Artificial Intelligence Technologies in Biomedical Research on Human Adaptation and Maladaptation to Various Environmental Factors

Full Text

Введение

Технологии искусственного интеллекта (ИИ) стали центральными в развивающемся шестом технологическом цикле. Влияние новых инструментов на научные исследования в самых разных областях невозможно переоценить. Из аналитического отчета публикационной активности следует, что в период с 2019 г. по 2023 г. число публикаций российских авторов на конференциях в области ИИ уровня А* увеличилось на 70%, а экономичесий эффект от внедрения ИИ оценивается в десятки триллионов рублей к концу десятилетия.  [https://ai.gov.ru/knowledgebase/investitsionnaya-aktivnost/2024_analiticheskiy_otchet_po_publikacionnoy_aktivnosti_rossiyskih_specialistov_na_konferenciyah_v_oblasti_iskusstvennogo_intellekta_urovnya_a_za_period_s_2019_g_po_2023_g_chasty_1_ncrii/]. Грандиозный потенциал ИИ имеет и в сфере медицинских наук. Например, ИИ используется для анализа медицинских изображений, таких как рентгеновские снимки, КТ и МРТ, с целью раннего выявления заболеваний. Новым направлением, обязанным своим появлением технологиям ИИ, являются виртуальные ассистенты и носимые устройства, которые собирают данные о состоянии здоровья пациентов и помогают контролировать хронические заболевания [Babu, M., Lautman, Z., Lin, X., Sobota, M. H. B., & Snyder, M. P. (2024). Wearable Devices: Implications for Precision Medicine and the Future of Health Care. Annual review of medicine, 75, 401–415. https://doi.org/10.1146/annurev-med-052422-020437]. ИИ применим не только в клинической практике, но и фундаментальных исследованиях. Так, анализ больших объемов данных ускоряет процесс разработки новых лекарственных средств и форм доставки препаратов. Возможности искусственного интеллекта активно используются в российском здравоохранении. Так, сервисы ТОП-3 и AIDA внедрены в медицинскую информационную систему, где оказывают поддержку врачу-терапевту в постановке диагнозов, а суммарный объем поставленных заключительных диагнозов уже превысил 1,3 млн [https://sbermed.ai/kak-cifrovye-pomoschniki-vracha-top-3-i-aida-pomogayut-moskovskim-vracham]. Развитие систем поддержки принятия врачебных решений нового поколения стало возможным с появлением технологий генеративного искусственного интеллекта. Последний применяется в сама широком спектре медицинских задач, начиная анализом электронных медицинских карт и заканчивая медицинским образованием, разработкой лекарственных препаратов и проведением научных исследований [Rashidi, H. H., Pantanowitz, J., Chamanzar, A., Fennell, B., Wang, Y., Gullapalli, R. R., Tafti, A., Deebajah, M., Albahra, S., Glassy, E., Hanna, M., & Pantanowitz, L. (2024). Generative Artificial Intellegence (AI) in Pathology and Medicine: A Deeper Dive. Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc, 100687. Advance online publication. https://doi.org/10.1016/j.modpat.2024.100687, Boscardin, C. K., Gin, B., Golde, P. B., & Hauer, K. E. (2024). ChatGPT and Generative Artificial Intelligence for Medical Education: Potential Impact and Opportunity. Academic medicine : journal of the Association of American Medical Colleges, 99(1), 22–27. https://doi.org/10.1097/ACM.0000000000005439, Doron, G., Genway, S., Roberts, M., & Jasti, S. (2024). Generative AI: driving productivity and scientific breakthroughs in pharmaceutical R&D. Drug discovery today, 104272. Advance online publication. https://doi.org/10.1016/j.drudis.2024.104272, Mojadeddi, Z. M., & Rosenberg, J. (2024). AI in medical research. Ugeskrift for laeger, 186(16), V08230532. https://doi.org/10.61409/V08230532]. В России генеративный искусственный интеллект также активно развивается в медицинском направлении. Так, большая языковая модель GigaChat в феврале 2024 года успешно сдала  экзамен в формате государственной итоговой аттестации по специальности 31.05.01 лечебное дело в НМИЦ им. В.А. Алмазова [https://lenta.ru/news/2024/02/13/vracha/].

            Мы сфокусируем свое внимание на интеграцию технологий ИИ в исследовательские проекты, связанные с изучением физиологических функций человека. Отдельные попытки обобщить имеющий опыт применения машинного обучения в различных физиологических методах исследований уже предпринимались [Ong CS, Burattini L and Schena S (2022), Editorial: Artificial intelligence in human physiology. Front. Physiol. 13:1075819. doi: 10.3389/fphys.2022.1075819]. Однако ввиду стремительного развития искусственного интеллекта, такие обзоры актуального состояния данного направления особенно важны.

Искусственный интеллект как прорывная технология в медицинских и биологических науках

Компьютерное зрение - первая технология искусственного интеллекта, которая нашла широкое применение в клинической практике. С помощью нейронной сети врач может быстро узнать о наличии патологических изменений в исследовании, их размеры, объём и наиболее вероятный диагноз [Elyan E, Vuttipittayamongkol P, Johnston P, Martin K, McPherson K, Moreno-García CF, Jayne C, Mostafa Kamal Sarker M. Computer vision and machine learning for medical image analysis: recent advances, challenges, and way forward. Art Int Surg. 2022;2:24-45. http://dx.doi.org/10.20517/ais.2021.15]. Автоматический анализ медицинских изображений уже используется в области лучевой диагностики [Kelly, B.S., Judge, C., Bollard, S.M. et al. Radiology artificial intelligence: a systematic review and evaluation of methods (RAISE). Eur Radiol 32, 7998–8007 (2022). https://doi.org/10.1007/s00330-022-08784-6], для диагностирования патологий сетчатки [Grzybowski, A., Jin, K., Zhou, J. et al. Retina Fundus Photograph-Based Artificial Intelligence Algorithms in Medicine: A Systematic Review. Ophthalmol Ther 13, 2125–2149 (2024). https://doi.org/10.1007/s40123-024-00981-4], для выявления меланомы и других новообразований кожи [Eric J. Beltrami, Alistair C. Brown, Paul J.M. Salmon, David J. Leffell, Justin M. Ko, Jane M. Grant-Kels, Artificial intelligence in the detection of skin cancer, Journal of the American Academy of Dermatology, Volume 87, Issue 6, 2022, Pages 1336-1342, ISSN 0190-9622, https://doi.org/10.1016/j.jaad.2022.08.028.], для идентификации и классификации злокачественных клеток на гистологических срезах [Digital pathology and artificial intelligence Niazi, Muhammad Khalid Khan et al. The Lancet Oncology, Volume 20, Issue 5, e253 - e261], для детектирования полипов толстой кишки при колоноскопии [Cesare Hassan, Marco Spadaccini, Andrea Iannone, Roberta Maselli, Manol Jovani, Viveksandeep Thoguluva Chandrasekar, Giulio Antonelli, Honggang Yu, Miguel Areia, Mario Dinis-Ribeiro, Pradeep Bhandari, Prateek Sharma, Douglas K. Rex, Thomas Rösch, Michael Wallace, Alessandro Repici, Performance of artificial intelligence in colonoscopy for adenoma and polyp detection: a systematic review and meta-analysis, Gastrointestinal Endoscopy, Volume 93, Issue 1, 2021, Pages 77-85.e6, ISSN 0016-5107, https://doi.org/10.1016/j.gie.2020.06.059.] , а также для автоматического анализа ЭКГ [Application of artificial intelligence to the electrocardiogram Zachi I Attia, David M Harmon, Elijah R Behr, Paul A Friedman. European Heart Journal, Volume 42, Issue 46, 7 December 2021, Pages 4717–4730, https://doi.org/10.1093/eurheartj/ehab649]. В Российской Федерации действует проект МосМедИИ, в рамках которого все медицинские учреждения в стране могут направить радиологические исследования для обработки ИИ-системой для поддержки принятия врачебных решений. По итогам 2023 года было обработано более 250 тысяч исследований [Гусев А.В., Артемова О.Р., Васильев Ю.А., Владзимирский А.В. Внедрение медицинских изделий с технологиями искусственного интеллекта в здравоохранении России: итоги 2023 г. Национальное здравоохранение. 2024;5(2):17-24. https://doi.org/10.47093/2713-069X.2024.5.2.17-24].
 Обработка естественного языка – второй набор технологий ИИ, который широко используется в медицине. В электронной медицинской карте пациента содержится огромное количество медицинской информации, которая может повлиять на решение врача. Значительная часть данных о пациенте - это свободный текст, описывающий жалобы, данные осмотра, описание и заключение по данным диагностических исследований. Модели машинного обучения для обработки естественного языка способны выполнять задачи анализа большого объёма неструктурированных данных и формулировать выводы [Lee S, Kim HS. Prospect of Artificial Intelligence Based on Electronic Medical Record. J Lipid Atheroscler. 2021 Sep;10(3):282-290. doi: 10.12997/jla.2021.10.3.282. Epub 2021 Jul 13. PMID: 34621699; PMCID: PMC8473961.]. Обработка ественного языка в ЭМК используется для определения времени начала аллергического заболевания, выявления пациентов с высоким риском развития астмы на основе клинических записей и данных лабораторной диагностики [Juhn, Y., & Liu, H. (2020). Artificial intelligence approaches using natural language processing to advance EHR-based clinical research. The Journal of allergy and clinical immunology, 145(2),463–469.  https://doi.org/10.1016/j.jaci.2019.12.897],  автоматического выделения информации об онкологическом заболевании [Surabhi Datta, Elmer V. Bernstam, Kirk Roberts, A frame semantic overview of NLP-based information extraction for cancer-related EHR notes, Journal of Biomedical Informatics, Volume 100, 2019, 103301, ISSN 1532-0464, https://doi.org/10.1016/j.jbi.2019.103301.], выявления информации о делирии в анамнезе [Ascertainment of Delirium Status Using Natural Language Processing From Electronic Health Records. Sunyang Fu, MHI, Guilherme S Lopes, PhD, Sandeep R Pagali, MD, MPH, Bjoerg Thorsteinsdottir, MD, Nathan K LeBrasseur, PhD, MS, Andrew Wen, MS, Hongfang Liu, PhD, Walter A Rocca, MD, MPH, Janet E Olson, PhD, Jennifer St. Sauver, PhD. The Journals of Gerontology: Series A, Volume 77, Issue 3, March 2022, Pages 524–530, https://doi.org/10.1093/gerona/glaa275]. В России ряд ИИ-сервисов для обработки медицинских карт имеют регистрационное удостоверение и используются в клинической практике: AIDA, ТОП-3, Webiomed, MedicBK.

Главный вызов для ИИ в этой сфере – поддержка принятия врачебных решений о проведении вмешательств, назначении исследований и постановки клинического диагноза. С появлением мультимодальных систем искусственного интеллекта, обрабатывающих большое количество параметров, в медицине открылись возможности для создания рекомендательных систем, способных учитывать хронические заболевания, пол, возраст, результаты лабораторных и инструментальных исследований [Eric J. Topol

,

As artificial intelligence goes multimodal, medical applications multiply.Science381,eadk6139(2023).DOI:10.1126/science.adk6139] и социальные детерминанты здоровья [Ralevski A, Taiyab N, Nossal M, Mico L, Piekos S, Hadlock J
 Using Large Language Models to Abstract Complex Social Determinants of Health From Original and Deidentified Medical Notes: Development and Validation Study
 J Med Internet Res 2024; 26:e 63445
 doi: 10.2196/63445 PMID: 39561354]

Модели глубокого обучения могут выявлять сложные паттерны в многомерных данных, что делает их особенно полезными в исследованиях омиксных данных. Yunha Hwang и соавторы (2024) обучили геномную лингвистическую модель gLM предсказывать функцию белка на основе генома, классифицировать геномные последовательности и выявлять ко-регулируемые модули генов, такие как опероны бактерий [Hwang, Y., Cornman, A.L., Kellogg, E.H. et al. Genomic language model predicts protein co-regulation and function. Nat Commun 15, 2880 (2024). https://doi.org/10.1038/s41467-024-46947-9]. В другом исследования модель глубоко обучения эффективно предсказывала патоморфологический подтип опухоли почки, основываясь на профиле метилирования ДНК [Sabrina H. Rossi et al.Accurate detection of benign and malignant renal tumor subtypes with MethylBoostER: An epigenetic marker–driven learning framework.Sci. Adv.8,eabn9828(2022).DOI:10.1126/sciadv.abn9828]

Искусственный интеллект изменил и ускорил создание новых препаратов на основе биомолекул. У исследователей не было инструмента, способного предсказать трёхмерную структуру белка по аминокислотной последовательности до 2021 года, когда исследователи Google DeepMind создали модель искусственного интеллекта AlphaFold, решающую эту задачу с высокой точностью [Jumper, J., Evans, R., Pritzel, A. et al. Highly accurate protein structure prediction with AlphaFold. Nature 596, 583–589 (2021). https://doi.org/10.1038/s41586-021-03819-2]. Инновационный инструмент сделал прорыв в области химии и молекулярной биологии, а его создатели получили Нобелевскую премию по химии в 2024 году. В этом же году в журнале Nature была опубликована статья о модели AlphaFold 3 [Abramson, J., Adler, J., Dunger, J. et al. Accurate structure prediction of biomolecular interactions with AlphaFold 3. Nature 630, 493–500 (2024). https://doi.org/10.1038/s41586-024-07487-w]. Обновлённая модель способна с высокой точностью предсказывать структуры белков, нуклеиновых кислот, малых молекул и модифицированных остатков, а также моделировать взаимодействия белок-лиганд.

 Сейчас в фармацевтической индустрии используются модели нейронных сетей для идентификации мишеней, скрининга молекул-кандидатов, прогнозирования их фармакокинетических и фармакохимических свойств. [Simrandeep Singh, Navjot Kaur, Anita Gehlot, Application of artificial intelligence in drug design: A review,

Computers in Biology and Medicine, Volume 179, 2024, 108810, ISSN 0010-4825, https://doi.org/10.1016/j.compbiomed.2024.108810.] Большие языковые модели по типу GPT (Generative Pre-trained Transformer) стали важным инструментом в здравоохранении и открыли новые сценарии для взаимодействия врача и пациента. Обученные на большом объёме текстов модели имеют успешно проходят различные форматы медицинских тестирований. В исследовании 2023 года [: Kung TH, Cheatham M, Medenilla A, Sillos C, De Leon L, Elepaño C, et al. (2023) Performance of ChatGPT on USMLE: Potential for AI-assisted medical education using large language models. PLOS Digit Health 2(2): e0000198. https:// doi.org/10.1371/journal.pdig.0000198] большая языковая модель ChatGPT преодолела порог в тестировании United States Medical Licensing Exam (USMLE), а в феврале 2024 года модель GigaChat сдала экзамен в формате государственной итоговой аттестации по специальности лечебное дело.

Чат-боты с ИИ, генерирующие текст по запросу пользователя, способны оптимизировать работу врача. Модель ChatGPT-4, получив расшифровку диалога врача и пациента на консультации, способна суммаризировать диалог и сгенерировать медицинскую запись в структурированном формате [Lee, P., Bubeck, S., & Petro, J. (2023). Benefits, Limits, and Risks of GPT-4 as an AI Chatbot for Medicine. The New England journal of medicine, 388(13), 1233–1239. https://doi.org/10.1056/NEJMsr2214184]. В декабре 2024 года Сеченовский университет и компания “Нейромед” сообщили о клинических испытаниях ИИ-ассистента для кардиологов [https://corp.cnews.ru/news/line/2024-12-25_sechenovskij_universitet]. ИИ-ассистент генерирует протоколы приемов и выписные эпикризы, предоставляет доступ к профессиональной информации о препаратах, дает рекомендации по диагностике и лечению на основе актуальных клинических руководств и автоматически оценивает индивидуальные риски пациента.

Большие языковые модели - это перспективная модальность для оказания психологической помощи. В 2022 году платформа Wysa с встроенным ИИ для оказания психотерапевтической помощи получила одобрение FDA для пациентов с мышечно-скелетными болями, тревогой и депрессией на основании когортного исследования [Leo AJ, Schuelke MJ, Hunt DM, Miller JP, Areán PA, Cheng AL
 Digital Mental Health Intervention Plus Usual Care Compared With Usual Care Only and Usual Care Plus In-Person Psychological Counseling for Orthopedic Patients With Symptoms of Depression or Anxiety: Cohort Study
 JMIR Form Res 2022;6(5):e36203
 doi: 10.2196/36203PMID: 35507387PMCID: 9118017]. В исследовании участвовали 153 пациента, разделённые на 3 когорты: одна когорта не получала психологическую помощь; пациенты во второй когорте получали не менее одной психологической консультации; пациенты доступ к цифровой платформе с мобильным чат-ботом с встроенной нейронной сетью для проведения когнитивно-поведенческой терапии. Помимо чат-бота, на платформе пациент мог получить дистанционную консультацию от специалиста. В группе пациентов с доступом Wysa наблюдалось улучшение на 2,8-3,7 балла по сравнению с группой, не получавшей психологические консультации, по шкалам измерения симптомов депрессии и тревоги. В группе Wysa наблюдалось улучшение физической функции по опроснику PROMIS на 2,4 балла больше по сравнению с группой психологического консультирования.

Инструменты искусственного интеллекта в физиологических исследованиях

ИИ – становится важным инструментом в исследовании патогенеза патологических состояний. Модель машинного обучения способна анализировать миллионы научных статей и выявлять сложные взаимосвязи, таким образом синтезируя научные данные более полно и менее предвзято. В исследовании Wei и соавторов (2024) [Wei, Z.; Iyer, M.R.; Zhao, B.; Deng, J.; Mitchell, C.S. Artificial Intelligence-Assisted Comparative Analysis of the Overlapping Molecular Pathophysiology of Alzheimer’s Disease, Amyotrophic Lateral Sclerosis, and Frontotemporal Dementia. Int. J. Mol. Sci. 2024, 25, 13450. https://doi.org/10.3390/ijms252413450] использовались модели машинного обучения для выявления пересечений в молекулярной патофизиологии болезни Альцгеймера, бокового амиотрофического склероза и лобно-височной деменции. В частности, применялись методы машинного обучения для сравнения и выявления общих молекулярных механизмов между этими заболеваниями. Для этого была построена семантическая сеть знаний SemNet 2.0 на основе более чем 33 миллионов биомедицинских статей. Модели ИИ выявляли в сети наиболее важные узлы, связанные с каждым заболеванием, используя алгоритм ранжирования на основе машинного обучения. Эти узлы представляли собой белковые молекулы, играющие ключевую роль в патогенезе данных заболеваний. Такой подход к анализу научной литературы позволяет найти наиболее перспективные направления в исследовании патогенеза болезни Альцгеймера, бокового амиотрофического склероза и лобно-височной деменции.

Исследователи в области физиологии используют искусственный интеллект для открытия новых взаимосвязей между генотипом и фенотипом при различных патологиях. Asencio и соавторы [Anthony Asencio, Sage Malingen, Kristina B. Kooiker, Joseph D. Powers, Jennifer Davis, Thomas Daniel, Farid Moussavi-Harami; Machine learning meets Monte Carlo methods for models of muscle’s molecular machinery to classify mutations. J Gen Physiol 1 May 2023; 155 (5): e202213291. doi: https://doi.org/10.1085/jgp.202213291] использовали модель машинного обучения для обработки временных характеристик кардиальных сокращений и классификации различных типов патологии саркомеров на их основе. С помощью данной модели исследователям удалось достичь точности 78.5 ± 0.1% в классификации мутаций саркомеров. Это исследование демонстрирует возможности ИИ для изучения механизмов развития кардиомиопатии при различных типах мутаций. 

Нейронные сети широко используются для детектирования физиологических сигналов при патологических состояниях. В исследовании Peng и соавторов (2024) модель назального давления воздушного потока и уровня кислорода в крови (SpO2) для детектирования эпизодов апноэ и гипопноэ. По словам авторов, интеграция данных электрокардиограммы, электроэнцефалограммы и паттернов движения тела, позволят создать еще более точные системы диагностики обструктивного апноэ сна.. [Dandan Peng, Huijun Yue, Wenjun Tan, Wenbin Lei, Guozhu Chen, Wen Shi, Yanchun Zhang, A bimodal feature fusion convolutional neural network for detecting obstructive sleep apnea/hypopnea from nasal airflow and oximetry signals, Artificial Intelligence in Medicine, Volume 150, 2024, 102808, ISSN 0933-3657, https://doi.org/10.1016/j.artmed.2024.102808.]

Искусственный интеллект может стать инструментом в поиске “красных флагов” для  предсказания жизнеугрожающих событий, таких как остановка сердца, сепсис, геморрагический шок или дыхательная недостаточность, на основе анализа большого количества данных о физиологических показателях человека [Rush, B., Celi, L.A. & Stone, D.J. Applying machine learning to continuously monitored physiological data. J Clin Monit Comput 33, 887–893 (2019). https://doi.org/10.1007/s10877-018-0219-z]. Технологии искусственного интеллекта позволяют создавать новые методики для изучения физиологических процессов. В исследовании Cai и соавторы (2021) продемонстрировали эффективность методики велосиметрии с искусственным интеллектом для количественной оценки скорости и напряжений кровотока. Исследователям удалось объединили изображения, экспериментальные данные и физические основы с помощью нейронных сетей, что позволяет автоматически анализировать экспериментальные данные и делать выводы о ключевых гемодинамических показателях. Эти открытия позволяют изучить процессы, происходящие в поражённых микроаневризмами сосудах  [S. Cai, H. Li, F. Zheng, F. Kong, M. Dao, G.E. Karniadakis, S. Suresh, Artificial intelligence velocimetry and microaneurysm-on-a-chip for three-dimensional analysis of blood flow in physiology and disease, Proc. Natl. Acad. Sci. U.S.A. 118 (13) e2100697118, https://doi.org/10.1073/pnas.2100697118 (2021).]. 

Предобученные языковые модели могут иметь достаточно высокий уровень знаний в области в физиологии для использования их в образовании. В исследовании Soulage и соавторов (2024) большая языковая модель ChatGPT-3.5 справилась со сдачей экзамена по физиологии лучше, чем большинство студентов медицинского университета, обучавшихся физиологии [The conversational AI “ChatGPT” outperforms medical students on a physiology university examination. Christophe O. Soulage, Fabien Van Coppenolle, and Fitsum Guebre-Egziabher. Advances in Physiology Education 2024 48:4, 677-684]. Большие языковые модели, обученные на материалах по физиологии могут стать эффективным инструментом для обучения студентов. Возможные образовательные сценарии ChatGPT включают генерацию вводной информации для изучения сложной темы, генерацию вопросов для самопроверки, составление образовательного плана и поиск дополнительных ресурсов [Using artificial intelligence platforms to support student learning in physiology. Terence G. Favero. Advances in Physiology Education 2024 48:2, 193-199]

Применение искусственного интеллекта в исследовании влияния внешних факторов на здоровье человека

До недавнего времени большинство исследований, изучающих ожирение у детей, рассматривали влияние внешних факторов лишь на одном из уровней социально-экологической модели (например, на индивидуальном или общественном) [Pereira, M.M.C.e., Padez, C.M.P. & Nogueira, H.G.d.S.M. Describing studies on childhood obesity determinants by Socio-Ecological Model level: a scoping review to identify gaps and provide guidance for future research. Int J Obes 43, 1883–1890 (2019). https://doi.org/10.1038/s41366-019-0411-3].

Исследовать влияние совокупности экологических, социальных и индивидуальных факторов ожирения было сложной задачей до появления инструментов машинного обучения [Allen, B.; Lane, M.; Steeves, E.A.; Raynor, H. Using Explainable Artificial Intelligence to Discover Interactions in an Ecological Model for Obesity. Int. J. Environ. Res. Public Health 2022, 19, 9447. https://doi.org/10.3390/ijerph19159447]. Allen и соавторы (2022) использовали в качестве алгоритма машинного обучения метод случайного леса, который обычно применяется в исследовании взаимодействия генов. Исследование подтвердило гипотезу, что молодые люди с одинаковыми уровнем образования и благосостояния в семье имеют разный уровень риска ожирения в зависимости от экономических и образовательных ресурсов в их районе. Также модель показала, что на развитие ожирения у детей в семьях с низким уровнем дохода значительно влияет степен загрязнения окружающей среды.

 Помимо ретроспективного анализа влияния окружающих факторов на здоровье человека, искусственный интеллект способен анализировать данные в реальном времени. Такой инструмент может использоваться для изучения влияния резкого изменения окружающей среды на функциональное состояние человека и детектировать патологические изменения. Исследование Wei и соавторов (2019) [Wei, CY., Chen, PN., Lin, SS. et al. Using machine learning to determine the correlation between physiological and environmental parameters and the induction of acute mountain sickness. BMC Bioinformatics 22 (Suppl 5), 628 (2021). https://doi.org/10.1186/s12859-022-04749-0] показало высокую эффективность методов машинного обучения в предсказании риска развития горной гипоксии на основании анализа индивидуальных физиологических показателей испытуемых и факторов окружающей среды, измеряемых в реальном времени. Искусственный интеллект анализировал частоту сердечных сокращений, вариабельность сердечного ритма, насыщение крови кислородом и факторов внешней среды (температуру окружающей среды, атмосферное давление, относительную влажность и скорость восхождения). На основании этих данных были обучены и протестированы 25 алгоритмов машинного обучения. Самая точная модель достигла чувствительности 0,998 и специфичности 0,978 в диагностике острой горной болезни лёгкой степени (mild acute mountain sickness).

В медицине рутинно используются носимые устройства с биосенсорами, фиксирующие изменения окружающей среды и физиологические показатели человека, что особенно распространено в спортивной медицине. С увеличением количества сенсоров появляется всё больше данных, на основе которых можно сделать вывод о функциональном состоянии организма и необходимости коррекции образа жизни, назначения терапии и определении риска заболеваний. Kimball и соавторы (2022) описали модель машинного обучения, учитывающую физиологические и внешние факторы и прогнозирующую развитие состояния гиповолемии [Kimball, J.P.; Inan, O.T.; Convertino, V.A.; Cardin, S.; Sawka, M.N. Wearable Sensors and Machine Learning for Hypovolemia Problems in Occupational, Military and Sports Medicine: Physiological Basis, Hardware and Algorithms. Sensors 2022, 22, 442. https://doi.org/10.3390/s22020442].  Применение такой технологии особенно актуально для спортсменов и военных, испытывающих тяжёлые физические нагрузки и изменение климатических условий.

Перспективы использования технологий искусственного интеллекта в исследованиях гипоксического потенциала человека к экстремальным условиям

Гипоксический потенциал человека представляет собой способность организма адаптироваться к условиям пониженного содержания кислорода в окружающей среде: подъем на высоту, во время физических упражнений высокой интенсивности, а также в ряде других экстремальных ситуаций. Исследование гипоксической адаптации имеет важное значение как для медицины, так и для спорта, космической биологии и многих других областей науки. В разделе адаптационной медицины интерес к моделям машинного обучения только набирает обороты, количество опубликованных работ по этой теме минимально.

Модель машинного обучения может использоваться для разработки персонализированных тренировочных программ, учитывающих индивидуальные реакции организма на гипоксическую нагрузку. Это особенно важно в спорте высоких достижений, где даже небольшие улучшения могут иметь решающее значение. В одном из исследований [Han, J., Liu, M., Shi, J., & Li, Y. (2023). Construction of a Machine Learning Model to Estimate Physiological Variables of Speed Skating Athletes Under Hypoxic Training Conditions. Journal of strength and conditioning research, 37(7), 1543–1550. https://doi.org/10.1519/JSC.0000000000004058] была создана модель машинного обучения на основании данных некоторых физиологических параметров, таких как количество эритроцитов и концентрация гемоглобина, 64 профессиональных конькобежцев, прошедших 10-недельную программу тренировок (3 недели – подготовительный период (на уровне моря), 4 недели - гипоксические тренировки, 3 недели – восстановительный период). Модель машинного обучения продемонстрировала большую точность в оценке физиологических переменных по сравнению с полиномиальной моделью и позволила создать эффективную систему для прогнозирования физиологических изменений в условиях гипоксической тренировки на основе измерений, выполненных на уровне моря.

Кроме спортивной медицины, ИИ находит свое место и в авиации. В исследовании [Dallas H. Snider, Steven E. Linnville, Jeffrey B. Phillips, G. Merrill Rice, Predicting hypoxic hypoxia using machine learning and wearable sensors, Biomedical Signal Processing and Control, Volume 71, Part A, 2022, 103110, ISSN 1746-8094, https://doi.org/10.1016/j.bspc.2021.103110.] рассматривалось использование носимых датчиков и алгоритмов машинного обучения для раннего обнаружения признаков гипоксии и предотвращения аварийных ситуаций. В рамках эксперимента 85 участникам было предложено пройти двухфазовое исследование, в котором они использовали авиационные маски, контролирующие подачу кислорода. Участники выполняли когнитивные тесты и симулировали полет на тренажере, при этом уровень кислорода постепенно снижался, имитируя подъем на высоту. Данные, полученные с помощью сухих электродов ЭЭГ, были обработаны методами машинного обучения, а извлеченные характеристики мозговой активности были преобразованы. Алгоритмы машинного обучения показали высокую чувствительность (от 0,83 до 1,00) и специфичность (от 0,91 до 1,00) в обнаружении гипоксии. Это исследование демонстрирует значительный прогресс в создании систем реального времени для обнаружения гипоксии в полете.

Использование моделей ИИ в исследовании гипоксических адаптационных механизмов является перспективным направлением научных работ. Модели машинного обучения можно применять в качестве инструмента по обработке и анализу большого объема данных, выявления скрытых закономерностей и прогнозирования индивидуальных реакций на гипоксические нагрузки. Например, все еще нет точных и конкретных параметров, позволяющих оценить объективно гипоксическую устойчивость человека при проведении гипоксического теста. Имеется много дополнительных параметров, по которым косвенно можно дополнить картину гипоксической толерантности конкретного индивидуума [Dzhalilova, D.; Makarova, O. Differences in Tolerance to Hypoxia: Physiological, Biochemical, and Molecular-Biological Characteristics. Biomedicines 2020, 8, 428. https://doi.org/10.3390/biomedicines8100428]. Множество дискуссионных вопросов остается при выборе режима интервальной гипоксической стимуляции: окислительно – воспалительные процессы развивающиеся при интервальных гипоксических тренировках [Zembron-Lacny, Agnieszka, Tylutka, Anna, Wacka, Eryk, Wawrzyniak-Gramacka, Edyta, Hiczkiewicz, Dariusz, Kasperska, Anna, Czuba, Miłosz, Intermittent Hypoxic Exposure Reduces Endothelial Dysfunction, BioMed Research International, 2020, 6479630, 10 pages, 2020. https://doi.org/10.1155/2020/6479630 , Leveque, C.; Mrakic Sposta, S.; Theunissen, S.; Germonpré, P.; Lambrechts, K.; Vezzoli, A.; Gussoni, M.; Levenez, M.; Lafère, P.; Guerrero, F.; et al. Oxidative Stress Response Kinetics after 60 Minutes at Different Levels (10% or 15%) of Normobaric Hypoxia Exposure. Int. J. Mol. Sci. 2023, 24, 10188. https://doi.org/10.3390/ijms241210188], роль активных форм кислорода в периоде восстановления [Sources of Vascular Nitric Oxide and Reactive Oxygen Species and Their Regulation

Jesús Tejero, Sruti Shiva, and Mark T. Gladwin

Physiological Reviews 2019 99:1, 311-379, Hafner, S., Beloncle, F., Koch, A. et al. Hyperoxia in intensive care, emergency, and peri-operative medicine: Dr. Jekyll or Mr. Hyde? A 2015 update. Ann. Intensive Care 5, 42 (2015). https://doi.org/10.1186/s13613-015-0084-6 , Gorni, D., & Finco, A. (2020). Oxidative stress in elderly population: A prevention screening study. Aging medicine (Milton (N.S.W)), 3(3), 205–213. https://doi.org/10.1002/agm2.12121].

Вероятно, что применение ИИ в данной области позволит по-новому взглянуть на получаемые данные о гипоксической устойчивости, о реализации адаптационных механизмов на молекулярном и системном уровнях, а также взаимосвязях этих структур между собой.

Заключение

Современная среда характеризуется множеством одновременно действующих внешних факторов, влияние которых на организм человека становится возможным отслеживать благодаря достижениям в области искусственного интеллекта, таких как алгоритмы машинного обучения, глубокое обучение и генеративные модели. Эти технологии открывают новые горизонты в медико-биологической сфере, позволяя выявлять скрытые взаимосвязи между элементами и процессами. Особое внимание заслуживает исследование экзогенной гипоксии – одного из ключевых факторов окружающей среды, изучаемых в экологии, физиологии и клинической медицине. Вопросы индивидуальной устойчивости организма к гипоксическим условиям остаются актуальными и активно обсуждаются в научной литературе. Современные исследования все чаще используют методы машинного и глубокого обучения для анализа многомерных физиологических данных. Применение этих подходов в планировании научных экспериментов, обработке данных и создании прогнозирующих моделей значительно улучшает понимание адаптационных механизмов человеческого организма при гипоксии и открывает новые пути для изучения влияния других факторов внешней среды. Текущие разработки демонстрируют значительный потенциал дальнейшего прогресса в этой области, способствуя повышению эффективности исследовательских процедур через оптимизацию статистического анализа, обработку результатов и проектирование экспериментальных схем. Важным направлением является изучение адаптивных возможностей человека, где создание классификационных моделей для идентификации групп с различной устойчивостью к стрессу представляет интерес для различных областей медицины, биологии и психологии. Разработка моделей прогнозирования толерантности к гипоксии может найти применение как в совершенствовании методов машинного обучения, так и в решении практических задач клинической, авиационной и космической медицины.

About the authors

Ilya Balunov

Email: ilya@balunov.com

Alina Mikhalishchina

Email: alina.mikhalishchina@gmail.com

Andrey Venerin

Author for correspondence.
Email: venerin.andrey@gmail.com

Oleg Glazachev

Email: glazachev@mail.ru

Профессор, доктор медицинских наук

References

Supplementary files