AI-сервис Сбера позволит ставить диагноз по данным электронной медкарты

Учёные лаборатории по искусственному интеллекту Сбера разработали систему прогнозирования диагнозов по данным электронных медицинских карт. Решение позволяет генерировать гипотезы о взаимосвязях между болезнями и предсказывать развитие состояний пациентов.

Об этом во время международной конференции AI Journey рассказал первый заместитель Председателя Правления Сбербанка Александр Ведяхин.

Специалисты банка адаптировали современную нейросетевую архитектуру Transformers для работы с последовательностями диагнозов пациентов. Такой подход позволил получить формальное представление медицинских профилей пациентов в виде эмбеддингов (embedding — вложение, числовой вектор признаков), полезных для множества научных и практических задач.

Это решение открывает возможности для моделирования вариантов дальнейшего развития состояний пациентов. Такое свойство модели проверено в задаче предсказания следующего диагноза и подтверждено высокими метриками в эксперименте на публичном датасете медицинских записей MIMIC-III (открытая база данных с информацией о пациентах, поступивших в отделения интенсивной терапии крупного медицинского центра).

«Это уже не первое прорывное MedTech-решение Сбера и наших компаний-партнёров. В России всё шире применяются разработанные Сбером AI-сервисы: компьютерное зрение для расшифровки медицинских изображений (КТ, рентген, маммография), автоматическое заполнение врачебной документации (из голоса — в текст), диагностика заболеваний и другие. Мы также изучаем возможности прогностических моделей, которые работают с медицинскими данными. Как показывает практика, такие решения могут быть востребованы не только в медицине, но и в смежных областях. Это ещё один вклад в сохранение человеческих жизней и развитие здравоохранения», - рассказал первый заместитель Председателя Правления Сбербанка Александр Ведяхин.

Модель Сбера может получить применение и в страховом скоринге. С помощью этой модели удастся получить серьёзный прирост в точности оценки страховых рисков относительно традиционных методов. А это - новые возможности для персонализации тарифов и сокращения издержек. Сейчас модель работает с историческим данными. Следующим этапом будет обучение её работе в онлайне с данными, получаемыми от клиентов для принятия решения в момент обращения.

Также в ходе исследования предложен H2D-метод (Harbinger Disease Discovery) поиска предвестников заболеваний. Метод позволяет автоматически генерировать гипотезы о взаимосвязях между болезнями. Так, благодаря нему удалось обнаружить сильную зависимость между группой психологических расстройств и раком молочной железы у женщин. Достоверность этой гипотезы подтверждается в смежных научных исследованиях. В результате учёные сформировали новый набор гипотез о предвестниках пяти наиболее распространённых видов онкозаболеваний. Метод H2D поможет врачебному и научному сообществу в поиске новых направлений медицинских исследований.

Научная работа опубликована в высокорейтинговом международном журнале IEEE Journal of Biomedical and Health Informatics. Текст публикации и исходный код выложены в открытый доступ.

Реклама. ПАО СБЕРБАНК. ИНН 7707083893