Бажин Александр Владимирович – кандидат медицинских наук, заместитель директора по учебной работе государственного бюджетного учреждения здравоохранения города Москвы
127051, Москва, ул. Петровка, д. 24
Alexander V. Bazhin – Cand. of Sci. (Med.), Deputy Director for Training
24 Petrovka St., Moscow, 127051
Васильев Юрий Александрович – доктор медицинских наук, директор государственного бюджетного учреждения здравоохранения города Москвы
127051, Москва, ул. Петровка, д. 24
Yuriy А. Vasilev – Dr. of Sci. (Med.), Medical Director
24 Petrovka St., Moscow, 127051
Владзимирский Антон Вячеславович – доктор медицинских наук, заместитель директора по научной работе государственного бюджетного учреждения здравоохранения города Москвы
127051, Москва, ул. Петровка, д. 24
Anton V. Vladzymyrskyy – Dr. of Sci. (Med.), Deputy Director for R&D
24 Petrovka St., Moscow 127051
Арзамасов Кирилл Михайлович – доктор медицинских наук, заведующий отдела медицинской информатики, радиомики и радиогеномики государственного бюджетного учреждения здравоохранения города Москвы
127051, Москва, ул. Петровка, д. 24
Kirill M. Arzamasov – Dr. of Sci. (Med.), Head of Department of Medical Informatics, Radiomics, and Radiogenomics
24 Petrovka St., Moscow, 127051
Шулькин Игорь Михайлович – кандидат медицинских наук, врач-эксперт Управления по развитию информационных систем инноваций в здравоохранении государственного бюджетного учреждения здравоохранения города Москвы
127051, Москва, ул. Петровка, д. 24
Igor M. Shulkin – Cand. of Sci. (Med.), Expert Physician, Department of Information Systems for Healthcare Innovations
24 Petrovka St., Moscow, 127051
Введение: Массовые профилактические лучевые исследования органов грудной клетки (ФЛГ и рентгенография) играют важнейшую роль в выявлении социально-значимых заболеваний, но сопровождаются значительной нагрузкой на систему здравоохранения. Автоматизация сортировки результатов с использованием медицинских изделий (МИ) на основе технологий искусственного интеллекта (ТИИ) открывает возможности для оптимизации процессов, позволяя исключить из описания врачом исследования без признаков патологии. Однако даже высокая точность ИИ не исключает редких ложноотрицательных случаев, что может быть критичным при скрининге.
Цель: Оценка эффективности модели двойного автоматизированного просмотра при автономной сортировке результатов профилактических исследований.
Материалы и методы: В исследование включены 411 клинических случаев, ранее ошибочно отнесенных к категории «норма». Каждое исследование было повторно проанализировано другим ИИ-сервисом.
Результаты: В результате повторной сортировки корректная идентификация патологий достигнута в 31,6% случаев, в том числе снижение числа клинически значимых расхождений составило 25,5%. При моделировании двойного автоматизированного просмотра удельный вес ложноотрицательных решений снизился с 0,071% до 0,052%.
Обсуждение: Установлены существенные различия в качестве работы различных ИИ-сервисов, что подчеркивает необходимость их тщательного пострегистрационного мониторинга и возможности замены неэффективных решений.
Заключение: Таким образом, двойной автоматизированный просмотр улучшает безопасность автономной сортировки, позволяя минимизировать количество пропущенных патологий. Вместе с тем он требует стратегического подхода к выбору ИИ-решений, а также может сопровождаться снижением производственной эффективности системы. Оптимальное соотношение пользы и риска должно определяться с позиции общественной значимости профилактических программ.
Introduction: Mass preventive chest imaging examinations (fluorography and X-ray) play a critical role in identifying diseases of public health significance, yet place an additional burden on the healthcare system. Automated sorting of imaging studies using medical devices (MD) powered by artificial intelligence (AI) technologies facilitates optimization by relieving radiologists from having to review studies without pathological findings. However, despite high AI accuracy, rare false-negative findings remain possible, which can be critical in medical screening.
Objective: The purpose of this retrospective study was to evaluate an automated dual reading method for autonomous sorting of preventive imaging studies.
Materials and methods: The study included 411 clinical cases previously misclassified as «normal.» Each study was reanalyzed by a different AI model.
Results: As a result, the re-classification yielded 31.6% correct pathology identification and reduced clinically important discrepancies by 25.5%. When simulating the automated dual reading, the proportion of false-negative findings decreased from 0.071% to 0.052%.
Discussion: The simulation revealed significant performance variability across the AI models, emphasizing the need for careful post-authorization monitoring to replace underperforming applications.
Conclusion: Thus, automated dual reading improves the safety of autonomous sorting by minimizing the number of missed pathological findings. At the same time, the method requires a strategic approach to AI model selection as it poses a risk of reducing the system’s operating efficiency. The optimal benefit-risk ratio should be determined against contribution of preventive programs to public health interest.
The authors declare that there are no conflicts of interest present.