Цифровизация сектора здравоохранения на основе технологии искусственного интеллекта в Японии: ключевые проблемы и подходы к решению

DOI: 10.33917/mic-5.100.2021.87-102

В статье представлено описание и анализ реализуемой японским правительством политики модернизации сектора здравоохранения на основе технологии искусственного интеллекта, приведены конкретные примеры некоторых научно-исследовательских проектов и практического применения описываемых технологий, выявлены проблемные области реализуемой политики и разрабатываемых проектов.

Модернизация сектора здравоохранения и медицинского обслуживания с применением новейших цифровых технологий, в частности, технологии искусственного интеллекта, является на сегодня одним из ключевых мировых трендов. В России цифровая трансформация здравоохранения определена как одна из ключевых задач и производится в рамках Национального проекта «Здравоохранение».

Изучение успешных примеров внедрения технологии искусственного интеллекта, а также, проблем, препятствующих или замедляющих интеграцию данной технологии и способов их преодоления, может стать ценным уроком для стран, также вовлеченных в разработку национальных стратегий по развитию искусственного интеллекта. 

Digitalization of the healthcare sector in Japan based on artificial intelligence technology: key problems and solutions

Источники:

1. Мелдо А.А., Уткин Л.В., Трофимова Т.Н. Искусственный интеллект в медицине: современное состояние и основные направления развития интеллектуальной диагностики // Лучевая диагностика и терапия. 2020. Т. 11. №1. С. 9-17. URL: https://doi.org/10.22328/2079-5343-2020-11-1-9-17

2. Моисеенко В.М., Мелдо А.А., Уткин Л.В., Прохоров И.Ю., Рябинин М.А., Богданов А.А. Автоматизированная система обнаружения объемных образований в легких как этап развития искусственного интеллекта в диагностике рака легкого // Лучевая диагностика и терапия. 2018. № 3. С. 62-68. URL: https://doi.org/10.22328/2079-5343-2018-9-3-62-68

3. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. СПб.: Питер, 2018. 480 с.

4. Adam Bohr, Kaveh Memarzadeh. Artificial Intelligence in Healthcare. Academic Press, 2020. URL: https://doi.org/10.1016/B978-0-12-818438-7.00014-9

5. Anthony C. Chang, Intelligence-Based Medicine, Academic Press, 2020. URL: https://doi.org/10.1016/B978-0-12-823337-5.00013-5.

6.  Aoe J., Fukuma R., Yanagisawa T., Harada T., Tanaka M., Kobayashi M., et al. Automatic diagnosis of neurological diseases using MEG signals with a deep neural network. Sci Rep. Nature Publishing Group; 2019. No. 9. P. 1-9. URL: https://www.nature.com/articles/s41598-019-41500-x

7. Arai S. China’s AI ambitions revealed by most cited research papers, November 2017. URL: https://www.ft.com/content/daf53474-c21c-11e7-a1d2-6786f39ef675.

8. Gagné J.F. Global AI Talent Report 2019. URL: https://jfgagne.ai/talent-2019/

9. Holzinger A., Biemann C., Pattichis C.S., Kell D.B. What do we need to build explainable AI systems for the medical domain? // arXiv: 1712.09923, Dec 2017.

10. Inoue S., Hatakeyama J., Kondo Y., Hifumi T., Sakuramoto H., Kawasaki T., et al. Post-intensive care syndrome: its pathophysiology, prevention, and future directions. Acute Med Surg. 2019. No. 6 (3). P. 233–46.

11. Kaynak O. The golden age of Artificial Intelligence. Discov Artif Intell 1. 2021. URL: https://doi.org/10.1007/s44163-021-00009-x

12. Kim J., Chae M., Chang H.J., et al. Predicting cardiac arrest and respiratory failure using feasible artificial intelligence with simple trajectories of patient data. J Clin Med. 2019. No. 8. P. 1336. URL: https://doi.org/10.3390/jcm8091336

13. Le Gruenwald Sarika Jain Sven Groppe. Leveraging Artificial Intelligence in Global Epidemics 1st Edition, Academic Press, 2021. URL: https://doi.org/10.1016/B978-0-323-89777-8.00016-6

14. Lovejoy C.A., Buch V., Maruthappu M. Artificial intelligence in the intensive care unit. Crit Care. 2019. No. 23(7). URL: https://doi.org/10.1186/s13054-018-2301-9

15. Nogueira R.G., Silva G.S., Lima F.O., Yeh Y-C., Fleming C., Branco D., et al. The FAST-ED App: a smartphone platform for the field triage of patients with stroke. Stroke. 2017. No. 48. P. 1278–1284. URL: http://dx.doi.org/10.1161/STROKEAHA.116.016026.

16. OECD. (2018). Education Policy in Japan: Building Bridges Towards 2030. Paris: OECD Directorate for Education and Skills.

17. OECD. (2020). Treatments and a vaccine for COVID-19: the need for coordinating policies on R&D, manufacturing and access. Paris: OECD.

18. OECD. (2020). Using artificial intelligence to help combat COVID-19. Paris: OECD.

19. SCAIT, 2017. Artificial Intelligence Technology Strategy. Tokyo: Strategic Council for AI Technology.

20. Sato M., Morimoto K., Kajihara S., Tateishi R., Shiina S., Koike K., et al. Machine-learning approach for the development of a novel predictive model for the diagnosis of hepatocellular carcinoma. Sci Rep. 2019. No. 9. P. 7704. URL: http://dx.doi.org/10.1038/s41598-019-44022-8

21. Strategic Council for AI Technology. Artificial Intelligence Technology Strategy (Report of Strategic Council for AI Technology). 2017. URL: https://www.nedo.go.jp/content/100865202.pdf.

22. Walawalkar D. A fully automated framework for lung tumour detection, segmentation and analysis // arXiv: 1801.01402, Jan 2018.

23. 第IX次 学術推進会議 報告書. 人工知能(AI)と医療. 2018. URL: https://www.med.or.jp/dl-med/teireikaiken/20180620_3.pdf