Лаборатория биомедицинской информатики и искусственного интеллекта (ЛБМИ и ИИ)
Лаборатория биомедицинской информатики и искусственного интеллекта при Национальном медицинском исследовательском центре нейрохирургии – научное подразделение, которое решает две крупные задачи: поддержка исследований Национального центра и разработка технологий искусственного интеллекта в нейрохирургии.
Для этого в Национальном центре нейрохирургии внедрены современные инструменты планирования исследований, управления клиническими данными, статистического программирования, а также создана собственная суперкомпьютерная инфраструктура.
30 декабря 1984 г. в Московском институте нейрохирургии (ныне Национальном медицинском исследовательском центре нейрохирургии) была создана Медико-математическая лаборатория (ММЛ), руководство которой принял С.М. Бородкин, а с 1992 г. – к.ф.-м.н. М.А. Шифрин.
Среди ярких достижений ММЛ – разработка одной из первых в стране проприетарных медицинских информационных систем «e-Med».
В 2016 г. в соответствии с запросом времени на анализ больших массивов сложно организованных медицинских данных ММЛ трансформирована в Отдел информационных технологий, и в его составе создается лаборатория биомедицинской информатики и искусственного интеллекта под руководством к.м.н. Г.В. Данилова.
В 1981 г. в Московском Институте нейрохирургии появилась первая электронная вычислительная машина СМ-4. А.А. Потапов быстро оценил роль вычислительной техники для анализа медицинских данных, выступив с инициативой создания специализированной лаборатории. Приказом директора Института академика РАН А.Н. Коновалова 30 декабря 1984 г. создана Медико-математическая лаборатория (ММЛ), которую возглавил С.М. Бородкин. В ММЛ работали высококвалифицированные специалисты, выпускники московского физико-технического института (МФТИ), механико-математического факультета Московского государственного университета (МГУ). Лаборатория занималась задачами статического анализа данных Института, в том числе – инструментальных, и в первую очередь – данных электроэнцефалографии. В ММЛ был разработан компьютерный анатомический атлас, на эту тему сотрудницей ММЛ выпускницей МФТИ М.И. Казарновской была защищена кандидатская диссертация. С 1985 года лаборатория стала заниматься цифровой архивацией медицинских данных.
Рисунок – Специалисты в области математики, информационных технологий и анализа медицинских данных Института нейрохирургии им. ак. Н.Н. Бурденко. Фото 1990-х гг. Слева направо: Михаил Абрамович Шифрин, Соломон Матвеевич Бородкин, Людмила Михайловна Фадеева
В 1992 г. руководство ММЛ принял выпускник механико-математического факультета МГУ кандидат физико-математических наук М.А. Шифрин. С его приходом началась работа по созданию собственной «электронной истории болезни» (ЭИБ) «e-Med», запуск которой состоялся 25 февраля 2000 г. К этому времени (1999 г.) было построено новое четырнадцатиэтажное здание Института нейрохирургии на 300 коек, оборудованное современной локальной вычислительной сетью и оптоволоконным выходом в сеть Интернет. Институт нейрохирургии стал одним из первых крупных медицинских учреждений страны с полномасштабной ЭИБ. ММЛ все больше сконцентрировалась на сопровождении и развитии ЭИБ «e-Med», а задачи технического обслуживания информационной инфраструктуры Института взяла на себя выросшая из ММЛ служба технического поддержки.
С 2000 гг. интенсивность хирургической деятельности в Институте неуклонно росла, постепенно фокус ММЛ полностью сместился в сторону технической поддержки ЭИБ «e-Med». Система проработала в Институте-Центре нейрохирургии 18 лет, за эти годы был накоплен уникальный для мировой нейрохирургии цифровой архив данных. Неизбежно появились новые для своего времени вопросы: как использовать колоссальный объём накопленных данных в решении научных и клинических задач? И как при этом соответствовать современным требованиям клинической науки, в том числе требованиям международных журналов?
В 2015 г. Институт преобразован в Национальный медицинский исследовательский центр нейрохирургии имени академика Н.Н. Бурденко, подведомственный Министерству здравоохранения Российской Федерации, который возглавил нейрохирургическую службу России. В этом же году в связи с внедрением новой промышленной медицинской информационной системы в работу Центра и передачей функций по сопровождению системы ее разработчику, освободился значительный ресурс ММЛ, и появилась возможность вновь вернуться к фундаментальным и прикладным исследованиям. В 2016 году в соответствии с приказом директора ФГАУ «НМИЦ нейрохирургии им. ак. Н.Н. Бурденко» Минздрава России академика РАН А.А. Потапова Медико-математическая лаборатория трансформируется в Отдел информационных технологий, и в его составе создается лаборатория биомедицинской информатики (ЛБМИ). Руководителем ЛБМИ стал к.м.н. Г.В. Данилов, бывший аспирант НИИ нейрохирургии, имеющий два высших образования – медицинское и математическое.
Деятельность ЛБМИ сосредоточилась в нескольких направлениях. Первое базовое направление – это поддержка процессов исследовательской деятельности Национального центра нейрохирургии в соответствии с международными рекомендациями и опытом исследований с участием человека. Эта активность тесно связана с вопросами качественного планирования исследований, управления данными в исследованиях с помощью специальных информационных систем класса CDMS (англ. Clinical Data Management Systems), статистического программирования для обеспечения воспроизводимости и масштабируемости статистического анализа данных, а также создания программных продуктов для решения аналитических задач. Следующим важным направлением стала поддержка процессов учета и анализа результатов научной деятельности, что предполагает разработку и администрирование инструментов сбора данных о научной деятельности и анализ публикационной активности и результативности.
Собственная исследовательская деятельность ЛБМИ сконцентрировалась вокруг разработки технологий анализа структурированных и неструктурированных данных, аккумулируемых в процессе клинической работы, применения технологий искусственного интеллекта, в первую очередь - машинного обучения, для исследований в нейрохирургии, разработки интеллектуальных методов анализа публикационной активности и выделения приоритетных научных направлений в нейрохирургии. Относительно новым направлением стала разработка прототипов приложений для эффективного анализа данных и представления результатов на современных языках программирования. ЛБМИ также привлекается к образовательной деятельности, в частности для проведения занятий по планированию и организации клинических исследований.
Один из основных принципов, лежащих в основе работы ЛБМИ, - приверженность концепции Надлежащей клинической практики (Good Clinical Practice, GCP) в исследованиях с участием человека. Другим важным принципом работы ЛБМИ является ориентация внутренних процессов (как для поддержки научной деятельности НМИЦ, так и в собственных исследованиях) на создание так называемых «data products» - программных решений для представления результатов анализа данных (воспроизводимых сценариев анализа в статистических программных средах, утилитарных решений для аналитических задач и других программных приложений). Сотрудники ЛБМИ внедрили в рутинную исследовательскую практику специализированную информационную систему управления клиническими данными и статистическое программирование. Возросла вовлеченность ЛБМИ в публикационную деятельность: каждая пятая статья Центра нейрохирургии стала выходить в соавторстве с сотрудниками ЛМБИ.
Совершенно новым направлением деятельности ЛБМИ стало применение методов искусственного интеллекта и машинного обучения для анализа больших массивов структурированных и неструктурированных данных, накопленных за 2 десятилетия функционирования медицинских информационных систем Института – Национального центра нейрохирургии. В связи с возрастающей актуальностью этих работ и вовлеченностью в них сотрудников Национального центра нейрохирургии в 2018 году ЛБМИ обновляет своё название и становится «Лабораторией биомедицинской информатики и искусственного интеллекта» (ЛБМИ и ИИ). В 2019-2020 гг. ЛБМИ и ИИ оснащается самой современной вычислительной техникой (2 суперкомпьютера производительностью по 5 петафлопс каждая) и получает возможность работать на самом передовом мировом уровне.
Информационные технологии - неотъемлемый компонент современной нейрохирургии, которая генерирует большое количество уникальных сведений о работе нервной системы человека и ее заболеваниях на разных уровнях проявления – от молекулярного до социального. Методы информатики способны связать эту массу разрозненных данных в единое, целостное знание.
Благодаря непрерывной работе медицинских информационных систем с 2000 г. цифровые архивы Национального центра нейрохирургии аккумулировали данные о более, чем 170 000 случаев нейрохирургического лечения, составив уникальную в мировом масштабе коллекцию. Наличие такого ценного банка, ежегодно пополняемого данными о 10 000+ случаях нейрохирургического лечения, открывает уникальные возможности исследования сложных закономерностей нейрохирургии методами анализа больших данных и искусственного интеллекта. Что такое «искусственный интеллект» и каковы его возможности в контексте нейрохирургических исследований и практики?
Термином искусственный интеллект в узком смысле часто обозначают математические, программные технологии, автоматизирующие решения интеллектуальных задач, традиционно решаемых человеком. В более широком смысле «искусственный интеллект» - это раздел компьютерных наук, в рамках которого такие технологии разрабатываются. В настоящее время технологии искусственного интеллекта служат имитации высших когнитивных функций, которая может оказаться полезной на практике. Этой имитации можно добиться с помощью разнообразных технологий (именно поэтому мы говорим о «технологиях искусственного интеллекта»). Однако краеугольной технологией в области искусственного интеллекта сегодня является машинное обучение – способ получения математической модели (в виде компьютерной программы), которая на множестве примеров обучена решать конкретную интеллектуальную задачу. Таким образом, машинное обучение обобщает человеческий опыт в форме математической модели, которую можно применять на практике.
Почему разговор об искусственном интеллекте актуален для нейрохирургии? Нейрохирургия - это единственная клиническая дисциплина, предоставляющая возможность прижизненного исследования головного мозга человека и при этом рутинно генерирующая огромное количество данных, отражающих особенности заболеваний нервной системы и ее реакций на медицинские воздействия. Такие данные ценны для исследований, но сложны для анализа и извлечения знаний. Технологии искусственного интеллекта позволяют использовать этот большой массив данных и помогать в поиске новых знаний, а также автоматизировать решение задач диагностики, поддержки принятия решений и прогноза.
* * *
Несмотря на то, что технологии искусственного интеллекта в медицине и, в частности, в нейрохирургии в 2020-х гг. привлекают особый интерес, они все еще находятся в развитии. Актуальным остается определение реальных потребностей медицины и здравоохранения в искусственном интеллекте, оценка реальных возможностей этих технологий в исследованиях и клинической практике, поиск правильных точек приложения искусственного интеллекта, отталкиваясь от потребностей медицины и здравоохранения. Благодаря наличию большого и быстро пополняемого цифрового архива клинических данных, развитию специализированной инфраструктуры и квалифицированного штата для их анализа, а также активной исследовательской деятельности в области искусственного интеллекта, Национальный центр нейрохирургии сегодня имеет потенциал стать одним из лучших мировых центров высоких цифровых технологий в нейрохирургии.
- A Comparison of Word Embeddings to Study Complications in Neurosurgery / G. Danilov, K. Kotik, M. Shifrin, Y. Strunina, T. Pronkina, T. Tsukanova, T. Ishankulov, M. Shults, E. Makashova, Y. Latyshev, N. Konovalov, A. Potapov // Studies in Health Technology and Informatics. – 2022. – Vol. 289 – 5–8 p. – doi:10.3233/SHTI210845.
- An Information Extraction Algorithm for Detecting Adverse Events in Neurosurgery Using Documents Written in a Natural Rich-in-Morphology Language / G. Danilov, M. Shifrin, U. Strunina, T. Pronkina, A. Potapov // Studies in Health Technology and Informatics. – 2019. – Vol. 262 – 194–197 p. – doi:10.3233/SHTI190051.
- Classification of intracranial hemorrhage subtypes using deep learning on CT scans / G. Danilov, K. Kotik, A. Negreeva, T. Tsukanova, M. Shifrin, N. Zakharova, A. Batalov, I. Pronin, A. Potapov // Studies in Health Technology and Informatics. – 2020. – Vol. 272 – 370–373 p. – doi:10.3233/SHTI200572.
- Danilov, G.V. Artificial intelligence in neurosurgery: A systematic review using topic modeling. part i: Major research areas / G.V. Danilov, M.A. Shifrin, K.V. Kotik, T.A. Ishankulov, Y.N. Orlov, A.S. Kulikov, A.A. Potapov // Sovremennye Tehnologii v Medicine. – 2020a. – Vol. 12 – № 5 – P. 106–113 – doi:10.17691/stm2020.12.5.12.
- Danilov, G.V. Artificial intelligence technologies in neurosurgery: A systematic literature review using topic modeling. Part II: Research objectives and perspectives / G.V. Danilov, M.A. Shifrin, K.V. Kotik, T.A. Ishankulov, Y.N. Orlov, A.S. Kulikov, A.A. Potapov // Sovremennye Tehnologii v Medicine. – 2020b. – Vol. 12 – № 6 – P. 111–118 – doi:10.17691/stm2020.12.6.12.
- Danilov, G. The Classification of Scientific Literature for Its Topical Tracking on a Small Human-Prepared Dataset [Электронный ресурс] / G. Danilov, T. Ishankulov, Y. Orlov, M. Shifrin, K. Kotik, A. Potapov // Studies in Health Technology and Informatics. – IOS Press, 2020c. – Vol. 272 – P. 191–194 – doi:10.3233/SHTI200526.
- Danilov, G. Best Research Practice Implementation: The Experience of the N.N. Burdenko National Medical Research Center of Neurosurgery [Электронный ресурс] / G. Danilov, M. Shifrin, Y. Strunina, T. Ishankulov, T. Zagidullin, E. Makashova, I. Pronin, N. Konovalov, A. Potapov // Studies in Health Technology and Informatics. – IOS Press, 2021. – Vol. 287 – P. 40–44 – doi:10.3233/SHTI210808.
- Danilov, G. Length of Stay Prediction in Neurosurgery with Russian GPT-3 Language Model Compared to Human Expectations. / G. Danilov, K. Kotik, E. Shevchenko, D. Usachev, M. Shifrin, Y. Strunina, T. Tsukanova, T. Ishankulov, V. Lukshin, A. Potapov // Studies in health technology and informatics. – Netherlands, 2022. – Vol. 289 – P. 156–159 – doi:10.3233/SHTI210882.
- Danilov, G.V. Radiomics in Determining Tumor-to-Normal Brain SUV Ratio Based on 11C-Methionine PET/CT in Glioblastoma / G.V. Danilov, D.B. Kalayeva, N.B. Vikhrova, T.A. Konakova, A.I. Zagorodnova, A.A. Popova, A.A. Postnov, S.V. Shugay, I.N. Pronin // Sovremennye tehnologii v medicine. – Journal Sovremennye Tehnologii v Medicine, 2023a. – Vol. 15 – № 1 – P. 5 – doi:10.17691/STM2023.15.1.01.
- Danilov, G. The Assessment of Glioblastoma Metabolic Activity via 11C-Methionine PET and Radiomics [Электронный ресурс] / G. Danilov, D. Kalaeva, N. Vikhrova, T. Konakova, A. Zagorodnova, A. Popova, A. Postnov, S. Shugay, M. Shifrin, I. Pronin // Studies in Health Technology and Informatics. – IOS Press, 2023b. – Vol. 302 – P. 972–976 – doi:10.3233/SHTI230320.
- Danilov, G. Radiogenomics in NF2-Associated Schwannomatosis (Neurofibromatosis Type II): Exploratory Data Analysis [Электронный ресурс] / G. Danilov, E. Makashova, M. Galkin, K. Karandasheva // Studies in Health Technology and Informatics. – IOS Press, 2023c. – Vol. 305 – P. 588–591 – doi:10.3233/SHTI230565.
- Danilov, G. Data Quality Estimation Via Model Performance: Machine Learning as a Validation Tool [Электронный ресурс] / G. Danilov, K. Kotik, M. Shifrin, Y. Strunina, T. Pronkina, T. Tsukanova, V. Nepomnyashiy, N. Konovalov, V. Danilov, A. Potapov // Studies in Health Technology and Informatics. – IOS Press, 2023d. – Vol. 305 – P. 369–372 – doi:10.3233/SHTI230508.
- Danilov, G. Radiomics Enhances Diagnostic and Prognostic Value of Diffusion Kurtosis Imaging in Diffuse Axonal Injury [Электронный ресурс] / G. Danilov, R. Afandiev, E. Pogosbekyan, S. Goraynov, I. Pronin, N. Zakharova // Studies in health technology and informatics. – IOS Press, 2023e. – Vol. 309 – P. 287–291 – doi:10.3233/SHTI230798.
- Detection of muscle weakness in medical texts using natural language processing / G. Danilov, M. Shifrin, Y. Strunina, K. Kotik, T. Tsukanova, T. Pronkina, T. Ishankulov, E. Makashova, A. Kosyrkova, A. Potapov // Studies in Health Technology and Informatics. – 2020. – Vol. 270 – 163–167 p. – doi:10.3233/SHTI200143.
- Gleb Danilov, Konstantin Kotik, Michael Shifrin, Uliya Strunina, Tatiana Pronkina, A.P. Prediction of postoperative hospital stay with deep learning based on 101 654 operative Reports in Neurosurgery / A.P. Gleb Danilov, Konstantin Kotik, Michael Shifrin, Uliya Strunina, Tatiana Pronkina. – 2019. – P. 125–129 – doi:10.3233/978-1-61499-959-1-125.
- Inter-rater reliability of unstructured text labeling: Artificially vs. naturally intelligent approaches / G. Danilov, A. Kosyrkova, M. Shults, S. Melchenko, T. Tsukanova, M. Shifrin, A. Potapov // Public Health and Informatics: Proceedings of MIE 2021. – 2021. – 118–122 p. – doi:10.3233/SHTI210132.
- Ishankulov, T.A. Prediction of Postoperative Speech Dysfunctions in Neurosurgery Based on Cortico-Cortical Evoked Potentials and Machine Learning Technology / T.A. Ishankulov, G.V. Danilov, D.I. Pitskhelauri, O.Y. Titov, A.A. Ogurtsova, S.B. Buklina, E.V. Gulaev, T.A. Konakova, A.E. Bykanov // Sovremennye Tehnologii v Medicine. – 2022. – Vol. 14 – № 1 – P. 25–32 – doi:10.17691/stm2022.14.1.03.
- Noninvasive Glioma Grading with Deep Learning: A Pilot Study / G. Danilov, V. Korolev, M. Shifrin, E. Ilyushin, N. Maloyan, D. Saada, T. Ishankulov, R. Afandiev, A. Shevchenko, T. Konakova, I. Pronin, A. Potapov // Studies in Health Technology and Informatics. – 2022. – Vol. 290 – 675–678 p. – doi:10.3233/SHTI220163.
- Predicting postoperative hospital stay in neurosurgery with recurrent neural networks based on operative reports / G. Danilov, K. Kotik, M. Shifrin, U. Strunina, T. Pronkina, A. Potapov // Studies in Health Technology and Informatics. – 2020. – Vol. 270 – 382–386 p. – doi:10.3233/SHTI200187.
- Predicting the Length of Stay in Neurosurgery with RuGPT-3 Language Model / G. Danilov, K. Kotik, E. Shevchenko, D. Usachev, M. Shifrin, Y. Strunina, T. Tsukanova, T. Ishankulov, V. Lukshin, A. Potapov // Studies in Health Technology and Informatics. – 2022. – Vol. 295 – 555–558 p. – doi:10.3233/SHTI220788.
- Prediction of Postoperative Speech Dysfunction Based on Cortico-Cortical Evoked Potentials and Machine Learning / T. Ishankulov, G. Danilov, D. Pitskhelauri, O. Titov, A. Ogurtsova, S. Buklina, E. Gulaev, T. Konakova, A. Bykanov // Studies in Health Technology and Informatics. – 2022. – Vol. 289 – 33–36 p. – doi:10.3233/SHTI210852.
- Semiautomated approach for muscle weakness detection in clinical texts / G. Danilov, M. Shifrin, Y. Strunina, K. Kotik, T. Tsukanova, T. Pronkina, T. Ishankulov, E. Makashova, A. Kosyrkova, S. Melchenko, T. Zagidullin, A. Potapov // Studies in Health Technology and Informatics. – 2020. – Vol. 272 – 55–58 p. – doi:10.3233/SHTI200492.
- Semiautomatic Identification of Pulmonary Embolism in Electronic Health Records Through Sentence Labeling / G. Danilov, T. Ishankulov, A. Kosyrkova, M. Shults, S. Melchenko, T. Tsukanova, M. Shifrin, A. Potapov // Studies in Health Technology and Informatics. – 2022. – Vol. 289 – 69–72 p. – doi:10.3233/SHTI210861.
- The classification of short scientific texts using pretrained BERT model / G. Danilov, T. Ishankulov, K. Kotik, Y. Orlov, M. Shifrin, A. Potapov // Public Health and Informatics: Proceedings of MIE 2021. – 2021. – 83–87 p. – doi:10.3233/SHTI210125.
- The Prediction of Functional Outcome After Microsurgical Treatment of Unruptured Intracranial Aneurysm Based on Machine Learning / T. Ishankulov, F. Grebenev, U. Strunina, O. Shekhtman, S. Eliava, G. Danilov // Studies in Health Technology and Informatics. – 2022. – Vol. 294 – 470–474 p. – doi:10.3233/SHTI220503.
- Данилов, Г.В. Неинвазивная диагностика глиом головного мозга по гистологическому типу с помощью нейрорадиомики в стандартизированных зонах интереса: на пути к цифровой биопсии / Г.В. Данилов, А.М. Шевченко, Т.А. Конакова, Э.Ю. Погосбекян, С.В. Шугай, Т.В. Цуканова, Н.Е. Захарова, А.И. Баталов, С.Б. Агрба, Н.Б. Вихрова, И.Н. Пронин // Вопросы нейрохирургии имени Н.Н.Бурденко. – 2023. – № 6 – P. 60–67.
- Данилов Г.В. Способ извлечения информации из неструктурированных текстов, написанных на естественном языке (патент RU2751993C1) [Электронный ресурс] / Данилов Г.В., Шифрин М.А., Потапов А.А., Струнина Ю.В., Цуканова Т.В., Пронкина Т.Е., Косырькова А.В., Мельченко С.А. – ФИПС, 2021. – URL: https://www.fips.ru/registers-doc-view/fips_servlet?DB=RUPAT&DocNumber=2751993&TypeFile=html (accessed: 27.12.2021).
Актуальные данные о научной деятельности специалиста доступны по адресу: istina.msu.ru
Учёный секретарь, руководитель лаборатории биомедицинской информатики и искусственного интеллекта, кандидат медицинских наук.
Актуальные данные о научной деятельности специалиста доступны по адресу: istina.msu.ru
Программист, ведущий инженер лаборатории биомедицинской информатики и искусственного интеллекта.
Актуальные данные о научной деятельности специалиста доступны по адресу: istina.msu.ru
Специалист по анализу данных и управлению данными, ведущий инженер лаборатории биомедицинской информатики и искусственного интеллекта.
Актуальные данные о научной деятельности специалиста доступны по адресу: istina.msu.ru
Специалист по медицинским информационным системам, ведущий инженер лаборатории биомедицинской информатики и искусственного интеллекта. (14.02.1973 г. – 26.04.2025 г.)
Актуальные данные о научной деятельности специалиста доступны по адресу: istina.msu.ru
Ведущий инженер лаборатории биомедицинской информатики и искусственного интеллекта (работал в ЛБМИ до 2022 г.)
Актуальные данные о научной деятельности специалиста доступны по адресу: istina.msu.ru
Специалист по анализу данных и технологиям искусственного интеллекта лаборатории биомедицинской информатики и искусственного интеллекта.
Актуальные данные о научной деятельности специалиста доступны по адресу: istina.msu.ru
Специалист по машинному обучению, инженер-физик лаборатории биомедицинской информатики и искусственного интеллекта.
Актуальные данные о научной деятельности специалиста доступны по адресу: istina.msu.ru
Биостатистик, ведущий специалист лаборатории биомедицинской информатики и искусственного интеллекта.
Актуальные данные о научной деятельности специалиста доступны по адресу: istina.msu.ru
Специалист по машинному обучению, инженер лаборатории биомедицинской информатики и искусственного интеллекта.
Актуальные данные о научной деятельности специалиста доступны по адресу: istina.msu.ru
Специалист по машинному обучению, инженер лаборатории биомедицинской информатики и искусственного интеллекта
Актуальные данные о научной деятельности специалиста доступны по адресу: istina.msu.ru
Специалист по машинному обучению, ведущий инженер лаборатории биомедицинской информатики и искусственного интеллекта
Актуальные данные о научной деятельности специалиста доступны по адресу: istina.msu.ru
Рисунок 1. – Схема планирования и проведения научного исследования
В результате планирования исследователи ясно формулируют научные гипотезы, задачи (решаемые методами статистического анализа), набор данных, временную схему сбора данных, организацию анкет и других форм сбора данных в индивидуальной регистрационной карте – и вносят эти сведения в протокол. Протокол исследования - это «инструкция», которая помогает всем участникам исследования одинаково понимать, для чего и как проводится эта работа, на какие вопросы идет поиск ответов, для каких пациентов и как проверяется научная гипотеза, с помощью каких данных и в какие моменты времени собираемых, в каком виде, в какой информационной системе, как они будут проанализированы, и какой конечный результат необходимо получить. Такой документ – основа для многоцентровых клинических исследований.
В НМИЦ нейрохирургии с 2018 года применяется протокол, разработанный в лаборатории биомедицинской информатики и искусственного интеллекта в соответствии с требованиями ГОСТ 52379-2005 «Надлежащая клиническая практика» (аналог стандарта ICH GCP, англ. Good Clinical Practice).
В результате планирования исследователи ясно формулируют научные гипотезы, задачи (решаемые методами статистического анализа), набор данных, временную схему сбора данных, организацию анкет и других форм сбора данных в индивидуальной регистрационной карте – и вносят эти сведения в протокол. Протокол исследования - это «инструкция», которая помогает всем участникам исследования одинаково понимать, для чего и как проводится эта работа, на какие вопросы идет поиск ответов, для каких пациентов и как проверяется научная гипотеза, с помощью каких данных и в какие моменты времени собираемых, в каком виде, в какой информационной системе, как они будут проанализированы, и какой конечный результат необходимо получить. Такой документ – основа для многоцентровых клинических исследований.
В НМИЦ нейрохирургии с 2018 года применяется протокол, разработанный в лаборатории биомедицинской информатики и искусственного интеллекта в соответствии с требованиями ГОСТ 52379-2005 «Надлежащая клиническая практика» (аналог стандарта ICH GCP, англ. Good Clinical Practice).
Рисунок 2. – Шаблон протокола исследований, разработанный в НМИЦ нейрохирургии
Эффективность и высокое качество процесса управления данными обеспечивается использованием современных инструментов – информационных систем управления клиническими данными (CDMS, Clinical Data Management Systems) и следованием принципам GCP. В индустрии клинических исследований, в первую очередь – лекарственных средств, используются системы разных производителей. Однако применение таких систем в академической медицинской науке ограничивается их высокой стоимостью.
Альтернативой коммерческим CDMS сегодня являются системы, распространяемые бесплатно. В мире среди таких систем наиболее популярны две. Первая – CDMS REDCap (от англ. Research Electronic Data Capture), разработанная в Университете Вандербильта, США. Система распространяется по лицензии для некоммерческого использования в исследовательских целях. Вторая – CDMS OpenClinica (разработана компанией OpenClinica LLC, США) распространяется по лицензии GNU Lesser General Public License (GNU LGPL) как открытое программное обеспечение.
Автономная версия системы REDCap была установлена на сервер НМИЦ нейрохирургии и эксплуатировалась как средство управления данными в исследованиях, планируемых с 2017 года. Сегодня мы работаем над созданием отечественной системы управления клиническими данными с учётом опыта, накопленного за последние годы.
У биостатистика множество функций в клиническом исследовании, среди которых:
обязательное участие в планировании исследования и разработке протокола,
формулирование задач, решаемых с помощью методов математической статистики,
выбор дизайна исследования в зависимости от задач исследования,
определение набора данных, необходимых для решения задачи,
выбор методов статистического анализа под задачи исследования,
расчёт объемов выборки для обеспечения заданных мощности исследования и величины ошибки первого рода,
статистический анализ данных.
В ФГАУ «НМИЦ нейрохирургии им. ак. Н.Н. Бурденко» Минздрава России статистический анализ проводится с помощью написания программ на языке статистического программирования R. Такой подход реализует принцип «воспроизводимости исследований» (англ. reproducible research) и эффективность реализации долгосрочных исследовательских проектов.
В академических научных исследованиях методы управления проектами обеспечивают командную работу специалистов с разными компетенциями:
постановщик задач (автор идеи),
биостатистик,
специалист по управлению данными (Data manager),
главный исследователь (PI),
группа исследователей,
координатор проекта (project manager),
операционная группа.
Оформление результатов исследования (англ. medical writing) целесообразно проводить с ориентацией на рекомендации сообщества EQUATOR NETWORK в связи с несколькими обстоятельствами:
рекомендации обеспечивают высокое методологическое качество исследований и повышают доверие к их результатам,
сообщество разработало удобные чек-листы для изложения результатов исследования,
многие авторитетные научные журналы принимают к рассмотрению работы, оформленные строго по рекомендациям EQUATOR NETWORK.
Рисунок – Приложение для анализа данных наукометрической системы ИСТИНА (МГУ), разработанное в лаборатории биомедицинской информатики и искусственного интеллект
Ниже перечислены основные направления и текущие разработки лаборатории.
Сохранение уникальных клинических данных за все годы работы МИС разных поколений и смежных информационных систем.
Организация всех полезных данных у единственного оператора-владельца архива – НМИЦ нейрохирургии.
Обеспечение информационной безопасности, унификация правил хранения и доступа к клиническим и научным данным, и их деперсонификации.
Создание единой точки входа аналитических запросов для экспорта клинических и научных данных, формирование «единой версии истины» (англ., Single Version Of Truth, SVOT) в отношении данных.
Свободная, гибкая аналитика данных в любом объеме и разрезе, за любой период времени, для произвольной научной задачи.
Интеграция с другими информационными системами НМИЦ нейрохирургии (PACS, центральные рабочие станции для мониторов витальных функций и прочие) и программными сервисами.
Высокая скорость доступа к данным и возможность их использования в подключаемых информационных сервисах в режиме онлайн.
В настоящее время лаборатория биомедицинской информатики совместно со службой информационных технологий и другими заинтересованными подразделениями НМИЦ нейрохирургии проводит активную работу по созданию такого архива.
Рисунок – Концепция единого архива деперсонализированных медицинских и научных данных
Подробнее с концепцией цифрового архива медицинских и научных данных можно познакомиться в нашей работе.
Учитывая накопление данных лучевых исследований в цифровом формате, все более актуальным становится вопрос: возможно ли с помощью комплексной лучевой диагностики проводить так называемую «цифровую биопсию»? Например, в нейроонкологии определять гистологический и молекулярный типы опухоли по паттернам цифрового изображения?
В настоящее время целая серия работ ФГАУ «НМИЦ нейрохирургии им. ак. Н.Н. Бурденко» Минздрава России посвящена исследованию медицинских изображений с помощью радиомики – совокупности методов извлечения большого числа количественных признаков из медицинских изображений
Рисунок 1. – Технологический процесс радиомики
В лаборатории биомедицинской информатики и искусственного интеллекта были проведены исследования по предсказанию гистологического и молекулярного типов глиальных опухолей, а также выживаемости пациентов с этими новообразованиями по данным МРТ и ПЭТ. Была выполнена пионерская работа, демонстрирующая потенциальную связь паттернов визуализации и генотипа вестибулярных шванном при нейрофиброматозе II типа [Danilov, 2023c]. Продемонстрирована принципиальная возможность различения глиальных опухолей 4-х степеней злокачественности по классификации ВОЗ (2016) с помощью искусственных нейронных сетей [Noninvasive Glioma Grading with Deep Learning: A Pilot Study, 2022]. Получена модель, прогнозирующая индекс накопления 11C-метионина по данным ПЭТ глиобластом [Danilov, 2023b][Danilov, 2023a]. Были предложены методы стандартизации зон интереса по форме и объему, а также использование маски целого мозга в качестве стандартизированной зоны интереса. Показано, что стандартизация зон интереса для извлечения количественных признаков изображений методами радиомики позволяет с достаточно высокой точностью дифференцировать отдельные гистологические типы глиальных опухолей по данным МРТ [Данилов, 2023]. Проведение этих исследований приближает к реализации идеи «цифровой биопсии» новообразований.
Обозначенные выше технологии могут применяться не только в нейроонкологии. Мы показали потенциал радиомики в диагностике и прогнозе диффузного аксонального повреждения мозга [Danilov, 2023e].
Одна из наиболее цитируемых работ ЛБМИ и ИИ посвящена классификации внутричерепных кровоизлияний по данным компьютерной томографии с помощью искусственных нейронных сетей [Classification of intracranial hemorrhage subtypes using deep learning on CT scans, 2020].
Результаты, полученные в направлении неивазивной диагностики, говорят о возможности повышения информативности традиционной экспертной оценки медицинских изображений с помощью технологий искусственного интеллекта.
Современный уровень технологий компьютерного зрения позволяет автоматизировать множество рутинных в работе лучевого диагноста задач, таких как автооконтуривание патологических сигналов, волюметрия, подсчет количества патологических сигналов, оценка динамики образований по форме и размерам и т.д. Учитывая отсутствие в современных DICOM-просмотрщиках функций, специфических для нейровизуализации, в настоящее время лаборатория биомедицинской информатики и искусственного интеллекта разрабатывает свой веб-просмотрщик медицинских изображений с технологиями искусственного интеллекта.
Рисунок 2. – Собственный веб-просмотрщик изображений в формате DICOM с технологиями искусственного интеллекта
Рисунок 1. – Детекция позы и положения рук нейрохирурга с помощью моделей компьютерного зрения
С помощью моделей компьютерного зрения мы определяем условную «оптимальность» или «неоптимальность» позы и положения рук хирурга. Кроме того, мы измеряем показатели, отражающие точность и эффективность микродвижений. И эту информацию можно использовать и для изучения факторов микрохирургической точности, и для контролируемого обучения микрохирургической технике. Исследованию точности макро- и микродвижений нейрохирурга с помощью технологий искусственного интеллекта был посвящен специальный научный проект Национального центра нейрохирургии, поддержанный грантом Российского научного фонда 22-75-10117 (руководитель – нейрохирург к.м.н. А.Е. Быканов). Подобные технологии могут быть использованы в составе тренажеров для обучения нейрохирургов микрохирургическим навыкам [Bykanov, 2023].
Рисунок 2. – Анализ качества микрохирургических движений за счет слежения за перемещением рабочей части микрохирургического инструмента
Кинематический анализ на основе компьютерного зрения можно использовать в довольно широком круге клинических задачи – в частности, для оценки функционального состояния пациента, его двигательных функций и др.
Ещё один пример применения кинематического анализа – разрабатываемый в лаборатории сервис контроля качества мытья рук перед хирургическими манипуляциями.
Рисунок 3. – Детекция анатомических структур рук моделью компьютерного зрения для анализа качества их предоперационной обработки
Модели машинного обучения сегодня позволяют учитывать большое число факторов в оценке рисков хирургических воздействий. И тем самым персонализовать эту оценку.
В Национальном центре нейрохирургии была продемонстрирована возможность персонализированно прогнозировать риски неблагоприятного исхода операций по поводу неразорвавшихся аневризм с высокими показателями качества (точность = 0,922; F-мера = 0,904) при учеёте 24 индивидуальных параметров пациента [The Prediction of Functional Outcome After Microsurgical Treatment of Unruptured Intracranial Aneurysm Based on Machine Learning, 2022].
В другой нашей работе была показана прогностическая ценность интраоперационных кортико-кортикальных вызванных потенциалов в прогнозе послеоперационного речевого дефицита у пациентов с глиальными опухолями, локализованными в области центров речи (национальный патент 2 806 013) [Prediction of Postoperative Speech Dysfunction Based on Cortico-Cortical Evoked Potentials and Machine Learning, 2022][Ishankulov, 2022].
Благодаря применению технологий искусственного интеллекта оценка рисков в нейрохирургии становится более объективной, научно обоснованной. Мы считаем, что такие модели могут стать полезным инструментом для поддержки принятия решений в нейрохирургии.
Рисунок – Прогнозируемые исходы хирургического лечения неразорвавшихся церебральных аневризм
Приложение UTOPIA позволяет рассчитать риск хирургического лечения неразорвавшихся церебральных аневризм с учётом индивидуальных характеристик пациента и предполагаемых особенностей вмешательств. Такое научно обоснованное «взвешивание» рисков может быть полезно при планировании вмешательств на так называемых «сложных» аневризмах.
Приложение UTOPIA доступно:
UTOPIA
Рисунок 1. – Приложение UTOPIA для оценки рисков хирургического лечения неразорвавшихся церебральных аневризм
Данный подход к оценке рисков хирургического лечения привёл к разработке шкалы оценки рисков как инструмента маршрутизации (направления на лечения) пациентов для лечения неразорвавшихся церебральных аневризм. Калькулятор оценки рисков для маршрутизации лечения в региональных или федеральных медицинских учреждениях доступен:
Калькулятор aneroute.nsi.ru
Рисунок 2. – Калькулятор-шкала маршрутизации пациентов для лечения неразорвавшихся церебральных аневризм
Первые успехи в данном направлении стимулировали развитие методов анализа текстовых данных. Более подробно об этих исследованиях можно прочитать в наших публикациях.
В лаборатории биомедицинской информатики и искусственного интеллекта был предложен и запатентован способ извлечения информации из неструктурированных текстов, написанных на естественном языке (национальный патент 2 751 993), позволяющий прицельно извлекать информацию из миллионов текстовых записей за разумное время и с максимальной чувствительностью [An Information Extraction Algorithm for Detecting Adverse Events in Neurosurgery Using Documents Written in a Natural Rich-in-Morphology Language, 2019] [Данилов Г.В., 2021] [Semiautomated approach for muscle weakness detection in clinical texts, 2020][Detection of muscle weakness in medical texts using natural language processing, 2020] [Semiautomatic Identification of Pulmonary Embolism in Electronic Health Records Through Sentence Labeling, 2022].
Подчеркнём, что работы нашего Центра говорят о важности культуры письменной речи врача: медицинские тексты, хорошо разделяемые по смыслу экспертом, могут с очень высокой точностью быть «поняты» алгоритмами машинного обучения [Inter-rater reliability of unstructured text labeling: Artificially vs. naturally intelligent approaches, 2021] [Danilov, 2023d]. Данная методология была реализована в приложении «Нейролексика».
Рисунок 1. – Приложение «Нейролексика» для извлечения информации из неструктурированных текстов
В Национальном центре был предложен способ определения и классификации нестрого определенных понятий на основе анализа контекста их употребления в медицинских записях (национальный патент 2 795 870). В частности, предложены определение и классифицирующие признаки понятия «осложнение» в контексте задачи мониторинга безопасности оказания нейрохирургической помощи.
В настоящее время активно разрабатываются технологии мониторинга нежелательных явлений по неструктурированным текстовым данным. Сегодня в НМИЦ нейрохирургии разработан сервис автоматизации первичного скрининга медицинской документации для анализа осложнений с помощью большой языковой модели.
Рисунок – Кабинет оператора информационной системы мониторинга осложнений
Сервис искусственного интеллекта анализирует входящие документы и автоматически направляет заявку на консультацию в соответствующее клиническое отделение. Такой механизм, благодаря «молниеносной скорости реакции» на входящие события, существенно ускоряет работу телемедицинской службы.
Рисунок 1. – Приложение для голосового ввода с выбором шаблона оформления структурированного медицинского документа на основе голосового ввода
С помощью сервисов на основе больших языковых моделей первичный транскрипт записи голоса удается преобразовать и структурировать в виде строго оформленного медицинского документа.
Рисунок 2. – Пример структурирования транскрипта вымышленного диалога врача и пациента в документ первичного медицинского осмотра
***
Данный сервис можно применять для оформления протоколов осмотров, инструментальных исследований, протоколов операций, заключений консилиумов и других медицинских документов.
По результатам участия во II Китайско-Российском нейрохирургическом форуме (г. Харбин, 2019 г.) с докладом о возможностях и перспективах искусственного интеллекта в нейрохирургии Г. В. Данилов был награждён званием «Почётный профессор» Харбинского медицинского университета. В декабре 2019 г. К. В. Котик занял лидирующие позиции в конкурсе по анализу данных на международной платформе Kaggle, разработав модель автоматической классификации внутричерепных кровоизлияний [Classification of intracranial hemorrhage subtypes using deep learning on CT scans, 2020]. В июле 2020 года на Европейской конференции по медицинской информатике ICIMTH 2020 команда лаборатории получила приз за лучшую научную статью, посвященную анализу медицинских публикаций и выполненную при лидирующем участии Т. А. Ишанкулова [Danilov, 2020c]. На Европейском конгрессе по медицинской информатике MIE 2021 работа лаборатории по данной тематике вошла в топ-8 лучших работ конгресса [The classification of short scientific texts using pretrained BERT model, 2021]. В октябре 2021 г. на Европейской конференции по медицинской информатике ICIMTH 2021 сотрудники лаборатории вновь получили приз за лучшую научную работу с использованием технологий векторной семантики – фрагмент докторской диссертации Данилова Г. В. [A Comparison of Word Embeddings to Study Complications in Neurosurgery, 2022]. В 2023 году Данилова Г. В. избирают в президиум Национальной ассоциации медицинской информатиков (НАМИ). В 2025 году по приглашению президента Азиатской ассоциации нейрохирургов профессора Йоко Като Данилов Г. В. возглавляет первый в мировом нейрохирургическом сообществе специализированный комитет по искусственному интеллекту в нейрохирургии Азиатской ассоциации нейрохирургов.
Авторы:
Данилов Г.В.,
Быканов А.Е.,
Ишанкулов Т.А.,
Титов О.Ю.,
Пицхелаури Д.И.
Авторы:
Данилов Глеб Валерьевич,
Цуканова Татьяна Васильевна,
Струнина Юлия Владимировна,
Ишанкулов Тимур Александрович,
Котик Константин Владимирович,
Потапов Александр Александрович.
Авторы:
Данилов Глеб Валерьевич,
Шифрин Михаил Абрамович,
Потапов Александр Александрович,
Струнина Юлия Владимировна,
Цуканова Татьяна Васильевна,
Пронкина Татьяна Евгеньевна,
Косырькова Александра Вячеславовна,
Мельченко Семен Андреевич.
|
[1] |
DANILOV, G., AFANDIEV, R., POGOSBEKYAN, E., GORAYNOV, S., PRONIN, I., and ZAKHAROVA, N. Radiomics enhances diagnostic and prognostic value of diffusion kurtosis imaging in diffuse axonal injury. In Studies in Health Technology and Informatics (Netherlands, 2023), vol. 309, I O S press, pp. 287–291. [ DOI ] |
|
[2] |
DANILOV, G., ISHANKULOV, T., KOSYRKOVA, A., SHULTS, M., MELCHENKO, S., TSUKANOVA, T., SHIFRIN, M., and POTAPOV, A. Semiautomatic identification of pulmonary embolism in electronic health records through sentence labeling. In Studies in Health Technology and Informatics (NIEUWE HEMWEG 6B, AMSTERDAM, NETHERLANDS, 1013 BG, 2022), vol. 289, IOS PRESS, pp. 69–72. [ DOI ] |
|
[3] |
DANILOV, G., ISHANKULOV, T., KOTIK, K., ORLOV, Y., SHIFRIN, M., and POTAPOV, A. The classification of short scientific texts using pretrained bert model. In Studies in Health Technology and Informatics (2021), pp. 83–87. |
|
[4] |
DANILOV, G., ISHANKULOV, T., ORLOV, Y., SHIFRIN, M., KOTIK, K., and POTAPOV, A. The classification of scientific literature for its topical tracking on a small human-prepared dataset. In International Conference on Informatics Management and Technology in Healthcare 2020 (Афины, Греция, 2020), pp. 191–194. |
|
[5] |
DANILOV, G., KALAEVA, D., VIKHROVA, N., KONAKOVA, T., ZAGORODNOVA, A., POPOVA, A., POSTNOV, A., SHUGAY, S., SHIFRIN, M., and PRONIN, I. The assessment of glioblastoma metabolic activity via 11c-methionine pet and radiomics. In Studies in health technology and informatics (NIEUWE HEMWEG 6B, AMSTERDAM, NETHERLANDS, 1013 BG, 2023), vol. 302, IOS PRESS, pp. 972–976. [ DOI ] |
|
[6] |
Danilov, G., Kalaeva, D., Vikhrova, N., Shugay, S., Telysheva, E., Goraynov, S., Kosyrkova, A., Pavlova, G., Drozd, S., Samoylenkova, N., Pronin, I., and Usachev, D. Enhancing survival prediction: The potential of whole-brain radiomics in multimodal neuroimaging. In Studies in Health Technology and Informatics (2025). |
|
[7] |
DANILOV, G., KALAEVA, D., VIKHROVA, N., SHUGAY, S., TELYSHEVA, E., GORAYNOV, S., KOSYRKOVA, A., PAVLOVA, G., PRONIN, I., and USACHEV, D. Does whole brain radiomics on multimodal neuroimaging make sense in neuro-oncology? a proof of concept study. In Studies in Health Technology and Informatics(2025). |
|
[8] |
Danilov, G., Korolev, V., Shifrin, M., Ilyushin, E., Maloyan, N., Saada, D., Ishunkulov, T., Afandiev, R., Shevchenko, A., Konakova, T., Tsukanova, T., Shugay, S., Pronin, I., and Potapov, A. Noninvasive glioma grading with deep learning: a pilot study. In MEDINFO 2021 - One World, One Health: Global Partnership for Digital Innovation (2022), pp. 675–678. [ DOI ] |
|
[9] |
Danilov, G., Kostyumov, V., Pilipenko, O., Ilyushin, E., Pitskhelauri, D., Zelenova, A., and Bykanov, A. Computer vision for assessing surgical movements in neurosurgery. In Studies in Health Technology and Informatics EFMI MIE (IOS PRESS, 2024), vol. 316, pp. 934–938. [ DOI ] |
|
[10] |
DANILOV, G., KOSYRKOVA, A., SHULTS, M., MELCHENKO, S., TSUKANOVA, T., SHIFRIN, M., and POTAPOV, A. Inter-rater reliability of unstructured text labeling: Artificially vs. naturally intelligent approaches. In Studies in Health Technology and Informatics (2021), pp. 118–122. |
|
[11] |
DANILOV, G., KOTIK, K., NEGREEVA, A., TSUKANOVA, T., SHIFRIN, M., ZAKHAROVA, N., BATALOV, A., PRONIN, I., and POTAPOV, A. Classification of intracranial hemorrhage subtypes using deep learning on ct scans. In International Conference on Informatics Management and Technology in Healthcare 2020(Афины, Греция, 2020), pp. 370–373. |
|
[12] |
Danilov, G., Kotik, K., Shevchenko, E., Usachev, D., Shifrin, M., Strunina, Y., Tsukanova, T., Ishankulov, T., Lukshin, V., and Potapov, A. Predicting the length of stay in neurosurgery with rugpt-3 language model. In Studies in Health Technology and Informatics (NIEUWE HEMWEG 6B, AMSTERDAM, NETHERLANDS, 1013 BG, 2022), IOS PRESS, pp. 555–558. |
|
[13] |
DANILOV, G., KOTIK, K., SHEVCHENKO, E., USACHEV, D., SHIFRIN, M., STRUNINA, Y., TSUKANOVA, T., ISHANKULOV, T., LUKSHIN, V. A., and POTAPOV, A. Length of stay prediction in neurosurgery with russian gpt-3 language model compared to human expectations. In Studies in Health Technology and Informatics(2021), pp. 1–4. |
|
[14] |
Danilov, G., Kotik, K., Shifrin, M., Strunina, U., Pronkina, T., and Potapov, A. Prediction of postoperative hospital stay with deep learning based on 101 654 operative reports in neurosurgery. In ICT for Health Science Research (Amsterdam, Netherlands, 2019), vol. 258 of Studies in Health Technology and Informatics, IOS Press, pp. 125–129. |
|
[15] |
Danilov, G., Kotik, K., Shifrin, M., Strunina, U., Pronkina, T., and Potapov, A. Predicting postoperative hospital stay in neurosurgery with recurrent neural networks based on operative reports. In HEALTH INFORMATICS VISION: FROM DATA VIA INFORMATION TO KNOWLEDGE (IOS PRESS, 2020), Studies in Health Technology and Informatics, pp. 382–386. |
|
[16] |
Danilov, G., Kotik, K., Shifrin, M., Strunina, Y., Pronkina, T., Tsukanova, T., Ishankulov, T., Shults, M., Makashova, E., Latyshev, Y., Sufianov, R., Sharipov, O., Nazarenko, A., Konovalov, N., and Potapov, A. A comparison of word embeddings to study complications in neurosurgery. In Studies in Health Technology and Informatics (NIEUWE HEMWEG 6B, AMSTERDAM, NETHERLANDS, 1013 BG, 2022), vol. 289, IOS PRESS, pp. 5–8. [ DOI ] |
|
[17] |
Danilov, G., Kotik, K., Shifrin, M., Strunina, Y., Pronkina, T., Tsukanova, T., Nepomnyashiy, V., Konovalov, N., Danilov, V., and Potapov, A. Data quality estimation via model performance: Machine learning as a validation tool. In Studies in health technology and informatics (NIEUWE HEMWEG 6B, AMSTERDAM, NETHERLANDS, 1013 BG, 2023), vol. 305, IOS PRESS, pp. 369–372. [ DOI ] |
|
[18] |
Danilov, G., Kotik, K., Shifrin, M., Strunina, Y., Pronkina, T., Tsukanova, T., Nepomnyashiy, V., Konovalov, N., and Potapov, A. Multinomial classification of neurosurgical operations using gradient boosting and deep learning algorithms. In Studies in Health Technology and Informatics (NIEUWE HEMWEG 6B, AMSTERDAM, NETHERLANDS, 1013 BG, 2022), IOS PRESS, pp. 418–421. |
|
[19] |
DANILOV, G., MAKASHOVA, E., GALKIN, M., and KARANDASHEVA, K. Radiogenomics in nf2-associated schwannomatosis (neurofibromatosis type ii): Exploratory data analysis. In Studies in health technology and informatics (NIEUWE HEMWEG 6B, AMSTERDAM, NETHERLANDS, 1013 BG, 2023), vol. 305, IOS PRESS, pp. 588–591. [ DOI ] |
|
[20] |
Danilov, G., Pilipenko, O., Kostyumov, V., Trubetskoy, S., Maloyan, N., Nutfullin, B., Ilyushin, E., Pitskhelauri, D., Zelenova, A., and Bykanov, A. A neurosurgical instrument segmentation approach to assess microsurgical movements. In Studies in Health Technology and Informatics (2024), vol. 321, pp. 185–189. [ DOI ] |
|
[21] |
DANILOV, G., POSTNOV, A., KALAEVA, D., VIKHROVA, N., KOBYAKOVA, T., and PRONIN, I. Can radiomics of dynamic pet imaging with 11c-methionine predict egfr amplification status in glioblastoma? Applied Medical Informatics 46, Suppl. 2/2024 (2024), S1–S4. |
|
[22] |
Danilov, G., Shevchenko, A., Afandiev, R., Batalov, A., Pogosbekyan, E., Zakharova, N., Shugai, S., and Pronin, I. Reproducibility of radiomic features in glial brain tumors. In Studies in Health Technology and Informatics EFMI MIE (IOS PRESS, 2024), vol. 316, pp. 1165–1166. [ DOI ] |
|
[23] |
Danilov, G., Shifrin, M., Ishankulov, T., Kotik, K., and Potapov, A. Artificial intelligence in the management of glial tumors. In Functional Anatomy of the Brain: A View from the Surgeon’s Eye (VAN GODEWIJCKSTRAAT 30, DORDRECHT, NETHERLANDS, 3311GZ, 2023), SPRINGER, p. Chapter 21. [ DOI ] |
|
[24] |
Danilov, G., Shifrin, M., Strunina, U., Pronkina, T., and Potapov, A. An information extraction algorithm for detecting adverse events in neurosurgery using documents written in a natural rich-in-morphology language. In HEALTH INFORMATICS VISION: FROM DATA VIA INFORMATION TO KNOWLEDGE (NIEUWE HEMWEG 6B, AMSTERDAM, NETHERLANDS, 1013 BG, 2019), vol. 262 of Studies in Health Technology and Informatics, IOS PRESS, pp. 194–197. [ DOI ] |
|
[25] |
DANILOV, G., SHIFRIN, M., STRUNINA, Y., ISHANKULOV, T., ZAGIDULLIN, T., MAKASHOVA, E., PRONIN, I., KONOVALOV, N., and POTAPOV, A. Best research practice implementation: the experience of the n.n. burdenko national medical research center of neurosurgery. In Studies in Health Technology and Informatics(2021), pp. 1–5. |
|
[26] |
Danilov, G., Shifrin, M., Strunina, Y., Kotik, K., Tsukanova, T., Pronkina, T., Ishankulov, T., Makashova, E., Kosyrkova, A., Melchenko, S., Zagidullin, T., and Potapov, A. Semiautomated approach for muscle weakness detection in clinical texts. In International Conference on Informatics Management and Technology in Healthcare 2020 (Афины, Греция, 2020), pp. 55–58. |
|
[27] |
Danilov, G., Shifrin, M., Strunina, Y., Kotik, K., Tsukanova, T., Pronkina, T., Ishankulov, T., Makashova, E., Kosyrkova, A., and Potapov, A. Detection of muscle weakness in medical texts using natural language processing. In HEALTH INFORMATICS VISION: FROM DATA VIA INFORMATION TO KNOWLEDGE (IOS PRESS, 2020), Studies in Health Technology and Informatics, pp. 163–167. |
|
[28] |
Ishankulov, T., Danilov, G., Kotik, K., Orlov, Y., Shifrin, M., and Potapov, A. The classification of scientific abstracts using text statistical features. In MEDINFO 2021 - One World, One Health: Global Partnership for Digital Innovation (2022), pp. 263–267. [ DOI ] |
|
[29] |
ISHANKULOV, T., GREBENEV, F., STRUNINA, U., SHEKHTMAN, O., ELIAVA, S., and DANILOV, G. The prediction of functional outcome after microsurgical treatment of unruptured intracranial aneurysm based on machine learning. In Studies in Health Technology and Informatics (2022), vol. 294, pp. 470–474. [ DOI ] |
|
[30] |
Ishankulov, T. A., Danilov, G. V., Pitskhelauri, D. I., Titov, O. Y., Ogurtsova, A. A., Buklina, S. B., Gulaev, E. V., Konakova, T. A., and Bykanov, A. E. Prediction of postoperative speech dysfunction based on cortico-cortical evoked potentials and machine learning. In International Conference on Informatics Management and Technology in Healthcare 2021 (2021), pp. 1–4. |
|
[31] |
Kosyrkova, A., Ilyushin, E., Saada, D., Afandiev, R., Baev, A., Pogosbekyan, E., Okhlopkov, V., Danilov, G., Batalov, A., Pronin, I., Zakharova, N., Ogurtsova, A., Kravchuck, A., Pitskhelauri, D., Potapov, A., and Goryaynov, S. Predicting the increase in postoperative motor deficits in patients with supratentorial gliomas using machine learning methods. In Supplementary Proceedings of the XXIII International Conference on Data Analytics and Management in Data Intensive Domains (DAMDID/RCDL 2021) (CEUR-WS Moscow, 2021), pp. 120–133. |
|
[32] |
Lasunin, N. V., Cherekaev, V. A., Danilov, G. V., Abdullaev, A. N., Efremov, K. V., Golbin, D. A., and Melchenko, S. A. Predictive model for orbital target volume for reconstruction in hyperostotic sphenoid wing meningiomas. Clinical Neurology and Neurosurgery 249 (2025), 108692. [ DOI ] |
|
[33] |
Savin, I., Kurdyumova, N., Ershova, K., Khomenko, O., Ershova, O., Danilov, G., Shifrin, M., and Zelman, V. Healthcare-associated ventriculitis and meningitis in a neuro-icu: Incidence and risk factors selected by machine learning approach. Journal of Critical Care 45, 6 (2018), 95–104. [ DOI ] |
|
[34] |
Shifrin, M., Danilov, G., Shklovskiy-Kordi, N., and Zingerman, B. Diagnostic games as a teaching tool. In DATA, INFORMATICS AND TECHNOLOGY: AN INSPIRATION FOR IMPROVED HEALTHCARE (NIEUWE HEMWEG 6B, AMSTERDAM, NETHERLANDS, 1013 BG, 2018), vol. 251 of Studies in Health Technology and Informatics, IOS PRESS, pp. 305–308. [ DOI ] |
|
[35] |
Shifrin, M., Khavtorin, A., and Danilov, G. Artificial intelligence: on the way to doctor's trust. In ADVANCES IN INFORMATICS, MANAGEMENT AND TECHNOLOGY IN HEALTHCARE (Amsterdam, Netherlands, 2022), vol. 295 of Studies in Health Technology and Informatics, IOS Press, pp. 534–537. [ DOI ] |
|
[36] |
Shifrin, M., Kurdumova, N., Danilov, G., Ershova, O., Savin, I., Alexandrova, I., Sokolova, E., and Tabasaranskiy, T. Electronic patient record as a monitoring tool. In Digital Healthcare Empowering Europeans, Proceedings of the MIE2015, the 26th Medical Informatics in Europe conference (Amsterdam, Netherlands, 2015), vol. 210 of Studies in Health Technology and Informatics, IOS Press, pp. 236–240. [ DOI ] |
|
[37] |
Афандиев, Р. М., Захарова, Н. Е., Данилов, Г. В., Погосбекян, Э. Л., Александрова, Е. В., Горяйнов, С. А., Латышев, Я. А., Косырькова, А. В., Кравчук, А. Д., Усачев, Д. Ю., and Пронин, И. Н. Применение радиомики по данным диффузионно-куртозисной МРТ при диффузном аксональном повреждении и прогнозировании клинических исходов. Инновационная медицина Кубани 1, 4 (2024), 30–31. |
|
[38] |
Афандиев, Р. М., Захарова, Н. Е., Данилов, Г. В., Погосбекян, Э. Л., Горяйнов, С. А., Латышев, Я. А., Косырькова, А. В., Кравчук, А. Д., Усачев, Д. Ю., and Пронин, И. Н. Диагностика диффузного аксонального повреждения с помощью диффузионно-куртозисной МРТ и методов радиомики. Радиология - практика 1, 1 (2024), 51–65. [ DOI ] |
|
[39] |
Быканов, А. Е., Данилов, Г. В., Костюмов, В. В., Пилипенко, О. Г., Нутфуллин, Б. М., Растворова, О. А., and Пицхелаури, Д. И. Технологии искусственного интеллекта в условиях микрохирургической операционной. Современные технологии в медицине 15, 2 (2023), 86–94. [ DOI ] |
|
[40] |
Данилов, Г., Шифрин, М., Струнина, Ю., Пронкина, Т., Цуканова, Т., Ершова, О., Ласунин, Н., Макашова, Е., Назаренко, А., Шарипов, О., Шульц, М., Латышев, Я., Ишанкулов, Т., Косырькова, А., and Варюхина, М. Исследование нежелательных явлений в нейрохирургии с использованием технологий искусственного интеллекта. Менеджмент качества в медицине, 3 (2019), 100–104. |
|
[41] |
Данилов, Г. В. О замене врача искусственным интеллектом: чего мы боимся и насколько наш страх оправдан? Нейрохирургия 26, 4 (2024), 144–146. [ DOI ] |
|
[42] |
Данилов, Г. В., Агрба, С. Б., Струнина, Ю. В., Шевченко, А. М., Конакова, Т. А., Шугай, С. В., Баталов, А. И., and Пронин, И. Н. Радиомика и машинное обучение в диагностике глиальных опухолей головного мозга: систематический обзор литературы и мета-анализ. Современные технологии в медицине (2025). Принято в печать. |
|
[43] |
Данилов, Г. В., Ишанкулов, Т. А., Котик, К. В., Шифрин, М. А., and Потапов, А. А. Технологии искусственного интеллекта в клинической нейроонкологии. Вопросы нейрохирургии имени Н.Н.Бурденко 86, 6 (2022), 127–133. |
|
[44] |
Данилов, Г. В., Калаева, Д. Б., Вихрова, Н. Б., Конакова, Т. А., Загороднова, А. И., Попова, А. А., Постнов, А. А., Шугай, С. В., and Пронин, И. Н. ОПРЕДЕЛЕНИЕ ИНДЕКСА НАКОПЛЕНИЯ РАДИОФАРМПРЕПАРТА В ГЛИОБЛАСТОМЕ ПО ДАННЫМ ПЭТ С 11С-МЕТИОНИНОМ С ПОМОЩЬЮ ТЕХНОЛОГИЙ РАДИОМИКИ. Современные технологии в медицине (2022), 1–23. |
|
[45] |
Данилов, Г. В., Калаева, Д. Б., Вихрова, Н. Б., Конакова, Т. А., Загороднова, А. И., Попова, А. А., Постнов, А. А., Шугай, С. В., and Пронин, И. Н. Технологии радиомики в определении индекса накопления радиофармпрепарата в глиобластоме по данным ПЭТ/КТ С 11С-метионином. Современные технологии в медицине 15, 1 (2023), 5–13. [ DOI ] |
|
[46] |
Danilov G.V., Костюмов, В. В., Пилипенко, О. Г., Трубецкой, С., Нутфуллин, Б., Титов, О. Ю., Пицхлаури, Д. И., Быканов, А. Е., Пантелеев, А., and Илюшин, Е. Can microinstrument motion metrics of distance, speed, and acceleration indicate surgical task complexity? an ai-driven study. In Studies in Health Technology and Informatics (2025), p. 115. [ DOI ] |
|
[47] |
Данилов, Г. В., Потапов, А. А., Косырькова, А. В., Шульц, М. А., Мельченко, С. А., Цуканова, Т. В., Шифрин, М. А., and Ишанкулов, Т. А. Извлечение информации о случаях послеоперационной тромбоэмболии легочной артерии в нейрохирургии: исследования с помощью технологий искусственного интеллекта. Российский нейрохирургический журнал имени профессора А.Л. Поленова (2022), 1–8. |
|
[48] |
Данилов, Г. В., Потапов, А. А., Пронин, И. Н., Шифрин, М. А., Васенин, В. А., Подопригора, А. Е., Назаров, В. В., Ласунин, Н. В., Пронкина, Т. Е., Струнина, Ю. В., and Дорофеюк, Ю. А. Методология оценки активности и результативности научной деятельности в медицинской организации: опыт Национального медицинского исследовательского центра нейрохирургии имени академика Н.Н. Бурденко. Информационные технологии 26, 2 (2020), 97–106. [ DOI ] |
|
[49] |
Данилов, Г. В., Потапов, А. А., Усачев, Д. Ю., Коновалов, Н. А., Назаренко, А. Г., and Шифрин, М. А. Цифровые технологии в нейрохирургии: опыт интеграции лаборатории биомедицинской информатики и искусственного интеллекта в НМИЦ. Управление качеством в здравоохранении, 3 (2022), 40–47. |
|
[50] |
Данилов, Г. В., Потапов, А. А., Шифрин, М. А., Котик, К. В., Орлов, Ю. Н., Ишанкулов, Т. А., and Куликов, А. С. Технологии искусственного интеллекта в нейрохирургии: систематический обзор литературы с применением методов тематического моделирования. Часть i: основные направления исследований. Современные технологии в медицине, 5 (2020), 106–113. |
|
[51] |
Данилов, Г. В., Потапов, А. А., Шифрин, М. А., Назаренко, А. Г., Усачев, Д. Ю., Котик, К. В., Струнина, Ю. В., Цуканова, Т. В., and Ишанкулов, Т. А. Исследование осложнений в нейрохирургии с помощью технологий искусственного интеллекта. Российский нейрохирургический журнал имени профессора А.Л. Поленова (2022), 1–9. |
|
[52] |
Данилов, Г. В., Потапов, А. А., Шифрин, М. А., Струнина, Ю. В., Котик, К. В., Цуканова, Т. В., Пронкина, Т. Е., Ишанкулов, Т. А., Макашова, Е. С., Косырькова, А. В., Мельченко, С. А., and Загидуллин, Т. Р. Извлечение информации о наличии парезов у пациентов в нейрохирургии: исследования с помощью технологий искусственного интеллекта. Российский нейрохирургический журнал имени профессора А.Л. Поленова (2022), 1–8. |
|
[53] |
Данилов, Г. В., Пронин, И. Н., Королев, В. В., Малоян, Н. Г., Саада, Д., Ильюшин, Е. А., Шифрин, М. А., Ишанкулов, Т. А., Афандиев, Р. М., Шевченко, А. М., Конакова, Т. А., Цуканова, Т. В., Шугай, С. В., and Потапов, А. А. Первые результаты неинвазивного типирования глиом головного мозга по данным магнитно-резонансной томографии с помощью машинного обучения. Вопросы нейрохирургии имени Н.Н.Бурденко (2022), 1–8. |
|
[54] |
Данилов, Г. В., Жуков, В. В., Куликов, А. С., Макашова, Е. С., Митин, Н. А., and Орлов, Ю. Н. Сравнительный анализ статистических методов классификации научных публикаций в области медицины. Компьютерные исследования и моделирование 12, 4 (2020), 921–933. [ DOI ] |
|
[55] |
Данилов, Г. В., Шевченко, А. М., Конакова, Т. А., Погосбекян, Э. Л., Шугай, С. В., Цуканова, Т. В., Захарова, Н. Е., Баталов, А. И., Агрба, С. Б., Вихрова, Н. Б., and Пронин, И. Н. Неинвазивная диагностика глиом головного мозга по гистологическому типу с помощью нейрорадиомики в стандартизированных зонах интереса: на пути к цифровой биопсии. Вопросы нейрохирургии имени Н.Н.Бурденко, 6 (2023), 60–67. [ DOI ] |
|
[56] |
Данилов, Г. В., Шифрин, М. А., and Потапов, А. А. Медицинская информатика, наука о данных и искусственный интеллект: фундаментальные и прикладные исследования. In Национальный центр нейрохирургии: к 90-летию основания. Часть III. Клиники и лаборатории: прошлое и настоящее(Москва, 2021), Л. Б. Лихтерман and Д. Ю. Усачев, Eds., vol. 3, pp. 467–482. |
|
[57] |
Данилов, Г. В., Шифрин, М. А., Струнина, Ю. В., Пронкина, Т. Е., Ишанкулов, Т. А., Буров, А. А., Дорофеюк, Ю. А., and Потапов, А. А. Управление данными в клинических исследованиях: опыт НМИЦ нейрохирургии им. Н.Н. Бурденко. Врач и информационные технологии, 1 (2020), 6–14. [ DOI ] |
|
[58] |
Гребенев, Ф. В., Элиава, Ш. Ш., Коновалов, А. Н., Данилов, Г. В., Пилипенко, Ю. В., Хейреддин, А. С., Белоусова, О. Б., Окишев, Д. Н., Семенов, Д. Э., Мамедбекова, Г. Ш., and Коледова, Ю. В. Индекс сложности микрохирургического лечения нервавшихся аневризм сосудов головного мозга. Вопросы нейрохирургии имени Н.Н.Бурденко 89, 3 (2025), 28–41. [ DOI ] |
|
[59] |
Ишанкулов, Т. А., Данилов, Г. В., Пицхелаури, Д. И., Титов, О. Ю., Огурцова, А. А., Буклина, С. Б., Гулаев, Е. В., Конакова, Т. А., and Быканов, А. Е. Технологии прогнозирования послеоперационных речевых дисфункций в нейрохирургии по данным кортико-кортикальных вызванных потенциалов на основе машинного обучения. Современные технологии в медицине 14, 1 (2022), 25–32. |
|
[60] |
Тягунова, Е. Е., Дрозд, С. Ф., Каленник, О. В., Самойленкова, Н. С., Савченко, Е. А., Данилов, Г. В., and Павлова, Г. В. Прогностическая модель для оценки степени злокачественности культуры клеток глиомы человека на основании исследования экспрессии панели генов mdm2, melk, sox2, cdk4, dr5 и oct4. Вопросы нейрохирургии имени Н.Н.Бурденко 87, 6 (2023), 43–51. [ DOI ] |
|
[61] |
Захарова, Н. Е., Потапов, А. А., Пронин, И. Н., Данилов, Г. В., Александрова, Е. В., Фадеева, Л. М., Погосбекян, Э. Л., Баталов, А. И., and Горяйнов, С. А. Изменения параметров диффузионно-куртозисной МРТ у пациентов с диффузным аксональным повреждением. Вопросы нейрохирургии имени Н.Н.Бурденко 83, 3 (2019), 5–16. [ DOI ] |
|
[62] |
Шевченко, Е. В., Данилов, Г. В., Усачев, Д. Ю., Лукшин, В. А., Котик, К. В., and Ишанкулов, Т. А. Прогнозирование длительности госпитализации в нейрохирургической клинике по текстовым данным электронной медицинской документации с помощью технологий искусственного интеллекта. Вопросы нейрохирургии имени Н.Н.Бурденко 86, 6 (2022), 43–51. [ DOI ] |
|
[63] |
Шевченко, Е. В., Усачев, Д. Ю., Данилов, Г. В., and Рзаев, Д. А. Анализ практики рационирования нейрохирургической помощи на примере федерального центра. Социальные аспекты здоровья населения (электронный журнал) 67, 3 (2021), 1–9. [ DOI ] |
|
[64] |
Шифрин, М. А., Цуканова, Т. В., Павлова, Г. В., Данилов, Г. В., and Пронин, И. Н. Информационная поддержка биоресурсной коллекции: биологическая информационная система НейроОнк. Вопросы нейрохирургии имени Н.Н.Бурденко 88, 3 (2024), 65–73. [ DOI ] |
|
[65] |
Шифрин, М. А., Цуканова, Т. В., Павлова, Г. В., Данилов, Г. В., and Пронин, И. Н. Hospital information systems: from trio to quartet. In Studies in Health Technology and Informatics (2025). |