CC BY
30УДК 519.816
Технические науки
Эбием Чиома Дебора, студентка 6 курса БМИ факультет, ФГБОУ ВО Юго-
Западный Государственный Университет, г. Курск Жукова Марья Андреевна, студентка 3 курса, лечебного факультета ФГБОУ ВО Курский государственный медицинский университет Минздрава России, г. Курск, научно-исследовательская лаборатория «Генетика» Курский государственный университет, г. Курск
ИСПОЛЬЗОВАНИЕ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЙ ВРАЧЕБНЫХ
РЕШЕНИЙ В НЕВРОЛОГИИ
Аннотация: Современный уровень развития здравоохранения предполагает использование информационных систем для повышения эффективности оказания медицинской помощи, в том числе в области неврологии. В работе кратко рассматриваются основные направления в области разработки и эксплуатации системы поддержки принятия медицинских решений при дифференциальной диагностике неотложных неврологических состояний, таких как: инсульты, черепно-мозговые травмы и травмы спинного мозга, инфекционных заболеваний, включая раннюю диагностику в приемных отделений клиник.
Ключевые слова: системы принятий врачебных решений, неврология, профилактика, лечение неврологических заболеваний.
Abstract: The current level of health care development involves the use of information systems to improve the efficiency of medical care, including in the field of neurology. The paper briefly discusses the main trends in the development and operation of a system for supporting medical decision-making in the differential diagnosis of emergency neurological conditions, such as: strokes, traumatic brain
injuries and spinal cord injuries, infectious diseases, including early diagnosis in the emergency departments of clinics.
Key words: medical decision-making systems, neurology, prevention, treatment of neurological diseases.
В условиях современного здравоохранения наибольшее внимание уделяется проблеме разработки и применения информационных медицинских систем, их интеграции в направлении построения единого информационного пространства. К числу информационных медицинских систем относятся системы поддержки принятий врачебных решений, работа которых направлена на качественное улучшение оказания медицинской помощи.
Цель выполненной работы: исследование возможностей систем поддержки принятия врачебных решений для повышения качества дифференциальной диагностики неотложных очаговых и диффузных поражений центральной нервной системы у пациентов с травматическими очаговыми поражениями головного мозга и мозговыми инсультами.
Под термином «система поддержки принятия решений» понимается компьютерная система, которая путем сбора и анализа информации способна влиять на процессы принятия решений в различных областях человеческой деятельности [3]. В области здравоохранения используются «системы поддержки принятия врачебных решений» (СППВР), которые используются как в диагностических, так и лечебных мероприятиях. СППВР представляют собой программное обеспечение, способное выполнять ряд функций, значительно улучшающих качество оказания медицинских услуг.
В зависимости от выполняемых функций и задач СППВР классифицируются следующим образом [1]:
1. Информационное-справочные СППВР:
- Справочно-библиотечные системы
- Электронные медицинские карты
- Интегральный анамнез
- Автоматизация врачебных назначений
- Автоматическая поддержка клинических руководств
- Автоматический контроль критериев качества медицинской помощи
2. Интеллектуальные СППВР, являющиеся системами вычисления:
- Модели, построенные с применением методов многомерной математической статистики, нейронных сетей
- Модели, построенные с применением методов математической логики
- Системы, моделирующие рассуждения врача
3. Гибридные СППВР, включающие в себя информационно-справочные и интеллектуальные компоненты.
Систем поддержки принятия решений (СППВР), специального типа информационной системы, предназначенной для оказания помощи лицам, принимающим решения. Важно отметить множественность вариантов классификации, но некоторые из них не получили широкого признания, а другие, успешные для своего времени, потеряли свою актуальность (В. Е. Кириенко, 2013) [4].
СППВР в неврологии
Диагностические СППВР используются при заболеваниях нервной системы. Система дифференциальной диагностики головных болей была предложена Maizels M. и Wolfe WJ. (Maizels M, Wolfe WJ, 2008)[5]. Эпизодическая мигрень и хроническая головная боль напряжения были диагностированы экспертной системой в 100% случаев (35 и 11 наблюдений соответственно), трансформированная мигрень-в 85,7% случаев (42/49 пациентов). Эпизодическая головная боль напряжения (2 наблюдения) и эпизодическая боль в пучке (1 случай) также были правильно диагностированы во всех случаях. Кроме того, особенностью этой информационной системы была ее способность определять правильность проведения противоопухолевой
терапии. Диагностическая точность избыточного употребления наркотиков составила 82,7% (34/52 пациента).
Для диагностики полиневропатии была предложена система поддержки решений, основанная на алгоритме нечеткой логики с включением клинических и ЭМНГ-данных (Kunhimangalam R, 2014) [6]. Всего было обследовано 84 пациента, у которых, согласно клиническим и ЭНМГ-исследованиям, моторная полиневропатия наблюдалась в 39 случаях, а чувствительная полиневропатия-в 45 наблюдениях. Контрольную группу составили 20 здоровых лиц. Данные для ввода в анализ включали клинические симптомы (двигательные, чувствительные расстройства, паттерны ощущений и боли и т.д.) и результаты ЭНМГ.
Результат представлял собой наличие/отсутствие полиневропатии и преимущественное вовлечение моторных, чувствительных или всех волокон, а также миелиновой оболочки или осевого цилиндра. Точность диагностики системы достигла 93,3%.
Экспертные системы для поддержки решений врача используются в дифференциальной диагностике демиелинизирующих заболеваний. Таким образом, была предложена искусственная нейронная сеть для дифференциальной диагностики оптического неврита и передней ишемической нейропатии зрительного нерва (Левин Л. А., 1996) [7]. Нейросетевое обучение было проведено на 116 пациентах с верифицированными диагнозами оптического неврита и передней ишемической нейропатии зрительного нерва (клинические данные и дополнительные результаты исследований соответствовали "золотому стандарту" для этих заболеваний). Непосредственно исследование проводилось на 128 пациентах с предполагаемым диагнозом конкретного заболевания. Оценивались следующие клинические показатели: пол, возраст, степень и скорость снижения/улучшения зрения, наличие сосудистых заболеваний (гипертония, сахарный диабет, мигрень), отек диска зрительного нерва, изменения полей зрения, включая скотомы, и местный болевой синдром. Совпадение диагнозов с мнением специалистов при
оптическом неврите составило 97,8% (88/90), а при передней ишемической нейропатии зрительного нерва - 94,7% (36/38). Mitsui, Haruya.). разработали экспертную систему, основанную на многоядерном алгоритме обучения для дифференциальной диагностики рассеянного склероза и оптикомиелита (Devic's opticomyelitis).
В исследовании приняли участие 30 пациентов с оптикомиелитом (56% -17/30 имели антитела к аквапорину - 4), 25 пациентов с рассеянным склерозом и 35 здоровых (контрольная группа). Для дифференциальной диагностики использовали комбинацию клинических (сумма баллов EDSS, самостоятельная ходьба 9 м, тест с заполнением 9 отверстий), нейропсихологических (тест на запоминание 10 слов) и нейровизуализационных/визуализационных критериев головного мозга (толщина коры, состояние субкортикального ядра, объем и количество гипоинтенсивных очагов в режиме T1 в режиме T2/FLARE, анизотропия кортико-спинномозгового пути, визуальная радиация и мозолистое тело, состояние ассоциаций МРТ, в том числе на уровне шейных путей, и визуальная пути. Точность дифференциальной диагностики между рассеянным склерозом и оптикомиелитом составила 88%, при этом объем и количество очагов в белом веществе, состояние ассоциативных связей и результаты нейропсихологических тестов оказались наиболее значимыми переменными. Изолированный клинико-рентгенологический синдром может быть дебютом рассеянного склероза, в связи с чем большое внимание уделяется правильной диагностике и интерпретации этого состояния.
Одним из наиболее сложных разделов неотложной медицины являются травматические поражения и, особенно, сочетанные травмы с повреждением головного и/или спинного мозга. Черепно-мозговые травмы - одна из самых актуальных проблем медицины и общества в целом. Более 50% этих травм, включая черепно-мозговую травму, находятся в возрасте до 40 лет. Травматические повреждения являются основной причиной смерти и инвалидности в молодом возрасте.
Структура СППВР содержит несколько модулей, согласованная работа которых значительно повышает точность постановки диагноза и назначения лечения или мер профилактики.
1. Модуль сбора и хранения данных осуществляет прием информации об обследовании пациента, формируя базу данных.
2. Модуль обработки данных обследований осуществляет структуризацию данных пациента.
3. Модуль формирования заключений и постановки диагноза. На основе отклонений параметров обследований и скринингов выявляются симптомы и синдромы.
4. Модуль формирования схемы лечения базируется на клинических рекомендациях.
5. Модуль выбора и корректировки схемы лечения позволяет лечащему врачу скорректировать план лечения. При внесении изменений в схему лечения происходит дополнительная обработка данных и вырабатывается дополнительной алгоритм лечения той или иной патологии.
6. Интерфейс лечащего врача позволяет медицинскому работнику вводить данные обследований пациента, проводить скрининги, получать результаты вычислений в виде рекомендованных схем лечения, а также вносить корректировки в схемы лечения.
Особенностью современной диагностики в области неврологии является большое количество используемых методов инструментальной диагностики заболеваний центральной и периферической нервных систем, а именно магнитно-резонансная томография (МРТ), компьютерная томография (КТ), электроэнцефалография (ЭЭГ), электронейромиография (ЭНМГ), ультразвуковые исследования (УЗИ), ангиография. Внедрение СППВР необходимо для повышения точности диагностики неврологических заболеваний на основе анализа результатов инструментальных исследований и выбора методов их лечения и профилактики.
Еще один раздел неотложной медицины-мозговые инсульты. Ежегодно в мире регистрируется около 15 миллионов новых случаев инсульта, в том числе около 800 тысяч в США и около 1 миллиона в Европе. В Соединенных Штатах мозговые инсульты являются основной причиной долгосрочной инвалидности. По данным Американской ассоциации по изучению сердечно-сосудистых заболеваний за 2010 год, в Соединенных Штатах проживало более 6,8 миллиона человек, перенесших инсульт. Общая стоимость ежегодных медицинских (прямых и косвенных) расходов в Соединенных Штатах превысила 72 миллиарда долларов в ценах 2013 года (Go AS, 2013) [8] для клинического использования в этой области были разработаны и предложены различные экспертные системы. В обзоре возможностей ЭС при церебральном инсульте отмечается, что они в первую очередь могут быть использованы при анализе нейровизуализационных изображений, в том числе в режиме удаленного доступа и в телемедицине, при классификации механизмов инсульта, при прогнозировании исхода и определении показаний к реабилитации.
Одной из важных проблем является точная диагностика инсульта в первые несколько часов заболевания, когда еще не может быть изменений в КТ, характерных для ишемического процесса. У госпитализированных пациентов без изменений КТ частота ошибочного диагноза инсульта достигает 13-30%. Группа исследователей из США предложила ЭС на основе искусственной нейронной сети для поддержки решения при постановке в отсутствие изменений на КТ. Чувствительность и специфичность ЭС в диагностике составила 80,0% и 86,2%, точность диагностики ИИ достигла 85,2% (псевдоинсульт - 81,1%). Сравнили эффективность искусственной нейронной сети, дискриминантного анализа и логистической регрессии в прогнозировании течения мозгового инсульта. Точность прогнозирования с помощью искусственной нейронной сети достигла 99,9% для геморрагического инсульта и 97,8% для ишемического инсульта. Предложил экспертный алгоритм с использованием комитета (ансамбля) критических деревьев для
прогнозирования 30-дневного исхода геморрагического инсульта. В ретроспективное исследование были включены 423 пациента, которые проанализировали возраст, пол, наличие артериальной гипертензии, сахарного диабета, ИБС, инсульта в анамнезе, наличие анемии и необходимость диализа. Также оценивалась сумма баллов по шкале ком Глазго, систолическое, диастолическое и среднее АД, анемия и уровень глюкозы в крови, локализация, объем и локализация кровоизлияния, смещение средней линии и гидроцефалия. Сравнительный анализ этого алгоритма показал его преимущество перед алгоритмом искусственной нейронной сети, методом опорных векторов, логистической регрессией и шкалой оценки прогноза геморрагического инсульта. Точность, чувствительность и специфичность алгоритма с использованием комитета (ансамбля) деревьев решений составила 78,5%, 79,0% и 78,4%.
Дифференциальная диагностика-один из самых сложных разделов клинической медицины. Особое значение имеет проведение дифференциально-диагностических мероприятий на догоспитальном этапе в условиях отделений неотложной и неотложной помощи и приемных отделений, когда наряду с критическим состоянием больного часто отмечается нехватка времени для проведения полного комплекса обследований. Одной из важных задач на этапах оказания неотложной медицинской помощи и приема является дифференциальная диагностика неотложных поражений нервной системы. Наиболее сложными для дифференциальной диагностики являются нервные интоксикации, мозговые инсульты, черепно-мозговые травмы и инфекционные поражения нервной системы. Сложность диагностики этих состояний заключается в срочном, неотложном характере заболевания, необходимости максимально быстрого оказания медицинской помощи, включая интенсивную терапию, а также начала специфического лечения - восстановления кровотока (тромболизис, тромбоэкстракция), хирургического лечения геморрагического инсульта, разрыва аневризмы, антибактериальной/противовирусной терапии инфекционных заболеваний.
В неврологии использование СППВР может быть незаменимым звеном в неотложной диагностике инсультов, черепно-мозговых травм, нейроинфекций, токсических поражений нервной системы, в случае, если диагностика затруднена отсутствием специфических патологических изменений в результатах инструментальных исследований.
В Российской Федерации в области неврологии разработана система автоматизации клинических руководств и аудита лечения (САКРАЛ), предназначенная для дифференциальной диагностики острых нарушений мозгового кровообращения и принятия персонифицированного решения по тактике ведения пациентов с данными патологиями [2]. В основе программы лежат формализация, последующее кодирование клинических рекомендаций по правилу «если..., то...» и формирование таблиц решений на основании автоматизированного анализа введенных данных лабораторных и инструментальных исследований, позволяющая дифференцировать тип инсульта, выраженность неврологических нарушений и тяжесть состояния пациентов. Конфигуратор обеспечивает оперативное обновление содержания новейших клинических руководств, также при выписке пациента из стационара заполняется форма аудита, включающая индикаторы качества оказанной медицинской помощи. Важной функцией данной программы для профилактики развития повторных эпизодов острых нарушений мозгового кровообращения является разработка формы диспансерного наблюдения лиц, перенесших инсульт на этапе амбулаторного ведения.
Выводы. Внедрение СППВР в различные области медицины, в том числе в неврологии, является неотъемлемой частью развития высокотехнологичной медицинской помощи. В неврологии СППВР могут применяться, в первую очередь, для неотложной дифференциальной диагностики неврологических заболеваний, а также для разработки персонифицированных схем лечения и мер профилактики различных заболеваний.
Библиографический список:
1. Реброва О.Ю. Эффективность систем поддержки принятия врачебных решений: способы и результаты оценки / О.Ю. Реброва // Клиническая и экспериментальная тиреоидология. - 2019. - Т.15. - № 4. - С. 148-155.
2. Система автоматизации клинических руководств и аудита лечения (САКРАЛ) в неврологии / Назаренко Г.И., Е.Б. Клейменова, М. Константинова [и др.] // Врач. - 2014. - № 9. - С. 84-87.
3. Системы поддержки врачебных решений в медицине / С.В. Фролов, А.Ю. Куликов, О.А. Остапенко [и др.] // Научный журнал. - 2018. - № 9.
4. Кириенко, В. Е. Об одном подходе к классификации систем поддержки принятия решений. / Е.В. Кириенко // Проблемы управления в социальных системах. - 2013. - № 5. - С. 66-73.
5. Yin, Ziming, et al. "A clinical decision support system for the diagnosis of probable migraine and probable tension-type headache based on case-based reasoning." The journal of headache and pain 16.1 (2015): 1-9.
6. Kunhimangalam, Reeda, Sujith Ovallath, and Paul K. Joseph. "A clinical decision support system with an integrated EMR for diagnosis of peripheral neuropathy." Journal of medical systems 38.4 (2014).
7. Petzold, Axel, et al. "The investigation of acute optic neuritis: a review and proposed protocol." Nature Reviews Neurology 10.8 (2014): 447-458.
8. Go, A. S., Mozaffarian, D., Roger, V. L., Benjamin, E. J., Berry, J. D., Borden, W. B., ... & Turner, M. B. (2013). Heart disease and stroke statistics—2013 update: a report from the American Heart Association. Circulation, 127(1), e6-e245.
