in medicine. Metabolism. 2017; 69(Suppl.): S36-40. https://dx.doi.org/10.1016/j.metabol.2017.01.011.
  43. Butow P., Hoque E. Using artificial intelligence to analyse and teach communication in healthcare. Breast. 2020; 50: 49-55. https://dx.doi.org/10.1016/j.breast.2020.01.008.
  44. Wallace B.C., Dahabreh I.J., Trikalinos T.A., Laws M.B., Wilson I., Charniak E. Identifying differences in physician communication styles with a log-linear transition component model. In: Proceedings of the twenty-eighth AAAI conference on artificial intelligence. July 27–31, 2014, Québec City, Québec, Canada. 2014: 1314-20.
  45. Ryan P., Luz S., Albert P., Vogel C., Normand C., Elwyn G. Using artificial intelligence to assess clinicians’ communication skills. BMJ. 2019; 364: l161. https://dx.doi.org/10.1136/bmj.l161.
  46. Razzaki S., Baker A., Perov Y., Middleton K., Baxter J., Mullarkey D. et al. A comparative study of artificial intelligence and human doctors for the purpose of triage and diagnosis. June 2018. Available at: https://arxiv.org. 2018.
  47. Comendador B.E.V., Francisco B.M.B., Medenilla J.S., Nacion S.M.T., Serac T.B.E. Pharmabot: A pediatric generic medicine consultant chatbot. J. Autom. Control Eng. 2015; 3(2): 137-40. https://dx.doi.org/10.12720/joace.3.2.137-140.
  48. Ni L., Lu C., Liu N., Liu J. MANDY: Towards a smart primary care chatbot application. In: Knowledge and Systems Sciences: Proceedings 18th International symposium, KSS 2017. Bangkok, Thailand, November 17–19, 2017. Springer; 2017: 38-52.
  49. Diaz Z.M.R., Muka T., Franco O.H. Personalized solutions for menopause through artificial intelligence: Are we there yet? Maturitas. 2019; 129: 85-6. https://dx.doi.org/10.1016/j.maturitas.2019.07.006.
  50. Shaywitz D.A. I doesn’t ask why – but physicians and drug developers want to know.
  51. Gilvary C., Madhukar N., Elkhader J., Elemento O. The missing pieces of artificial intelligence in medicine. Trends Pharmacol. Sci. 2019; 40(8): 555-64. https://dx.doi.org/10.1016/j.tips.2019.06.001.

Поступила 22.12.2020

Принята в печать 11.01.2021

Об авторах / Для корреспонденции

Сухих Геннадий Тихонович, академик РАН, д.м.н., профессор, директор ФГБУ «НМИЦ АГП им. акад. В.И. Кулакова» Минздрава России.
Тел.: +7(495)438-18-00. E-mail: g_sukhikh@oparina4.ru. 117997, Россия, Москва, ул. Академика Опарина, д. 4.
Давыдов Денис Геннадьевич, канд. психол. наук, доцент, АНО ВО «Открытый гуманитарно-экономический университет». Тел.: +7(926)120-85-22.
E-mail: dgdavydov19@gmail.com. 109029, Россия, Москва, ул. Нижегородская, д. 32, стр. 4.
Логинов Виктор Владимирович, к.б.н., заведующий лабораторией нейрофизиологии, ФГБУ «НМИЦ АГП им. акад. В.И. Кулакова» Минздрава России.
Тел.: +7(495)316-13-75. E-mail: v_loginov@oparina4.ru.
117997, Россия, Москва, ул. Академика Опарина, д. 4.
Баев Олег Радомирович, д.м.н., профeссор, руководитель 1-го родильного отделения, ФГБУ «НМИЦ АГП им. акад. В.И. Кулакова» Минздрава России; профессор кафедры акушерства, гинекологии, перинатологии и репродуктологии, ФГАОУ ВО «Первый МГМУ им. И.М. Сеченова» Минздрава России. Тел.: +7(495)438-11-88.
E-mail: o_baev@oparina4.ru. 117997, Россия, Москва, ул. Академика Опарина, д. 4.
Приходько Андрей Михайлович, к.м.н., врач 1-го родильного отделения, ассистент кафедры акушерства и гинекологии, научный сотрудник отдела инновационных технологий института акушерства, ФГБУ «НМИЦ АГП им. акад. В.И. Кулакова» Минздрава России. Тел.: +7(495)438-30-47. E-mail: a_prikhodko@oparina4.ru.
117997, Россия, Москва, ул. Академика Опарина, д. 4.
Шешко Елена Леонидовна, к.м.н., доцент, руководитель департамента организации проектной деятельности, ФГБУ «НМИЦ АГП им. акад. В.И. Кулакова» Минздрава России. Тел.: +7(495)531-44-44 доб. 1113. E-mail: e_sheshko@oparina4.ru. 117997, Россия, Москва, ул. Академика Опарина, д. 4.
Чмыхова Екатерина Витальевна, канд. соц. наук, доцент, руководитель научных проектов, ООО «Электронное образование».
Тел.: +7(495)638-2912. E-mail: katrinchm@yandex.ru. 129090, Россия, Москва, пр. Мира, д. 14, стр. 1.

Для цитирования: Сухих Г.Т., Давыдов Д.Г., Логинов В.В., Баев О.Р., Приходько А.М., Шешко Е.Л., Чмыхова Е.В. Состояние и перспективы внедрения технологий искусственного интеллекта в акушерско-гинекологическую практику.
Акушерство и гинекология. 2021; 2: 5-12
https://dx.doi.org/10.18565/aig.2021.2.5-12

Также по теме

Продолжая использовать наш сайт, вы даете согласие на обработку файлов cookie, которые обеспечивают правильную работу сайта.