CC BY
62
И.А. Купеева,
д.м.н., заместитель директора Департамента медицинского образования и кадровой политики в здравоохранении Министерства здравоохранения Российской Федерации, г. Москва, Россия Р.А. Раводин,
к.м.н., старший преподаватель Военно-медицинской академии им. С.М. Кирова, г. Санкт-Петербург, Россия, [email protected] А.А. Ефремов,
старший научный сотрудник научно-исследовательской лаборатории военно-научного сопровождения автоматизированных систем управления научно-исследовательского отдела медико-информационных технологий научно-исследовательского центра Военно-медицинской академии им. С.М. Кирова, г. Санкт-Петербург, Россия, [email protected]
ИНТЕЛЛЕКТУАЛЬНЫЕ ОБУЧАЮЩИЕ СИСТЕМЫ КАК ЭЛЕМЕНТ СИСТЕМЫ ПОВЫШЕНИЯ КАЧЕСТВА МЕДИЦИНСКОЙ ПОМОЩИ
УДК 616.5 : 681.5
Купеева И.А, Раводин P.A., Ефремов A.A. Интеллектуальные обучающие системы как элемент системы
повышения качества медицинской помощи (Департамент медицинского образования и кадровой политики в здравоохранении, г. Москва, Россия; Военно-медицинская академия им. С.М. Кирова, г. Санкт-Петербург, Россия)
Аннотация. В статье рассматривается проблема качества оказания медицинской помощи. Как один из элементов системного подхода к повышению качества оказания медицинской помощи предлагается использование интеллектуальных обучающих систем. Приводятся примеры успешного применения интеллектуальных обучающих систем в медицине.
Ключевые слова: интеллектуальные системы, системы поддержки принятия врачебных решений, системы дистанционного обучения, медицина, дерматовенерология.
□ сновной целью государственной политики в области здравоохранения, определенной Правительством Российской Федерации на период до 2020 года, является формирование системы, обеспечивающей доступность медицинской помощи и повышение эффективности медицинских услуг, объемы, виды и качество которых должны соответствовать уровню заболеваемости и потребностям населения, передовым достижениям медицинской науки [1]. Значительная территориальная протяженность Российской Федерации с множеством отдаленных местностей, неравномерность распределения населения и квалифицированных врачей с их преимущественной концентрацией в крупных городах, разный социально-экономический уровень развития регионов, а также нарушение преемственности в системе профессиональной подготовки молодых специалистов, имеющее место в последнее время, создают дополнительные трудности для реализации этой политики.
Качество оказываемой медицинской помощи населению в значительной степени зависит от уровня подготовки (компетентности) врачебного
И.А. Купеева, Р.А. Раводин, A.A. Ефремов, 2015 г.
№1 Менеджер
3015 здравоохранения /
персонала. Комиссар ЕС по вопросам здравоохранения Андрула Василиу (Апс1гои11а Уазз|||ои) в 2010 г. отмечала: «Врачебные ошибки — это настоящий вызов для европейской системы здравоохранения» [2]. По данным комиссии Европейского Союза (ЕС), в каждом десятом случае обращения за медицинской помощью ставится ошибочный диагноз или назначается неправильное лечение. Согласно данным той же комиссии ЕС, в Германии каждый год от врачебных ошибок умирают около 25 000 немцев. Ежегодно в стране отмечается до 100 тыс. случаев ошибок диагностики, неправильного назначения лекарств и других дефектов оказания медицинской помощи [2]. По оценкам экспертов, в Венгрии вследствие врачебных ошибок ежегодно умирают 7-10 тысяч человек — больше, чем погибают в автокатастрофах. Число больных, пострадавших от врачебных ошибок в Канаде, составляет 30%, в Австралии — 27%, в Новой Зеландии — 25%, в Германии — 23%, в Великобритании — 22%. Причинами 80% летальных исходов в больницах Австралии становятся медицинские работники. На пятом континенте ежегодно умирают до 18 тысяч человек и около 50 тысяч становятся инвалидами [2]. По данным доклада Института медицины США (1999 год), в стационарах Соединенных Штатов ежегодно умирают от 44 до 98 тысяч пациентов из-за предотвратимых ошибок, допущенных медицинским персоналом, что превышает смертность от рака молочной железы или СПИДА. При этом ежегодные финансовые потери составляют порядка 29 млрд. долларов [3].
Выборочный анализ ошибок, допущенных врачами-дерматовенерологами Ленинграда в 1984-1985 гг., показал, что в 90% случаев причины их были субъективными (во всех 90% незнание, сочетавшееся в 70% с поверхностным осмотром), и лишь в 10% случаев могла идти речь о такой сравнительно объективной причине, как нехватке времени для принятия решений. Авторы отмечают недостаточное знакомство некоторых врачей с клиникой
даже распространенных дерматозов, не говоря уже об отдельных редких заболеваниях [4]. Количество гражданских исков и жалоб пациентов на качество оказания дерматовенерологической помощи в шести регионах Центрального федерального округа Российской Федерации за 5 лет (с 1998 по 2002 годы) увеличилось более чем в 14 раз [5]. По данным 120 комиссионных и комплексных судебно-медицинских экспертиз, проведенных в Центральном федеральном округе РФ (включая Москву) в 1999-2004 годах по определению судов в связи с гражданскими исками пациентов на профессиональные последствия при оказании дерматовенерологической помощи, 30% исков были обусловлены ошибками диагностики [6]. Детальный анализ 436 ошибочных умозаключений врачей-специалистов показал, что при диагностике вторичного сифилиса дерматовенерологи допускали неверное толкование клинических проявлений в 96 случаях (22%), акушеры-гинекологи — в 157 случаях (36%), хирурги — в 78 случаях (18%), отоларингологи — в 83 случаях (19%) и остальные специалисты — в 22 случаях (5%) [7].
Принимая во внимание данные факты и то, что профессиональные ошибки медицинских работников во многом зависят от уровня их профессиональной подготовки, можно заключить, что одним из способов борьбы с ними на системном уровне являются создание и широкое использование клинических и обучающих систем поддержки принятия врачебных решений. В этом случае медицинские работники смогут получать консультативную помощь и не только повышать качество принимаемых решений, но и приобретать новые знания. Эти же обстоятельства диктуют необходимость более активного использования интеллектуальных систем и в обучении, особенно дистанционном, поскольку они дают возможность визуализировать учебный материал в информационном (виртуальном) окружении дисциплины, что обеспечивает наилучшее усвоение диагностических и лечебных решений.
В связи с формированием всемирного информационного пространства подвергаются пересмотру многие сложившиеся столетиями представления об образовании. Существующая система высшего образования достаточно консервативна, сильно централизована и нередко характеризуется инерционностью, что не всегда позволяет ей своевременно отслеживать конъюнктуру рынка и удовлетворять все возрастающие требования заказчиков образовательных услуг. В настоящее время на рынке образовательных услуг активно разрабатываются различные электронные средства обучения, позволяющие «интеллектуализировать» как процесс преподавания, так и процесс обучения [8-13]. Процесс интеллектуализации преподавания предполагает передачу функций преподавателя (частично или полностью) компьютеру (интеллектуальной системе), который обучает, контролирует успеваемость, используя при этом определенные методические приемы и правила. Компьютерные системы, работающие по принципу инженерии предметных, педагогических и методических знаний преподавателей, когда программно поддерживаются содержание, стратегии и методики обучения, называются интеллектуальными обучающими системами [9]. К их числу относятся системы поддержки принятия решений (СППР), которые ориентированы главным образом на отработку у слушателей логики решения различных задач. При работе с такими системами у пользователя возникает эффект самообучения, поскольку они содержат модуль объяснений, обосновывающий заключения, выдаваемые системой. Под системой поддержки принятия (врачебных) решений (СППР) можно понимать любую программную систему, помогающую врачу принимать обоснованные решения, а не действовать только на основе интуиции. СППР предназначена для поддержки многокритериальных решений в сложной информационной среде [14,15]. Наиболее часто с такими проблемами при-
ходится сталкиваться в медицине, что связано:
1) с обилием часто встречающихся заболеваний, но с атипичными симптомами;
2) наличием симптомов-миражей (которые связывают с определенной патологией, тогда как на самом деле они могут не иметь к ней никакого отношения) и болезней-хамелеонов (заболеваний, маскирующихся под другую патологию); 3) наличием редких заболеваний [16]. Отмечаемый за последнее время лавинообразный рост знаний по всем отраслям медицины, появление новых лекарственных препаратов, методов диагностики и лечения, а также возникновение совершенно новых медицинских специальностей (иммунологии, аллергологии и ряда других) приводят к информационному коллапсу, справиться с которым молодой практикующий врач с помощью стандартных справочных средств не всегда в состоянии. Очевидно, что перевод обучающей литературы в электронную форму (даже при условии своевременного обновления и пополнения данных) также не сможет полностью решить возникшую проблему. Складывающаяся ситуация требует разработки интеллектуальных систем, способных оказать содействие доктору в интерпретации клинических и лабораторных данных и назначении наиболее адекватного лечения больного. В клинической практике такие интеллектуальные системы называют консультативными системами поддержки принятия решений, поскольку они содержат механизм обоснования предлагаемого решения, наиболее полно согласующегося с анализируемыми данными. Благодаря таким системам специалист (врач) получает интеллектуальную поддержку как процесса выдвижения начальной диагностической гипотезы, так и процесса обоснования или опровержения диагноза, то есть получает интеллектуальную поддержку решения прямой и обратной задач в медицине, поэтому такие системы именуют «системами поддержки принятия решений» [14,17,18]. Окончательное решение принимает врач, система не навя-
№1
sois
Менеджер
зывает ему ни один из своих выводов, специалист может соглашаться и не соглашаться с предлагаемым заключением, но при этом он получает определенный перечень наиболее близких диагнозов (так называемый дифференциально-диагностический ряд), выдаваемых системой, и их обоснование, что ускоряет процесс постановки окончательного диагноза и назначения адекватного лечения [8].
Клинические интеллектуальные системы находят все большее применение в медицине, позволяя оптимизировать подходы к диагностике и лечению заболеваний, приводя их в соответствие с действующими национальными стандартами диагностики и лечения этих нозологий. В качестве примеров успешного применения таких систем можно привести систему прогнозирования риска развития желчно-каменной болезни у людей с избыточной массой тела, экспертную систему по диагностике и лечению заболеваний предстательной железы, экспертную систему для прогнозирования эпилептических приступов на основе анализа электроэнцефалограмм и экспертную систему для прогнозирования инсультов [20-22].
Процесс интеллектуализации обучения подразумевает использование специальных программных средств, включая СППР, именуемых интеллектуальными учебными средами, обеспечивающих наилучшие условия для усвоения учебного материала. Они содержат технологии создания виртуальной реальности, мультимедиа и гипермедиа [11]. В медицине в качестве примеров таких обучающих систем можно привести следующие: МОДИС (диагностика форм артериальной гипертен-зии) — демонстрирует обучаемому ход «рассуждений» системы и перечень рассматриваемых диагностических гипотез в процессе вывода решения; ДИАГЕН (дифференциальная диагностика наследственных заболеваний, позволяющая оценить диагностическую значимость отдельных признаков); ДИН (диагностика неотложных состояний, проверяю-
щая правильность диагностического предположения доктора при движении от «диагноза к симптомам»); ГИСТОДЕРМ (гистологическая диагностика дерматологических заболеваний, работающая в режиме изучения строения нормальной кожи, зрительного распознавания 550 гистологических симптомов заболеваний, теоретического усвоения гистологических моделей и клинических проявлений 223 дерматозов); НЕФРОТРЕНАЖЕР (содержит около тысячи диагностических задач различной степени сложности, позволяющих определить уровень знаний слушателей с выдачей рекомендаций по их дальнейшему обучению); ATTENDING (обеспечивает поиск ошибок в предлагаемом плане предоперационной подготовки и выборе способа анестезии с выдачей альтернативного варианта); PHEO-ATTENDING (оценивает действия при обследовании больного с феохро-моцитомой с позиций двух различных медицинских школ) [10, 17,23].
Garg A.X. etal. (2005), основываясь на данных литературы, исследовали влияние 97 клинических систем поддержки принятия решений на практическую деятельность врачей
[24]. По результатам исследования выяснилось, что СППР в 64% улучшали качество диагностики, профилактики и лечения заболеваний. Ранее проведенная работа в 1998 году по оценке клинической эффективности СППР дала сходные результаты — СППР в 73% улучшали качество лечебно-диагностической работы в медицинских учреждениях
[25]. Leung G.M. etal. (2003) провели исследование, свидетельствующее о более высокой эффективности использования СППР для обучения студентов медицинского факультета в сравнении с традиционными формами преподавания [26]. Барбинов В.В. (1998) в своей работе доказал, что использование экспертных систем (СППР) дает статистически достоверное превосходство над обычными формами обучения в дерматогистопатологии [8].
Системы поддержки принятия решений в медицине являются эффективным и перспек-
тивным средством профилактики врачебных ошибок, используя их, медицинские работники получают консультативную помощь и не только повышают качество принимаемых решений, но и приобретают новые знания. Эти же обстоятельства диктуют необходимость более активной разработки и внедрения интеллектуальных систем в обучение, особенно дистанционное, что позволило бы эффективно и при минимальных затратах проводить его для всех категорий медицинского персонала, не отрывая обучающихся от своих рабочих мест. На основании анализа представленных литературных данных можно сделать следующие выводы:
1) результаты практического использования обучающих систем поддержки принятия решений в медицине свидетельствуют об их более высокой эффективности в сравнении с традиционными образовательными подходами;
2) использование дистанционных обучающих систем позволяет сократить материальные затраты на обучение при сохранении его эффективности;
3) разработка и применение обучающих и клинических СППР позволяют повысить качество лечебно-диагностической и профилактической работы в медицинских учреждениях, являясь значимым фактором развития современной медицины.
1. Распоряжение Правительства РФ № 1662-р от 17.11.08.
2. Галанова Г.И. Врачебная ошибка — проблема не только врача//Менеджер здравоохранения. — 2014. — №8. — С. 49-52.
3. Kohn L.T. et ai. To err is human: building a safer health system. — Washington, DC: National Academy Press, 2000. — 287 p.
4. Шапошников O.K., Браиловский А.Я., Разнатовский И.М., Самцов В.И. Ошибки в дерматологии. — Л.: Медицина, 1987. — 208 с.
5. ПашинянА.Г. Анализ профессиональных ошибок и дефектов оказания дерматовенерологической помощи//Вестн. дерматол. и венерол. — 2004. — №4. — С. 24-26.
6. Пашинян А.Г., Елистратова И.В., Арутюнян Г.Б. Экспертиза врачебных ошибок в дерматовенерологии//Вестн. дерматол. и венерол. — 2007. — №4. — С. 23-25.
7. Попов В.Е. Организационные технологии и системный анализ управления самостоятельной подготовкой студентов (на примере кадровой оптимизации в дерматовенерологии)//Автореферат дис....д-ра мед. наук. — М., 2006. — 38 с.
8. Барбинов В.В. Экспертные системы в дерматогистопатологии (инженерия знаний в компьютерных технологиях преподавания и диагностики)//Автореферат дис....д-ра мед. наук. — СПб.: 1998. — 40 с.
9. Голенков В.В, Емельянов В.В, Тарасов В.Б. Виртуальные кафедры и интеллектуальные обучающие системы//Новости искусственного интеллекта. — 2010. — №4. — С. 3-13.
10. Самцов А .В, Барбинов В.В. Учебно-исследовательская лаборатория клинической дерматогистопатологии на основе систем искусственного интеллекта//Вест-ник Российской военно-медицинской академии. — 2000. — № 1. — С. 94-97.
11. Путинцев А.Н, Шмелева H.H., Гусев К.Я. Опыт разработки мультимедийных обучающих систем для медицинских учреждений//Врач и информационные технологии. — 2010. — № 2. — С. 55-62.
№1 Менеджер
3015 здравоохранения /
12. Астанин С.В., КурейчикВ.М., Попов Д.И. Интеллектуальная образовательная среда дистанционного обучения//Новости искусственного интеллекта. — 2003. — № 1. — С. 7-14.
13. Таран Т.А, Сирота С.В. Технология обучения понятиям в интеллектуальных обучающих системах//Новости искусственного интеллекта. — 2006. — №3. — С. 18-23.
14. Гаврилова Т.А, Муромцев Д.И. Интеллектуальные технологии в менеджменте: инструменты и системы. — СПб.: Высшая школа менеджмента, 2007. — 488 с.
15. Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы. — М.: Финансы и статистика, 2006. — 424 с.
16. Ригельман Р. Как избежать врачебных ошибок. Книга практикующих врачей.
— М.: Практика, 1994. — 204 c.
17. Кобринский Б.А. Системы поддержки принятия решений в здравоохранении и обучении//Врач и информационные технологии. — 2010. — №2. — С. 39-45.
18. Киликовский В.В, Олимпиева С.П. Технология создания компьютерных консультативных экспертных систем для интеллектуальной поддержки принятия медицинских решений//Врач и информационные технологии. — 2004. — №9. — С. 22-27.
19. LiewP.L. etal. Comparison of artificial neural networks with logistic regression in prediction of gallbladder disease among obese patients//Dig. Liver dis. — 2007.
— V. 39. — № 4. — P. 356-362.
20. Лукьянов И.В. Экспертная система диагностики и выбора тактики лечения у больных с ДГПЖ//Автореферат дис. ... канд. мед. наук. — М., 2001. — 19 с.
21. TzallasA.T. etal. Automatic seizure detection based on time-frequency analysis and artificial neural networks//Comput. Intell. Neurosc. — 2007. — V. 2007. — P. 80510.
22. СемакА.E. Прогнозирование инсультов с помощью экспертной системы//Ин-сульт. — 2006. — № 17. — С. 37-41.
23. Приходина Л.С., Марьянчик Б.В, Длин В.В, Игнатова М.С. Компьютерная система и нефротренажер для дифференциальной диагностики заболеваний почек у детей с синдромом гематурии//Информационные технологии в здравоохранении. — 2002. — №8. — С. 16-17.
24. GargA.X. etal. Effects of computerized clinical decision support systems on practitioner performance and patient outcomes//JAMA. — 2005. — V. 293. — № 10. — P. 1223-1238.
25. Hunt D.L. etal. Effects of computer-based clinical decision support systems on physician performance and patient outcomes//JAMA. — 1998. — V. 280. — № 15.
— P. 1339-1346.
26. Leung G.M. et a. Randomized controlled trial of clinical decision support tools to improve learning of evidence based medicine in medical students//BMJ. — 2003.
— V. 327. — P. 1090-1096.
UDC 616.5 : 681.5
Kupeeva I.A, Ravodin R.A., Efremov A.A. Intelligent tutoring systems as an element of the system to improve
the quality of medical care (Department of Medical Education and Personnel Policy in Healthcare, Moscow, Russia; S.M. Kirov's Military Medical Academy, St-Petersburg, Russia)
Abstract. Problem of quality of medical care is the subject of this article. Application of the intelligent teaching systems is proposed as one of the elements of comprehensive approach to the improvement of healthcare quality. Examples of effective application of intelligent teaching systems in medicine are given.
Keywords: intelligent systems, support systems clinical decision, distance learning, medicine, dermatovenerology.
