Искусственный интеллект в травматологии и ортопедии. Реальность, фантазии или обман?

Обложка
  • Авторы: Середа А.П.1,2, Джавадов А.А.1, Черный А.А.1
  • Учреждения:
    1. ФГБУ «Национальный медицинский исследовательский центр травматологии и ортопедии им. Р.Р. Вредена» Минздрава России
    2. Академия постдипломного образования ФГБУ «Федеральный научно-клинический центр специализированных видов медицинской помощи и медицинских технологий ФМБА России»
  • Выпуск: Том 30, № 2 (2024)
  • Страницы: 181-191
  • Раздел: Дискуссии
  • URL: https://ogarev-online.ru/2311-2905/article/view/260248
  • DOI: https://doi.org/10.17816/2311-2905-17468
  • ID: 260248

Цитировать

Полный текст

Аннотация

Введение. В последние годы тема искусственного интеллекта (ИИ) в медицине весьма активно обсуждается как решение не просто перспективное, но и позволяющее улучшить какие-то результаты. Значительный рост интереса к системам ИИ в мире начался в первой половине — середине 2010-х гг., что позволило рассматривать вопрос применения таких систем на практике.

Цель исследования — провести анализ всех зарегистрированных в нашей стране как медицинское изделие программных продуктов, в том числе с технологией искусственного интеллекта, и оценить их применимость в области травматологии и ортопедии.

Материал и методы. В исследование были включены все программные продукты, имеющие регистрационное удостоверение медицинского изделия по коду ОКПД2 58.29.XX.XXX (Услуги по изданию прочего программного обеспечения). В государственном реестре медицинских изделий и организаций (индивидуальных предпринимателей), осуществляющих производство и изготовление медицинских изделий, по состоянию на 14 февраля 2024 г. по критерию включения мы обнаружили 111 зарегистрированных программных продуктов.

Результаты. Все зарегистрированные программные продукты мы предложили классифицировать следующим образом: системы, работающие с изображениями стандарта DICOM (47 шт., 42%), с лабораторными данными (20 шт., 18%), с изображениями при микроскопии (7 шт., 6%), с фотоизображениями (5 шт., 5%), медицинские информационные системы (4 шт., 4%), системы анализа текстовых данных (3 шт., 3%), системы поддержки принятия врачебных решений (3 шт., 3%), анализа ЭКГ/Холтер (2 шт., 2%), иные системы (16 шт., 14%). Систем, применимых в области травматологии и ортопедии, оказалось 4 шт. (4%).

Заключение. К сожалению, реальную применимость существующих решений в области травматологии и ортопедии можно расценить как минимальную в сравнении с пульмонологией, онкологией, лабораторной диагностикой, где программы с искусственным интеллектом уже добились значительных успехов.

Об авторах

Андрей Петрович Середа

ФГБУ «Национальный медицинский исследовательский центр травматологии и ортопедии им. Р.Р. Вредена» Минздрава России; Академия постдипломного образования ФГБУ «Федеральный научно-клинический центр специализированных видов медицинской помощи и медицинских технологий ФМБА России»

Email: drsereda@gmail.com
ORCID iD: 0000-0001-7500-9219

д-р мед. наук

Россия, г. Санкт-Петербург; г. Москва

Алисагиб Аббасович Джавадов

ФГБУ «Национальный медицинский исследовательский центр травматологии и ортопедии им. Р.Р. Вредена» Минздрава России

Email: alisagib.dzhavadov@mail.ru
ORCID iD: 0000-0002-6745-4707

канд. мед. наук

Россия, г. Санкт-Петербург

Александр Андреевич Черный

ФГБУ «Национальный медицинский исследовательский центр травматологии и ортопедии им. Р.Р. Вредена» Минздрава России

Автор, ответственный за переписку.
Email: alexander.cherny.spb@gmail.com
ORCID iD: 0000-0002-1176-612X

канд. мед. наук

Россия, г. Санкт-Петербург

Список литературы

  1. Гажва С.И., Горбатов P.O., Еюрихина М.Н., Тетерин А.И., Янышева К.Л. 3D-технологии в медицине. Аддитивные технологии. 2023;(2):70-77. URL: https://www.calameo.com/read/ 007352782aa166b92b59a (дата обращения 15 февраля 2024 г.). Gazhva S.I., Gorbatov P.O., Ejurihina M.N., Teterin A.I., Janysheva K.L. 3D-tehnologii v medicine. Additivnye tehnologii. 2023;(2):70-77. (In Russian). URL: https://www.calameo.com/read/007352782aa166b92b59a (дата обращения 15 февраля 2024 г.).
  2. Nitris L., Varfolomeeva A., Blinov D., Kamishanskaya I., Lobishcheva A., Dydykin S. et al. Artificial Intelligence-based Solution for X-ray Longitudinal Flatfoot Determination and Scaling. Imaging Med. 2019;11(5):67-75.
  3. Бортулёв П.И., Виссарионов С.В., Басков В.Е., Барсуков Д.Б., Поздникин И.Ю., Познович М.С. Применение индивидуальных шаблонов при тройной остеотомии таза у детей с диспластическим подвывихом бедра (предварительные результаты). Травматология и ортопедия России. 2019;25(3): 47-56. doi: 10.21823/2311-2905-2019-25-3-47-56. Bortulev P.I., Vissarionov S.V., Baskov V.E., Barsukov D.B., Pozdnikin I.Y., Poznovich M.S. Patient-Specific Templates for Triple Pelvic Osteotomy in Children with Dysplastic Hip Subluxation (Preliminary Results). Traumatology and Orthopedics of Russia. 2019;25(3):47-56. (In Russian). doi: 10.21823/2311-2905-2019-25-3-47-56.
  4. Кавалерский Г.М., Середа А.П., Мурылев В.Ю., Рукин Я.А., Гаврилов А.В., Архипов И.В. и др. 2D-планирование эндопротезирования тазобедренного сустава. Травматология и ортопедия России. 2015; 21(4):95-102. doi: 10.21823/2311-2905-2015-0-4-95-102. Kavalersky G.M., Sereda A.P., Murylev V.Y., Rukin Y.A., Gavrilov A.V., Arkhipov I.V. et al. 2D planning for hip arthroplasty. Traumatology and Orthopedics of Russia. 2015;21(4):95-102. (In Russian). doi: 10.21823/2311-2905-2015-0-4-95-102.
  5. Lisacek-Kiosoglous A.B., Powling A.S., Fontalis A., Gabr A., Mazomenos E., Haddad F.S. Artificial intelligence in orthopaedic surgery. Bone Joint Res. 2023;12(7):447-454. doi: 10.1302/2046-3758.127.BJR-2023-0111.R1.
  6. Beyaz S., Açıcı K., Sümer E. Femoral neck fracture detection in X-ray images using deep learning and genetic algorithm approaches. Jt Dis Relat Surg. 2020;31(2):175-183. doi: 10.5606/ehc.2020.72163.
  7. Corban J., Lorange J.P., Laverdiere C., Khoury J., Rachevsky G., Burman M. et al. Artificial Intelligence in the Management of Anterior Cruciate Ligament Injuries. Orthop J Sports Med. 2021;9(7):23259671211014206. doi: 10.1177/23259671211014206.
  8. Pranata Y.D., Wang K.C., Wang J.C., Idram I., Lai J.Y., Liu J.W. et al. Deep learning and SURF for automated classification and detection of calcaneus fractures in CT images. Comput Methods Programs Biomed. 2019;171: 27-37. doi: 10.1016/j.cmpb.2019.02.006.
  9. Innocenti B., Radyul Y., Bori E. The use of artificial intelligence in orthopedics: Applications and limitations of machine learning in diagnosis and prediction. Applied Sciences. 2022;12(21):10775. doi: 10.3390/app122110775.
  10. Langerhuizen D.W.G., Bulstra A.E.J., Janssen S.J., Ring D., Kerkhoffs G.M.M.J., Jaarsma R.L. et al. Is Deep Learning On Par with Human Observers for Detection of Radiographically Visible and Occult Fractures of the Scaphoid? Clin Orthop Relat Res. 2020;478(11):2653-2659. doi: 10.1097/CORR.0000000000001318.
  11. Gyftopoulos S., Lin D., Knoll F., Doshi A.M., Rodrigues T.C., Recht M.P. Artificial Intelligence in Musculoskeletal Imaging: Current Status and Future Directions. AJR Am J Roentgenol. 2019;213(3):506-513. doi: 10.2214/AJR.19.21117.
  12. Park C.W., Oh S.J., Kim K.S., Jang M.C., Kim I.S., Lee Y.K. et al. Artificial intelligence-based classification of bone tumors in the proximal femur on plain radiographs: System development and validation. PLoS One. 2022;17(2):e0264140. doi: 10.1371/journal.pone.0264140.
  13. Farhadi F., Barnes M.R., Sugito H.R., Sin J.M., Henderson E.R., Levy J.J. Applications of artificial intelligence in orthopaedic surgery. Front Med Technol. 2022;4:995526. doi: 10.3389/fmedt.2022.995526.
  14. Kumar V., Patel S., Baburaj V., Vardhan A., Singh P.K., Vaishya R. Current understanding on artificial intelligence and machine learning in orthopaedics – A scoping review. J Orthop. 2022;34: 201-206. doi: 10.1016/j.jor.2022.08.020.
  15. Han I., Kim J.H., Park H., Kim H.S., Seo S.W. Deep learning approach for survival prediction for patients with synovial sarcoma. Tumour Biol. 2018;40(9): 1010428318799264. doi: 10.1177/1010428318799264.
  16. Xie X., Li Z., Bai L., Ri Zh., Li C., Jiang X. et al. Deep learning-based MRI in diagnosis of fracture of tibial plateau combined with meniscus injury. Scientific Programming. 2021;2021:1-8. doi: 10.1155/2021/9935910.
  17. Cheng K., Guo Q., He Y., Lu Y., Xie R., Li C. et al. Artificial Intelligence in Sports Medicine: Could GPT-4 Make Human Doctors Obsolete? Ann Biomed Eng. 2023; 51(8):1658-1662. doi: 10.1007/s10439-023-03213-1.
  18. Archer H., Reine S., Alshaikhsalama A., Wells J., Kohli A., Vazquez L. et al. Artificial intelligence-generated hip radiological measurements are fast and adequate for reliable assessment of hip dysplasia : an external validation study. Bone Jt Open. 2022;3(11): 877-884. doi: 10.1302/2633-1462.311.BJO-2022-0125.R1.
  19. Nguyen T.P., Chae D.S., Park S.J., Yoon J. A novel approach for evaluating bone mineral density of hips based on Sobel gradient-based map of radiographs utilizing convolutional neural network. Comput Biol Med. 2021;132:104298. doi: 10.1016/j.compbiomed.2021.104298.
  20. Al-Hourani K., Tsang S.J., Simpson A.H.R.W. Osteoporosis: current screening methods, novel techniques, and preoperative assessment of bone mineral density. Bone Joint Res. 2021;10(12):840-843. doi: 10.1302/2046-3758.1012.BJR-2021-0452.R1.
  21. Jang S.J., Kunze K.N., Brilliant Z.R., Henson M., Mayman D.J., Jerabek S.A. et al. Comparison of tibial alignment parameters based on clinically relevant anatomical landmarks : a deep learning radiological analysis. Bone Jt Open. 2022;3(10):767-776. doi: 10.1302/2633-1462.310.BJO-2022-0082.R1.
  22. Gurung B., Liu P., Harris P.D.R., Sagi A., Field R.E., Sochart D.H. et al. Artificial intelligence for image analysis in total hip and total knee arthroplasty : a scoping review. Bone Joint J. 2022;104-B(8):929-937. doi: 10.1302/0301-620X.104B8.BJJ-2022-0120.R2.
  23. Kurmis A.P., Ianunzio J.R. Artificial intelligence in orthopedic surgery: evolution, current state and future directions. Arthroplasty. 2022;4(1):9. doi: 10.1186/s42836-022-00112-z.
  24. Purnomo G., Yeo S.J., Liow M.H.L. Artificial intelligence in arthroplasty. Arthroplasty. 2021;3(1):37. doi: 10.1186/s42836-021-00095-3.
  25. Borjali A., Chen A.F., Muratoglu O.K., Morid M.A., Varadarajan K.M. Detecting total hip replacement prosthesis design on plain radiographs using deep convolutional neural network. J Orthop Res. 2020;38(7):1465-1471. doi: 10.1002/jor.24617.
  26. Borjali A., Chen A.F., Muratoglu O.K., Morid M.A., Varadarajan K.M. Detecting mechanical loosening of total hip replacement implant from plain radiograph using deep convolutional neural network. Cornell University. 2019. [23 June 2023]. URL: https://arxiv.org/abs/1912.00943.
  27. Wei C., Quan T., Wang K.Y., Gu A., Fassihi S.C., Kahlenberg C.A. et al. Artificial neural network prediction of same-day discharge following primary total knee arthroplasty based on preoperative and intraoperative variables. Bone Joint J. 2021;103-B(8):1358-1366. doi: 10.1302/0301-620X.103B8.BJJ-2020-1013.R2.
  28. Harris A.H.S., Kuo A.C., Weng Y., Trickey A.W., Bowe T., Giori N.J. Can machine learning methods produce accurate and easy-to-use prediction models of 30-day complications and mortality after knee or hip arthroplasty? Clin Orthop Relat Res. 2019;477(2): 452-460. doi: 10.1097/CORR.0000000000000601.
  29. Jo C., Ko S., Shin W.C., Han H.S., Lee M.C., Ko T. et al. Transfusion after total knee arthroplasty can be predicted using the machine learning algorithm. Knee Surg Sports Traumatol Arthrosc. 2020;28(6):1757-1764. doi: 10.1007/s00167-019-05602-3.
  30. Leung K., Zhang B., Tan J., Shen Y., Geras K.J., Babb J.S. et al. Prediction of Total Knee Replacement and Diagnosis of Osteoarthritis by Using Deep Learning on Knee Radiographs: Data from the Osteo-arthritis Initiative. Radiology. 2020;296(3):584-593. doi: 10.1148/radiol.2020192091.
  31. Hirvasniemi J., Gielis W.P., Arbabi S., Agricola R., van Spil W.E., Arbabi V. et al. Bone texture analysis for prediction of incident radiographic hip osteoarthritis using machine learning: data from the Cohort Hip and Cohort Knee (CHECK) study. Osteoarthritis Cartilage. 2019;27(6):906-914. doi: 10.1016/j.joca.2019.02.796.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Распределение программных продуктов по дате регистрации как медицинского изделия

Скачать (19KB)
Метаданные

© Эко-Вектор, 2024

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

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».