Учёные Новосибирского государственного университета разработали и запатентовали метод, который позволяет выделять самые важные для прогноза заболевания симптомы и показатели из электронных медицинских карт.
Разработку планируют представить на Петербургском международном экономическом форуме, сообщили ТАСС в пресс‑службе вуза.
Одна из главных проблем при внедрении искусственного интеллекта в медицину заключается в том, что врачам сложно интерпретировать выводы нейросетей. Алгоритм выдаёт ответ, но непонятно, почему система приняла именно такое решение. Это снижает доверие к технологии и делает её использование рискованным.
Сотрудники Центра искусственного интеллекта НГУ запатентовали метод, который автоматически находит в электронных медицинских картах ключевые для прогноза симптомы и показатели. Новый способ уже применяется для обучения системы поддержки врачебных решений «Доктор Пирогов», чтобы она точнее распознавала симптомы и оценивала риски для пациента. Сейчас команда завершила патентование и занимается тонкой настройкой системы.
Разработка относится к области медицинской информатики и анализа больших массивов медицинских данных. Алгоритм просматривает тысячи обезличенных карт пациентов с одинаковым диагнозом и находит среди множества полей те признаки, которые чаще всего встречаются у больных с этим заболеванием и сильнее всего влияют на постановку диагноза. Затем эти симптомы используются в системе поддержки врачебных решений.
Метод обработки данных заключается в преобразовании информации из карт пациентов с одним диагнозом в набор бинарных признаков, на которых обучают нейросеть. Она не только выдаёт прогноз, но и выделяет наиболее значимые симптомы. Для надёжности модель запускают многократно и отбирают только устойчивые признаки.
Это повышает точность диагностики. Врач видит, какие симптомы система сочла ключевыми, и может сопоставить их со своим опытом. Подход универсален и применим в разных системах, а также может служить основой для инструментов, оценивающих вероятность заболеваний. По мнению учёных, в перспективе такие методы сделают цифровую медицину надёжнее и прозрачнее, поскольку алгоритмы будут не только прогнозировать, но и объяснять свои выводы.
