Автономный искусственный интеллект для сортировки результатов профилактических рентгенологических исследований органов грудной клетки: медицинская и экономическая эффективность

Обложка

Цитировать

Полный текст

Аннотация

Обоснование. В статье предложена модель организации профилактических лучевых исследований органов грудной клетки посредством автономной сортировки результатов исследований медицинскими изделиями на основе технологий искусственного интеллекта с настройкой на максимальную чувствительность — 1,0 (95% доверительный интервал 1,0–1,0). Сортировка подразумевает разделение результатов массовых профилактических исследований (флюорографии и рентгенографии органов грудной клетки) на две категории: «не норма» и «норма». К первой относят все случаи любых отклонений (патологические состояния, последствия перенесённых заболеваний и операций, возрастные и врождённые особенности и т. д.), которые направляют на описание врачу-рентгенологу. Ко второй — случаи без признаков патологических отклонений, которые потенциально не требуют описания врачом-рентгенологом.

Цель — оценить результативность и эффективность автономной сортировки результатов профилактических лучевых исследований органов грудной клетки.

Материалы и методы. Выполнено проспективное многоцентровое диагностическое исследование безопасности и качества автономной сортировки результатов профилактических лучевых исследований органов грудной клетки. Использованы аналитические и статистические методы научного познания.

Результаты. Включены результаты 575 549 профилактических лучевых исследований, полученные при флюорографии и рентгенографии и обработанные с применением трёх медицинских изделий на основе технологий искусственного интеллекта. При автономной сортировке к категории «норма» отнесены 54,8% результатов профилактических лучевых исследований органов грудной клетки, при этом в пропорциональном объёме происходит экономия труда врача-рентгенолога при их интерпретации и описании. Полностью корректная автономная сортировка осуществлена в 99,95% случаев. Клинически значимые расхождения зафиксированы в 0,05% случаев (95% доверительный интервал 0,04–0,06).

Заключение. Доказана медицинская и экономическая эффективность модели автономной сортировки результатов профилактических лучевых исследований органов грудной клетки с применением медицинских изделий на основе технологий искусственного интеллекта. Следующий шаг должен заключаться в актуализации нормативно-правового обеспечения и легитимности автономного применения определённых видов медицинских изделий на основе технологий искусственного интеллекта в установленных условиях и задачах профилактики.

Об авторах

Юрий Александрович Васильев

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: npcmr@zdrav.mos.ru
ORCID iD: 0000-0002-5283-5961
SPIN-код: 4458-5608

канд. мед. наук

Россия, Москва

Дмитрий Алексеевич Сычев

Российская медицинская академия непрерывного профессионального образования

Email: dimasychev@mail.ru
ORCID iD: 0000-0002-4496-3680
SPIN-код: 4525-7556

д-р мед. наук, профессор, академик РАН

Россия, Москва

Александр Владимирович Бажин

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: BazhinAV@zdrav.mos.ru
ORCID iD: 0000-0003-3198-1334
SPIN-код: 6122-5786

канд. мед. наук

Россия, Москва

Игорь Михайлович Шулькин

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: ShulkinIM@zdrav.mos.ru
ORCID iD: 0000-0002-7613-5273
SPIN-код: 5266-0618

канд. мед. наук

Россия, Москва

Антон Вячеславович Владзимирский

Научно-практический клинический центр диагностики и телемедицинских технологий

Автор, ответственный за переписку.
Email: vladzimirskijAV@zdrav.mos.ru
ORCID iD: 0000-0002-2990-7736
SPIN-код: 3602-7120

д-р мед. наук

Россия, Москва

Александра Юрьевна Голикова

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: GolikovaAY1@zdrav.mos.ru
ORCID iD: 0009-0001-5020-2765
Россия, Москва

Кирилл Михайлович Арзамасов

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: ArzamasovKM@zdrav.mos.ru
ORCID iD: 0000-0001-7786-0349
SPIN-код: 3160-8062

канд. мед. наук

Россия, Москва

Андрей Владимирович Мищенко

Российская медицинская академия непрерывного профессионального образования

Email: dr.mishchenko@mail.ru
ORCID iD: 0000-0001-7921-3487
SPIN-код: 8825-4704

д-р мед. наук

Россия, Москва

Геворг Анушаванович Бекджанян

Российская медицинская академия непрерывного профессионального образования

Email: rmapo@rmapo.ru
ORCID iD: 0009-0007-7150-7166
SPIN-код: 4579-9457
Россия, Москва

Аркадий Станиславович Гольдберг

Российская медицинская академия непрерывного профессионального образования

Email: goldarcadiy@gmail.com
ORCID iD: 0000-0002-2787-4731
SPIN-код: 8854-0469

канд. мед. наук

Россия, Москва

Лариса Григорьевна Родионова

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: RodionovaLG@zdrav.mos.ru
ORCID iD: 0009-0008-9862-8205
Россия, Москва

Список литературы

  1. Boenk EA, Roginko NI, Dzeranova NG, et al. All-Russian medical examination of adult population within the framework of the national project "Healthcare". Vestnik Roszdravnadzora. 2021;(1):21–29. EDN: FIPEZH
  2. Garifullin TYu, Avdeeva MV, Filatov VN, et al. Improvement of medical check-up process on the basis of lean technologies in outpatient settings. Russian Journal of Preventive Medicine and Public Health. 2023;26(3):30–38. doi: 10.17116/profmed20232603130 EDN: AGSZJF
  3. Zakharchenko OO, Shikina IB, Terentyeva DS. Results of the medical examination of the adult population over 60 years in the Russian Federation (2016–2021). Preventive And Clinical Medicine. 2023;3(88):103–114. doi: 10.47843/2074-9120_2023_3_103 EDN: YNHXOE
  4. Ignatyeva VI, Kontsevaya AV, Kalinina AM, et al. Socio-economic effectiveness of early cancer detection during medical checkup. Russian Journal of Preventive Medicine and Public Health. 2024;27(1):36–44. doi: 10.17116/profmed20242701136 EDN: CNVQRC
  5. Levshin VF, Slepchenko NI, Ryzhova NI, et al. Study of the attitude and participation of the population in the preventive and screening examinations and implementation of these examinations in the health care system. Lechaschi Vrach. 2022;25(10):81–87. doi: 10.51793/OS.2022.25.10.013 EDN: UFZZEB
  6. Stupina MI, Selezneva PA, Khaptanova VA. Medical screening of patients with coronary heart disease in outpatient settings. Nauchnyy Aspekt. 2024;34(4):4436–4455. (In Russ.) EDN: XOTAYU
  7. Golubev NA, Ogryzko EV, Tyurina EM, et al. Features of the development of the radiation diagnostics service in the Russian Federation for 2014–2019. Current Problems of Health Care and Medical Statistics. 2021;(2):356–376. doi: 10.24412/2312-2935-2021-2-356-376 EDN: EHSADW
  8. Ivashikin YM. (2024). Lung imaging screening during preventive medical examinations and medical screening. In: Higher education: scientific research. Proceedings of the Interuniversity International Congress. Moscow: Infinity Publishing House, 2024. P. 139–141. (In Russ.) doi: 10.34660/INF.2024.94.91.106 EDN: BXEOLF
  9. Trofimova TN, Kozlova OV. Radiology in Saint-Petersburg 2019. Diagnostic radiology and radiotherapy. 2021;4(11):96–99. doi: 10.22328/2079-5343-2020-11-4-96-99 EDN: HTVSUZ
  10. Tyurin IE. Radiology in the Russian Federation. Journal of Oncology: Diagnostic Radiology and Radiotherapy. 2018;1(4):43–51. EDN: QZSWYK
  11. Zubova NA. Effectiveness of mass preventive examinations in subjects of the Russian Federation with low morbidity rates of tuberculosis. Social Aspects of Population Health. 2016;4(50):8. doi: 10.21045/2071-5021-2016-50-4-8 EDN: WGIKUN
  12. Rubis LV. Efficiency of mass preventive examinations of the urban population for the purpose of early diagnosis of tuberculosis in primary health care institutions. Current Problems of Health Care and Medical Statistics. 2021;(3):1–13. doi: 10.24412/2312-2935-2021-3-1-13 EDN: VPLCTZ
  13. Shelekhov PV. Personnel situation in radiative diagnostics. Current Problems of Health Care and Medical Statistics. 2019;(1):265–275. doi: 10.24411/2312-2935-2019-10018 EDN: ZGZFPV
  14. Bobrovskaya TM, Vasilev YuA, Nikitin NYu, Arzamasov KM. Approaches to building radiology datasets. Medical Doctor and IT. 2023;(4):14–23. doi: 10.25881/18110193_2023_4_14 EDN: EQHEKE
  15. Vasiliev YuA, Vlazimirsky AV, Omelyanskaya OV, et al. Methodology for testing and monitoring artificial intelligence-based software for medical diagnostics. Digital Diagnostics. 2023;4(3):252–267. doi: 10.17816/DD321971 EDN: UEDORU
  16. Vasilev YuA, Arzamasov KM, Kolsanov AV, et al. Experience of application artificial intelligence software on 800 thousand fluorographic studies. Medical Doctor and IT. 2023;(4):54–65. doi: 10.25881/18110193_2023_4_54 EDN: MHCTUB
  17. Vasiliev YuA, Vladzimirsky AV, Arzamasov KM, et al. The first 10,000 mammography exams performed as part of the “Description and interpretation of mammography data using artificial intelligence” service. Manager Zdravookhranenia. 2023;(8):54–67. doi: 10.21045/1811-0185-2023-8-54-67 EDN: KZHPVW
  18. Vasilev YuA, Vladzimirsky AV, Arzamasov KM, et al. Computer vision in radiology: stage one of the Moscow experiment. 2nd ed. Moscow: Publishing solutions; 2023. (In Russ.)
  19. Arzamasov KM, Semenov SS, Kokina DY, et al. Criteria for the applicability of computer vision for preventive studies on the example of chest X-ray and fluorography. Meditsinskaya Fizika. 2022;4(96):56–63. doi: 10.52775/1810-200X-2022-96-4-56-63 EDN: MXKUVL
  20. Vasilev YuA, Tyrov IA, Vladzymyrskyy AV, et al. A new model of organizing mass screening based on stand-alone artificial intelligence used for fluorography image triage. Public Health and Life Environment. 2023;31(11):23–32. doi: 10.35627/2219-5238/2023-31-11-23-32 EDN: SYIQBX
  21. Vasilev YuA, Tyrov IA, Vladzymyrskyy AV, et al. Autonomous artificial intelligence for sorting the preventive imaging studies’ results. Russian Journal of Preventive Medicine. 2024;27(7):23–29. doi: 10.17116/profmed20242707123 EDN: ODGHNM
  22. Morozov SP, Vetsheva NN, Ledikhova NV, et al. Assessing the quality of radiologic studies. Moscow: Moscow Center for Diagnostics and Telemedicine; 2019. (In Russ.)
  23. Alekseeva TR, Amosov VI, Anikeeva OYu, et al. Chest radiology: national guidelines. Moscow: GEOTAR-Media; 2014. (In Russ.) EDN: VRXFKX
  24. Vasilev YuA, Vladzymyrskyy AV, Omelyanskaya OV, et al. Assessing the maturity of artificial intelligence technologies for healthcare. Moscow: Moscow Center for Diagnostics and Telemedicine; 2023. (In Russ.)
  25. Orlov EM, Sokolova ON. Efficiency category in public health services system. Fundamental’nye issledovaniya. 2010;(4):70–75. EDN: MSPQTJ
  26. Kucherenko VZ, Fleck VO, Putin ME, et al. Evaluation of the effectiveness of medical organizations. Vyalkov AI, editor. Moscow: GEOTAR-Med; 2004.
  27. Arzamasov KM, Vasilev YuA, Vladzymyrskyy AV, et al. The use of computer vision for the mammography preventive research. Russian Journal of Preventive Medicine and Public Health. 2023;26(6):117–123. doi: 10.17116/profmed202326061117 EDN: YBKHPS
  28. Arzamasov KM, Vasilev YuA, Vladzymyrskyy AV, et al. An international non-inferiority study for the benchmarking of AI for routine radiology cases: chest X-ray, fluorography and mammography. Healthcare. 2023;11(10):1684. doi: 10.3390/healthcare11121684 EDN: FWVMPQ
  29. Berlin L. Radiologic errors and malpractice: a burry distinction. American Journal of Roentgenology. 2007;189(3):517–522. doi: 10.2214/AJR.07.2209
  30. Brady AP. Error and discrepancy in radiology: inevitable or avoidable? Insights into Imaging. 2017;8(1):171–182. doi: 10.1007/s13244-016-0534-1 EDN: FSSDNE
  31. Bruno MA, Walker EA, Abujudeh HH. Understanding and confronting our mistakes: the epidemiology of error in radiology and strategies for error reduction. RadioGraphics. 2015;35(6):1668–1676. doi: 10.1148/rg.2015150023
  32. Cascade PN, Kazerooni EA, Gross BH, et al. Evaluation of competence in the interpretation of chest radiographs. Academic Radiology. 2001;8(4):315–321. doi: 10.1016/S1076-6332(03)80500-7
  33. Morozov S, Guseva E, Ledikhova N, et al. Telemedicine-based system for quality management and peer review in radiology. Insights into Imaging. 2018;9(3):337–341. doi: 10.1007/s13244-018-0629-y EDN: YCIRMT
  34. Quekel LGBA, Kessels AGH, Goei R, van Engelshoven JMA. Miss rate of lung cancer on the chest radiograph in clinical practice. Chest. 1999;115(3):720–724. doi: 10.1378/chest.115.3.720
  35. Satia I, Bashagha S, Bibi A, et al. Assessing the accuracy and certainty in interpreting chest X-rays in the medical division. Clinical Medicine. 2013;13(4):349–352. doi: 10.7861/clinmedicine.13-4-349
  36. Topff L, Steltenpool S, Ranschaert ER, et al. Artificial intelligence-assisted double reading of chest radiographs to detect clinically relevant missed findings: a two-centre evaluation. European Radiology. 2024;34(9):5876–5885. doi: 10.1007/s00330-024-10676-w EDN: RUJICB
  37. Vasilev YuA, Vladzymyrskyy AV, Omelyanskaya OV, et al. AI-based CXR first reading: current limitations to ensure practical value. Diagnostics. 2023;13(8):1430. doi: 10.3390/diagnostics13081430 EDN: MPQYUP

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Схема, описывающая общий ход исследования. ИИ-сервис — сервис искусственного интеллекта; РМАНПО МЗ РФ — Российская медицинская академия непрерывного профессионального образования Министерства здравоохранения Российской Федерации; НПКЦ ДиТ ДЗМ — Научно-практический клинический центр диагностики и телемедицинских технологий Департамента здравоохранения Москвы.

Скачать (305KB)
Метаданные
3. Рис. 2. Пример отображения результатов работы сервиса искусственного интеллекта в электронной карте пациента в Единой медицинской информационно-аналитической системе г. Москвы: автоматически сформированное заключение об отсутствии патологических отклонений в формате электронной медицинской записи.

Скачать (119KB)
Метаданные
4. Рис. 3. Пример отображения результатов работы сервиса искусственного интеллекта в едином радиологическом информационном сервисе Единой медицинской информационно-аналитической системы г. Москвы (изображение, DICOM SR).

Скачать (508KB)
Метаданные
5. Рис. 4. Результаты исследования мужчины 53 лет. Клинически значимое расхождение: признаки мелкоочаговой полисегментарной диссеминации в лёгких.

Скачать (181KB)
Метаданные
6. Рис. 5. Результаты исследования женщины 47 лет. Клинически значимое расхождение: очаг в нижней доле левого лёгкого (красная стрелка).

Скачать (196KB)
Метаданные

© Эко-вектор, 2025

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».