Ученые Пермского Политеха создали программный комплекс для помощи врачам в диагностике сложных заболеваний
Для многих распространенных заболеваний — диабета, гипертонии, инфекций — в медицине давно есть четкие критерии и понятные схемы диагностики. Но существует целый класс болезней, с которыми ситуация обстоит иначе. Одни, как нейродегенеративные расстройства (Альцгеймер, Паркинсон), развиваются незаметно годами, а симптомы появляются слишком поздно. Другие, например, редкие инфекции или аутоиммунные патологии, пока мало изучены и не имеют четких критериев для оценки. Для диагностики таких состояний сегодня нередко используют инструменты на основе машинного обучения. Они способны анализировать множество медицинских показателей, находить в них скрытые закономерности и на этой основе отличать больных от здоровых. Однако разработка современных систем диагностики на основе машинного обучения требует множества ресурсов, как временных и финансовых, так и кадровых – требуется участие профессиональных врачей, ИТ-специалистов и аналитиков данных. Ученые Пермского Политеха впервые в России создали программу, которая помогает ставить диагноз и делает процесс принятия решения более прозрачным. С ее помощью врачи смогут самостоятельно разрабатывать системы поддержки принятия врачебных решений и анализировать любые медицинские данные, сокращая время разработки новых систем.
На разработку получено свидетельство о государственной регистрации программы.
Ранее ученые Пермского Политеха проводили исследования в области диагностики нейродегенеративных заболеваний — болезни Альцгеймера и Паркинсона. Их выбрали, поскольку они являются сложными для раннего выявления. Они изучали возможности их прогнозирования, существующие в мире методы и их ограничения.
Теперь ученые на основе результатов своих предыдущих исследований создали уникальную программу для поддержки принятия врачебных решений. Она предназначена для помощи в диагностике заболеваний, которые сложно определить на ранних стадиях. Разработка также дает возможность быстро создавать прототипы подобных систем для других медицинских задач.
Основная сложность заключается в том, что при диагностике новых заболеваний врачи сталкиваются с огромным количеством различных показателей. Но изначально неизвестно, какие из них действительно связаны с болезнью, а какие не несут полезной информации.
Для того чтобы определить, какие показатели действительно важны, ученые использовали информационный подход к анализу медицинских данных. Его суть заключается в сравнении медицинских данных у здоровых людей и у пациентов с заболеванием. Если в результате обработки данных выявляются устойчивые различия между этими группами, значит, показатель связан с болезнью и может использоваться для диагностики. Если различий нет — параметр бесполезен.
В итоге с помощью этого подхода можно на основе даже небольших объемов данных о пациентах с подтвержденным диагнозом проверять новые сведения и определять, какие именно показатели значимы для диагностики конкретной болезни. Это помогает не только лучше понимать, как проявляет себя заболевание, но и выявлять те параметры, на которые стоит обращать внимание в дальнейших исследованиях и клиническом анализе.
На основе разработанного метода ученые создали программу — прототип системы поддержки принятия врачебных решений. Она представляет собой предварительно настроенные шаблоны-справочники, которые поддерживают десять или более медицинских показателей.
Программа работает следующим образом: врач вводит имеющиеся показатели пациента, а система автоматически сравнивает их с уже загруженными данными здоровых и больных людей по конкретному заболеванию. Она оценивает, на какую группу больше похож новый случай, и сообщает: соответствует ли состояние норме или указывает на заболевание.
Проверить работоспособность системы исследователи решили на примере болезни Альцгеймера. В предыдущих работах они выяснили, что ключевую роль при определении наличия этого заболевания играют показатели магнитной восприимчивости вен головного мозга.
Для оценки программы они взяли именно эти данные и сравнили их у больных и здоровых людей, чтобы понять, совпадут ли результаты нового метода с тем, что выявили ранее. Анализ показал: программа верно определила наиболее значимые показатели. Это полностью совпало с выводами предыдущих исследований, где использовались сложные инструменты на основе машинного обучения.
Важно, что врач может настроить программу для диагностики заболеваний в той области, в которой он специализируется и какими клиническими данными располагает. Инструмент поддерживает возможность ввода новых данных, что позволяет использовать его для диагностики разных заболеваний, а не только тех, для которых был настроен изначально. Это можно сделать следующим образом: информация о показателях здоровых и больных людях берется из доступных врачу баз данных или открытых медицинских исследований. Параметры нового пациента для анализа специалист может получить из стандартных медицинских обследований: МРТ, анализов крови или данных функциональной диагностики.
— Программа создавалась как доступный инструмент, которым сможет пользоваться любой врач без специальной подготовки. Когда знания о диагностике удается формализовать, их можно передавать другим специалистам — это позволяет сохранять и накапливать опыт даже при смене поколений. Именно это вдохновило нас на создание системы поддержки понятия врачебных решений, которая не требует навыков программирования, но дает любому специалисту возможность самостоятельно разработать такую систему под свои конкретные задачи, — отметил Александр Алексеев, доктор технических наук, начальник управления организации научных исследований ПНИПУ.
Предложенный инструмент позволит любому врачу самостоятельно создать собственную систему поддержки принятия врачебных решений при диагностике заболеваний. Достаточно загрузить данные здоровых людей и пациентов с подтвержденным диагнозом — и программа готова к работе. Это открывает широкие возможности для использования разработки не только в целях определения конкретных диагнозов, но и для создания новых инструментов для распространенных и редких заболеваний.