WO2022010384A1 - Система для поддержки принятия врачебных решений - Google Patents

Система для поддержки принятия врачебных решений Download PDF

Info

Publication number
WO2022010384A1
WO2022010384A1 PCT/RU2021/050200 RU2021050200W WO2022010384A1 WO 2022010384 A1 WO2022010384 A1 WO 2022010384A1 RU 2021050200 W RU2021050200 W RU 2021050200W WO 2022010384 A1 WO2022010384 A1 WO 2022010384A1
Authority
WO
WIPO (PCT)
Prior art keywords
medical
data
patient
risk
information
Prior art date
Application number
PCT/RU2021/050200
Other languages
English (en)
French (fr)
Inventor
Александр Владимирович ГУСЕВ
Роман Эдвардович НОВИЦКИЙ
Original Assignee
Общество с ограниченной ответственностью "К-Скай"
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Общество с ограниченной ответственностью "К-Скай" filed Critical Общество с ограниченной ответственностью "К-Скай"
Publication of WO2022010384A1 publication Critical patent/WO2022010384A1/ru

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Definitions

  • This technical solution relates to the field of automated medical diagnostic systems to reduce the time for calculating risk factors and risk groups for diseases and their complications, including the formation of recommendations on prevention, treatment principles and patient management tactics.
  • the prior art solution RU 2016134756 A, 08/25/2016 which discloses a distributed information and analytical system "Personal electronic medical consultant", which includes a module that interprets the user's request and performs, based on the request, the transition to the list of preferred activities included in base of variations of depersonalized cases; a central data warehouse for storing depersonalized user data, his electronic requests and diagnostic results obtained on the basis of such data, a common relational model of typed user requests with corrective weight distributions, which allows suggesting nutrition correction and optimization.
  • Personal electronic medical consultant which includes a module that interprets the user's request and performs, based on the request, the transition to the list of preferred activities included in base of variations of depersonalized cases; a central data warehouse for storing depersonalized user data, his electronic requests and diagnostic results obtained on the basis of such data, a common relational model of typed user requests with corrective weight distributions, which allows suggesting nutrition correction and optimization.
  • a clinical information system contains computerized workplaces of the attending physician, equipped with input / output devices and connected over a network with a controller with messages with a subsystem for entering primary information about each patient, which includes a block for entering general data about patient, a block for entering information about the history with patient complaints, a block for entering information about clinical studies conducted by the attending physician in relation to the patient, a block for entering information on the results of instrumental and laboratory studies, a block for entering information about methods and methods of treatment, and a block for reflection of the diagnosis made by the attending physician, in order for the attending physician to differentiate clinical and instrumental laboratory data for establishing a diagnosis, the specified primary information input subsystem is communicated via an exchange bus with the information support subsystem, performed with the function of demonstrating information editing material on the display of the computerized workplace of the attending physician, corresponding to the type of information entered into the subsystem
  • the proposed solution is aimed at eliminating the shortcomings of the state of the art and differs from those previously known in that the proposed method for supporting medical decision-making, to determine the risk assessment of diseases, is based on the use of artificial intelligence methods, in addition, the method allows to automatically generate and send a package of depersonalized patient medical data.
  • the technical problem to be solved by the claimed solution is the need to systematize all available information about the patient, create a structure for its presentation and reveal the expected diagnosis and dynamics of the development of diseases, which are characterized in independent claims. Additional embodiments of the present invention are presented in dependent claims.
  • the technical result consists in automating decision support for rendering medical manipulations and in the ability to model processes and trends in the patient's body, identify the effect of medications and prescribed treatment, determine the likelihood of a patient's death after surgery or treatment.
  • the claimed result is achieved by using a method for teaching a medical decision support system, using mathematical models, to represent patients, performed on a server, including the steps at which:
  • the patient's electronic medical record includes at least the following data: the patient's condition, methods of treating the patient, means used in treating the patient, test results.
  • the method of generating methods is an expert system.
  • the method of generating methods is a neural network.
  • the claimed result is also achieved through a medical decision support system using patient representation models, which includes at least one user client and at least one server connected using a client-server architecture, while the server is configured to implement the learning method medical decision support systems, using mathematical models, representing patients.
  • FIG. 1. illustrates an example of the operation of a system for supporting medical decision-making.
  • FIG. 2. illustrates the process of interaction between SPPVR and MIS.
  • FIG. 3 illustrates an example of a general design of a computing device.
  • FIG. 4 illustrates a data storage structure for processing.
  • the proposed solution is intended for use by qualified employees of medical organizations in order to reduce the time for calculating risk factors and risk groups for diseases and their complications, including the formation of recommendations on prevention, principles of treatment and tactics of patient management.
  • Vector representation is a generic name for various approaches to language modeling and representation training in natural language processing aimed at matching words (and possibly phrases) from some dictionary of vectors from Rn to n, a much smaller number of words in the dictionary.
  • Distributive semantics is a field of linguistics that deals with calculating the degree of semantic similarity between linguistic units based on their distribution (distribution) in large arrays of linguistic data (text corpora).
  • Distributive semantics is based on the distributive hypothesis: linguistic units that occur in similar contexts have similar meanings.
  • Neural network - A neural network is a structure consisting of artificial neurons connected in a certain way with each other and the external environment using connections, each of which has a certain coefficient by which the value coming through it is multiplied (these coefficients are called weights). In the process of functioning, the neural network performs data transformation, the specific type of which is determined by the weights of interneuronal connections, the type of activation function of neurons, the architecture and configuration of the network.
  • Neural networks are models based on machine learning, i.e. acquire the necessary properties in the learning process, which consists in iteratively adjusting the weights of the network according to some rule, called the learning algorithm.
  • the learning algorithm some rule, called the learning algorithm.
  • supervised learning for multilayer perceptrons
  • unsupervised learning for Kohonen networks
  • neural networks are used to solve the following problems:
  • Classification determination of the belonging of the input image (object) represented by the feature vector to one of the predefined classes.
  • Nosology is a section of scientific medicine and biology devoted to the study of disease.
  • Ontology is a comprehensive and detailed formalization of a certain area of knowledge using a conceptual scheme.
  • a schema consists of a hierarchical data structure containing all relevant classes of objects, their relationships and rules (theorems, restrictions) adopted in this area.
  • Regularization in statistics, machine learning, inverse problem theory is a method of adding some additional information to a condition in order to solve an ill-posed problem or prevent overfitting. This information often takes the form of a penalty for the complexity of the model, for example, it can be restrictions on the smoothness of the resulting function or restrictions on the norm of the vector space.
  • Stemming is the process of finding a word stem for a given source word.
  • the stem of the word does not necessarily coincide with the morphological root of the word.
  • SPPVR is a medical decision support system.
  • Electronic medical record (electronic patient passport) - EM K; English electronic health record - EHR) - a database containing information about the patient: the patient's physiological parameters, anamnesis, medical histories and their treatment (methods and course of treatment, prescribed drugs, etc.), which is created in a medical institution.
  • Including an electronic medical record of patients contains records of patients, including at least the following data: the date the record was added, codes for diagnoses, symptoms, procedures and drugs, a textual description of the medical history in natural language, biomedical images associated with the medical history, research results and patient analyses.
  • FIG. 1. shows the scheme of work of the "Systems for Supporting Medical Decision Making” (hereinafter referred to as SSDS).
  • the basis of the DPPVR is the analysis of the patient's depersonalized medical data (hereinafter referred to as DMDP) received from the medical information system (hereinafter referred to as MIS).
  • DMDP depersonalized medical data
  • MIS medical information system
  • the operation algorithm of the SPPVR consists in the sequential execution of the following steps.
  • SPPVR is integrated with the MIS of a medical organization through open API systems.
  • MIS In the MIS used in a medical organization, various data about patients are accumulated in the process of work, including general and medical information: height, weight, blood pressure figures, etc., registered diseases and appeals to medical organizations, examination protocols, data from medical examinations , surgical interventions, etc.
  • MIS a lot of data is stored in plain text form, for example, protocols of medical examinations, patient complaints, results of instrumental studies, etc. Data in this form is not suitable for creating data sets and machine learning.
  • a service for extracting data from medical records was developed.
  • the service is built on the basis of artificial intelligence methods designed for natural language processing (Natural language processing - NLP). These capabilities just allow the service to extract clinically significant unlabeled information from ordinary text medical protocols, which is then used to identify risk factors and suspicions of hidden diseases.
  • the scheme of the service is shown in FIG.2 and includes the following steps. They accept a natural language text string. The received string is preprocessed. The string after preprocessing is fed to the input of the trained mathematical model to extract structured features. A tagged string is formed, in which the features and their values are highlighted, and this string is post-processed. The output of the mathematical model will be a report on the features obtained.
  • HIS users when HIS users get access to the SPPVR resources, including access to mathematical models, HIS users get the opportunity to use two modes of interaction with the system: “Manual consultation” and “Automatic consultation”.
  • the HIS user When using the “Manual consultation” mode of operation, the HIS user through a web browser gets access to the “Patient data analysis” dialog box, where he manually fills in the fields with the necessary medical indicators about the patient, after which he sends a data request for analysis to the SPPVR.
  • the MIS When using the "Automated consultation" mode of operation, the MIS from the patient's medical records (EHR at the level of a medical organization) automatically generates and sends a package of anonymized patient medical data (in JSON format) to the SPPVR via the system's open APIs.
  • the package of depersonalized medical data of the patient received from the MIS enters the “Input data processing” block, where preliminary processing takes place, which includes, among other things, the identification and correction of typos and errors, checking the information for valid data.
  • the data contains information about a person's height of 300 cm, therefore, such values ⁇ u200b ⁇ u200bare not allowed, since such a person cannot be.
  • the next step is the indexing of the primary data array based on a mathematical model built on the basis of a feed-forward neural network, which includes the process of indexing in accordance with the requirements of the model and subsequent monitoring of sets of medical indicators and factors affecting the condition of patients using a feature extraction system and medical ontologies.
  • the requirements may be the data itself (the number of features at the input), each model has its own, and the order of features at the input can also act as requirements, therefore indexing is also carried out.
  • Each sign is also checked for “admissibility” such as height not less than 0.5 m and not more than 2.5 m, body temperature not less than 25 and not more than 42 degrees, systolic pressure not less than 60 and not more than 300 and so on.
  • Unlabeled natural language data is presented as: “Male, 50 years old. Makes no complaints. On examination, blood pressure was 120/90, height 180, weight 80 kg, waist 80 cm.
  • the set of patient characteristics formed as a result of preprocessing is then transferred for analysis to the "Identification of risk factors" block, which operates on the basis of rules formed taking into account scientific medical publications and clinical recommendations approved by associations and communities of practicing physicians.
  • CHD coronary heart disease
  • AH arterial hypertension
  • a data package is formed containing the identified risk factors and signs necessary for risk assessment, which is then sent to the “Risk assessment” block.
  • an assessment of the degree of disease risk is performed based on the use of artificial intelligence methods (decision rules and machine learning).
  • Disease risk assessment is a general assessment of the degree of risk to the patient's health, based on taking into account all risk factors, statistical compensation of some risk factors by others is not allowed. For example, a patient with normal blood pressure and low blood cholesterol, a good genetic history, exercise, and wear a seat belt in a car may receive a good risk score despite the fact that he smokes cigarettes.
  • the “Risk Assessment” block is responsible for a balanced assessment of the overall risk based on clinical recommendations, when there is a clinically proven information about the influence of a particular factor on the total risk, as well as on the basis of data from mathematical models that provide a risk assessment based on real medical data of patients, the data of which is stored in the system.
  • the block consists of two modules that perform disease risk assessment in parallel. Performing a disease risk assessment in parallel will increase the accuracy of the determination. In addition, due to the lack of medical data for training for some medical tasks, expert analysis methods are applied to them.
  • Expert analysis module - includes expert-analytical algorithms that work according to decision rules, which are described in the system's internal reference books.
  • Decision rule directories (knowledge base) of the module are formed on the basis of repeatedly tested and recognized by the scientific community medical methods, clinical scales and recommendations for identifying the risks of diseases and their complications;
  • Machine learning module - is a model built into the system based on feed-forward neural networks, implemented using machine learning methods. When new data is added, the trained modules are retrained. Models based on neural networks make it possible to improve the accuracy of predicting disease risks in comparison with the use of traditional clinical scales.
  • the input of the neural network is the patient vector, which is calculated on the basis of the patient's physiological parameters, anamnesis, medical history and their treatment (methods and course of treatment, prescribed drugs, etc.).
  • the work of neural network blocks is carried out, and at the output, a general assessment of the degree of risk to the patient's health is obtained, based on taking into account all risk factors.
  • the proposed solution can use various types of classifiers, for example, the SCORE (Systematic Coronary Risk Evaluation) scale, which is designed to assess the risk of diseases and serves to improve the efficiency of forecasting compared to separate classifiers, and is also a more universal solution.
  • SCORE Systematic Coronary Risk Evaluation
  • the resulting sequence of medical facts is automatically marked for each patient, using the diagnoses or other interesting facts extracted from the patient’s electronic medical record, for example, hypercholesterolemia risk factor, systolic blood pressure over 140 or diastolic blood pressure over 90 mm Hg. or ICD code 10 "110" - risk factor "arterial hypertension”, blood glucose over 11.1 or ICD-10 code "E11” - risk factor "diabetes mellitus", etc.
  • the data obtained in the course of the work of the SPPVR, in addition to directly assessing risks, can be used for additional training (calibration) of models for a specific geographical region.
  • the status “Insufficient data” is set with a list of parameters that are necessary for risk assessment, while the doctor has the opportunity to enter them.
  • the "Risk Assessment Interpretation" block performs the analysis of the received risk assessments and establishes, on their basis, the degree of risk by nosology.
  • the resulting risk assessment by nosology is defined as its maximum risk assessment for all methods applied to this nosology.
  • the SPPVR forms a package with the results of the work in the “Output Block” and sends it back to the MIS through the system's open APIs.
  • the MIS Having received a package with the results of work from the SPPVR, the MIS displays it on the user's screen in the MIS interface.
  • the data can be stored in the patient's passport of the electronic medical record.
  • the data is depersonalized. In the patient's passport, only the patient's age is indicated, since it significantly affects the prognosis of diseases.
  • the exchange of data in the patient's passport is carried out with external information systems, such as, but not limited to, regional - information systems, medical information systems, the federal register of electronic medical documents, the federal directory, mobile health applications, wearable health devices and SPPVR.
  • the data storage structure represented as a patient passport illustrated in FIG. 3.
  • the user opens a patient passport that stores data and can expand the data panels to see detailed information.
  • the block In the patient's passport, in the "history and signal information" block, objective, laboratory and diagnostic medical parameters of the patient, documents of medical examinations, research protocols, all available diagnoses and suspicions of diseases are displayed, as well as the possibility of interaction with the SPPVR, as a result of which possible risks are displayed patient.
  • This information can be a large amount, so the block, in turn, consists of the following sections:
  • the section contains actual values of medical parameters: o Objective data (height, weight, BMI, waistline); o Information about blood type, phenotype, heart rate, BP o Laboratory data o Information about bad habits/conditions
  • the "List of final diagnoses" block includes a list of documents with final diagnoses, sorted by ICD code. To view detailed information about a document, click on its title.
  • the "Suspicions" block displays a list of the patient's suspicions with the display of the ICD code, the name of the suspicion, the date and time of detection, as well as the name of the doctor who registered the suspicion and the name of the medical institution.
  • To view detailed information about a suspicion click on its name. After clicking, a page with information about the suspicion opens, on which the following data is available (mandatory fields are marked with an asterisk): o Suspicion status: o Identified suspicion; o Diagnosis not confirmed; o Diagnosis confirmed. o Date of confirmation/rejection of suspicion *; o Medical organization responsible for checking the suspicion (select from the drop-down list); o Health worker responsible for checking the suspicion (selection from the drop-down list).
  • the "Risk Groups" block displays the identified risk group of the patient based on signal information and the date the risk group was identified. In this block, the possibility of transition to the medical decision support system is implemented. To view detailed information about the identified risk, click on the name of the risk. After clicking, a page with detailed information about the identified risk opens, which includes the following information: about the Assessment Methodology; o Risk factors; o Recommendations to a doctor; about Advice to the patient.
  • FIG. 4 will further present a general diagram of a computing device (server) (400) that provides the data processing necessary to implement the claimed solution.
  • the device (400) contains such components as: one or more processors (401), at least one memory (402), data storage medium (403), input/output interfaces (404), I/O means ( 405), networking tools (406).
  • the processor (401) of the device performs the basic computing operations necessary for the operation of the device (400) or the functionality of one or more of its components.
  • the processor (401) executes the necessary machine-readable instructions contained in the main memory (402).
  • the memory (402) is typically in the form of RAM and contains the necessary software logic to provide the required functionality.
  • the data storage means (403) can be in the form of HDD, SSD disks, raid array, network storage, flash memory, optical information storage devices (CD, DVD, MD, Blue-Ray disks), etc. Means (403) allows you to perform long-term storage of various types of information.
  • Interfaces (404) are standard means for connecting and working with the server part, for example, USB, RS232, RJ45, LPT, COM, HDMI, PS/2, Lightning, FireWire, etc.
  • the choice of interfaces (404) depends on the specific implementation of the device (400), which can be a personal computer, mainframe, server cluster, thin client, smartphone, laptop, and the like.
  • I/O data can be used: a keyboard, a joystick, a display (touchscreen), a projector, a touchpad, a mouse, a trackball, a light pen, speakers, a microphone, etc.
  • Means of networking are selected from a device that provides network data reception and transmission, and can be, for example, an Ethernet card, WLAN/Wi-Fi module, Bluetooth module, BLE module, NFC module, IrDa, RFID module, GSM modem etc.
  • a wired or wireless data transmission channel for example, WAN, PAN, LAN (LAN), Intranet, Internet, WLAN, WMAN or GSM.
  • the components of the device (400) are coupled via a common data bus (410).

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

Изобретение относится к способу и системе поддержки принятия врачебных решений. В способе получают деперсонифицированные медицинские данные из электронных медицинских карт, из которых извлекают клинически значимую неразмеченную информацию, осуществляют предварительную обработку извлечённой информации, производят анализ полученного массива структурированных данных, выявляя факторы риска на основе решающих правил, сформированных с учетом научных медицинских публикаций и клинических рекомендаций, производят автоматическую разметку полученных данных по каждому пациенту с учетом выявленных факторов риска, формируют пакет данных, содержащий выявленные факторы риска и признаки, необходимые для оценки рисков и выявления подозрений на скрытые заболевания, выполняют оценку степени рисков заболеваний посредством применения решающих правил и машинного обучения на основании выявленных факторов риска и признаков, выполняют анализ полученной оценки степени рисков заболеваний, в результате которого устанавливают степень риска по нозологиям, где результирующую оценку риска по нозологии определяют, как максимальную оценку по всем примененным к данной нозологии методикам, формируют пакет индивидуальных клинических рекомендаций, который отправляют в медицинскую информационную систему.

Description

СИСТЕМА ДЛЯ ПОДДЕРЖКИ ПРИНЯТИЯ ВРАЧЕБНЫХ РЕШЕНИЙ
ОБЛАСТЬ ТЕХНИКИ
Настоящее техническое решение относится к области автоматизированных систем медицинской диагностики для сокращения времени расчета факторов риска и групп рисков заболеваний и их осложнений, включая формирование рекомендаций о профилактике, принципах лечения и тактике ведения пациента.
УРОВЕНЬ ТЕХНИКИ
Из уровня техники известно решение RU 2016134756 А, 25.08.2016, в котором раскрыта распределенная информационно-аналитическая система «Персональный электронный медицинский консультант», в состав которой входят модуль, интерпретирующий запрос пользователя и выполняющий на основании запроса переход к перечню предпочтительных мероприятий, входящих в базу вариаций деперсонализированных случаев; центральное хранилище данных для хранения деперсонализированных данных пользователя, его электронных запросов и полученных на основании таких данных результатов диагностирования, общую реляционную модель типизированных запросов пользователя с корректирующими развесовками, позволяющая предложить коррекцию питания и оптимизацию.
Из уровня техники известно еще одно решение, выбранное в качестве наиболее близкого аналога, RU 103209 U1 , 29.10.2010. В данном решении раскрыта клиническая информационная система, характеризующаяся тем, что содержит компьютеризированные рабочие места лечащего врача, оснащенные устройствами ввода/вывода и связанные по сети с контроллером сообщения с подсистемой ввода первичной информации о каждом пациенте, в состав которой входит блок для ввода общих данных о пациенте, блок для ввода сведений об анамнезе с жалобами пациента, блок для ввода сведений о клинических исследованиях, проведенных лечащим врачом в отношении пациента, блок для ввода сведений по результатам инструментально- лабораторных исследований, блок для ввода сведений о способах и методах лечения и блок для отражения поставленного лечащим врачом диагноза, для проведения лечащим врачом дифференциации клинических и инструментально-лабораторных данных для установления диагноза, указанная подсистема ввода первичной информации через обменную шину сообщена с подсистемой информационной поддержки, выполненной с функцией демонстрации информационно-справочного материала на дисплее компьютеризированного рабочего места лечащего врача, соответствующего виду сведений, введенных в подсистему ввода первичной информации о каждом пациенте сведений, и включающей в себя блок со сведениями по общим справочникам, связанным с блоком для ввода общих данных о пациенте, блок со сведениями по группам заболеваний, содержащим совпадения по жалобам пациента, связанный с блоком для ввода сведений об анамнезе с жалобами пациента, блок со сведениями по клиническим исследованиям, связанным с блоком для ввода сведений о клинических исследованиях, блок со сведениями об инструментальных и лабораторных исследованиях, связанным с блоком для ввода сведений по результатам инструментально-лабораторных исследований, блок сведений о формах стандартов неспецифического и специфического лечения, связанный с блоком для ввода сведений о способах и методах лечения, и блок сведений по установленным диагнозам, связанный с блоком для отражения поставленного лечащим врачом диагноза, указанная подсистема ввода первичной информации связана через общую шину с общей базой медицинских данных, блоком интеллектуально-аналитической и статистической обработки информации, блоком автоматизированной обработки информации, которые сообщены в режиме обмена информацией между собой, и блоком формирования медицинской отчетности, при этом блок интеллектуально- аналитической и статистической обработки информации выполнен с возможностью реализации функции математической и аналитической обработки данных о пациенте в текущий момент времени по показателям клинического состояния пациента, динамике развития заболевания и результатов лечения, блок автоматизированной обработки информации выполнен с возможностью реализации функции предоставления фармакологических данных и реализующий в режиме реального времени сопоставление и анализ данных по различным фармакологическим группам лекарственных препаратов между собой, и включает в себя связанные между собой через обменную шину базу со сведениями о фармакологических препаратах и базу со сведениями о совместимости препаратов и их действии при совместном применении.
Приведенные выше известные из уровня техники решения направлены на решение проблемы автоматизированной медицинской диагностики. Однако стоит отметить, что разработчики постоянно совершенствуют вышеуказанные системы, что увеличивает точность диагностики и удобство использования системы квалифицированными сотрудниками медицинских организаций.
Предлагаемое решение направлено на устранение недостатков современного уровня техники и отличается от известных ранее тем, что предложенный способ поддержки принятия врачебных решений, для определения оценки степени рисков заболеваний, основан на применении методов искусственного интеллекта, кроме того, способ позволяет автоматически формировать и отправлять пакет деперсонализированных медицинских данных пациента.
СУЩНОСТЬ ИЗОБРЕТЕНИЯ
В настоящее время электронная медицинская карта одного пациента представляет огромное количество разнообразной информации от социальных данных до множества документов с результатами исследований.
Технической проблемой, на решение которой направлено заявленное решение, является необходимость в систематизации всей имеющейся информации о пациенте, создание структуры ее представления и выявляющей предполагаемый диагноз и динамику развития заболеваний, которые охарактеризованы в независимых пунктах формулы. Дополнительные варианты реализации настоящего изобретения представлены в зависимых пунктах изобретения.
Технический результат заключается в автоматизации поддержки принятия решений для оказания медицинских манипуляций и в возможности моделировать процессы и тенденции в организме пациента, выявлять влияние медикаментов и назначенного лечения, определять вероятность летального исхода пациента после операций или назначения лечения.
Заявленный результат достигается за счет применения способа обучения системы поддержки принятия врачебных решений, с использованием математических моделей, представления пациентов, выполняемый на сервере, включающий этапы, на которых:
- формируют первичный массив структурированных данных о группе пациентов на основе собранных данных с по меньшей мере датчиков систем мониторинга здоровья пациентов, информации полученной из проведенных анализов, данных анамнеза, данных о симптоматики;
- осуществляют предварительную обработку и индексацию первичного массива данных;
- осуществляют мониторинг наборов медицинских показателей и факторов, влияющих на состояние пациента с использованием алгоритмов извлечения признаков и медицинских онтологий;
- осуществляют формирование окончательного массива структурированных данных;
- производят автоматическую разметку полученной последовательности медицинских фактов по каждому пациенту, используя извлеченные из электронной медицинской карты пациента диагнозы или другие интересующие факты; - производят предварительное обучение моделей исходя из динамики состояний пациентов;
- производят обучение финальных моделей с параметрами, отобранными при предварительном обучении и настраивают систему для формирования предложения по лечению последующих пациентов.
В частном варианте реализации предлагаемого решения, электронной медицинской карты пациента включает, по меньшей мере, следующие данные: состояние пациента, методы лечения пациента, средства, используемые при лечении пациента, результаты анализов.
В другом частном варианте реализации предлагаемого решения, способ формирования методов представляет собой экспертную систему.
В другом частном варианте реализации предлагаемого решения, способ формирования методов представляет собой нейронную сеть.
Заявленный результат также достигается за счет системы поддержки принятия врачебных решений с использованием моделей представления пациентов, которая включает по меньшей мере один пользовательский клиент и по крайней мере один сервер, соединенные с помощью клиент-серверной архитектуры, при этом сервер, выполнен с возможностью осуществления способа обучения системы поддержки принятия врачебных решений, с использованием математических моделей, представления пациентов.
ОПИСАНИЕ ЧЕРТЕЖЕЙ
Реализация изобретения будет описана в дальнейшем в соответствии с прилагаемыми чертежами, которые представлены для пояснения сути изобретения и никоим образом не ограничивают область изобретения. К заявке прилагаются следующие чертежи:
ФИГ. 1. иллюстрирует пример работы система для поддержки принятия врачебных решений.
ФИГ. 2. иллюстрирует процесс взаимодействия СППВР и МИС.
ФИГ. 3 иллюстрирует пример общей схемы вычислительного устройства.
ФИГ. 4 иллюстрирует структуру хранения данных для обработки.
ДЕТАЛЬНОЕ ОПИСАНИЕ ИЗОБРЕТЕНИЯ
Предлагаемое решение предназначено для использования квалифицированными сотрудниками медицинских организаций в целях сокращения времени расчета факторов риска и групп рисков заболеваний и их осложнений, включая формирование рекомендаций о профилактике, принципах лечения и тактике ведения пациента.
Ниже будут описаны термины, использующиеся в предлагаемом решении.
Векторное представление - общее название для различных подходов к моделированию языка и обучению представлений в обработке естественного языка, направленных на сопоставление словам (и, возможно, фразам) из некоторого словаря векторов из Rn для п, значительно меньшего количества слов в словаре.
Теоретической базой для векторных представлений является дистрибутивная семантика. Существует несколько методов для построения такого сопоставления, например, используют нейронные сети, методы понижения размерности в применении к матрицам совместных упоминаний слов (англ word co-occurrence matrices) и явные представления, обучающиеся на контекстах упоминаний слов (англ explicit representations).
Векторное представление пациента - вектор, на основании физиологических параметров пациента, анамнеза, истории болезней и их лечения (методов и хода лечения, прописанных препараты и т.п.) и т.д., позволяющий прогнозировать развития заболеваний, диагностировать, формировать рекомендации, стратегии лечения и т.д. для конкретного пациента.
Дистрибутивная семантика - это область лингвистики, которая занимается вычислением степени семантической близости между лингвистическими единицами на основании их распределения (дистрибуции) в больших массивах лингвистических данных (текстовых корпусах). Дистрибутивная семантика основывается на дистрибутивной гипотезе: лингвистические единицы, встречающиеся в схожих контекстах, имеют близкие значения.
Нейронная сеть - Нейронная сеть представляет собой структуру, состоящую из искусственных нейронов, определенным образом связанных друг с другом и внешней средой с помощью связей, каждая из которых имеет определённый коэффициент, на который умножается поступающее через него значение (эти коэффициенты называют весами). В процессе функционирования нейронная сеть осуществляется преобразование данных, конкретный вид которого определяется весами межнейронных связей, видом активационной функции нейронов, архитектурой и конфигурацией сети.
Нейронные сети представляют собой модели, основанные на машинном обучении, т.е. приобретают необходимые свойства в процессе обучения, который заключается в итеративной подстройке весов сети по некоторому правилу, называемому алгоритмом обучения. При построении нейронных сетей может применяться как обучение с учителем (для многослойных персептронов), так и без учителя (для сетей Кохонена).
Наиболее часто нейронные сети используются для решения следующих задач:
• Аппроксимация функций - восстановление функциональных зависимостей из обучающих данных.
• Классификация — определение принадлежности входного образа (объекта), представленного вектором признаков, к одному из предварительно заданных классов.
• Кластеризация — группировка объектов на основе близости их свойств.
• Прогнозирование — предсказание значения y(tn+1) при заданной последовательности y(t1 ),y(t2), ... ,y(tn).
• Оптимизация — нахождение решения, удовлетворяющего системе ограничений и максимизирующим или минимизирующим целевую функцию.
• Ассоциативная память - память, адресуемая по содержанию, используемая в системах сверхбыстрого поиска.
• Управление — расчет такого входного воздействия на систему, при котором она следует по желаемой траектории.
Нозология - раздел научной медицины и биологии, посвящённый учению о болезни.
Онтология - всеобъемлющая и детальная формализация некоторой области знаний с помощью концептуальной схемы. Обычно такая схема состоит из иерархической структуры данных, содержащей все релевантные классы объектов, их связи и правила (теоремы, ограничения), принятые в этой области.
Регуляризация (в статистике, машинном обучении, теории обратных задач) — метод добавления некоторой дополнительной информации к условию с целью решить некорректно поставленную задачу или предотвратить переобучение. Эта информация часто имеет вид штрафа за сложность модели, например, это могут быть ограничения гладкости результирующей функции или ограничения по норме векторного пространства.
Стемминг (англ stemming) - процесс нахождения основы слова для заданного исходного слова. Основа слова необязательно совпадает с морфологическим корнем слова.
СППВР — система поддержки принятия врачебных решений.
Факт (медицинский факт) - данные, описывающие пациента, в том числе способы его лечения и связь упомянутых данных с другими медицинскими фактами. Электронная медицинская карта, (электронный паспорт пациента) - ЭМ К; англ electronic health record - EHR) - база данных, содержащая сведения о пациенте: физиологические параметры пациента, анамнез, истории болезней и их лечение (методы и ход лечения, прописанные препараты и т.п.), которая создается в медицинском учреждении. В том числе электронная медицинская карта пациентов содержит записи пациентов, включающих, по меньшей мере, следующие данные: дату добавления записи, коды диагнозов, симптомов, процедур и лекарств, текстовое описание истории болезни на естественном языке, ассоциированные с историей болезни биомедицинские изображения, результаты исследований и анализов пациентов.
На ФИГ. 1. изображена схема работы «Системы для поддержки принятия врачебных решений» (далее - СППВР). В основе СППВР используется анализ деперсонифицированных медицинских данных пациента (далее - ДМДП), полученных от медицинской информационной системы (далее - МИС).
Алгоритм работы СППВР заключается в последовательном выполнении следующих этапов.
СППВР интегрируется с МИС медицинской организации посредством открытых API систем.
В МИС, используемой в медицинской организации, в процессе работы аккумулируются различные данные о пациентах, включая общую и медицинскую информацию: рост, вес, цифры артериального давления и т.д., зарегистрированные заболевания и обращения в медицинские организации, протоколы обследований, данные врачебных осмотров, хирургических вмешательств и др.
В МИС очень много данных хранится в обычном текстовом виде, например, протоколы врачебных осмотров, жалобы пациента, результаты инструментальных исследований и т.д., данные в таком виде не пригодны для создания дата-сетов и машинного обучения. Для того, чтобы другие сервисы СППВР или сторонние системы могли извлекать из таких текстовых записей структурированные признаки, был разработан сервис извлечения данных из медицинских записей.
Сервис построен на основе методов искусственного интеллекта, предназначенных для обработки естественного языка (Natural language processing - NLP). Эти возможности как раз и позволяют сервису извлекать из обычных текстовых медицинских протоколов клинически-значимую неразмеченную информацию, которая затем используется для выявления факторов риска и подозрений на скрытые заболевания.
Схема работы сервиса представлена на ФИГ.2 и включает следующие шаги. Принимают текстовую строку на естественном языке. Осуществляют предобработку принятой строки. Строку после предобработки подают на вход обученной математической модели для извлечения структурированных признаков. Осуществляют формирование размеченной строки, в которой выделены признаки и их значения и осуществляют постобработку данной строки. Выходом математической модели будет отчет о полученных признаках. В результате выполнения интеграции с СППВР, когда пользователи МИС получают доступ к ресурсам СППВР, включая доступ к математическим моделям, пользователи МИС получают возможность использования двух режимов взаимодействия с системой: “Консультация в ручном режиме” и “Консультация в автоматическом режиме”.
При использовании режима работы “Консультация в ручном режиме” пользователь МИС через web-браузер получает доступ к диалоговому окну «Анализ данных пациента», где в ручном режиме заполняет поля с необходимыми медицинскими показателями о пациенте, после чего направляет запрос данных на анализ в СППВР.
В качестве входных показателей на прямую в систему могут поступать не только данные вводимые пользователями, но и автоматически поступать с электронных медицинских карт, аппаратуры постоянного мониторинга здоровья и систем поддержания жизнедеятельности.
При использовании режима работы “Консультация в автоматическом режиме” МИС из медицинских записей пациента (ЭМК на уровне медицинской организации) автоматически формирует и отправляет пакет деперсонифицированных медицинских данных пациента (в формате JSON) в СППВР через открытые API системы. Полученный из МИС пакет деперсонифицированных медицинских данных пациента попадает в блок “Обработка входных данных”, где происходит предварительная обработка, которая включает в себя в том числе выявление и корректировку опечаток и ошибок, проверку информации на допустимые данные. Например, данные содержат информацию о росте человека 300 см., следовательно, такие значения недопустимы, так как такого роста человека не может быть.
Следующий шаг - индексация первичного массива данных основанная на математической модели, построенной на базе нейронной сети прямого распространения, которая включает в себя процесс расстановки индексов в соответствии с требованиями модели и последующий мониторинг наборов медицинских показателей и факторов влияющий на состояние пациентов с использованием системы извлечения признаков и медицинских онтологий. В первую очередь требованиями могут быть сами данные (количество признаков на входе), у каждой модели они свои, а также в качестве требований может выступать порядок признаков на входе, поэтому в том числе проводится индексирование. Каждый признак в том числе проверяется на «допустимость» типа рост не меньше 0,5 м и не больше 2,5 м, температура тела не меньше 25 и не больше 42 градусов, систолическое давление не менее 60 и не более 300 и так далее.
Под медицинскими онтологиями, в материалах настоящей заявки применяются для представления (хранения) знаний в предметной области в виде связей и максимально точного описания явлений разработаны специальные онтологии.
Различаются две группы онтологий:
1) Онтологии формирования медицинских признаков из элементарных терминов (правила формирования структурных, функциональных, параметрических, патологических и других медико-биологических признаков).
2) Онтологии описания патологических процессов и других медицинских явлений (правила моделирования факторов риска, распространённости, этиологии, патогенеза, клинической картины, диагностики, дифференциальной диагностики, лечения, профилактики, исхода патологических процессов, межлекарственных взаимодействий, ограничений к применению и т.п.). Большинство онтологий допускают моделирование динамики процесса и персонификации отношений.
Например, размеченные структурированные данные представлены как: «Рост = 180 см.», «Вес = 80 кг.» и «САД = 120 мм. рт. ст.» и «ДАД = 90 мм. рт. ст».
Неразмеченные данные на естественном языке представлены как: «Мужчина, 50 лет. Жалоб не предъявляет. При осмотре АД 120 на 90, рост 180, вес 80 кг., талия 80 см.».
После извлечения признаков методами NLP рассмотренная выше строка в размеченном варианте, пригодном для последующей машинной обработки, будет выглядеть следующим образом: «Мужчина, 50 лет. Жалоб не предъявляет. При осмотре АД 120 на 90 < feature AD = 120/90>, рост 180 < feature rost = 180>, вес 80 кг. < feature ves = 80>, талия 80 см.».
Далее осуществляют формирование окончательного массива структурированных данных.
Сформированный в результате предобработки набор признаков пациента далее передается для анализа в блок «Выявление факторов риска», который работает на основе правил, сформированных с учетом научных медицинских публикаций и клинических рекомендаций, одобренных ассоциациями и сообществами практикующих врачей. Например, решающее правило для оценки функционального состояния сердечно-сосудистой системы может быть использовано следующим образом: если рассчитанная величина логистической функции F, для оценки функционального состояния сердечно-сосудистой системы для конкретного пациента>= 0.68, то его следует отнести в группу высокого кардиоваскулярного риска. При углубленном обследовании высока вероятность (более 80%) выявить у такого пациента изменения сердца или сосудов, характерные для ишемической болезни сердца (ИБС) и артериальной гипертензии (АГ); если величина F < 0.68 в группу низкого кардиоваскулярного риска.
В клинических рекомендациях, разработанных по поручению Минздрава России и утверждённых обществом специалистов по неотложной кардиологии и профильной комиссией по кардиологии в качестве факторов риска ИБС используются: модифицируемые факторы риска
• Гиперхолестеринемия;
• Артериальная гипертония;
• Сахарный диабет;
• Курение;
• Низкая физическая активность;
• Ожирение. немодифицируемые
• Мужской пол;
• Возраст;
• Отягощен ность семейного анамнеза по сердечно-сосудистым заболеваниям.
По итогам работы блока «Выявление факторов риска» формируется пакет данных, содержащий выявленные факторы риска и признаки, необходимые для оценки рисков, который далее направляется в блок “Оценка рисков”.
На основании выявленных факторов риска и признаков в блоке “Оценка рисков” выполняется оценка степени рисков заболеваний, основанная на применении методов искусственного интеллекта (решающие правила и машинное обучение). Оценка степени рисков заболеваний, представляет собой общую оценку степени риска для здоровья пациента, основанную на учете всех факторов риска, не допускается статистическая компенсация одних факторов риска другими. Так, например, пациент с нормальным кровяным давлением и низким уровнем холестерина в крови, имеющий хороший генетический анамнез, занимающийся физическими упражнениями и пристегивающий ремень безопасности в автомобиле, может получить хорошую оценку степени риска, несмотря на тот факт, что он курит сигареты.
Блок “Оценка рисков” отвечает за сбалансированную оценку суммарного риска на основе клинических рекомендаций, когда имеется клинически проверенная информация о влияние того или иного фактора на суммарный риск, а также на основе данных математических моделей, который выдают оценку риска на основе реальных медицинских данных пациентов, данные о которых хранятся в системе.
Блок состоит из двух модулей, которые выполняют оценку степени рисков заболеваний параллельно. Выполнение оценки степени рисков заболеваний параллельно повысит точность определения. Кроме того, в силу отсутствия для некоторых медицинских задач медицинских данных для обучения, к ним применяются методы экспертного анализа.
Модуль экспертного анализа - включает в себя экспертно-аналитические алгоритмы, работающие по решающим правилам, которые описаны во внутренних справочниках системы. Справочники решающих правил (база знаний) модуля сформированы на основе многократно апробированных и признанных научным сообществом медицинских методик, клинических шкал и рекомендаций для выявления рисков заболеваний и их осложнений;
Модуль машинного обучения - представляет собой встроенные в систему модели на основе нейронных сетей прямого распространения, реализованные с использованием методов машинного обучения. При добавлении новых данных, обученные модули дообучаются. Модели на основе нейронных сетей дают возможность повысить точность прогнозирования рисков заболеваний в сравнении с использованием традиционных клинических шкал.
На вход нейронной сети подают вектор пациента, который рассчитывается на основе физиологических параметров пациента, анамнеза, истории болезней и их лечения (методов и хода лечения, прописанных препараты и т.п.). Далее осуществляется работа нейросетевых блоков, и на выходе получают общую оценку степени риска для здоровья пациента, основанная на учете всех факторов риска.
В предлагаемом решении могут быть использованы различные типы классификаторов, например, шкала SCORE (Systematic Coronary Risk Evaluation), которая разработана для оценки риска заболеваний и служит для улучшения эффективности прогнозирования по сравнению с отдельными классификаторами, а также является более универсальным решением.
С использованием сформированного массива производится автоматическая разметка полученной последовательности медицинских фактов по каждому пациенту, используя извлеченные из электронной медицинской карты пациента диагнозы или другие интересующие факты, например, фактор риска гиперхолестеринемии, систолическое АД более 140 или диастолическое АД более 90 мм рт.ст. или код МКБ- 10 «110» - фактор риска «артериальная гипертензия», глюкоза крови более 11.1 или код МКБ-10 «Е11 »— фактор риска «сахарный диабет» и т.д.
Данные полученные в ходе работы СППВР помимо непосредственно оценки рисков, могут использоваться при дообучении (калибровки) моделей под конкретный географический регион.
В случае, когда для расчета рисков по методике недостаточно данных, устанавливается статус «Недостаточно данных» со списком параметров, которые необходимы для оценки риска, при этом у врача остается возможность их ввести.
Кроме того, в случае недостающих признаков, предусмотрена возможность обработки входных данных без них, в этом случае используется модель, обученная на меньшем количестве, где эти признаки отсутствуют. Если, например, у пациента отсутствует информация: курит пациент или нет, то используется модель, обученная без использования данного признака.
В случае, когда методику невозможно использовать по ограничениям переданных параметров на анализ, то устанавливается статус «Не применимо».
По итогам работы блока “Оценка рисков” формируется пакет данных с оценками рисков, который далее направляется в блок “Интерпретация оценок рисков”.
Блок «Интерпретация оценок рисков» выполняет анализ полученных оценок риска и устанавливает на их основе степень риска по нозологиям. Результирующая оценка риска по нозологии определяется как его максимальная оценка по всем примененным к данной нозологии методикам.
После того, как факторы риска и степень риска по каждой нозологии были определены, в модуле «Формирование рекомендаций» формируются индивидуальные клинические рекомендации, включая рекомендации о профилактике, принципах лечения и тактике ведения пациента. Рекомендации, используемые СППВР, взяты из утвержденных национальных рекомендаций и описаний применения шкал и хранятся во внутренних справочниках системы.
Закончив обработку информации по пациенту, СППВР в “Выходном блоке” формирует пакет с результатами работы и отправляет его назад в МИС через открытые API системы.
Получив от СППВР пакет с результатами работы, МИС выводит его на экран пользователя в интерфейсе МИС..
В частном варианте реализации предлагаемой системы, данные могут храниться в паспорте пациента электронной медицинской карты. Данные являются деперсонализированными. В паспорте пациента указан только возраст пациента, так как он существенно влияет на прогноз заболеваний. Обмен данными в паспорт пациента осуществляется с внешними информационными системами, такими как, но не ограничиваясь, региональные - информационные системы, медицинские информационные системы, федеральный реестр электронных медицинских документов, федеральный справочник, мобильные приложения здоровья, носимые устройства здоровья и СППВР.
Подробно структура хранения данных, представленная как паспорт пациента, проиллюстрированная на ФИГ. 3.
Пользователь открывает паспорт пациента, в котором хранятся данные и может развернуть панели с данными, чтобы увидеть детальную информацию.
Организовано ведение региональной нормативно-справочной информации (НСИ), необходимой для функционирования сервиса.
В паспорте пациента в блоке «анамнеза и сигнальной информации» отображаются объективные, лабораторные и диагностические медицинские показатели пациента, документы медицинских осмотров, протоколы исследований, все имеющиеся диагнозы и подозрения на заболевания, а также реализована возможность взаимодействия с СППВР, в результате которого выводятся возможные риски пациента. Данной информации может быть большое количество, поэтому блок в свою очередь представляет собой следующие разделы:
• Медицинские показатели
Раздел содержит актуальные значения медицинских показателей: о Объективные данные (рост, вес, ИМТ, талия); о Информация о группе крови, фенотипе, ЧСС, АД о Лабораторные данные о Информация о вредных привычках/ условиях
Под каждым показателем указывается дата, на которую он был установлен. В случае нескольких измерений отображается последнее значение показателя.
• Лист окончательных диагнозов
Блок «Лист окончательных диагнозов» включает в себя список документов с окончательными диагнозами, отсортированный по коду МКБ. Для просмотра подробной информации о документе необходимо нажать на его название.
• Документы вне случая
В блоке «Документы вне случая» доступен просмотр документов вне случая, для этого необходимо нажать на ссылку «Документы». После чего откроется страница со списком документов вне случая. Для просмотра подробной информации о документе необходимо нажать на его название.
• Случаи В блоке «Случаи» доступен просмотр документов случая, для этого необходимо нажать на название документа. После нажатия открывается страница с информацией о случае, со списком диагнозов случая и списком документов случая. Для просмотра подробной информации о документе случая необходимо нажать на его название.
• Подозрения
В блоке «Подозрения» выводится список подозрений пациента с отображением кода МКБ, наименования подозрения, даты и времени выявления, а также ФИО врача, зарегистрировавшего подозрение и наименования МО. Для просмотра подробной информации о подозрении необходимо нажать на его название. После нажатия открывается страница с информацией о подозрении, на которой доступно указание следующих данных (звездочкой отмечены поля, обязательные к заполнению): о Статус подозрения: о Выявленное подозрение; о Диагноз не подтвержден; о Диагноз подтвержден. о Дата подтверждения/отклонения подозрения *; о Медицинская организация, ответственная за проверку подозрения (выбор из выпадающего списка); о Медработник, ответственный за проверку подозрения (выбор из выпадающего списка).
• Маршрутные карты
В блоке «Маршрутные карты» доступен просмотр маршрутных карт пациента, для этого необходимо нажать на ссылку «Показать все». После нажатия открывается страница со списком маршрутных карт. Для просмотра подробной информации о документе необходимо нажать на его код МКБ. После чего откроется содержимое маршрутной карты, которое включает в себя основную информацию и следующие вкладки: о Медицинские мероприятия для диагностики заболевания, состояния; о Медицинские услуги для лечения заболевания, состояния и контроля за лечением; о Перечень лекарственных препаратов для медицинского применения (средняя суточная и курсовая доза); о Медицинские изделия, имплантируемые в организм человека; о Кровь и ее компоненты; о Виды лечебного питания, включая специализированные продукты лечебного питания. Основную информацию можно редактировать по кнопке «Изменить». По кнопке «Открыть стандарт» открывается страница с информацией о стандарте из справочника «Стандарты обследования и лечения».
Посмотреть историю изменений маршрутной карты можно по кнопке «История изменения маршрутной карты».
• Группы риска.
В блоке «Группы риска» отображается выявленная группа риска пациента на основании сигнальной информации и дата выявления группы риска. В данном блоке реализована возможность перехода в систему поддержки принятия врачебных решений. Для просмотра подробной информации о выявленном риске необходимо нажать на название риска. После нажатия открывается страница с подробной информацией о выявленном риске, которая включает в себя следующую информацию: о Методики оценки; о Факторы риска; о Рекомендации врачу; о Рекомендации пациенту.
На Фиг.4 далее будет представлена общая схема вычислительного устройства (сервера) (400), обеспечивающего обработку данных, необходимую для реализации заявленного решения.
В общем случае устройство (400) содержит такие компоненты, как: один или более процессоров (401), по меньшей мере одну память (402), средство хранения данных (403), интерфейсы ввода/вывода (404), средство В/В (405), средства сетевого взаимодействия (406).
Процессор (401) устройства выполняет основные вычислительные операции, необходимые для функционирования устройства (400) или функциональности одного или более его компонентов. Процессор (401) исполняет необходимые машиночитаемые команды, содержащиеся в оперативной памяти (402).
Память (402), как правило, выполнена в виде ОЗУ и содержит необходимую программную логику, обеспечивающую требуемый функционал.
Средство хранения данных (403) может выполняться в виде HDD, SSD дисков, рейд массива, сетевого хранилища, флэш-памяти, оптических накопителей информации (CD, DVD, MD, Blue-Ray дисков) и т.п. Средство (403) позволяет выполнять долгосрочное хранение различного вида информации.
Интерфейсы (404) представляют собой стандартные средства для подключения и работы с серверной частью, например, USB, RS232, RJ45, LPT, COM, HDMI, PS/2, Lightning, FireWire и т.п. Выбор интерфейсов (404) зависит от конкретного исполнения устройства (400), которое может представлять собой персональный компьютер, мейнфрейм, серверный кластер, тонкий клиент, смартфон, ноутбук и т.п.
В качестве средств В/В данных (405) могут использоваться: клавиатура джойстик, дисплей (сенсорный дисплей), проектор, тачпад, манипулятор мышь, трекбол, световое перо, динамики, микрофон и т.п.
Средства сетевого взаимодействия (406) выбираются из устройства, обеспечивающий сетевой прием и передачу данных, и могут представлять собой, например, Ethernet карту, WLAN/Wi-Fi модуль, Bluetooth модуль, BLE модуль, NFC модуль, IrDa, RFID модуль, GSM модем и т.п. С помощью средств (406) обеспечивается организация обмена данными по проводному или беспроводному каналу передачи данных, например, WAN, PAN, ЛВС (LAN), Интранет, Интернет, WLAN, WMAN или GSM.
Компоненты устройства (400) сопряжены посредством общей шины передачи данных (410).
В настоящих материалах заявки было представлено предпочтительное раскрытие осуществление заявленного технического решения, которое не должно использоваться как ограничивающее иные, частные воплощения его реализации, которые не выходят за рамки испрашиваемого объема правовой охраны и являются очевидными для специалистов в соответствующей области техники.

Claims

Формула
1. Способ работы системы поддержки принятия врачебных решений, с использованием математических моделей представления пациентов, выполняемый на сервере, включающий этапы, на которых:
- получают деперсонифицированные медицинские данные из электронных медицинских карт, хранящихся в медицинской информационной системе;
- извлекают из полученных текстовых медицинских данных клинически- значимую неразмеченную информацию;
- осуществляют предварительную обработку и индексацию извлечённой информации, включающую в себя выявление и корректировку опечаток и ошибок, проверку информации на допустимые значения посредством использования алгоритмов извлечения признаков и медицинских онтологий;
- производят анализ сформированного на предыдущем шаге массива структурированных данных, в результате которого выявляют факторы риска на основе решающих правил, сформированных с учетом научных медицинских публикаций и клинических рекомендаций;
- производят автоматическую разметку полученных данных по каждому пациенту с учетом выявленных факторов риска;
- на основании данных предыдущего шага, формируют пакет данных, содержащий выявленные факторы риска и признаки, необходимые для оценки рисков и выявления подозрений на скрытые заболевания;
- выполняют оценку степени рисков заболеваний посредством применения решающих правил и машинного обучения на основании выявленных факторов риска и признаков, необходимых для оценки рисков и выявленных подозрений на скрытые заболевания;
- выполняют анализ полученной оценки степени рисков заболеваний, в результате которого устанавливают степень риска по нозологиям, где результирующую оценку риска по нозологии определяют, как максимальную оценку по всем примененным к данной нозологии методикам;
- на основании полученных факторов риска и степени риска по каждой нозологии формируют пакет индивидуальных клинических рекомендаций;
- отправляют сформированный пакет рекомендаций обратно в медицинскую информационную систему, где выводят его на экран в пользовательском интерфейсе.
2. Способ по п. 1, отличается тем что, электронная медицинская карта пациента включает, по меньшей мере, следующие данные: состояние пациента, методы лечения пациента, средства, используемые при лечении пациента, результаты анализов, и исследований, данные с датчиков систем мониторинга здоровья пациентов.
3. Способ по п. 1 или 2, отличается тем что, способ формирования методов оценки степени рисков представляет собой экспертную систему.
4. Способ по п. 1 или 2, отличается тем что, способ формирования методов оценки степени рисков представляет собой алгоритм на основе машинного обучения.
5. Способ по п. 1 или 2, отличается тем что, алгоритм извлечения признаков представляет собой алгоритм на основе методов Natural Language Processing (NLP).
6. Способ по п. 1 или 2, отличается тем что, данные, полученные в ходе работы системы поддержки принятия врачебных решений используют для дообучения моделей под конкретный географический регион.
7. Система поддержки принятия врачебных решений с использованием моделей представления пациентов включает по меньшей мере один пользовательский клиент и по крайней мере один сервер, соединенные с помощью клиент-серверной архитектуры, сервер, выполнен с возможностью осуществления способа работы системы поддержки принятия врачебных решений по п.1.
PCT/RU2021/050200 2020-07-10 2021-07-02 Система для поддержки принятия врачебных решений WO2022010384A1 (ru)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
RU2020122475A RU2752792C1 (ru) 2020-07-10 2020-07-10 Система для поддержки принятия врачебных решений
RU2020122475 2020-07-10

Publications (1)

Publication Number Publication Date
WO2022010384A1 true WO2022010384A1 (ru) 2022-01-13

Family

ID=77226224

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/RU2021/050200 WO2022010384A1 (ru) 2020-07-10 2021-07-02 Система для поддержки принятия врачебных решений

Country Status (2)

Country Link
RU (1) RU2752792C1 (ru)
WO (1) WO2022010384A1 (ru)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116525123A (zh) * 2023-06-29 2023-08-01 安徽省儿童医院(安徽省新华医院、安徽省儿科医学研究所、复旦大学附属儿科医院安徽医院) 一种基于分析模型的医疗检查落地要素反馈系统及方法
CN116612879A (zh) * 2023-07-19 2023-08-18 北京惠每云科技有限公司 诊断结果预测方法、装置、电子设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2016134756A (ru) * 2016-08-25 2018-03-05 Георгий Фридонович Урушадзе Распределенная информационно-аналитическая система "персональный электронный медицинский консультант"
RU2703679C2 (ru) * 2017-12-29 2019-10-21 Общество С Ограниченной Ответственностью "Интеллоджик" Способ и система поддержки принятия врачебных решений с использованием математических моделей представления пациентов
WO2020117869A1 (en) * 2018-12-03 2020-06-11 Tempus Labs Clinical concept identification, extraction, and prediction system and related methods

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU103209U1 (ru) * 2010-10-29 2011-03-27 Общество С Ограниченной Ответственностью "Правовое Сопровождение Бизнеса" Клиническая информационная система
US10483003B1 (en) * 2013-08-12 2019-11-19 Cerner Innovation, Inc. Dynamically determining risk of clinical condition
US20150193583A1 (en) * 2014-01-06 2015-07-09 Cerner Innovation, Inc. Decision Support From Disparate Clinical Sources
US11464456B2 (en) * 2015-08-07 2022-10-11 Aptima, Inc. Systems and methods to support medical therapy decisions
US10650927B2 (en) * 2015-11-13 2020-05-12 Cerner Innovation, Inc. Machine learning clinical decision support system for risk categorization
WO2019132686A1 (ru) * 2017-12-29 2019-07-04 Общество С Ограниченной Ответственностью "Интеллоджик" Способ формирования математических моделей пациента с использованием технологий искусственного интеллекта

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2016134756A (ru) * 2016-08-25 2018-03-05 Георгий Фридонович Урушадзе Распределенная информационно-аналитическая система "персональный электронный медицинский консультант"
RU2703679C2 (ru) * 2017-12-29 2019-10-21 Общество С Ограниченной Ответственностью "Интеллоджик" Способ и система поддержки принятия врачебных решений с использованием математических моделей представления пациентов
WO2020117869A1 (en) * 2018-12-03 2020-06-11 Tempus Labs Clinical concept identification, extraction, and prediction system and related methods

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116525123A (zh) * 2023-06-29 2023-08-01 安徽省儿童医院(安徽省新华医院、安徽省儿科医学研究所、复旦大学附属儿科医院安徽医院) 一种基于分析模型的医疗检查落地要素反馈系统及方法
CN116525123B (zh) * 2023-06-29 2023-09-08 安徽省儿童医院(安徽省新华医院、安徽省儿科医学研究所、复旦大学附属儿科医院安徽医院) 一种基于分析模型的医疗检查落地要素反馈系统及方法
CN116612879A (zh) * 2023-07-19 2023-08-18 北京惠每云科技有限公司 诊断结果预测方法、装置、电子设备及存储介质
CN116612879B (zh) * 2023-07-19 2023-09-26 北京惠每云科技有限公司 诊断结果预测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
RU2752792C1 (ru) 2021-08-05

Similar Documents

Publication Publication Date Title
US20200303072A1 (en) Method and system for supporting medical decision making
JP7304960B2 (ja) 健康情報に基づく予後スコア
US20140095201A1 (en) Leveraging Public Health Data for Prediction and Prevention of Adverse Events
US11915828B2 (en) System and method of using machine learning for extraction of symptoms from electronic health records
Yehia et al. Ontology-based clinical information extraction from physician’s free-text notes
US20180082030A1 (en) Automatic Adjustment of Treatment Recommendations Based on Economic Status of Patients
CN108231146B (zh) 一种基于深度学习的医疗记录模型构建方法、系统及装置
Gautier et al. Artificial intelligence and diabetes technology: A review
Johnson et al. Medical provider embeddings for healthcare fraud detection
Kaswan et al. AI-based natural language processing for the generation of meaningful information electronic health record (EHR) data
WO2022010384A1 (ru) Система для поддержки принятия врачебных решений
Davazdahemami et al. A deep learning approach for predicting early bounce-backs to the emergency departments
Mridha et al. Automated stroke prediction using machine learning: An explainable and exploratory study with a web application for early intervention
CN116864139A (zh) 疾病风险评估方法、装置、计算机设备及可读存储介质
Rabie et al. A decision support system for diagnosing diabetes using deep neural network
Mandava MDensNet201-IDRSRNet: Efficient cardiovascular disease prediction system using hybrid deep learning
WO2023217737A1 (en) Health data enrichment for improved medical diagnostics
TW202309917A (zh) 資料分析系統及資料分析方法
Ramesh et al. A frame work for classification of multi class medical data based on deep learning and Naive Bayes classification model
Gupta et al. An overview of clinical decision support system (CDSS) as a computational tool and its applications in public health
EA044909B1 (ru) Система для поддержки принятия врачебных решений
Al Sukar et al. Identifying a drug addict person using artificial neural networks
Kim et al. Automatic Diagnosis of medical conditions using Deep Learning with Symptom2Vec
Yu et al. Identifying causal effects of the clinical sentiment of patients' nursing notes on anticipated fall risk stratification
Kamra et al. An experimental outlook to design and measure efficacy of an artificial intelligence based medical diagnosis support system

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21837014

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21837014

Country of ref document: EP

Kind code of ref document: A1