Разработка архитектуры базы знаний системы поддержки принятия врачебных решений, основанной на графовой базе данных Текст научной статьи по специальности «Клиническая медицина»

ш

X

<

CL

X

о о

tt <

CL В

О

ш

ш ц,

m

<

CL

42

DOI: 10.31556/2219-0678.2018.33.3.042-048

Разработка архитектуры базы знаний системы поддержки принятия врачебных решений, основанной на графовой базе данных

К. В. Киселев1, Е. А. Ноева2, О. Н. Выборов2, А. В. Зорин2, А. В. Потехина2, М. К. Осяева2, С. Л. Швырев1, Т. В. Мартынюк2, И. Е. Чазова2, Т. В. Зарубина1

1 Российский национальный исследовательский медицинский университет имени Н. И. Пирогова Министерства здравоохранения РФ, Москва, Россия

2 Национальный медицинский исследовательский центр кардиологии Министерства здравоохранения РФ, Москва, Россия

Высокая актуальность информатизации здравоохранения, а также особенности организации лечебно-диагностического процесса позволяют искать пути обеспечения информационной поддержки врачебной деятельности. Одним из таких путей является разработка систем поддержки принятия врачебных решений, основанных на знаниях. Среди форм представления знаний выделяется семантическая сеть, по своей структуре повторяющая модель графовых баз данных, обладающих необходимыми преимуществами для работы со знаниями.

Цель исследования. Разработка архитектуры базы знаний системы поддержки принятия врачебных решений для инструментальной диагностики стенокардии, основанную на онтологическом подходе, с использованием графовой базы данных.

Материал и методы. Извлечение понятий, относящихся к диагностике стенокардии, осуществлялось из клинических рекомендаций, касающихся стабильной ишемической болезни сердца. Первичная аккумуляция знаний и группировка понятий по типам осуществлялась в MS Excel; проработка типов связей между выделенными понятиями проводилась в программе ARIS Express. Для формирования базы знаний использовалась графовая СУБД Neo4j.

Результаты. Из клинических рекомендаций с помощью экспертов-кардиологов были извлечены 401 корневое понятие и 619 синонимов, которые были сгруппированы по типам: диагноз, синоним, клинический признак, диагностическое исследование, диагностический признак, лабораторный тест, медицинский персонал, место проведения исследования. Группы понятий были связаны между собой с помощью связей: род-вид, синоним, сопутствующая патология, клинический признак, диагностический признак, показание к проведению исследования, место проведения исследования, лицо, проводящее исследование, лицо, интерпретирующее результаты исследования, лицо, осуществляющее забор биоматериала. Для указания значений признаков использовалась возможность графовой базы данных по заполнению атрибутов узлов и связей, что позволило уменьшить размерность графа. Созданная база знаний была дважды провалидирована на предмет полноты и адекватности, предлагаемых врачу решений с использованием деперсонифицированных электронных медицинских карт пациентов. Первая валидация возвратила неполное соответствие назначениям из электронных медицинских карт, что заставило осуществить доработку наполнения базы новыми знаниями. Новые знания были добавлены в базу без необходимости модификации её архитектуры, после чего повторная валидация возвратила полное соответствие между предлагаемыми и реальными назначениями.

Заключение. Использование систем поддержки принятия врачебных решений, основанных на онтологическом подходе с использованием графовых баз данных, может быть перспективным в плане обеспечения быстродействия и формирования объяснения предлагаемым назначениям. Правильно организованная архитектура позволяет осуществлять масштабирование базы знаний, а особенности графовых баз данных позволяют уменьшить размерность графа, упростив работу со знаниями.

КЛЮЧЕВЫЕ СЛОВА: стенокардия, системы поддержки принятия врачебных решений (СППВР), онтология, клинические рекомендации.

Для цитирования: Киселев К. В., Ноева Е. А., Выборов О. Н., Зорин А. В., Потехина А. В., Осяева М. К., Швырев С. Л., Мартынюк Т. В., Чазова И. Е., Зарубина Т. В. Разработка архитектуры базы знаний системы поддержки принятия врачебных решений, основанной на графовой базе данных. Медицинские технологии. Оценка и выбор. 2018; 3(33): 42-48.

CL

О

LQ _0 m

х

ш

Development of Knowledge Base Architecture for Clinical Decision Support System Based on Graph Database

s s

O K. V. Kiselev1, E. A. Noeva2, O. N. Vyborov2, A. V. Zorin2, A. V. Potekhina2, M. K. Osyaeva2, o S. L. Shvyrev1, T. V. Martynyuk2, I. E. Chazova2, T. V. Zarubina1

X

uj 1 Pirogov Russian National Research Medical University, Moscow, Russia s 2 Federal state budget institution «National medical research center of cardiology» of the Ministry o of healthcare of the Russian Federation, Moscow, Russia

X

High urgency of healthcare informatization and features of the organization of medical and diagnostic process allow searching for the ways of maintenance of medical activity information support. One of such ways is the development of clinical decision support systems based on knowledge. Among

the forms of knowledge representation, a semantic network is distinguished, structurally repeating the model of graph databases that have the necessary advantages for working with knowledge.

Purpose of the study. Development of the knowledge base architecture of the clinical decision support system for the instrumental diagnosis of angina pectoris based on the ontological approach, using a graph database.

Materials and methods. Extraction of concepts related to the diagnosis of angina pectoris was carried out from clinical recommendations concerning stable ischemic heart disease. The primary accumulation of knowledge and grouping of concepts by types was carried out in MS Excel; the elaboration of the types of connections between the highlighted concepts was carried out in the ARIS Express program. To form the knowledge base, a Neo4j graph database was used.

Results. From the clinical recommendations with the help of cardiologists, 401 root concepts and 619 synonyms were extracted, which were grouped by type of diagnosis, synonym, clinical sign, diagnostic test, diagnostic sign, laboratory test, medical personnel, location of the study. The groups of concepts were linked by means of links: parent-child, synonym, concomitant pathology, clinical sign, diagnostic sign, indication for the study, place of the study, person conducting the study, person interpreting the results of the study, person taking biomaterial sampling . To indicate the characteristic values, the graph database was used to fill the attributes of nodes and links, which made it possible to reduce the dimension of the graph. The created knowledge base was twice validated for the completeness and adequacy of solutions offered to the doctor using depersonalized electronic medical records of patients. The first validation returned incomplete compliance with appointments from electronic medical records, which made it necessary to refine the filling of the database with new knowledge. New knowledge was added to the database without the need to modify its architecture, after which the re-validation returned a complete match between the proposed and the actual assignments.

Conclusion. The use of clinical decision support systems based on the ontological approach using graph databases can be promising in terms of providing speed and explaining the proposed assignments. Properly organized architecture allows you to scale the knowledge base, and graph database features allow you to reduce the dimensionality of the graph, simplifying the work with knowledge.

KEYWORDS: angina pectoris, clinical decision support systems, CDSS, ontology, clinical recommendations.

For citations: Kiselev K. V., Noeva E. A., Vyborov O. N., Zorin A. V., Potekhina A. V., Osyaeva M. K., Shvyrev S. L., Martynyuk T. V., Chazova I. E., Zarubina T. V. Development of Knowledge Base Architecture for Clinical Decision Support System Based on Graph Database. Medical Technologies. Assessment and Choice. 2018; 3(33): 42-48.

ВВЕДЕНИЕ

В настоящее время отмечается постоянно растущая нагрузка на врачебный персонал, вызванная непрерывно увеличивающимся количеством принимаемых пациентов, о чем свидетельствуют данные фонда независимого мониторинга «Здоровье» [1]. Кроме того, в соответствии с федеральным законом1 медицинские организации имеют право: «выдавать медицинские заключения, справки, рецепты на лекарственные препараты и медицинские изделия на бумажном носителе и/или) с согласия пациента или его законного представителя в форме электронных документов с использованием усиленной квалифицированной электронной подписи медицинского работника в порядке, установленном уполномоченным федеральным органом исполнительной власти2». Это означает необходимость ведения двойной документации - в электронном и бумажном виде, что тоже отнимает время и силы врача.

Современные системы позволяют минимизировать затраты на заполнение бумажных документов, распечатав их и подписав, однако данное действие тоже отнимает драгоценное время. Высокая нагрузка повышает также вероятность возникновения врачебных ошибок, которые могут самым негативным образом отразиться на здоровье пациента [2].

Выходом в данной ситуации может стать использование специализированных модулей информационных медицинских систем - систем поддержки

1 п. 3 ст. 78 Федерального закона № 323-ф3.

2 п. 3 в ред. Федерального закона от 29.07.2017 № 242-ФЗ.

принятия врачебных решений (СППВР), которые работают не в качестве обособленного программного обеспечения, а интегрированы в МИСМО, что не требует от врача повторного ввода информации в несколько программ, и помогают в постановке диагноза, назначении дополнительных исследований и лечебных процедур, а также в выписке лекарственных средств [3].

При разработке СППВР весьма важен выбор подхода для создания архитектуры базы знаний, которая является краеугольным камнем в работе логического решателя системы. Традиционно, знания в базе можно хранить в виде продукционной модели, фреймовой модели или семантической сети, если мы касаемся только аспектов экспертных систем. Если же СППВР основана на использовании нейронных сетей, то вопрос о способе организации знаний не стоит, так как знания в этом случае скрыты в коэффициентах промежуточных слоев сети, что фактически превращает модель в черный ящик, который не может объяснить врачу своего принятого решения [4].

Особый интерес представляют именно семантические сети, которые могут быть трансформированы в онтологии предметной области при достижении определенного уровня формализации знаний. В частности, в качестве предметной области может быть выбрана ишемическая болезнь сердца (ИБС) в виде одной из основных форм - стенокардии, поскольку эта патология обусловливает высокую заболеваемость и, соответственно, большое количество пациентов [5]. Однако разработка онтологии

43

ш

X

<

о.

X

о о

tt <

о. d

о

ш

ш ц,

со <

о.

44

CL

о

LQ _0 m

х

ш

О ^

О X

X

ш

о

X

стенокардии является очень трудоёмким процессом, требующим больших затрат времени. Поэтому на первом этапе было решено ограничиться онтологией инструментальной диагностики стенокардии. Кроме того, стоит упомянуть, что семантические сети и онтологии по своей сути полностью повторяют модель графовых баз данных, которые используются для решения множества задач - от создания рекомендательных систем до поиска скрытых зависимостей между объектами [6]. Исходя из этого, были определены следующие цель и задачи исследования.

ЦЕЛЬ И ЗАДАЧИ

Цель: разработать архитектуру базы знаний системы поддержки принятия врачебных решений для инструментальной диагностики стенокардии, основанную на онтологическом подходе, с использованием графовой базы данных.

Задачи:

1. Выбрать базовый источник знаний для выделения понятий в области диагностики стенокардии.

2. Проанализировать выделенные понятия и сгруппировать их по типам.

3. Проанализировать и структурировать типы связей между выделенными понятиями.

4. На основе выделенных типов понятий и связей сформировать архитектуру базы знаний.

МАТЕРИАЛ И МЕТОДЫ

Для извлечения понятий, относящихся к диагностике стенокардии, использовались клинические рекомендации, касающиеся стабильной ишемической болезни сердца [7]. В качестве инструмента для первичной аккумуляции знаний и группировки понятий по типам использовался MS Excel; проработка типов связей между выделенными понятиями проводилась в программном обеспечении ARIS Express. Для формирования базы знаний использовалась графовая СУБД Neo4j с открытым исходным кодом.

РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ

Для извлечения знаний о диагностике стенокардии был необходим наиболее общепризнанный в профессиональном сообществе источник информации. Таким источником на сегодняшний день являются клинические рекомендации, созданные под эгидой Министерства здравоохранения РФ [8, 9]. Необходимость в таком источнике вызвана основной проблемой, с которой сталкиваются все разработчики программных продуктов для медицины: большое количество медицинских школ и особенности работы врачей в каждом конкретном учреждении не предполагают абсолютной идентичности и стандартизованности врачебных решений. Поэтому, выбрав в качестве основного источ-

ника знаний учебник или монографию, разработчик неизбежно «разделяет» мнение конкретного автора в отношении того, как наименовать исследования, в каком порядке их проводить, какова их релевантность и т. д. В отличие от этого, клинические рекомендации создаются при участии большого количества авторов из разных медицинских школ, что снимает вопросы относительно объективности представленной в них информации.

Из клинических рекомендаций, совместно с командой кардиологов-экспертов, были выделены 401 понятие и 619 синонимов к ним, относящихся к диагностике стенокардии напряжения. Далее эти понятия поступали в аналитическую обработку для группирования по типам. Типы были напрямую связаны с тем, что именно представляет собой данное понятие, т. е. диагностическое исследование, диагностический признак и т. д. Для явной дифферен-цировки инструментальных методов диагностики и лабораторных тестов вся инструментальная диагностика была отнесена к группе «диагностические исследования», а лабораторные исследования - к группе лабораторных тестов. Поскольку создаваемая СППВР содержит и административные компоненты, отдельно выделялись группы для медицинского персонала и мест проведения исследования, что позволяло автоматически анализировать назначения на предмет наличия логических ошибок. Таким образом, все понятия были распределены по группам (табл. 1).

Перечисленные группы были использованы в качестве типов узлов в СУБД Neo4j. Благодаря использованию графовой базы данных, удалось существенно уменьшить количество типов узлов и вынести большой объем информации в атрибуты узлов и связей между ними. Получаемая информация используется логическим решателем для осуществления переходов от узла к узлу и формирования предложений и объяснений для врача. Что касается связей между узлами, то различные виды понятий могут быть соединены между собой несколькими типами связей (табл. 2).

Особо стоит отметить значимость сведений об атрибутах связей и узлах, имеющихся в арсенале графовой СУБД. Атрибуты используются для минимизации размерности графа и хранения в них релевантной клинической информации. Для всех узлов хранится не только тип, но и атрибут «Название», который содержит семантику выделенного понятия, например узел «Диагноз» - название - «ИБС». Для диагностических признаков, выявляемых с помощью инструментальной диагностики и лабораторных тестов, имеющих границы нормы, в атрибутах приводятся соответствующие значения для мужчин и женщин с указанием единиц измерения. Для связей

Таблица 1. Перечень выделенных групп понятий и их описание

Группа Описание

Диагноз Содержит понятия, являющиеся диагнозом, например: Стенокардия напряжения, Ишемическая болезнь сердца

Синоним Содержит понятия, которые являются синонимами каких-либо понятий из других групп

Клинический признак Содержит понятия, имеющие отношения к клиническим проявлениям заболевания, например одышка, жгучие боли за грудиной. Данные понятия используются логическим решателем для проверки соответствия назначаемых процедур состоянию пациента

Диагностическое исследование Содержит набор инструментальных диагностических исследований, например: ЭКГ, рентгенография и т. д.

Диагностический признак Содержит набор понятий, относящихся к диагностическим находкам, выявляемым по результатам диагностических исследований. Значения лабораторных показателей также относились к диагностическим признакам, но для уменьшения размерности графа они указывались в качестве атрибута связи «Диагностический признак» (см. табл. 2).

Лабораторный тест Содержит набор понятий, описывающий совокупность лабораторных тестов, применимых при диагностике стенокардии (например: АЛТ, АСТ, Эритроциты), т. е. если лабораторное исследование состоит из нескольких тестов, то в данную группу вносились именно тесты

Медицинский персонал Содержит понятия типа медицинская сестра, врач-специалист по клинико-лабораторной диагностике и т. д. Эта группа понятий необходима для автоматического решения административных задач по проверке электронных назначений

Место проведения исследования Содержит понятия типа «Отделение функциональной диагностики», «Радиологическое отделение». Эти понятия необходимы для автоматического решения административных задач по проверке электронных назначений

Таблица 2. Типы связей, используемые в архитектуре базы знаний

Тип связи Описание

Род-вид Тип связи, используемый для установления иерархии понятий. Например, связь «ИБС -Стенокардия»

Синоним Тип связи, объединяющий несколько понятий с одинаковым смыслом. Например, связь «Лимфоциты - 1_УМ»

Сопутствующая патология Данный тип связи необходим для ограничения круга сопутствующих патологий, на которые должен обращать внимание врач при поддержке СППВР. Например, «Стенокардия I функционального класса - Сахарный диабет 2 типа»

Клинический признак Связь, необходимая для указания патогномоничных признаков заболеваний (для типов понятия «Диагноз»), которые требуют дифференциальной диагностики и назначения дополнительных методов исследования. Например, «Загрудинные боли - Стенокардия IV функционального класса». Признак возникновения загрудинных болей в покое указывается в свойствах связи

Диагностический признак Связывает признаки, выявляемые инструментальными и лабораторными диагностическими методами, с «Диагнозами». Например, «Стенокардия IV функционального класса - Тропонин». Значение лабораторного теста на тропонин указывается в атрибутах связи

Показание к проведению исследования Данная связь используется логическим решателем для нахождения в онтологии причин назначения исследований и самих исследований. При этом учитываются причинно-следственные характеристики как для обязательных скрининговых исследований, так и для формирования сложных диагностических алгоритмов при выявлении того или иного диагностического признака в рамках какого-либо исследования. Например, «Стенокардия II функционального класса - Электрокардиография в 12 стандартных отведениях». Название признака, а также время, в течение которого должно быть проведено исследование, указываются в атрибутах связи

Место проведения исследования Связь, обеспечивающая сопоставление назначаемого исследования с местом, где оно должно быть проведено. Например, «Эхокардиография трансторакальная - Отделение функциональной диагностики». Необходима для функционирования административной части СППВР

Лицо, проводящее исследование Указывает на медицинский персонал, который должен проводить данное исследование. Например, «Электрокардиография в 12 стандартных отведениях - Медицинская сестра». Требуется для функционирования административной части СППВР

Лицо, интерпретирующее результаты исследования Указывает на медицинский персонал, который должен интерпретировать результаты исследования, причём данная связь включает первичную интерпретацию результатов лабораторных тестов врачом, проводящим клинико-лабораторную диагностику. Например, «АЛТ - Врач-специалист по клинико-лабораторной диагностике». Связь необходима для функционирования административной части СППВР

Лицо, осуществляющее забор биоматериала Указывает на медицинский персонал, который должен производить забор биоматериала. Например, «Глюкоза крови - Медицинская сестра». Связь необходима для функционирования административной части СППВР

45

ш

X

<

а. х о о

ш <

а. ч

о

ш

ш ц,

а

<

а.

46

«Диагностический признак» указывается: «нормам», «выше нормы», «ниже нормы». Для связей «Клинический признак» указываются условия возникновения признака, например в связи «Одышка [клинический признак] ^ Стенокардия IV функционального класса» в атрибуте связи «Условие возникновения признака» будет указано «В покое». В связи «Показание к проведению исследования» учитываются атрибуты кратности проведения, времени проведения от некоторого начального события, тип начального события, единицы размерности времени и параметры обязательности назначения исследования, основанные на мнении экспертов, клинических рекомендациях и на данных ретроспективного анализа назначений из электронных медицинских карт пациентов. Именно в этом случае ретроспективный анализ электронных медицинских карт позволил дополнительно выделить набор синонимов основных понятий, которые после согласования с экспертами были добавлены в базу знаний (например, в связи «Тип начального события» указывается точка отсчёта времени для проведения исследования - «С момента госпитализации»). Нормированные с помощью экспертов временные интервалы для проведения исследований, а также статистические вероятности назначения того или иного исследования измеряются по относительной шкале от 0% до 100%, где 0% - исследование не назначалось ни в одной из проанализированных электронных медицинских карт, 100% - исследова-

ние назначалось во всех проанализированных электронных медицинских картах. Таким образом, логический решатель оперирует временной шкалой для отслеживания назначений и рекомендаций их проведения в тот или иной момент нахождения пациента в стационаре.

В результате проектирования архитектуры и создания её в графовой СУБД возникла метамодель онтологии диагностики стенокардии, наполнение которой возможно с использованием стандартных средств Neo4j. Фрагмент разработанной онтологии представлен на рисунке 1.

Правильность выбранной архитектуры подтверждена валидацией базы знаний на данных 610 де-персонифицированных электронных медицинских карт пациентов со стенокардией. Валидизация проводилась в полуавтоматическом режиме с использованием открытой библиотеки APINeo4j для языка программирования C#. С помощью интегрированной среды разработки Visual Studio Community был создан программный модуль, который позволил реконструировать хронологию назначений, приведенных в деперсонифицированных электронных медицинских картах, за счёт таких параметров назначений, как дата поступления пациента, время проведения исследования и результаты диагностических процедур. Проверка соответствия предлагаемых назначений из базы знаний соответствующим назначениям из электронных историй болезни выя-

CL

О

LO -О

m

х

ш

О ^

О X

X

ш

о

X

Рис. 1. Фрагмент разработанной базы знаний о диагностике стенокардии.

вила 92% успешных сопоставлений, что расценивается как очень высокий результат. Неточность в 8% объясняется особенностями течения клинического случая в виде сопутствующих патологий, которые не были учтены при проработке модели пациента и критериев отбора понятий при составлении онтологии. Данные особенности были учтены при повторной валидации, которая показала полное соответствие предлагаемых назначений соответствующим назначениям из электронных историй болезни. Дополнительное внесение неучтённой информации в базу знаний не потребовало модификации её архитектуры. Новые сведения полностью уложились в разработанную концепцию типов узлов и связей. Таким образом, выбранные типы узлов и связей позволяют без внесения изменений в архитектуру расширять диагностическую онтологию на смежные диагнозы.

ЗАКЛЮЧЕНИЕ

В настоящее время отмечается постоянно растущая нагрузка на врачебный персонал из-за высокой заболеваемости населения и нехватки медицинских специалистов. В качестве одного из вариантов решения данной проблемы можно использовать системы поддержки принятия врачебных решений, которые призваны помогать врачу при постановке диагноза, назначении дополнительных диагностических исследований и лечения. Нами была поставлена задача разработать архитектуру базы знаний для диагностики стенокардии, так как данная патология всё чаще встречается в структуре заболеваемости населения России. Проведенный нами анализ позволил создать метамодель базы знаний для инструментальной диагностики стенокардии, которая реализована в среде графовой СУБД. Созданная метамодель продемонстрировала валидность по отношению к ретроспективному анализу деперсонифицированных электронных медицинских карт пациентов и позволила без модификации архитектуры расширить диагностические описания для смежных патологий. На этом основании мы считаем возможным выдвинуть предположение об универсальности данной мета-модели для инструментальной диагностики других заболеваний.

ВЫВОДЫ

1. Базовым источником знаний о диагностике стенокардии могут быть клинические рекомендации. В них изложена основная информация, которая необходима для выделения понятий и понимания того, как они между собой взаимосвязаны. Кроме того, клинические рекомендации являются единственным легитимным руководством, созданным большим количеством экспертов разных медицинских школ, что

позволяет нивелировать влияние конкретного мнения или конкретной школы на релевантные аспекты предметной области.

2. В ходе анализа выделенных понятий были сформированы 8 групп, которые легли в основу типов графовых вершин в СУБД Neo4j. Данные типы оказались валидными как с точки зрения проверки базы знаний на электронных медицинских картах пациентов, так и с точки зрения расширения онтологической модели на смежные патологии без модификации архитектуры базы знаний.

3. На основе клинических рекомендаций и с помощью экспертов были выделены типы связей для создания архитектуры базы знаний в графовой среде. Таких типов оказалось 10, что было достаточно для полноценного функционирования базы знаний.

4. Используя особенности графовой СУБД, удалось существенно уменьшить размерность графа за счёт вынесения части информации в атрибуты узлов и связей. Данный подход позволил полностью сохранить логику врача для имитации в логическом решателе и формировать объяснения предлагаемых системой вариантов дальнейших действий.

5. На основе выделенных типов понятий и связей между ними была создана архитектура базы данных, которая стала метамоделью для базы знаний системы поддержки принятия врачебных решений. Данная метамодель продемонстрировала валидность как при сравнении с данными из электронных медицинских карт пациентов, так и при расширении онтологии диагностики на смежные патологии.

Дополнительная информация

Конфликт интересов отсутствует. Финансирование: статья опубликована без финансовой поддержки.

Статья поступила 22.05.2018 г. ЛИТЕРАТУРА/REFERENCES

1. Публикации в СМИ по данным проведенных Фондом «Здоровье» мониторингов рынка платных медуслуг и оптимизации сети медорганизаций. Фонд независимого мониторинга «Здоровье». URL: http://fondzdorovie.ru/ratings/detail_ratings. php?ID=2930#ixzz5HAupP1vz (дата обращения: 03.04.2018). [Publications in the media according to the monitoring of the market of paid medical services and optimization of the network of medical organizations conducted by the Health Foundation. The Foundation of independent monitoring «Health». URL: http://fondz-dorovie.ru/ratings/detail_ratings.php?ro=2930#ixzz5HAupP1vz. In Russ. (Date of access: 03.04.2018)].

2. Виноградова Е. В., Колесникова И. Ю., Масюков С. А. Чрезмерная нагрузка врача как фактор влияния на коммуникацию «врач - пациент». Материалы 3-й межрегиональной научно-практической конференции с международным участием (Медицинский дискурс: вопросы теории и практики). 2015; 21-27. [Vinogradova E. V., Kolesn-ikova I. Yu., Masyukov S. A. Excessive load of the doctor as a factor of influence on communication «doctor - patient». Proceedings of the 3rd interregional scientific-practical conference with international participation (Medical discourse: theory and practice). 2015; 21-27. In Russ.].

47

ш

X

<

о.

X

о о

tt <

о. d

о

ш

ш ц,

со <

о.

48

CL

О

LQ _0 Ш

X

Ш

О ^

О X

X

ш

о

X

3. Гусев А. В., Зарубина Т. В. Поддержка принятия врачебных решений в медицинских информационных системах медицинской организации. Врачи информационные технологии. 2017; 2: 6072. [Gusev A. V., Zarubina T. V. Clinical Decisions Support in Medical Information Systems of a Medical Organization.Vrachi informat-sionnye tekhnologii. 2017; 2: 60-72. In Russ.].

4. Гаврилова Т. А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. СПб: Питер. 2000: 384 c.[Gavrilova T. A., Horoshevs-kiy V. F. Knowledge Bases of Intelligent Systems. St. Petersburg: Piter. 2000: 384 p. In Russ.].

5. Российский статистический ежегодник. Федеральная служба государственной статистики. 2017: 686 c. [Russian statistical yearbook. Federal state statistics service. 2017: 686 p. In Russ.].

6. Angles R., Gutierrez С. Survey of graph database models. ACM Computing Surveys. 2008; 40(1): 1-39.

7. Министерство здравоохранения Российской Федерации. Стабильная ишемическая болезнь сердца. URL: http://cr.rosminzdrav. ru/#!/recomend/133 (дата обращения: 03.04.2018).[The Ministry of health of the Russian Federation. Stable coronary heart disease. URL: http://cr.rosminzdrav.ru/#!/read/133. In Russ. (Date of access: 03.04.2018)].

8. Дайхес А. Н., Федяев Д. В. Обзор российских и зарубежных подходов к формированию государственных гарантий бесплатной медицинской помощи. Фармакоэкономика. Современная фарма-коэкономика и фармакоэпидемиология. 2017; 10(3): 59-65. https:// doi.org/10.17749/2070-4909.2017.10.3.059-065. [Daikhes A. N., Fedyaev D. V. Provision of free medical care in Russia and elsewhere: review of regulatory and legal aspects. Pharmacoeconomics. Modern pharmacoeconomics and pharmacoepidemiology. 2017;10(3):59-65. (In Russ.) https://doi.org/10.17749/2070-4909.2017.10.3.059-065].

9. Ватолин В. М., Сухоруких О. А., Галеева Ж. А., Лукъянцева Д. В., Бузуверова О. О., Кирсанова О. В., Муртазина Э. М., Илюхин Д. Г., Шубина Л. С. Анализ данных о методиках клинической оценки, указанных в клинических рекомендациях, размещенных на информационном ресурсе Минздрава России «Рубрикатор клинических рекомендаций». Фармакоэкономика. Современная фармакоэкономика и фармакоэпидемиология. 2018; 11(1): 56-63. https://doi. org/10.17749/2070-4909.2018.11.1.056-063.[Vatolin V. M., Sukho-rukikh O. A., Galeeva Z. A., Lukyantseva D. V., Buzuverova O. O., Kir-sanova O. V., Murtazina E. M., Ilyukhin D. G., Shubina L. S. Methods of clinical assessment from the «Clinical Recommendations» resource of the Ministry of Healthcare of Russia: a systematic review. Pharma-coeconomics. Modern pharmacoeconomics and pharmacoepidemiol-ogy. 2018; 11(1): 56-63. (In Russ.) https://doi.org/10.17749/2070-4909.2018.11.1.056-063].

Сведения об авторах:

Киселев Кирилл Владимирович

аспирант кафедры медицинской кибернетики и информатики ФГБОУ ВО РНИМУ им. Н. И. Пирогова

Ноева Елена Александровна

старший научный сотрудник отдела ХИБС ИКК им. А. Л. Мясни-кова, канд. мед. наук

Выборов Олег Николаевич

научный сотрудник отдела легочной гипертензии и заболеваний сердца НИИ кардиологии им. А. Л. Мясникова, канд. мед. наук

Зорин Андрей Владимирович

научный сотрудник отдела легочной гипертензии и заболеваний сердца НИИ кардиологии им. А. Л. Мясникова, канд. мед. наук

Потехина Александра Викторовна

младший научный сотрудник отдела легочной гипертензии и заболеваний сердца НИИ кардиологии им. А. Л. Мясникова, канд. мед. наук

Осяева Мария Константиновна

лаборант-исследователь отдела легочной гипертензии и заболеваний сердца НИИ кардиологии им. А. Л. Мясникова

Швырев Сергей Леонидович

доцент кафедры медицинской кибернетики и информатики ФГБОУ ВО РНИМУ им. Н. И. Пирогова, канд. мед. наук

Мартынюк Тамила Витальевна

руководитель отдела легочной гипертензии и заболеваний сердца НИИ кардиологии им. А. Л. Мясникова, д-р мед. наук

Чазова Ирина Евгеньевна

заместитель генерального директора, директор института клинической кардиологии им. А.Л. Мясникова ФГБУ «НМИЦ Кардиологии» Минздрава России, д-р мед. наук, профессор, академик РАН

Зарубина Татьяна Васильевна

заместитель директора по информатизации в здравоохранении ЦНИИОИЗ Минздрава РФ, заведующая кафедрой медицинской кибернетики и информатики ФГБОУ ВО РНИМУ им. Н. И. Пирогова, д-р мед. наук, профессор

Адрес для переписки:

Ул. Островитянова, д.1, Москва 117997, Российская Федерация Тел.: +7 (964) 515-6886 E-mail: kirillkiselev@pm.me

Authors:

Kiselev Kirill Vladimirovich

Post-Graduate Student of the Department of Medical Cybernetics and Informatics, Pirogov Russian National Research Medical University

Noeva Elena Alexandrovna

Senior Researcher of the Department of CIHD, National Medical Research Center of Cardiology, PHD

Vyborov Oleg Nikolaevich

Research Fellow of the Department of Pulmonary Hypertension and Heart Disease, National Medical Research Center of Cardiology, PHD

Zorin Andrey Vladimirovich

Research Fellow of the Department of Pulmonary Hypertension and Heart Disease, National Medical Research Center of Cardiology, PHD

Potekhina Alexandra Viktorovna

Junior Researcher of the Department of Pulmonary Hypertension and Heart Disease, National Medical Research Center of Cardiology, PHD

Osyaeva Maria Konstantinovna

Laboratory Assistant-Researcher of the Department of Pulmonary Hypertension and Heart Diseases, National Medical Research Center of Cardiology, PHD

Shvirev Sergey Leonidovich

Associate Professor of the Department of Medical Cybernetics and Informatics, Pirogov Russian National Research Medical University, PHD

Martyniuk Tamila Vitalyevna

Head of the Department of Pulmonary Hypertension and Heart Disease, National Medical Research Center of Cardiology, MD

Chazova Irina Evgenevna

Director of the A. L. Myasnikov Institute of Clinical Cardiology, MD, Professor, Academician of the Russian Academy of Sciences

Zarubina Tatyana Vasilievna

Deputy Director for Informatization in Health Care of the Central Research Institute of the Ministry of Health of the Russian Federation, Head of the Department of Medical Cybernetics and Informatics, Pirogov Russian National Research Medical University, MD, Professor

Address for correspondence:

Ostrovityanova st., 1, Moscow 117997, Russian Federation Tel.: +7 (964) 515-6886 E-mail: kirillkiselev@pm.me