Intranet-пациент в медицинских информационных системах

Колесниченко Ольга Юрьевна; Мазелис А.Л.; Николаев А.Э.; Мартынов А.В.; Пулит В.В.; Смородин Г.Н.; Колесниченко Ю.Ю.

Информационные технологии в медицине

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В МЕДИЦИНЕ

Колесниченко О.Ю.1, Мазелис А.Л.2, Николаев А.Э.2, Мартынов А.В.3, Пулит В.В.3, Смородин Г.Н.4, Колесниченко Ю.Ю.5

intranet-пациент в медицинских информационных системах

ТК «Ремедиум», 105082, г. Москва; 2ФГБОУ ВО «Владивостокский государственный университет экономики и сервиса»,

690014, г. Владивосток; 3Компания СП.АРМ, 197227, г. Санкт-Петербург; 4Академическое партнерство Dell EMC в России и СНГ, 199004, г. Санкт-Петербург; 5Бюллетень «Анализ безопасности», 125195, г. Москва

В статье рассмотрен математический кластерный анализ данных, полученных от медицинской информационной системы «qMS» за годовой период регистрации данных с трех медицинских учреждений. Для оценки стоимости, длительности лечения и объема обследований пациентов с гипертензивной болезнью сердца была специально написана компьютерная программа (автор А.Л. Мазелис) с использованием интерактивной среды Python. Кластеризация проводилась в двух направлениях: по количеству медицинских обследований и процедур (Series treatment) и по времени ожидания медицинских обследований и процедур (Series time). Были определены две группы пациентов по распределению стоимости и длительности стационарного лечения. Также по анализу данных медицинской информационной системы описан социально-медицинский портрет пациента (Шациента), страдающего гипертензивной болезнью сердца. Предложено проводить коррекцию стандартов лечения с учетом социально-медицинского портрета пациента в соответствии с обнаруженными реальными требованиями пациентов. В проанализированной выборке почти равное внимание уделяется обследованию сердца и желудочно-кишечного тракта, что свидетельствует о большой распространенности заболеваний последнего и требует повышенного диагностического внимания к ним как сопутствующим гипертонической болезни.

Ключевые слова: медицинские информационные системы; Большие данные; кластерный анализ; гипертензивная болезнь сердца; стандарт медицинской помощи.

Для цитирования: Колесниченко О.Ю., Мазелис А.Л., Николаев А.Э., Мартынов А.В., Пулит В.В., Смородин Г.Н., Колесниченко Ю.Ю. Intranet-пациент в медицинских информационных системах. Социология медицины. 2017; 16 (1): 49—55. DOI 10.18821/1728-2810-2017-16-1-49-55

Для корреспонденции: Колесниченко Ольга Юрьевна, канд. мед. наук, е-mail: oykolesnichenko@list.ru

Kolesnichenko O.Yu.1, Mazelis A.L.2, Nikolaiev A.E.2, Martynov A.V.3, Pulit V.V.3, Smorodin G.N.4, Kolesnichenko Yu.Yu.5

THE INTRANET-PATIENT IN MEDICAL INFORMATION SYSTEMS

'"Remedium", 105082 Moscow, Russia; 2The Vladivostokskii statу university of economics and service, 690014 Vladivostok, Russia; 3The SP.ARM company, 197227 St. Petersburg, Russia; 4The academic partnership Dell EMC in Russia and SIC, 199004 St. Petersburg, Russia; 5The bulletin "Analiz bezopasnosti", 125195 Moscow, Russia

The article considers a mathematical cluster analysis of data obtained in medical information system "qMS" for annual period of data registration in three medical institutions. To evaluate cost, duration of treatment and scope of examination of patients with hypertension heart disease a special software was developed by A.L. Mazelis using Python interactive environment. The clustering was implemented in two directions: according number of medical examinations and procedures (Series treatment) and according time of waiting for medical examinations and procedures (Series time). Two groups of patients were established according distribution of cost and duration of hospital treatment. Also, based on analysis of data of medical information system, a description of social medical portrait of patient with hypertensive heart disease was presented. A proposal was made of implementing adjustment of treatment standards considering medical social portrait of patient according to established actual demands of patients. In analyzed sampling almost equal attention is paid to examination of heart and gastrointestinal tract that testifies wide prevalence of gastrointestinal diseases that requires increased diagnostic attention to them as concomitant ones to hypertension disease.

Keywords: medical information system; big data; hypertension heart disease; medical care standard

For citation: Kolesnichenko O.Yu., Mazelis A.L., Nikolaiev A.E., Martynov A.V., Pulit V.V., Smorodin G.N., Kolesnichenko Yu.Yu. The Intranet-patient in medical information systems. Sociologia meditsini. 2017; 16 (1): 49—55. DOI 10.18821/1728-2810-2017-16-1-49-55

For correspondence: Kolesnichenko O.Yu., candidate of medical sciences. e-mail: oykolesnichenko@list.ru Conflict of interest. The authors declare absence of conflict of interest. Acknowledgment. The study had no sponsor support.

Received 12.10.2016 Accepted 20.01.2017

Внутренняя локальная сеть медицинского лечебного учреждения (Intranet) позволяет не только собирать большие объемы данных о каждом пациенте, но и анализировать их с целью оптимизации оказания медицинской помощи и формирования портрета пациента по каждой нозологии. С точки зрения социальной значимости анализа данных медицинских информационных систем (МИС) появляется уникальная возможность гибко реагировать на общественную реакцию на реформы в сфере здравоохранения. Новое программное обеспечение, например среда программирования Python, позволяет анализировать Большие данные, полученные с МИС для построения многосложной картины лечебного процесса. Такой подход является социализированным, так как учитывает каждого отдельного пациента в математическом алгоритме.

Список шагов, которые требуются для перехода на новый технологический уровень в информатизации здравоохранения, приводит один из ведущих Data Scientist в мире Люис Фролио (Louis Frolio) [1—3]:

♦ Создать структуры для сбора и хранения данных с МИС.

♦ Организовать интероперабельные связи между врачами и специалистами в области математического моделирования и ИТ.

♦ Сделать данные МИС доступными для интеграции и аналитики через ИТ-системы в необходимых режимах (например, по требованию или в режиме реального времени), учредить обучающие курсы с целью подготовки команд для аналитики Больших данных МИС, продвигать информатизацию и аналитику Больших данных во всех медицинских организациях, работать над стандартизацией электронных медицинских записей (electronic health records, EHR).

Помимо функции социальной медиации в вопросах реформы здравоохранения анализ Больших данных МИС позволяет качественно влиять на основные цели здравоохранения: искать пути более эффективного лечения населения, сохранять профессиональное долголетие людей, предотвращать инвалидизацию и смертность. По результатам выполнения плана Минздрава России, информатизация медицинских учреждений достигает 70%, что соответствует уровню ведущих западных стран [4].

Материалы и методы

В рамках совместного исследовательского сотрудничества Академического Партнерства Dell ЕМС (Dell EMC External Research and Academic Alliances), Владивостокского государственного университета экономики и сервиса и Санкт-Петербургской ИТ-компании СП.АРМ (информационные системы в медико-социальной сфере) проводится исследование по анализу записей МИС «qMS». Проект получил название «Case-

study Big Data: iHealthCare Optimization». МИС «qMS» является уникальной «Hospital Network», объединяющей больницы в единый информационный ресурс сбора и анализа данных по принципу SaaS (Software as-a-Service) — программное обеспечение как услуга. МИС «qMS» имеет контуры Интернета, Интранета в локальных сетях, единый датацентр с ядром программного обеспечения.

Были проанализированы записи системы «qMS», сделанные в период с 1 июня 2014 г. до 15 апреля 2015 г., с трех медицинских учреждений, оказывающих стационарную медицинскую помощь. Выборка для анализа составила 685 пациентов, все они проходили стационарное лечение с диагнозом по МКБ-10 — Код: I11.9: Гипертензивная (гипертоническая) болезнь с преимущественным поражением сердца без сердечной недостаточности, или Гипертоническая болезнь II стадии. Средний возраст пациентов составил 56,5 года. Личные данные пациентов исследовательской группе не передавались, пациенты были закодированы.

ИТ-специалисты СП.АРМ перевели собранные первичные массивы Больших данных в таблицу метаданных. Закодированная таблица с метаданными подверглась разным методам анализа: в СП.АРМ сделан математический анализ с составлением уравнения линейной регрессии, во Владивостокском государственном университете экономики и сервиса проведен кластерный анализ с помощью языка программирования Python. Также был проведен статистический анализ на основе Microsoft Excel, включая определение коэффициента корреляции Пирсона.

Анализ начинался с написания технического задания (CodeBook), которое состояло из следующих разделов, обязательных для проведения аналитики Больших данных: название Case-study, главный вопрос, на который нужно искать ответ, перечень метаданных для анализа и сетка для кластерного анализа, гипотеза и предполагаемые выводы, практическая значимость, статистические методы дополнительного анализа. Сетка для кластерного анализа не является жесткой для точного следования, так как математики при моделировании могут выявить более значимые направления кластеризации. Гипотеза и предполагаемые выводы в CodeBook служат лишь ориентиром и могут меняться при получении результатов анализа.

Результаты кластерного анализа в среде Python. Для автоматизации расчетов была специально написана программа (автор А.Л. Мазелис) с использованием интерактивной среды iPython и библиотек NumPy, Pandas и Sklearn, предназначенных для анализа и обработки данных.

Кластеризация выполнена по полному набору метаданных Max Metadata (39 медуслуг), среднему набору метаданных Middle Metadata (24 медуслуги) и сокращенному набору метаданных Min Metadata (10 медус-

Информационные технологии в медицине

луг) с группировкой на 2, 3 и 4 кластера (например, кластеризация полного набора метаданных на 2 кластера — Max-2, 3 кластера — Max-3, 4 кластера — Max-4), что позволило посмотреть эволюцию сегментации данных. Кластеризация проводилась по двум направлениям, фиксированным системой «qMS»: количеству проведенных медицинских обследований и процедур (Series treatment) и времени ожидания медицинских обследований и процедур (Series time). Кластеры обозначались буквой «к» и номером перед ней (например, Max-2 1к и Max-2 2к означает кластеризацию полного набора метаданных на 2 кластера 1к и 2к).

В табл. 1 представлен весь перечень полученных кластеров, которые при визуализации на графике по критерию «стоимость лечения — длительность госпитализации» (средние показатели в каждом отдельном кластере) распределились на 2 группы. Среднее арифметическое по всей выборке составляет 33 262 руб. для стоимости лечения и 9,7 сут для длительности госпитализации.

Стоит отметить, что только кластеризация способствовала выявлению данных групп, что невозможно было сделать, используя обычный статистический анализ. Также корреляционный анализ по всей выборке без кластеризации не показал сильных связей, а после кластеризации корреляционный анализ средних значений кластеров показал наличие сильной связи между длительностью госпитализации и стоимостью лечения (Г = 0,8).

Описание кластеров по полному набору метаданных по характеристикам «стоимость лечения—длительность госпитализации». Сначала были рассмотрены кластеры по полному набору метаданных Max Metadata и их показатели по численности пациентов, средним значениям длительности госпитализации и стоимости лечения. При кластеризации по количеству проведенных медицинских обследований и процедур обнаружена группа из 427 пациентов (62,3%), лечение которых в среднем составило 28 тыс. руб. (кластер Max-4-1k Series treatment), в то время как общее среднее по всей выборке составляет 33 тыс. руб.

Также выявлена группа из 221 пациента (32,3%), лечение которых в среднем достигло 43 тыс. руб. (кластер Max-4-4k Series treatment) при средней длительности пребывания в стационаре 11,3 сут, что выше стандарта Минздрава, которым определено 10 сут (Стандарт первичной медико-санитарной помощи при первичной артериальной гипертензии). Средний возраст пациентов этого кластера составляет 56 лет.

При кластеризации по времени ожидания медицинских обследований и процедур выявлена группа из 63 пациентов (9,2%), стоимость лечения которых превысила в среднем 52 тыс. руб. (кластер Max-4 3k Series time). Из всей мультикластерной картины кластер Max-4 3k Series time имеет самую большую стоимость лечения при средней его длительности 12,8 сут.

Описание кластеров по среднему набору метаданных по характеристикам «стоимость лечения — длительность госпитализации». По среднему набору метаданных выделен кластер Middle-4 3k Series treatment с самой низкой стоимостью лечения, он очищен от обследований, которые не входят в стандарт лечения ги-

пертонической болезни. Для этого кластера стоимость лечения в среднем составила 24 939 руб. при средней длительности лечения 8 сут, численность кластера — 231 пациент (33,7%). Можно сказать, что этот кластер является желаемым ориентиром для оптимизации лечения данной категории больных (с учетом изменения цен с периода лечения).

Описание кластеров по сокращенному набору метаданных по характеристикам «стоимость лечения — длительность госпитализации» и по структуре медицинских услуг. Выявлены два выпадающих по длительности пребывания в стационаре кластера с сокращенным набором данных — Min-4 2k Series time и Min-4 3k Series treatment. Эти кластеры очищены от обширного перечня обследований до минимального количества медуслуг, которые наиболее часто оказываются данному контингенту больных с целью диагностики и лечения (электрокардиография, комбинированное суточное мониторирование ЭКГ в 3 отведениях и АД, УЗИ почек, УЗИ почечной артерии, исследование глазного дна с применением линзы Гольдмана, забор крови из пальца, забор крови из вены, инъекция внутримышечная, инъекция внутривенная, внутривенное капельное введение лекарственных средств).

Кластер Min-4 2k Series time характеризуется численностью 20 пациентов при среднем возрасте 61 год (это верхняя средняя возрастная планка среди всех кластеров) и средней стоимостью лечения 39 908 руб. при средней длительности госпитализации 15 сут. В кластер Min-4 3k Series treatment попал всего один пациент, стоимость его лечения составила 49 256 руб. при длительности госпитализации 20 сут (из-за того, что кластер содержал лишь одного пациента, данный кластер в дальнейшем детально не рассматривался).

То, что кластер Min-4 2k Series time с самым дли-

Таблица 1

Кластеры, распределенные на 2 группы по характеристикам «стоимость—длительность» стационарного лечения

Группа

Кластер

1 — 395 пациентов; Series treatment

стоимость лечения ,, ~ „ ~ ,, ,,■ ~ ,,

, Max-2 1k; Middle-2 1k; Min-2 1k;

до 35 тыс. pyo.; Max-3 1k; Middle-3 2k; Min-3 1k;

средне длш-^ьшстъ Max-4 ^ ^ ^

пребывания в стационаре 8,5 сут

2 — 290 пациентов; стоимость лечения от 35 тыс. руб.; средняя длительность пребывания в стационаре 11,2 сут

Series time

Max-2 1k; Middle-2 1k; Min-2 1k; Max-3 2k; Max-3 3k; Middle-3 1k; Middle-3 2k; Min-3 1k; Max-4 2k; Max-4 4k; Middle-4 1k; Middle-4 2k; Middle-4 3k; Min-4 3k

Series treatment

Max-2 2k; Middle-2 2k; Min-2 2k; Max-3 2k; Max-3 3k; Middle-3 1k; Middle-3 3k; Min-3 2k; Min-3 3k; Max-4 2k; Max-4 3k; Max-4 4k; Middle-4 1k; Middle-4 2k; Middle-4 4k; Min-4 2k; Min-4 4k

Series time

Max-2 2k; Middle-2 2k; Min-2 2k; Max-3 1k; Middle-3 3k; Min-3 2k; Min-3 3k; Max-4 1k; Middle-4 4k; Min-4 1k; Min-4 4k

тельным пребыванием в стационаре (в среднем 15 сут) относится к сокращенному набору данных Min, говорит о том, что задержка этих пациентов связана именно с минимальным набором медуслуг, а более конкретно — с повторным проведением ЭКГ. Также кластер Min-4 2k Series time характеризуется самым большим среди данного распределения числом анализов крови и ожиданием парентерального лечения.

В целом повторные ЭКГ-обследования проводили всего 37 (5%) пациентам. Преимущественно ЭКГ проводилась пациентам в течение первых суток от момента поступления. Можно выделить второй пул пациентов, малочисленный, который отражает повторные, отсроченные и линейно зависящие от срока госпитализации ЭКГ-обследования. В ИТ-компании СП.АРМ был проведен регрессионный анализ (В.В. Пулит) выборки метаданных всех 685 пациентов. Полученное уравнение линейной регрессии позволило сделать вывод, что на длительность пребывания пациента с гипертензивной болезнью сердца в стационаре в наибольшей степени и с высокой достоверностью оказывает влияние время ожидания ЭКГ-обследования.

Сравнение кластеров с одинаковой стоимостью лечения по структуре медуслуг на примере кластерного распределения Max-4 Series time. Рассмотрим кластерное распределение на 4 кластера по полному набору метаданных серии Series time. Кластеры Max-4 2k и Max-4 4k можно рассмотреть с позиции того, что они имеют почти одинаковые средние значения стоимости лечения. Для кластера Max-4 2k Series time стоимость лечения составила 29 866 руб. при численности кластера 234 человека и длительности лечения 7,9 сут. Для кластера Max-4 4k Series time стоимость лечения составила 29 543 руб. при численности 267 человек и длительности лечения 9,4 сут. Оба кластера укладываются в медицинский стандарт лечения данной нозологии по длительности госпитализации, имеют стоимость ниже общего среднего и сопоставимы по численности пациентов. Они отличаются тем, что пациентам из кластера Max-4 4k больше брали кровь для анализов и больше проводили внутримышечные инъекции и внутривенное вливание препаратов. При этом стоит отметить, что из всей выборки пациентов (685 человек) внутривенные капельные вливания делали 342 пациентам, из них 300 человек получили только по одному внутривенному капельному вливанию. По времени ожидания процедуры или исследования оба кластера имеют более эффективные показатели, чем два остальных.

Полный набор обследований (в дополнение к уже рассмотренному сокращенному набору) для кластерного распределения Max-4 Series time включал следующие обследования: суточное мониторирование ЭКГ в 12 отведениях, тредмил, велоэргометрия, стресс-эхоКГ, комбинированное суточное мониторирование ЭКГ в 12 отведениях, АД и реопульмограммы, спирометрия с пробой с бронхолитиком, комплексное исследование легких, триплексное исследование брахиоцефальных артерий на интра- и экстракраниальном уровне, УЗИ органов брюшной полости и почек, комплексное поли-сомнологическое обследование, дуплексное исследование артерий и вен нижних конечностей, дуплексное исследование вен нижних конечностей с функциональ-

ными пробами, УЗИ щитовидной железы, тест Biohit; эзофагогастродуоденоскопия, колоноскопия, УЗИ молочных желез, биопсия при эндоскопии из 1 очага, УЗИ малого таза у женщин, УЗИ малого таза у мужчин, ректальное пальцевое исследование предстательной железы, взятие материала на бактериологическое, цитологическое, гормональное или ПЦР-исследование.

Сравниваемые одинаковые по стоимости кластеры Max-4 2k Series time и Max-4 4k Series time различаются тем, что кластер Max-4 2k имеет больше биопсий, а кластер Max-4 4k — больше спирометрических обследований. В обоих кластерах самое длительное ожидание относилось к полисомнологическому обследованию.

На примере сравнения схожих по стоимости лечения кластеров можно выделить две структуры (модели) медицинских услуг: в одном случае больше проводится парентеральное лечение и больше внимания уделяется обследованию кардиореспираторной системы, а в другом потребовалось проводить дополнительную диагностику сопутствующих заболеваний.

Интересен кластер Max-4 3k, так как он является самым дорогостоящим из всех, выявленных в данном исследовании. Кластер Max-4-3k Series time отличается повторным забором крови из вены, высока в нем частота внутримышечных инъекций и дольше длился курс внутривенных инъекций. Также кластер Max-4 3k Series time отличается наибольшим количеством проведенных биопсий и эзофагогастродуоденоскопий, большим временем ожидания ультразвукового исследования брахиоцефальных артерий. По результатам регрессионного анализа, сделанного СП.АРМ, ультразвуковое исследование брахиоцефальных артерий входит в список факторов, в наибольшей степени и с высокой достоверностью влияющих на длительность пребывания пациентов в стационаре.

При рассмотрении общего количества всех обследований, проводимых по всей выборке, выявлено, что на первом месте по частоте оказываемых услуг находится ЭКГ, на втором УЗИ брахиоцефальных артерий, на третьем УЗИ брюшной полости. Процентное долевое распределение обследованных органов и систем следующее: исследование сердца 32% (доля от всех проведенных обследований), дыхательной системы 3%, сосудов 18%, сна 1%, эндокринной системы 11%, желудочно-кишечного тракта 24%, мочеполовой системы 11%.

Сравнение кластеров по среднему набору метаданных по структуре медуслуг на примере кластерного распределения Middle-4 Series treatment. Кластер с самой низкой стоимостью лечения Middle-4 3k Series treatment (в среднем 24 939 руб. при средней длительности лечения 8 сут) по количеству медуслуг схож с кластером Middle-4 1k (средняя стоимость лечения 36 956 руб. при длительности лечения 10 сут), но различается по времени ожидания внутривенного капельного введения лекарственных средств, этот показатель короче для кластера Middle-4 3k.

Особых отличий кластера Middle-4 3k Series treatment от других трех кластеров данного кластерного распределения по всему среднему набору обследований не выявлено, видимо, низкая стоимость лечения, сегментированная в отдельный кластер, обусловлена

Таблица 2

Группа

Показатель

Обследование

ЭКГ СМЭКГ СМЭКГ+АД СМЭКГ+АД+РПГ Тредмил ВЭМ Стресс-эхоКГ

364 63 90 144 47 4 32

92,2 15,9 22,8 36,5 11,9 1 8,1

281 69 55 137 33 21 71

96,9 23,8 18,9 47,2 11,3 7,2 24,5

Абсолютное число обследований

Нормированные показатели на 100 человек по численности для каждой из групп

Абсолютное число обследований

Нормированные показатели на 100 человек по численности для каждой из групп

Группа Показатель Обследование

Спиро Ис. легких БЦА гд ПСО Сосуды н/к УЗИ щит. УЗИ мол.ж.

1 Абсолютное число обследований 18 28 226 67 5 34 147 45

Нормированные показатели на 100 человек 4,6 7Д 57,2 16,9 1,3 8,6 37,2 11,4