- Статьи
- Наука и техника
- Истории болезней: новая платформа избавит врачей от бумажной рутины при работе с ИИ
Истории болезней: новая платформа избавит врачей от бумажной рутины при работе с ИИ
Новая отечественная платформа сможет автоматизировать одну из самых трудоемких задач в работе с медицинскими данными — их сбор, структурирование и очистку. За считаные минуты система преобразует десятки разрозненных документов — от сканов и рукописных выписок до таблиц с результатами анализов — в единую логически связанную историю болезни, где все термины будут приведены к международным стандартам, а персональные данные надежно скрыты. С внедрением технологии врачи получат доступ к полной картине состояния пациента без многочасового изучения архивов. Сейчас система проходит тестирование в российских больницах и готовится к пилотному запуску. Вместе с тем эксперты отмечают, что перед массовым внедрением необходимо подтвердить ее эффективность, в том числе оценить точность распознавания документов, полноту извлечения информации и другие ключевые показатели качества работы.
Платформа для обработки медицинских документов
В молодежной лаборатории «Цифровые технологии в общественном здоровье» ИТМО создали мультиагентную платформу для обработки медицинских документов, полных аналогов которой нет в России. Система автоматически анализирует разрозненные данные — тексты, сканы, таблицы — и превращает их в единую структурированную историю пациента. Она извлекает из них диагнозы и результаты анализов, гармонизирует эту информацию, детектирует, а также удаляет персональные данные и связывает отдельные факты между собой, показывая, как разные записи о пациенте соотносятся друг с другом.
В больницах и поликлиниках сведения о пациенте — анализы, таблицы с результатами обследований, рукописные заключения врачей и выписки из разных учреждений — редко формируются и хранятся в едином формате. Чтобы использовать эти данные для обучения искусственного интеллекта, например для создания инструментов, помогающих врачам ставить диагнозы или предсказывать развитие болезней, нужна долгая подготовка. Разработчикам зачастую приходится вручную собирать данные для дальнейшей работы с ИИ. В клиниках похожая ситуация: врачу нужно пересмотреть десятки документов из разных источников, прежде чем восстановить полную картину болезни. Упростить эти рутинные процессы может автоматизация сбора информации из разных источников.
— Основная сложность работы с медицинскими данными — их разнообразие и разрозненность. Трудность не в том, чтобы обработать один конкретный документ, а в том, что их много и они очень разные. Когда разработчик получает от врачей большой объем данных, 60–70% времени, отведенного на обучение модели, уходит только на подготовку материала. Нужно очистить документы от персональных данных и технических пометок, привести все записи к единому формату и разметить ключевые медицинские сведения — диагнозы, симптомы, назначения, результаты анализов. MAS-EHR как раз нужна для того, чтобы этот этап ускорить и упростить, — рассказал один из разработчиков платформы, студент программы «Глубокое обучение и генеративный искусственный интеллект» Института прикладных компьютерных наук ИТМО Иван Золин.
Платформа MAS-EHR (Multi-Agent System for Electronic Health Records — мультиагентная система для обработки электронных медицинских записей) состоит из независимых модулей, и обработка данных в ней выстроена в несколько шагов. Один модуль отвечает за оптическое распознавание: он считывает текст из сканов и таблиц и переводит его в машиночитаемый вид. Второй находит и скрывает персональные данные пациента. Третий подключает языковые модели — они вытаскивают из текста ключевые медицинские сведения: диагнозы, симптомы, назначения, результаты анализов — и связывают их между собой по смыслу. На этом же шаге термины приводятся к международным стандартам вроде классификаторов болезней (МКБ-10) и SNOMED CT — единым справочникам болезней и клинических понятий. На последнем этапе специальный проверочный модуль на базе LLM (агент-валидатор) сверяет получившуюся структуру с исходным документом. Если часть данных потерялась или модель что-то домыслила, система сигнализирует об этом и возвращает фрагмент на повторную обработку.
— Крупные технологические корпорации разрабатывают собственные облачные медицинские сервисы по обработке документов, но в них пользователь получает готовый ответ и не знает, как он получен и не ошиблась ли модель. В MAS-EHR иначе: врач или разработчик может на каждом этапе проследить, что происходит с данными. Сначала проверяется, как считался текст, потом — как прошла анонимизация, затем — что именно извлекли и как связали сущности. На финальном этапе валидатор сравнивает исходный документ с результатом. При этом за счет компактных дообученных моделей система работает быстрее и потребляет меньше ресурсов, чем тяжелые универсальные решения, — пояснил Иван Золин.
Лаборатория обеспечила доступ к обезличенным медицинским данным со стороны практикующих врачей из «Клиники Фомина» и НМИЦ онкологии им. Н.Н. Петрова. Их обратная связь помогла понять, как платформа должна работать в реальных клинических условиях и какие данные важны врачам в первую очередь. Инструмент готов к пилотированию, рассказали «Известиям» в вузе.
Структурированные обезличенные медицинские данные
Одна из главных проблем цифрового здравоохранения заключается не в нехватке данных, а в их разрозненности. История одного пациента может состоять из десятков документов: анализов, выписок, заключений врачей, результатов обследований, которые зачастую хранятся в разных форматах и даже в разных медицинских организациях, рассказал «Известиям» гендиректор группы компаний «ST IT», эксперт рынка TechNet НТИ Антон Аверьянов.
— В результате врач тратит время на поиск информации, а разработчики медицинского ИИ, по различным оценкам, до 60–70% времени расходуют именно на подготовку и очистку данных, а не на обучение моделей. Главная ценность разработки ИТМО заключается в том, что она не просто распознает документы, а превращает их в структурированные медицинские данные, одновременно обезличивая информацию и проверяя корректность работы ИИ. Это особенно важно для клиник, которые начинают внедрять искусственный интеллект, поскольку качество модели всегда напрямую зависит от качества исходной информации, — сказал эксперт.
Проблема медицинских учреждений — это не всегда качественное ведение электронных медицинских карт (ЭМК), отсюда анализ таких данных с помощью ИИ-решений затруднен. Разработка может быть полезна для улучшения полноты и качества входящей информации и точности результата на выходе, отметил директор по развитию Webiomed, участник рынка НТИ «Хелснет» Александр Гусев.
Основная задача таких решений — не ставить диагноз, а подготовить данные, сказал руководитель направления искусственного интеллекта компании «Платформа Третье мнение» Илья Налетов.
— Практическая ценность платформы будет зависеть не столько от использования мультиагентной архитектуры, сколько от точности распознавания, полноты извлечения информации, защиты персональных данных и способности системы не добавлять факты, которых нет в исходных документах, — рассказал специалист.
Результаты работы ученых ИТМО опубликованы в журнале IEEE Transactions on Power Electronics.
