Картографическое представление информации является особенно востребованным и наглядным для освещения глобальных и региональных событий, а также оценки размещения на исследуемой территории стационарных и не стационарных объектов. Геоинформационные системы (ГИС) в эпидемиологическом надзоре за паразитарными болезнями обеспечивают сбор, хранение, обработку, доступ к информации, отображение и распространение пространственно-координированных данных, которые могут быть применены для решения научных и прикладных задач: анализа, мониторинга, оценки, прогноза распространения паразитов и поддержания санитарно-эпидемиологического благополучия населения.

 Цель. Изучить основные этапы истории развития геоинформационных систем в мире с учетом возможностей применения для нужд здравоохранения.

 Материалы и методы. Были использованы научные публикации отечественных и зарубежных авторов по изучаемой проблеме за период с 2000 по 2023 годы. Контекстный поиск включал ключевые слова «геоинформационный», «ГИС», «GIS». Инструменты поиска включали научную электронную библиотеку eLIBRARY.RU и поисковые системы google и Яндекс. Был отобран 31 источник, из них 17 отечественных. Использованы описательный, аналитический методы, метод ретроспективного исторического анализа, контент-анализа.

 Результаты. В статье приводится история развития ГИС в мире, в которой условно можно выделить четыре этапа: пионерский период, период государственных инициатив, период коммерческого развития, пользовательский период. Приведены сферы и примеры использования ГИС в эпидемиологии и планировании систем здравоохранения.

 Заключение. Совершенствование ГИС-технологий и программных средств в здравоохранении позволяет упрощать анализ информации о стационарных и нестационарных объектах, повышать качество аналитической информации и ее достоверность.

Использование машинного обучения, одной из технологий искусственного интеллекта, в здравоохранении продемонстрировало огромный потенциал для улучшения диагностики и лечения различных заболеваний. Однако успех программного обеспечения на основе технологий искусственного интеллекта в значительной степени зависит от наличия высококачественных наборов медицинских данных, а также инфраструктуры, обеспечивающей процессы управления ими. Создание релевантных, репрезентативных и корректно размеченных наборов данных — сложная и дорогостоящая задача, требующая привлечения большого количества специалистов различного профиля и разработки алгоритма действий при подготовке наборов данных для лучевой диагностики.

 В настоящей статье представлена методика подготовки наборов данных лучевой диагностики, которая позволяет установить принципы и протоколы для обеспечения стандартизированной подготовки наборов, создать удобную инфраструктуру организации и управления данными и является основой для разработки инструментов автоматизации процесса создания качественных наборов данных. На основании практического опыта внедрения в лучевую диагностику представленной в статье методики дается указание на основные ошибки, возникающие при подготовке наборов данных лучевой диагностики, и предлагаются пути их решения.

Унифицированная национальная медицинская номенклатура (УНМН) разрабатывается с 2022 г. с использованием международного метатезауруса Unified Medical Language System (UMLS) и других источников. УНМН является терминологической системой, организованной по онтологическому принципу и потенциально применимой для аннотирования медицинских текстов на русском языке. В настоящее время словари и справочники УНМН наполняются различными вариантами возможных формулировок медицинских терминов автоматизированным и экспертным способами. В медицине часто используются аббревиатуры, которые позволяют в сокращенной форме выразить смысл используемых понятий. Однако их распознавание в неструктурированном тексте является нетривиальной задачей. Разработка программного инструмента для автоматического извлечения аббревиатур из текста научных статей позволит обогатить УНМН и ускорить создание систем поддержки принятия клинических решений на её основе.

 Цель исследования. Создание алгоритма автоматического извлечения аббревиатур терминов УНМН из текста научных статей на русском языке.

 Материалы и методы. Для валидации и тестирования алгоритма использовались неструктурированные тексты аннотаций к научным статьям на русском языке, полученные из информационно-поисковой системы eLIBRARY. Полнотекстовые расшифровки извлеченных аббревиатур корректировались с применением билингвального перевода (на русский язык и обратно).

 Результаты. Разработанный на основе семантических правил алгоритм позволил обеспечить извлечение аббревиатур и их полнотекстовых расшифровок с ~93% чувствительностью и ~99% специфичностью. Для большинства (~87%) терминов с использованием билингвального перевода удавалось скорректировать орфографические ошибки и выполнить приведение к начальной форме. Половина (~49%) аббревиатур со 100% точностью сопоставлялась с терминами УНМН. Обработка текстов аннотаций к научным статьям (168 тыс.) с использованием разработанного алгоритма позволила сформировать основу для создания Единого справочника медицинских аббревиатур, сопоставленных с терминами УНМН (свыше 6,6 тыс. уникальных записей).

Внедрение систем искусственного интеллекта (СИИ) рассматривается как одно из самых перспективных направлений цифровой трансформации здравоохранения. Такие системы могут повысить качество лечебно-диагностических процессов и эффективность планирования и управления отраслью. Однако возможности СИИ по улучшению показателей общественного здоровья населения и повышению качества функционирования системы здравоохранения неразрывно связаны с этическими проблемами, которые возникают из-за особенностей создания и внедрения таких систем, а также их непосредственного влияния на жизнь и здоровье сообществ, отдельно взятых пациентов и медицинского персонала.

 Для успешного внедрения СИИ в здравоохранение необходимо формировать и повышать доверие со стороны медицинского сообщества, пациентов, регуляторных и надзорных органов и других заинтересованных лиц. Для этого разработчикам и другим участникам работы с СИИ целесообразно следовать единым этических принципам. На основе ведущих работ в области этики ИИ были разработаны 19 принципов создания СИИ в здравоохранении. Они были направлены на общественные обсуждения и скорректированы с учетом полученных комментариев. Соблюдение опубликованных принципов участниками процессов создания, тестирования, валидации, вывода на рынок и пост-продажного сопровождения может значительно повысить доверие к СИИ и способствовать успешному внедрению этичных СИИ в здравоохранение.

Цель исследования. Демонстрация особенностей создания наборов данных для нейровизуализации на примере подготовки набора данных с компьютерно-томографическими изображениями головного мозга с наличием и отсутствием признаков внутричерепного кровоизлияния.

 Методы. В основе формирования набора данных использована методология, разработанная Научно-практическим клиническим центром диагностики и телемедицины (регламент подготовки набора данных), которая осуществляется в 4 этапа: планирования (подбор необходимых ключевых слов для первичного отбора исследований, определение критериев включения и исключения, источника медицинской информации), отбора (первичная выгрузка текстовой информации – краткого анамнеза и протоколов описания из Единого радиологического информационного сервиса города Москва за 2020 год, анонимизация полученных данных, анализ по наличию ключевых слов), разметки и верификации (заполнение сопроводительной таблицы с клиническими и техническими данными, отбор исследований двумя врачами-рентгенологами и экспертная верификация врачом-нейрорадиологом) и публикации (публикация набора данных онлайн, государственная регистрация).

 Результаты. В процессе создания набора данных отмечены и сформулированы особенности, применимые для нейрорадиологии, которые должны учитываться в задачах обучения, тестирования и дообучения сервисов искусственного интеллекта для диагностики заболеваний головного мозга: использование специфических терминов, использование изображений с наименьшим количеством шума и наибольшей контрастностью, а также использование соотношений подтипов целевой патологии, характерное для её состава в популяции. Подготовлен набор данных с компьютерно-томографическими изображениями, содержащими признаки внутричерепного кровоизлияния. В итоговую версию набора данных включены анонимизированные исследования 209 пациентов (109 – с наличием патологии, 100 – с ее отсутствием): DICOM-изображения, сопроводительная текстовая таблица с клинико-анамнестическими (пол, возраст, тип(ы) и количество кровоизлияний, наличие/отсутствие сопутствующей патологии) и техническими параметрами (толщина среза и реконструкции).

 Заключение. Продемонстрирована специфика подготовки наборов данных для обучения и тестирования нейрорадиологических сервисов искусственного интеллекта.

Цель: Оценить опыт применения программного обеспечения на основе технологий искусственного интеллекта в рамках Московского эксперимента по использованию инновационных технологий в области компьютерного зрения для анализа медицинских изображений.

 Материал и методы: проведено ретроспективное исследование. В работу включены заключения 3 ИИ-сервисов по 822 тысячам флюорографических исследований за период с 05.01.2022 по 29.12.2022. В 28341 исследовании присутствовала патология (3,4%). Оценка проводилась с помощью метрик качества бинарных классификаторов и статистических методов. Произведена оценка метрик в зависимости от порога срабатывания ИИ-сервиса.

Результаты: Отмечается выраженный дисбаланс исследований с нормой и патологией. Получены высокие значения дисбаланс-чувствительных метрик и низкие значения дисбаланс-нечувствительных метрик, что связано с высокой долей ложноположительных и ложноотрицательных результатов. При изменении порога срабатывания можно добиться снижения количества ложноотрицательных результатов. Так, например, один из ИИ-сервисов при пороге 0,05 правильно выявил 46,8% исследований с нормой при отсутствии ложноотрицательных результатов.

 Выводы: Количество ложноотрицательных заключений для рассмотренных версий ИИ-сервисов является препятствием для автономного их внедрения в рутинную практику, что требует их доработки. Оптимизацией порога срабатывания сервиса можно добиться безошибочного определения 46,8% исследований с нормой, но ввиду закрытости ИИ-сервисов этот метод ограничен. Дальнейшие варианты оптимизации сервисов требуют дополнительного изучения.

Цель. Изучить возможности самостоятельного дистанционного мониторинга уровня артериального давления (АД) и частоты сердечных сокращений (ЧСС) у беременных группы риска.

 Материал и методы. В исследование по апробации самостоятельного мониторинга АД с использованием платформы MedSenger были включены женщины от 18 до 45 лет с артериальной гипертензией (хронической и гестационной), преэклампсией в анамнезе, высоким уровнем преэклампсии (выше 1:100), индексом массы тела >30 кг/м². Пациентки при помощи домашнего тонометра измеряли ежедневно утром и вечером уровень АД и ЧСС и вносили данные личный кабинет приложения MedSenger в течение 1 месяца. Врач отслеживал параметры беременных, при отклонениях получал уведомления и принимал решение о дальнейшей тактике.

 Результаты. В исследование планировалось включить 59 пациенток, но от участия отказались 25 женщин (42,4%). Из 34 беременных (средний возраст 30,1±2,3 года) 5 не активировали программу и были исключены. Всего в исследовании приняло участие 29 человек (49,1% от исходного количества). Основные причины отказа от мониторинга: нет тонометра (30%), нет доверия к технологиям (23,3%), нет электронной почты (16,7%), нет свободного времени (13,3%), без причины (16,7%).

 При наблюдении в течение 1 месяца средний уровень систолического АД в исследовании составил 115±3,7  мм.рт.ст., средний уровень диастолического АД — 73±2,8 мм рт.ст., средний уровень ЧСС — 84±3,5 в минуту.   Из 29 беременных, находящихся на мониторинге, 17 беременных (58,6%), завершили программу мониторинга в установленные сроки. 12 женщин (41,8%) (средний возраст 33,1±3,1 года) завершили мониторинг досрочно.

 Выводы. Самостоятельный дистанционный мониторинг беременных высокого риска является возможной технологией для осуществления удаленного наблюдения.