Внедрение современных информационных технологий в различные области медицины позволяет оптимизировать лечебные процессы, обеспечить доступ к информации о состоянии здоровья пациентов, поддержку клинических решений и прогнозировать развитие заболеваний и распространение эпидемий. Об этом рассказали участники заседания Президиума, которое состоялось 24 декабря.

Академик-секретарь Отделения медицинских наук РАН Владимир Стародубов рассказал, что в рамках указа «О национальных целях развития РФ на период до 2023 года и на перспективу до 2036 года» запланирован запуск цифровой платформы «Здоровье». Её основная цель — создание цифрового медицинского профиля пациентов и организация единой площадки по управлению здоровьем человека.

На платформе будут осуществляться диагностика и мониторинг индивидуальных резервов здоровья, интеграция данных, составление и корректировка групповых и персональных программ управления здоровьем, оценка эффективности программ и принятие управленческих решений на всех уровнях и так далее.

«Цифровая трансформация здравоохранения направлена на поиск механизмов помощи в управлении системой здравоохранения <…> Совместная работа различных отделений Академии будет наиболее ярко воплощена в этой работе, потому что силами одного медицинского Отделения справиться невозможно», — сказал он.

Движущей силой цифровизации здравоохранения должен стать консорциум, созданный в 2023 году на базе ведущих институтов страны, таких как Институт системного программирования им. В.П. Иванникова РАН, Институт прикладной математики им. М.В. Келдыша РАН и Российский экономический университет им. Г.В. Плеханова, считает академик. «Мы хотим создать единое хранилище данных на основе междисциплинарного подхода. И роль Академии здесь весьма значительна», — добавил Владимир Стародубов.

Моделированию эффектов лазерной кавитации в хирургии был посвящён доклад академика РАН Михаила Гузева. Он рассказал, что лазер-активированная ирригация инфицированных острых и хронических ран при санации позволяет подготовить синдром диабетической стопы к дальнейшей пластике или проведению операции, а также проводить лазерную чистку открытых ран.

Опыт применения лазерной кавитации в лечении инфицированных острых и хронических ран показал, что по эффективности она превосходит ультразвуковую кавитацию. «При лазерном излучении не происходит нагревания объёма. Это свойство может быть использовано при лечении определённых патологических структур», — сказал он.

Для внедрения в клиническую практику и улучшения результатов лечения целого ряда заболеваний требуется изучение механизмов воздействия лазер-индуцированной кавитации на биологические ткани, разработка соответствующих медицинских технологий и устройств, заключил учёный.

Персонализированные математические модели могут применяться как диагностические и прогностические инструменты клинициста, рассказал член-корреспондент РАН Юрий Василевский.

Так, Институтом вычислительной математики им. Г.И. Марчука РАН совместно с Сеченовским Университетом разрабатываются персонализированные модели подсистем опорно-двигательного аппарата — например, биомеханическая модель коленного сустава для анализа движения надколенника. «Мы работаем над пластикой связок и сухожилий коленного сустава, чтобы можно было прогнозировать результат операции», — пояснил докладчик.

Математическое моделирование может использоваться для оперативного расчёта сценариев развития эпидемий и эффективности ограничительных мер, рассказал член-корреспондент РАН Сергей Кабанихин.

Например, при оценке роста заболеваемости COVID-19 в Москве использовалась агент-ориентированная модель, которая подразумевает моделирование на уровне отдельных людей-агентов. В рамках такой модели описывается поведение каждого агента и вероятность его заражения в каждом конкретном месте, исходя из количества присутствующих в нём переносчиков инфекции. Житель-агент в течение дня последовательно взаимодействует с другими агентами в различных общественных местах — ячейках виртуальной среды.

Среди других математических моделей для оперативного расчёта сценариев развития эпидемий докладчик выделил SEIR-HCD-модель (макроуровень) и модель игры среднего поля (MFG), разделяющая агентов по группам в зависимости от их склонности к соблюдению карантинных мер.

О методах анализа нестационарных случайных процессов в области медицины рассказал заведующий отделом «Кинетические уравнения и вычислительная физика» Института прикладной математики им. М.В. Келдыша РАН Юрий Орлов. 

Учёный отметил, что даже на уровне «слабого» ИИ существует большое количество задач, требующих оптимизации и развития методов нестационарного статистического анализа.

«Реальные задачи требуют использования вычислительных средств более чем петафлопной мощности. Поэтому необходимы также и алгоритмы реализации параллельных вычислений. Построение аппроксимаций на основе теорем статистической механики и теории групп позволяет снизить вычислительную сложность алгоритмов», — говорится в докладе.

Примером такого инструмента служит цифровая нутрициология — это вычислительный инструментарий для анализа, моделирования и прогнозирования потребности в нутриентах на индивидуальном и региональном уровнях, объединяющий базы данных, численные алгоритмы и математические модели.

Активное развитие вычислительных технологий и задачи, возникшие перед системой эпидемиологического надзора в период пандемии COVID-19, создали предпосылки к стремительному развитию процесса цифровой трансформации в эпидемиологии, рассказал академик РАН Василий Акимкин.

Технологической основой цифровой трансформации в эпидемиологии являются разработанные в ФБУН ЦНИИ Эпидемиологии Роспотребнадзора три программные платформы: национальная платформа агрегирования данных о геномах вирусов SARS-CoV-2 (VGARus); платформа мониторинга и анализа сведений о результатах исследований населения РФ на наличие возбудителя новой коронавирусной инфекции SOLAR; аналитическая платформа для оперативного и ретроспективного эпидемиологического анализа обстановки по новой коронавирусной инфекции EpidSmart. «Для обработки эпидемиологических данных используется расширенный набор математических методов анализа», — отмечается в докладе.

Говоря об анализе медицинских данных с применением машинного обучения и искусственного интеллекта, директор Института системного программирования им. В.П. Иванникова РАН (ИСП РАН), заместитель президента РАН академик Арутюн Аветисян подчеркнул, что необходима платформа, где хранятся и размещаются данные. 

В рамках Научного центра мирового уровня «Цифровой биодизайн и персонализированное здравоохранение» совместно с Сеченовским университетом, Институтом биомедицинской химии имени В.Н. Ореховича, Новгородским государственным университетом и Институтом конструкторско-технологической информатики РАН на основе открытого и отечественного ПО разработана платформа для создания моделей интеллектуального анализа биомедицинских данных. Она предоставляет ресурсы по запросу и возможность совместной работы и объединяет доверенные облачные технологии и модели машинного обучения.

«К данным должны иметь доступ врачи из разных регионов и больниц. И мы должны обучать модели, которые будут адаптироваться под разные сценарии использования <…> Мы начали делать такую платформу и апробировали платформу в нескольких центрах на реальных биомедицинских задачах», — добавил директор ИСП РАН.

По мнению академика, для успешного развития и внедрения технологий интеллектуального анализа данных в медицине необходимы качественные биомедицинские данные; инфраструктура для обработки данных и создания моделей ИИ (платформа, которая объединяет все необходимые технологии и предоставляет сервисы, адаптируемые под конкретную задачу); междисциплинарная команда профильных экспертов-врачей и ИТ-специалистов, которые совместно организуют сбор и разметку данных, а также оценку модели.