Лаборатория по искусственному интеллекту (ИИ) Сбера разработала медицинское решение, которое моделирует состояние здоровья пациентов по данным их электронных медицинских карт. Об этом рассказал первый заместитель Председателя Правления Сбербанка Александр Ведяхин в рамках международной конференции AI Journey.
Специалисты банка адаптировали современную нейросетевую архитектуру Transformers для работы с последовательностями диагнозов пациентов. Данный подход позволил получить формальное представление медицинских профилей пациентов в виде эмбеддингов (embedding — вложение, числовой вектор признаков), полезных для множества научных и практических задач.
Это решение открывает возможности для моделирования треков дальнейшего развития состояний пациентов. Такое свойство модели проверено в задаче предсказания следующего диагноза и подтверждено высокими метриками в эксперименте на публичном датасете медицинских записей MIMIC-III (открытая база данных с информацией о пациентах, поступивших в отделения интенсивной терапии крупного медицинского центра).
Это уже не первое прорывное MedTech-решение Сбера и наших компаний-партнёров. В России всё шире применяются разработанные Сбером AI-сервисы: компьютерное зрение для расшифровки медицинских изображений (КТ, рентген, маммография), автоматическое заполнение врачебной документации (из голоса в текст), диагностика заболеваний и другие.
Мы также изучаем возможности прогностических моделей, которые работают с медицинскими данными. Как показывает практика, такие решения могут быть востребованы не только в медицине, но и в смежных областях. Это ещё один вклад в сохранение человеческих жизней и развитие здравоохранения,
- сообщил первый заместитель Председателя Правления Сбербанка Александр Ведяхин.
Модель Сбера имеет потенциал применения и в страховом скоринге. С помощью данной модели удастся получить значимый прирост в точности оценки страховых рисков относительно традиционных методов, а это новые возможности для персонализации тарифов и сокращения издержек. Сейчас модель работает с историческим данными, следующим этапом будет обучение её работе в онлайне с данными, получаемыми от клиентов для принятия решения в момент обращения.
Также в ходе исследования предложен H2D-метод (Harbinger Disease Discovery) поиска предвестников заболеваний, позволяющий автоматически генерировать гипотезы о взаимосвязях между болезнями. Научная работа опубликована в высокорейтинговом международном журнале IEEE Journal of Biomedical and Health Informatics.