ВОЗМОЖНОСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ВЫБОРЕ ЛЕЧЕБНО-ДИАГНОСТИЧЕСКОГО АЛГОРИТМА ПРИ КРОВОТЕЧЕНИЯХ ИЗ ЖЕЛУДОЧНО-КИШЕЧНОГО ТРАКТА (ОБЗОР)

УДК 616.34-005.1
DOI: 10.22138/2500-0918-2023-20-3-109-120

А.А. Жиляков, С.Ю. Соколов, С.А. Чернядьев,
О.В. Киршина, Н.Ю. Коробова

ФГБОУ ВО «Уральский государственный медицинский университет»,
г. Екатеринбург, Российская Федерация

Резюме. Цель представленного обзора — анализ современной литературы по оценке возможностей искусственного интеллекта в диагностике кровотечений из желудочно-кишечного тракта для разработки предложений его интеграции в практику. Материалы и методы. В ходе исследования были использованы статьи из базы данных PubMed, выбранные по ключевым словам «искусственный интеллект», «язвенное кровотечение», «неварикозное кровотечение», «глубокое обучение» или «машинное обучение». Результаты. Изучение литературы позволило установить, что применение современных методов лечения снизило частоту язвенных кровотечений у пациентов и процент ошибок у эндоскопистов. Однако, лечение таких пациентов требует совместной работы врачей нескольких специальностей. Применение искусственного интеллекта (ИИ) значительно повышает качество работы врачей и, в частности, системы ИИ показали большой потенциал во многих областях гастроэнтерологии. Недавно была представлена система с применением ИИ для обнаружения и диагностики полипов методом колоноскопии, позволяющая повысить качество работы эндоскопистов. Заключение. в связи с этим, применение технологий искусственного интеллекта является перспективным направлением не только в диагностике, но и в персонифицированном лечении язв желудочно-кишечного тракта и язвенных кровотечений.

Ключевые слова: язвенная болезнь; кровотечение; глубокое обучение; искусственный интеллект

Конфликт интересов отсутствует.
Контактная информация автора, ответственного за переписку:
Жиляков Александр Андреевич
usma@usma.ru
Дата поступления: 12.01.2023
Образец цитирования:
Жиляков А.А., Соколов С.Ю., Чернядьев С.А., Киршина О.В., Коробова Н.Ю. Возможности искусственного интеллекта в выборе лечебно-диагностического алгоритма при кровотечениях из желудочно-кишечного тракта (Обзор). [Электронный ресурс] Вестник уральской медицинской академической науки. 2023, Том 20, № 3, с. 109–120, DOI: 10.22138/2500-0918-2023-20-3-109-120

ЛИТЕРАТУРА
1. Bello F.P.S. et al. Acute upper gastrointestinal bleeding due to portal hypertension in children: What is the best timing of endoscopy? // Dig Liver Dis, 2022 Vol. 54 № 1. P. 63-68. doi: 10.1016/j.dld.2021.09.010.
2. Segal J. et al. Training in endotherapy for acute upper gastrointestinal bleeding: a UK-wide gastroenterology trainee survey // Frontline Gastroenterol, 2020. Vol. 11, № 6. P. 430-435. doi: 10.1136/flgastro-2019-101345.
3. Gralnek I.M. et al. Endoscopic diagnosis and management of nonvariceal upper gastrointestinal hemorrhage (NVUGIH): European Society of Gastrointestinal Endoscopy (ESGE) Guideline — Update 2021 // Endoscopy, 2021. Vol. 53, № 3. P. 300-332. doi: 10.1055/a-1369-5274.
4. Lau L.H.S., Sung J.J.Y. Treatment of upper gastrointestinal bleeding in 2020: New techniques and outcomes // Dig Endosc. Blackwell Publishing, 2021. Vol. 33, № 1. P. 83–94. doi:10.1111/den.13674
5. Shi W. et al. China Acute Myocardial Infarction (CAMI) Registry Study Group. In-hospital gastrointestinal bleeding in patients with acute myocardial infarction: incidence, outcomes and risk factors analysis from China Acute Myocardial Infarction Registry // BMJ Open, 2021. Vol. 11, № 9. P. e044117. doi: 10.1136/bmjopen-2020-044117.
6. Weissman S. et al. Relationships of hospitalization outcomes and timing to endoscopy in non-variceal upper gastrointestinal bleeding: A nationwide analysis // World J Gastrointest Endosc, 2023. Vol. 15, № 4. P. 285-296. doi: 10.4253/wjge.v15.i4.285.
7. Mullady D.K. et al. AGA Clinical Practice Update on Endoscopic Therapies for Non-Variceal Upper Gastrointestinal Bleeding: Expert Review // Gastroenterology, 2020. Vol. 159, № 3. P. 1120-1128. doi: 10.1053/j.gastro.2020.05.095.
8. Бордин Д.С. и др. Helicobacter pylori: клиническое значение и принципы диагностики // Инфекционные болезни: новости, мнения, обучение. 2022. Т. 11, № 1. С. 119–129. doi:10.33029/2305-3496-2022-11-1-119-129
9. Пулатов С.А., Мотыко А.А. Разработка алгоритма автоматического обнаружения кровотечений на эндоскопических снимках // Наука настоящего и будущего. 2019. Т. 1. С. 185–187. https://www.elibrary.ru/item.asp?id=41177370
10. Alali A.A. et al. Topical hemostatic agents in the management of upper gastrointestinal bleeding: a meta-analysis // Endosc Int Open, 2023. Vol. 11, № 4. P. E368-E385. doi: 10.1055/a-1984-6895.
11. Shung D. et al. Early identification of patients with acute gastrointestinal bleeding using natural language processing and decision rules // Journal of Gastroenterology and Hepatology (Australia). John Wiley and Sons Inc, 2021. Vol. 36, № 6. P. 1590–1597. doi:10.1111/JGH.15313
12. Alali A.A., Barkun A.N. An update on the management of non-variceal upper gastrointestinal bleeding // Gastroenterol Rep (Oxf), 2023. Vol. 11:goad011. doi: 10.1093/gastro/goad011.
13. Воробьев П.А. Теория в построении автоматизированных диагностических опросников // Проблемы стандартизации в здравоохранении. 2016. Т. 7, № 8. С. 3–13. https://www.elibrary.ru/item.asp?id=26562019
14. Rockall T.A. et al. Risk assessment after acute upper gastrointestinal haemorrhage // Gut. BMJ Publishing Group, 1996. Vol. 38, № 3. P. 316–321. doi:10.1136/GUT.38.3.316
15. Kim M.S., Choi J., Shin W.C. AIMS65 scoring system is comparable to Glasgow-Blatchford score or Rockall score for prediction of clinical outcomes for non-variceal upper gastrointestinal bleeding // BMC Gastroenterol. BioMed Central Ltd., 2019. Vol. 19, № 1. doi:10.1186/S12876-019-1051-8
16. Ebrahimi Bakhtavar H. et al. Clinical Scoring Systems in Predicting the Outcome of Acute Upper Gastrointestinal Bleeding; a Narrative Review // Emerg (Tehran), 2017. Vol. 5, № 1. P. e36.
17. Park S.M. et al. Comparison of AIMS65 Score and Other Scoring Systems for Predicting Clinical Outcomes in Koreans with Nonvariceal Upper Gastrointestinal Bleeding // Gut Liver, 2016. Vol. 10, № 4. P. 526-31. doi: 10.5009/gnl15153.
18. Shung D.L. et al. Validation of a Machine Learning Model That Outperforms Clinical Risk Scoring Systems for Upper Gastrointestinal Bleeding // Gastroenterology, 2020. Vol. 158, № 1. P. 160-167. doi: 10.1053/j.gastro.2019.09.009.
19. Shung D.L. et al. Validation of a Machine Learning Model That Outperforms Clinical Risk Scoring Systems for Upper Gastrointestinal Bleeding // Gastroenterology. W.B. Saunders, 2020. Vol. 158, № 1. P. 160–167. doi:10.1053/J.GASTRO.2019.09.009
20. Berbís M.A. et al. A. Role of artificial intelligence in multidisciplinary imaging diagnosis of gastrointestinal diseases // World J Gastroenterol, 2021. Vol. 27, № 27. P. 4395-4412. doi: 10.3748/wjg.v27.i27.4395.
21. Kang S. et al. Machine Learning Model for the Prediction of Hemorrhage in Intensive Care Units // Healthc Inform Res, 2022. Vol. 28, № 4. P. 364-375. doi: 10.4258/hir.2022.28.4.364.
22. Forrest J.A.H., Finlayson N.D.C., Shearman D.J.C. Endoscopy in gastrointestinal bleeding // The Lancet. 1974. Vol. 304, № 7877. P. 394–397. doi:10.1016/S0140-6736, № 74)91770-X
23. Yen H.H. et al. Performance Comparison of the Deep Learning and the Human Endoscopist for Bleeding Peptic Ulcer Disease // J Med Biol Eng. Springer Science and Business Media Deutschland GmbH, 2021. Vol. 41, № 4. P. 504–513. doi:10.1007/S40846-021-00608-0
24. Lai Y. et al. Development and validation of a model to predict rebleeding within three days after endoscopic hemostasis for high-risk peptic ulcer bleeding // BMC Gastroenterol, 2022. Vol. 22, № 1. P. 64. doi: 10.1186/s12876-022-02145-9.
25. Laine L., Freeman M., Cohen H. Lack of uniformity in evaluation of endoscopic prognostic features of bleeding ulcers // Gastrointest Endosc. 1994. Vol. 40, № 4. P. 411–417. doi:10.1016/S0016-5107(94)70202-0
26. Yen HH. et al. Forrest Classification for Bleeding Peptic Ulcer: A New Look at the Old Endoscopic Classification. Diagnostics (Basel), 2022. Vol. 12 № 5. P. 1066. doi: 10.3390/diagnostics12051066.
27. Deshmukh F., Merchant S.S. Explainable Machine Learning Model for Predicting GI Bleed Mortality in the Intensive Care Unit // American Journal of Gastroenterology. Wolters Kluwer Health, 2020. Vol. 115, № 10. P. 1657–1668. doi:10.14309/AJG.0000000000000632
28. Хасанов А.Г., Нуртдинов М.А.., Гололобов Г.Ю. О прогнозировании осложнений язвенной болезни на основе искусственных нейронных сетей // Анналы хирургии. 2016. Т. 21, № 4. С. 231–234. doi:10.18821/1560-9502-2016-21-4-231-234
29. Sun C. et al. Interpretable time-aware and co-occurrence-aware network for medical prediction // BMC Med Inform Decis Mak, 2021. Vol. 21, № 1. P. 305. doi: 10.1186/s12911-021-01662-z.
30. Dilaghi E. et al. Systematic review and meta-analysis: Artificial intelligence for the diagnosis of gastric precancerous lesions and Helicobacter pylori infection // Dig Liver Dis. Vol. 54, № 12. P. 1630-1638. doi: 10.1016/j.dld.2022.03.007.
31. Wong G.L.H. et al. Machine learning model to predict recurrent ulcer bleeding in patients with history of idiopathic gastroduodenal ulcer bleeding // Aliment Pharmacol Ther. Blackwell Publishing Ltd, 2019. Vol. 49, № 7. P. 912–918. doi:10.1111/APT.15145
32. Wong G.L.H. et al. Prevention of recurrent idiopathic gastroduodenal ulcer bleeding: A double-blind, randomised trial // Gut. BMJ Publishing Group, 2020. Vol. 69, № 4. P. 652–657. doi:10.1136/GUTJNL-2019-318715
33. Кобринский Б.А., Хавкин А.И., Волынец Г.В. Перспективы применения систем искусственного интеллекта в гастроэнтерологии // Экспериментальная и клиническая гастроэнтерология. 2020. Т. 179, № 7. С. 109–117. doi:10.31146/1682-8658-ecg-179-7-109-117
34. Zhao Q., Chi T. Biopsy in emergency gastroscopy does not increase the risk of rebleeding in patients with Forrest I acute nonvariceal upper gastrointestinal bleeding combined with suspected malignant gastric ulcer: a multicenter retrospective cohort study // BMC Gastroenterol. BioMed Central Ltd, 2021. Vol. 21, № 1. doi:10.1186/S12876-021-01836-Z
35. Afonso J. et al. Automated detection of ulcers and erosions in capsule endoscopy images using a convolutional neural network // Med Biol Eng Comput. 2022. Vol. 60, № 3. P. 719-725. doi: 10.1007/s11517-021-02486-9.
36. Cho B.J. et al. Automated classification of gastric neoplasms in endoscopic images using a convolutional neural network // Endoscopy. Georg Thieme Verlag, 2019. Vol. 51, № 12. P. 1121–1129. doi:10.1055/A-0981-6133
37. Namikawa K. et al. Artificial intelligence-based diagnostic system classifying gastric cancers and ulcers: Comparison between the original and newly developed systems // Endoscopy. Georg Thieme Verlag, 2020. Vol. 52, № 12. P. 1077–1083. doi:10.1055/A-1194-8771
38. Архипова А.А., Анищенко В.В. Современные возможности и перспективы ранней диагностики рака желудка // Acta Biomed Sci. 2021. Т. 6, № 3. С. 113–125. doi:10.29413 / ABS. 2021-6.3.12
39. Hamada K. et al. Application of convolutional neural networks for evaluating the depth of invasion of early gastric cancer based on endoscopic images // J Gastroenterol Hepatol, 2022. Vol. 37, № 2. P. 352-357. doi: 10.1111/jgh.15725.
40. Yen T. et al. Optimizing Endoscopy Procedure Documentation Improves Guideline-Adherent Care in Upper Gastrointestinal Bleeding // Dig Dis Sci, 2023 № 16. P. 1–12. doi: 10.1007/s10620-023-07823-6.
41. Alatawi A. et al.. Findings of Esophagogastroduodenoscopy in Patients Suspected of Upper Gastrointestinal Bleeding Referred to the Main Endoscopy Unit at King Fahad Specialist Hospital // Cureus, 2020. Vol. 12, № 12. P. e11862. doi: 10.7759/cureus.11862.
42. Thompson W.H. et al. Dataset decay and the problem of sequential analyses on open datasets // Elife. eLife Sciences Publications Ltd, 2020. Vol. 9. P. 1–17. doi:10.7554/ELIFE.53498
43. Smedsrud P.H. et al. Kvasir-Capsule, a video capsule endoscopy dataset // Sci Data, 2021. Vol. 8, № 1. P. 142. doi: 10.1038/s41597-021-00920-z.
44. Yen H.H. et al. Current Status and Future Perspective of Artificial Intelligence in the Management of Peptic Ulcer Bleeding: A Review of Recent Literature // J Clin Med, 2021. Vol. 10, № 16. P. 3527. doi: 10.3390/jcm10163527.
45. Yu Q. et al. Empiric Transcatheter Embolization for Acute Arterial Upper Gastrointestinal Bleeding: A Meta-Analysis // AJR Am J Roentgenol, 2021. Vol. 216, № 4. P. 880-893. doi: 10.2214/AJR.20.23151.
46. Ini’ C. et al. Embolization for acute nonvariceal bleeding of upper and lower gastrointestinal tract: a systematic review // CVIR Endovasc, 2023. Vol. 6, № 1. P. 18. doi: 10.1186/s42155-023-00360-3.
47. Vorčák M. et al. Endovascular Treatment of Gastrointestinal Hemorrhage // Medicina (Kaunas), 2022. Vol. 58, № 3. P. 424. doi: 10.3390/medicina58030424.
48. Ястремский А.П. и др. Обучение искусственной нейронной сети как этап разработки экспертной системы для дифференциальной диагностики острых заболеваний глотки // УМЖ, 2015, Т. 5, № 128, С. 74–79. https://elibrary.ru/item.asp?id=24313600

Авторы
Жиляков Александр Андреевич
Студент 3 курса Лечебно-профилактического факультета

Соколов Сергей Юрьевич
К.ф-м.н., доцент, заведующий кафедры медицинской физики, информатики и математики

Чернядьев Сергей Александрович
Д.м.н., профессор, заведующий кафедрой хирургических болезней, сердечно-сосудистой хирургии, реконструктивной и пластической хирургии

Киршина Ольга Владимировна
Д.м.н., профессор, профессор кафедры хирургических болезней, сердечно-сосудистой хирургии, реконструктивной и пластической хирургии

Коробова Наталья Юрьевна
К.м.н., доцент, доцент кафедры хирургических болезней, сердечно-сосудистой хирургии, реконструктивной и пластической хирургии

Федеральное государственное бюджетное образовательное учреждение высшего образования Уральский государственный медицинский университет Министерства здравоохранения Российской Федерации
Екатеринбург, Российская Федерация
usma@usma.ru