Двойной просмотр результатов маммографии с применением технологий искусственного интеллекта: новая модель организации массовых профилактических исследований

Полный текст

ОБОСНОВАНИЕ

Злокачественные новообразования молочной железы представляют собой значимую медицинскую, социально-экономическую и демографическую проблему, будучи ведущей онкологической патологией и лидером в структуре смертности среди женского населения. С 2011 по 2019 год наблюдался устойчивый рост заболеваемости (с 45,24 до 53,34 на 100 тыс. населения соответственно); в 2020 году отмечалось резкое её снижение до 47,39 на 100 тыс. населения с возобновлением роста в 2021 году [1]. Такая динамика объясняется приостановкой программ массовых профилактических осмотров в период пандемии COVID-19. С одной стороны, ситуация полностью обоснованная, с другой ― демонстрирует уязвимость системы здравоохранения. Вынужденное перераспределение ресурсов негативно сказалось на скрининге социально значимых заболеваний. Но и вне контекста пандемии своевременность выявления злокачественных новообразований молочных желёз остаётся неудовлетворительной. Крайне высок показатель запущенности: более 27,0% случаев злокачественных новообразований выявляется на поздних (III–IV) стадиях. Обращает на себя внимание положительная тенденция ― устойчивый рост индекса накопления контингента больных злокачественными новообразованиями молочных желёз: в 2011 году соответствующий показатель составлял 9,5, в 2021 году ― уже 11,9. Это свидетельствует о планомерном улучшении качества и эффективности методов лечения злокачественных новообразований молочных желёз [2].

Таким образом, требуется развитие массовых профилактических исследований как с точки зрения увеличения охвата и вовлечённости населения, производительности, качества, экономической эффективности, так и с позиций формирования устойчивости и бесперебойной доступности. Реализация указанных задач на фоне явного прогресса методов лечения позволит получить принципиально новые результаты в преодолении проблемы злокачественных новообразований молочных желёз.

В настоящее время самый распространённый способ скрининга злокачественных новообразований ― рентгеновская маммография.

Действующими нормативно-правовыми актами пре-дусматривается двойной просмотр результатов профилактической маммографии. Это означает, что изображения каждой обследованной пациентки должны быть независимо интерпретированы и описаны двумя врачами-рентгенологами. Целесообразность такого подхода неоднократно подтверждена как отечественными, так и зарубежными авторами. Объединённая частота выявления патологических изменений при двойном просмотре выше. Однократный просмотр по сравнению с двойным снижает чувствительность для всех категорий BI-RADS (Breast Imaging Reporting and Data System ― система интерпретации и протоколирования визуализации молочной железы). Более того, отказ от двойного просмотра несёт разнообразные негативные последствия для обследуемых женщин [3, 4]. Вместе с тем двойной просмотр чреват определёнными негативными аспектами (ресурсоёмкость, качество, несовершенная система финансирования).

Ресурсоёмкость. В условиях первичного звена здравоохранения необходимо задействовать двух врачей-рентгенологов для описания каждого профилактического исследования, при том что подавляющее большинство любых скрининговых исследований относится к категории «Отсутствие целевой патологии». Существует риск сокрытия кадрового дефицита за счёт приписок и иных манипуляций, что, в конечном счёте, негативно сказывается на здоровье женского населения. Вместе с тем реальная потребность в объёме профилактических маммографий и темпы наращивания парка оборудования принципиально превышают все возможности по увеличению количества кадров.

Качество. Интерпретация результатов маммографии требует специальных навыков и фактически является субспециализацией современной рентгенологии. Это только усугубляет проблему кадрового дефицита: «механическое» наращивание числа врачей-рентгенологов не решит проблему качественного и своевременного выявления злокачественных новообразований молочной железы.

Несовершенная система финансирования. Использование двойного тарифа, т.е. последовательная оплата двух услуг применима только в случаях наличия отдельного тарифа на описание результатов маммографии; соответственно, одна услуга включает выполнение и описание маммографии, вторая ― только описание. В противоположном случае осуществляется некорректное финансирование (оплачиваются две услуги, включающие как выполнение, так и описание маммографии). Более распространена ситуация недофинансирования медицинских организаций: услуга выполнения и описания оплачивается однократно, второе описание не оплачивается.

Потенциально указанные проблемы могут быть решены за счёт автоматизации ― применения технологий искусственного интеллекта (ТИИ) для интерпретации результатов маммографии.

В научной литературе имеются доказательные данные о высоком качестве соответствующих технических решений. Фактически ряд продуктов на основе ТИИ по своей диагностической точности в выявлении определённых рентгенологических признаков идентичен среднестатистическому врачу-рентгенологу. Так, объединённая чувствительность, специфичность и площадь под характеристической кривой составляют для автоматизированного анализа 75,4; 90,6 и 0,89%, для врача-рентгенолога ― 73,0; 88,6 и 0,85% (статистически значимые различия отсутствуют) [5]. По данным метаанализа [6], объединённая чувствительность, специфичность и площадь под характеристической кривой для автоматизированного анализа маммографии составляет 91,4; 91,6 и 94,5% соответственно. Коэффициенты сходства IoU-точности (intersection-over-union) локализации патологических находок, отсегментированных нейросетевой моделью и врачом-рентгенологом, составляют 0,86 и 0,96 соответственно [7]. Однако, на наш взгляд, в контексте скрининга злокачественных новообразований молочной железы ТИИ должны внедряться не просто в качестве дискретных систем поддержки принятия врачебных решений, но в виде автоматизированных процессов.

Цель исследования ― обосновать модель организации массовых профилактических исследований методом маммографии с применением технологий искусственного интеллекта.

МАТЕРИАЛЫ И МЕТОДЫ

Исследование выполнено в рамках Эксперимента по использованию инновационных технологий в области компьютерного зрения для анализа медицинских изображений и дальнейшего применения в системе здравоохранения города Москвы (далее ― Московский эксперимент), проводимого с 2020 года при поддержке Правительства Москвы (mosmed.ai). Достигнутый уровень точности программного обеспечения (ПО) на основе ТИИ (AUC, площадь под кривой >0,81), установленный на основе анализа 61 497 маммографий в течение первого года Московского эксперимента, позволил провести данное исследование [8].

Дизайн исследования

Смешанный (количественный компонент ― ретроспективное диагностическое исследование, качественный компонент ― аналитическое исследование).

Технологии искусственного интеллекта

Для применения в клинической практике ПО на основе ТИИ должно быть зарегистрировано как медицинское изделие. В Российской Федерации статусом медицинских изделий обладают программные продукты на основе технологий искусственного интеллекта, предназначенные для автоматизированного анализа результатов маммографии, от компаний ООО «Медицинские скрининг-системы» (РЗН 2021/14449), и ООО «Платформа Третье Мнение» (РЗН2022/16534).

В исследовании использовалось медицинское изделие, представляющее собой ПО на основе ТИИ ― продукт одной из указанных выше компаний. В рамках научного Московского эксперимента ПО на основе ТИИ было интегрировано в Единый радиологический информационный сервис Единой медицинской информационно-аналитической системы г. Москвы (ЕРИС ЕМИАС). ПО на основе ТИИ принимало на вход цифровую маммографию в формате DICOM, анализировало её и возвращало в качестве ответа текстовое описание (DICOM SR), изображения с разметкой патологических областей (DICOM SC), вероятности наличия патологии в исследовании в целом. Результаты анализа, выполненного ПО на основе ТИИ, становились доступны в ЕРИС ЕМИАС наравне с исходными результатами исследования. Для исследования использовали значения вероятности патологии (вероятность наличия злокачественного процесса) в исследовании в целом; оценка корректности выставления BI-RADS, а также точности локализации патологических находок в настоящем исследовании не проводилась.

Набор данных

В проведённое нами исследование включено 100 цифровых маммограмм, выполненных в рамках скринингового исследования, из них с патологией ― 50. Средний возраст обследованных пациентов составил 63±6 года.

Присвоение исследованиям категорий «Отсутствие целевой патологии» или «Присутствие целевой патологии» происходило на основании консенсуса двух экспертов (врачей-рентгенологов со стажем работы по направлению «Маммография» более 5 лет). Для группы «Присутствие целевой патологии» основным критерием включения в исследование была гистологическая верификация. Для группы «Отсутствие целевой патологии» отличающиеся друг от друга мнения врачей-рентгенологов были критерием исключения. Критериями исключения для обеих групп являлись возраст пациентов менее 18 лет и некачественные исследования (I по шкале PGMI), которые определялись на этапе проведения экспертом разметки при подготовке набора данных.

В качестве целевой патологии рассматривались патологические признаки на маммографии, соответствующие 3, 4 и 5-й категориям BI-RADS ― «Присутствие целевой патологии». При классификации исследования «Отсутствие целевой патологии» подразумевалось отсутствие подозрения на злокачественные новообразования молочной железы, т.е. наличие категории BI-RADS 1 или 2.

Распределение исследований по типам в соответствии с классификацией ACR (American College of Radiology) было следующим: в группе «Отсутствие целевой патологии»: A ― 26, B ― 16, C ― 5, D ― 3; в группе «Присутствие целевой патологии»: A ― 15, B ― 24, C ― 11, D ― 0.

Набор данных сформирован из исследований, выполненных на маммографах FUJIFILM Corporation (Япония). В процессе подготовки набора данных участвовали следующие медицинские организации: Городская поликлиника (ГП) № 22, филиал № 1; Диагностический клинический центр № 1; ГП № 8; ГП № 36; ГП № 22; ГП № 209; Диагностический центр № 3, филиал № 4; Консультативно-диагностическая поликлиника № 121; Клинико-диагностический центр № 4; Городская клиническая больница имени М.П. Кончаловского Департамента здравоохранения города Москвы, Поликлиническое отделение № 3.

Этическая экспертиза

Данное исследование основано на результатах Эксперимента по использованию инновационных технологий в области компьютерного зрения для анализа медицинских изображений и дальнейшего применения в системе здравоохранения г. Москвы, утверждённого этическим комитетом (выписка из протокола № 2 НЭК МРО РОРР от 20.02.2020), также зарегистрированного на ClinicalTrials (NCT04489992).

Статистический анализ

Для обработки полученных данных использовали метод построения и анализа характеристической кривой (ROC-анализ) посредством специально разработанного web-инструмента (https://roc-analysis.mosmed.ai/) [9, 10]. Истинные значения были представлены бинарной разметкой исследований (0 ― отсутствие патологии, 1 ― наличие целевой патологии). Результатом являлась вероятность наличия патологии, определённая ПО на основе ТИИ. Полученные данные в CSV-формате загружали в электронную форму, после чего WEB-инструмент выполнял построение характеристической кривой. В интерактивном режиме определяли пороговые значения, соответствующие самой крайней левой точке с чувствительностью 100% и самой крайней правой экспериментальной точке со специфичностью 100%. В дальнейшем проводился анализ остальных метрик диагностической точности для установленного порогового значения. Для анализа использовали термины классической четырёхпольной таблицы. Истинно положительным считалось верное отнесение маммографии к группе «Присутствие целевой патологии», истинно отрицательным ― верное отнесение маммографии к группе «Отсутствие целевой патологии». Ложноположительным считалось ошибочное отнесение маммографии из группы «Отсутствие целевой патологии» к группе «Присутствие целевой патологии», а ложноотрицательным ― результат отнесения маммографии из группы «Присутствие целевой патологии» к группе «Отсутствие целевой патологии».

Все статистические показатели, представленные в результатах, рассчитаны с 95% доверительным интервалом (ДИ) методом случайных выборок с возвратом (так называемый бутстреппинг, от англ. bootstrapping) с количеством итераций 1000.

РЕЗУЛЬТАТЫ

Нами предлагается следующая модель. Исследование «Профилактическая рентгеновская маммография» назначает лечащий врач в соответствии с действующими нормативно-правовыми актами, клиническими рекомендациями. Непосредственно выполняет исследование рентгенолаборант. Результаты исследования в цифровом виде поступают в архив медицинских изображений в составе медицинской информационной системы медицинской организации и/или информационной системы в сфере здравоохранения субъекта Российской Федерации. Первый просмотр выполняется ПО (медицинским изделием на основе ТИИ, допущенным к обращению в установленном порядке). В результате первого просмотра в информационной системе формируется электронная медицинская запись¹, полученная в автоматическом режиме и содержащая (а) отдельную серию изображений с графической маркировкой и/или температурной картой областей с патологическими изменениями при их наличии; (б) структурированный отчёт, краткое руководство пользователя, заключение, детализацию и вероятность наличия патологических изменений. Второй просмотр выполняется врачом-рентгенологом. В результате второго просмотра в информационной системе формируется электронный медицинский документ ― протокол описания и заключение.

Выполнено исследование возможности обеспечения ПО на основе ТИИ требуемого уровня диагностической точности.

Характеристическая кривая, отражающая работу исследуемого ПО на основе ТИИ, представлена на рис. 1.

 

Рис. 1. Характеристическая кривая программного обеспечения на основе технологий искусственного интеллекта. Заливкой показан 95% доверительный интервал. Отдельно выделены экспериментальные значения, соответствующие 100,0% чувствительности (a), 100,0% специфичности (b) и 80,0% чувствительности (c). Для каждой из этих экспериментальных точек в прямоугольнике указаны значения метрик диагностической точности при соответствующем пороговом значении.

 

Распределение маммографий по группам (истинно положительные, истинно отрицательные, ложноотрицательные, ложноположительные) в зависимости от выбранного порогового значения представлено в табл. 1.

 

Таблица 1. Четырёхпольная таблица для разных пороговых значений

Группа	Число исследований	Результат	100% чувствительность	100% специфичность	Сбалансированная чувствительность и специфичность
«Присутствие целевой патологии»	50	Истинно положительный	50	28 56,0%**	40 80,0%**
		Ложноположительный	23	0	5
«Отсутствие целевой патологии»	50	Истинно отрицательный	27 54,0%*	50	45 90,0%*
		Ложноотрицательный	0	22	10

Примечание. * Процент истинно отрицательных результатов рассчитан относительно объёма группы «Отсутствие целевой патологии»; ** процент истинно положительных результатов рассчитан относительно объёма группы «Присутствие целевой патологии».

 

При выставлении порогового значения, соответствующего 100,0% специфичности (пороговое значение 0,93), искусственный интеллект корректно определил маммографии из группы «Присутствие целевой патологии», т.е. ложноположительные срабатывания отсутствовали. Из 50 маммографий, которые были в группе «Присутствие целевой патологии», искусственный интеллект при указанной настройке порогов корректно определил 28 (56,0%) исследований. Для таких настроек ПО на основе ТИИ получаем следующие значения метрик диагностической точности: чувствительность 56,0% (95% ДИ 42,2–69,8), специфичность 100,0% (95% ДИ 100,0–100,0), точность 78,0% (95% ДИ 69,9–86,1).

При выставлении порогового значения, соответствующего 100% чувствительности (пороговое значение 0,25), ложноотрицательные результаты отсутствовали, а количество истинно отрицательных составило 27 (54,0% всех исследований группы «Отсутствие целевой патологии»). При такой настройке ПО на основе ТИИ получаем чувствительность 100,0% (95% ДИ 100,0–100,0), специфичность 54,0% (95% ДИ 40,2–67,8), точность 77,0% (95% ДИ 68,8–85,2).

При выставлении порогового значения, руководствуясь методом максимизации индекса Юдена (пороговое значение 0,82), значение чувствительности составило 80,0%, количество истинно отрицательных результатов ― 45 (90,0% всех исследований группы «Отсутствие целевой патологии»), а количество истинно положительных ― 40 (80,0% всех исследований группы «Присутствие целевой патологии»). При такой настройке ПО на основе ТИИ получаем чувствительность 80,0% (95% ДИ 68,9–91,1), специфичность 90,0% (95% ДИ 81,7–98,3), точность 85,0% (95% ДИ 78,0–92,0).

ОБСУЖДЕНИЕ

Резюме основного результата исследования

Для ПО на основе ТИИ, используемого при реализации услуги «Описание и интерпретация данных маммографического исследования с использованием искусственного интеллекта», выставление разных пороговых значений позволяет установить значения метрик чувствительности, специфичности и точности, соответствующие или превышающие таковые для двойного чтения маммографии врачами-рентгенологами.

Обсуждение основного результата исследования

В Российской Федерации ежегодно выполняется около 8,2 млн профилактических маммографий², двойная оценка которых требует значительного количества временных, кадровых и финансовых ресурсов. Использование ПО на основе ТИИ для первого просмотра маммографий позволит уменьшить вышеуказанные затраты с одновременным сохранением или даже улучшением качества диагностики. Предлагается рассмотреть два подхода к настройке ПО на основе ТИИ для первого просмотра маммографий.

Первый подход предполагает использование ПО на основе ТИИ со сбалансированными значениями чувствительности и специфичности. В нашем случае чувствительность ПО на основе ТИИ составила 80,0%, что превышает чувствительность двойного просмотра маммографий врачами-рентгенологами, определённую в обзорных публикациях (72,0–73,0%) [5, 6]. При этом специфичность работы искусственного интеллекта (90,0%), полученная в ходе нашего исследования, не уступает специфичности работы двух врачей-рентгенологов (88,0–98,0%) [5, 6]. Ожидается также, что ПО на основе ТИИ в сочетании с оценкой одного рентгенолога будет обладать более высокой общей точностью интерпретации маммографии по сравнению с интерпретацией только одним рентгенологом, что подтверждается рядом научных публикаций [11–13]. Результатом работы ПО на основе ТИИ при данном подходе будет электронная медицинская запись, содержащая заключение о категории изображения («Отсутствие целевой патологии» или «Присутствие целевой патологии»).

Второй подход подразумевает, что ПО на основе ТИИ будет определять категорию изображения («Отсутствие целевой патологии» или «Присутствие целевой патологии») с указанием степени своей «уверенности» в полученном результате. Общая концепция метода представлена на рис. 2.

 

Рис. 2. Концепция подхода к первому описанию маммографии с помощью искусственного интеллекта, в основе которой лежит бинарная классификация изображений с указанием степени «уверенности» программного обеспечения на основе технологий искусственного интеллекта в полученных результатах.

Примечание. ММГ ― маммография; ИИ ― искусственный интеллект; ИО ― истинно отрицательный; ЛО ― ложноотрицательный; ЛП ― ложноположительный; ИП ― истинно положительный.

 

Как упоминалось в разделе «Результаты», при построении ROC-кривой для ПО на основе ТИИ были определены пороговые значения (cut-off value) для предсказанных значений при 100% чувствительности и 100% специфичности (0,25 и 0,93 соответственно). На основе этих данных предлагается относить предсказанное значение к одному из трёх «коридоров», которые соответствуют разным результатам классификации и разной степени «уверенности» ПО на основе ТИИ в них:

1) «зелёный коридор»: предсказанные значения находятся в диапазоне от 0 до 0,25 и соответствуют категории «Отсутствие целевой патологии» с уверенностью 100%;

2) «красный коридор»: предсказанные значения находятся в диапазоне от 0,93 до 1,0 и соответствуют категории «Присутствие целевой патологии» с уверенностью 100%;

3) «жёлтый коридор»: предсказанные значения находятся в диапазоне от 0,25 до 0,93 включительно и соответствуют категории «Отсутствие целевой патологии» или «Присутствие целевой патологии», но вероятность правильности классификации менее 100%.

Предсказанное значение и цвет «коридора», в который оно попадает, предлагается добавить в описание маммографии, выполненное ПО на основе ТИИ. При наличии этой информации врач-рентгенолог, который описывает изображение с результатами работы ПО на основе ТИИ, будет знать, насколько можно доверять результатам его работы. С одной стороны, это поможет врачу сохранять повышенную бдительность при описании маммографии из «жёлтого коридора», с другой ― подобный подход в долгосрочной перспективе может повысить доверие врачей-рентгенологов к результатам работы ПО на основе ТИИ. Это связано с тем, что искусственный интеллект даже при текущем высоком уровне точности пока не способен однозначно правильно классифицировать 100% анализируемых изображений.

Преимуществом второго подхода является не только способность искусственного интеллекта отнести часть маммографий к категории «Отсутствие целевой патологии» или «Присутствие целевой патологии» со 100% степенью «уверенности» (зелёный и красный «коридоры» для предсказанных значений), но и возможность изменения порогового значения с целью балансировки чувствительности и специфичности ПО на основе ТИИ для анализа маммографий, попадающих в «жёлтый коридор». В зависимости от клинической задачи можно установить более высокую чувствительность, которая обеспечит лучшую выявляемость патологии при наименьшем количестве ложноотрицательных результатов или более высокую специфичность для уменьшения количества ложноположительных результатов (табл. 2) [5, 6].

 

Таблица 2. Чувствительность и специфичность разных подходов к анализу маммограмм

Анализ результатов профилактической маммографии	Чувствительность, %	Специфичность, %
Двойной просмотр врачами*	72,0–73,0	88,0–98,0
Первый подход с использованием искусственного интеллекта для первого прочтения маммографии (бинарная классификация)	80,0	90,0
Второй подход с использованием искусственного интеллекта для первого прочтения маммографии (бинарная классификация со степенью «уверенности») при пороговом значении 0,61	92,0	78,0
Второй подход с использованием искусственного интеллекта для первого прочтения маммографии (бинарная классификация со степенью «уверенности») при пороговом значении 0,90	72,0	98,0

Примечание. * По литературным данным [5, 6].

 

Результаты проведённого исследования демонстрируют возможность автономного применения ПО на основе ТИИ для первого прочтения маммографии, тем не менее в дальнейшем необходимо оптимизировать программное обеспечение для более эффективного выявления «Отсутствия целевой патологии» и «Присутствия целевой патологии». Необходимо также отметить, что для настоящего исследования изначально отбирались только качественно выполненные маммографии. Однако современное ПО на основе ТИИ имеет функцию автономного контроля качества маммографии. При практическом внедрении ПО на основе ТИИ может осуществлять кроме клинической оценки результатов маммографии также техническую оценку качества [8].

Экономическое обоснование двойного просмотра результатов маммографии с применением технологий искусственного интеллекта

В рамках исследования проанализированы тарифные соглашения на оплату медицинской помощи, оказываемой по территориальной программе обязательного медицинского страхования, принятые в регионах Российской Федерации на 2023 год.

В 19 субъектах Российской Федерации (22,4% от количества всех субъектов Российской Федерации) отдельно выделена стоимость медицинской услуги «A06.20.004 Маммография», которая проводится в рамках диспансеризации. В 4 субъектах из 19 также определена стоимость медицинской услуги «A06.30.002 Описание и интерпретация рентгенографических изображений (при повторном описании маммографии)». Во всех остальных субъектах Российской Федерации первый этап диспансеризации взрослого населения учитывается комплексной услугой без уточнения стоимости входящей в него маммографии.

Стоимость медицинской услуги по описанию маммографии варьирует от 114,97 до 1034,93 рублей. По состоянию на 01 марта 2023 года медицинская услуга «Описание и интерпретация данных маммографического исследования с использованием искусственного интеллекта» применяется только в рамках Московского эксперимента [8]. Согласно тарифному соглашению на оплату медицинской помощи, оказываемой по территориальной программе обязательного медицинского страхования г. Москвы, стоимость данной медицинской услуги составляет 239,00 рублей³.

В рамках настоящего исследования проанализированы два подхода к определению необходимого размера финансирования скрининговых маммографий в пределах территории Российской Федерации. Первый подход заключался в выполнении расчётов на основе стоимости медицинских услуг в Москве на 2023 год. Стоимость одного описания маммографии врачом-рентгенологом составляет 178,00 рублей. Следовательно, двойное описание каждой маммографии врачами-рентгенологами будет стоить 356,00 рублей. В свою очередь стоимость описания маммографии искусственным интеллектом и врачом-рентгенологом, как было упомянуто выше, составляет 239,00 рублей. Таким образом, при среднем количестве ежегодных маммографий в России 8,2 млн стоимость двойного их описания врачами-рентгенологами составит 2,9 млрд рублей, а стоимость описания искусственным интеллектом и врачом-рентгенологом ― 1,9 млрд рублей. Потенциальная экономия средств за счёт использования ПО на основе ТИИ может составить 1,0 млрд рублей ежегодно. Второй подход заключался в выполнении расчётов на основе стоимости медицинских услуг в субъектах Российской Федерации на 2023 год. Учитывался также процент экономии средств при интерпретации маммографии искусственным интеллектом и врачом-рентгенологом по сравнению с двойной интерпретацией врачами-рентгенологами в Москве, который составил

$\frac{178,00\times 2-239,00}{178,00\times 2}\times 100\%=32,8\%.$

При стоимости медицинской услуги по описанию маммографии врачом-рентгенологом в субъектах Российской Федерации от 114,97 до 1034,93 рублей двойные описания маммографии врачами-рентгенологами стоят от 229,94 до 2069,86 рублей. Предполагая, что интерпретация маммографии искусственным интеллектом и врачом-рентгенологом в субъектах Российской Федерации будет так же, как и в Москве, дешевле двойного описания врачами-рентгенологами на 32,8%, получаем стоимость описания маммографии искусственным интеллектом и врачом-рентгенологом в пределах от 154,51 до 1390,94 рублей. Таким образом, при среднем количестве ежегодных маммографий в России 8,2 млн стоимость двойного описания врачами-рентгенологами составит от 1,8 до 16,9 млрд рублей, а стоимость описания искусственным интеллектом и врачом-рентгенологом ― от 1,2 до 11,4 млрд рублей. Потенциальная экономия средств за счёт использования ПО на основе ТИИ на общегосударственном уровне может составить от 0,6 до 5,5 млрд рублей ежегодно.

Ограничения исследования

Значения метрик диагностической точности получены для версий ПО на основе ТИИ, актуальных на конец 2022 года.

Для пациентов группы «Отсутствие целевой патологии» оценка динамики класса по шкале BI-RADS не проводилась, что можно расценивать как ограничение исследования.

ЗАКЛЮЧЕНИЕ

Показана возможность и доказана перспективность применения ТИИ для первого описания маммографических изображений. Медицинское изделие ― программное обеспечение на основе ТИИ ― обладает чувствительностью и специфичностью, равными чувствительности и специфичности работы двух врачей-рентгенологов или превосходящими их. Модель применения ПО на основе ТИИ в качестве первого чтения в сочетании со вторым прочтением врачом-рентгенологом позволяет в масштабе всей страны получить экономическую выгоду от реализации в объёме от 0,6 до 5,5 млрд рублей ежегодно.

ДОПОЛНИТЕЛЬНО

Источник финансирования. Исследование выполнено в рамках научно-исследовательской работы «Научные методологии устойчивого развития технологий искусственного интеллекта в медицинской диагностике», регистрационный номер ЕГИСУ: 123031500004-5.

Конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов, связанных с публикацией настоящей статьи.

Вклад авторов. Все авторы подтверждают соответствие своего авторства международным критериям ICMJE (все авторы внесли существенный вклад в разработку концепции, проведение исследования и подготовку статьи, прочли и одобрили финальную версию перед публикацией). Наибольший вклад распределён следующим образом: Ю.А. Васильев, И.А. Тыров ― концепция исследования, финальная вычитка текста; А.В. Владзимирский ― концепция и дизайн исследования, написание и редактирование текста; К.М. Арзамасов ― концепция и дизайн исследования, анализ полученных данных, написание и редактирование текста; И.М. Шулькин ― дизайн исследования, сбор и обработка материалов, финальная вычитка текста; Д.Д. Кожихина ― дизайн исследования, сбор и обработка материалов; Л.Д. Пестренин ― анализ полученных данных, написание текста.

ADDITIONAL INFORMATION

Funding source. This article was prepared by a group of authors as a part of the research and development effort titled “Evidence-based methodologies for sustainable development of artificial intelligence in medical imaging”, registration number to EGISU: 123031500004-5.

Competing interests. The authors declare that they have no competing interests.

Authors’ contribution. All authors made a substantial contribution to the conception of the work, acquisition, analysis, interpretation of data for the work, drafting and revising the work, final approval of the version to be published and agree to be accountable for all aspects of the work. Yu.A. Vasilev, I.A. Tyrov ― research concept, final proofreading of the text; A.V. Vladzymyrskyy ― research concept and design, writing and editing of the text; K.M. Arzamasov ― research concept and design, analysis of the data obtained, writing and editing of the text; I.M. Shulkin ― research design, collection and processing of materials, final proofreading the text; D.D. Kozhikhina ― research design, collection and processing of materials; L.D. Pestrenin ― analysis of the data obtained, writing the text.

¹ Медицинские записи, полученные в автоматическом режиме в результате применения медицинских изделий, допущенных к обращению, не требуют подписания электронной подписью медицинского работника (в соответствии с Приказом Министерства здравоохранения Российской Федерации от 07.09.2020 N 947н «Об утверждении Порядка организации системы документооборота в сфере охраны здоровья в части ведения медицинской документации в форме электронных документов»).

² Тюрин И.Е. Отчет за 2020 г. главного внештатного специалиста Минздрава России по лучевой и инструментальной диагностике Тюрина И.Е. [электронный ресурс]. Режим доступа: https://static-0.minzdrav.gov.ru/system/attachments/attaches/000/056/620/original/Отчет_за_2020_год_Тюрин.pdf?1624967722.

³ Тарифное соглашение на оплату медицинской помощи, оказываемой по Территориальной программе обязательного медицинского страхования города Москвы на 2023 год (Заключено в г. Москве 30.12.2022). Режим доступа: https://www.consultant.ru/law/review/208575247.html.

Об авторах

Юрий Александрович Васильев

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: npcmr@zdrav.mos.ru
ORCID iD: 0000-0002-0208-5218
SPIN-код: 4458-5608

канд. мед. наук

Россия, Москва

Илья Александрович Тыров

Департамент здравоохранения города Москвы

Email: npcmr@zdrav.mos.ru
ORCID iD: 0000-0001-9337-624X
SPIN-код: 8625-3458
Россия, Москва

Антон Вячеславович Владзимирский

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: npcmr@zdrav.mos.ru
ORCID iD: 0000-0002-2990-7736
SPIN-код: 3602-7120

д-р мед. наук, профессор

Россия, Москва

Кирилл Михайлович Арзамасов

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: npcmr@zdrav.mos.ru
ORCID iD: 0000-0001-7786-0349
SPIN-код: 3160-8062

канд. мед. наук

Россия, Москва

Игорь Михайлович Шулькин

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: npcmr@zdrav.mos.ru
ORCID iD: 0000-0002-7613-5273
SPIN-код: 5266-0618
Россия, Москва

Дарья Дмитриевна Кожихина

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: npcmr@zdrav.mos.ru
ORCID iD: 0000-0001-7690-8427
SPIN-код: 5869-3854
Россия, Москва

Лев Дмитриевич Пестренин

Научно-практический клинический центр диагностики и телемедицинских технологий

Автор, ответственный за переписку.
Email: PestreninLD@zdrav.mos.ru
ORCID iD: 0000-0002-1786-4329
SPIN-код: 7193-7706

мл. науч. сотр.

Россия, Москва

Список литературы

Дополнительные файлы