Чат-боты — современная реальность консультирования в медицине

Введение. В медицине активно внедряются современные цифровые новации и технологии искусственного интеллекта. Сейчас чат-боты способны предоставлять консультационные услуги и записывать на приём пациентов, ставить диагноз. Чат-боты могут существенно повысить эффективность и точность выявления симптомов, оказывать содействие в дистанционном биомониторинге. Развитие таких технологий в российском здравоохранении может существенно повысить качество обслуживания и удовлетворённость пациентов.

Цель — изучить возможности развития и направления реализации чат-ботов на основе технологий искусственного интеллекта в медицине и оценить потенциал их применения.

Материал и методы. Исследование проспективное, включает анализ вторичной информации и проведение экспертного интервью, посвящённого вопросам, связанным с развитием, практикой применения, распространением чат-ботов.

Результаты. Современные чат-боты могут отвечать на «рутинные» вопросы, подсказывать направления лечения на основе симптоматики, давать рекомендации по ведению здорового образа жизни. Опрос показал, что большинство экспертов уже сейчас видят необходимость внедрения чат-ботов в медицине. Основными преимуществами являются получение «мгновенного» ответа и экономия времени пациентов. В качестве недостатков применения чат-ботов могут быть неверные трактовка запросов пользователя и интерпретация информации пациентами. Эксперты видят риски в ошибочной постановке диагноза и в мере ответственности.

Ограничение исследований. Материалы исследования ограничены результатами экспертного опроса, проведённого в 2023 г., и количественно-качественными характеристиками опрашиваемых, которые отвечали требованиям, предъявляемым к экспертам.

Выводы. Чат-боты в области здравоохранения стали уже реальностью в консультировании и предоставлении необходимой медицинской информации. Благодаря развитию информационных технологий чат-боты способны обрабатывать значительные объёмы данных, получаемых от пациентов, быстро и точно находить ответы, оказывать информационную поддержку, устанавливать предварительный диагноз. Такие решения способны снизить нагрузку на медицинских работников и повысить удовлетворённость пациентов.

Соблюдение этических стандартов. Для проведения данного исследования не требовалось заключения комитета по биомедицинской этике (исследование выполнено на общедоступной информации и данных, полученных в результате экспертных интервью).

Участие авторов:
Аксёнова Е.И. — концепция и дизайн исследования, написание статьи;
Медведева Е.И. — концепция и дизайн исследования, написание статьи, редактирование;
Крошилин С.В. — сбор и обработка материала, статистическая обработка, написание статьи, редактирование.
Все соавторы — утверждение окончательного варианта статьи, ответственность за целостность всех частей статьи.

Финансирование. Исследование не имело спонсорской поддержки.

Конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов в связи с публикацией данной статьи.

Поступила 22.06.2023
Принята в печать 23.08.2023
Опубликована 03.11.2023

1. Елизарова М.И., Уразова К.М., Ермашов С.Н., Пронькин Н.Н. Искусственный интеллект в медицине. International Journal of Professional Science. 2021; (5): 81–5. https://elibrary.ru/owaclc

2. Weiss S., Kulikowski C.A., Safir A. Glaucoma consultation by computer. Comput. Biol. Med. 1978; 8(1): 25–40. https://doi.org/10.1016/0010-4825(78)90011-2

3. Черемискин Ю.В. Назначение фармакотерапии в клинической информационной системе ДОКА+: реакция врачей Краснозёрской ЦРБ на сообщения проактивных функций. Врач и информационные технологии. 2011; (1): 43–9. https://elibrary.ru/nmzgpn

4. Li X. Artificial intelligence neural network based on intelligent diagnosis. J. Ambient Intell. Human Comput. 2020; 12(1): 923–31. https://doi.org/10.1007/s12652-020-02108-6

5. Arul K., Jayanthy T. Application of back propagation artificial neural network in detection and analysis of diabetes mellitus. J. Ambient Intell. Human Comput. 2020; 12(7): 7063–70. https://doi.org/10.1007/s12652-020-02371-7

6. Жаркова О.С., Шаропин К.А., Сеидова А.С., Берестнева Е.В., Осадчая И.А. Построение систем поддержки принятия решений в медицине на основе деревьев решений. Современные наукоемкие технологии. 2016; (6-1): 33–7. https://elibrary.ru/wcduod

7. Астахова И.Ф., Киселева Е.И. Интеллектуальная поддержка принятия врачебных решений. Современные информационные технологии и ИТ-образование. 2020; 16(3): 664–72. https://doi.org/10.25559/SITITO.16.202003.664-672 https://elibrary.ru/zzloeo

8. Pombo N., Arabjo P., Viana J. Knowledge discovery in clinical decision support systems for pain management. Artif. Intell. Med. 2014; 60(1): 1–11. https://doi.org/10.1016/j.artmed.2013.11.005

9. Liu N., Liu Y., Logan B., Xu Z., Tang J., Wang Y. Learning the dynamic treatment regimes from medical registry data through deep Q-network. Sci. Rep. 2019; 9(1): 1495. https://doi.org/10.1038/s41598-018-37142-0

10. Harutyunyan H., Khachatrian H., Kale D.C., Ver Steeg G., Galstyan A. Multitask learning and benchmarking with clinical time series data. Sci. Data. 2019; 6(1): 96. https://doi.org/10.1038/s41597-019-0103-9

11. Istepanian R.S.H., Al-Anzi T. m-Health 2.0: New perspectives on mobile health, machine learning and big data analytics. Methods. 2018; 151: 34–40. https://doi.org/10.1016/j.ymeth.2018.05.015

12. Reddy A.V.N., Satapathy S.K., Krishna C.P., Mallick P.K., Tiwari P., Zymbler M., et al. Analyzing MRI scans to detect glioblastoma tumor using hybrid deep belief networks. J. Big Data. 2020; 7(1): 1–17. https://doi.org/10.1186/s40537-020-00311-y https://elibrary.ru/jxnxmu

13. Аликперова Н.В. Искусственный интеллект в медицине: поиск новых возможностей. В кн.: Труды научно-исследовательского института организации здравоохранения и медицинского менеджмента. М.; 2022: 94–7. https://elibrary.ru/xtqjck

14. Ярашева А.В., Александрова О.А., Медведева Е.И., Аликперова Н.В., Крошилин С.В. Проблемы и перспективы кадрового обеспечения московского здравоохранения. Экономические и социальные перемены: факты, тенденции, прогноз. 2020; 13(1): 174–90. https://doi.org/10.15838/esc.2020.1.67.10 https://elibrary.ru/mmwhlf

15. Медведева Е.И., Александрова О.А., Крошилин С.В. Телемедицина в современных условиях: отношение социума и вектор развития. Экономические и социальные перемены: факты, тенденции, прогноз. 2022; 15(3): 200–22. https://doi.org/10.15838/esc.2022.3.81.11

16. Решетникова Ю.С., Шарапова О.В., Каткова А.Л., Несте-рова О.А., Брынза Н.С., Петров И.М. Профиль пациента, готового к использованию цифровых технологий и методов искусственного интеллекта при получении медицинской помощи. Здравоохранение Российской Федерации. 2022; 66(1): 20–6. https://doi.org/10.47470/0044-197X-2022-66-1-20-26 https://elibrary.ru/vghdcc

17. Dillon S. The Eliza effect and its dangers: from demystification to gender critique. J. Cult. Res. 2020; 24(1): 1–15. https://doi.org/10.1080/14797585.2020.1754642

18. Ayers J.W., Poliak A., Dredze M., Leas E.C., Zhu Z., Kelley J.B., et al. Comparing physician and artificial intelligence chatbot responses to patient questions posted to a public social media forum. JAMA Intern. Med. 2023; 183(6): 589–96. https://doi.org/10.1001/jamainternmed.2023.1838