«Разумные»

медицинские
системы
Сергей Добриднюк,
«Диасофт Системы»
резидент ИЦ «Сколково»
 Экосистема ИЦ «Сколково»
Инновационные
предприятия 1147
в Сколково

Energy Efficiency Hardware, Pharmaceuticals, Space Nuclear &

& Software Biotechnology, Technologies, Radiation
Cleantech & Distributed Medical Devices Telecomm Technologies,
Computation & & Materials
BioIT Navigation &
Systems Engineering
 Медицинские проекты Сколково
№ п/п Разработчик Система
1 Аксимед Рабочее место врача-кардиолога. МИС AKSi-клиника
2 Аксимед Электронная регистратура МИС AKSi-клиника
3 Ангиоскан Проект "Кардиокиоск". Портативная диагностика атеросклероза
4 Европейский центр Мобильные системы для многопараметровой диагностики e-Loc
развития инноваций
5 Епифан лабс Distance 2. Прибор для Захвата изображения
6 Карбоновая долина CloudBank
Электронная история болезни, биобанк
7 Карбоновая долина Камертон, Система гипер-таргетированного маркетинга для фарм-индустрии
8 Максетлайн Портативный кардиограф
9 Максетлайн АРМ врача ЭКГ
10 Мед@рхив Персональная медицинская электронная карта
11 Медлайнсофт Региональное расписание
12 Медлайнсофт Интеграционная платформа МЕДТЕРА
13 Питерсофтварехауз Мобильное ПО для получения данных с мед. приборов по беспроводному каналу
14 Питерсофтварехауз Онлайн-портал для доступа к данным в режиме пациента или врача
15 Росгендиагностика Диагностика и подбор терапии для онкологии
16 Секвойя Секвенатор (Анализатор генома)
17 Сколково ИС с рег.данными участников форума "Открытые инновации"
18 ФРУКТ МД Проект "Здоровое питание" (мобильное аналитическое приложение)
19 ФРУКТ МД Проект "Фитнес вне дома и в доме" (мобильное диагностическое приложение)
20 ФРУКТ МД Проект "Контроль состояния" (мобильное приложение с кнопкой экстренного вызова)
21 ФРУКТ МД Проект "Домашний контроль здоровья" (мобильное диагностическое устройство)
22 Центр БМиВТ Прибор 3D и 2D визуализация томограмм
23 Центр БМиВТ Мобильное лабораторное устройство: терагерцовый спектроанализатор выдыхаемого
воздуха
24 Wikron Электронный стетоскоп Webot
25 Wikron Мобильное приложение Webot
Цифровой
госпиталь
Skolkovo
Регистрация пациента
Первичный прием
Лабораторная диагностика
Дистанционный мониторинг
Индивидуальный подход
Клиентоориентированность
Производительность
А что делать с
медицинскими
данными ?
Поколения МИС по Gartner
 Кибернетические медицинские
аналитические системы
• Экспертные модели
• Регрессионные модели
• Деревья решений
• Нейронные сети
 Экспертные модели

Принцип
Для каждого из рассматриваемых
входных параметров имеется таблица
весов, поставленных экспертами-
людьми

Достоинства
Данная модель легко разрабатывается в
продуктах класса Excel или вручную по
результатам «мозгового штурма»

Недостатки
«Улучшение» или «ухудшение» общего
целевого балла, если рассматриваемые
входные параметры коррелируют
между собой
 Примеры ИС, использующих экспертные
модели

CASNET - диагностика и выбора стратегии лечения глаукомы

EasyDiagnosis – диагностика по National Center for Health Statistics (NCHS)
DXPlain - системы поддержки клинических решений, используется для
ассистирования в процессе диагностики
MYCIN, EMYCIN - диагностика инфекционных заболеваний крови
Germwatcher - помощь больничному эпидемиологу. Включает базу
знаний, основанную на правилах, используется для генерации гипотез о
возможных инфекциях
PEIRS интерпретирует и комментирует отчеты по химическим патологиям
Puff - предназначена для интерпретации результатов
функционального пульмонологического теста на основе прецедентной
информации
HELP –госпитальная ИС с функциями поддержки принятия решений
ЭС Диаген - диагностика наследственных болезней
ЭС Дин - распознавание текущего состояния ребенка
WebMD Checker – диагностика по симптомам
Ubertek – система дифференциальной диагностики
 Регрессионные модели

Принцип
Построение полинома (чаще лог-регрессия)
на основе обучающей выборки
Достоинства
• Не искажает результат в случае
корреляции входных параметров между
собой, автоматически обнуляя веса
зависимых параметров
• Модель можно перепроверить, т.к у
целевой функции существует обратная
функция
• Нечувствительность к резкому
изменению диапазона значений
входных параметров
 Точность статистических моделей

Перем Коэффиц
Параметр
енная иент
1 Число случаев беременности 0.1232
2 Концентрация глюкозы 0.0352
Артериальное диастолическое
3 -0.0133
давление, мм. рт. ст.
Толщина кожной складки
4 0.0006
трехглавой мышцы, мм.
2-х часовой сывороточный
5 -0.0012
инсулин
6 Индекс массы тела 0.0897
Числовой параметр
7 0.9452
наследственности диабета confusion
Фактически
8 Возраст, лет 0.0149 matrix
Модель Положит. Отрицат.
*) Из UCI machine learning repository
www.basegroup.ru Положит. TP FP
Отрицат. FN TN
 Примеры статистических модулей,
подключаемых к МИС

• Bayesia
• Deductor Studio
• IBM SPSS Statistics
• IBM SPSS Modeler
• Matlab
• MS Excel
• Oracle Data Miner
• Orange
• Statsoft Statistica
• SAS Etnerprise
Miner
• Stata
• Statsoft Statistica
• TIBCO Spotfire
 Деревья решений

Принцип
Построение дерева (обычно С4.5) на основе
обучающей выборки

Достоинства
• Также как и модель лог-регрессии –
модель автоматически ранжирует
входные параметры по степени влияния
на результат, рассчитывая коэффициенты
влияния
• Результат представляется в виде «дерева»
- которое можно использовать даже в
ручном режиме обработки данных
• Модель автоматически убирает ненужные
сравнения и расчеты, обеспечивая очень
высокую скорость расчета целевого
предложения
 Нейронные сети

Принцип
Модель самообучающихся сетей,
имитирующих работу человеческого мозга

Достоинства
• Самые высокие показатели точности
• Позволяет найти закономерности даже
в случае «серой зоны» - когда ни по
одному из входных параметров
невозможно сделать точный вывод о
клиенте и его проблемах
Недостатки
• Очень высокие требования к
вычислительным средствам, на которых
разрабатывается и обсчитывается
модель, в тяжелых случаях применяется
специальное аппаратное обеспечение
 Нейронные сети

San-Diego Univ. – разпознавание инфаркта у больных с острой болью

MYCIN–ECD – расшифровка ЭКГ
RES Informatica – кардиодиагностика по спектрам тахограмм
Toronto Univ. – прогноз пребывания в интенсивной терапии
Mayo Clinic – распознавание маммограм
ТРИНИТИ – выбор метода лечения базалиомы
Multineuron – диагностика меланомы
NCI – предсказание механизма действия химиотерапии
НИИЯФ МГУ – анализ заболеваний органов слуха
Sindey Univ – прогноз внезапной смерти новорожденных
Papnet – скрининг и интерпретация пап-мазков
Vienna Univ. – анализ биопсии простаты и урологических анализов
Aizenberg – фильтрация и сегментация томограмм мозга
Rajapakse – анализ рентгенограмм вн. органов: печень, почки
Dokur – анализ 4 специфичных волн ЭКГ при аритмии
KBANN – классификация МРТ (фосфор и пр) в онкологии
Kaiser Hospital – автоматическое назначение анализов (свыше 250)
ACR – анализ васкулитных поражений
 Эксперимент «Китайская комната»
Searle, John. R. (1980) «Minds, brains, and programs. Behavioral and Brain Sciences»

Можно ли Нужны системы,

эффективно распознающие Когнитивные
отвечать на контекст и смысл
вопросы, если сказанного, системы,
действуешь умеющие Искусственный
механически, не исполнять
понимая смысл творческие интеллект
вопроса ? функции человека
 Интеллектуальные системы

Кибернетика – наука об общих Искусственный интеллект

закономерностях процессов
управления и передачи
информации в технических,
живых и социальных системах
(artificial intelligence, AI) –
свойство автоматических
систем брать на себя
отдельные функции человека,
в том числе когнитивные и
творческие
Информационная система IBM Watson
Технология ABBYY Compreno
 Интернет+
«Необходимо на государственном уровне стимулировать развитие
использования больших объемов данных нового типа:

• Развитие источников данных (рост числа датчиков,

использование существующих датчиков)
• Развитие моделей сбора данных (объединение
датчиков в крупные сети)
• Развитие моделей анализа данных
• Развитие инструментария работы с данными
(создание и развитие баз данных, определения
регламентов и инструментов доступа к базам данных)»

Из проекта «Основные тезисы долгосрочной

программы развития российского сегмента сети
Интернет и связанных с ней отраслей экономики».
Институт Развития Интернета, 5 октября 2015 г
 Вопросы, которые чаще всего задают

Кто должен создавать такие системы – Математик или Врач ?

Только Врач (но знающий математику). Только он способен задавать
«правильные» вопросы и делать содержательные глубокие выводы
Откуда взять данные ?
Это самая драматичная часть в России. Мало оцифрованных данных,
а те что есть – имеют низкое качество и консистентность. ЕГИСЗ и
ЭМК в этом сильно помогает. Для аналитической работы можно
взять и иностранные данные, отнормировав на целевом сегменте

Нам не нужна статистика, у нас нет столько данных

Не надо много. Важно чтобы данные были репрезентативными. Для
обучения нейросетей достаточно не более 3-4 тыс. эпизодов
Можно ли стать успешным разработчиком Аналитической Модели ?
Да, но нужна не модель, а законченное решение (Сервис). Это
командный проект для ученых, практиков, разработчиков, чиновников
Спасибо за внимание !