Медицина, как и ожидалась, подходит к фазе "Платформизации" и "Цифровой экономики". Что меняется в ИТ инфраструктуре, какие решения и алгоритмы повлияют на применение инструментов BigData и BI при автоматизации в клинических и административных процессах ? Video http://confhall.hse.ru/videos/video/824/ at 12 min

1. Сергей Добриднюк,
«Диасофт Системы»
резидент ИЦ «Сколково»
Big Data и BI в медицине
«5-я волна»

2. Медицинские технологии – одна из самых
динамично развивающихся практик
2

3. Здравоохранение и ЗОЖ напрямую
влияет на человеческий капитал !
Риски для РФ (со стартового доклада МФФ 2016, 23.09.2016 г)
3

4. Видение будущего
В медицинском центре сложнейшую операцию на сердце делает робот. Человек
только контролирует его действия на экране компьютера (Roboarts Japan, 1969)

5. 1-я Волна (1960-1980 годы)
Экспертные модели
Принцип
Эксперты конструируют матрицу входов-
выходов и перекладывают ее в ЭВМ.
Эксперты, параметры, веса и точность –
крайне субъективны
Данная модель легко разрабатывается в
продуктах класса Excel или вручную по
результатам «мозгового штурма»
Низкая точность. «Улучшение» или
«ухудшение» общего целевого балла,
если рассматриваемые входные
параметры коррелируют между собой
Достоинства
Недостатки

6. Внедрение в СССР. Дорого и бессмысленно

7. Примеры ИС, использующих экспертные
модели. Настоящее время
WebMD Checker – диагностика по симптомам
PROTEGE – набор инструментов для построения баз знаний
DXPlain - системы поддержки клинических решений, используется для
ассистирования в процессе диагностики
CASNET предназначена для диагностики и выбора стратегии лечения
глаукомы
MYCIN, EMYCIN - диагностика и лечение инфекционных заболеваний
крови
Germwatcher - помощь больничному эпидемиологу. Включает базу
знаний, основанную на правилах, используется для генерации гипотез о
возможных инфекциях
PEIRS интерпретирует и комментирует отчеты по химическим патологиям
Puff - предназначена для интерпретации результатов
функционального пульмонологического теста на основе прецедентной
информации
HELP –госпитальная ИС с функциями поддержки принятия решений

8. 2-я волна. (1980-2000 годы)
Кибернетические системы
Искусственный интеллект
(artificial intelligence, AI) –
свойство автоматических
систем брать на себя
отдельные функции человека,
в том числе когнитивные и
творческие
Кибернетика – наука об общих
закономерностях процессов
управления и передачи
информации в технических,
живых и социальных системах

9. Регрессионные модели на оцифрованных
клинических данных
Принцип
Строятся на «полевых данных».
Построение полинома (чаще лог-регрессия)
на основе обучающей выборки
• Не искажает результат в случае
корреляции входных параметров между
собой, автоматически обнуляя веса
зависимых параметров
• Модель можно перепроверить, т.к у
целевой функции существует обратная
функция
• Нечувствительность к резкому
изменению диапазона значений
входных параметров
Достоинства

10. Деревья решений, Леса решений и пр.
Принцип
Построение дерева (обычно С4.5) на основе
обучающей выборки
• Также как и модель лог-регрессии –
модель автоматически ранжирует
входные параметры по степени влияния
на результат, рассчитывая коэффициенты
влияния
• Результат представляется в виде «дерева»
- которое можно использовать даже в
ручном режиме обработки данных
• Модель автоматически убирает ненужные
сравнения и расчеты, обеспечивая очень
высокую скорость расчета целевого
предложения
Достоинства

11. Точность статистических моделей выше
точности экспертных моделей
Перем
енная
Параметр
Коэффиц
иент
1 Число случаев беременности 0.1232
2 Концентрация глюкозы 0.0352
3
Артериальное диастолическое
давление, мм. рт. ст.
-0.0133
4
Толщина кожной складки
трехглавой мышцы, мм.
0.0006
5
2-х часовой сывороточный
инсулин
-0.0012
6 Индекс массы тела 0.0897
7
Числовой параметр
наследственности диабета
0.9452
8 Возраст, лет 0.0149
AUC=83,9%
*) Из UCI machine learning repository
www.basegroup.ru
confusion
matrix
Фактически
Модель Положит. Отрицат.
Положит. TP FP
Отрицат. FN TN

12. Примеры статистических модулей,
подключаемых к МИС
• Bayesia
• Deductor Studio
• IBM SPSS Statistics
• IBM SPSS Modeler
• Matlab
• MS Excel
• Oracle Data Miner
• Orange
• Statsoft Statistica
• SAS Etnerprise
Miner
• Stata
• Statsoft Statistica
• TIBCO Spotfire

13. 3-я волна. (1958-н.в.)
Однослойные нейронные сети
Принцип
Модель самообучающихся сетей,
имитирующих работу человеческого мозга
• Высокие показатели точности
• Позволяет найти закономерности даже
в случае «серой зоны» - когда ни по
одному из входных параметров
невозможно сделать точный вывод о
клиенте и его проблемах
• Очень высокие требования к
вычислительным средствам
• Нет обратной функции – «непонятно как
объяснить вывод врачу»
• Из-за нелинейности – всплески в
необученных и нетиповых ситуациях
Достоинства
Недостатки

14. Эксперимент «Китайская комната»
«Сильный и Слабый искусственный интеллект»
Searle, John. R. (1980) «Minds, brains, and programs. Behavioral and Brain Sciences»
Нужны системы,
распознающие
контекст и смысл
сказанного,
умеющие
исполнять
творческие
функции человека
Когнитивные
системы,
Искусственный
интеллект
Можно ли
эффективно
отвечать на
вопросы, если
действуешь
механически, не
понимая смысл
вопроса ?

15. Нейронные сети («Слабый» ИИ)
San-Diego Univ. – разпознавание инфаркта у больных с острой болью
MYCIN–ECD – расшифровка ЭКГ
RES Informatica – кардиодиагностика по спектрам тахограмм
Toronto Univ. – прогноз пребывания в интенсивной терапии
Mayo Clinic – распознавание маммограм
ТРИНИТИ – выбор метода лечения базалиомы
Multineuron – диагностика меланомы
NCI – предсказание механизма действия химиотерапии
НИИЯФ МГУ – анализ заболеваний органов слуха
Sindey Univ – прогноз внезапной смерти новорожденных
Papnet – скрининг и интерпретация пап-мазков
Vienna Univ. – анализ биопсии простаты и урологических анализов
Aizenberg – фильтрация и сегментация томограмм мозга
Rajapakse – анализ рентгенограмм вн. органов: печень, почки
Dokur – анализ 4 специфичных волн ЭКГ при аритмии
KBANN – классификация МРТ (фосфор и пр) в онкологии
Kaiser Hospital – автоматическое назначение анализов (свыше 250)
ACR – анализ васкулитных поражений

16. 4-я волна. (2007-н.в.)
Deep Learning
Принцип
Многослойные нейронные сети с
нелинейными преобразованиями,
Сверточные сети, Рекуррентные сети
• Очень высокие показатели точности
• При объеме выборки точность растет
• Возможно восстановление онтологии и
базы знаний без участия человека
• Нужен очень большой объем данных
для обучения (миллионы записей)
• Нет обратной функции – невозможно
объяснить вывод в терминах врача
• Очень Высокие требования к
компьютерам
Достоинства
Недостатки

17. 17
Россия накопила порядка 2% мировых данных. Китай, для сравнения, 15%
(McKinsey & Company, 2016)
Big Data уже в национальных хранилищах
2,500,000,000,000,000,000 байт в день (2,5 экзабайта)

18. История термина BI – «переоткрытие»
Впервые термин Business Intelligence
предложил американский ученый Ханс
Петер Лун (Hans Peter Luhn) в статье "A
Business Intelligence System" для IBM
Journal of Research and Development в
1958 году.
18
В 1989 году его заново открыл известный
аналитик из Gartner Ховард Дреснер
(Howard Dresner) и дал BI расширенную
трактовку, предложив использовать BI в
качестве зонтичного термина для
различных технологий, предназначенных
для поддержки принятия решений

19. Точность Нейронные сетей нового поколения
( MNN и Deep Learning = «Средний» ИИ )
Обработка радиологических изображений, МРТ, маммограм
https://www.unitedhealthcareonline.com
Раннее обнаружение рака
http://www.ijera.com
Обработка пренатальных УЗИ
http://www.researchgate.net
Обработка эхокардиографических изображений
http://ijcsi.org/papers/IJCSI-10-5-1-83-90.pdf
Диагностика сложной аритмии по ЭКГ
http://www.academia.edu
Диагностика туберкулеза (специальная модель)
http://www.acsu.buffalo.edu/~grant/47.pdf
Расшифровка ЭКГ - (с методом вейвлетных преобразований)
http://www.globalcis.org/jcit/ppl/JCIT3851PPL.pdf
Предсказание язвенных инцидентов
http://www.ehob.com/img/documents/document_123.pdf
Предсказание кардиологических инцидентов
http://www.ijaiem.org/Volume4Issue5/IJAIEM-2015-05-30-81.pdf
93%
95%
93,3%
93,7%
99,5%
94,7%
99%
96,9%
94%

20. 5-я волна. (2015-н.в.)
«Платформизация», «Цифровая экономика»
«Цифровой бизнес» – новая модель бизнеса, охватывающая
людей/бизнес/вещи , масштабируемая глобально для всего мира за
счет широкого использования информационных технологий,
Интернета и всех их свойств, предполагающая эффективное
персональное обслуживание всех, везде, всегда . Gartner, 2014 год
«Диджитализация» - трансформация текущего и создание нового
бизнеса с размыванием границ между реальным и виртуальным
миром , устранением «цифровых разрывов» между людьми,
процессами и вещами, присущих традиционному бизнесу, на основе
возможностей, предоставляемых информационными технологиями.
IDC, 2015 год

21. Ключевые свойства «Цифровых Платформ»
(прогноз Gartner)
• «Капитализация» данных
• Парадигма IT+DT+AI (см Alibaba)
• ИТ продукты c ИИ (роботы, алгоритмы) как новый субьект права
• «Ресурсогенерация», Виртуальная валюта
• «Заражение» смежных отраслей
• Принципиально новые объекты, субьекты, отношения, технологии,
финансы, ценности, мотивация, организация
• Новые профессии, виды образования и Система разделения труда
21

22. ИСЧЕЗАЮЩИЕ: 50 ПРОФЕССИЙ / 25 ИНДУСТРИЙ
Прогноз – к 2020 году исчезнут 30% услуг и
появится 20% абсолютно пока неизвестных

23. «Дата-центричные» архитектуры, а не
системо- и даже клиенто-центричные
«Озеро
данных»

24. Отечественные разработчики и университеты
быстро наращивают экспертизу
DIASOFT FLEXTERA BI

25. «Цифровая Платформа» будет знать о Вас все

26. И о стране тоже…
(из доклада Е.Паперного, портал «Здоровье»)
Триггер BI,
анализирующий
вопросы посетителей о
симптомах болезней в
Интернет, распознал
появление эпидемии
гриппа в регионах на 1
месяц раньше, чем НИИ
Гриппа

27. Проблемы защиты личных данных возрастут,
но будет непонятно от кого защищаться

28. Вопросы, которые чаще всего задают
Кто должен создавать такие системы – Математик или Врач ?
Только Врач (но знающий математику). Только он способен задавать
«правильные» вопросы и делать содержательные глубокие выводы.
Но этому не учат ни в одном медицинском ВУЗе – ни математике, ни
ИТ. Частично спасет Deep Learning или трансфер специалистов из
более развитых отраслей (банки и финтех, web, e-commerce, ритейл)
Откуда взять данные ?
Это самая драматичная часть в России. Мало оцифрованных данных,
а те что есть – имеют низкое качество и консистентность. ЕГИСЗ и
ЭМК в этом не помогают, они «мозаичны» и «лоскутны».
Можно ли стать успешным разработчиком Аналитической Модели ?
Да, но нужна не модель, а законченное решение (Сервис). Это
командный проект для ученых, практиков, разработчиков, чиновников

29. Спасибо за внимание !