ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ КАК ОСНОВА ЦИФРОВОЙ ТЕРАПИИ ДИАБЕТА

АННОТАЦИЯ

В статье рассматривается применение искусственного интеллекта к лечению диабета. Перечислены клиническое значение и клинические решения искусственного интеллекта. В статье приведены несколько видов алгоритмов классификации для прогнозирования диабета, т.е. алгоритмы отбора информативных признаков и алгоритмы классификации без выбора признаков. Для алгоритмов классификации, в качестве информативных признаков предложены возраст (демографическая категория), этническая принадлежность и семейный анамнез диабета (наследственная категория), гипертония, ожирение и сердечно-сосудистые заболевания (категория медицинских состояний), и холестерин (категория образа жизни). Предложенные информативные признаки составляют основную новизну работы.

ABSTRACT

The article discusses the application of artificial intelligence to the treatment of diabetes. The clinical significance and clinical solutions of artificial intelligence are listed. The article presents several types of classification algorithms for predicting diabetes, i.e. algorithms for selecting informative signs and classification algorithms without selecting signs. For classification algorithms, age (demographic category), ethnicity and family history of diabetes (hereditary category), hypertension, obesity and cardiovascular diseases (category of medical conditions), and cholesterol (category of lifestyle) are proposed as informative features. The proposed informative features constitute the main novelty of the work.

Ключевые слова: Искусственный интеллект, микроаневризм, гестационным диабет, метаэвристика.

Keywords: Artificial intelligence, microaneurysm, gestational diabetes, metaheuristics.

Цифровая терапия (digital therapeutics, DTx) обеспечивает медицинское вмешательство для пациентов с использованием научно обоснованного, клинически оцененного программного обеспечения для лечения, контроля и профилактики широкого спектра заболеваний и расстройств. Особенно важно в этом определении то, что цифровые терапевтические средства являются программным обеспечением, основанным на фактических данных и прошедшим клиническую оценку. Основой программ, применяемых в цифровой терапии, является искусственный интеллект, включая математическое моделирование и машинное обучение. Оба упомянутых направления сегодня определяют перспективный тренд применения информационных технологий в медицине и здравоохранении.

Искусственный интеллект (ИИ) — это быстро растущая область, и его применение в борьбе с диабетом может изменить подход к диагностике и лечению этого хронического заболевания. Известно, что диабет является глобальным бременем для здравоохранения. По данным Международной диабетической федерации (IDF), 463 миллиона человек в возрасте от 20 до 79 лет страдают диабетом, а 374 миллиона имеют нарушение толерантности к глюкозе [1]. К 2045 году 693 миллиона человек, вероятно, будут страдать диабетом [2]. Если в 2017 году 8,8% населения мира страдало диабетом, прогнозируется, что к 2045 году это число вырастет до 10% [3]. Диабет связан с различными осложнениями, значительной заболеваемостью и смертностью [4], поэтому важно вмешиваться не только в лечение, но и в профилактику, и своевременное выявления диабета. Лечение диабета является сложной задачей, поскольку у одного из двух взрослых диабет не диагностирован, а 10% мировых расходов на здравоохранение (760 миллиардов долларов США) тратится на диабет [1].

Искусственный интеллект (ИИ) находит широкое применение в четырех ключевых областях лечения диабета: автоматизированный скрининг сетчатки, поддержка принятия клинических решений, прогнозная стратификация популяционного риска и инструменты самоконтроля пациентов.

Клиническое значение ИИ состоит в следующем:

• Искусственный интеллект (ИИ) вызовет сдвиг парадигмы в лечении диабета в сторону более точного, индивидуализированного лечения на основе данных;
• ИИ изменит способы профилактики, выявления и лечения диабета, что поможет снизить его глобальную распространенность;
• Логические выводы на основе конкретных случаев, машинное и глубокое обучение на нейронных сетях обеспечат прогнозируемую стратификацию риска для населения, автоматический скрининг сетчатки, улучшенное принятие решений и самостоятельное управление течением заболевания пациентом под контролем врача.
• ИИ положительно влияет и на медицинских работников, поддерживая принятие клинических решений и удаленный мониторинг.

Автоматизированный скрининг сетчатки. Алгоритмы глубокого обучения были разработаны для автоматизации диагностики диабетической ретинопатии [5]. Скрининг сетчатки на основе ИИ - это осуществимый, точный и общепринятый метод выявления и мониторинга диабетической ретинопатии. При этом фиксировалась высокая чувствительность и специфичность метода (92,3% и 93,7% соответственно). Удовлетворенность пациентов автоматическим скринингом также высока: 96% пациентов сообщили, что они удовлетворены или очень довольны этим методом [6]. Сверточные нейронные сети (CNN) были обучены на ограниченных наборах данных для создания карт вероятностей кровоизлияний, микроаневризм, экссудатов для конкретных поражений,  неоваскуляризации и нормального вида сетчатки[7].

Клиническая поддержка принятия решений. Инструменты поддержки принятия клинических решений на основе контролируемого машинного обучения были разработаны для прогнозирования краткосрочного и долгосрочного ответа HbA1c после начала введения инсулина у пациентов с сахарным диабетом 2 типа. Эти инструменты также помогают определить клинические переменные, которые могут повлиять на ответ HbA1c пациента. Обобщенная линейная модель, основанная на регуляризации эластической сетки, основанная на исходном уровне HbA1c и расчетной скорости клубочковой фильтрации, надежно предсказывает ответ HbA1c после начала введения инсулина. Площади под кривой (AUC) 0,80 (95%), доверительный интервал (ДИ), 0,78–0,83 для краткого, и 0,81 (95%) (ДИ) 0,79–0,84 и долгосрочного ответа HbA1c [8].

Машинное обучение использовалось для разработки подхода к индивидуальной настройке мер по соблюдению режима лечения и прогнозированию риска госпитализации при диабете.

В ретроспективном когортном исследовании (n = 33 130) машинное обучение показало пороги комплаентности  от 46% до 94%, что является наиболее дискриминационным показателем риска госпитализации по любой причине. Это исследование подтвердило вариабельность прогностических порогов комплаентности в зависимости от характеристик пациента и сложности лекарств [9].

Прогностическая стратификация риска населения. Система медицинских рекомендаций (Healthcare Recommendation System, HRS) с использованием машинного обучения помогла прогнозировать риск заболевания диабетом путем анализа образа жизни пациента, факторов физического и психического здоровья, активности в социальных сетях. Данные 68 994 здоровых людей и пациентов с диабетом использовались в качестве обучающего набора данных для использования дерева решений, случайного леса и нейронных сетей для прогнозирования диабета с высокой точностью (точность = 0,8084 со всеми признаками) [10] для построения оценок вероятности развития осложнений у пациентов с диабетом.

Многие такие модели были разработаны для прогнозирования развития как долгосрочных (например, сетчатки, сердечно-сосудистых и почечных), так и краткосрочных (например, гипогликемии) осложнений диабета [2]. Мобильные приложения, обученные интерпретировать изображения стоп, были использованы для наблюдения за развитием диабетических язв стопы у пациентов [4].

Машинное обучение также применили в разработке моделей дерева решений для прогнозирования развития сахарного диабета 2 типа у беременных женщин с гестационным диабетом. Дискриминационная способность этого метода прогнозирования составила 83,0% в обучающей выборке и 76,9% в независимой тестовой выборке, что делает его лучше обычного мониторинга уровня глюкозы натощак [1].

Усовершенствованное молекулярное фенотипирование, геномика, эпигенетические изменения и разработка цифровых биомаркеров являются новым достижением в диагностике и лечении болезненных состояний [1]. Они могут быть применены и к диабету, где генерируются огромные массивы данных из-за гетерогенной природы и хронического течения заболевания. Данные микробиома были использованы для создания репозитория микробных маркерных генов, которые можно использовать для прогнозирования возможности развития диабета и руководства лечением пациентов с подтвержденным диабетом [2]. Полногеномные ассоциативные исследования выявили более 400 сигналов, которые потенциально могут установить генетическую предрасположенность к диабету [4]. Модели сверточных нейронных сетей были обучены множеству полногеномных карт и регуляторных эпигеномных аннотаций, доступных для островков поджелудочной железы с тем, чтобы прогнозировать регуляторные варианты для уточнения сигналов, связанных с диабетом [5].

Инструменты самоконтроля пациента. Самоконтроль является ключом к лечению диабета. С появлением искусственного интеллекта пациенты получили возможность управлять своим диабетом, генерировать данные для своих собственных параметров и быть экспертами своего здоровья.

Из других приложений ИИ широко используется телемедицина, которая произвела революцию в лечении диабета. Удаленный мониторинг сокращает время, затрачиваемое на последующие визиты, и позволяет более оперативно отслеживать гликемический статус, а также общее состояние здоровья пациента. ИИ может заменить 50-70% рутинных последующих клинических консультаций виртуальными взаимодействиями и удаленным мониторингом. Например, служба коротких сообщений (SMS) тестировала текстовые сообщения для улучшения лечения в ходе рандомизированного контрольного исследования более чем 800  пациентов с сахарным диабетом 2 типа в странах Африки к югу от Сахары [5].

Много методов на основе ИИ использовались и применяются в лечении диабета, потому вопрос выбора метода в каждой конкретной задаче остается актуальным [6]. Целью настоящего обзора является описание современных, наиболее используемых методов ИИ и оценка их качеств, важных при ведении больного диабетом на основе ИИ.

В последние несколько лет стали   известны алгоритмы машинного обучения для прогнозирования распространенности диабета 2 типа на основе различных факторов риска [1-9]. Эти алгоритмы либо основаны на дереве классификации с функциями набора данных в качестве узлов и метками классов в качестве листьев[9], либо основаны на вероятности [10], которые используют функцию распределения вероятностей по меткам классов для заданного наблюдения. Есть  подход [8],  сохраняющий набор данных в памяти без разработки модели и тогда достаточно подсчитать расстояние  для классификации нового наблюдения [1]. Некоторые методы используют функцию регуляризации, направленную на минимизацию ошибки предсказания модели, основанную на правилах IF–THEN [3], извлеченных из деревьев решений, основанных на ансамбле классификаторов [5], отдельные решения которых объединены с использованием механизма голосования, кластеризации. В отличие от этого  применяют ансамбль классификаторов [6], которые сначала выполняют кластеризацию набора данных для удаления выбросов, а затем применяют алгоритм классификации или метаэвристику. В данной работе мы не приводим технические описания алгоритмов, т.к. они доступны в литературе, акцент делаем на клиническую эффективность   их применения в области диабета.

Итак, в литературе оценивается и сравнивается много различных алгоритмов классификации с использованием разнородных наборов данных и показателей оценки. Однако какого-либо объективного сравнении этих алгоритмов с использованием унифицированных наборов данных и показателей оценки до сих пор не было. В работе этот пробел был восполнен следующим образом.

1. Классифицируют факторы риска диабета 2 типа на основе их общих характеристик, чтобы проанализировать, какие категории более значимы для прогнозирования распространения диабета 2 типа;
2. Оценивают производительность 35 различных алгоритмов с точки зрения точности, F-меры и времени выполнения в унифицированной настройке, используя 3 разных набора данных о диабете из реальной жизни с отбором информативных признаков и без него.

Разделение факторов риска диабета 2 типа

В этом разделе представляем разделение факторов риска диабета 2 типа, которые классифицируются по пяти категориям: (1) образ жизни, (2) состояние здоровья, (3) наследственность, (4) психосоциальные и (5) демографические. Целью такой классификации является анализ того, какая категория факторов риска в значительной степени способствует прогнозированию диабета 2 типа (Рис.1).

Рисунок 1. Разделение  факторов риска диабета 2 типа

 Факторы образа жизни относятся к тем, на которые сильно влияют образ жизни и окружающая среда человека. Факторы, основанные на медицинском состоянии, связаны с наличием у человека определенных заболеваний, таких как мочевая кислота в сыворотке, ожирение, гипертония, сердечно-сосудистые заболевания. Уровень мочевой кислоты в сыворотке более 370 мкмоль/л считается высоким у человека и связан с распространенностью диабета 2 типа [2]. Ожирение характеризуется индексом массы тела (ИМТ) выше 30 [3]. Высокое артериальное давление характеризуется систолическим давлением 140–159 мм рт.ст. или диастолическим давлением 90–99 мм.рт.ст.[3]. Сердечно-сосудистые заболевания относятся к состояниям, таким как нарушения сердечного ритма, сердечный приступ, сердечная недостаточность и инсульт [4]. Факторы риска, которые передаются из поколения в поколение, относятся к наследственной категории. Психосоциальные факторы включают болезни, связанные с психическим здоровьем человека, а демографический фактор риска относится к характеристикам человека.

Алгоритмы классификации машинного обучения

Приведем алгоритмы, которые изучались авторами [1] в их оригинальном написании: Decision Tree (DT), Bayesian Network (BN), Naive Bayes (NB),K Nearest Neighbors (K‑NN), K Star, Support Vector Machine (SVM),Artificial Neural Networks (ANN), Zero Rule (Zero R), One Rule (One R), J Rip, Decision Table (D Table),Random Tree (RT),Random Forest (RF),Reduced Error Pruning Tree (REP Tree), K‑means, Bagging, Boosting, Stacking. В работе приведены описание этих алгоритмов с комментариями их достоинств и недостатков.

Анализ производительности алгоритмов

Анализ и сравнение производительности алгоритмов выполнялось с точки зрения точности, F-меры и времени выполнения. Для реализации и оценки алгоритмов использовался известный пакет программ Weka 3.8 [5] Производительность алгоритмов оценивалась дважды: с выбором информативных признаков и без него, используя три набора данных: PIMA Indian [8], UCI [9] и MIMIC III [8].

Для выбора признаков использовали алгоритмы для каждого набора данных, рассчитывая частоту признаков, выбранных каждым алгоритмом, и выбирая те, которые появляются более чем в 50% алгоритмов. Точность и F-мера рассчитываются по уравнению(1) и уравнению(2) соответственно. Время выполнения рассчитывается путем сложения времени построения модели и времени проверки.

 =                                                                 (1)

 =                                                      (2)

 =

 =

где  TP — истинно положительный, TN — истинно отрицательный, FP — ложноположительный, а FN — ложноотрицательный. TP (TN) представляет количество наблюдений в положительном (отрицательном) классе, которые классифицируются как положительные (отрицательные), а FP (FN) представляет количество наблюдений в отрицательном (положительном) классе, которые классифицируются как положительные (отрицательные).

Алгоритмы отбора информативных признаков

Отбор признаков проводили следующими программами: на основе корреляции (CFS), (CSE) - отбор подмножеств[9]; оценка атрибутов классификатора (CAE)[8]; оценка атрибутов корреляции (CAE) [5]; оценка атрибутов коэффициента усиления (GRAE) [8]; оценка атрибутов OneR (OAE) [8]; главные компоненты (PC ) [8]; оценка атрибутов рельефа (ReAE); симметричная оценка атрибутов неопределенности (SUAE) [8]; оценка атрибутов получения информации (IGAE).

Алгоритмы классификации без выбора признаков

Точность и F-мера алгоритмов для набора данных PIMA без выбора признаков представлена в [7]. Точность алгоритма K-means + Logistic Regression (LR) самая высокая среди всех исследованных. Это связано с тем, что алгоритм удаляет неправильно сгруппированные наблюдения (выбросы) из набора данных, используя кластеризацию K-средних  перед разработкой модели классификации.

Случайный лес (RF) имеет самую высокую точность, тогда как большинство исследованных алгоритмов не могут обнаружить небольшие классы, поскольку наборы данных не сбалансированы. RF работает лучше с несбалансированным набором данных, потому что при построении отдельного дерева решений алгоритм загружает выборку из класса меньшинства и тот же размер выборки с заменой из класса большинства.

Алгоритмы классификации с отбором признаков

На рис. 2 показаны результаты алгоритмов выбора признаков. Они показывают, что следующие факторы риска оказывают значительное влияние на прогнозирование диабета 2 типа: возраст (демографическая категория), этническая принадлежность и семейный анамнез диабета (наследственная категория), гипертония, ожирение и сердечно-сосудистые заболевания (категория медицинских состояний), и холестерин (категория образа жизни). Относительная производительность алгоритмов остается такой же, как и без отбора признаков. Наиболее точным алгоритмом для PIMA Indian является Bagging-LR, а для наборов данных UCI и MIMIC III — RF.

Рисунок 2 Отобранные признаки для каждого набора данных с использованием алгоритмов отбора

Таким образом, алгоритмы с использованием трех наборов данных по диабету в унифицированной настройке и сравнение их производительности с точки зрения точности, F-меры и времени выполнения показывают, что алгоритм Bagging-LR является наиболее точным для сбалансированного набора данных с выбором признаков и без него, в то время как для несбалансированного набора данных RF является наиболее точным.

Однако следует остановиться и на ограничениях применения ИИ.

Человеческие факторы. Факторы, влияющие на использование ИИ при лечении диабета, оценивались в некоторых исследованиях. В метаанализе 14 рандомизированных контролируемых исследований сообщалось, что более молодые пациенты получают больше преимуществ от мобильных приложений для лечения диабета, а величина эффекта увеличивается благодаря отзывам медицинских работников представлять риск деквалификации врачей, вызывая зависимость [6].

Технические факторы. Барьеры для использования ИИ при диабете включает стоимость, доступ и реализацию. В связи с растущим числом устройств и приложений функциональная совместимость считается общим потенциальным препятствием для их использования в лечении диабета.

Ограничения данных. Недостаток данных для построения логических и точных алгоритмов является распространенной проблемой в лечении диабета. Наборы данных должны быть более полными и структурированными, чтобы получить   эффективные решения. Опасения по поводу безопасности и защиты данных, также ограничивают беспрепятственное внедрение ИИ- технологий в лечении диабета.

Ограничения в разработке моделей. Текущие модели и приложения ИИ для лечения диабета были проверены с использованием наборов ретроспективных данных. Перспективная проверка этих технических достижений обещает автоматизировать лечение диабета[2]. Конечные точки в клинических исследованиях необходимо будет переопределить, чтобы включить цифровые биомаркеры и данные из приложений, мониторов и драйверов активности.

Заключение

Искусственный интеллект привлекает внимание к лечению диабета, поскольку позволяет переосмыслить диабет и пересмотреть стратегии профилактики и лечения диабета. ИИ поддерживает разработку моделей прогнозирования для оценки риска диабета и связанных с ним осложнений. Это поможет внести элемент индивидуального ухода в лечение диабета. Теперь у пациентов есть возможность управлять своим здоровьем, а врачи могут оказывать своевременные и целенаправленные меры с помощью технических платформ(цифровая терапия). Эти усовершенствования экономят время и деньги, поскольку данные могут быть собраны удаленно, а виртуальное управление заменяет рутинные визиты в клинику.

По состоянию на 2021 год ИИ чаще всего относится к машинному и глубокому обучению, которые добились значительного прогресса благодаря увеличению вычислительных ресурсов и резкому повышению производительности компьютеров      [7]. Медицинские устройства на основе ИИ для диагностики и лечения диабета уже одобрены FDA и доступны во многих странах. Однако не стоит игнорировать и традиционные статистические методы, которые объединяют факторы риска [5].

Несомненно, что непрерывные исследования в области машинного обучения и усилия по его практическому применению максимизируют прогностическую эффективность ИИ, используя большие объемы данных и мощные вычислительные ресурсы, и значительно улучшат прогностическую точность диагностики, профилактики и лечения сахарного диабетах [11-12].    ИИ внес изменения в лечение диабета и будет продолжать развиваться. В дальнейшем более широкий опыт, полученный в результате непрерывного использования ИИ, поможет стандартизировать функциональность и полезность ИИ в лечении диабета.

Список литературы:

1. International Diabetes Federation (IDF). IDF diabetes atlas. 9th ed Brussels, Belgium: International Diabetes Federation; 2019. Available at: http://www.diabetesatlas.org [Accessed on December 27, 2019.
2. Cho NH, Shaw JE, Karuranga S, et al. IDF diabetes atlas: global estimates of diabetes prevalence for 2017 and projections for 2045. Diabetes Res Clin Pract 2018;138:271–81. https://doi.org/10.1016/j.diabres.2018.02.023.
3. Global Burden of Disease Cancer Collaboration, Fitzmaurice C, Allen C, et al. Global, regional, and national cancer incidence, mortality, years of life lost, years lived with disability, and disability-adjusted life-years for 32 cancer groups, 1990 to 2015: a systematic analysis for the global burden of disease study. JAMA Oncol 2017;3(4):524–48. https://doi.org/10.1001/jamaoncol.2016.5688.
4. Papatheodorou K, Papanas N, Banach M, Papazoglou D, Edmonds M. Complications of diabetes 2016. J Diabetes Res 2016; 2016:6989453.
5. Grzybowski A, Brona P, Lim G, et al. Artificial intelligence for diabetic retinopathy screening: a review. Eye (Lond) 2020;34(3):451–60. https://doi.org/10.1038/s41433-019-0566-0.
6. Keel S, Lee PY, Scheetz J, et al. Feasibility and patient acceptability of a novel artificial intelligence-based screening model for diabetic retinopathy at endocrinology outpatient services: a pilot study. Sci Rep 2018; 8:4330.
7. Lam C, Yu C, Huang L, Rubin D. Retinal lesion detection with deep learning using image patches. Invest Ophthalmol Vis Sci 2018; 59:590–6.
8. Nagaraj SB, Sidorenkov G, van Boven JFM, Denig P. Predicting short- and long-term glycated haemoglobin response after insulin initiation in patients with type 2 diabetes mellitus using machine-learning algorithms. Diabetes Obes Metab 2019;21(12):2704–11. https://doi.org/10.1111/dom.13860
9. Lo-Ciganic WH, Donohue JM, Thorpe JM, et al. Using machine learning to examine medication adherence thresholds and risk of hospitalization. Med Care 2015;53:720–8.
10. Zou Q, Qu K, Luo Y, Yin D, Ju Y, Tang H. Predicting diabetes mellitus with machine learning techniques. Front Genet 2018;9:515. https://doi.org/10.3389/fgene.2018.00515
11. Кузиев, Б. Н., Холмуминова, Д. А., & Муртазин, Э. Р. Электронное обучение как часть образовательного процесса. Ученый XXI века, 1, 43.
12. Kuziev, B. N., Murtazin, E. R., & Kholmuminova, D. A. (2016). Introduction information technologies to educational process. Учёный XXI века,    (3-1 (16)), 26-28.