Достижения в области искусственного интеллекта в анестезиологии и периоперационной медицине происходят с невероятной скоростью. Объем исследований и разработок приближается к тому времени, когда для анестезиолога станет реальностью интеграция в процесс лечения пациентов и клинические рабочие процессы. Применение искусственного интеллекта в анестезиологии и периоперационной медицине станет инструментом, используемым для повышения безопасности пациентов в быстро меняющейся и сложной медицинской среде. В этом кратком обзоре мы приводим обзор искусственного интеллекта как новой технологии и предоставляем практическую основу, позволяющую анестезиологам понять важную взаимосвязь между искусственным интеллектом и безопасностью пациентов в периоперационном периоде.
ВВЕДЕНИЕ
Анестезиология как специальность имеет долгую историю инноваций в разработке технологий, связанных с улучшением безопасности пациентов. Однако в последние 20 лет скорость технологического развития была беспрецедентной. В основном это связано с экспоненциальным ростом объема данных и мощности компьютеров, что привело к применению инструментов искусственного интеллекта (ИИ) в условиях периоперационного периода. Современные технологии в анестезиологии и периоперационной медицине обладают огромным потенциалом для дальнейшего повышения безопасности пациентов и качества медицинской помощи. Применение ИИ повысит безопасность пациентов, помогая отдельному врачу быстро ориентироваться в данных из разрозненных источников и предоставляя врачу эффективную поддержку при объединении полученной информации и принятии более обоснованных решений, касающихся медицины в рамках сложной системы здравоохранения.1–3 Кроме того, ИИ будет использоваться для повышения безопасности пациентов счет его интеграции ИИ в рабочий процесс лиц, ответственных за обеспечение безопасности и качества оказания помощи в периоперационном периоде, специалистов по безопасности пациентов и руководителей систем здравоохранения. Роль ИИ в повышении безопасности пациентов связана с его способностью усиливать стратегические решения, предназначенные для выявления, оценки и снижения угроз безопасности пациентов на любом уровне.4,5 В этом кратком обзоре мы приводим описание ИИ как новой технологии и предлагаем специалистам в области анестезиологии практическую основу для понимания важной взаимосвязи между ИИ и безопасностью пациентов в периоперационном периоде.
БЕЗОПАСНОСТЬ ПАЦИЕНТОВ И НОВЫЕ ТЕХНОЛОГИИ В СЛОЖНОМ МИРЕ
Безопасность пациента можно определить как отсутствие предотвратимого вреда для пациента и минимизацию риска причинения вреда при оказании медицинской помощи.6 Являясь ведущими специалистами в области безопасности пациентов, анестезиологи находятся на острие прогресса в исследованиях, улучшении качества, внедрении технологий и инженерных решений для снижения вреда и риска для пациентов. Проблема обеспечения безопасной анестезии в современной периоперационной медицине сама по себе может стать проблемой безопасности пациента, поскольку сложность состояния пациента, скорость оказания медицинской помощи, масштаб систем здравоохранения, проблемы во взаимодействии между специалистами разных профилей и объем данных со временем все увеличиваются. Необходимость в том, чтобы команды, выполняющие анестезию, могли оценить свои знания, присутствие и эффективность в медицинской среде и среде, связанной с операциями, никогда не была настолько ощутимой, особенно в то время, когда персонал испытывает огромную нагрузку.
Для решения текущих проблем, связанных с оказанием медицинской помощи, и дальнейшего обеспечения безопасности пациентов, команды специалистов по анестезии должны понимать новые технологии и те технологии, которые позволяют повысить безопасность пациентов. ИИ — одна из главных новых технологий, которая уже изменила мир за пределами здравоохранения и находится на пороге более широкого применения в здравоохранении. Чтобы сознательно развиваться в области безопасности пациентов в периоперационный период, анестезиологи должны понимать принципы работы ИИ, возможности, риски, этику и применение ИИ в клинической практике. Это потребует партнерства и сотрудничества разных специалистов в составе команды, работающей в сфере здравоохранения, включая способность анестезиологов эффективно общаться с специалистами по обработке данных, специалистами по информатике, аналитиками данных и экспертами в области искусственного интеллекта.
ОБЗОР ПРИМЕНЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В АНЕСТЕЗИОЛОГИИ
В широком смысле ИИ можно определить как способность компьютера или устройства анализировать большой объем сложных медицинских данных, выявлять знания, риски и возможности и способствовать принятию более эффективных решений.7 В то время как область применения ИИ быстро растет, основные методы, используемые в здравоохранении, включают машинное обучение, обработку информации на естественном языке3 и комбинирование ИИ с поддержкой принятия клинических решений посредством разработки графических пользовательских интерфейсов.
Машинное обучение является одной из наиболее распространенных форм ИИ и его можно рассматривать как статистический метод подбора моделей к данным с компьютерным «обучением» тому, как понимать данные, используя обучающие наборы данных в качестве примеров.8 Продвинутые формы машинного обучения включают нейронные сети и глубокое обучение. Недавние примеры применения машинного обучения в области анестезиологии включают изучение того, какие переменные являются прогностическими факторами постиндукционной артериальной гипотензии, используя данные электронных медицинских карт,9 прогнозирование значения биспектрального индекса (BIS™, Medtronic, Дублин, Ирландия) на основе информации об инфузиях пропофола и ремифентанила в анамнезе10 или прогнозирование послеоперационной внутрибольничной смертности с помощью предоперационных и интраоперационных данных.11
Обработка информации на естественном языке — это форма ИИ, которая может использоваться для извлечения актуальной информации из неструктурированных текстовых данных. Например, обработка информации на естественном языке была недавно использована в ретроспективном исследовании для оценки возможности извлечения с помощью компьютера неструктурированного произвольного текста о заболеваниях из электронных медицинских карт и использования этого текста для создания автоматизированного отчета об оценке анестетика, вводимого при премедикации. В результатах основное внимание уделялось тому, как часто программное обеспечение для обработки информации на естественном языке распознает заболевания по сравнению с профессиональным анестезиологом. Согласно результатам этого исследования, обработка текстов на естественном языке позволяла выявить соответствующие заболевания, пропущенные врачом, в 16,57% случаев и пропустить соответствующие состояния, отмеченные врачами только в 2,19% случаев.12 Возможности использования обработки информации на естественном языке для масштабирования и увеличения возможностей отдельного анестезиолога в сложной среде с ограниченными кадровыми ресурсами — это наглядный пример использования ИИ для обеспечения безопасности пациентов.
Искусственный интеллект также может использоваться с системами поддержки принятия решений на клиническом уровне, которые можно найти в современной анестезиологии там, где система управления информацией об анестезии может делать анестезиологам электронные напоминания о периоперационном введении антибиотиков, применении профилактики послеоперационной тошноты и рвоты у пациентов с высоким риском и помогать контролировать уровень глюкозы в крови. По результатам недавнего мета-анализа поддержка принятия решений на клиническом уровне может повысить приверженность к периоперационной антибиотикопрофилактике.13 Будущая роль ИИ в принятии решений в клинической практике, направленных на повышение безопасности пациентов, будет включать предоставление рекомендаций по выбору идеального антибиотика с учетом информации из электронной медицинской карты пациента, истории болезни и данных о хирургической процедуре. ИИ также может использоваться для повышения безопасности пациентов в периоперационном периоде за счет более раннего выявления ухудшения клинического состояния и обеспечения помощи в принятии решений на клиническом уровне для оптимального управления физиологическими изменениями во время операции.
ПЯТИКОМПОНЕНТНАЯ ЦЕЛЬ
Понимание непосредственного влияния ИИ на безопасность пациентов в периоперационном периоде можно рассматривать через призму пятикомпонентной цели (рисунок 1). Пятикомпонентная цель — это предлагаемый следующий шаг к повышению безопасности пациентов и качества оказываемой помощи. В 2008 году Институт совершенствования здравоохранения представил тройную цель в качестве основы для улучшения качества обслуживания пациентов, решения проблем со здоровьем населения и снижения затрат в качестве ключевых факторов трансформации здравоохранения.14 В 2014 г. была озвучена четырехкомпонентная цель, включающая в себя оценку благополучия врачей, в ответ на результаты исследований, свидетельствующих о том, что занятость врачей и их эмоциональное выгорание приводили к увеличению числа нежелательных явлений, связанных с безопасностью, и снижению качества оказываемой медицинской помощи.15 Многие аккредитующие группы, такие как Национальный комитет по обеспечению качества и Объединенная комиссия, признали важность достижения трех- и четырехкомпонентной цели. В 2022 году в пятикомпонентную цель было предложено добавить пятую цель: обеспечение равенства в вопросах здравоохранения. Это было признанием того, что предоставление высококачественной и безопасной медицинской помощи пациентам, а также достижение других целей означало уделение особого внимания активному измерению, изучению и устранению различий.16
ИИ играет критически важную роль в обеспечении безопасности пациентов в периоперационном периоде через призму пятикомпонентной цели. В современной сложной системе оказания медицинской помощи ИИ может помочь анестезиологам достичь пяти целей в составе общей пятикомпонентной цели, что может привести к повышению безопасности и качества оказания медицинской помощи в периоперационном периоде. На рисунке 2 представлены различные возможные примеры применения ИИ в рамках пятикомпонентной цели, направленной на повышение безопасности и качества лечения пациентов.
ОБОБЩАЕМ
Использование ИИ для повышения безопасности пациентов в анестезиологии потребует огромной работы со стороны отдельных врачей, групп анестезиологов, систем здравоохранения и регуляторных органов, таких как Управление по контролю качества пищевых продуктов и лекарственных средств США (FDA). ИИ не так широко распространен в клинической практике, как можно было бы ожидать всего пять лет назад. Кроме того, для внедрения ИИ в науку о безопасности пациентов и в практику потребуется время. Многие события предвещают фактическую интеграцию ИИ и безопасности пациентов в периоперационный период. Новые регуляторные механизмы, разработанные FDA в 2019 году, позволили снизить нормативные барьеры и последующую финансовую неопределенность, чтобы позволить компаниям разрабатывать приложения с ИИ в здравоохранении. В отличие от традиционных медицинских изделий, характер обновлений программного обеспечения и другие отличия означали, что ИИ и программное обеспечение для машинного обучения должны были регулироваться по собственному механизму как медицинское изделие. При большей ясности в отношении регулирования и улучшении исследований и разработок в области ИИ для сферы здравоохранения, вероятно, ИИ будет все больше применяться на уровне отдельных лиц и систем здравоохранения.
Другие важные аспекты применения ИИ в здравоохранении включают обеспечение прозрачности в понимании того, как разрабатываются алгоритмы, а также минимизацию и устранение систематических ошибок, связанных с алгоритмами ИИ.17 Например, алгоритмы ИИ, которые помогают повысить эффективность работы врачей, также должны быть понятны командам, использующим их, в том числе за счет прозрачности функционирования алгоритмов.18 Кроме того, для того, чтобы снизить риски возникновения систематических ошибок, связанных с расой / этнической принадлежностью, социально-экономическим статусом, и статистических ошибок, особое внимание должно уделяться фундаментальной разработке алгоритмов ИИ и данным, используемым для создания инструментов ИИ.18-20
ЗАКЛЮЧЕНИЕ
Чтобы развивать область анестезиологии и безопасности пациентов в периоперационном периоде, необходимо изучать новые технологии, такие как ИИ, и внедрять их в область клинической анестезиологии. Чтобы ИИ работал эффективно, внедрение основанной на данных аналитики с парадигмой безопасности пациентов в анестезиологии потребует от организаций внедрения инноваций за счет поддержки развития и создания многопрофильных команд, состоящих из врачей, специалистов по обработке данных, инженеров, специалистов по информатике и специалистов по безопасности пациентов. По мере того, как анестезиология продолжает развиваться, связанная с различными дисциплинами безопасность пациентов в периоперационный период должна будет повышаться за счет инновационного мультидисциплинарного подхода, команды и такого решения, которое использует масштабируемость и сильные стороны ИИ через призму пятикомпонентной цели.
Джонатан Тан (Jonathan Tan), врач, магистр здравоохранения, магистр программирования и информатики (MBI), член ASA, доцент кафедры анестезиологии и стереоскопических наук в Детской больнице Лос-Анджелеса, а также в Медицинской школе Кека и Институте стереоскопических наук при Университете Южной Калифорнии в г. Лос-Анджелес, шт. Калифорния.
Максим Кэннессон (Maxime Cannesson), врач, кандидат наук — профессор анестезиологии на кафедре анестезиологии и периоперационной медицины в Медицинской школе Дэвида Геффена Калифорнийского университета в Лос-Анджелесе, штате Калифорния, США.
Раскрытие информации: Джонатан Тан (Jonathan Tan), врач, магистр здравоохранения, магистр программирования и информатики (MBI), член ASA, получает грант на исследования от Ассоциации безопасности пациентов во время анестезии (APSF) и Фонда образования и исследований в области анестезиологии (FAER).
Максим Кэннессон (Maxime Cannesson), врач, кандидат наук, консультант компании Masimo and Edwards Lifesciences, получает поддержку в исследованиях от компании Masimo and Edwards Lifesciences, акционер компаний Sironis и Perceptive Medical, получатель гонораров от компании Edwards LifeSciences.
Список литературы
- Grossman LV, Choi SW, Collins S, et al. Implementation of acute care patient portals: recommendations on utility and use from six early adopters. J Am Med Inform Assoc. 2018;25:370–379. PMID: 29040634.
- Macrae C. Governing the safety of artificial intelligence in healthcare. BMJ Qual Saf. 2019;28:495–498. PMID: 30979783.
- Choudhury A, Asan O. Role of artificial intelligence in patient safety outcomes: systematic literature review. JMIR Med Inform. 2020;8:e18599. PMID: 32706688.
- Dalal AK, Fuller T, Garabedian P, et al. Systems engineering and human factors support of a system of novel EHR-integrated tools to prevent harm in the hospital. J Am Med Inform Assoc. 2019;26:553–560. PMID: 30903660.
- Maddox TM, Rumsfeld JS, Payne PRO. Questions for artificial intelligence in health care. JAMA. 2019;321:31–32. PMID: 30535130
- World Health Organization. Patient Safety. Sept 13, 2019. Accessed November 8, 2022. https://www.who.int/news-room/fact-sheets/detail/patient-safety#:~:text=What%20is%20Patient%20Safety%3F,during%20provision%20of%20health%20care.
- Hashimoto DA, Rosman G, Rus D, Meireles OR. Artificial intelligence in surgery: promises and perils. Ann Surg. 2018;268:70–76. PMID: 29389679.
- Bi Q, Goodman KE, Kaminsky J, Lessler J. What is machine learning? A primer for the epidemiologist. Am J Epidemiol. 2019; 188: 2222–2239. PMID: 31509183.
- Kendale S, Kulkarni P, Rosenberg AD, Wang J. Supervised machine-learning predictive analytics for prediction of postinduction hypotension. Anesthesiology. 2018;129:675–688. PMID: 30074930.
- Lee HC, Ryu HG, Chung EJ, Jung CW. Prediction of bispectral index during target-controlled infusion of propofol and remifentanil: a deep learning approach. Anesthesiology. 2018;128:492–501. PMID: 28953500.
- Lee CK, Hofer I, Gabel E, et al. Development and validation of a deep neural network model for prediction of postoperative in-hospital mortality. Anesthesiology. 2018;129:649–662. PMID: 29664888.
- Suh HS, Tully JL, Meineke MN, et al. Identification of preanesthetic history elements by a natural language processing engine [published online ahead of print, 2022 Jul 15]. Anesth Analg. 2022 Dec 1;135:1162–1171. PMID: 35841317.
- Simpao AF, Tan JM, Lingappan AM, et al. A systematic review of near real-time and point-of-care clinical decision support in anesthesia information management systems. J Clin Monit Comput. 2017;31:885–894. PMID: 27530457.
- Berwick DM, Nolan TW, Whittington J. The triple aim: care, health, and cost. Health Aff (Millwood). 2008;27:759–769. PMID: 18474969.
- Bodenheimer T, Sinsky C. From triple to quadruple aim: care of the patient requires care of the provider. Ann Fam Med. 2014;12:573–576. PMID: 25384822.
- Nundy S, Cooper LA, Mate KS. The quintuple aim for health care improvement: a new imperative to advance health equity. JAMA. 2022;327:521–522. PMID: 35061006.
- Canales C, Lee C, Cannesson M. Science without conscience is but the ruin of the soul: the ethics of big data and artificial intelligence in perioperative medicine. Anesth Analg. 2020;130:1234–1243. PMID: 32287130.
- Diallo MS, Tan JM, Heitmiller ES, Vetter TR. Achieving greater health equity: an opportunity for anesthesiology. Anesth Analg. 2022;134:1175–1184. PMID: 35110516.
- Amann J, Blasimme A, Vayena E, et al. Explainability for artificial intelligence in healthcare: a multidisciplinary perspective. BMC Med Inform Decis Mak. 2020; 310 (20). PMID: 33256715.
- Parikh RB, Teeple S, Navathe AS. Addressing bias in artificial intelligence in health care. JAMA. 2019; 322:2377–2378. PMID: 31755905.