Сотрудники Центра искусственного интеллекта НГУ получили патент на метод автоматического выявления наиболее значимых симптомов и показателей из электронных медицинских карт для прогнозирования заболеваний. Разработка уже применяется для настройки системы поддержки врачебных решений «Доктор Пирогов».
Метод относится к сферам медицинской информатики и анализа больших данных. Алгоритм обрабатывает тысячи обезличенных карт пациентов с одинаковым диагнозом, определяя среди множества записей те признаки, которые наиболее характерны для данного заболевания и оказывают наибольшее влияние на диагностику.
Как пояснил руководитель проектов Центра ИИ НГУ Владимир Иванисенко, способ позволяет установить наиболее информативные симптомы для заданных болезней и использовать их в системах поддержки принятия решений.
Электронные карты приводятся к единому формату и преобразуются в набор бинарных признаков (наличие симптома — 1, отсутствие — 0). На этих данных обучается нейросеть типа Concrete Autoencoder с механизмом Gumbel-Softmax, которая не только делает прогноз, но и выделяет конкретные признаки, повлиявшие на результат. Для исключения случайных совпадений модель запускается многократно, и на основе частоты выбора признаков формируется устойчивый набор прогностически значимых показателей.
Одной из распространенных проблем при внедрении ИИ в медицину считается сложность интерпретации выводов нейросетей. Врач видит результат, но не понимает логику его получения, что снижает доверие к системе. Разработка НГУ, по словам Иванисенко, позволяет указывать конкретные симптомы и отклонения, которые внесли наибольший вклад в диагноз. Это делает работу алгоритма более понятной для клинициста, который может сопоставить выводы системы со своим опытом.
В настоящее время команда завершила патентование метода и продолжает его настройку. Планируется презентация результатов на ПМЭФ. Хотя разработка используется для системы «Доктор Пирогов», она представляет собой универсальный подход и может быть интегрирована в различные системы поддержки врачебных решений.
Отдельное направление — создание инструментов оценки рисков (рискомеров), которые на основе симптомов и показателей вычисляют вероятность развития того или иного заболевания. Как отметил Иванисенко, для таких систем критически важно понимать, какие признаки наиболее значимы. В перспективе подобные методы могут повысить надежность цифровой медицины, обеспечивая не только прогноз, но и его клиническое обоснование.