CC BY
11^ИНФОРМАЦИОННОГОБ ЕС ПЕЧЕНИЕ ЗДРАВООХРАНЕНИЯ
© Берсенева Е.А., Михайлов Д.Ю., 2020 УДК 61:004
^^ оценка конкурентных преимуществ использования = автоматизированной системы кодирования в различных
WW W
= отраслях российской и международной медицины
Евгения Александровна Берсенева, д-р мед. наук, руководитель Центра высшего и дополнительного профессионального образования ФГБНУ «Национальный научно-исследовательский институт общественного здоровья имени Н.А. Семашко» [105064 г. Москва, ул. Воронцово поле, 12, стр. 1; e-mail: eaberseneva@gmail.com]
Дмитрий Юрьевич Михайлов, канд. мед. наук, зам. начальника госпиталя (клинического) по клинико-экспертной работе ФКУЗ «МСЧ МВД России по г. Москве» [127299 г. Москва, ул. Новая Ипатовка, 3а; e-mail: mdudoc@mail.ru]
Реферат. Электронная информация о пациентах образует ядро компьютеризированных информационных систем здравоохранения. Для настоящего обзора использовались публикации авторов из поисковых систем Elibrary, PubMed, Google Scholar, Medline, Scopus, CyberLeninka, РИНЦ по ключевым словам и с функцией «похожие публикации». Представлены исследования, в которых были получены матрицы подобия кодов МКБ, проведена корреляция между кодами на основе семантического сходства между текстовыми строками. Проведен анализ широкого внедрения приложений с поддержкой искусственного интеллекта и компьютерного кодирования. В эпоху масштабных данных необходимо создавать более надежные аналитические системы и внедрять процессы анализа данных для выявления их закономерностей.
Ключевые слова: автоматизированные информационные медицинские системы, международная классификация болезней, кодирование, заболеваемость, смертность, семантический анализ, искусственный интеллект.
evaluation of the competitive advantages of using = an automated coding system in various branches = of russian and international medicine
Eugenia A. Berseneva, Doctor of Medical Science, head of the Higher and Additional Professional Education Center named after of N.A. Semashko of the National Research Institute of Public Health [105064 Moscow,Vorontsovo pole str., 12, bld. 1; e-mail: eaberseneva@gmail.com]
Dmitry Yu. Mikhaylov, Candidate of Medical Sciences, deputy head of the Hospital (Clinical) for clinical and expert work, Doctor of the Federal State Healthcare Institution «Medical Unit of the Ministry of Internal Affairs of Russia in Moscow» [127299 Moscow, Novaya Ipatovka, 3a; e-mail: mdudoc@mail.ru]
Abstract. Electronic patient information forms the core of computerized health information systems. For this review, we used publications of authors from Elibrary, PubMed, Google Scholar, Medline, Scopus, CyberLeninka, RSCI search engines by keywords and with the «similar publications» function. Studies are presented where similarity matrices of ICD codes were obtained, and correlation between codes was carried out on the basis of semantic similarity between text strings. The analysis of wide implementation of applications with support of artificial intelligence and computer coding was carried out. In the era of large-scale data, it is necessary to create more reliable analytical systems and implement data analysis processes to identify their patterns.
Key words: automated medical information systems, international classification of diseases, coding, morbidity, mortality, semantic analysis, artificial intelligence.
Введение. Внедрение в практическое здравоохранение алгоритмов квантификации кли-нико-статистических параметров заболеваемости и смертности способствует повышению качества медицинской помощи за счет своевременного предоставления доступной информации как персонифицированно о каждом пациенте, так и обо всей популяции [1, 3, 4]. Электронная информация о пациентах образует ядро компьютеризированных инфор-
мационных систем здравоохранения. Однако совместимость между системами зависит от принятия информационных стандартов. Кроме того, инвестирование в технологические системы требует проведения исследований экономической эффективности для обеспечения устойчивости процессов для заинтересованных сторон.
В России разработаны и уже частично реализованы государственные программы: «Информационное
общество (2011-2020 годы)», «Стратегия развития отрасли информационных технологий в Российской Федерации на 2014-2020 годы (и на перспективу до 2025 года)», «О стратегии развития здравоохранения в РФ на период до 2025 года» [2, 15]. Приоритетной целью этих программ является не только качество оказания медицинской помощи, но и социальная защита населения, развитие информационных и телекоммуникационных технологий в сфере здравоохранения, развитие медицинской науки, технологий и техники, подготовка квалифицированных кадров в сфере информационных технологий. Все это будет способствовать повышению позиции Российской Федерации в международном рейтинге по индексу развития информационных технологий [23].
Информационные технологии в области здравоохранения оказали значительное влияние на профессию в области управления медицинской информацией. Специалисты-организаторы здравоохранения поддерживают усилия по обеспечению доступности, точности, целостности и безопасности данных здравоохранения [9, 10]. Оцифровка медицинских данных значительно повлияла на обязанности и работу врачей всех специальностей, на плечи которых ложатся еще и технические роли, связанные со сбором, хранением и использованием медицинских данных [12, 24].
Делегирование части работы с медицинской документацией возможно благодаря разработке адаптивных алгоритмов и компьютерных программ. По состоянию на 2011 г. в США было зарегистрировано более 17 000 алгоритмов и компьютерных программ для оценки эффективности лечебных и административных мероприятий [48].
Развитие искусственного интеллекта в здравоохранении обусловлено множеством факторов: растет законодательное и финансовое давление на отрасль здравоохранения во всем мире, связанное с увеличением продолжительности жизни населения и увеличением его численности. Ежегодная экономическая выгода от применения средств искусственного интеллекта, по американским подсчетам, может составить около 150 млрд долларов к 2026 г. [50].
Помимо экономической выгоды дополнительным драйвером развития технологий искусственного интеллекта является сам объем данных здравоохранения. Здравоохранение переживает информационный бум. Дефицит медицинских работников на основании потребности во всем мире оценивается примерно в 17,4 млн человек [4, 44].
Технология искусственного интеллекта необходима для достижения цели «прецизионной медицины» - это новая медицинская модель, в которой медицинские решения и методы лечения адаптируются к пациенту. Она предполагает наличие огромных вычислительных мощностей и алгоритмов, которые могут обучаться сами по себе с беспрецедентной скоростью [42].
Квантификация взаимоотношений врача и пациента в системе здравоохранения, включая страховую медицину, происходит посредством шифрования случаев заболеваний и смертей в соответствии с Международной классификацией болезней 10-го пересмотра (МКБ-10) [2, 18-20, 22].
В то время как иерархическая система МКБ-10 является высокоинформативной, не все заболевания имеют одинаковый уровень детализации в кодах по МКБ-10, что делает невозможным применение унифицированного подхода. Разработка автоматизированной системы кодирования позволит снизить долю ручного ввода данных, что нивелирует потенциальную субъективную предвзятость [20, 22]. Из-за неоднородности кодирования в разных системах здравоохранения данные, вводимые на опыте одного медицинского центра, могут быть не очень адаптированы для других. Это и предопределяет актуальность проведенного исследования.
Материал и методы. В статье использовались публикации, научно-исследовательские работы, предоставленные авторами для свободного ознакомления. Поиск информации проводился с использованием электронных библиотечных ресурсов поисковых систем Elibrary, PubMed, Google Scholar, Medline, Scopus, CyberLeninka, РИНЦ по ключевым словам, указанным ранее, а также с использованием функции «похожие публикации».
Результаты и их обсуждение. В публикациях зарубежных авторов представлены исследования, в которых были получены матрицы подобия кодов МКБ, основанные на их совместном возникновении, наблюдаемом в системах здравоохранения. Кроме того, дополнительно была проведена корреляция между кодами на основе семантического сходства между текстовыми строками. Это достигалось путем получения вложений для текстовых строк МКБ на основе слов или вложений концепта - матрицы подобия.
С помощью многовидовой спектральной кластеризации (multi-view banded spectral clustering, mvBSC) можно разделить заболевания по клинически и физиологически значимой иерархии. Так, среди сердечно-сосудистых заболеваний, например, когорта разделяется на ревматические болезни сердца, клапанные заболевания, гипертоническую болезнь сердца (и почек) и ишемическую болезнь сердца (ИБС). В рамках группы ИБС дополнительно выделяются такие клинически различимые группы, как атеросклероз, стабильная стенокардия, нестабильная стенокардия, инфаркт миокарда и постинфарктные осложнения. Такое состояние, как сердечная недостаточность, которая может возникать в результате различных этиологий, как правило, классифицируется по физиологической причине; например, ревматическая сердечная недостаточность группируется с другими последствиями ревматической болезни сердца, в то время как сердечная недостаточность, вторичная по отношению к неконтролируемой гипертензии, груп-
пируется с другими гипертоническими заболеваниями сердца. Точно так же среди гематологических заболеваний с помощью корреляции можно выделить анемии, коагулопатии и злокачественные новообразования. Дальнейшая иерархия дифференцирует анемии по дефициту питательных веществ (т.е. же-лезодефицитные, В12-дефицитные, дефицит фолатов и т.д.), наследственные анемии (талассемии, серповидно-клеточная анемия, нарушения обмена веществ и др.), гемолитические анемии (сфероцитоз, аутоиммунные и др.), апластические анемии (индуцированные приемом лекарственных средств, конституциональные). То есть с помощью mvBSC в нескольких различных нозологических системах разворачивается иерархия, которая внутренне непротиворечива на каждом уровне, клинически значима и легко интерпретируема. Это позволяет использовать существующие иерархии в качестве стандарта. Кроме того, метод применим для группировки многих других типов медицинских терминов, включая лабораторные коды и коды процедур, которые действительно нуждаются в стратегии группировки на основе данных. Одним из ограничений текущего алгоритма mvBSC является необходимость измерения расстояния, которое может отличать очень похожие коды от несходных кодов [17, 30].
Более широкое внедрение искусственного интеллекта предопределяет практические последствия как для организаторов здравоохранения в плане ответственности за управление медицинскими данными и информацией, так и для системы медицинского кодирования. Искусственный интеллект (ИИ) применим для следующих случаев использования:
1. Автоматизированное медицинское кодирование.
2. Специфичность диагностики на основе ИИ.
3. Ранняя диагностика на основе ИИ.
Систематический обзор литературы об исследованиях по оценке эффективности автоматизированных систем кодирования и классификации показал, что автоматизированные системы кодирования используются по меньшей мере с середины 1990-х годов [13, 48]. Компьютерное кодирование (КК) - это термин, который относится к автоматизированному созданию медицинских кодов, сообщаемых в заявках на медицинское обслуживание, полученных из клинической документации. Приложения КК были доступны с начала 2000-х годов [21, 51], при этом темпы развития этого направления заметно выросли в последние годы.
Согласно докладу, представленному в рамках исследований, глобальный рынок программного обеспечения КК по прогнозам достигнет 4,75 млрд долларов к 2022 г. при совокупном годовом темпе роста 11,5% [46]. В Северной Америке наблюдается самый большой рост, за которым следуют Европа, Азиатско-Тихоокеанский регион и остальной мир.
Приложения КК используют обработку обыденного языка для чтения и интерпретации клинической документации в медицинских записях пациентов. Как правило, человек просматривает предложенные коды, чтобы окончательно определиться с выбором кода. Этот компьютеризированный подход к процессу медицинского кодирования становится все более распространенным [40].
В некоторых исследованиях сообщалось о снижении производительности кодирования, когда медицинские кодировщики были вынуждены проверять и часто устранять большое количество предлагаемых кодов. Тем не менее исследование Cleveland Clinic показало, что КК увеличивает производительность кодера более чем на 20% без снижения качества, когда предлагаемые коды были рассмотрены и отредактированы медицинским кодером [40].
Принятие КК требует реинжиниринга рабочего процесса медицинского кодирования, чтобы полностью интегрировать инструмент КК в процесс и получить оптимальную эффективность [29].
Эффективная реализация приложения КК требует, чтобы интерфейсы работали должным образом, чтобы приложение могло читать все документы, имеющие отношение к кодированию. Кроме того, клинические документы должны соответствовать согласованному формату, продиктованному поставщиком КК [32]. И там, где КК было наиболее эффективным, появилась новая роль для тонкой настройки правил и подготовки системы к адаптации по мере изменения наборов кодов и требований к отчетности.
По мере развития технологий и совершенствования возможностей инструментов КК с помощью методов машинного обучения будет развиваться рабочий процесс медицинского кодирования [15].
В опубликованном в 2017 г. исследовании Winter Green говорится, что до 88% медицинского кодирования в медицинских учреждениях необходимы для выставления счетов и может происходить автоматически, без проверки человеком [15, 37].
КК открывает широкие возможности для медицинских специалистов, поскольку обеспечивает существенное повышение эффективности кодирования. В дополнение к назначению или проверке кодов для сложных случаев медицинские кодировщики могут также сосредоточиться на проверке аберрантных кодированных шаблонов данных в больших группах случаев. Например, у медицинского кодировщика есть знания, чтобы поставить под сомнение использование кода для острой фазы состояния повторно для пациента, когда наиболее вероятным шаблоном данных будет острый код, за которым следуют коды для хронической фазы или последовательности. Это специфичное для кода распознавание паттернов имеет ключевое значение для проверки достоверности отчетности, например, для скоринговых методик оплаты рисков. Очевидно, что способность специалистов идентифицировать шаб-
лоны данных для повышения уровня бизнес-аналитики или улучшения соответствия требованиям к отчетности по коду будет важным навыком по мере развития автоматизации [16, 48].
Системы ИИ, как ожидается, помогут поставщикам медицинских услуг с точностью и специфичностью диагностики. Медицинские специальности, которые используют изображения для диагностики (радиология, патоморфология, дерматология, офтальмология), особенно поддаются изменению в отношении AI-aided-диагнозов. Машинное обучение кодированию [AI machine learning (ML)] очень хорошо выявляет аномалии в изображениях, например, для обнаружения легочных узелков на рентгенологическом изображении [28], врожденной катаракты, а также диабетической ретинопатии [38]. Чувствительность и специфичность алгоритмов глубокого обучения, например при выявлении диабетической ретинопатии по фотографиям глазного дна сетчатки, составляет более 90%, что «конкурирует» не в пользу даже опытных врачей [28] .
Алгоритм, который может идентифицировать рак кожи путем анализа изображений кожных поражений, также выполнен сертифицированными дерматологами [39].
Алгоритмы нейронной сети доказали свою эффективность в обнаружении инсульта. Входные переменные, анализируемые алгоритмом, включают в себя симптомы, связанные с инсультом, такие как парестезия руки или ноги, острая путаница, изменение зрения, проблемы с подвижностью и т.д. Эти входные данные анализируются для определения вероятности возникновения инсульта [8, 28]. Существуют и другие примеры использования медицинских данных для выявления и прогнозирования будущих событий, включая повторные госпитализации, сепсис и хирургические осложнения [25, 47, 49].
Руководящие принципы кодирования и стандарты представления информации различаются в разных странах. В США кодировщики должны сообщать о состоянии больного, которое «подозрительно» на момент выписки, как если бы оно существовало или было установлено до госпитализации в стационар, но не кодировано при амбулаторном приеме. Для амбулаторных случаев состояние кодируется с максимальной степенью достоверности [35].
Согласно канадским стандартам кодирования угрожающие состояния кодируются только тогда, когда они индексируются как таковые в канадской версии 10-го пересмотра Международной классификации болезней (МКБ) и связанных с ними проблем здоровья (ICD-10-CA). Кроме того, неподтвержденные диагнозы в Канаде сообщаются с определенным «префиксом Q» для обозначения неопределенности, связанной с кодом [35]. Эта изменчивость и неспособность в некоторых странах квалифицировать сообщенные диагнозы как непод-
твержденные или неопределенные вызывают обеспокоенность [11].
Распространение мобильных датчиков позволит врачам будущего поколения контролировать, интерпретировать и реагировать на дополнительные потоки биомедицинских данных, собираемых удаленно и автоматически [27].
Такие приложения находятся в разработке уже несколько лет. Более пяти лет назад уже была доступна манжета для измерения артериального давления, которая подключается к смартфону и передает данные поставщику медицинских услуг [36]. Также доступны устройства, которые измеряют уровень глюкозы, фиксируют показания электрокардиограммы или собирают показатели когнитивного и эмоционального здоровья людей.
G. Manogaran et al. [26] предложили структуру поддержки сбора, передачи и хранения данных из нескольких потоков. Проблема заключается в том, как данные поступают из различных потоков и интегрируются в единую систему. Потоки данных могут включать структурированные, полуструктурированные или неструктурированные данные, и для их интеграции необходима стандартизация. Такие инициативы, как международный стандарт для реестров метаданных (ISO/IEC 11179), направлены на поддержку так называемой «семантической совместимости» между данными, которые могут быть выражены по-разному на разных устройствах и с помощью различных технологий [7, 31].
Семантическая совместимость предназначена для поддержки однозначного обмена данными [14]. Один из методов стандартизации заключается в создании глобально уникальных перекрестных ссылочных идентификаторов для элементов данных, которые семантически эквивалентны, с использованием стандартов, даже если элементы данных могут иметь разные имена. Открытая структура элементов данных (O-DEF) была разработана Open Group и может поддерживать категоризацию, именование и индексирование данных с использованием контролируемого словаря, который связывает элементы данных со структурированными уникальными идентификаторами, чтобы легко определять эквивалентность и сходство между данными. Кроме того, могут использоваться и другие структуры, такие как консорциум World Wide Web Consortium (интеграция веб-данных), RDF (resource Description Framework), OWL (Ontology Web Language) и SKOS (Simple Knowledge Organization System).
Еще одной проблемой является необходимость получения качественных медицинских данных. Эволюционирующие принципы управления данными необходимы и должны быть приоритетом для всех медицинских организаций. Разработка четкой, последовательной и стандартизированной политики и процедур для создания и управления текущими и новыми
источниками данных является ключевым фактором, способствующим разработке приложений ИИ [6, 41].
Использование данных здравоохранения для разработки приложений ИИ привело к возникновению серьезных правовых, этических и нормативных проблем. Конфиденциальность пациентов является ключевой проблемой, влияющей на то, как разрабатывается и тестируется ИИ. Разработка приложений искусственного интеллекта может потребовать обновления законов и положений о конфиденциальности, которые широко варьируются. В дополнение к конфиденциальности и защите данных еще одним из приобретающих актуальность правовых вопросов является ответственность за использование приложений ИИ [45].
Для кодирования причин смерти используется программа Iris, которая была принята в качестве проекта Европейским союзом с целью повышения достоверности и международного сопоставления статистики смертности с помощью автоматического кодировщика, регулируемого МКБ-10 [5]. Недавно сюда включили и США. Участвующие страны создали Институт Iris, который был определен как Фонд международного сотрудничества для развития и поддержания электронной программы Iris, которая сотрудничает с Национальным институтом статистики с 2013 г. [34].
Несмотря на то что система искусственного интеллекта и автоматизации кодирования заболеваний и смерти развивается быстрыми темпами, активное применение их в практическом здравоохранении пока ограничено. Узкие сферы применения искусственного интеллекта находили свое применение раньше. Так, было спрогнозировано, что анализ рентгенологических снимков может занять несколько часов или дней, в то время как на анализ той же работы опытному радиологу потребуется 30 лет [43].
Одним из решений проблемы кодирования заболеваний является создание международных квали-фикаторов для диагностики. Если их интегрировать в электронную медицинскую историю болезни, стало бы возможным упростить и унифицировать процедуру. Кроме того, диагностические классификаторы могут быть также рассмотрены с помощью самой клинической терминологии или классификационной системы МКБ, что продемонстрировано в исследовании SNOMED CT. Префикс Q, используемый в Канаде, определен и может быть добавлен к кодам расширенной МКБ-11, которая в перспективе должна учитывать характеристики степени того или иного функционального состояния (например, неподтвержденного, угрожающего) или определить источник диагноза (например: врач, система ИИ, пациент). Однако это потребует некоторого механизма для того, чтобы он мог связываться с базовым кодом. В противном случае достоверность данных была бы серьезной проблемой. Необходимо также учитывать грядущие последствия для изменения в страховой медицине и финансирования клинических случаев.
Поскольку отрасль продолжает уточнять то, что считается клинически значимыми данными/информацией, медицинские стандарты кодирования и руководящие принципы должны будут согласовываться с такими стандартами данных.
Выводы. Согласно Постановлению Правительства РФ от 15.04.2014 № 313 «Об утверждении государственной программы "Информационное общество (2011-2020 годы)"», Министерство внутренних дел Российской Федерации входит в перечень участников данной программы. Следовательно, разработка алгоритмов кодирования заболеваемости и смертности в структурах здравоохранения МВД является приоритетной задачей.
Более широкое внедрение приложений с поддержкой искусственного интеллекта и более сложное использование этих приложений поставщиками медицинских услуг на этапе оказания медицинской помощи имеет практические последствия для управления этими данными. Организаторы здравоохранения имеют возможность помогать в разработке, внедрении и управлении процедур, связанных с управлением данными здравоохранения, поддерживать разработку, развертывание и оценку моделей искусственного интеллекта. Необходимо создать более надежные аналитические системы и процессы анализа данных для выявления их закономерностей. Прецизионная медицина направлена на то, чтобы своевременно обосновывать правильное лечение, которое было назначено пациенту в нужное время, принимая во внимание несколько аспектов данных пациента, включая вариабельность молекулярных признаков, окружающей среды и образа жизни.
Литература
1. Александрова, Г.А. Качество статистической информации о причинах смерти в Российской Федерации / Г.А. Александрова, С.Ю. Никитина, Д.Ш. Вайсман // Вопросы статистики. - 2014. - № 8. - С.25-28.
2. Берсенева, Е.А. Необходимость разработки автоматизированной системы поддержки кодирования по МКБ-10 / Е.А. Берсенева, Д.Ю. Михайлов // Бюллетень Национального научно-исследовательского института общественного здоровья имени Н.А. Семашко. - 2019. -№ 3/4. - С.6-12.
3. Вайсман, Д.Ш. Автоматизация информационных потоков системы регистрации смертности в Российской Федерации / Д.Ш. Вайсман // Социальные аспекты здоровья населения. - 2009. - № 2 (10). - С.6.
4. Вайсман, Д.Ш. Анализ влияния обучения врачей и внедрения автоматизированной системы на достоверность статистики смертности / Д.Ш. Вайсман // Бюллетень Национального НИИ общественного здоровья имени Н.А. Семашко. - 2015. - № 6. - С.22-32
5. Возможности автоматизированной информационной системы в предупреждении ошибок при заполнении медицинских свидетельств о смерти / А.А. Шиф, Е.А. Ба-канова, С.Г. Гусев [и др.] //Фундаментальные исследования. - 2012. - № 3-1. - С.149-153.
6. Воронцова, Т.В. Электронная медицинская карта амбулаторного пациента как объект экспертизы качества медицинской помощи / Т.В. Воронцова, В.В. Мещеряков // Вестник СурГУ. Медицина. - 2018. - № 1 (35). -С.33-39.
7. Головня, А.И. Некоторые актуальные проблемы разработки лингвистического семантического кодирования / А.И. Головня // Открытые семантические технологии проектирования интеллектуальных систем. - 2011. -№ 1. - С.527-532.
8. Динамика показателей смертности населения от острого нарушения мозгового кровообращения в России и США за 15-летний период / И.В. Самородская, О.В. Зайра-тьянц, В.И. Перхов [и др.] // Архив патологии. - 2018. -Т. 80, № 2. - С.30-37.
9. Дудин, Е.Б. Безопасность в распределенных информационно-вычислительных системах: аналитический обзор / Е.Б. Дудин, Ю.Г. Сметанин, В.М. Голубев; ВИНИТИ РАН. - Москва, 2009. - 70 с. - Деп. 24.11.2009, № 719-В2009 24.11.2009.
10. Зайратьянц, О.В. Повышение достоверности данных о причинах смерти - важное условие для достижения целевых показателей снижения смертности от отдельных причин / О.В. Зайратьянц // Судебная медицина. -2018. - Т. 4., № 3. - С.4-9.
11. Зайратьянц, О.В. Современные требования к формулировке диагноза в соответствие с законодательством Российской Федерации и Международной статистической классификации болезней 10-го пересмотра / О.В. Зайратьянц, Л.В. Кактурский, П.Т. Мальков // Судебная медицина. - 2015. - Т. 1, № 4. - С.14-20.
12. Захаренко, Ю.А. Влияние человеческого фактора на качество заполнения медицинских свидетельств о смерти / Ю.А. Захаренко, А.А. Пузанов // Управление человеческими ресурсами - основа развития инновационной экономики. - 2014. - № 5. - С.411-416.
13. История развития международной классификации болезней / С.Н. Черкасов, Д.О. Мешков, Е.А. Берсенева [и др.] // Управление качеством медицинской помощи. -2017. - № 1/2. - С.94-101.
14. Когаловский, М.Р. Семантическое аннотирование текстовых документов: основные понятия и таксономический подход / М.Р Когаловский // Научно-техническая информация. Серия 2. Информационные процессы и системы. - 2018. - № 5. - С.19-26.
15. Концептуальные подходы к разработке автоматизированной системы поддержки кодирования по МКБ-10 / Е.А. Берсенева, Д.Ю. Михайлов, С.Н. Черкасов [и др.] // Бюллетень Национального научно-исследовательского института общественного здоровья имени Н.А. Семашко. - 2019. - № 3/4. - С.13-20.
16. Левашов, С.П. Автоматизированная система анализа и обработки данных об обстоятельствах производственного травматизма работников сельского хозяйства / С.П. Левашов, Р.В. Шкарабак // Аграрный научный журнал. - 2016. - № 8. - С.65-70.
17. Плющенко, В.Н. Итоги пилотного исследования качества врачебной диагностики первичной причины смерти населения Хабаровского края за период 2011-2015 годы / В.Н. Плющенко // Здравоохранение Дальнего Востока. - 2016. - № 3 (69). - С.12-18.
18. Проблемы оценки показателей смертности от отдельных причин: согласованное экспертное мнение / И.В. Самородская, О.В. Зайратьянц, О.Л. Барбараш, С.А. Бойцов // Кардиология. - 2018. - Т. 58, № 9. -С.63-66.
19. Проблемы оценки показателей смертности от отдельных причин Position Statement / О.Л. Барбараш, С.А. Бойцов, Д.Ш. Вайсман [и др.] // Комплексные проблемы сердечно-сосудистых заболеваний. - 2018. - Т. 7, № 2. - С.6-9.
20. Проклова, Т.Н. Опыт автоматизации статистики смертности в зарубежных странах / Т.Н. Проклова, Ю.В. Бут-ник // Бюллетень Национального научно-исследовательского института общественного здоровья имени Н.А. Семашко. - 2016. - № 5. - С.79-85.
21. Семейство международных классификаций на современном этапе развития российского здравоохранения / С.Н. Черкасов, Д.О. Мешков, Е.А. Берсенева [и др.] // Судебная медицина. - 2018. - Т. 4, № 3. - С.43-46.
22. Сон, И.М. Автоматизированная система регистрации смертности: оценка предотвратимой смертности / И.М. Сон, С.А. Леонов, Д.Ш. Вайсман // Социальные аспекты здоровья населения. - 2014. - № 1 (35). -
C.1.
23. Цифровая медицина: информационно-технологические основы применения лексического анализа при формализации кодирования диагнозов / Е.А. Берсенева, А.П. Суходолов, А.А. Седов [и др.] // Baikal Research Journal. - 2019. - Т. 10, № 4. - С.8.
24. Шипова, В.М. Нормы труда врача остеопата с учетом кодирования заболеваемости / В.М. Шипова, Е.А. Берсенева, Д.Ю. Михайлов // Проблемы социальной гигиены, здравоохранения и истории медицины. - 2019. - Т. 27, № 4. - С.449-451.
25. A machine learning model to predict the risk of 30-day readmissions in patients with heart failure: a retrospective analysis of electronic medical records data / S.B. Golas, T. Shibahara, S. Agboola [et al.] // BMC Med. Inform. Decis. Mak. - 2018. - № 18 (01). - Р. 44.
26. A new architecture of Internet of Things and big data ecosystem for secured smart healthcare monitoring and alerting system / G. Manogaran, R. Varatharajan, D. Lopez [et al.] // Future Gener Comput Syst. - 2018. - № 82. -Р. 375-387.
27. Artificial Intelligence in Cardiology / K.W. Johnson, J. Torres Soto, B.S. Glicksberg [et al.] // J. Am. Coll. Cardiol. - 2018. -№ 71 (23). - Р. 2668-2679.
28. Artificial intelligence in healthcare: past, present and future / F. Jiang, Y. Jiang, H. Zhi [et al.] // Stroke Vasc. Neurol. -2017. - № 2 (04). - Р. 230-243.
29. Automated Coding Workflow and CAC Practice Guidance (2013 update) / A. Comfort, C. D'Amato, C. Isom [et al.] // J. AHIMA Practice Brief. - 2013.
30. Automated grouping of medical codes via multiview banded spectral clustering / L. Zhang, Y. Zhang, T. Cai [et al.] // J. Biomed. Inform. - 2019. - DOI: 10.1016/j. jbi.2019.103322.
31. Bandyopadhyay, D. Internet ofthings: Applications and challenges in technology and standardization /
D. Bandyopadhyay, J. Sen // Wirel. Pers. Commun. -2011. - № 58 (01). - Р. 49-69.
32. Butler, M. Computer-Assisted Coding Reality Check / M. Butler // J. AHIMA. - 2019. - № 90 (06). - P. 10-13.
33. Canadian Institute for Health Information. Canadian Coding Standards for Version 2018 ICD-10-CA and CCI. CIHI. -2018.
34. Cirera Suarez, L. First biennium of mortality statistics with the automatic system Iris for coding multiple causes of death / L. Cirera Suarez // Gac Sanit. - 2018. - № 32 (1). - P. 5-7.
35. CMS. ICD-10-CM Official Guidelines for Coding and Reporting FY 2019. CDC. - 2018.
36. Cohn, J. The Health Tech Report: Robot Will See You Now / J. Cohn // The Atlantic. - 2013. - № 3. - P. 59-67.
37. Curtis, E.T. Computer Assisted Coding: Market Shares, Strategies, and Forecasts, Worldwide 2016 to 2022 / E.T. Curtis, E. Susan // Winter Green Research. - 2017.
38. Deep learning for healthcare: review, opportunities and challenges / R. Miotto, F. Wang, S. Wang [et al.] // Brief Bioinform. - 2018. - № 19 (06). - P. 1236-1246.
39. Dermatologist-level classification of skin cancer with deep neural networks / A. Esteva, B. Kuprel, R.A. Novoa [et al.] // Nature. - 2017. - № 542 (7639). - P. 115-118.
40. Dougherty, M. Study reveals hard facts on CAC / M. Dougherty, S. Seabold, S.E. White // J. AHIMA. - 2013. -№ 84 (07). - P. 54-56.
41. Health Initiative. Artificial Intelligence in Healthcare. EHIDC. - 2018.
42. Ganapathy, K. Artificial intelligence in neurosciences: A clinician's perspective / K. Ganapathy, S.S. Abdul, A.A. Nursetyo // Neurol. India. - 2018. - № 66 (04). -P. 934-939.
43. King, B.F. Artificial Intelligence and Radiology: What Will the Future Hold? / B.F. King // J. Am. Coll. Radiol. - 2018. -№ 15 (3, pt. B). - P. 501-503.
44. Mesko, B. Will artificial intelligence solve the human resource crisis in healthcare? / B. Mesko, G. Hetenyi, Z. Gyorffy // BMC Health Serv. Res. - 2018. - № 18 (01). -P. 545.
45. Price, N. Artificial Intelligence in Health Care: Applications and Legal Issues / N. Price // The Sci. Tech. Lawyer. -2017. - № 14 (01). - P. 10-13.
46. Research and Markets Report. Computer Assisted Coding Market by Software (NLP, Structured input, Integrated Systems), Service, Application (Automated Encoding, Clinical Coding Audit, Management Reporting). - Global Forecast to 2022. Research and Markets. - 2017.
47. Saqib, M. Early Prediction of Sepsis in EMR Records Using Traditional ML Techniques and Deep Learning LSTM Networks / M. Saqib, Y. Sha, M.D. Wang // Conf. Proc. IEEE Eng. Med. Biol. Soc. - 2018. - № 2018. - P.4038-4041.
48. Stanfill, M.H. Health Information Management: Implications of Artificial Intelligence on Healthcare Data and Information Management / M.H. Stanfill, D.T.Marc // Yearb. Med. Inform. - 2019. - № 28 (1). - P. 56-64.
49. Surgical Risk Is Not Linear: Derivation and Validation of a Novel, User-friendly, and Machine-learning-based Predictive Optimal Trees in Emergency Surgery Risk (POTTER) Calculator / D. Bertsimas, J. Dunn, G.C. Velmahos, H.M. Kaafarani // Ann. Surg. - 2018. - № 268 (04). -P. 574-583.
50. Trump, D.J. Executive order on maintaining American leadership in artificial intelligence / D.J. Trump. - Federal Register: White House, 2019. - P. 3967-3972.
51. Workgroup AC-ACe-H. Delving into computer-assisted coding // J. AHIMA. - 2004. - № 75 (10). - P. 48(A-H).
References
1. Aleksandrova, G.A. Kachestvo statisticheskoi informacii o prichinah smerti v Rossiiskoi Federacii / G.A. Aleksandrova, S.Yu. Nikitina, D.Sh. Vaisman // Voprosy statistiki. - 2014. -№ 8. - S.25-28.
2. Berseneva, E.A. Neobhodimost' razrabotki avtoma-tizirovannoi sistemy podderzhki kodirovaniya po MKB-10 / E.A. Berseneva, D.Yu. Mihailov // Byulleten' Nacional'nogo nauchno-issledovatel'skogo instituta obschestvennogo zdorov'ya imeni N.A. Semashko. - 2019. - № 3/4. - S.6-12.
3. Vaisman, D.Sh. Avtomatizaciya informacionnyh potokov sistemy registracii smertnosti v rossiiskoi federacii / D.Sh. Vaisman // Social'nye aspekty zdorov'ya naseleniya. -2009. - № 2 (10). - S.6.
4. Vaisman, D.Sh. Analiz vliyaniya obucheniya vrachei i vnedreniya avtomatizirovannoi sistemy na dostovernost' statistiki smertnosti / D.Sh. Vaisman // Byulleten' Nacional'nogo NII obschestvennogo zdorov'ya imeni N.A. Semashko. - 2015. - № 6. - S.22-32
5. Vozmozhnosti avtomatizirovannoi informacionnoi sistemy v preduprezhdenii oshibok pri zapolnenii medicinskih svidetel'stv o smerti / A.A. Shif, E.A. Bakanova, S.G. Gusev [i dr.] //Fundamental'nye issledovaniya. - 2012. - № 3-1. -S.149-153.
6. Vorontsova, T.V. Elektronnaya medicinskaya karta ambulatornogo pacienta kak ob'ekt ekspertizy kachestva medicinskoi pomoschi / T.V. Vorontsova, V.V. Mescheryakov // Vestnik SurGU. Medicina. - 2018. - № 1 (35). - S.33-39.
7. Golovnya, A.I. Nekotorye aktual'nye problemy razrabotki lingvisticheskogo semanticheskogo kodirovaniya / A.I. Golovnya // Otkrytye semanticheskie tehnologii proektirovaniya intellektual'nyh sistem. - 2011. - № 1. -S.527-532.
8. Dinamika pokazatelei smertnosti naseleniya ot ostrogo narusheniya mozgovogo krovoobrascheniya v Rossii i SShA za 15-letnii period / I.V. Samorodskaya, O.V. Zairat'yanc, V.I. Perhov [i dr.] // Arhiv patologii. - 2018. - T. 80, № 2. -S.30-37.
9. Dudin, E.B. Bezopasnost' v raspredelennyh informacionno-vychislitel'nyh sistemah: analiticheskii obzor / E.B. Dudin, Yu.G. Smetanin, V.M. Golubev; VINITI RAN. - Moskva, 2009. - 70 s. - Rus - Dep. 24.11.2009, № 719-V2009 24.11.2009.
10. Zairat'yanc, O.V. Povyshenie dostovernosti dannyh o prichinah smerti - vazhnoe uslovie dlya dostizheniya celevyh pokazatelei snizheniya smertnosti ot otdel'nyh prichin / O.V. Zairat'yanc // Sudebnaya medicina. - 2018. - T. 4, № 3.- S.4-9.
11. Zairat'yanc, O.V. Sovremennye trebovaniya k formulirovke diagnoza v sootvetstvie s zakonodatel'stvom Rossiiskoi Federacii i Mezhdunarodnoi statisticheskoi klassifikacii boleznei 10-go peresmotra / O.V. Zairat'yanc, L.V. Kakturskii,
P.T. Mal'kov // Sudebnaya medicina. - 2015. - T. 1, № 4. -S.14-20.
12. Zaharenko, Yu.A. Vliyanie chelovecheskogo faktora na kachestvo zapolneniya medicinskih svidetel'stv o smerti / Yu.A. Zaharenko, A.A. Puzanov // Upravlenie chelovecheskimi resursami - osnova razvitiya innovacionnoi ekonomiki. - 2014. - № 5. - S.411-416.
13. Istoriya razvitiya mezhdunarodnoi klassifikacii boleznei / S.N. Cherkasov, D.O. Meshkov, E.A. Berseneva [i dr.] // Upravlenie kachestvom medicinskoi pomoschi. - 2017. -№ 1/2. - S.94-101.
14. Kogalovskii, M.R. Semanticheskoe annotirovanie tekstovyh dokumentov: osnovnye ponyatiya i taksonomicheskii podhod / M.R. Kogalovskii // Nauchno-tehnicheskaya informaciya. Seriya 2. Informacionnye processy i sistemy. -2018. -№ 5. -S.19-26.
15. Konceptual'nye podhody k razrabotke avtomatizirovannoi sistemy podderzhki kodirovaniya po MKB-10 / E.A. Berseneva, D.Yu. Mihailov, S.N. Cherkasov [i dr.] // Byulleten' Nacional'nogo nauchno-issledovatel'skogo instituta obschestvennogo zdorov'ya imeni N.A. Semashko. - 2019. -№ 3/4. - S.13-20.
16. Levashov, S.P. Avtomatizirovannaya sistema analiza i obrabotki dannyh ob obstoyatel'stvah proizvodstvennogo travmatizma rabotnikov sel'skogo hozyaistva / S.P. Leva-shov, R.V. Shkarabak // Agrarnyi nauchnyi zhurnal. - 2016. -№ 8. - S.65-70.
17. Plyuschenko, V.N. Itogi pilotnogo issledovaniya kachestva vrachebnoi diagnostiki pervichnoi prichiny smerti nase-leniya habarovskogo kraya za period 2011-2015 gody / V.N. Plyuschenko // Zdravoohranenie Dal'nego Vostoka. -2016. - № 3 (69). - S.12-18.
18. Problemy ocenki pokazatelei smertnosti ot otdel'nyh prichin: soglasovannoe ekspertnoe mnenie / I.V. Samorodskaya, O.V. Zairat'yanc, O.L. Barbarash, S.A. Boicov // Kardiolo-giya. - 2018. - T. 58, № 9. - S.63-66.
19. Problemy ocenki pokazatelei smertnosti ot otdel'nyh prichin Position Statement / O.L. Barbarash, S.A. Boicov, D.Sh. Vaisman [i dr.] // Kompleksnye problemy serdechno-sosudistyh zabolevanii. - 2018. - T. 7, № 2. - S.6-9.
20. Proklova, T.N. Opyt avtomatizacii statistiki smertnosti v zarubezhnyh stranah / T.N. Proklova, Yu.V. Butnik // Byulleten' Nacional'nogo nauchno-issledovatel'skogo instituta obschestvennogo zdorov'ya imeni N.A. Semashko. - 2016. - № 5. - S.79-85.
21. Semeistvo mezhdunarodnyh klassifikacii na sovremennom etape razvitiya rossiiskogo zdravoohraneniya / S.N. Cherkasov, D.O. Meshkov, E.A. Berseneva [i dr.] // Sudebnaya medicina. - 2018. - T. 4, № 3. - S.43-46.
22. Son, I.M. Avtomatizirovannaya sistema registracii smertnosti: ocenka predotvratimoi smertnosti / I.M. Son, S.A. Leonov, D.Sh. Vaisman // Social'nye aspekty zdorov'ya naseleniya. - 2014. - № 1 (35). - S.1.
23. Cifrovaya medicina: informacionno-tehnologicheskie osnovy primeneniya leksicheskogo analiza pri formalizacii kodirovaniya diagnozov / E.A. Berseneva, A.P. Suhodolov, A.A. Sedov [i dr.] // Baikal Research Journal. - 2019. - T. 10, № 4. - S.8.
24. Shipova, V.M. Normy truda vracha osteopata s uchetom kodirovaniya zabolevaemosti / V.M. Shipova,
E.A. Berseneva, D.Yu. Mihailov // Problemy social'noi gigieny, zdravoohraneniya i istorii mediciny. - 2019. - T. 27, № 4. - S.449-451.
25. A machine learning model to predict the risk of 30-day readmissions in patients with heart failure: a retrospective analysis of electronic medical records data / S.B. Golas, T. Shibahara, S. Agboola [et al.] // BMC Med. Inform. Decis. Mak. - 2018. - № 18 (01). - P.44
26. A new architecture of Internet of Things and big data ecosystem for secured smart healthcare monitoring and alerting system / G. Manogaran, R. Varatharajan, D. Lopez [et al.] // Future Gener Comput Syst. - 2018. - № 82. -P.375-387.
27. Artificial Intelligence in Cardiology / K.W. Johnson, J. Torres Soto, B.S. Glicksberg [et al.] // J. Am. Coll. Cardiol. - 2018. -№ 71 (23). - P.2668-2679.
28. Artificial intelligence in healthcare: past, present and future / F. Jiang, Y. Jiang, H. Zhi [et al.] // Stroke Vasc. Neurol. -2017. - № 2 (04). - P.230-243.
29. Automated Coding Workflow and CAC Practice Guidance (2013 update) / A. Comfort, C. D'Amato, C. Isom [et al.] // J. AHIMA Practice Brief. - 2013.
30. Automated grouping of medical codes via multiview banded spectral clustering / L. Zhang, Y. Zhang, T. Cai [et al.] // Jyu Biomedyu Inform. - 2019. - DOI: 10.1016/j. jbi.2019.103322.
31. Bandyopadhyay, D. Internet ofthings: Applications and challenges in technology and standardization /
D. Bandyopadhyay, J. Sen // Wirel. Pers. Commun. - 2011. -№ 58 (01). - P.49-69.
32. Butler, M. Computer-Assisted Coding Reality Check / M. Butler // J. AHIMA. - 2019. - № 90 (06). - P. 10-13.
33. Canadian Institute for Health Information. Canadian Coding Standards for Version 2018 ICD-10-CA and CCI. CIHI. - 2018.
34. Cirera Suraez, L. First biennium of mortality statistics with the automatic system Iris for coding multiple causes of death / L. Cirera Su?rez // Gac Sanit. - 2018. - № 32 (1). - P.5-7.
35. CMS. ICD-10-CM Official Guidelines for Coding and Reporting FY 2019. CDC. - 2018.
36. Cohn, J. The Health Tech Report: Robot Will See You Now / J. Cohn // The Atlantic. - 2013. - № 3. - P.59-67.
37. Curtis, E.T. Computer Assisted Coding: Market Shares, Strategies, and Forecasts, Worldwide 2016 to 2022 /
E.T. Curtis, E. Susan // Winter Green Research. - 2017.
38. Deep learning for healthcare: review, opportunities and challenges / R. Miotto, F. Wang, S. Wang [et al.] // Brief Bioinform. - 2018. - № 19 (06). - P.1236-1246.
39. Dermatologist-level classification of skin cancer with deep neural networks / A. Esteva, B. Kuprel, R.A. Novoa [et al.] // Nature. - 2017. - № 542 (7639). - P.115-118.
40. Dougherty, M. Study reveals hard facts on CAC / M. Dougherty, S. Seabold, S.E. White // J. AHIMA. - 2013. -№ 84 (07). - P.54-56.
41. Health Initiative. Artificial Intelligence in Healthcare. EHIDC. - 2018.
42. Ganapathy, K. Artificial intelligence in neurosciences: A clinician's perspective / K. Ganapathy, S.S. Abdul, A.A. Nursetyo // Neurol India. - 2018. - № 66 (04). - P.934-939.
43. King, B.F. Artificial Intelligence and Radiology: What Will the Future Hold? / B.F. King // J. Am. Coll. Radiol. - 2018. -№ 15 (3, pt. B). - P.501-503.
44. Mesko, B. Will artificial intelligence solve the human resource crisis in healthcare? / B. Mesko, G. Hetenyi, Z. Gyorffy // BMC Health Serv. Res. - 2018. - № 18 (01). -P.545.
45. Price, N. Artificial Intelligence in Health Care: Applications and Legal Issues / N. Price // The Sci. Tech. Lawyer. - 2017. -№ 14 (01). - P.10-13.
46. Research and Markets Report. Computer Assisted Coding Market by Software (NLP, Structured input, Integrated Systems), Service, Application (Automated Encoding, Clinical Coding Audit, Management Reporting). - Global Forecast to 2022. Research and Markets. - 2017.
47. Saqib, M. Early Prediction of Sepsis in EMR Records Using Traditional ML Techniques and Deep Learning LSTM
Networks / M. Saqib, Y. Sha, M.D. Wang // Conf. Proc. IEEE Eng. Med. Biol. Soc. - 2018. - № 2018. - P.4038-4041.
48. Stanfill, M.H. Health Information Management: Implications of Artificial Intelligence on Healthcare Data and Information Management / M.H. Stanfill, D.T.Marc // Yearb. Med. Inform. - 2019. - № 28 (1). - P.56-64.
49. Surgical Risk Is Not Linear: Derivation and Validation of a Novel, User-friendly, and Machine-learning-based Predictive Optimal Trees in Emergency Surgery Risk (POTTER) Calculator / D. Bertsimas, J. Dunn, G.C. Velmahos, H.M. Kaafarani // Ann. Surg. - 2018. - № 268 (04). - P.574-583.
50. Trump, D.J. Executive order on maintaining American leadership in artificial intelligence / D.J. Trump. - Federal Register: White House, 2019. - P.3967-3972.
51. Workgroup AC-ACe-H. Delving into computer-assisted coding // J. AHIMA. - 2004. - № 75 (10). - P.48(A-H).
