Российское здравоохранение, следуя мировым трендам, стремится к использованию созидательного потенциала технологий искусственного интеллекта. С их помощью можно эффективнее использовать информацию, которая генерируется медицинскими устройствами и информационными системами. Внедрение ИИ в перспективе должно усовершенствовать точность диагностики и свести к минимуму медицинские ошибки.Системы поддержки принятия врачебных решений (СППВР) – важный компонент государственной программы «Цифровое здравоохранение», направленной на создание новых цифровых технологий, способствующих снижению смертности и повышению эффективности охраны здоровья.Основная задача таких систем – помощь врачам и организаторам здравоохранения в определении рисков развития различных хронических заболеваний. Технологии обрабатывают деперсонифицированные данные о состоянии здоровья пациента и, применяя различные методики анализа, выявляют факторы риска или подозрения на различные заболевания.СППВР умеет анализировать медицинские данные пациентов самостоятельно, без участия человека, не дожидаясь его обращения в медучреждение. Различные программные продукты для здравоохранения, такие как региональные сервисы электронной медицинской карты или медицинские информационные системы, могут отправлять данные для анализа и получать готовый ответ, содержащий оценку рисков развития заболеваний. Если такие риски выявляются, то соответствующие системы смогут играть более активную роль, например, информировать пациентов или лечащих врачей о сигналах тревоги, приглашать в поликлиники для профилактического обследования, заносить сведения о таких пациентах в специальные региональные реестры.Одной из таких платформ является Webiomed, разработанная карельской компанией К-МИС. Она представляет собой набор различных сервисов. С их помощью можно провести автоматический анализ электронных медицинских карт, сформировать индивидуальный прогноз по заболеваниям и осложнениям, сформулировать персональные рекомендации, а также провести популяционный анализ.Разработка уже имеет встроенные алгоритмические функции анализа данных по оценке риска сердечно-сосудистых заболеваний. Постепенно, по мере накопления в системе деперсонифицированных медицинских сведений, специалисты проекта приступят к обучению нейронных сетей для выявления скрытых или недостаточно изученных зависимостей и формирования альтернативного предположения о наличии того или иного заболевания или его развития в ближайшее время.Кроме этого, разработчики прививают системе навык формирования рекомендаций по выявленным у пациента факторам риска на основании национальных и международных клинических рекомендаций. Таким образом будет осуществляться полноценная поддержка принятия врачебных решений на этапе профилактической работы системы здравоохранения.
