CC BY
419
СИСТЕМЫ ПОДДЕРЖКИ ВРАЧЕБНЫХ РЕШЕНИЙ В МЕДИЦИНЕ
Фролов С.В.1, Куликов А.Ю.2, Остапенко О.А.3, Стрыгина Е.В.4
1Фролов Сергей Владимирович - доктор технических наук, профессор, заведующий кафедрой;
2Куликов Андрей Юрьевич - кандидат технических наук, доцент;
3Остапенко Ольга Александровна - инженер;
4Стрыгина Елена Викторовна - аспирант, кафедра биомедицинской техники, Тамбовский государственный технический университет, г. Тамбов
Аннотация: в статье анализируются основные направления в области разработки и применения интеллектуальных систем поддержки принятия врачебных решений в медицине, существующие на сегодняшний день. Отмечается, что история современных СППВР уходит корнями в создание экспертных систем в 70-х годах ХХ века. В первых разделах работы представлены задачи «классических» экспертных систем и соответствующие решения. Следующая часть посвящена обсуждению вопросов развития и интеграции таких систем в рамках мониторинга здоровья, а также изучению систем поддержки принятия решения врача ультразвуковой диагностики, применяемых при обследовании пациентов с толстой жировой прослойкой (тучных пациентов). Анализируются различные типы приложений. Ключевые слова: системы поддержки принятия врачебных решений (СППВР), врачебные ошибки, экспертная система (ЭС), толстая жировая прослойка, ультразвуковая диагностика.
Общие замечания
В общем виде под термином «система поддержки принятия решений» (Decision Support System, DSS) понимается компьютерная система, которая путем сбора и анализа информации может влиять на процессы принятия решений в различных областях человеческой деятельности [1, 2]. В здравоохранении такие решения называются уточненным термином «системы поддержки принятия врачебных решений» (СППВР).
Изначально в 1970-1990 гг. термин «экспертные врачебные системы» чаще всего подразумевал реализацию функций, так или иначе помогающих врачу поставить правильный клинический диагноз. Со временем понимание этого термина трансформировалось и расширилось. Системами поддержки принятия врачебных решений стали называть программы, помогающие клиницистам принимать наиболее эффективные решения в процессе лечения пациента и, тем самым, обеспечивающие необходимое качество медицинской помощи, в том числе с целью сокращения врачебных ошибок, но не ограничиваясь только этим.
Анализ публикаций в научной литературе по теме СППВР показал, что разработки и исследования в этой области ведутся во всем мире в различных направлениях [3, 2, 4, 5] не менее 30 лет. Причем динамика публикаций по этой теме в нашей стране показывает постоянный рост, особенно существенный в последние годы.
Считается, что «классическая» экспертная система решает задачи, обладающими следующими характеристиками:
- задачи не всегда могут быть представлены в числовой форме;
- исходные данных и знания о предметной области неоднозначны, неточны, противоречивы;
- цели нельзя выразить с помощью четко определенной целевой функции;
- не существует однозначного алгоритмического решения задачи.
Это, в частности, предопределило широкое применение ЭС в медицине.
Результативность внедрения СППР в ЛПУ может быть объективно оценена при изучении его распространения по трем основным направлениям, рассматривая эффективность клиническую, организационную и экономическую.
Эффективность клиническая. В качестве критериев клинической эффективности эксперты называют такие показатели, как уменьшение количества врачебных ошибок при назначении препаратов и направлении на обследования, повышение точности, оперативности и информативности диагностических исследований, уменьшение числа обострений хронических заболеваний за определенный период времени, общее снижение заболеваемости, повышение степени соответствия лечения установленным стандартам.
Эффективность организационная. Наиболее адекватным показателем организационной эффективности системы можно считать уменьшение затрат рабочего времени медицинского персонала при подготовке отчетной документации.
Эффективность экономическая. Комплексный подход к автоматизации ЛПУ обеспечивает руководство медицинского учреждения эффективнейшим инструментом развития. Реальные подходы ЛПУ при эксплуатации медицинских информационных систем увеличиваются, во-первых, за счет роста производительности труда врачей-диагностов при использовании информационных систем; во-вторых, благодаря более интенсивному использованию такого дорогостоящего оборудования, как компьютерный томограф, маммограф и УЗИ-сканер; в-третьих, рационализации расходов на медикаменты, реагенты, необходимые для проведения лабораторных исследований и другие материалы; в-четвертых, благодаря контролю расчетов со страховыми компаниями за услуги, оказанные по системе обязательного медицинского страхования (ОМС), что позволяет исключить необоснованные недоплаты; и, наконец, за счет возможности руководства ЛПУ контролировать работу учреждения в реальном времени.
Важным характеристическим признаком ЭС является наличие подсистемы объяснения (предполагает способность описания и обоснования цепочек предложенных рассуждений и заключений). ЭС должна предусматривать наличие механизма формирования разграниченных выводов; не только генерацию диагноза, рекомендаций или советов, касающихся отдельных случаев, но и возможность формулирования предположений о том, что произошло с исследуемым объектом; возможность постепенного расширения и модернизации функционала.
Функции ЭС и СППВР в медицине. Типы ЭС и СППВР
СППВР в медицине предназначены для решения следующих задач: подача тревожных сигналов и напоминаний, ассистирование в процессе диагностики, поиск подходящих случаев (прецедентов), контроль и планирование терапии, распознавание и интерпретация образов. Важная функция СППВР - распространение «лучших практик», в т.ч. международных. Чаще всего СППВР используются именно для помощи при постановке диагноза, назначении и, при необходимости, корректировке назначенного лечения. Однако область их применения охватывает все уровни заботы о здоровье.
В особый класс можно выделить системы интерпретаций медицинских изображений, в частности, МРТ и КТ, аналитики включают развитие СППВР в области медицинской визуализации в число важнейших технологических трендов на ближайшие годы.
Также СППВР играют роль образовательных платформ и средств повышения квалификации врачей, в т.ч. в составе телемедицинских систем дистанционного обучения, они обеспечивают поддержку проведения медицинских исследований.
Краткая история СППР в медицине и области их применения
Исследования в области использования искусственного интеллекта в медицине начались в конце 60-х начале 70-х гг. XX века. Первыми разработками были такие системы, как AAHelp (Университет Лидса), изучающая поиск причин резких болей и принятие решения о необходимости хирургического вмешательства; система INTERNIST (Питтсбургский университет) решала вопрос помощи при постановке диагноза по наблюдаемым симптомам, и ряд других систем. Наиболее известным решением, которое считается прообразом последующих экспертных систем в медицине, стала система MICIN, разработанная в Стэнфорде и предназначенная для оказания помощи специалистам при постановке диагноза и назначении лечения при инфекционных заболеваниях.
Примерами известных классических систем являются: Germwatcher, разработанная в помощь больничному эпидемиологу; PEIRS, интерпретирующая и комментирующая отчеты по химическим патологиям; Puff, предназначенная для интерпретации результатов функционального пульмонологического теста; HELP - полная госпитальная информационная система, основанная на технологиях искусственного интеллекта; SETH предназначена для анализа токсичности лекарственных средств; системы в области клинической микробиологии - Vitek2 Compact, BD Phoenix, MicroScan и др.; ATTENDING обеспечивает поиск ошибок в предлагаемом решении и выдвижение альтернативного варианта.
В настоящее время, СППВР широко применяется в хирургии. K. Polat et al. [6] было предложено использовать СППВР в сердечно-сосудистой хирургии.
В 2007 г. R. Mofidi et al. [7] была разработана СППВР для классификации тяжести острого панкреатита, прогнозирования летального исхода.
Кроме того существуют другие системы: VM; ABEL; AI/COAG; AI/RHEUM; ANNA; BLUE; ATTENDING; GUIDON... Подробно описание этих систем приведено в источниках [8, 9, 10].
Отечественные системы 80-90 гг. XX века
Практически в то же самое время в нашей стране также был разработан ряд ЭС/СППВР в медицине, характеризуемых довольно высоким, по тому времени, уровнем и практической значимостью. Примеры: автоматизированная система для синдромной диагностики неотложных состояний у детей «ДИН» [11], созданная в Московском НИИ педиатрии и детской хирургии; программный комплекс «Айболит» [12] для диагностики, классификации и коррекции терапии острых расстройств кровообращения у детей, созданный в Центре сердечно-сосудистой хирургии имени А.Н. Бакулева; информационная и экспертно-диагностическая система «ДИНАР» для реанимационно-консультативного центра (РКЦ), разработанная Санкт-Петербургской педиатрической медицинской академией и Свердловской ОДКБ при участии сотрудников Института биофизики УроРАН, позволяющая обеспечить дистанционное наблюдение за больными с угрожаемыми состояниями; система по наследственным болезням у детей «ДИАГЕН» [13], созданная в Московском НИИ педиатрии и детской хирургии; в Медико-генетическом научном центре РАМН была разработана система по хромосомной патологии SYNGEN и ряд других.
Однако, эти системы, передовые для своего времени, уже существенно устарели, не получив дальнейшего развития, на смену им пришли другие - с более совершенными IT-инструментами, алгоритмами, методами, средствами, а также используемыми медицинскими знаниями.
Современное состояние ЭС и СППВР в медицине за рубежом
С 2000-го года и по настоящее время успешно развиваются следующие системы: IndiGO (Archimedes) - обеспечивает обработку данных клинической, физиологической природы и сведений об управлении процессом лечения и формирует
11
индивидуализированные протоколы диагностики и лечения; Auminence - система дифференциальной диагностики, анализирует сведения о симптомах и др. информацию, формирует диагностический план; DiagnosisOne - система использует данные об оказанных медицинских услугах и другие сведения для поиска упущений и формирования планов лечения; СППВР Isabel Healthcare - система поддержки принятия диагностических решений на основе сведений о симптомах; ProblemKnowledge Couplers (Sharecare) - информационно-аналитическая система в сфере здоровья с широким функционалом; VisualDx - система поддержки диагностических решений с использованием принципов дифференциальной диагностики; СППВР Siemens - системы Protis - интерпретация результатов обследования на основе сведений о большом числе пациентов; Nuance - системы поддержки принятия решений для радиологии; система IBM Watson - суперкомпьютер фирмы IBM, оснащённый вопросно-ответной системой искусственного интеллекта.
В направлении СППВР развиваются и более простые программы, такие как симптом-чекеры и другие программы для конечного пользователя. Примеры: WebMD Symptom Checker, DrNow, iParmacy, EasyDiagnosis и др.
Большинство ведущих СППВР систем имеют в настоящее время онлайн- и мобильные версии.
Современные Российские СППВР
Несмотря на множество дискуссий по проблематике экспертных систем в медицине, активного обсуждения тем, связанных с экспертными системами в сфере здоровья, до внедрения доходит малое число разработок - большая их часть заканчивается лишь публикациями в научных изданиях и выступлениями на конференциях. В настоящее время освоены и успешно реализованы следующие системы: OncoFinder (Онкофайндер) - программа анализа внутриклеточных сигнальных путей и подбора наилучших терапевтических препаратов при различных типах рака; сервис ONDOC - система персонального здравоохранения, включает в себя сервисы для надежного хранения персональной медицинской информации, ее комплексного анализа и выявления лучшего способа укрепления и сохранения здоровья.
Исследования в сфере СППВР ведутся компанией ЗАО «Соцмедика». Ряд отечественных компаний ведет разработку симптом-чекеров: Medme, Mail.ru и др.
Отдельные исследования ведутся в вузах и НИИ. Так, в государственном университете Санкт-Петербурга, разработана экспертная система медицинской диагностики вариабельности сердечного ритма методом корреляционной ритмографии, в Томском государственном университете - системы поддержки принятия диагностических и психокоррекционных решений по психоматическим заболеваниям, на кафедре биомедицинской и полупроводниковой электроники Рязанского государственного радиотехнического университета разработана СППВР для эндоскопии. ИСА РАН разработал семейство специальных программных комплексов профессионального и популярного уровней для оценки и прогноза состояния здоровья и характеристик старения человека, а также для выработки рекомендаций и программ профилактики старения и общего оздоровления. На базе Института трансляционной медицины совместно с ФГБУ «СЗФМИЦ им. В.А. Алмазова» в Международной лаборатории «Системы поддержки принятия решений в медицине» исследуют модели, методы и технологии создания СППВР для персонифицированной медицины.
СППВР при обследовании пациентов с толстой жировой прослойкой методами ультразвуковой диагностики
Толстая жировая прослойка ухудшает качество изображения, что делает затруднительным или невозможным получение адекватных для клинической
12
интерпретации изображений. Например, в диапазоне частот (3-7 МГц), обычно используемого для визуализации органов брюшной полости, 50% интенсивности пучка ослабляется, когда луч проходит через 1 см жира и уровень ультразвука падает на 3 дБ. При ультразвуковом обследовании пациентов с 8 см экстраперитонеального жира, до органа дошло бы лишь 6% от первоначальной интенсивности пучка. Ослабление меньше на более низких частотах, но на них снижается разрешение изображения [14].
При абдоминальных обследованиях пациентов с толстой жировой прослойкой, тучных пациентов, качество изображения можно улучшить, применяя датчики с более низкой частотой или переключая многочастотный датчик на работу с низкой частотой. Так, если стандартная частота для абдоминальных исследований взрослых 3,5 МГц, то переход на частоту 2-2,5 МГц позволит улучшить качество визуализации структур и органов на глубинах более 10-15 см.
При исследовании сердца у пациентов с выраженным слоем подкожножировой клетчатки и развитой мускулатуры повышение качества изображений может быть достигнуто применением датчиков с более низкой частотой и режима нативной тканевой гармоники.
Технология тканевой гармоники, или нативной гармоники (native tissue harmonic imaging) - метод получения ультразвукового изображения, который во многих случаях улучшает диагностические возможности при исследовании пациентов с толстой жировой прослойкой, «трудных» пациентов (difficult-to-image patients). Использование тканевой гармоники дает возможность улучшить качество изображения при сохранении хорошей проникающей способности. В режиме тканевой гармоники датчик излучает ультразвуковые сигналы на низкой частоте, например, 2 МГц, а прибор обеспечивает прием эхо-сигналов на более высоких частотах - 4,6 МГц и т.д.
Не всегда на УЗИ удается визуализировать аппендикс. Правильному исследованию могут мешать сильное вздутие кишечника и избыточный вес пациента. Исследование аппендикса проводится обычным датчиком (абдоминальным) через переднюю брюшную стенку. При исследовании используется приём, называемый дозированная компрессия. Врач осторожно надавливает датчиком в проекции аппендикса. Тем самым петли кишечника смещаются, и происходит удаление из них газа. Это позволяет улучшить визуализацию аппендикса. При сканировании высокочастотным датчиком у тучных пациентов аппендикс может быть за пределами обзора. Поэтому в таких случаях успешно применяют низкочастотный конвексный датчик с частотой 3,5 МГц, обеспечивающий большую пенетрацию ультразвука и широкий обзор.
Повысить контраст между молочной железой и жировой тканью, подчеркнуть контуры позволяет новый режим SIP (Silky Image Processing, дословно переводится как "Обработка по типу шелкового изображения") в степени настройки SIP Application В. Этот режим впервые был представлен в 2014 году. Он позволяет проводить автоматическое улучшение визуализации УЗИ изображения в В-режиме в реальном времени. Это проявляется в существенном подавлении зернистости (спекл-шуме) и выделении контуров образований без потери мелких деталей и фактуры исследуемой ткани. Благодаря этому не только улучшается качество диагностики, но также снижается нагрузка на зрение врача.
Лучших параметров визуализации при ультразвуковых исследованиях тучных пациентов позволяют добиться передовые технологии:
- улучшенная тканевая гармоника, благодаря специальному кодированию ультразвукового сигнала которой, можно получить большую глубину проникновения, сохраняя разрешение;
- тканевая инверсная гармоника, которая по сравнению с прямой гармоникой обеспечивает лучшее качество, потому что базовый и инверсный сигналы проходят сквозь тело и при сложении автоматически фильтруются шумы,
- режим составного изображения, в котором каждая точка на экране получается с помощью отражения ультразвукового сигнала от нескольких лучей, отклоненных к центру, а не от одного луча.
При обследовании людей с повышенной массой тела применяется неинвазивное исследование эластография, являющееся одной из популярных технологий в ультразвуке.
Описанные методы обследования тучных пациентов значительно повышают качество получаемых эхограмм, тем не менее, полностью проблема не решена, в частности пока не удается решить проблему снижения контраста исследуемого органа, находящегося за неоднородной толстой жировой прослойкой. Поэтому производители ультразвукового оборудования по-прежнему нацелены на разработку новых алгоритмов обработки сигналов, более совершенных конструктивных решений, новых моделей датчиков.
Развитие информационно-телекоммуникационных технологий в сфере здравоохранения
Основной эффект, который планируется достичь с помощью систем поддержки врачебных решений, состоит в более качественном оказании медицинской помощи пациентам. Применение различных методик этих систем должно снизить количество осложнений, летальных исходов, уменьшить частоту применения неэффективных методик лечения и профилактики, малоинформативных методов диагностики.
Кроме этого, имеется и экономическая подоплека: системы поддержки принятия врачебных решений позволяют избежать необоснованных расходов медицинской организации вследствие уменьшения затрат на обследование и лечение пациентам.
Развитие информационных технологий в сфере здравоохранения, согласно Концепции долгосрочного социально-экономического развития Российской Федерации на период до 2020 года, утвержденной распоряжением Правительства Российской Федерации от 17 ноября 2008 г. № 1662-р, входит в один из приоритетов социальной и экономической политики в сфере реализации государственной программы Российской Федерации «Развитие здравоохранения». Развитие информационно-телекоммуникационных технологий в сфере здравоохранения способствует повышению доступности и качества оказания медицинской помощи населению. Внедрение системы интегрированной электронной медицинской карты единой государственной информационной системы в сфере здравоохранения позволит сократить количество посещений пациентами медицинских организаций для получения справок, рецептов и иных документов, сократить врачебное время на непрофильную деятельность, обеспечить врача всей необходимой информацией о состоянии здоровья пациента, предоставляемых ему медицинских услугах, а также осуществлять дистанционное взаимодействие посредством телемедицинских технологий. Предусматривается совершенствование механизма статистического наблюдения в сфере здравоохранения.
Заключение
Для разработки системных и компетентных рекомендаций по развитию СППР в отечественной медицине может быть полезно формирование рабочей группы, действующей согласовано с другими рабочими группами. При этом необходимо поддержать имеющиеся «точки роста», системы, обладающие практической значимостью, обеспечивая, при необходимости, возможность их интеграции. Перспективными сегментами являются как специализированные системы, так и
гибкие, легкие сервисы, позиционируемые как отдельные приложения и интегрируемые между собой.
Для поддержки СППВР в медицине необходимо развитие информационной и аппаратной инфраструктуры (обеспечение доступа к высококачественным источникам научной информации, в т.ч. международным, результатам испытаний и т.п., развитие вычислительных мощностей), а также других видов инфраструктуры (правовое обеспечение, развитие профильных акселераторов).
Необходимы меры поддержки развития смежных технологий (искусственный интеллект, обработка больших данных различной модальности и формата, новые способы представления знаний и т.п.; в данной сфере, как представляется), ситуация уже достаточно благополучна и продолжает улучшаться, в т.ч. благодаря усилиям крупных коммерческих компаний, таких как Яндекс, ABBYY, Mail.ru). Также следует уделить внимание развитию программ высшего образования и повышения квалификации в этой области (как для медицинских, так и для ИТ-специалистов, в т.ч. с привлечением к участию в реализации программ производителей программного обеспечения и персональных устройств), популяризации возможностей СППВР, в т.ч. в медицинской среде.
Важнейшими элементами развития отечественных СППВР могут стать меры по формированию и внедрению отраслевых и технологических стандартов, стимулированию ЛПУ к внедрению таких систем, а также по вовлечению пациента в процесс лечения и заботы о здоровье. Широкое внедрение простых и интуитивно -понятных систем, реализованных, например, в виде технологически несложных и готовых к широкому использованию облачных сервисов, может дать новые возможности и системе здравоохранения, и гражданам.
Список литературы
1. Greenes R.A. Clinical decision support: the road ahead / R.A. Greenes. Boston: Elsevier Academic Press, 2007. 581 p.
2. Литвин A.A., Литвин B.A. Системы поддержки принятия решений в хирургии II Новости хирургии, 2014.Т. 22. № 1. С. 96-100.
3. Доан Д.Х., Крошилин A.B., Крошилина C.B. Обзор подходов к проблеме принятия решений в медицинских информационных системах в условиях неопределенности II Фундаментальные исследования, 2015. № 12. С. 26-30.
4. Раводин P.A. Интеллектуальная система поддержки принятия врачебных решений в дерматовенерологии II Проблемы медицинской микологии, 2014.Т.16. № 3. С. 59-65.
5. Зарипова Г.Р., Богданова Ю.A., Катаев B.A., Ханов B.O. Современные модели экспертных систем поддержки принятия врачебных решений в прогнозировании операционного риска в хирургической практике II Таврический медико-биологический вестник, 2016. Т. 19. № 4. С. 140-145.
6. Polat K. Computer aided diagnosis of ECG data on the least square support vector machine I K. Polat, B. Akdemir, S. Gbne II Digit Signal Process, 2008. Vol. 18. № 1. P. 25-32.
7. Mofidi R. Identification of severe acute pancreatitis using an artificial neural network / R. Mofidi // Surgery, 2007. Vol. 141. № 1. P. 59-66.
8. Джарратано Джозеф. Экспертные системы принципы разработки и программирование: пер. с англ. I Джозеф Джарратано, Гари Райли. 4-е изд. М.: И. Д. Вильямс, 2007. 1152 с.: ил.
9. Джексон Питер. Введение в экспертные системы: пер. с англ.: учеб. пособие I Питер Джексон. М.: Вильямс, 2001.
10. Нейлор К. Как построить свою экспертную систему I К. Нейлор. М.: Энергоатомиздат, 1991. 286 с: ил.
11. Кобринский Б.А. Автоматизированные диагностические и информационно -аналитические системы в педиатрии // Русский медицинский журнал, 1999. Т. 7. № 4. С. 35-42.
12. Бураковский В.И., Бокерия Л.А., Газизова Д.Ш., Лищук В.А. и др. Компьютерная технология интенсивного лечения: контроль, анализ, диагностика, лечение, обучение. М.: НЦ ССХ РАМН, 1995.
13. Miller Janet Cochrane. Imaging and Obese Patients/ MGH Department of Radiology, 2005.
14. Осипов Л.В. Ультразвуковые диагностические приборы. Практическое руководство для пользователей. М.: Видар, 1999.
