Просматривается номер   2020-70-3
К читателю
О журнале
Публикационная этика
Авторам
Тематика
Правила рецензирования
English (United Kingdom)Russian (CIS)
Методы и модели в экономике
С.А. Смоляк "Методы и модели в экономике. Обобщенная формула Д.С. Львова для машин, подвергающихся деградации"
А.Р. Данилишин "Риск-нейтральная динамика портфеля базовых активов при использовании метода главных компонент"
А.Н. Кириллов, А.М. Сазонов "Моделирование процесса биологической очистки сточных вод на основе шумпетеровской динамики"
Е.В. Кузнецова, Т.И. Жукова, В.И. Тищенко "Сетевая форма человеческого капитала"
В.Н. Лившиц, В.А. Кубрина "Гуманитарные аспекты экономического роста в мировой экономике XXI века"
Динамические системы
В.А. Маренко "Разработка метода исследования объектов на основе иерархического подхода"
В.Н. Афанасьев, Н.А. Фролова "Дифференциальная игра в задаче управления нелинейным объектом с ограничениями на управляющие воздействия"
Прикладные аспекты в информатике
А.В. Соловьев, В.А. Тищенко "Языки XSL и CSS как конструкторы версии для печати в гипертекстовой системе ООСУБД НИКА"
Системный анализ в медицине
Н.А. Благосклонов, В.В. Донитова, Д.А. Киреев, Б.А. Кобринский, И.В. Смирнов "Лингвистический анализ историй болезни для выявления факторов риска инсульта"
В.Н. Крутько, В.И. Донцов, О.В. Митрохин, А.А. Матвеев, Н.А. Ермакова, Н.С. Потемкина "Искусственный интеллект для здоровьесбережения и развития личностного потенциала (Обзор)"
В.Н. Крутько, В.И. Донцов, О.В. Митрохин, А.А. Матвеев, Н.А. Ермакова, Н.С. Потемкина "Искусственный интеллект для здоровьесбережения и развития личностного потенциала (Обзор)"
Аннотация. 

Здоровье человека, как элемент личностного потенциала, является в настоящее время одной из главных областей инвестирования в искуственный интеллект. Основной целью приложений ИИ, связанных со здоровьем, является анализ взаимосвязей между методами профилактики или лечения и результатами лечения пациентов. Были разработаны и применены на практике программы искусственного интеллекта, которые проводят диагностику и мониторинг состояния пациента, разработку протоколов лечения, разработку лекарственных средств. Развитие методов ИИ и Больших Данных открывает новые возможности здоровьесбережения, позволяя анализировать огромные объемы информации, открывают новую эру в науке и практике управления здоровьем. В предлагаемой работе приводится обзор современного состояния использования принципов и методов ИИ в области здравоохранения.

Ключевые слова: 

системный анализ, искусственный интеллект, большие данные, здоровье, старение, персонализированная медицина, личностный потенциал.
 
Стр. 86-100.

DOI: 10.14357/20790279200310

 
Литература
 
1. Волчек Ю.А., Шишко О.Н., Спиридонова О.С., Мохорт Т.В. Положение модели искусственной нейронной сети в медицинских экспертных системах// JUVENIS SCIENTIA. 2017. № 9. С. 4-9.
2. Покидова А.В. Искусственный интеллект в медицине // Достижения науки и образования. 2018. № 1(23). С. 9-11.
3. Голухова Е.З. От клинических исследований к инновационным технологиям// Креативная кардиология. 2017. Т. 11. № 3. С. 192-201.
4. Карпов О.Э., Клименко Г.С., Лебедев Г.С. Применение интеллектуальных систем в здравоохранении// Современные наукоемкие технологии. 2016. № 7-1. С. 38 43.
5. Buch V.H., Ahmed I., Maruthappu M. Artificial intelligence in medicine: current trends and future possibilities//Br J Gen Pract. 2018. Vol. 68. N 668. P. 143-144.
6. Yang C.C., Veltri P. Intelligent healthcare informatics in big data era// Artif Intell Med. 2015. Vol. 65. N. 2. P. 75-77.
7. Кобринский Б.А. Единое информационное пространство: e-health и m-health// Врач и информационные технологии. 2016. № 4. С. 57-66.
8. Moen H., Peltonen L.M., Heimonen J., Airola A., Pahikkala T., Salakoski T., Salanterä S. Comparison of automatic summarisation methods for clinical free text notes// Artif Intell Med. 2016. Vol. 67. P. 25-37.
9. Hassanpour S., Langlotz C.P. Information extraction from multi-institutional radiology reports// Artif Intell Med. 2016. Vol. 66. P. 29-39.
10. Фраленко В.П., Шустова М.В. Программный комплекс для автоматического выделения, визуализации и расчета информативных характеристик областей интереса в биомедицинских данных МРТ// Вестник новых медицинских технологий. Электронное издание. 2017. № 4. С. 255-262.
11. Rajpurkar P., Hannun A.Y., Haghpanahi M., Bourn C., Ng, A.Y. Cardiologist-level arrhythmia detection with convolutional neural networks. arXiv preprint arXiv. 2017. 1707.01836.
12. Cohen A.A., Morissette-Thoma, V., Ferrucc, L., Fried, L. P. Deep biomarkers of aging are population-dependent// Aging (Albany NY). 2016. Vol. 8. N. 9. P. 2253-2255.
13. Wang Z., Li L., Glicksberg B.S., Israel A., Dudley J.T., Ma’ayan A. Predicting age by mining electronic medical records with deep learning characterizes differences between chronological and physiological age//J Biomed Inform. 2017. N 76. P. 59-68.
14. Oakden-Rayner L., Carneiro G., Bessen T., Nascimento J.C., Bradley A.P., Palmer L.J. Precision Radiology: Predicting longevity usingfeature engineering and deep learning methods in a radiomics framework// Sci Rep. 2017. Vol. 7. N.1. P.1648.
15. Ле Н.В., Камаев В.А., Панченко Д.П., Трушкина О.А. Модель представления знаний при создании медицинской экспертной системы
дифференциальной диагностики// Известия Волгоградского государственного технического университета. 2014. Т. 20. №. 6. С. 41-50.
16. Shen Y., Yuan K., Chen D., Colloc J., Yang M., Li Y., Lei K. An ontology-driven clinical decision support system (IDDAP) for infectious disease diagnosis and antibiotic prescription// Artif Intell Med. 2018. N 86. P. 20-32.
17. Mendez J.A., Leon A., Marrero A., Gonzalez-Cava J.M., Reboso J.A., Estevez J.I., Gomez-Gonzalez J.F. Improving the anesthetic process by a fuzzy rule based medical decision system// Artif Intell Med. 2018. N 84. P. 159-170.
18. Покидышева Л.И., Борисова И.В., Русанова О.А., Савицкая М.В. Алгоритм решения задачи медицинской диагностики заболеваний пищевой аллергии// Международный исследовательский журнал. 2015. №.1-2(41). С. 99-102.
19. Кузовков А.В., Вавилов А.Ю. Объективизация диагностических алгоритмов установления давности смерти человека по динамике тимпанической температуры//Современные проблемы науки и образования. 2017. № 2. С.12.
20. Kang S. Personalized prediction of drug efficacy for diabetes treatment via patient-level sequential modeling with neural networks// Artif Intell Med. 2018. N 85. P. 1-6.
21. Saleh E., Błaszczyński J., Moreno A., Valls A., Romero-Aroca P., de la Riva-Fernández S., Słowiński R. Learning ensemble classifiers for diabetic retinopathy assessment//Artif Intell Med. 2018. N 85. P. 50-63.
22. Kazemi Y., Mirroshandel S.A. A novel method for predicting kidney stone type using ensemble learning//Artif Intell Med. 2018. N 84. P. 117-126.
23. Haddawy P., Hasan A.H.M.I., Kasantikul R., Lawpoolsri S., Sa-Angchai P., Kaewkungwal J., Singhasivanon P. Spatiotemporal Bayesian networks for malaria prediction// Artif Intell Med. 2018. N 84. P. 127-138.
24. Li X., Xu Y., Cui H., Huang T., Wang D., Lian B., Li W., Qin G., Chen L., Xie L. Prediction of synergistic anti-cancer drug combinations based on drug target network and drug induced gene expression profiles// Artif Intell Med. 2017. N 83. P. 35-43.
25. Dorado-Moreno M., Pérez-Ortiz M., Gutiérrez P.A., Ciria R., Briceño J., Hervás-Martínez C. Dynamically weighted evolutionary ordinal neural network for solving an imbalanced liver transplantation problem//Artif Intell Med. 2017. N 77. P. 1-11.
26. Zamborlini V., da Silveira M., Pruski C., Ten Teije A., Geleijn E., van der Leeden M., Stuiver M., van Harmelen F. Analyzing interactions on combining multiple clinical guidelines// Artif Intell Med. 2017. N 81. P. 78-93.
27. Sirin U., Erdogdu U., Polat F., Tan M., Alhajj R. Effective gene expression data generation framework based on multi-model approach// Artif Intell Med. 2016. N. 70. P. 41-61.
28. Ясницкий Л.Н., Внукова О.В. Прогноз результатов Олимпиады-2014 в мужском одиночном фигурном катании методами искусственного интеллекта// Современные проблемы науки и образования. 2014. №. 1. С. 189.
29. Искусственный интеллект в медицине: главные тренды в мире https://medaboutme.ru/zdorove/publikacii/stati/so-vety_vracha/iskusstvennyy_intellekt_v_meditsine_glavnye_trendy_v_mire/?utm_source=copypaste&utm_medium=referral&utm_campaign=copypaste
30. MedAbout. https://medaboutme.ru/zdorove/(Аvailable: 16.11.2015).
31. Watsononcology. https://watsononcology.manipalhospitals.com/ (Аvailable: 16.11.2015).
32. Amit G., Purdie T.G. Automated planning of breast radiotherapy using cone beam CT imaging// Medical Physics. 2015. Vol. 42. N. P. 770-779.
33. MedicalSieve – IBM. https://researcher.watson.ibm.com/ researcher/view_group.php?id =4384. (Аvailable: 16.11.2015).
34. Deepmind. https://deepmind.com/applied/deepmind-health/. (Аvailable: 16.11.2015).
35. Neurolex. https://www.neurolex.ai/. (Аvailable: 16.11.2015).
36. Face2gene. https://www.face2gene.com/. (Аvailable: 16.11.2015).
37. Hadj-Rabia S., Schneider H., Navarro E., Klein O., Kirby N., Huttner K., Wolf L., Orin M., Wohlfart S., Bodemer C., Grange D.K. Automatic recognition of the XLHED phenotype from facial images// Am J Med Genet A. 2017. Vol. 173. N. 9. P. 2408-2414.
38. Human diagnosis project. https://www.humandx.org/ (Аvailable: 16.11.2015).
39. Sensely. http://www.sensely.com/ (Аvailable: 16.11.2015).
40. On line Doctor Consultations. https://www.babylonhealth.com/ (Аvailable: 16.11.2015).
41. Liu J., Zhao S., Wang G. SSEL-ADE: A semisupervised ensemble learning framework forextracting adverse drug events from social media// Artif Intell Med. 2018. N 84. P. 34-49.
42. Jiang L., Yang C.C. User recommendation in healthcare social media by assessing user similarity in heterogeneous network// Artif Intell Med. 2017. N. 8. P. 63-77.
43. Altini M., Casale P., Penders J., Amft O. Cardiorespiratory fitness estimation in free-living using wearable sensors// Artif Intell Med. 2016. N. 68. P. 37-46.
44. Tung C., Lu W. Analyzing depression tendency of web posts using an event-driven depression tendency warning model// Artif Intell Med. 2016. N. 66. P. 53-62.
45. Deepgenomics. https://www.deepgenomics.com/ (Аvailable: 16.11.2015).
46. ResearchKit and CareKit. https://www.apple.com/researchkit/(Аvailable: 16.11.2015).
47. NewScientist https://www.newscientist.com/article/2086454-revealed-google-ai-has-accessto-huge-haul-of-nhs-patient-data (Аvailable: 16.11.2015).
48. Arroyo-Gallego T. Ledesma-Carbayo M.J., Butterworth I., Matarazzo M., Montero-Escribano P., Puertas-Martín V., Gray M.L., Giancardo L., Sánchez-Ferro Á.Detecting Motor Impairment in Early Parkinson’s Disease via Natural Typing Interaction With Keyboards: Validation of the neuroQWERTY Approach in an Uncontrolled At-Home Setting// J Med Internet Res. 2018. Vol. 20. N. e89.
49. The FDA Approved an Algorithm That Predicts Death. https://futurism.com/fdaapproved-algorithm-predicts-death/ (Аvailable: 16.11.2015).
50. Pyrkov T.V., Slipensky K., Barg M., Kondrashin A., Zhurov B., Zenin A., Pyatnitskiy M., Menshikov L., Markov S., Fedichev P.O. Extracting biological age from biomedical data via deep learning: too much of a good thing?// Sci Rep. 2018. Vol. 8. N. 1. P. 5210.
51. Odamaki T., Kato K., Sugahara H., Hashikura N., Takahashi S., Xiao J.Z., Abe F., Osawa R. Agerelated changes in gut microbiota composition from newborn to centenarian: a cross-sectional study// BMC Microbiol. 2016. N 16. P. 90.
52. Vidaki A., Ballard D., Aliferi A., Miller T.H., Barron L.P., Syndercombe C.D. DNA methylationbased forensic age prediction using artificial neural networks and next generation sequencing// Forensic Sci Int Genet. 2017. N. 28. P. 225-236.
53. Putin E., Mamoshina P., Aliper A., Korzinkin M., Moskalev A., Kolosov A., Ostrovskiy A., Cantor C., Vijg J., Zhavoronkov A. Deep biomarkers of human aging: application of deep neural networks to biomarker development// Aging (Albany NY). 2016. Vol. 8. N. 5. P. 1021-1033.
54. Costa A., Rincon J.A., Carrascosa C., Novais P., Julian V. Activities suggestion based on emotions in AAL environments// Artif Intell Med. 2018. N. 86. N. 9-19.
55. Назаренко Г. И., Осипов Г. С. Основы теории медицинских технологических процессов. Ч. 1. М.: Физматлит. 2005. 144 с.
56. Назаренко Г. И., Осипов Г. С. Основы теории медицинских технологических процессов. Ч. 2. Исследование медицинских технологических процессов на основе интеллектуального анализа данных. М.: Физматлит. 2006. 144 с.
57. Шестерникова О.П., Панкратова Е.С., Агафонов М.А., Винокурова Л.В., Финн В.К. Интеллектуальная система прогнозирования развития сахарного диабета у больных хроническим панкреатитом// Искусственный интеллект и принятие решений. 2015. № 4. С. 12-50.
58. Кузнецова Ю.М., Курузов И.А., Смирнов И.В., Станкевич М.А., Старостина Е.В., Чудова Н.В. Текстовые проявления фрустрированности пользователя социальных сетей // Медиалингвистика. 2020. Т. 7. № 1. С. 4-15.
59. Крутько В.Н., Большаков А.М., Брико А.Н., Донцов В.И., Зубрихина М.О., Крутько А.В., Мамиконова О.А., Молодченков А.И., Пальчевский А.И., Потемкина Н.С., Смирнов И.В, Смирнова Т.М. , Федин К.А., Ходыкина Т.М. Интеллектуальная система здоровьесбережения - ИнСиЗ // Вестник восстановительной медицины. 2018. № 1. С. 14-20.
60. Кириков И.А., Колесников А.В., Румовская С.Б. Функциональная гибридная интеллектуальная система для поддержки принятия решений при диагностике артериальной гипертензии// Системы и средства информатики. 2014. Т. 24. №1.С. 153–179.
     
2024-74-4
2024-74-3
2024-74-2
2024-74-1

© ФИЦ ИУ РАН 2008-2018. Создание сайта "РосИнтернет технологии".