В 2020 г. в рамках «Эксперимента по использованию инновационных технологий в области компьютерного зрения для анализа медицинских изображений и дальнейшего применения в системе здравоохранения города Москвы» было проведено мультицентровое проспективное исследование целесообразности применения технологий искусственного интеллекта в условиях реальной клинической практики. В исследовании приняли участие 18 различных систем ИИ, доступных для 538 врачей-рентгенологов, работающих с единой радиологической информационной системой (ЕРИС ЕМИАС).
Оценка целесообразности внедрения искусственного интеллекта (ИИ) осуществлялась по различным аспектам, включая приемлемость, спрос со стороны врачей-рентгенологов, качество реализации, способность адаптации и в конечном итоге степень воздействия на производительность труда.
Материалом работы были результаты 1 762 949 исследований и данные 15 028 результатов обратной связи от врачей-рентгенологов по нескольким модальностям.
В результате проведения исследования выявлено, что вовлеченность врачей-рентгенологов в применение ИИ-Сервисов составила 22,4%. Практическое использование реальных ИИ-продуктов положительно изменило отношение врачей к технологиям ИИ. Обеспечили анализ результатов лучевых исследований в пределах установленных временных нормативов 65% ИИ-Сервисов. Выявлено достоверное снижение длительности подготовки описаний результатов профилактической маммографии в амбулаторном звене на 15,0% (p = 0,03), в стационарном звене – на 50,0% (p = 0,05). Выявлено достоверное увеличение длительности описаний результатов компьютерной томографии/низкодозной компьютерной томографии для выявления злокачественных новообразований легких на 42,0% (p = 0,04). Разнонаправленный характер влияния ИИ-Сервисов на производительность труда врачей-рентгенологов требует дальнейшего углубленного изучения.
Анализ проведенного исследования позволяет позволил сделать вывод о целесообразности применения ИИ-Сервисов в лучевой диагностике для повышения производительности труда врачей-рентгенологов, в том числе в условиях чрезвычайных ситуаций. Результаты работы технологий ИИ должны в обязательном порядке верифицироваться врачом.
1. Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts HJWL. Artificial intelligence in radiology. Nat Rev Cancer. 2018; 18(8): 500-510. doi: 10.1038/s41568-018-0016-5.
2. Born J, Beymer D, Rajan D, et al. On the role of artificial intelligence in medical imaging of COVID-19. Patterns. Volume 2. ISSUE 6. 100269. June 11. 2021. doi: 10.1016/j.patter.2021.100269.
3. Kakileti ST, Madhu HJ, Krishnan L, et al. Observational Study to Evaluate the Clinical Efficacy of Thermalytix for Detecting Breast Cancer in Symptomatic and Asymptomatic Women. JCO Glob Oncol. 2020. Oct. 6: 1472-1480. doi: 10.1200/GO.20.00168.
4. Методика разработки норм времени и нагрузки медицинского персонала. — М.: ФГБУ «Центральный научно-исследовательский институт организации и информатизации здравоохранения», 2013. — 25 с.
5. Bossuyt PM, Reitsma JB, Bruns DE, et al. For the STARD Group. STARD 2015: An Updated List of Essential Items for Reporting Diagnostic Accuracy Studies. Radiology. 2015; 277(3): 826-832. doi: 10.1148/radiol.2015151516.
6. Морозов С.П., Владзимирский А.В., Гомболевский В.А. и др. Искусственный интеллект в скрининге рака легкого: оценка диагностической точности алгоритма для анализа низкодозовых компьютерных томографий // Туберкулез и болезни легких. — 2020. — Т.98. — №8. — С.24-31. doi: 10.21292/2075-1230-2020-98-8-24-31.
7. Kaka H, Zhang E, Khan N. Artificial Intelligence and Deep Learning in Neuroradiology: Exploring the New Frontier. Can Assoc Radiol J. 2020. Sep 18: 846537120954293. doi: 10.1177/0846537120954293.
8. Schoonenboom J., Johnson R.B. How to Construct a Mixed Methods Research Design. Kolner Z Soz Sozpsychol. 2017; 69(2): 107-131. doi: 10.1007/s11577-017-0454-1.
9. Wu G, Yang P, Xie Y, et al. Development of a clinical decision support system for severity risk prediction and triage of COVID-19 patients at hospital admission: an international multicentre study. Eur Respir J. 2020; 56(2): 2001104. doi: 10.1183/13993003.01104-2020.
10. Jalal S, Parker W, Ferguson D, Nicolaou S. Exploring the Role of Artificial Intelligence in an Emergency and Trauma Radiology Department. Can Assoc Radiol J. 2021 Feb; 72(1): 167-174. doi: 10.1177/0846537120918338.
11. Sohn JH, Chillakuru YR, Lee S, et al. An Open-Source, Vender Agnostic Hardware and Software Pipeline for Integration of Artificial Intelligence in Radiology Workflow. J Digit Imaging. 2020 Aug; 33(4): 1041-1046. doi: 10.1007/s10278-020-00348-8.
12. Blezek DJ, Olson-Williams L, Missert A, Korfiatis P. AI Integration in the Clinical Workflow. J Digit Imaging. 2021 Dec; 34(6): 1435-1446. doi: 10.1007/s10278-021-00525-3.
13. Kapoor N, Lacson R, Khorasani R. Workflow Applications of Artificial Intelligence in Radiology and an Overview of Available Tools. J Am Coll Radiol. 2020 Nov; 17(11): 1363-1370. doi: 10.1016/j.jacr.2020.08.016.
14. Davendralingam N, Sebire NJ, Arthurs OJ, Shelmerdine SC. Artificial intelligence in paediatric radiology: Future opportunities. Br J Radiol. 2021 Jan 1; 94(1117): 20200975. doi: 10.1259/bjr.20200975.
15. Ginat DT. Analysis of head CT scans flagged by deep learning software for acute intracranial hemorrhage. Neuroradiology. 2020 Mar; 62(3): 335-340. doi: 10.1007/s00234-019-02330-w.
16. Codari M, Melazzini L, Morozov SP, et al. Impact of artificial intelligence on radiology: a EuroAIM survey among members of the European Society of Radiology. Insights Imaging. 2019 Oct 31; 10(1): 105. doi: 10.1186/s13244-019-0798-3.
17. Yang L, Ene IC, Arabi Belaghi R, et al. Stakeholders’ perspectives on the future of artificial intelligence in radiology: a scoping review. Eur Radiol. 2022 Mar; 32(3): 1477-1495. doi: 10.1007/s00330-021-08214-z.