ДЕНСАУЛЫҚ САҚТАУДАҒЫ ЖАСАНДЫ ИНТЕЛЛЕКТ

ДЕНСАУЛЫҚ САҚТАУДАҒЫ ЖАСАНДЫ ИНТЕЛЛЕКТ: АҒЫМДАҒЫ ТРЕНДТЕР МЕН ПЕРСПЕКТИВАЛАР

Қойшыбай Бекнұр Ерболатұлы

Информатика білім беру бағдарламасының 3 курс студенті, Астана халықаралық университеті, Астана, Қазақстан

Аңдатпа. Жасанды интеллект (ЖИ) әртүрлі салаларда барған сайын маңызды рөл атқарады және денсаулық сақтау да ерекшелік емес. Соңғы жылдары технология және диагностиканы, емдеуді және денсаулық сақтауды басқаруды жақсартуда айтарлықтай әлеует көрсетті. Бұл мақала денсаулық сақтау саласында ЖИ қолданудың өзекті тенденцияларын қарастырады, сонымен қатар осы саланың болашағы мен сын-қатерлерін талқылайды.

Кілттік сөздер: Жасанды интеллект, медицина, диагностика, тенденция, денсаулық.

Жасанды интеллект ауруларды диагностикалаудың дәлдігі мен жылдамдығын едәуір жақсартты. Машиналық оқыту алгоритмдері (МО) үлкен көлемдегі деректерді талдай алады және адам көзіне көрінбейтін үлгілерді анықтай алады. Мысалы, терең оқыту суреттерді тәжірибелі рентгенологтармен салыстыруға болатын немесе одан жоғары дәлдікпен талдау арқылы қатерлі ісік диагностикасында жоғары тиімділікті көрсетті (Esteva et al., 2017).[1]

Пациенттің генетикалық ақпаратына негізделген жекелендірілген медицина ЖИ арқылы айтарлықтай дамиды. МО алгоритмдері геномдық деректерді талдауға және белгілі бір пациент үшін қандай препараттар ең тиімді болатынын болжауға көмектеседі (Topol, 2019). Бұл жеке емдеу жоспарларын жасауға және пациенттердің нәтижелерін жақсартуға мүмкіндік береді.

ЖИ пациенттерді басқару және клиникалық шешімдерді қолдау үшін де қолданылады. ЖИ негізіндегі жүйелер медициналық жазбаларды өңдей алады және дәрігерлерге нақты уақыт режимінде ұсыныстар бере алады. Мысалы, жасанды интеллект негізіндегі чат-боттар пациенттердің сұрақтарына жауап бере алады, бұл медициналық қызметкерлерге жүктемені азайтуға көмектеседі (Hussain et al., 2020).

Денсаулық сақтауда жасанды интеллект енгізудің негізгі проблемаларының бірі пациенттердің деректерінің құпиялылығын қорғау болып табылады. Деректердің бұзылуын болдырмау және ережелерді сақтау үшін қатаң қауіпсіздік шаралары қажет (Parikh et al., 2019). Сондай-ақ, жасанды интеллектті қолданудың этикалық аспектілері, соның ішінде адамның араласуынсыз шешім қабылдау туралы мәселе туындайды.

Жетістіктерге қарамастан, жасанды интеллект әлі де дәлдік пен интерпретация мәселелеріне тап болады. Деректердегі қателер немесе алгоритмдердің біржақтылығы дұрыс емес нәтижелерге әкелуі мүмкін. Медициналық мамандардың шешімдерді қалай қабылдайтынын түсінуі және осы шешімдерге сенуі маңызды (Samek et al., 2017).[3]

ЖИ-ді клиникалық тәжірибеге енгізу медициналық персоналды оқыту және жұмыс процестерін бейімдеу үшін айтарлықтай күш-жігерді қажет етеді. Әр түрлі жүйелердің үйлесімділігін қамтамасыз ету және оларды пайдалануды оңтайландыру үшін стандарттар мен хаттамалар қажет (Liao et al., 2020).

Жасанды интеллектті медицинада іс жүзінде қолдану ауруларды диагностикалаудан бастап жеке емдеуге дейінгі көптеген мысалдарды көрсетеді. Ең көрнекті мысалдардың бірі – медициналық кескіндерді талдау үшін РАДИОЛОГИЯДА ЖИ-ді қолдану.

Мысал: медициналық кескіндерді талдау үшін ЖИ қолдану

Тапсырма

Радиологияда рентген, МРТ және КТ сияқты көптеген суреттер мұқият талдауды қажет етеді. Рентгенологтар кішігірім, бірақ маңызды бөлшектерді жіберіп алуы мүмкін, бұл диагноздағы қателіктерге әкелуі мүмкін.

ЖИ көмегімен шешім

Жасанды интеллект алгоритмдері, әсіресе терең оқыту мен нейрондық желілерге негізделген, үлкен деректер жиынтығында білім алуға және патологияны жоғары дәлдікпен анықтауға қабілетті. Осындай мысалдардың бірі-рентгендік талдау мен компьютерлік томографияға негізделген өкпенің қатерлі ісігін анықтау алгоритмдері.

Тәжірибеден мысал

Google Health және IBM Watson сияқты компаниялар медициналық кескіндерді талдайтын жүйелерді әзірлейді және енгізеді. Мысалы, Google Health жүйесі 2020 жылы маммограммаларда сүт безі обырын жеке рентгенологтардың жұмысының дәлдігінен жоғары дәлдікпен анықтау мүмкіндігін көрсетті.

Артықшылықтары

1. Жоғары дәлдік: ЖИ алгоритмдері адам көзіне байқау қиын болатын ең кішкентай ауытқуларды анықтай алады.

2. Жылдамдық: ЖИ суреттерді адамға қарағанда тезірек талдай алады, бұл диагноз қою процесін тездетеді.

3. Консистенция: ЖИ адам факторы мен шаршауды қоспағанда, тұрақты талдау сапасын қамтамасыз етеді.

Медициналық мекемелерде іске асыру

Мысал: Siemens Healthineers компаниясының AI-RAD Companion жүйесі

AI – RAD Companion – бұл рентгенологтарға кескінді талдауға көмектесетін ЖИ негізіндегі қосымшалар жиынтығы. Бұл қолданбалар мүмкін:

- Органдар мен құрылымдарды автоматты түрде сегменттеу және өлшеу.

- Ауытқуларды анықтаңыз және мүмкін диагноздарды ұсыну.

- Өзгерістерді бақылау үшін ағымдағы суреттерді алдыңғы суреттермен салыстыру.

Енгізу

1. Персоналды оқыту: медициналық персонал жаңа технологияларды қолдану бойынша оқытудан өтеді.

2. Қолданыстағы жүйелермен Интеграция: ЖИ құралдары қолданыстағы PACS жүйелерімен біріктірілген (Picture Archiving and Communication System).

3. Бағалау және валидация: клиникалық сынақтар мен нақты жағдайлар арқылы ЖИ жүйелерінің дәлдігі мен тиімділігін үздіксіз бағалау.

Медициналық кескінді талдауда ЖИ қолдану оны медицинада қолданудың бір ғана мысалы болып табылады. ЖИ геномикада, дәрі-дәрмектерді әзірлеуде, денсаулық сақтауды басқаруда және басқа да көптеген салаларда қолданылады, Денсаулық сақтау сапасын едәуір жақсартады және оны жекелендірілген және тиімді етеді.[6]

Медицина денсаулық сақтауды диагностикалауға, емдеуге, бақылауға және басқаруға көмектесетін жасанды интеллектке негізделген технологиялардың кең ауқымын пайдаланады. Міне, осындай технологиялардың негізгі түрлері:

1. Машиналық оқыту және терең оқыту

Бұл әдістерге үлгілерді анықтау және шешім қабылдау үшін үлкен деректер жиынтығында оқытылатын алгоритмдер кіреді.

- Ауруларды диагностикалау: терең оқыту алгоритмдері қатерлі ісік, өкпе және жүрек аурулары сияқты патологияларды анықтау үшін медициналық кескіндерді (мысалы, рентген, МРТ, КТ) талдайды.

- Нәтижелерді болжау: Машиналық оқыту пациенттің тарихи деректері негізінде аурудың асқыну немесе қайталану ықтималдығын болжау үшін қолданылады.

2. Табиғи тілді өңдеу (NLP)

NLP технологиялары медициналық жазбалар мен ғылыми мақалалар сияқты мәтіндік деректерді талдауға көмектеседі.

- Электрондық медициналық жазбалар (EMR): NLP пациенттердің жазбаларынан мағыналы ақпаратты автоматты түрде алу үшін қолданылады, кодтауды жақсартады және деректерге қол жеткізуді жеңілдетеді.

- Клиникалық шешімдер: NLP жүйелері дәрігерлерге көптеген медициналық зерттеулер мен мақалалардан тиісті ақпаратты табуға көмектеседі.

3. Робототехника

Жасанды интеллект басқаратын роботтық жүйелер хирургияда және оңалту үшін қолданылады.

- Хирургиялық Роботтар: da Vinci Surgical System сияқты жүйелер хирургқа күрделі операцияларды жоғары дәлдікпен және минималды инвазивті араласулармен жасауға көмектеседі.

- Оңалту роботтары: экзоскелет сияқты роботтар пациенттерге жарақаттанудан немесе инсульттан қалпына келтіруге көмектеседі, қозғалысты қолдау мен бақылауды қамтамасыз етеді.

4. Жеке медицина

AI геномдық деректерді талдау және жеке емдеу жоспарларын жасау үшін қолданылады.

- Геномика: Алгоритмдер ауруларға бейімділікті анықтау және ең тиімді дәрілерді анықтау үшін генетикалық ақпаратты талдайды.

- Фармакогеномика: ЖИ пациенттің белгілі бір дәрі-дәрмектерге қалай жауап беретінін болжауға көмектеседі, бұл емдеуді жекелендіруге және жанама әсерлерді азайтуға мүмкіндік береді.

5. Телемедицина және виртуалды көмекшілер

ЖИ қашықтан медициналық көмектің қолжетімділігі мен сапасын жақсартуға көмектеседі.

- Виртуалды көмекшілер: Babylon Health және Ada Health сияқты Чатботтар мен дауыстық көмекшілер алғашқы кеңес береді, симптомдарды бағалайды және келесі әрекеттерді ұсынады.

- Денсаулық мониторингі: ЖИ пациенттердің нақты уақыттағы жағдайын бақылау және ықтимал мәселелер туралы ескерту арқылы киілетін құрылғылар мен сенсорлардың деректерін талдайды.

6. Клиникалық шешімдерді қолдау жүйелері (CDSS)

Cdss медициналық деректерді талдау негізінде дәрігерлерге ұсыныстар беру үшін AI пайдаланады.

- Шешім қабылдау алгоритмдері: бұл жүйелер дәрігерлерге пациенттің жеке ерекшеліктерін ескере отырып, диагностика мен емдеудің оңтайлы әдістерін таңдауға көмектеседі.

- Медициналық қателерді азайту: cdss пациенттің қауіпсіздігін арттыра отырып, ықтимал дәрілік өзара әрекеттесулер және басқа қауіптер туралы ескертуі мүмкін.

7. Медициналық бейнелеу және кескінді өңдеу

ЖИ медициналық кескіндерді өңдеу мен түсіндіруді айтарлықтай жақсартады.

- Кескіндерді сегменттеу және жіктеу: Алгоритмдер медициналық суреттердегі әртүрлі құрылымдар мен ауытқуларды дәл анықтауға және жіктеуге көмектеседі.

- Патоморфологиялық деректерді талдау: ЖИ тіндердің сандық микроскопиялық кескіндерін талдау үшін қолданылады, бұл патология диагнозын тездетеді және жақсартады.

ЖИ - ді медицинада қолдану кеңеюін жалғастыруда, бұл медициналық көмектің сапасын жақсартуға, диагностиканың дәлдігі мен емдеудің тиімділігін арттыруға және денсаулық сақтау шығындарын азайтуға әкеледі.

Денсаулық сақтаудағы ЖИ пациенттерді диагностикалауды, емдеуді және басқаруды жақсартудың көптеген мүмкіндіктерін ұсынады. Дегенмен, оның әлеуетін толық ашу үшін құпиялылық, дәлдік және клиникалық тәжірибеге интеграция мәселелерін қоса алғанда, бірқатар қиындықтарды шешу қажет. Әрі қарай зерттеулер мен технологияның дамуымен және денсаулық сақтау пациенттерге сапалы күтімді қамтамасыз етуде жаңа биіктерге жете алады.

Пайдаланылған әдебиеттер тізімі:

1. Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115-118.

2. Hussain, A., Malik, A., Halim, M. U., & Ali, A. M. (2020). The use of robotics in surgery: A review. International Journal of Clinical Practice, 74(8), e13491.

3. Liao, J. M., Sebastiano, N., & Fleisher, L. A. (2020). Advanced technologies and automation in the clinical laboratory: Current uses and future directions. Clinics in Laboratory Medicine, 40(1), 1-11.

4. Parikh, R. B., Obermeyer, Z., & Navathe, A. S. (2019). Regulation of predictive analytics in medicine. Science, 363(6429), 810-812.

5. Samek, W., Wiegand, T., & Müller, K. (2017). Explainable artificial intelligence: Understanding, visualizing and interpreting deep learning models. arXiv preprint arXiv:1708.08296.

6. Topol, E. J. (2019). High-performance medicine: The convergence of human and artificial intelligence. Nature Medicine, 25(1), 44-56.

7. Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115-118.

8. Lipton, Z. C., Kale, D. C., Elkan, C., & Wetzel, R. (2015). Learning to diagnose with LSTM recurrent neural networks. arXiv preprint arXiv:1511.03677.

9. Liu, Y., Chen, P. H. C., Krause, J., & Peng, L. (2017). How to read articles that use machine learning: Users’ guides to the medical literature. JAMA, 318(9), 947-958.

10. Mazzon, I. (2016). Robotic surgery: Review of a recent advance. Global Journal of Surgery, 4(1), 1-4.

11. Mehrholz, J., Thomas, S., Werner, C., Kugler, J., Pohl, M., & Elsner, B. (2018). Electromechanical-assisted training for walking after stroke. Cochrane Database of Systematic Reviews, (10).

12. Murff, H. J., FitzHenry, F., Matheny, M. E., Gentry, N., Kotter, K. L., Crimin, K., ... & Speroff, T. (2011). Automated identification of postoperative complications within an electronic medical record using natural language processing. JAMA, 306(8), 848-855.

13. Rajpurkar, P., Irvin, J., Ball, R. L., Zhu, K., Yang, B., Mehta, H., ... & Ng, A. Y. (2017). CheXNet: Radiologist-level pneumonia detection on chest X-rays with deep learning. arXiv preprint arXiv:1711.05225.

14. Xiao, C., Choi, E., Sun, J. (2018). Opportunities and challenges in developing deep learning models using electronic health records data: A systematic review. Journal of the American Medical Informatics Association, 25(10), 1419-1428.