Цифровое здравоохранение Российской Федерации: основные понятия для практикующих врачей

В России и в мире в настоящее время идет масштабная цифровая трансформация всех сфер жизни. В литературе ее также называют четвертой промышленной революцией [1]. В случае с цифровой экономикой ключевым фактором производства становятся данные в цифровой форме. Это влечет за собой коренные изменения во всех сферах хозяйственной деятельности.

В 2019 г. Президиумом Совета при Президенте Российской Федерации по стратегическому развитию и национальным проектам утверждена Национальная программа «Цифровая экономика Российской Федерации», состоящая из шести федеральных проектов [2]. Цифровая трансформация входит в список пяти национальных целей России на период до 2030 г. [3]. Основная цель цифровой трансформации — повышение качества жизни граждан, поддержание технологического суверенитета, повышение доступности для граждан качественных современных товаров и услуг, повышение качества и доступности государственных услуг. Здравоохранение является одной из приоритетных сфер государства, в том числе в вопросах цифровой трансформации.

В соответствии со стратегией развития здравоохранения Российской Федерации на период до 2025 г. одним из приоритетных направлений является развитие единой государственной информационной системы в сфере здравоохранения (ЕГИСЗ), внедрение и развитие медицинских информационных систем во всех медицинских организациях, создание централизованных цифровых платформ в сфере здравоохранения, в том числе с использованием искусственного интеллекта [4].

Цель обзора — представить основные понятия цифровой трансформации здравоохранения, раскрыть основные термины цифровизации применительно к сфере здравоохранения для лучшего понимания задач, которые ставит государство перед врачами в свете цифровой трансформации, а также для повышения уровня доверия медицинских работников к внедрению цифровых технологий в рабочий процесс.

Ключевым понятием цифровой трансформации всех сфер экономики, в том числе здравоохранения, является цифровая платформа. Предложены разные определения данного понятия, приведем основные. По определению Высшего Евразийского экономического совета, цифровая платформа — это система средств, поддерживающая использование цифровых процессов, ресурсов и сервисов значительным количеством субъектов цифровой экосистемы и обеспечивающая возможность их бесшовного взаимодействия [5]. Цифровая отраслевая платформа — система алгоритмизированных взаимоотношений значимого количества участников рынка, объединенных единой информационной средой, приводящая к снижению транзакционных издержек за счет применения пакета цифровых технологий и изменения системы разделения труда [6]. Цифровые платформы характеризуются: алгоритмизацией взаимодействия участников, наличием единой электронной среды взаимодействия участников, взаимовыгодностью для участников, эффектом снижения транзакционных издержек. Цифровые платформы уже существенно поменяли модели взаимодействия пользователей в разных сферах: например, сфера такси и сфера краткосрочной аренды жилья значительно изменились за счет агрегаторов (Uber, ЯндексТакси), на смену классическим магазинам, в том числе интернет-магазинам, пришли маркетплейсы (единые площадки для разнообразных продавцов) [7].

Принцип цифровых платформ также лежит в основе цифровой трансформации сферы здравоохранения. В 2008 г. Минздравсоцразвития России начало подготовку к запуску масштабного федерального проекта информатизации отрасли [8]. Концепция создания единой государственной информационной системы в сфере здравоохранения утверждена Минздравом России в 2011 г. [9].

В соответствии со стратегическим направлением в области цифровой трансформации здравоохранения [10], утвержденным Правительством Российской Федерации в 2021 г., основными задачами цифровой трансформации являются: сокращение временных издержек медицинских работников, поддержание принципа преемственности оказания медицинской помощи, повышение качества управления ресурсами, возможность применения дистанционного контроля сроков и качества оказания медицинской помощи по ОМС, применение технологий анализа больших данных о состоянии здоровья населения для оптимизации государственной политики в сфере здравоохранения, формирование информационного сопровождения граждан при получении медицинской помощи по ОМС. Основными вызовами и стратегическими рисками на пути цифровой трансформации сферы здравоохранения являются недостаточность цифровых компетенций граждан, низкий уровень доверия к цифровым медицинским сервисам, низкий темп перехода к электронному документообороту [10].

Приоритетными цифровыми проектами Минздрава России являются «Создание единого цифрового контура на основе Единой государственной информационной системы в области здравоохранения» и «Медицинские платформенные решения федерального уровня». В ЕГИСЗ включены следующие сервисы: интегрированная электронная медицинская карта (ИЭМК), федеральный регистр медицинских организаций (ФРМО), федеральный регистр медицинских работников (ФРМР), федеральный регистр льготного лекарственного обеспечения (ФРЛЛО), системы мониторинга оказания высокотехнологичной медицинской помощи (ВМП), санаторно-курортного лечения (СКЛ) и специализированной медицинской помощи (СМП), федеральный регистр редких заболеваний (ФРРЗ), федеральный регистр больных ВИЧ, федеральный регистр больных туберкулезом, реестр электронных медицинских документов (РЭМД), сервисы федеральной электронной регистратуры и сервис телемедицинских консультаций, подсистема мониторинга и контроля в сфере закупок лекарственных препаратов и др. (рис. 1). Требования к структуре, функциям, порядку обмена информацией между информационными системами разного уровня в сфере здравоохранения, включая ЕГИСЗ, регламентированы постановлением Правительства Российской Федерации №140 «О единой государственной информационной системе в сфере здравоохранения» [11], которое в 2022 г. пришло на смену постановлению Правительства №555 от 5 мая 2018 г.

Рис. 1. Схема информационных систем в сфере здравоохранения [8].

ЕГИСЗ — единая государственная информационная система в сфере здравоохранения. Компоненты ЕГИСЗ: ФРМР — Федеральный реестр медицинских работников; ФРМО — Федеральный реестр медицинских организаций; НСИ — портал нормативно-справочной информации; ФРМСС — Федеральный реестр учета медицинских свидетельств о смерти, в том числе перинатальной смерти; ФРЛЛО — Федеральный реестр льготного лекарственного обеспечения; СМП — Система мониторинга оказания специализированной медицинской помощи; ВМП — Система мониторинга оказания высокотехнологичной медицинской помощи; ИЭМК — интегрированная электронная медицинская карта; РЭМД — Федеральный реестр электронных медицинских документов; ФЭР — федеральная электронная регистратура; ГИС — геоинформационная система (подсистема). ВИМИС — вертикально-интегрированная медицинская информационная система. ГИСЗ субъекта РФ — государственная информационная система в сфере здравоохранения субъекта РФ. МИС МО — медицинская информационная система медицинской организации. ИС ФО — информационная система фармацевтической организации. ГИС ОМС — государственная информационная система обязательного медицинского страхования. АИС РЗН — автоматизированная информационная система Федеральной службы по надзору в сфере здравоохранения. АИС ФМБА — автоматизированная информационная система федерального медико-биологического агентства. АИС РПН — автоматизированная информационная система Федеральной службы по надзору в сфере защиты прав потребителей и благополучия человека. ИС — информационная система. ИС ТФОМС — информационная система территориального фонда обязательного медицинского страхования. ИС МСЭ — информационная система медико-социальной экспертизы. ИС СМО — информационная система страховой медицинской организации. Сайт МО — сайт медицинской организации в сети Интернет.

Согласно паспорту национального проекта «Здравоохранение» [12], ЕГИСЗ должна обеспечивать единый цифровой контур в сфере здравоохранения, взаимодействуя с государственными информационными системами (ГИС) субъектов Российской Федерации, медицинскими информационными системами медицинских организаций (МИС МО), Единым порталом государственных услуг (ЕПГУ) в личном кабинете пациента «Мое здоровье». Целью создания единого цифрового контура в сфере здравоохранения является повышение доступности цифровых медицинских сервисов для населения страны и повышение эффективности системы здравоохранения за счет внедрения цифровых технологий и платформенных решений. В рамках приоритетного проекта Минздрава России «Медицинские платформенные решения федерального уровня» формируются вертикально-интегрированные медицинские информационные системы (ВИМИС), целью создания которых является обеспечение принципа преемственности в оказании медицинской помощи с электронным сопровождением пациента от момента подозрения о заболевании до получения пациентом медицинской помощи в организациях разного уровня. Основным принципом ВИМИС является принцип однократного ввода и многократного использования данных. Таким путем достигается главный эффект цифровых платформ — бесшовная передача данных между участниками платформы и снижение транзакционных издержек, отсутствие необходимости создавать отдельные запросы по одному пациенту из разных информационных систем здравоохранения. Планируется, что в 2024 г. все государственные и муниципальные медицинские организации будут взаимодействовать с ВИМИС по профилям «онкология», «сердечно-сосудистые заболевания», «акушерство и гинекология и неонатология», «профилактическая медицина» и др. [10].

Важным понятием цифровой экономики является цифровая экосистема — это современная бизнес-модель, которая обеспечивает снижение издержек на привлечение клиентов, повышает лояльность клиентов за счет доступа к разнообразным услугам по принципу «единого входа». В основе цифровой экосистемы лежит цифровая платформа. Успешные цифровые платформы упрощают построение механизмов создания стоимости в цифровой экосистеме [13]. Эти механизмы создания стоимости основаны на эффективном упрощении транзакций и предоставлении дополнительных возможностей, что делает цифровую платформу «питательной средой» для инноваций [14, 15]. Цифровая экосистема сети медицинских организаций объединяет деятельность участников: поставщиков медицинских услуг, разработчиков ИТ-продуктов, пациентов, организаторов здравоохранения, социальных работников, координаторов и разработчиков долгосрочных медицинских программ лечения и сопровождения пациентов [16]. Самой известной цифровой экосистемой в России считают «Сбер»: Сбербанк, СберМаркет, СберЗдоровье, СберУниверситет и многие другие сервисы для развлечений, электронной коммерции, облачные сервисы, кибербезопасность и даже беспилотные автомобили. В мае 2022 г. «СберМедИИ» зарегистрировало как медицинское изделие программное обеспечение «Система поддержки принятия врачебных решений ТОП-3 диагнозов на основе данных электронной истории болезни». Данное программное обеспечение в настоящее время внедрено в московских городских поликлиниках. В ряде российских регионов внедряется аппаратно-программный комплекс мобильной диагностики на основе систем искусственного интеллекта и телемедицины «Цифровой ФАП», разработанный «СберМедИИ» [17].

Цифровые платформы и цифровые экосистемы накапливают большое количество разнообразных данных. Термин «большие данные» (Big Data) появился в 2008 г. на фоне бурного развития телекоммуникаций. «Большими» предлагали называть данные, ежедневный объем которых составлял больше 150 гигабайтов [18]. Согласно ГОСТ Р 59525-2021 «Информатизация здоровья, интеллектуальные методы обработки медицинских данных», большие данные — это обширные наборы данных, классифицируемые в первую очередь по характеристикам объема, разнообразия, скорости и/или изменчивости, которые требуют масштабируемой технологии для эффективного хранения, управления и анализа. Для хранения больших данных применяются специализированные системы управления базами данных (СУБД). По мере внедрения электронного документооборота и платформенных решений накопление данных ускоряется: по данным Минздрава России, количество электронных медицинских документов с 2019 по 2022 г. увеличилось в 40 раз [19].

На основе больших массивов данных, полученных при разностороннем исследовании объекта или процесса, формируются цифровые двойники. Согласно ГОСТ Р 57700.37-2021, цифровой двойник — это система, состоящая из цифровой модели изделия и двусторонних информационных связей с изделием или его составными частями. В медицине и биотехнологии цифровые двойники могут быть созданы для клеток, тканей, органов, человека, популяции, отдельного заболевания и т.д. с целью проведения аналитических или экспериментальных исследований. В государственной системе здравоохранения концепция цифровых двойников реализуется в виде цифрового профиля пациента. В декабре 2022 г. Минздрав России запустил Единый федеральный регистр застрахованных лиц, в который будут интегрированы данные о здоровье застрахованных в системе ОМС [19]. Создание цифрового двойника человека может помочь в разработке персонифицированных программ профилактики и лечения, а также в проведении научных и клинических испытаний лекарственных препаратов и медицинских изделий без непосредственного участия человека.

Основным источником данных для формирования цифрового профиля человека являются данные реальной клинической практики и интегрированная электронная медицинская карта. Согласно ГОСТ Р 59921.3-2021 «Системы искусственного интеллекта в клинической медицине, ч. 3», данные реальной клинической практики (real-world data, RWD) представляют собой информацию о состоянии здоровья пациентов и/или об оказании медицинской помощи, полученной из различных источников вне рамок предрегистрационных клинических исследований. В настоящее время данные реальной клинической практики представляются более ценными, чем данные рандомизированных клинических исследований, за счет отсутствия критериев включения и исключения. Данные реальной клинической практики могут быть собраны из медицинской карты, а также из информации, полученной от пациентов, в том числе в домашних условиях, и от мобильных устройств (показатели здоровья). Однако основным источником данных в сфере здравоохранения является электронная медицинская карта (ЭМК). Согласно ГОСТ Р ИСО/ТО 20514-2009, ЭМК — это хранилище информации, относящейся к состоянию здоровья конкретного пациента, обеспечивающее хранение в электронной форме и безопасный доступ для авторизованных пользователей, предназначенное для поддержки непрерывности, эффективности и качества лечения. Медицинские большие данные, особенно данные реальной клинической практики, могут применяться для статистических и популяционных исследований, для принятия управленческих решений на разных уровнях в сфере здравоохранения (управление, основанное на данных), разработки программ профилактики и лечения. Ключевым аспектом работы с медицинскими данными являются высокие требования к конфиденциальности и информационной безопасности. В 2020 г. общее количество компьютерных атак на информационные системы в сфере здравоохранения по сравнению с 2019 г. выросло на 91% [20].

Федеральный закон от 26.07.17 №187-ФЗ «О безопасности критической информационной инфраструктуры Российской Федерации» устанавливает, что информационные системы в сфере здравоохранения представляют собой объекты критической информационной инфраструктуры. Медицинские данные относятся к определенному физическому лицу и, следовательно, включают в себя персональные данные этого лица, а также являются врачебной тайной. В информационных системах персональных данных для нейтрализации актуальных угроз устанавливается обязательность применения средств криптографической защиты информации [20]. Медицинские данные могут быть переданы разработчику систем искусственного интеллекта только в обезличенном виде и только с согласия пациента. При обезличивании персональных данных необходимо проводить удаление из данных фамилии, имени, отчества пациента, места жительства, даты рождения, номера полиса ОМС и любых других идентификаторов, с помощью которых потенциально возможно установить личность гражданина. Обезличивание данных должно быть выполнено в медицинской организации, в которой эти медицинские данные собраны, при условии наличия согласия пациента на обработку его персональных данных, включая обезличивание. Высокие требования к защите медицинских данных являются фактором, замедляющим внедрение систем искусственного интеллекта в здравоохранение в сравнении с другими отраслями экономики.

Другой важной особенностью медицинских больших данных, особенно данных реальной клинической практики, является их недостаточная структурированность: медицинские документы часто содержат большое количество текста на естественном языке, что усложняет машинную обработку. Для накопления и анализа больших объемов медицинских данных по значимым для государства направлениям активно внедряются цифровые регистры. Регистры — это специализированные информационные системы по различным направлениям медицины, обеспечивающие поддержку электронного документооборота персональных данных в проблемно-ориентированных областях медицинской деятельности, включающие аналитические функции [21, 22]. Цифровые регистры характеризуются высокой степенью структурированности массивов данных, которые могут быть обработаны системами искусственного интеллекта с получением качественных результатов.

Важными «сквозными» цифровыми технологиями являются нейросети и искусственный интеллект. Они относятся к приоритетным для государства высокотехнологичными направлениям. В соответствии с ГОСТ Р 59921.5-2022 искусственный интеллект (artificial intelligence) — это комплекс технологических решений, позволяющий имитировать когнитивные функции человека (включая самообучение, поиск решений без заранее заданного алгоритма и достижение инсайта) и получать при выполнении конкретных практически значимых задач обработки данных результаты, сопоставимые как минимум с результатами интеллектуальной деятельности человека, и включающий в себя информационно-коммуникационную инфраструктуру, программное обеспечение (в том числе программное обеспечение, в котором используются методы машинного обучения), процессы и сервисы по обработке данных, анализу и синтезу решений. Разработка диагностических методов на основе нейронных сетей в настоящее время является одной из наиболее актуальных тенденций развития в сфере диагностики. Актуальность данного направления обусловлена не только общим трендом к цифровизации, но и необходимостью снижения нагрузки на медицинских работников путем внедрения в клиническую практику систем поддержки принятия врачебных решений. Так, на сегодняшний день сверточные нейронные сети (специальная многослойная архитектура искусственных нейронных сетей для распознавания изображений) нашли широкое применение в диагностике различных заболеваний, в частности нейронные сети активно разрабатываются и внедряются для диагностики воспалительных заболеваний кишечника [23—25].

Машинное обучение — незапрограммированные компьютерные технологии, имеющие возможность автоматического обучения и развития на основе накопленного опыта. Машинное обучение осуществляется на основе крупных массивов данных. Нейросети — это математические модели, состоящие из взаимосвязанных простых элементов, способных получать и передавать сигналы друг другу, которые при применении машинного обучения могут быть использованы для решения задач прогнозирования, распознавания образов и др. В общем случае построением и «обучением» нейросетей занимаются квалифицированные ИТ-специалисты, однако создание нейросетевой модели на основе медицинских данных происходит при непосредственном участии квалифицированных врачей. Искусственный интеллект и нейросети уже сейчас применяются для обработки больших массивов данных различных форматов (текст, цифры, изображения, речь и пр.) в лучевой диагностике, терапии, эндоскопии, дерматологии, патоморфологии в целях прогнозирования исходов заболевания, установления предварительных диагнозов, стратификации риска осложнений, с целью оптимизации рабочего времени врачей и других работников системы здравоохранения.

Для создания нейросетевой модели, помимо информационной инфраструктуры и оборудования, должны быть подготовлены наборы данных. В соответствии с ГОСТ Р 59921.42021 набор данных — это совокупность данных, прошедших предварительную подготовку (обработку) в соответствии с требованиями законодательства Российской Федерации об информации, информационных технологиях и защите информации и необходимых для разработки программного обеспечения на основе искусственного интеллекта. В дальнейшем наборы медицинских данных в обезличенном виде подвергаются разметке. В соответствии с ГОСТ Р 59921.5-2022 разметка данных (data labeling) — это этап обработки структурированных и неструктурированных данных, в процессе которого данным (текстам и изображениям) присваиваются идентификаторы и осуществляется интерпретация данных для решения конкретной задачи. Наборы данных с ретроспективной разметкой часто не требует непосредственного участия медицинских специалистов, так как разметка осуществляется по формальным признакам (например, положительный или отрицательный результат теста ПЦР). Наборы данных с проспективной разметкой получают с участием обученного медицинского персонала путем ручного аннотирования содержания данных.

Валидизированные (верифицированные) наборы данных — это наборы данных с проспективной разметкой, дополненные данными об окончательном диагнозе, результатах «золотого стандарта» диагностики или размеченные группой экспертов. Качественная разметка наборов данных — ключевой фактор, влияющий на качество и результат работы системы искусственного интеллекта. Наиболее ценными являются валидизированные (верифицированные) наборы данных и экспертная разметка. Например, в Научно-технологическом парке биомедицины ФГАОУ ВО «Первый МГМУ им. И.М. Сеченова» Минздрава России (Сеченовский Университет) разметка наборов данных организована группами по 3 врача-специалиста, таким образом, 5 групп по 3 врача за период 9 мес смогли разметить 4000 исследований (наборов изображений) магнитно-резонансной томографии [26]. Необходимость привлечения высококвалифицированных врачей к разметке больших массивов данных является дополнительным фактором, замедляющим внедрение качественных систем искусственного интеллекта в здравоохранении. После этапа разметки у разработчика имеется набор обезличенных данных с размеченным (аннотированным) содержанием: новообразованиями, очагами фиброза, зонами инфильтрации в легких, зонами острого нарушения мозгового кровообращения (ОНМК) и т.д. В дальнейшем разработчик осуществляет настраивание алгоритма («обучение» модели), которое приводит к созданию компьютерной программы, способной проводить анализ входных данных и решать задачи прогнозирования риска и исхода, выявления патологии и др.

К настоящему времени создано большое количество различных медицинских программно-аппаратных комплексов на основе искусственного интеллекта. Для общего понимания их можно разделить следующим образом:

— системы обработки изображений (компьютерное зрение), которые осуществляют обработку медицинских изображений с целью выявления патологии: рака легкого и вирусной пневмонии по результатам компьютерной томографии (КТ) органов грудной клетки, признаков ОНМК при КТ головы, выявления признаков злокачественных новообразований при колоноскопии или по изображениям кожи; видеоаналитика, например системы мониторинга нахождения пациента в палате и др.;

— системы обработки речи (голосовые помощники): сервисы распознавания голоса для лиц с ограниченными возможностями слуха, системы на основе искусственного интеллекта для заполнения медицинских протоколов с помощью голоса, виртуальные операторы вызова врача на дом и обработки обращений граждан, интеллектуальные помощники для информирования пациента о записи на вакцинацию и др.;

— системы поддержки принятия врачебных решений (СППВР) — интеллектуальные системы, извлекающие данные из ЭМК и предлагающие врачу варианты диагностического поиска, или оценку рисков пациента, или проверку корректности медицинских рекомендаций.

Следует отметить, что для применения систем искусственного интеллекта в оказании медицинской помощи система должна быть зарегистрирована как медицинское изделие. Программное обеспечение является медицинским изделием, если представляет собой предназначенную для оказания медицинской помощи компьютерную программу, результат действия которой заключается в автоматической интерпретации данных, влияющей на принятие клинических решений [27]. Таким образом, в отношении медицинских систем искусственного интеллекта должны быть проведены клинические испытания. Целью этих испытаний является оценка эффективности и безопасности медицинского изделия в части программного обеспечения [28]. Требования к проведению клинических испытаний устанавливают, что в их рамках необходимо проводить клиническую оценку, в которую включены: клиническая корреляция, т.е. определение статистически значимой клинической связи между результатами программы и целевым клиническим состоянием; аналитическая валидация — оценка корректности обработки входных данных программой для создания надежных выходных данных, а также клиническая валидация — подтверждение достижения намеченной цели в целевой популяции в контексте лечебной работы (рис. 2) [29].

Рис. 2. Клиническая оценка систем искусственного интеллекта в соответствии с национальным стандартом ГОСТ Р 59921.1 — 2022.

В апреле 2023 г. на сайте оперативного взаимодействия участников ЕГИСЗ Минздравом впервые был опубликован перечень одобренных Росздравнадзором отечественных медицинских изделий на основе технологий ИИ. В данный перечень включено 17 позиций, причем большинство из них — это программное обеспечение на основе компьютерного зрения (обработка изображений КТ легких и головного мозга, маммографии, флюорографии, рентгенографии стопы), а также две СППВР для анализа ЭМК.

Интернет вещей — одно из приоритетных высокотехнологичных направлений, представляющее собой источник больших данных. Интернет вещей (Internet of Things, loT) — это инфраструктура взаимосвязанных сущностей, систем и информационных ресурсов, а также служб, позволяющих обрабатывать информацию о физическом и виртуальном мире и реагировать на нее [30]. Кроме того, интернет вещей — это концепция сети передачи данных между физическими объектами («вещами»), оснащенными встроенными средствами и технологиями для взаимодействия друг с другом или с внешней средой [31]. В здравоохранении интернет вещей применяется для дистанционного мониторинга пациента, самоконтроля и удаленной диагностики при оказании медицинской помощи с применением телемедицинских технологий. В декабре 2022 г. Минздрав России утвердил Программу экспериментального правового режима в сфере цифровых инноваций «Персональные медицинские помощники» для пациентов с сахарным диабетом и гипертонической болезнью на территориях нескольких регионов. В соответствии с Программой пациент получает медицинское изделие, зарегистрированное медицинской организацией на специализированной платформе. Пациент дома осуществляет измерения уровня гликемии и артериального давления, при этом результаты измерений автоматически передаются из устройства в информационную платформу и анализируются модулями информационной платформы. Лечащий врач через МИС МО и информационную платформу получает из устройства показатели состояния здоровья пациента, а также показания работы устройства. Если показатели измерений своевременно не поступают в информационную систему устройства, пациент получает регулярные напоминания о необходимости проводить измерения через мобильное приложение, а лечащий врач — информацию о нарушении режима измерений [32].

Представляется перспективным возможность применять технологии искусственного интеллекта и интернета медицинских вещей для удаленного мониторинга пациентов с нарушением сердечного ритма в виде длительного мониторинга ЭКГ. При этом накапливаются большие массивы цифровых данных, которые используются для обучения систем искусственного интеллекта по интерпретации ЭКГ для выявления дисфункции левого желудочка, «немой» фибрилляции предсердий и гипертрофической кардиомиопатии [33].

С технологией интернета вещей тесно связана технология «облачных вычислений» (cloud computing) — это парадигма для предоставления возможности сетевого доступа к масштабируемому и адаптивному пулу общих физических или виртуальных ресурсов с предоставлением самообслуживания и администрированием по требованию. Примеры ресурсов включают программное обеспечение, приложения, серверы, сети, операционные системы и оборудование для хранения данных [34]. При применении интернета вещей значительно ускоряется прирост объема данных и увеличивается потребность в обмене данными. Облачные технологии позволяют хранить и обрабатывать большие объемы данных, снижая издержки пользователей.

Высокая научная ценность медицинских данных, нарастающие объемы массивов данных из-за развития интернета медицинских вещей, цифровой диагностики и структурированных электронных медицинских документов при высоких требованиях к конфиденциальности и безопасности медицинских данных стимулируют поиск новых вариантов машинной обработки медицинских данных. Например, развивается федеративное обучение. Федеративное обучение — это метод машинного обучения модели в шаблоне, распределенном на несколько участников, без необходимости делиться данными с централизованным объектом [35, 36]. Федеративное обучение предлагает нецентрализованный механизм обучения, в котором каждый участник контролирует свои собственные данные и определяет свою политику информационной безопасности. Аналогично федеративное обучение облегчает межконтинентальное сотрудничество и устраняет многие барьеры, связанные с обменом данными. Уже сейчас различные медицинские организации, обладая ресурсами в виде больших данных и экспертов для их разметки, могут присоединиться к проектам на основе федеративного обучения.

Применение систем искусственного интеллекта и интернета вещей в здравоохранении позволит повысить доступность и качество медицинской помощи, особенно диспансерного наблюдения пациентов с хроническими заболеваниями, уменьшить нагрузку на медицинские организации, повысить приверженность пациентов лечению и улучшить контроль заболеваний. Однако вызовами на пути цифровизации экономики и системы здравоохранения во всем мире являются вопросы доверия к искусственному интеллекту, прозрачности, надежности, этики, а также цифровое неравенство. Для преодоления этих ограничений необходимо задействовать все доступные механизмы повышения базовых цифровых компетенций медицинских работников: образовательные программы в вузах и в системе непрерывного медицинского образования, специализированные сессии на медицинских конференциях, публикации в медицинских изданиях.

Участие авторов: концепция и дизайн исследования — Филь Т.С. Бакулин И.Г.; сбор и обработка материала — Филь Т.С.; написание текста — Филь Т.С.; редактирование — Филь Т.С. Бакулин И.Г.

Авторы заявляют об отсутствии конфликта интересов.