临床生理学中的人工智能系统：如何使其训练有效？

封面图片

如何引用文章

全文:

详细

临床生理学是关于在病理前和病理情况下身体内发生的生理过程变化的作用和性质的一个医学科学分支，它要求对患病和健康器官的功能进行完整、全面、多边的研究，从而允许评估身体的补偿能力。

使用人工智能技术创造的软件和各种硬件系统更积极地被用于医学的各个领域，包括临床生理学。医疗数据集的出现、不断提高的计算能力、云服务的发展以及证明这种智能解决方案的有效性和前景的众多出版物都有助于这个过程。

虽然医学数据集的形成方法大体相似，但临床生理学有一系列关键特征和显著差异。遵守我们提出的数据集形成规则将有可能使临床生理学中的人工智能系统接受有效的训练并得到实际应用。

生效的俄罗斯联邦GOST R 59921.9-2022标准被纳入“临床医学中的人工智能系统”这套标准，这种标准对临床生理学中使用的人工智能系统的数据分析算法和测试方法提出额外要求。新标准的一个重要特点是其拟度量类型（附有一套强制性的示范数据）。

俄罗斯是世界上最早开始制定拟度量标准的国家之一，人工智能方面的15项行业标准（其中两项是与医学方面有关的）将于今年生效。

作者简介

Dmitry V. Shutov

Moscow Center for Diagnostics and Telemedicine

编辑信件的主要联系方式.
Email: ShutovDV@zdrav.mos.ru
ORCID iD: 0000-0003-1836-3689
SPIN 代码: 9381-2456

MD, Dr. Sci. (Med.)

俄罗斯联邦, Moscow

Dariya E. Sharova

Moscow Center for Diagnostics and Telemedicine

Email: ShutovDV@zdrav.mos.ru
ORCID iD: 0000-0001-5792-3912
SPIN 代码: 1811-7595
俄罗斯联邦, Moscow

Liya R. Abuladze

Moscow Center for Diagnostics and Telemedicine

Email: AbuladzeLR@zdrav.mos.ru
ORCID iD: 0000-0001-6745-1672
SPIN 代码: 8640-9989

Junior Research Associate

俄罗斯联邦, Moscow

Dmitrii V. Drozdov

National Medical Research Center of Cardiology

Email: cardioexp@gmail.com
ORCID iD: 0000-0001-7374-3604
SPIN 代码: 2279-9657

MD, Cand. Sci. (Med.)

俄罗斯联邦, Moscow

参考

  1. Kurzanov AN. Clinical physiology: formation, goals, tasks, limits of competence, place in the system of higher professional medical education. International journal of experimental education. 2012;(4):128–130. (In Russ).
  2. Gusev AV, Vladzimirsky AV, Sharova DE, et al. Development of research and development in the field of artificial intelligence technologies for healthcare in the Russian Federation: results of 2021. Digital Diagnostics. 2022;3(3):178–194. (In Russ). doi: 10.17816/DD107367
  3. Al-Mousily MF, Baker GH, Jackson L, et al. The use of a traditional nonlooping event monitor versus a loan-based program with a smartphone ECG device in the pediatric cardiology clinic. Cardiovasc Digit Heal J. 2021;2(1):71–75. doi: 10.1016/j.cvdhj.2020.11.008
  4. Ding EY, Pathiravasan CH, Schramm E, et al. Design, deployment, and usability of a mobile system for cardiovascular health monitoring within the electronic Framingham Heart Study. Cardiovasc Digit Heal J. 2021;2(3):171–178. doi: 10.1016/j.cvdhj.2021.04.001
  5. Bashar SK, Hossain MB, Lázaro J, et al. Feasibility of atrial fibrillation detection from a novel wearable armband device. Cardiovasc Digit Heal J. 2021;2(3):179–191. doi: 10.1016/j.cvdhj.2021.05.004
  6. Goodwin AJ, Eytan D, Greer RW, et al. A practical approach to storage and retrieval of high-frequency physiological signals. Physiol Meas. 2020;41(3):035008. doi: 10.1088/1361-6579/ab7cb5
  7. Bartlett VL, Ross JS, Shah ND, et al. Physical activity, patient-reported symptoms, and clinical events: Insights into postprocedural recovery from personal digital devices. Cardiovasc Digit Heal J. 2021;2(4):212–221. doi: 10.1016/j.cvdhj.2021.06.002
  8. Mishra S, Khatwani G, Patil R, et al. ECG paper record digitization and diagnosis using deep learning. J Med Biol Eng. 2021;41(4):422–432. doi: 10.1007/s40846-021-00632-0
  9. Kashou AH, Mulpuru SK, Deshmukh AJ, et al. An artificial intelligence-enabled ECG algorithm for comprehensive ECG interpretation: Can it pass the ‘Turing test’? Cardiovasc Digit Heal J. 2021;2(3):164–170. doi: 10.1016/j.cvdhj.2021.04.002
  10. Wagner P, Strodthoff N, Bousseljot RD, et al. PTB-XL, a large publicly available electrocardiography dataset. Sci Data. 2020;7(1):154. doi: 10.1038/s41597-020-0495-6
  11. Zheng J, Zhang J, Danioko S, et al. A 12-lead electrocardiogram database for arrhythmia research covering more than 10,000 patients. Sci Data. 2020;7(1):48. doi: 10.1038/s41597-020-0386-x
  12. M 80 Regulations for the preparation of data sets with a description of approaches to the formation of a representative sample of data. Part 1. Methodological recommendations. Ed by S.P. Morozov, A.V. Vladzimirsky, A.E. Andreichenko, et al. Moscow; 2022. 40 р. (The series “Best practices of radiation and instrumental diagnostics”). (In Russ).

补充文件

附件文件
动作
1. JATS XML
下载
2. 图2。GOST R 59921.9-2022《临床医学中的人工智能系统。临床生理学中的数据分析算法。测试方法》演示数据集中的一个文件例子。

下载 (409KB)
索引源数据
3. 图1。使用数据集的临床试验流程图（一种可能的实现方法）。

下载 (120KB)
索引源数据

版权所有 © Eco-Vector, 2023

Creative Commons License
此作品已接受知识共享署名-非商业性使用-禁止演绎 4.0国际许可协议的许可。

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».