Программа автоматизированного анализа цифровых рентгенограмм органов грудной клетки

Программа автоматизированного анализа цифровых рентгенограмм органов грудной клетки/флюорограмм

Ю.Т. Гогоберидзе, В.И. Классен, М.Я. Натензон, И.А. Просвиркин, А.В. Владзимирский, Д.Е. Шарова, В.В. Зинченко

Ключевые слова: искусственный медицинский интеллект; ИИ-сервис ФтизисБиоМед; нейронные сети; заболевания органов грудной клетки; СППВР; ЕРИС ЕМИАС.

Увеличивающиеся из года в год объемы диагностических медицинских исследований породили разумное стремление к развитию и внедрению новых технологий в сфере диагностики и анализа медицинских данных. Одним из наиболее перспективных решений этой проблемы, зарекомендовавших себя в ходе массового практического применения, стали алгоритмы искусственного интеллекта (ИИ). В ходе трехлетнего (начиная с 2020 г.) Московского эксперимента удалось выработать методологии использования ИИ и успешно внедрить его в систему здравоохранения регионального уровня.

В данной статье авторы делятся опытом разработки медицинского ИИ на примере ИИ-сервиса ФтизисБиоМед и результатами его применения в условиях реальной клинической практики. Данный ИИ-сервис показал свои качество и надежность, что подтверждается технологическим мониторингом.

Клинические испытания

Клинические испытания ИИ-сервиса ФтизисБиоМед проведены на специально подготовленном верифицированном наборе данных (n=1536) с учетом эпидемиологических показателей распространенности основных заболеваний органов грудной клетки. Средняя чувствительность сервиса составила 0,975 (95% CI: 0,966–0,984).

Регистрация и применение

Медицинский ИИ-сервис ФтизисБиоМед зарегистрирован в качестве медицинского изделия (регистрационное удостоверение на медицинское изделие №РЗН 2022/17406 от 31 мая 2022 г.) и активно применяется в Российской Федерации как диагностический инструмент, позволяющий снизить нагрузку на врача-рентгенолога и ускорить процесс получения медицинского заключения.

Введение

С развитием здравоохранения и увеличением объема оказываемых медицинских услуг, что в первую очередь обусловлено внедрением массовой диспансеризации и первичной медицинской помощи, неизбежно возрастает количество диагностических данных, которые необходимо принимать в расчет при постановке диагноза и назначении лечения.

Обработка огромного массива информации требует перехода к цифровому здравоохранению и создания систем поддержки принятия врачебных решений (СППВР) для помощи конкретному больному с использованием аналитики больших данных для оптимизации оказания медицинской помощи.

Создание продуктов искусственного медицинского интеллекта (ИМИ) с глубоким машинным обучением и высокими техническими характеристиками возможно только при тесном взаимодействии медиков и IТ-специалистов.

Преимущества использования медицинского ИИ-сервиса

• Ускорение процесса диагностики и определение патологий на ранних стадиях.
• Увеличение точности диагностики и уменьшение вероятности ошибок.
• Улучшение качества медицинского обслуживания пациентов.
• Оптимизация рабочего процесса медицинского персонала и сокращение времени на анализ медицинских данных.

Заключение

Медицинский ИИ-сервис ФтизисБиоМед является одним из успешных примеров практического применения искусственного интеллекта в медицине. Его возможности позволяют существенно улучшить процесс диагностики и определения патологий на ранних стадиях. Однако необходимо помнить, что ИМИ не способен заменить врача полностью и требует правильного понимания и взаимодействия со стороны медицинского персонала. Внедрение подобных технологий требует не только технической готовности, но и изменений в образовательных программах и регулировании в сфере здравоохранения.

Рис. 5. Участие врачей-экспертов в разметке снимков

Эти данные позволили оценить точность диагностики каждого из врачей-экспертов и выявить возможные расхождения, а также провести анализ и улучшение методов машинного обучения, используемых в сервисе ФтизисБиоМед.

Для обучения нейронной сети использовались данные о метаинформации пациента, включая результаты диагностики, протоколы исследований, клинические характеристики, лечебные назначения и наблюдения, а также анамнез заболеваний, исследовательские, консультативные и оперативные вмешательства.

Система машинного обучения была обучена на пересеченной выборке пациентов, по которым проводилась разметка как врачами-экспертами, так и нейронной сетью. Обучение проводилось для каждого врача-эксперта отдельно, чтобы избежать переобучения модели на стиле интерпретации определенного эксперта.

Эксперименты и тестирование показали высокую точность системы машинного обучения в определении различных патологий на изображениях органов грудной клетки. Это подтверждает эффективность применения таких систем в клинической практике, увеличивая точность и скорость диагностики, а также снижая вероятность человеческих ошибок.

Ключевые моменты:

• Предварительная обработка данных включает фильтрацию, определение характеристик снимка и сегментацию области интереса.
• Ложные активации нейронной сети на инородных телах устраняются специальной надстроечной моделью.
• Блок взаимодействия с клиентом обеспечивает автоматизированное взаимодействие сервиса и клиентов.
• Обучение проводилось на пересекающихся выборках пациентов, размеченных экспертами и нейронной сетью.
• Система машинного обучения показала высокую точность в диагностике патологий на изображениях органов грудной клетки.

Использование таких инновационных систем значительно улучшает диагностику и помогает медицинским учреждениям повысить эффективность и качество медицинского обслуживания.

Результаты арбитража

Рис. 5. Структура выборки для предварительного исследования:

• а — размер выборки и число размеченных масок;
• б — разбиение выборки (n=861) на нормы и патологии

Результаты арбитража по бинарным заключениям (есть патология/нет патологии) для каждого эксперта приведены на гистограммах (рис. 6).

Лучшие результаты

Врач регионального уровня (эксперт №1) показал:

• чувствительность — 73,27%
• специфичность — 96,72%

Эксперты №2 и 3 продемонстрировали:

• высокую специфичность — 99,34% и 99,47% соответственно

Такие показатели могут быть связаны со специализацией врача.

Рис. 6. Результаты арбитража по бинарным заключениям

Стратегии диагностики

• Высокая чувствительность важна при диагностике изображений на потоке
• При массовом скрининге лучше провести дополнительную диагностику здорового пациента, чем пропустить пациента с патологией
• Высокая специфичность характерна для задач диагностики изображений с высокой претестовой вероятностью

Результаты арбитража по качеству разметки

Результаты арбитража по качеству разметки приведены на гистограммах (рис. 7).

• Оценка Верно
• Оценка Частично верно
• Оценка Неверно
• Оценка Патология отсутствует

Рис. 7. Результаты арбитража по качеству разметки

Выводы и рекомендации

Анализ результатов исследования показал:

• Низкий уровень сходимости заключений врачей
• Предложен метод тройного чтения врачами различной квалификации
• Первичная выборка данных должна быть собрана из диверсифицированных источников
• Отсев снимков низкого качества и несоответствующих техническим критериям необходим

Валидация

Врачи, разметившие выборку, высказывают консолидированное мнение по каждому из снимков выборки и совместно разрабатывают маркировку. Все снимки, по которым мнения разошлись, отбрасываются и заменяются. После чего по заменяющим снимкам тоже проводится процедура согласования. Консилиум врачей-составителей выборки не должен совпадать или пересекаться с составителями выборок обучения. Стаж работы по специальности составителей — не менее 14 лет.

Для внутренней валидации сервиса «ФтизисБио­Мед» использовали (на момент написания статьи) выборку из 115 изображений: 52 без признаков патологий и 63 — с различными признаками патологий (виды размеченных патологий: инфильтрация — 35, пневмоторакс — 4, плевральный выпот — 23, очаги — 4, диссеминация — 2, кальцинаты — 13, нарушение целостности кортикального слоя — 3).

Для оценки эффективности сервиса применяли стандартные метрики диагностической точности, такие как площадь под характеристической ROC-кривой (AUCROC), чувствительность, специфичность и другие.

Приемлемые значения чувствительности и специфичности выбираются стандартно по критерию максимизации индекса Юдена — для максимизации общей валидности или по критерию максимизации значения предсказательной ценности отрицательного результата (предсказательная стандартная метрика диагностической точности, англ. negative predictive value, NPV) — для минимизации ложноотрицательных срабатываний.

Порог индекса Юдена — 0,79. Порог max NPV — 0,79. При проведении внутренней валидации на наборе данных из 115 изображений достигнуто значение AUCROC в 95,0% случаев (рис. 8).

Рис. 8. ROC-кривая, построенная на основании обработки сервисом набора из 115 исследований (версия 3.2 сервиса «ФтизисБиоМед»)

Московский эксперимент и внешняя валидация

компьютерная томография и низкодозная компьютерная томография грудной клетки с целью выявления рака легких;

маммография с целью выявления рака молочных желез;

рентгенография легких с целью определения патологии легких;

компьютерная томография грудной клетки с целью выявления новой коронавирусной инфекции.

Для решения технических проблем, а также с целью повышения доступности сервиса медицинским специалистам был разработан интерфейс для интеграции разнородных систем, который включал в себя программно-аппаратные шлюзы, подключаемые к ЕРИС ЕМИАС через разных интернет-провайдеров, что в свою очередь позволило решить задачи аппаратного и программного резервирования, а также распределения нагрузки (рис. 9).

Рис. 9. Аппаратная схема интеграции с ЕРИС ЕМИАС

Рис. 10. Функциональная схема интеграции с ЕРИС ЕМИАС

Нагрузку (поток заданий на обработку) между подключенными сетевыми узлами одного абонента автоматически распределяет ЕСУВВ. Система публикует задания на обработку исследований для всех подключенных к ней абонентов. Для того чтобы сервис мог обрабатывать только предназначающиеся для него актуальные исследования (давность которых не превышает 6,5 мин к моменту обработки ИИ — таково условие эксперимента), разработан модуль фильтрации. Программный модуль читает все сообщения из ЕСУВВ, выполняет их синтаксический анализ, фиксируя идентификаторы исследований: во-первых, не являющихся устаревшими, во-вторых, предназначенных для сервиса с учетом модальности (типа диагностического оборудования) и возрастной группы пациента.

После синтаксического анализа по идентификатору исследования программно-аппаратный шлюз запрашивает и скачивает исследования из PACS-сервера ЕРИС ЕМИАС.

Полученное исследование формата DICOM может содержать в себе серию снимков разных проекций (прямая или боковая) как в негативе, так и в позитиве. Для того чтобы на обработку ИИ попал правильный снимок, необходимо провести ряд последовательных проверок:

анализ DICOM-тегов, характеризующих модальность изображения;

интеллектуальный анализ изображения с помощью вспомогательной нейронной сети, определяющей, насколько представленное изображение валидно для анализа (т.е. в случае сервиса «ФтизисБиоМед» — является ли представленное изображение рентгенографическим снимком легких в прямой проекции);

классификацию снимка по критерию негатив/позитив с применением детерминированного алгоритма и инверсию негативного снимка.

Позитивная рентгенограмма/флюорограмма грудной клетки в прямой проекции передается на обработку в ИИ, а также на обработку нейронной сетью, решающей задачу сегментации контуров легких. Далее, в случае если ИИ сделал заключение о наличии патологии, строятся контуры выявленных на снимке патологий. Результат построения контуров накладывается на исходное изображение. В противном случае сервис выдает заключение о том, что патологии на снимке не выявлены. Последней стадией обработки медицинского изображения является классификация патологических признаков. Для решения этой задачи используется вспомогательная нейронная сеть (классификатор), на вход которой подаются выявленные в процессе локализации патологические области. Эти области вычленяются из изображения и последовательно подаются на анализ вспомогательной нейронной сетью.

Классификатор решает задачу классификации по 9 патологическим признакам: плевральный выпот, пневмоторакс, ателектаз, очаг затемнения, инфильтрация/консолидация, диссеминация, полость, кальцинат/кальцинированная тень в легких, нарушение целостности кортикального слоя.

По результатам обработки сервисом исследования в радиологическую информационную систему отправляются отчет DICOM SC (рис. 11), отчет DICOM SR (рис. 12) и два сообщения в ЕСУВВ (Kafka), уведомляющих об отправке каждого из DICOM-отчетов.

Рис. 11. Отчет DICOM SC

Рис. 12. Отчет DICOM SR

Таблица 1. Результаты калибровочного тестирования

В результате нескольких этапных тестирований на эталонном наборе данных достигнуто значение AUCROC — 0,965, чувствительности — 0,92 (95% CI: 0,87–0,97), специфичности — 0,94 (95% CI: 0,89–0,99). Этапность тестирований была обусловлена процедурами эксперимента, выпуском новых версий ИИ-сервиса «ФтизисБиоМед».

Далее ИИ-сервис «ФтизисБиоМед» был допущен к работе на потоке исследований. Для автоматизированного анализа на сервис маршрутизировали результаты профилактических рентгенологических исследований органов грудной клетки, выполненных в медицинских организациях Департамента здравоохранения Москвы. В условиях реальной клинической работы ИИ-сервис «ФтизисБиоМед» показал свое качество и надежность, что подтверждается процедурами технологического мониторинга (предусмотренными методикой эксперимента) и включением сервиса в тройку лидеров ежемесячного рейтинга участников эксперимента (mosmed.ai/ai/).

Клинические испытания ИИ-сервиса «ФтизисБиоМед»

Индекс-тест проводили на программном обеспечении «Программа автоматизированного анализа цифровых рентгенограмм органов грудной клетки/флюорограмм по ТУ 62.01.29-001-96876180-2019» производства ООО «ФтизисБиоМед», Россия (далее — ПО «ФтизисБиоМед»). Это программное обеспечение предназначено для использования квалифицированными сотрудниками медицинских организаций. Функциональное назначение позволяет позиционировать его как инструмент поддержки принятия врачебных решений. Потенциально ПО «ФтизисБиоМед» при его клинической реализации может сократить время постановки диагноза врачом, позволит своевременно заметить признаки патологий, что в результате даст дополнительное время врачу (сотруднику медицинской организации) для лечения и реабилитации пациента.

Применение ПО «ФтизисБиоМед» показано для анализа цифровых флюорографических снимков (рентгенограмм) легких в прямой передней проекции и выявления патологий.

Осуществляется автоматическое выявление рент­ге­нологических признаков следующих патологий:

1. Патологии 1-го рода — условно «опасные». Признаки: инфильтрация (фокус) — свыше 1,5 см; полость; пневмоторакс; гидроторакс; очаг; патологические изменения корней лёгких; уровень жидкости; очаги.

2. Патологии 2-го рода — условно «неопасные». Признаки: интерстициальные изменения в легочной паренхиме; цирроз; фиброторакс; изменения плевры; кальцинаты/обызвествления; диафрагмальная грыжа; изменения в костях; цепочки металлических швов; инородные тела; участок повышенной прозрачности (не полость); ателектаз; изменения в органах средостения.

Абсолютные и относительные противопоказания к применению ПО отсутствуют.

Для формирования первоначального набора данных использовали результаты флюорографических исследований из ЕРИС ЕМИАС в соответствии с действующим законодательством. Все результаты исследований подвергнуты процедуре деперсонализации в установленном порядке.

Первоначальный отбор из ЕРИС ЕМИАС проводили по следующим параметрам: наименование процедуры, вид диагностического устройства, вид медицинской организации, дата снимка, возраст пациента. В результате отбора получено около 400 тыс. идентификаторов исследований.

Для отобранных исследований получали заключения врачей-рентгенологов из ЕРИС ЕМИАС. Эти заключения впоследствии анализировали по ключевым словам. В анализ включали только флюорограммы пациентов старше 18 лет. В результате отбора по ключевым словам получили набор данных из 5000 изображений для последующей верификации и использования в ходе исследования диагностической точности ПО «ФтизисБиоМед».

Набор данных включает в себя результаты флюорографии: диагностические изображения без признаков патологии (норма) и изображения со всеми рентгенологическими признаками патологий, перечисленных выше.

Проводили визуальный анализ отобранных результатов флюорографических исследований, в ходе которого исключали: спорные изображения, не содержащие выраженных признаков патологий, перечисленных в документации производителя, и которые нельзя достоверно отнести к категории «норма»; изображения с недостаточным техническим качеством (низкая контрастность и т.п.).

В результате отбора получено 1536 изображений, содержащих только фронтальные снимки области груд­­ной клетки. Поскольку тестируемое ПО, согласно документации, не обрабатывает боковые проекции, при формировании верифицированного набора данных такие изображения принудительно удаляли.

В итоговый набор данных вошли результаты исследований, выполненные на диагностических аппаратах 18 различных моделей (11 производителей), 4 из которых относятся к категории флюорографов (n=670), остальные 14 — к категории рентген-диагностических аппаратов (n=866). Далее выполнена разметка набора данных.

В разметке и верификации набора данных участвовали четыре врача-рентгенолога со стажем работы от 9 до 40 лет. Разметку набора данных выполняли два врача-рентгенолога, которые анализировали фронтальные проекции. При просмотре сопоставляли с каждым снимком один или несколько рентгенологических признаков патологий. Если изображение не содержало признаков патологии, его относили к категории «норма».

По результатам анализа установлено, что 393 изображения из 1536 не содержат признаков патологии. Другие 1143 изображения содержат отметки одного и более патологического признака (всего 3304 отметки признаков на всей группе изображений с признаками патологий). Из них 291 изображение содержит только по одной отметке и, таким образом, эти изображения могут быть точно отнесены к определенному классу признаков патологий.

Верификацию набора данных проводили два врача-рентгенолога, которые имели ученые степени и сертификаты о прохождении курсов надлежащей клинической практики.

Статистический анализ

Определение точности работы ПО проводили в два этапа: на первом оценивали интегральную характеристику системы без разделения на рентгенологические признаки, на втором — точность для отдельных рент­генологических признаков.

Статистическая значимость результатов определялась 95% CI.

Результаты

Для 19 изображений текстовые отчеты получены не были. В связи с этим предприняли попытку обработать их отдельно. При повторной обработке текстовые отчеты также не получили, поэтому данные изображения исключили из списка верифицированного набора данных и в дальнейшем не анализировали.

Таким образом, уточненный верифицированный набор данных содержит 1517 изображений. Из них 391 (25,8%) не содержит признаков патологии. Распределение рентгенологических признаков представлено в табл. 2.

Таблица 2. Тестовый набор данных изображений с признаками патологии (n=1126), успешно обработанных ПО «ФтизисБиоМед»

Соответственно, 1126 изображений (74,2%) содержат 3259 отметок о наличии патологий. По одной патологической отметке содержится только в 289 изображениях; 837 изображений содержат более чем по одной отметке на изображение (2970 отметок, в среднем по 3 или 4 отметки на изображение).

Определено число истинно-положительных, истинно-отрицательных, ложноположительных, ложноотрицательных результатов, построена и проанализирована четырехпольная таблица, а также характеристическая кривая (ROC-кривая, рис. 13), при этом установлено оптимальное значение порога активации (cut-off) — T=0,1 (оптимальным считали значение, на фоне которого достигнута максимальная чувствительность при специфичности не ниже 0,3). На первом этапе выполнена интегральная оценка показателей точности, на втором — по отдельным рентгенологическим признакам.

Рис. 13. ROC-кривая при анализе набора данных без разбиения на признаки (состояние порога активации 0,1)

Оценка интегральных показателей чувстви­тельности и специфичности. При заданном пороге получили следующие значения показателей точности: чувствительность — 0,876 (95% CI: 0,85–0,89); специфичность — 0,75 (95% CI: 0,71–0,78).

Все 94 ложноположительных и 139 ложноотрицательных случаев передали для повторной экспертной оценки врачам-рент­генологам. Повторную разметку проводили «вслепую»: не сообщали врачам никакой дополнительной информации о ранее выполненной разметке этих изображений и никаких сведений о результатах работы ПО «ФтизисБиоМед».

Экспертную оценку спорных случаев выполняли члены рабочей группы, имеющие ученую степень в области медицины и соответствующую специализацию. Эксперты подтвердили, что все случаи, не распознанные программным обеспечением, действительно корректно отнесены к классам «норма» или «патология» при первоначальной разметке. Таким образом, все ошибки распознавания отнесли на счет некорректной работы ПО «ФтизисБиоМед».

Оценка показателей по отдельным рентгенологическим признакам. Поскольку для подтверждения большинства признаков количества уникальных изображений недостаточно, применяли итерационный подход:

1. Выбирали рентгенологические признаки, по которым чувствительность по результатам тестирования не достигает порогового значения.

2. Среди них выбирали признак, содержащий наибольшее число уникальных изображений (на первой итерации это был признак «Усиление и деформация легочного рисунка» (n=76)).

3. Определяли чувствительность для выбранной группы изображений. Показатель составил 0,81. На основании этого признали, что чувствительность диагностики названного выше признака недостаточна.

4. Исключили из анализа 76 изображений, уникальных по данному признаку.

5. Исключили этот признак из анализа. При этом изображения, ранее включавшие данный признак наряду с каким-либо другим, теперь считали включающими только другой признак.

6. После исключения изображений и признака, отобранного на шаге 2, возвращались к шагу 1.

7. Действия 1–6 повторяли до тех пор, пока интегральная чувствительность по оставшимся признакам не достигла заявленной производителем чувствительности, равной 0,93. Всего исключили 7 признаков (кольцевидная тень (диафрагмальная грыжа); усиление и деформация легочного рисунка (интерстициальные изменения в легочной паренхиме, пневмофиброз, пневмосклероз); расширение (деформация) тени корня/корней легких или смещение тени корня/корней легких; инородные тела; изменение тени средостения; круглая тень легочной локализации; участок повышенной прозрачности) и 371 ложноотрицательное исследование.

В табл. 3 представлены признаки с интегральной чувствительностью 0,93.

Таблица 3. Признаки с интегральной чувствительностью ≥0,93

Средняя чувствительность по оставшейся выборке (1183 отметки) составила 0,975 (95% CI: 0,966–0,984). Соответственно, специфичность тестируемого ПО «ФтизисБиоМед» — 0,75 с уровнем значимости 0,023.

Рентгенологические признаки, представленные в табл. 3, и ассоциированные с ними патологии ди­аг­ностируются с высокой чувствительностью. Ста­тис­тическая значимость составила менее 0,05, что говорит о высокой достоверности оценки.

1. отклонена для следующих признаков: инфильтрация — при частичном и тотальном затемнении; гид­роторакс (уровень жидкости) — при частичном и при тотальном затемнении; цирроз; фиброторакс; ателектаз — при частичном и тотальном затемнении; очаг; полость; пневмоторакс; очаги (диссеминация); изменения плевры; кальцинаты; изменения костных структур;

2. принята для признаков следующих признаков: инфильтрация (фокус); диафрагмальная грыжа; интерстициальные изменения в легочной паренхиме; патологические изменения корней легких; цепочки металлических швов, инородные тела; изменения в органах средостения; участок повышенной прозрачности (не полость).

Частные примеры анализа

Для прояснения аспектов работы сформулируем несколько тезисов.

1. ИИ не руководствуется вспомогательными факторами, кроме тех, которые ему представлены, и даже из них он оперирует только теми, которые способен интерпретировать. Иными словами, если ИИ предназначен для анализа изображений, то только это он и будет делать. По умолчанию возраст, пол, результаты анализа крови, история болезни пациента и другие факторы в расчет не принимаются. При использовании более совершенных моделей или же алгоритмических надстроек некоторые из этих факторов могут быть учтены. Однако за универсальность и широкий охват анализируемых признаков зачастую приходится платить точностью системы. Таким же образом приходится платить, когда ИИ приспосабливают для решения более одной задачи, например задач локализации и классификации.

2. Мнение ИИ — это математический результат, поэтому оно зачастую сильно подвержено искажению в зависимости от того, при каких условиях анализ был произведен. Большое значение имеют исходные данные. Искаженные, зашумленные изображения или же частичные изображения анализируемых органов приводят к «мусорным» результатам инференции. Например, огромное значение для ИИ-анализа рент­генографических изображений имеет правильная укладка пациента. Кроме того, даже проанализировав снимки одного и того же пациента, полученные разными рентген-аппаратами или даже одним рентген-аппаратом, но с измененными настройками, ИМИ может дать несколько различающиеся заключения.

3. Сколько бы раз ИИ-сервис «Фтизис­Био­Мед» ни анализировал одно и то же исследование в одних и тех же условиях, он будет приходить к одинаковому заключению внутри одной итерации обучения.

4. С учетом вышесказанного предлагаем обратить внимание на несколько результатов обработки ИИ исследований реальных пациентов.

Пример 1. На профилактической флюо­рографии (рис. 14) ИИ «ФтизисБиоМед» выявил округлое новообразование диа­метром 8 мм или туберкулезный очаг. Дальнейшее дообследование в виде КТ с внутривенным контрастированием показало отсутствие туберкулеза и исключило злокачественность образования. Наиболее вероятный диагноз по результатам КТ — «доброкачественное врожденное образование — гамартома легкого» (нет патологической опухолевой сосудистой сети, питающей образование).

Рис. 14. Обработка профилактической флюорографии сервисом «Фтизис­БиоМед» (слева) и результаты КТ-исследования (справа)

Пример 2. ИИ «ФтизисБио­Мед» на флюо­рографии (рис. 15) маркирует изменения на верхушках обоих легких. Для исключения активного туберкулеза врач обратился к флюорографическому архиву: выявлено отсутствие динамики. На КТ (ранее) обнаружены массивные плевроапикальные наслоения с двух сторон. Активного туберкулеза нет.

Рис. 15. Обработка потоковой флюорографии сервисом «ФтизисБиоМед» (справа) и ре­зультаты КТ-исследования (слева)

Пример 3. ИИ «ФтизисБио­Мед» на флюорографии (рис. 16) выявил затемнение бокового плеврального синуса слева. Необходимо в первую очередь исключить наличие воспалительной жидкости в плевральной полости. У данного пациента женского пола была операция с частичной резекцией лёгкого, что вызвало поднятие диафрагмы слева, укорочение и затемнение синуса слева. Заметно сместились срединные структуры (сердце и сосуды) влево вследствие объемного уменьшения легкого после операции. С учетом операции в анамнезе и стабильной рентгенологической картины на протяжении трех месяцев можно заключить, что воспалительная жидкость в плевральном синусе слева исключена.

Рис. 16. Обработка потоковой флюорографии сервисом «ФтизисБиоМед» (справа), исходное изображение (слева)

Пример 4. ИИ «ФтизисБио­Мед» на флюо­рографии (рис. 17) маркирует изменение в виде врожденного шейного ребра слева (чаще — скомпенсированная патология, однако изредка могут быть неврологические симптомы).

Рис. 17. Обнаружение с помощью искусственного интеллекта «Фтизис­БиоМед» врожденного шейного ребра (справа) и исходное изображение (слева)

Пример 5. ИИ «ФтизисБиоМед» на флюо­рографии (рис. 18) выявил последствия перенесенной пневмонии в виде линейной локальной деформации легочного рисунка в базальном отделе левого легкого. По базе данных эти рубцовые изменения — без динамики в течение 6 мес.

Рис. 18. Обнаружение с помощью искусственного интеллекта «Фтизис­БиоМед» последствий пневмонии (справа) и исходное изображение (слева)

Пример 6. ИИ «ФтизисБиоМед» на флюорографии (рис. 19) маркирует участок линейной деформации легочного рисунка и предлагает дифференцировать дисковидный ателектаз и постпневмонический фиброз. КТ из архива показывает степень по­ражения легких КТ3 при COVID-19 за два года до настоящего времени. Вывод: на флюорографии постпневмонический фиброз (хотя возможно даже неполное расправление участка легкого с формированием фиброателектаза после массивного воспаления с формированием грубых рубцовых изменений — фиброза в легких).

Рис. 19. Обнаружение с помощью искусственного интеллекта «Фтизис­БиоМед» дисковидного ателектаза (слева) и результаты КТ-ис­следования (справа)

Пример 7. ИИ «ФтизисБиоМед» выявил значительные остаточные изменения по­сле перенесенного туберкулеза (рис. 20). Дальнейшее обследование на КТ под­твер­ждает наличие изменений и исключает активность инфекции.

Рис. 20. Обнаружение с по­мощью искусственного ин­тел­лекта «ФтизисБиоМед» оста­точных изменений (слева) и ре­зультаты КТ-иссле­дова­ния (справа)

Результаты настоящего исследования по­казали, что, поскольку диагностические мет­рики врачей могут быть сильно раз­но­родными, обусловленными их специализа­цией и опытом, использование заключения отдельного врача как эталонного мнения при оценке диагностических метрик ИИ-сервиса нецелесообразно. Объективная оценка тре­бует коллективного мнения.

Природа ошибок врача и ИИ различна, при этом метрики сопоставимы. С одной стороны, ошибки ИИ зачастую очевидны для врача, с другой — ИИ-сервис может сфокусировать внимание врача на неочевидной пато­ло­гической области, которая потенциально могла быть им пропущена. Объединение врача и ИМИ в систему способно породить синергетический эффект, выраженный в по­вышении диагностических метрик системы «врач + ИМИ» относительно метрик врача и ИМИ в отдельности.

Исследования, проведенные как в рамках Московского эксперимента (на 2023 г. об­ра­ботано более 8 млн медицинских изо­бра­же­ний), так и международными экс­пер­тами в последние годы наглядно демонстрируют, что качество анализа ИИ медицинских изобра­жений вплотную приближается к качеству работы опытных врачей-диагностов, и это позволяет смот­реть в будущее технологий ИМИ со сдержанным оптимизмом. В результате многолетнего периода ис­следований, разработок, тестирований вы­явлена и доказана на практике жизнеспособность СППВР на базе технологий ИИ.

Для развития и увеличения эффективности технологий ИМИ разработаны и проверены на практике методологии обучения и испытаний продуктов ИИ, а также внедрение ИМИ в клинические процессы медицинских учреждений.

Заключение

В рамках Московского эксперимента ИИ-сер­вис «ФтизисБиоМед» прошел этапные процедуры тестирования на эталонных наборах данных. Достигнуто высокое значение площади под характеристической ROC-кривой — 0,965, чув­стви­тельности — 0,92 (95% CI: 0,87–0,97) и специфичности — 0,94 (95% CI: 0,89–0,99). В условиях реальной клинической практики (обработка потока результатов профилактических рентгенологических исследований органов грудной клетки, выполненных в медицинских организациях Департамента здра­во­охранения Москвы) «ФтизисБиоМед» показал свои качество и надежность, что подтверждается процедурами технологического мониторинга (пре­дусмот­ренными методикой эксперимента).

Клинические испытания медицинского ИИ-сер­виса «ФтизисБиоМед» проведены на верифицированном наборе данных (n=1536), подготовленном с учетом эпидемиологических показателей распространенности основных заболеваний органов грудной клетки. В процессе тестирования установлено, что диагностическая точность «ФтизисБиоМед» неравнозначна для разных патологических признаков, поэтому несколько таковых были исключены из возможностей ИИ-сервиса. В результате клинических испытаний определена средняя чувствительность медицинского ИИ-сервиса «ФтизисБиоМед» — 0,975 (95% CI: 0,966–0,984).

«ФтизисБиоМед» зарегистрирован в качестве медицинского изделия (Регистрационное удо­сто­ве­рение на медицинское изделие №РЗН 2022/17406 от 31 мая 2022 г.) и активно применяется в Рос­сийской Федерации как диагностический инстру­мент, позволяющий снизить нагрузку на врача-рентгенолога и ускорить процесс получения ме­дицинского заключения.

Благодарности. Авторы выражают благодарность академику РАН А.Г. Чучалину, члену-корреспонденту РАН А.Э. Эргешову, директору ЦНИИ туберкулеза, д.м.н. Р.Б. Амансахедову, к.т.н. А.В. Мальцеву, к.т.н. Н.Г. Андрианову, А.П. Алексееву, С.И. Коновалову, к.м.н. А.Ф. Алиеву за полезные дискуссии и предостав­ленные клинические результаты.

Финансирование исследования. Наибольшая часть финансирования разработки ИИ-сервиса «Фти­зис­­БиоМед» была получена от Департамента здраво­охранения Москвы. Важной составляющей была и фи­нансовая (грантовая) помощь Фонда содействия инновациям. Постоянной на протяжении семи лет была поддержка АО «РК "Вектор"».

Конфликт интересов. Авторы заявляют об отсутствии конфликтов интересов.

Москва – умный город

Основная статья: Москва Умный город (Smart city)

Единая медицинская информационно-аналитическая система

Текущая версия страницы пока не проверялась опытными участниками и может значительно отличаться от версии, проверенной 19 декабря 2023 года; проверки требуют 2 правки.

Единая медицинская информационно-аналитическая система (ЕМИАС)

Создатель Департамент информационных технологий Москвы Департамент здравоохранения Москвы

Начало работы 21 мая 2013 г.

Медиафайлы на Викискладе

При этом система содержит интегрированную амбулаторную медицинскую карту.

Помимо этого, система содержит информацию о загруженности медицинских учреждений и востребованности врачей и позволяет управлять медицинскими регистрами, решая медико-организационные задачи применительно к различным категориям граждан, имеющих определённые заболевания.

Показатели использования системы

11 августа 2021 года стало известно о том, что почти все роддомы и перинатальные центры Москвы подключились к единой цифровой платформе ЕМИАС. Благодаря реализации этого проекта, как сообщается на сайте мэра столицы, повышается качество оказания медицинской помощи пациенткам во время беременности, родов и в послеродовый период, а также улучшается взаимодействие с амбулаторно-поликлиническим звеном.

В ближайшее время мы завершим процесс подключения родильных домов и перинатальных центров столицы к единой цифровой платформе, на сегодняшний день подключены уже 95% этих учреждений. Для этого мы обновили сетевую и серверную инфраструктуру и обучили персонал работе в системе, — заявила заместитель мэра Москвы по вопросам социального развития Анастасия Ракова, чьи слова 11 августа 2021 года.

Практически все роддомы и перинатальные центры Москвы подключились к ЕМИАС

Подключение к ЕМИАС позволяет врачам получить доступ к электронной медкарте пациенток и учитывать данные об их здоровье при оказании необходимой медицинской помощи. Интеграция системы с клинико-диагностическими лабораториями дает возможность врачу иметь доступ к данным лабораторных исследований. Кроме того, врач освобождается от бумажной работы: вся первичная медицинская документация полностью ведется в системе, и сведения о пациентках вносятся в электронную историю родов.

В рамках реализации проекта в электронный вид был переведен ряд важных для акушерского стационара медицинских документов. Среди них — протоколы родов, партограммы, выписные эпикризы родильниц, неонатальные эпикризы новорожденных и другие документы.

Внедрение подсистемы «Дежурный врач» в 368 поликлиниках Москвы

09 октября 2018 года Крок завил, что Подсистема Единой медицинской информационно-аналитической системы Москвы (ЕМИАС) «Дежурный врач» сократит время ожидания приема у дежурного врача. У пациентов, пришедших в поликлинику без электронной предварительной записи и рассчитывающих на прием в день обращения, появилась электронная очередь и комфортные зоны ожидания, а у медиков — возможность контролировать поток пациентов и принимать меры по оптимизации очередей.

Гражданин, нуждающийся в медицинской помощи в день обращения, получает на стойке информации или в инфомате талончик c номером в электронной очереди и направляется в зону ожидания. Ранее пациенты были вынуждены располагаться рядом с кабинетом, чтобы не пропустить прием, и ожидание в «живой очереди» доставляло немало неудобств. Компонент «Дежурный врач» также позволяет главному врачу и заведующим отделений поликлиники отслеживать загрузку врачей и моментально подключать иных специалистов для ускорения приема граждан и сокращения очереди.

Внедрение подсистемы в 368 взрослых и детских городских поликлиниках Москвы реализовано компанией КРОК.

«Дежурным врачом» на 9 октября 2018 года пользуется 376 сотрудников организационно-методических отделов поликлиник, 2306 сотрудников стоек информации, 563 заведующих отделениями. В задачи КРОК вошли методологическая подготовка и внедрение ПО, включающее настройку подсистемы, персональный инструктаж и консультативную поддержку всех участников работы с электронной очередью.

Мы проводили внедрение подсистемы таким образом, чтобы это не сказалось на текущем режиме работы медучреждений и не создало коллапса в приеме граждан дежурным врачом. К задачам привлекли около 50 консультантов, аналитиков и менеджеров КРОК. При внедрении подсистемы мы провели масштабное персональное обучение сотрудников поликлиник. На октябрь 2018 года ЕМИАС в целом и «Дежурный врач» в частности позволяют структурировать работу персонала, контролировать нагрузку, корректно распределять поток пациентов, обращающихся к врачу без предварительной записи, по неотложным обстоятельствам.Сергей Стрелков, директор по разработке ПО КРОК

Москвичам выписали более 45 миллионов электронных рецептов за четыре года

Основная статья: Электронный рецепт

На начало 2018 года столичные врачи выписали пациентам более 45 миллионов электронных рецептов, из них 43 миллиона — льготных, лекарства по ним горожане могут получить бесплатно в аптеках при поликлиниках. Подробнее здесь.

Электронные медкарты — у 6,3 млн москвичей

Как в январе 2018 года сообщил Департамент здравоохранения города Москвы, в Единой медицинской информационно-аналитической системе (ЕМИАС) заведено уже более 6,3 млн электронных медицинских карт москвичей.

Электронная медицинская карта доступна всем врачам, работающим в системе ЕМИАС. В ней содержится информация о заболеваниях пациента, визитах к врачу, назначенных лекарственных препаратах, больничных листах.

Общее количество пациентов, зарегистрированных в ЕМИАС и хотя бы раз записавшихся на прием к врачу, превысило отметку в 9,7 млн человек. У большинства из них уже заведена электронная медицинская карта, — рассказал руководитель Департамента здравоохранения города МосквыАлексей Хрипун. — Необходимость просматривать бумажные медицинские карты уже давно в прошлом, медкарты в электронном виде позволяют врачам найти всю необходимую информацию о пациенте, где бы он ни находился, экономя время и пациента, и врача. В режиме реального времени врач видит информацию, нужную для постановки диагноза и назначения лечения, как в поликлинике, так и во время вызова скорой помощи, что крайне важно, когда пациенту требуется, например, экстренная госпитализация. Более того, такие карты доступны всегда, их нельзя потерять, а для сохранения данных предусмотрены несколько систем защиты.

Зачем нужна ЕМИАС

ЕМИАС, Единая медицинская информационно-аналитическая система – это государственная единая медицинская информационно-аналитическая система города Москвы, которая создается с целью повышения качества и доступности медицинских услуг государственных учреждений здравоохранения.

Что такое ЕМИАС – Презентация, март 2013

Проект разработан и реализуется Департаментом информационных технологий города Москвы в рамках программы «Информационный город», на основании постановления Правительства Москвы от 7 апреля 2011 г. № 114-ПП «О Программе модернизации здравоохранения города Москвы на 2011-2012 годы» (в редакции постановления Правительства Москвы от 27.10.2011 № 513-ПП)

Функционал системы должен включать в себя:

Помимо интеграции сервисов между собой, а также с медицинскими информационными системами лечебных учреждений, ЕМИАС предстоит интегрировать с программным обеспечением федерального фрагмента «ЕГИС-Здрав» и системами электронного правительства, включая порталы госуслуг.

На октябрь 2012 года ЕМИАС состоит из набора сервисов с веб-доступом, подсистемы формирования пользовательских интерфейсов и интеграционной шины, которая должна моделировать бизнес-процессы при оказании медпомощи, увязывая сервисы между собой.

В МКНЦ активно внедряется КИС ЕМИАС

Новости 31.01.2024

Теперь для удобства пациентов города Москвы в личном кабинете ЕМИАС будут доступны все данные о услугах, оказанных пациенту в рамках ОМС:

Преимущества личного кабинета ЕМИАС:

Доступ к медицинской карте в ЕМИАС появится у пациентов г. Москвы:

Консультативно-диагностического отделения МКНЦ – с 1 февраля 2024 года: – МКНЦ на шоссе Энтузиастов, – Филиал МКНЦ на ул. Академика Павлова.

или оформив заявку на сайте mknc.ru в форме «Задать вопрос».

*Единая медицинская информационно-аналитическая система КИС ЕМИАС разработана и реализуется Департаментом информационных технологий города Москвы совместно с Департаментом здравоохранения города Москвы в рамках программы «Информационный город» для повышения качества и доступности медицинской помощи в государственных учреждениях здравоохранения.