Digital DiagnosticsDigital DiagnosticsDigital DiagnosticsDigital Diagnostics2712-84902712-8962Eco-Vector12355910.17816/DD123559CorrespondenceПисьма в редакцию致编辑的一封信Research ArticleArtificial intelligence in clinical physiology: How to improve learning agilityСистемы искусственного интеллекта в клинической физиологии: как сделать их обучение эффективным?临床生理学中的人工智能系统：如何使其训练有效？https://orcid.org/0000-0003-1836-36899381-2456ShutovDmitry V.ШутовДмитрий ВалериевичShutovDmitry V.
Russian Federation

MD, Dr. Sci. (Med.)

д.м.н.

MD, Dr. Sci. (Med.)

ShutovDV@zdrav.mos.ruhttps://orcid.org/0000-0001-5792-39121811-7595SharovaDariya E.ШароваДарья ЕвгеньевнаSharovaDariya E.
Russian Federation
ShutovDV@zdrav.mos.ruhttps://orcid.org/0000-0001-6745-16728640-9989AbuladzeLiya R.АбуладзеЛия РуслановнаAbuladzeLiya R.
Russian Federation

Junior Research Associate

м.н.с.

Junior Research Associate

AbuladzeLR@zdrav.mos.ruhttps://orcid.org/0000-0001-7374-36042279-9657DrozdovDmitrii V.ДроздовДмитрий ВладимировичDrozdovDmitrii V.
Russian Federation

MD, Cand. Sci. (Med.)

к.м.н.

MD, Cand. Sci. (Med.)

cardioexp@gmail.comMoscow Center for Diagnostics and TelemedicineНаучно-практический клинический центр диагностики и телемедицинских технологийMoscow Center for Diagnostics and TelemedicineNational Medical Research Center of CardiologyНациональный медицинский исследовательский центр кардиологииNational Medical Research Center of Cardiology24032023190420234181881801202324012023Copyright ©; 2023, Eco-VectorCopyright ©; 2023, Эко-векторCopyright ©; 2023, Eco-Vector2023Eco-VectorЭко-векторEco-Vectorhttps://creativecommons.org/licenses/by-nc-nd/4.0https://jdigitaldiagnostics.com/DD/article/view/123559

Clinical physiology involves a complete, comprehensive, multilateral study of the functions of both affected and healthy organs, which allows us to assess the compensatory capabilities of the body.

Artificial intelligence is increasingly being used in medicine, including in clinical physiology. This is facilitated by the increase in computing processing power, development of cloud services and datasets, and numerous scientific articles demonstrating the effectiveness and viability of such intelligent solutions.

Although the approach to medical dataset development is generally similar, there are a number of key features and significant differences in clinical physiology. Artificial intelligence systems in clinical physiology may be effectively trained and applied in practice by following the recommendations in this study.

The national standard of the Russian Federation GOST R 59921.9-2022, which has entered into force, is included in the set of standards “Artificial Intelligence systems in clinical medicine” and establishes additional requirements for data analysis algorithms and test methods of artificial intelligence systems used in the field of clinical physiology. A crucial feature of the created standard is its qualimetric type (i.e., it has a mandatory set of demonstration data).

Russia is one of the first countries to start developing quasi-metric standards worldwide, and 15 industry standards in the field of artificial intelligence (2 of them in medicine) will come into force this year.

Клиническая физиология ― раздел медицинских наук о роли и характере изменений физиологических процессов, происходящих в организме при предпатологических и патологических состояниях, ― предполагает полное, комплексное, многостороннее исследование функций как поражённых, так и здоровых органов, что позволяет оценить компенсаторные возможности организма.

Программное обеспечение и различные программно-аппаратные комплексы, созданные с использованием технологий искусственного интеллекта, всё активнее применяются в различных отраслях медицины, в том числе и в клинической физиологии. Этому способствуют появление наборов медицинских данных, увеличение вычислительных мощностей, развитие облачных сервисов, а также многочисленные публикации, демонстрирующие эффективность и перспективность применения подобных интеллектуальных решений.

Несмотря на то, что в целом подход к формированию медицинских наборов данных схож, в клинической физиологии имеется целый ряд ключевых особенностей и существенных отличий. Соблюдение предлагаемых нами правил по формированию наборов данных потенциально позволит эффективно обучить системы искусственного интеллекта в области клинической физиологии и применять их на практике.

Вступивший в силу национальный стандарт Российской Федерации ГОСТ Р 59921.9-2022 входит в комплекс стандартов «Системы искусственного интеллекта в клинической медицине» и устанавливает дополнительные требования к алгоритмам анализа данных и методам испытаний систем искусственного интеллекта, применяемых в области клинической физиологии. Важной особенностью нового стандарта является его квазиметрический тип (прилагается обязательный набор демонстрационных данных).

Россия одной из первых стран в мире приступила к разработке квазиметрических стандартов, и уже в текущем году вступят в силу 15 отраслевых стандартов в сфере искусственного интеллекта (из них два ― по медицине).

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。

datasetelectrocardiographclinical physiologyannotationautomated ECG interpretationнабор данныхэлектрокардиографияклиническая физиологияаннотированиеавтоматический анализ ЭКГ数据集心电描记法临床生理学注释心电图自动分析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).Курзанов А.Н. Клиническая физиология: становление, цели, задачи, пределы компетентности, место в системе высшего профессионального медицинского образования // Международный журнал экспериментального образования. 2012. № 4–2. С. 128–130.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/DD107367Гусев А.В., Владзимирский А.В., Шарова Д.Е., и др. Развитие исследований и разработок в сфере технологий искусственного интеллекта для здравоохранения в Российской Федерации: итоги 2021 года // Digital Diagnostics. 2022. Т. 3, № 3. C. 178–194. doi: 10.17816/DD107367Al-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.2020.11.008Al-Mousily M.F., Baker G.H., 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. Vol. 2, N 1. P. 71–75. doi: 10.1016/j.cvdhj.2020.11.008Ding 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.2021.04.001Ding E.Y., Pathiravasan C.H., 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. Vol. 2, N 3. P. 171–178. doi: 10.1016/j.cvdhj.2021.04.001Bashar 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.2021.05.004Bashar S.K., Hossain M.B., Lázaro J., et al. Feasibility of atrial fibrillation detection from a novel wearable armband device // Cardiovasc Digit Heal J. 2021. Vol. 2, N 3. P. 179–191. doi: 10.1016/j.cvdhj.2021.05.004Goodwin 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/ab7cb5Goodwin A.J., Eytan D., Greer R.W., et al. A practical approach to storage and retrieval of high-frequency physiological signals // Physiol Meas. 2020. Vol. 41, N 3. P. 035008. doi: 10.1088/1361-6579/ab7cb5Bartlett 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.2021.06.002Bartlett V.L., Ross J.S., Shah N.D., et al. Physical activity, patient-reported symptoms, and clinical events: Insights into postprocedural recovery from personal digital devices // Cardiovasc Digit Heal J. 2021. Vol. 2, N 4. P. 212–221. doi: 10.1016/j.cvdhj.2021.06.002Mishra 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/s40846-021-00632-0Mishra S., Khatwani G., Patil R., et al. ECG paper record digitization and diagnosis using deep learning // J Med Biol Eng. 2021. Vol. 41, N 4. P. 422–432. doi: 10.1007/s40846-021-00632-0Kashou 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.2021.04.002Kashou A.H., Mulpuru S.K., Deshmukh A.J., et al. An artificial intelligence-enabled ECG algorithm for comprehensive ECG interpretation: Can it pass the ‘Turing test’? // Cardiovasc Digit Heal J. 2021. Vol. 2, N 3. P. 164–170. doi: 10.1016/j.cvdhj.2021.04.002Wagner P, Strodthoff N, Bousseljot RD, et al. PTB-XL, a large publicly available electrocardiography dataset. Sci Data. 2020;7(1):154. doi: 10.1038/s41597-020-0495-6Wagner P., Strodthoff N., Bousseljot R.D., et al. PTB-XL, a large publicly available electrocardiography dataset // Sci Data. 2020. Vol. 7, N 1. P. 154. doi: 10.1038/s41597-020-0495-6Zheng 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-xZheng J., Zhang J., Danioko S., et al. A 12-lead electrocardiogram database for arrhythmia research covering more than 10,000 patients // Sci Data. 2020. Vol. 7, N 1. P. 48. doi: 10.1038/s41597-020-0386-xM 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).М 80 Регламент подготовки наборов данных с описанием подходов к формированию репрезентативной выборки данных. Часть 1. Методические рекомендации / под ред. С.П. Морозова, А.В. Владзимирского, А.Е. Андрейченко, и др. Москва, 2022. 40 с. (Серия: Лучшие практики лучевой и инструментальной диагностики).