ИССЛЕДОВАНИЕ ИСПОЛЬЗОВАНИЯ ИСКУССТВЕННОГО ИНТЕЛЕКТА В ПРОГНОЗИРОВАНИИ ТЕЧЕНИЯ ЗАБОЛЕВАНИЙ

УДК 004.8:61 Деветьяров Дмитрий Андреевич студент 2 курса, лечебный факультет Медицинский университет «Реавиз» Россия, г. Москва e-mail: devetyarov.d@mail.ru Научный руководитель: Пинигина А.Ю. Медицинский университет «Реавиз», Россия, г. Москва ИССЛЕДОВАНИЕ ИСПОЛЬЗОВАНИЯ ИСКУССТВЕННОГО ИНТЕЛЕКТА В ПРОГНОЗИРОВАНИИ ТЕЧЕНИЯ ЗАБОЛЕВАНИЙ Аннотация: Использование искусственного интеллекта (ИИ) в прогнозировании течения заболеваний стало важным направлением современной медицины. Благодаря развитию машинного обучения и доступности медицинских данных, ИИ-модели демонстрируют высокую точность в предсказании течения различных болезней. В данной работе проводится обзор применения ИИ в прогнозировании, включая подходы на основе нейросетей и других алгоритмов. Анализируются преимущества ИИ для выявления закономерностей, раннего обнаружения осложнений и персонализации лечения. Также рассматриваются вопросы интеграции ИИ- систем в клиническую практику, обработки данных и этические аспекты. Особое внимание уделено перспективам развития методов ИИ в прогнозировании течения заболеваний. Ключевые слова: искусственный интеллект, прогнозирование течения заболеваний, медицинские данные, персонализация лечения, этика использования ИИ в здравоохранении. Devetyarov Dmitry Andreevich 2nd year student, Faculty of Medicine Medical University "Reaviz", Russia, Moscow Scientific adviser: Pinigina A.Y. Medical University "Reaviz", Russia, Moscow RESEARCH OF ARTIFICIAL INTELLIGENCE IN PREDICTING THE Журнал «Трибуна ученого» Выпуск 06/2024 https://tribune-scientists.ru COURSE OF DISEASES 1 Abstract: The use of artificial intelligence (AI) in predicting the course of diseases has become an important area of modern medicine. Thanks to the development of machine learning and the availability of medical data, AI models demonstrate high accuracy in predicting the course of various diseases. This paper provides an overview of the use of AI in forecasting, including approaches based on neural networks, decision trees and other algorithms. The benefits of AI for identifying patterns, early detection of complications and personalizing treatment are analyzed. The issues of integrating AI systems into clinical practice, data processing and ethical aspects are also discussed. Particular attention is paid to the prospects for the development of AI methods in predicting the course of diseases. Key words: artificial intelligence, predicting the course of diseases, medical data, personalization of treatment, ethics of using AI in healthcare. Введение Современное здравоохранение сталкивается с растущей потребностью в более точном, своевременном и персонализированном прогнозировании течения заболеваний [1, с. 32]. Точное предсказание клинического исхода, вероятности развития осложнений и эффективности терапии имеет решающее значение для оптимизации лечебных стратегий, повышения качества медицинской помощи и улучшения результатов лечения пациентов. Традиционные подходы, основанные на опыте и знаниях врачей, в условиях постоянно растущего объема медицинской информации нередко оказываются недостаточно эффективными [2, с. 765]. В этом контексте использование методов искусственного интеллекта (ИИ) открывает новые перспективы в области прогнозирования течения заболеваний. ИИ-системы способны выявлять скрытые закономерности в больших массивах клинических данных, учитывать факторы риска и строить комплексные прогностические модели. Эти модели демонстрируют высокую точность и воспроизводимость, что делает их перспективным инструментом для поддержки принятия врачебных решений [3, с. 24]. Современные ИИ-алгоритмы показывают многообещающие результаты в прогнозировании исходов таких распространенных заболеваний, как сердечно- сосудистые патологии [2, с.765; 5, с. 56; 7, с. 134; 10, с. 487], онкологические заболевания [1, с. 32; 19, с. 190], сахарный диабет [4, с. 128; 12, с. 45], 2 Журнал «Трибуна ученого» Выпуск 06/2024 https://tribune-scientists.ru нейродегенеративные расстройства и многие другие. Эффективность ИИ- моделей обусловлена их способностью быстро выявлять сложные нелинейные взаимосвязи между клиническими, лабораторными, генетическими и другими данными пациентов, что недоступно традиционным статистическим методам [7, с. 134]. Благодаря этому они способны осуществлять более точную диагностику заболевания и подбирать более оптимальные терапии для каждого пациента. Это особенно актуально для пациентов с тяжелыми хроническими состояниями, требующими длительного динамического наблюдения. Однако широкое внедрение ИИ-систем в клиническую практику сопряжено с рядом вызовов, связанных с обеспечением безопасности, конфиденциальности медицинских данных, а также с необходимостью разработки этических принципов использования ИИ в здравоохранении. Ключевыми проблемами является защита персональных данных пациентов от несанкционированного доступа и утечки, а также обеспечение прозрачности и подотчетности процесса принятия решений ИИ-моделями. Помимо этого, необходимо определять четкие этические границы применения ИИ-технологий в медицине, чтобы гарантировать соблюдение прав пациентов и недопущение дискриминации. Настоящий обзор посвящен анализу современных методов применения ИИ в прогнозировании течения заболеваний, их ключевых особенностей, преимуществ и ограничений. Рассматриваются основные подходы к построению ИИ-моделей, примеры их успешного использования в различных областях медицины, а также перспективы дальнейшего развития и интеграции ИИ- технологий в клиническую практику. Ряд исследований демонстрирует успешное применение методов машинного обучения для прогнозирования течения и исходов заболеваний, таких как рак молочной железы, сердечно-сосудистые заболевания, инсульт, ревматоидный артрит, посттромботический синдром, хроническая сердечная недостаточность, диабетическая ретинопатия, инфекционные осложнения при иммунодефицитах, ишемическая болезнь сердца, нейродегенеративные Журнал «Трибуна ученого» Выпуск 06/2024 https://tribune-scientists.ru 3 заболевания, почечная недостаточность при сахарном диабете, хроническая болезнь почек, остеопороз, деменция, хроническая обструктивная болезнь легких, бронхиальная астма и онкологические заболевания [2, с. 765; 3, с. 24; 4, с. 128; 5, с. 56; 6, с. 45; 7, с. 134; 8, с. 32; 9, с. 32; 10, с. 487]. Кроме того, ИИ активно применяется для прогнозирования риска развития сахарного диабета 2 типа [12, с. 45]. Таким образом, внедрение методов искусственного интеллекта в медицинскую практику открывает широкие возможности для совершенствования диагностики и повышения эффективности лечения пациентов с различными заболеваниями. Цели и задачи исследования Основная цель данного исследования заключается в изучении возможностей применения методов искусственного интеллекта (ИИ) для прогнозирования течения различных заболеваний. Использование ИИ в здравоохранении представляет значительный интерес и перспективы, так как позволяет повысить эффективность диагностики и лечения пациентов на основе анализа обширных медицинских данных. Для достижения поставленной цели необходимо решить следующие основные задачи: 1. Провести всесторонний обзор существующих методов прогнозирования течения заболеваний, основанных на традиционных статистических подходах и новейших технологиях ИИ. 2. Сравнить эффективность и точность прогнозирования с использованием ИИ-моделей и традиционных методов, выявить преимущества и ограничения каждого подхода. 3. Исследовать возможности интеграции ИИ-систем в клиническую практику, изучить вопросы этики, безопасности и надежности применения ИИ в медицине. Журнал «Трибуна ученого» Выпуск 06/2024 https://tribune-scientists.ru 4 4. Разработать рекомендации и методические указания по использованию ИИ-технологий в прогнозировании течения заболеваний, обеспечению их эффективного и безопасного внедрения в системы здравоохранения. Ожидаемые результаты данного исследования заключаются в создании научно-обоснованных подходов к применению ИИ для повышения точности прогнозирования течения различных заболеваний, что в свою очередь будет способствовать улучшению качества медицинской помощи, персонализации лечения и повышению эффективности использования ресурсов здравоохранения. Материалы и методы В современном здравоохранении все больше внимания уделяется применению методов искусственного интеллекта (ИИ) для прогнозирования течения различных заболеваний. Это направление активно развивается, и за последние годы было опубликовано множество научных работ, посвященных этой теме. В рамках проведенного обзора было рассмотрено 20 научных публикаций, в которых исследователи использовали различные методы ИИ, включая машинное обучение и нейросетевые модели, для прогнозирования течения таких заболеваний, как рак молочной железы, сердечно-сосудистые заболевания, инсульт, нейродегенеративные расстройства, диабетическая ретинопатия, ревматоидный артрит, посттромботический синдром, хроническая сердечная недостаточность, инфекционные осложнения при иммунодефицитах, ишемическая болезнь сердца, почечная недостаточность при сахарном диабете, хроническая болезнь почек, остеопороз, хроническая обструктивная болезнь легких, бронхиальная астма и другие онкологические заболевания. Исследователи применяли широкий спектр статистических методов, таких как логистическая регрессия, деревья решений, случайные леса, методы опорных векторов, и нейросетевых архитектур, включая сверточные нейронные сети и рекуррентные нейронные сети. Для оценки точности и эффективности разработанных ИИ-моделей в сравнении с традиционными методами Журнал «Трибуна ученого» Выпуск 06/2024 https://tribune-scientists.ru 5 прогнозирования использовались различные метрики, включая точность, чувствительность, специфичность, AUC-ROC, F1-меру и другие. Особое внимание в работах уделялось применению методов машинного обучения. Эти методы позволяют системам автоматически обучаться и совершенствоваться на основе данных без явного программирования. В частности, логистическая регрессия использовалась для моделирования вероятности бинарных исходов на основе одной или нескольких независимых переменных. Помимо методов машинного обучения, в рассмотренных работах активно применялись нейросетевые модели, основанные на принципах глубокого обучения. Эти модели позволяют моделировать сложные нелинейные зависимости, что делает их особенно перспективными для прогнозирования течения заболеваний. В частности, сверточные нейронные сети использовались для анализа медицинских изображений, а рекуррентные нейронные сети - для работы с последовательными данными, такими как временные ряды клинических показателей. Для того, чтобы убедиться в преимуществе ИИ, можем сравнить эффективность и точность прогнозирования с использованием ИИ-моделей и традиционных методов, выявить преимущества и ограничения каждого подхода. Традиционные методы прогнозирования, основанные, например, на статистическом анализе и экспертных оценках, зачастую имеют ограниченные возможности при работе со сложными, нелинейными закономерностями в медицинских данных. Они часто демонстрируют относительно низкую точность, особенно при прогнозировании развития редких осложнений или исходов с небольшой вероятностью. В то же время, современные ИИ-модели, такие как алгоритмы машинного обучения и глубокие нейронные сети, способны эффективно улавливать и моделировать сложные взаимосвязи в медицинских данных. Результаты исследований показывают, что ИИ-системы достигают значительно более высокой точности прогнозирования по сравнению с традиционными методами. Журнал «Трибуна ученого» Выпуск 06/2024 https://tribune-scientists.ru 6 Так, например, при прогнозировании риска развития осложнений у пациентов с сердечно-сосудистыми заболеваниями ИИ-модели на основе логистической регрессии и случайных лесов продемонстрировали AUC-ROC (площадь под кривой ложноположительных и истинноположительных срабатываний) в диапазоне 0,82-0,88, в то время как традиционные модели на основе клинических шкал и экспертных оценок достигали AUC лишь около 0,70- 0,75 [2]. Аналогичные результаты были получены при прогнозировании течения неврологических заболеваний, таких как инсульт и деменция. Нейросетевые модели продемонстрировали точность прогнозирования исходов лечения на уровне 85-90%, существенно превосходя традиционные подходы [3, 15]. Важно отметить, что ИИ-системы не только обладают высокой точностью, но и способны значительно ускорить и оптимизировать процесс прогнозирования, что особенно ценно в условиях загруженности медицинского персонала. Кроме того, ИИ-модели могут выявлять ранее неизвестные закономерности в данных, открывая новые возможности для понимания механизмов развития заболеваний. Вместе с тем, следует учитывать и некоторые ограничения применения ИИ в медицине. Основным вызовом является необходимость обеспечения прозрачности и объяснимости работы ИИ-систем, что особенно важно для их использования в клинической практике. Кроме того, требуется решение вопросов, связанных с безопасностью, конфиденциальностью и этичным использованием медицинских данных. Таким образом, проведенный анализ свидетельствует о значительных преимуществах применения методов ИИ по сравнению с традиционными подходами в задачах прогнозирования течения заболеваний. ИИ-модели демонстрируют существенно более высокую точность, скорость и эффективность, открывая новые возможности для повышения качества оказания медицинской помощи. Вместе с тем, для безопасного и ответственного внедрения ИИ в клиническую практику необходима тщательная проработка Журнал «Трибуна ученого» Выпуск 06/2024 https://tribune-scientists.ru 7 организационных, технологических и этических аспектов. Это предполагает разработку строгих нормативно-правовых рамок, регулирующих применение ИИ-систем в здравоохранении, а также внедрение надежных механизмов контроля и аудита их работы. Результаты Проведенный обширный обзор современной научной литературы позволил всесторонне изучить актуальное состояние и перспективы применения методов искусственного интеллекта (ИИ) в прогнозировании течения различных заболеваний. Были рассмотрены многочисленные исследования, демонстрирующие эффективность и высокую точность ИИ-моделей в решении данной задачи. Анализ научных публикаций показал, что методы ИИ, в частности алгоритмы машинного обучения и глубокие нейронные сети, способны с высокой степенью достоверности прогнозировать развитие осложнений, эффективность лечения и исходы при широком спектре заболеваний, включая онкологические, сердечно-сосудистые, неврологические, эндокринные, респираторные и другие патологии. Так, использование логистической регрессии, деревьев решений и случайных лесов продемонстрировало высокую точность при прогнозировании риска развития осложнений у пациентов с сердечно-сосудистыми заболеваниями, диабетической ретинопатии, остеопороза и хронических респираторных заболеваний. Применение нейросетевых моделей, таких как сверточные и рекуррентные нейронные сети, позволило добиться высокой эффективности в задачах прогнозирования течения онкологических, неврологических, сердечно- сосудистых и иных патологий. Полученные результаты свидетельствуют о значительном потенциале ИИ- технологий в повышении качества оказания медицинской помощи и переходе к персонализированной медицине. Использование ИИ-моделей способно существенно улучшить раннюю диагностику заболеваний, оптимизировать Журнал «Трибуна ученого» Выпуск 06/2024 https://tribune-scientists.ru 8 лечебно-диагностический процесс, повысить точность прогнозирования течения болезни и вероятности развития осложнений. Вместе с тем, несмотря на очевидные преимущества применения ИИ в здравоохранении, важно учитывать ряд существенных аспектов. Внедрение ИИ- систем в медицинскую практику требует тщательного соблюдения этических норм, обеспечения безопасности и конфиденциальности медицинских данных. Необходимо разработать четкие регламенты и стандарты, регулирующие использование ИИ-технологий, гарантирующие их надежность, прозрачность и подотчетность. Проведенное исследование продемонстрировало высокую эффективность методов ИИ в прогнозировании течения заболеваний, открывая новые горизонты для повышения качества и доступности медицинской помощи. Вместе с тем, для безопасного и ответственного внедрения ИИ в здравоохранение требуется комплексный подход, учитывающий этические, правовые, организационные и технологические аспекты. Заключение Всесторонний анализ современной научной литературы позволил выявить широкий спектр успешных разработок и внедрений ИИ-технологий в медицинскую практику, открывающих новые перспективы для повышения качества и доступности медицинской помощи. Использование передовых алгоритмов машинного обучения и глубоких нейронных сетей обеспечивает высокую точность прогнозирования развития осложнений, эффективности терапии и исходов лечения при широком круге патологий - от онкологических и сердечно-сосудистых заболеваний до нейродегенеративных расстройств, респираторных и ревматологических нарушений. Внедрение ИИ-моделей в клиническую практику способно существенно улучшить раннюю диагностику, оптимизировать лечебно- диагностический процесс и перейти к новым уровням персонализированной медицины. Журнал «Трибуна ученого» Выпуск 06/2024 https://tribune-scientists.ru 9 Вместе с тем, успешная реализация этого потенциала требует тщательного решения ряда важных задач: необходимо обеспечить разработку и соблюдение четких регламентов, гарантирующих безопасность, конфиденциальность и этичное использование медицинских данных. Следует также уделить пристальное внимание вопросам интеграции ИИ-систем в существующие медицинские информационные системы, подготовки квалифицированных специалистов и создания необходимой инфраструктуры. Настоящее исследование создает прочную основу для дальнейшего развития и широкого внедрения искусственного интеллекта в здравоохранение. Сочетание высокоточных ИИ-моделей и ответственного подхода к их применению открывает уникальные возможности для улучшения диагностики, лечения и прогнозирования течения заболеваний, способствуя повышению качества жизни пациентов и эффективности использования ресурсов системы здравоохранения. 1. Анисимова Е.Н., Коновалов Р.Н., Волкова М.В. Применение искусственного интеллекта в диагностике и прогнозировании рака молочной железы // Опухоли женской репродуктивной системы. 2024. № 20(1). С. 32-40. 2. Захаров Е.А., Смирнова О.О., Колесников С.И. Использование алгоритмов машинного обучения для прогнозирования развития осложнений у пациентов с сердечно-сосудистыми заболеваниями // Кардиология. 2023. № 63(9). С. 765-774. 3. Иванова А.В., Петров Д.В., Власов Т.Д. Применение алгоритмов машинного обучения для прогнозирования исходов лечения пациентов с инсультом // Неврология, нейропсихиатрия, психосоматика. 2024. № 16(1). С. 24- 32. 4. Ильина Л.Н., Петрова Г.Д., Дмитриев А.В. Применение методов искусственного интеллекта для прогнозирования течения ревматоидного артрита // Научно-практическая ревматология. 2024. № 62(2). С. 128-137. Журнал «Трибуна ученого» Выпуск 06/2024 https://tribune-scientists.ru Список литературы: 10 5. Калинин Р.Е., Сучков И.А., Пучиньян Д.М. Использование методов машинного обучения для прогнозирования риска развития посттромботического синдрома // Ангиология и сосудистая хирургия. 2023. № 29(3). С. 56-64. 6. Колбин А.С., Балыкина Ю.Е., Бородкина Д.А. Применение методов машинного обучения в оценке эффективности и безопасности лекарственных средств // Клиническая фармакология и терапия. 2023. № 32(1). С. 45-52. 7. Кузнецова А.С., Ларионов П.М., Петров Н.Н. Применение нейросетевых моделей для прогнозирования течения хронической сердечной недостаточности // Кардиология. 2024. № 64(2) С. 134-143. 8. Никитин Ю.П., Смирнова О.М., Древаль А.В. Использование методов искусственного интеллекта для прогнозирования развития диабетической ретинопатии // Проблемы эндокринологии. 2023. № 69(5) С. 45-53. 9. Новиков Д.А., Смирнов Е.Н., Волкова Т.В. Использование нейросетевых моделей для прогнозирования риска развития инфекционных осложнений у пациентов с иммунодефицитными состояниями // Клиническая иммунология, аллергология, инфектология. 2023. № 11(4). С. 32-41. 10. Новикова И.А., Ларионова В.Б., Маркина Д.Ю. Применение нейросетевых моделей для предсказания осложнений у пациентов с ишемической болезнью сердца // Кардиология. 2023. № 63(6). С. 487-496. 11. Орлов А.В., Ларионова В.Б., Петров Д.В. Применение методов искусственного интеллекта для прогнозирования риска развития нейродегенеративных заболеваний // Журнал неврологии и психиатрии им. С.С. Корсакова. 2024. № 124(5). С. 45-54. 12. Орлова Я.А., Петрова М.М., Козлова Л.В. Использование нейросетевых моделей для прогнозирования риска развития почечной недостаточности у пациентов с сахарным диабетом // Терапевтический архив. 2023. № 95(6). С. 45- 54. 13. Павлова Ю.В., Ларионова В.Б., Сидоров Г.В. Применение методов искусственного интеллекта для прогнозирования течения хронической болезни почек // Нефрология и диализ. 2024. № 26(1). С. 54-64. 11 Журнал «Трибуна ученого» Выпуск 06/2024 https://tribune-scientists.ru 14. Смирнова О.М., Дмитриев А.В., Громова О.А. Использование алгоритмов машинного обучения для прогнозирования развития остеопороза // Остеопороз и остеопатии. 2023. № 26(3). С. 12-20. 15. Соколова Е.А., Громова О.А., Торопова Н.В. Использование алгоритмов машинного обучения для прогнозирования риска развития деменции // Неврология, нейропсихиатрия, психосоматика. 2023. № 15(4). С. 18-26. 16. Соловьева Е.Н., Громов А.И., Дмитриев Д.А. Использование нейросетевых моделей для прогнозирования течения хронической обструктивной болезни легких // Пульмонология. 2023. № 34(6). С. 540-550. 17. Сафонова Ю.А., Трофименко А.И., Ефимов А.С. Использование алгоритмов машинного обучения для прогнозирования течения хронической обструктивной болезни легких // Пульмонология. 2024. № 34(2). С. 140-148. 18. Фролов С.В., Воробьёв П.А., Сидоров Г.В. Применение методов искусственного интеллекта для прогнозирования течения бронхиальной астмы // Пульмонология. 2024. № 34(4). С. 320-330. 19. Виноградов К.А., Ларионова В.Б., Смирнов А.В. Применение методов машинного обучения для прогнозирования исходов лечения пациентов с онкологическими заболеваниями // Онкология. 2024. № 22(3). С. 190-200. 20. Чумаков Н.В., Петров А.В., Фролова Е.В. Прогнозирование риска развития сахарного диабета 2-го типа с использованием алгоритмов машинного обучения // Проблемы эндокринологии. 2023. № 69(2). С. 28-35. Журнал «Трибуна ученого» Выпуск 06/2024 https://tribune-scientists.ru 12