Особенности оценки экономической эффективности внедрения искусственного интеллекта в систему онкомаммоскрининга (по материалам Свердловской области)

В статье рассматриваются вопросы повышения экономической эффективности онкомаммоскрининга и уточняющей диагностики рака молочной железы (РМЖ) за счет внедрения технологий искусственного интеллекта (ИИ) в России. Отмечается актуальность скрининга рака молочной железы, анализируются научные подходы к проблемам скрининга, различающиеся от условий финансирования здравоохранения, освещаются тенденции использования ИИ в России и мировом медицинском сообществе. Указывается на актуальность проблем организации и реализации скрининговых программ, на пути решения дефицита квалифицированных кадров, большую загруженность лечебнопрофилактических учреждений (ЛПУ), отрицательное влияние указанных факторов на эффективность диагностики ранних форм РМЖ. Обсуждается гипотетическая возможность использования ИИ в качестве помощника врача при замене одного врача в рамках «второго чтения маммограмм» в скрининговых обследованиях, профилактических осмотрах и в уточняющей диагностике РМЖ. На примере Свердловской области приводятся расчеты, доказывающие экономическую целесообразность идиагностическую эффективность предлагаемого алгоритма.

Цель: повышение экономической эффективности программ скрининговой и диагностической рентгеновской маммографии (РМГ) за счет внедрения ИИ в качестве помощника врача по анализу результатов диспансеризации при бюджетном финансировании государственных учреждений здравоохранения Свердловской области.

Задачи исследования. 1. Выделить ключевые проблемы, снижающие эффективность онкомаммоскрининга. 2. Проанализировать эффективность систем автоматизированного выявления патологических образований в молочной железе с помощью ИИ. 3. Обосновать пути повышения экономического эффекта за счет внедрения интеллектуального помощника врача при скрининговой и диагностической рентгеновской маммографии. 4. Определить направления роста рентабельности маммографии как медицинской услуги в рамках бюджетного финансирования. 5. Предложить варианты решения проблемы кадрового дефицита рентгенологов в государственных учреждениях здравоохранения Свердловской области.

1. Каприн А. Д. Состояние онкологической помощи населению России в 2022 году / А. Д. Каприн, В. В. Старинский, А. О. Шахзадова. Москва: МНИОИ им. П. А. Герцена, 2023.

2. Рожкова Н. И., Бурдина И. И., Запирова С. Б., Каприн А. Д., Лабазанова П. Г., Мазо М. Л., Микушин С. Ю., Прокопенко С. П., Якобс О. Э. Онкомаммоскрининг в реализации программ активного долголетия. Академический журнал Западной Сибири. 2019; 15 (2): 3–5.

3. Рассказова Е. А., Рожкова Н. И. Скрининг для ранней диагностики рака молочной железы. Исследования и практика в медицине. 2014; 1 (1): 45–51.

4. Беляев А. М., Стилиди И. С., Каприн А. Д., Личиницер М. Р., Мещеряков А. А., Семиглазов В. Ф., Имянитов Е. Н., Семиглазова Т. Ю., Полторацкий А. Н., Константинов Л. В., Петрусенко И. А., Никитин О. И., Захаров К. А., Трифонов М. И., Плахов Д. Н. Блокчейн в здравоохранении: возможности для использования в клинических исследованиях. Лечебное дело. 2018. С. 100–105.

5. Massat N. J., Dibden A., Parmar D. et al. Impact of screening on breast cancer mortality: the UK program 20 years on. Cancer Epidemiol Biomarkers Prev. 2016; 25: 455–462.

6. Nehmat Houssami, Christoph I Lee, Diana S M Buist, Dacheng Tao. Artificial intelligence for breast cancer screening: Opportunity or hype? PMID: 28938172. DOI: 10.1016/j.breast.2017.09.003

7. Autier P, Boniol M. The incidence of advanced breast cancer in the West Midlands, United Kingdom. Eur. J. Cancer Prev. Feb 2012; 21 (3): 217–221. DOI: 10.1097/CEJ.0b013e328350b107

8. Blumen Helen, Fitch Kathryn, Polkus Vincent. Comparison of Treatment Costs for Breast Cancer, by Tumor Stage and Type of Service Affiliations expand. PMID: 27066193, PMCID: PMC 4822976

9. Семиглазов В. Ф., Канаев С. В., Пожарисский К. П. и др. Органосохраняющее лечение ранних стадий инвазивного рака молочной железы (pTl-2N 0M0): Метод. рек. СПб, 2001. 13 с.

10. Lane DS, Smith RA. Cancer Screening: Patient and Population Strategies, Medical Clinics. July, 14, 2023. DOI: https://doi.org/10.1016/j.mcna.2023.06.002

11. Houssami N, Kirkpatrick-Jones G, Noguchi N, Lee CI. Artificial Intelligence (AI) for the early detection of breast cancer: a scoping review to assess AI' s potential in breast screening practice. Expert Rev Med Devices. 2019; 16: 351–362.

12. Nelson D. J. A review of the importance of immune responses in luminal B breast cancer / D. J. Nelson, B. Clark, K. Munyard, V. Williams, D. Groth, J. Gill, H. Preston, A. Chan. Oncoimmunology. 2017 Jan 1; 6 (3); e1282590.

13. Gerald R Kolb. New tools for cost-effective delivery of breast imaging. Radioliol Manage. 2002 Jul-Aug; 24 (4): 22–6, 28, 30; quiz 32–4. PMID: 12229054.

14. Ioannis Sechopoulos, Ritse M. Mann. Stand-alone artificial intelligence – The future of breast cancer screening? The Breast, 9 (2020) 254e260.

15. Kooi T., Litjens G., van Ginneken B. et al. Large Scale Deep Learning for Computer Aided Detection of Mammographic Lesions. Medical Image Analysis. 2017; 35: 303–312. https://doi.org/10.1016/j.media.2016.07.007

16. Wu N, Phang J, Park J, Shen Y, Huang Z, Zorin M, Jastrzebski S, Fevry T, Katsnelson J, Kim E, Wolfson S, Parikh U, Gaddam S, Lin LLY, Ho K, Weinstein JD, Reig B, Gao Y, Toth H, Pysarenko K, Lewin A, Lee J, Airola K, Mema E, Chung S, Hwang E, Samreen N, Kim SG, Heacock L, Moy L, Cho K, Geras KJ. Deep Neural Networks Improve Radiologists’ Performance in Breast Cancer Screening. IEEE Transactions on Medical Imaging. 2020; 39 (4): 1184–1194. https://doi.org/10.1109/TMI.2019.2945514

17. McKinney SM, Sieniek M, Godbole V, Godwin J, Antropova N, Ashrafian H, Back T, Chesus M, Corrado GS, Darzi A, Etemadi M, Garcia-Vicente F, Gilbert FJ, Halling-Brown M, Hassabis D, Jansen S, Karthikesalingam A, Kelly CJ, King D, Ledsam JR, Melnick D, Mostofi H, Peng L, Reicher JJ, Romera-Paredes B, Sidebottom R, Suleyman M, Tse D, Young KC, De Fauw J, Shetty S. International evaluation of an AI system for breast cancer screening. Nature. 2020; 577 (7788): 89–94. https://doi.org/10.1038/s41586-019-1799-6

18. Siu A. L. MSPH on behalf of the U. S. Preventive Services Task Force. Screening for Breast Cancer: U. S. Preventive Services Task Force Recommendation Statement / A. L. Siu. Ann Intern Med. 2016; 164: 279–296. DOI: 10.7326/M15-2886

19. Rodriguez-Ruiz A, Lång K, Gubern-Merida A. et al. Stand-alone artificial intelligence for breast cancer detection in mammography: comparison with 101 radiologists. J. Natl. Cancer Inst. 2019; 111 (9): 916e22.

20. Морозов С. П., Говорухина В. Г., Диденко В. В., Пучкова О. С., Павлов Н. А., Овсянников А. Г., Андрейченко А.Е., Ледихова Н. В., Владзимирский А. В. Перспективы использования технологий искусственного интеллекта (ИИ) в скрининге рака молочной железы. Вопросы онкологии. 2020; 66 (6): 603–608.

21. Kretz T, Mueller KR, Schaeffter T, Elster C. Mammography image quality assurance using deep learning. IEEE Trans Biomed Eng. 2020; 67 (12): 3317–3326.

22. Lei J, Ou Y, Zhao Y, Tuo X, Zhang B, Shen M. Mammography diagnosis of breast cancer screening through machine learning: a systematic review and meta-analysis. Clinical and Experimental Medicine. 2022; October 15. Online ahead of print. https://doi. org/10.1007/S 10238-022-00895-0

23. Geras K. J., Mann R. M., Moy L. Articial intelligence for mammography and digital breast tomosynthesis: current concepts and future perspectives. Radiology. 2019; 293: 246–259.

24. Moustapha Touré et al. Dimensions Used in Instruments for QALY Calculation: A Systematic Review, J. Environ Res Public Health. 2021 Apr 21; 18 (9): 4428. PMID: 33919471. DOI: 10.3390/ijerph18094428

25. Trister AD, Buist DSM, Lee CI. Will machine learning tip the balance in breast cancer screening? JAMA Oncol. 2017; 3: 1463–1464.

26. Статистический бюллютень «Численность постоянного населения Российской Федерации по муниципальным образованиям на 1 января 2024 года». Федеральная служба государственной статистики (27 апреля 2024).

27. Shweta Mital, Hai V Nguyen. Cost-effectiveness of using artificial intelligence versus polygenic risk score to guide breast cancer screening. BMC Cancer. 2022; 22: Article number: 501. PMCID: PMC 9074290 DOI: 10.1186/s12885-022-09613-1

28. Pepijn Vemer 1,3 Unremarked or Unperformed? Systematic Review on Reporting of Validation Efforts of Health Economic Decision Models in Seasonal Influenza and Early Breast Cancer. Systematic Review. Open access. Published: 29 Apr 2016; 34: 833–845. https://link.springer.com/article/10.1007/s40273–016–0410–3#auth-Pieter_T_-Boer-Aff1

29. Fuchsjäger М. Is the future of breast imaging with AI? European Radiology. 2019. https://doi.org/10.1007/s00330-019-06286-6