Application of artificial intelligence methods in medicine

Capa

Citar

Texto integral

Acesso aberto Acesso aberto
Acesso é fechado Acesso está concedido
Acesso é fechado Somente assinantes

Resumo

The prospects for the development of artificial intelligence technologies in the field of medicine are considered. The analysis of trends in the development of artificial intelligence in general and specific issues, such as the analysis and classification of big data, predicting disruption and creating a reliable report using a medical decision support system. The advantages and limitations of machine learning methods in comparison with human expertise are described. The types of tasks for the prospective application of artificial intelligence methods are noted, such as analyzing biometric data flows to identify the patient’s condition and modeling the interaction of several drugs.

Sobre autores

Yu. Orlov

Keldysh Institute of Applied Mathematics of the Russian Academy of Sciences

Autor responsável pela correspondência
Email: ov3159f@yandex.ru
Moscow, Russia

Bibliografia

  1. Feixiong Cheng, Zhongming Zhao. Machine learning-based prediction of drug–drug interactions by integrating drug phenotypic, therapeutic, chemical, and genomic properties // J. Medicine Information Association, 2014, no. 21, pp. 278–286.
  2. Tengfei Lyu, Jianliang Gao, Ling Tian, Zhao Li et al. A Multimodal Deep Neural Network for Predicting Drug-Drug Interaction Events // Proceedings of the Thirtieth International Joint Conference on Artificial Intelligence (IJCAI-21), pp. 3536–3542.
  3. Xiang Yue, Zhen Wang, Jingong Huang et al. Graph embedding on biomedical networks: methods, applications and evaluations // Bioinformatics, 2020, no. 36(4), pp. 1241–1251.
  4. Xu Chu, Yang Lin, Yasha Wang et al. A multi-task semi-supervised learning framework for drug-drug interaction prediction. // Proceedings of the International Joint Conference on Artificial Intelligence, 2019, pp. 4518–4524.
  5. Farkas D., Shader R.I., von Moltke L.L., Greenblatt D.J. Mechanisms and consequences of drug-drug interactions. // In: Gad SC, ed. Preclinical Development Handbook: ADME and Biopharmaceutical Properties. Philadelphia: Wiley, 2021.
  6. Марцевич С.Ю., Лукина Ю.В., Драпкина О.М. Основные принципы комбинированной медикаментозной терапии – фокус на межлекарственное взаимодействие // Кардиоваскулярная терапия и профилактика. 2021. № 20(7). С. 3031. Martsevich S.Yu., Lukina Yu.V., Drapkina O.M. Basic principles of combination drug therapy – focus on drug interactions // Cardiovascular therapy and prevention. 2021, no. 20(7), p. 3031. (In Russ.)
  7. Huimin Luo, Weijie Yin, Jianlin Wang et al. Drug-drug interactions prediction based on deep learning and knowledge graph: A review // iScience 27, 2024, March, 109148.
  8. Yifan Deng, Xinran Xu, Yang Qiu et al. A multimodal deep learning framework for predicting drug–drug interaction events // Bioinformatics. 2020, no. 36(15), pp. 4316–4322.
  9. Ryu J.Y. et al. (2018) Deep learning improves prediction of drug–drug and drug–food interactions // Proc. Natl. Acad. Sci. USA. 2018, no. 115, pp. E4304–E4311.
  10. Орлов Ю.Н., Сивакова Т.В., Шимановский Н.Л. Ранговая модель оценки рисков полифармакотерапии // Математическое моделирование. 2025. Т. 37. № 2. С. 99–110. Orlov Yu.N., Sivakova T.V., Shimanovsky N.L. Rank model for assessing the risks of polypharmacotherapy // Mathematical modeling. 2025, vol. 37, no. 2, pp. 99–110. (In Russ.)
  11. Кислицын А.А., Козлова А.Б., Корсакова М.Б., Орлов Ю.Н. Индикатор разладки для нестационарных случайных процессов // Доклады РАН. Cер. Математическая. 2019. Т. 484. № 4. С. 393–396. Kislitsyn A.A., Kozlova A.B., Korsakova M.B., Orlov Yu.N. Disorder indicator for non-stationary random processes // Reports of the Russian Academy of Sciences. Series: Mathematical. 2019, vol. 484, no. 4, pp. 393–396. (In Russ.)

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar

Declaração de direitos autorais © Russian Academy of Sciences, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».