Современные технологии позволяют делать компьютерные системы все более «умными». В частности, машинное обучение используют Facebook, Google, Amazon — например, для того, чтобы преобразовывать речь в текст, распознавать лица и давать персонализированную рекламу. Эти же технологии помогают и врачам самых разных специальностей. В США машинное обучение и слабую форму ИИ планируют использовать для борьбы с опасной бактерией Clostridium difficile. Википедия говорит, что бактерия является возбудителем псевдомембранозного колита, тяжелого инфекционного заболевания кишки, которое может приводить к смерти человека с ослабленным организмом.

Пациенты больниц как раз относятся к категории людей с ослабленным организмом, который почти неспособен бороться с болезнетворными вирусами и бактериями. Только в США в год регистрируют 453 тысячи случаев заболевания колита, причем 29 000 случаев приводят к смерти пациента. Во всяком случае, такие данные были приведены в отчете за 2015 год. Обычные медицинские методы не помогаю остановить инфекцию — мытье рук, полов, антисептики и т.п. не слишком эффективны.

По этой причине врачи решили использовать иные методы, имеющие прямое отношение к современным технологиям, о которых шла речь выше. Команда Мичиганского университета разработала метод, позволяющий предсказывать вероятность появления колита у разных пациентов. Для этого используются медицинские данные из карты человека. Пока что технология лишь проходит тестирование, но она уже показала отличные результаты.

Несколько недель назад при помощи созданной специалистами по компьютерным технологиям методике были проанализированы 374 000 случаев госпитализации в Массачусеттском госпитале. Ученые хотят найти связь между возникновением заболевания и факторами, которые привели к болезни.

В ходе анализа машина проверяет около 4000 различных факторов, включая размещение кровати пациента, его визиты к врачу, размещение кроватей других пациентов и все прочие данные. Обычно пациенты, находящиеся на стационаре, не находятся в одном месте, а перемещаются по больнице. И если где-то есть источник заражения, то он и срабатывает. Главное — выявить вовремя этот источник.

Еще один пример использования машинных алгоритмов в медицине — анализ сетчатки на предмет обнаружения диабетической ретинопатии. Ретинопатия – поражение ретинальных сосудов, приводящее к нарушению кровоснабжения сетчатки, ее дистрофии, атрофии зрительного нерва и слепоте. Это обычное для диабетиков заболевание, которое необходимо вовремя диагностировать, с тем, чтобы люди не теряли зрение в результате прогрессирующей ретинопатии. Она довольно распространена — в 2011 было зафиксировано около 126 млн случаев, к 2030 их число может увеличиться на 51%.

Специалисты создали нейросеть, которую обучили на примере 128 тысяч снимков глаза пациентов в Индии и США. Эти же снимки перед ознакомлением с ними компьютера показывали врачам, которые диагностировали ретинопатию на разных стадиях развития. Затем все полученные данные загружались в компьютер. После того, как нейросеть прошла тренировку, ее проверили на другом наборе данных, и в этом случае ее результаты были выше, чем у врачей.

Сейчас команда специалистов, которая разработала этот инструмент, планирует внедрить его в Индии, где большое количество пациентов с таким диагнозом. Да и в США или других странах это тоже проблема. В настоящее время технология проходит клинические испытания в ряде больниц Индии.

В прошлом году регулятор США одобрил внедрение в больницах специального аппарата по анализу магнитно-резонансных снимков. Устройство анализирует снимок всего за 30 секунд, в то время, как врач тратит на ту же работу около 45 минут. «Это автоматизация рутинных процессов, которые поглощают большое количество времени специалиста в обычной ситуации», — говорит Карла Лейбовиц, представитель компании Arterys, разработавшей эту систему.

В целом, машинное обучение и ИИ находят все более широкое распространение в медицине. В основном, речь идет как раз об автоматизации каких-либо рутинных процессов, которые важны для диагностики заболевания, но на которые уходит большое количество времени врача. И чем больше времени медик тратит на такую работу, тем больше устает. В результате те же рентгеновские снимки анализируются человеком уже с гораздо меньшим вниманием после работы в течение нескольких часов, чем в самом начале работы. Соответственно, падает и точность диагностирования.