Сможет ли искусственный интеллект превзойти врачей в диагностике инфекционных заболеваний?

19.02.2025

Ожидается, что новые технологии, такие как квантовый искусственный интеллект (QAI) и общий искусственный интеллект (GAI), повысят точность и скорость диагностики. Квантовые вычисления способны ускорить обработку информации, позволяя в реальном времени анализировать огромные медицинские массивы данных, а GAI нацелен на воспроизведение когнитивных способностей в диагностике, характерных для человека.

Однако для того чтобы ИИ в полной мере раскрыл свой потенциал в клинической практике, необходимо решить вопросы нормативно-правовой базы, этики и стандартизации данных, обеспечив надежность и точность медицинской диагностики на основе ИИ (1,2).

Сравнение с врачом

По сравнению с врачами системы ИИ демонстрируют заметные плюсы и минусы по трем ключевым параметрам.

Точность. Исследования показывают, что системы анализа симптомов, управляемые ИИ, достигают точности диагностики, сопоставимой с решением человека. Модели ИИ, например, байесовские сети, эффективно сопоставляют симптомы с заболеваниями, используя обширные базы данных, однако врач обладает, интуицией, учитывает контекст и способен интерпретировать невербальные (выраженные не голосом) сигналы, чего не хватает ИИ (2,3)

Скорость. Системы ИИ дают мгновенные ответы, что значительно сокращает время ожидания первичной оценки. В отличие от врача, которому требуются консультации и физические обследования, инструменты на базе ИИ анализируют симптомы и генерируют вероятные диагнозы в считанные секунды. (2,3)

Результаты диагностики. Инструменты ИИ предлагают весьма осторожные решения, иногда даже чересчур осторожные. В то время как ИИ обеспечивает последовательность и масштаб, врач отличается индивидуальным подходом и гибкостью в сложных случаях. Системы искусственного интеллекта великолепно справляются с выявлением закономерностей в больших массивах данных, но врач по-прежнему незаменим в случае редкого заболевания и неоднозначного случая (2,3).

Примеры и недавние исследования

Модели машинного обучения, такие как extreme gradient boosting (XGBoost), успешно используются для прогнозирования устойчивости к противомикробным препаратам (AMR) нетифоидной сальмонеллы, демонстрируя высокую точность в прогнозировании значений минимальной ингибирующей концентрации (MIC).

Модели глубокого обучения, включая рекуррентные нейронные сети (РНС) и сверточные нейронные сети (СНС), используются в отделеньях интенсивной терапии для быстрой диагностики культуры крови.

Модель с долговременно-кратковременной памятью (LSTM) точно предсказывает инфекции кровотока на основе параметров пациента отделения интенсивной терапии (4).

Разработан алгоритм поддержки принятия решений для оптимизации амбулаторных назначений антибиотиков при неосложнённых инфекциях мочевыводящих путей. Модель, обученная на основе электронных медицинских карт, позволила сократить использование антибиотиков второго ряда на 67%. Молекулярный скрининг на основе ИИ выявил из микробных геномов новые антимикробные пептиды.