Моделирование и оптимизация процесса сбора данных для искусственного интеллекта в медицине

Развитие технологий искусственного интеллекта в медицине требует реализации системного подхода по сбору и обработке структурированных наборов данных (датасетов) для обучения, тестирования и валидации моделей машинного обучения. В статье предложено решение этой задачи путем имитационного моделирования на основе теории массового обслуживания, в ходе которого необходимо оценить плановую пропускную способность каждой точки сбора информации, обеспечение достаточного количества пациентов, доступности и достоверности их медицинской информации, обеспечение требований законодательства в части защиты персональных данных и врачебной этики. Исследование предложенного подхода было произведено на примере анализа процессов сбора биомедицинских данных, предназначенных для обучения моделей искусственного интеллекта методам дистанционной диагностики. Эмпирическая часть исследования проводилась на базе пунктов сбора биомедицинских сигналов в течение шести месяцев. Общий объём выборки составил 574 пациента. В рамках исследования была построена имитационная модель, позволившая провести оптимизацию процесса сбора данных. По данным имитационного моделирования средняя интенсивность сбора данных составила 7,28 пациента в день при выраженной вариативности нагрузки. В ходе оптимизации были произведены изменения в процессе сбора данных путем распараллеливания, что позволило повысить производительность за счет сокращения времени на анкетирование и термометрию и увеличения входящего потока пациентов. Проведенная оптимизация процесса сбора данных позволила повысить интенсивность работы с 4,67 до 12,12 пациентов в день. Предложенный подход позволяет обосновать архитектуру организационно-технологического процесса сбора информации до начала масштабирования и минимизировать риски превышения календарных сроков формирования медицинских датасетов.

1. Решетников Р.В., Тыров И.А., Васильев Ю.А. и др. Методики оценки качества больших генеративных моделей для базовых сценариев применения в здравоохранении. Врач и информационные технологии. 2025;(3):64–75. https://doi.org/10.25881/18110193_2025_3_64

2. Васильев Ю.А., Бобровская Т.М., Арзамасов К.М. и др. Основополагающие принципы стандартизации и систематизации информации о наборах данных для машинного обучения в медицинской диагностике. Менеджер здравоохранения. 2023;(4):28–41. https://doi.org/10.21045/1811-0185-2023-4-28-41

3. Шарова Д.Е., Михайлова А.А., Гусев А.В. и др. Анализ мирового опыта в регулировании использования медицинских данных для целей создания систем искусственного интеллекта на основе машинного обучения. Врач и информационные технологии. 2022;(4):28–39. https://doi.org/10.25881/18110193_2022_4_28

4. Arora A., Alderman J.E., Palmer J., et al. The value of standards for health datasets in artificial intelligence-based applications. Nature Medicine. 2023;29(11):2929–2938. https://doi.org/10.1038/s41591-023-02608-w

5. Schwabe D., Becker K., Seyferth M., Klaß A., Schaeffter T. The METRIC-framework for assessing data quality for trustworthy AI in medicine: a systematic review. npj Digital Medicine. 2024;7(1). https://doi.org/10.1038/s41746-024-01196-4

6. Kim J.-W., Kim Ch., Kim K.-H., et al.  Scalable Infrastructure Supporting Reproducible Nationwide Healthcare Data Analysis toward FAIR Stewardship. Scientific Data. 2023;10(1). https://doi.org/10.1038/s41597-023-02580-7

7. Барсегян Н.В., Галимулина Ф.Ф. Цифровое моделирование и оптимизация экономических систем: теория массового обслуживания и анализ данных. Курск: Университетская книга; 2025. 82 с.

8. Слободняк И.А., Антипина П.В. Оптимизация организации работы сервисных служб с использованием теории управления системами массового обслуживания. Экономика и управление: проблемы, решения. 2020;1(12):19–24. https://doi.org/10.36871/ek.up.p.r.2020.12.01.004

9. Полухин П.В. Применение методов теории массового обслуживания для оценки параметров синхронизации распределенных вычислительных систем. Моделирование, оптимизация и информационные технологии. 2022;10(2). https://doi.org/10.26102/2310-6018/2022.37.2.028

10. Третьякова М.Е., Смакуев А.Д., Филатов В.В. Проектирование процесса оказания услуг на основе методов теории массового обслуживания. Прикладные экономические исследования. 2022;(2):24–31. https://doi.org/10.47576/2313-2086_2022_2_24

11. Touré V., Krauss Ph., Gnodtke K., et al. FAIRification of health-related data using semantic web technologies in the Swiss Personalized Health Network. Scientific Data. 2023;10. https://doi.org/10.1038/s41597-023-02028-y

12. Fun W.H., Tan E.H., Khalid R., et al. Applying Discrete Event Simulation to Reduce Patient Wait Times and Crowding: The Case of a Specialist Outpatient Clinic with Dual Practice System. Healthcare. 2022;10(2). https://doi.org/10.3390/healthcare10020189

13. Vecillas Martin D., Berruezo Fernández Ch., Gento Municio A.M. Systematic Review of Discrete Event Simulation in Healthcare and Statistics Distributions. Applied Sciences. 2025;15(4). https://doi.org/10.3390/app15041861

14. Di Pumpo M., Ianni A., Miccoli G.A., et al. Queueing Theory and COVID-19 Prevention: Model Proposal to Maximize Safety and Performance of Vaccination Sites. Frontiers in Public Health. 2022;10. https://doi.org/10.3389/fpubh.2022.840677

15. Kuruppu Appuhamilage G.D.K., Hussain M., Zaman M., Khan W.A. A health digital twin framework for discrete event simulation based optimised critical care workflows. npj Digital Medicine. 2025;8(1). https://doi.org/10.1038/s41746-025-01738-4

16. Declerck J., Kalra D., Vander Stichele R., Coorevits P. Frameworks, Dimensions, Definitions of Aspects, and Assessment Methods for the Appraisal of Quality of Health Data for Secondary Use: Comprehensive Overview of Reviews. JMIR Medical Informatics. 2024;12. https://doi.org/10.2196/51560