CC BY
119
УДК 004.89, 004.6, 614
СЛИЯНИЕ МЕДИЦИНСКИХ ДАННЫХ НА ОСНОВЕ ОНТОЛОГИЙ
С.В. Лебедев1, Н.А. Жукова1, 2
'Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В. И. Ульянова (Ленина), Санкт-Петербург, Россия
lebedev.sv. etu@gmail. com
2Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики, Санкт-Петербург, Россия nazhukova@mail. ru
Аннотация
В информационных системах медицинских учреждений хранится большой объём данных, относящихся к проводимым лечебно-диагностическим мероприятиям. Собираемые данные представляют собой слабосвязанный и слабоструктурированный массив. Для повышения эффективности информационной поддержки лечения необходимо внедрить в информационные медицинские системы процесс непрерывного слияния данных и знаний. В статье для реализации этого процесса предложен подход, в котором совместно используются модель слияния данных JDL (Joint Directors of Laboratories) и онтологии. Модель определяет состав этапов процесса слияния данных, их функции и взаимосвязь. Онтологии используются для представления и связывания отдельных наборов данных и знаний. Для детализации этапов и проверки подхода в целом рассмотрен упрощённый сценарий слияния данных и знаний. Сценарий разработан по запросу специалистов Северо-Западного федерального медицинского исследовательского центра имени В. А. Алмазова Минздрава России, который является одним из ведущих центров в области кардиологии (Россия, Санкт-Петербург). Сценарий включает несколько этапов, состав которых определён уровнями JDL модели. Предварительно строятся собственные медицинские онтологии. На первом этапе из исходных неструктурированных данных выделяются отдельные объекты - лекарства и диагнозы для каждого пациента. На втором этапе извлечённые объекты связываются с элементами собственных и сторонних онтологий. На третьем этапе на основе установленных связей выявляются пары взаимодействующих лекарств. На четвёртом этапе формируется графическое представление данных. Сценарий позволил подтвердить применимость подхода для слияния медицинских данных, уточнить детали реализации каждого из этапов, определить набор технологий для реализации. В статье предложен новый подход к совместному использованию модели слияния данных и онтологий, позволяющий повысить связанность данных в медицинских информационных системах.
Ключевые слова: онтология, модель слияния данных, медицинские информационные системы, открытые связанные данные.
Цитирование: Лебедев, С.В. Слияние медицинских данных на основе онтологий / С.В. Лебедев, Н.А. Жукова // Онтология проектирования. - 2017. - Т. 7, №2(24). - С. 145-159. - DOI: 10.18287/2223-9537-2017-7-2-145-159.
Введение
В повседневной работе медицинских учреждений накапливается большой объём лечебно-диагностических данных. К ним относятся экспертные заключения профильных врачей, результаты проведения диагностических исследований, дневники лечащих врачей и т.п. Медицинские информационные системы (МИС), которые используется для управления этими данными, обладают рядом недостатков [1]:
■ накапливаемые данные слабо структурированы и слабо связаны как между собой, так и с имеющимися базами знаний;
■ МИС различных учреждений не связаны между собой.
Для эффективной информационной поддержки лечебно-диагностических мероприятий необходимо внедрить в МИС процесс непрерывного связывания медицинских данных и знаний. На вход процесса могут поступать данные в разных форматах и из различных источников. Результатом должно быть единое представление, которое можно было бы использовать, например, для прогноза течения болезни, планирования лечения и т. п.
Формат представления данных, используемый в таких процессах, должен отвечать следующим требованиям.
■ Быть доступным для машинной обработки. Это позволит применять алгоритмы обработки и анализа данных, строить информативные графические представления (графы, таблицы, диаграммы и т.п.), использовать сложные алгоритмы поиска зависимостей и извлечения знаний.
■ Быть достаточно выразительным для описания предметной области (ПрО) медицины.
■ Позволять связывать разнородные массивы данных и базы знаний. Таким образом, для решения проблемы необходимо решить две задачи:
■ выбрать и адаптировать модель слияния данных;
■ выбрать средства для представления и связывания данных и знаний.
1 Текущее состояние области слияния медицинских данных
Рассмотрим существующие решения поставленных задач. В [2] описаны модели процессов слияния данных:
■ цикл OODA (O - observe, O - orient, D - decide, A - act);
■ модель слияния данных JDL (Joint Directors of Laboratories);
■ модель ситуационной осведомленности Эндсли и др.
Для реализации предлагаемого подхода выбрана модель JDL как наиболее общая. Подробное описание модели можно найти в [3, 4]. Модель JDL включает следующие уровни: уровень работы с сырыми данными, уровень извлечения объектных данных, уровень построения ситуации, уровень вычисления последствий и уровень взаимодействия с пользователем. Для каждого уровня описаны функции и способ взаимодействия с соседними уровнями. Модель не ограничивает способы реализации уровней и не привязана к какой-либо ПрО.
Один из вариантов применения JDL модели в области медицины представлен в [5]. Авторы статьи используют модель для объединения методов анализа медицинских данных в единый вычислительный процесс. В отличие от указанной работы в предлагаемом подходе акцент сделан на применение онтологий как основы процесса слияния.
Онтологии - это центральное понятие глобальной семантической сети (semantic web), которое является одним из перспективных направлений развития МИС [6]. Онтологии позволяют формально описать ПрО, связать множество таких описаний друг с другом, использовать описание для аннотирования данных. Таким образом, данные становятся связанными как с общими знаниями, так и с другими данными, обеспечивается интерпретация данных на машинном уровне.
Ключевыми в семантической сети являются модель и схема описания метаданных (RDF/RDFS), язык описания онтологий (OWL), язык запросов к RDF-описаниям (SPARQL). Инструменты семантической сети включают редакторы, хранилища, средства отображения, средства построения систем правил, машины логического вывода и т. п.
Некоторые общие вопросы использования технологий семантической сети в медицине рассмотрены в [7, 8]. В частности, в работе [8] рассматривается само понятие онтологии и применение онтологий в медицине. Авторы обосновывают целесообразность совместного использования онтологий и методов интеллектуального анализа данных (data mining). Приводятся примеры инструментов, позволяющих строить онтологии по текстам на естественном языке.
В целом, задача извлечения знаний в области медицины должна решаться применительно к различным типам данных - числовым, текстовым, графическим. Основное внимание уделяется обработке текстов, т.к. значимые результаты врачебной деятельности представлены именно в таком формате. Один из подходов работы с текстами описан в [9].
Важным условием для построения процесса слияния является наличие открытых медицинских баз знаний, представленных в форматах семантической сети. Одним из проектов по созданию доступных онтологий биомедицины является OBO Foundry1 (Open Biomédical Ontologies). В этот проект входит ряд онтологий, включая онтологию человеческих болезней (Human Disease Ontology), Онтологию взаимодействия лекарств (Drug Interaction and Evidence Ontology) и др. Онтологии OBO Foundry образуют одну из основных частей портала Национального центра биомедицинских онтологий (National Center for Biomedical Ontology, NCBO's BioPortal2). Портал содержит 541 онтологию. Инициатива по созданию и распространению открытых данных в рамках направления семантической сети называется открытыми связанными данными (Linked Open Data, LOD/
В [10] описан облачный сервис, который использует открытые связанные данные для повышения эффективности оказания неотложной помощи. В частности, используется онтология Международной классификации болезней (International Classification of Diseases, ICD). Сервис организован как набор модулей, реализующих извлечение, хранение, преобразование, отображение и связывание данных.
Таким образом, семантическая сеть предоставляет искомые средства для описания и связывания медицинских данных и знаний, позволяет использовать открытые медицинские онтологии. Слияние медицинских данных на основе онтологий можно рассматривать как один из вариантов решения проблемы интеграции системы документооборота медицинского учреждения с существующими базами медицинских знаний. Решение этой проблемы необходимо, например, при автоматизации интеллектуальной деятельности на базе экспертных систем в области медицины [11, 12].
2 Слияние медицинских данных на основе онтологий
Конкретизируем предложенный подход, основанный на реализации ГОЬ модели. Для этого:
1) уточним каждый из функциональных уровней .ГОЬ модели слияния данных применительно к медицинской области;
2) определим место онтологий в процессе слияния данных.
На рисунке 1 представлена уточнённая модель слияния данных. На первом уровне получают слабоструктурированные и слабосвязанные данные: результаты анализов и диагностических процедур, заключения, дневники врачей и т. п. Данные могут поступать из реляционных баз данных, браться из файлов.
На втором уровне из слабоструктурированных данных извлекают отдельные термины и числовые данные. Например, названия назначенных лекарств, поставленный основной диа-
1 OBO Foundry - http://www.obofoundry.org/
2 BioPortal, the world's most comprehensive repository of biomedical ontologies - https://bioportal.bioontology.org/
гноз, перечень сопутствующих диагнозов, числовые показатели параметров крови. К каждому формату данных должны применяться подходящие методы.
На третьем уровне - построение ситуации - связывают извлечённые термины и данные с понятиями собственных и сторонних онтологий. Например, диагноз пациента можно привязать к соответствующему понятию из Международного классификатора болезней. Под ситуацией будем понимать множество взаимосвязанных данных, ассоциированных с конкретным пациентом.
На четверном уровне полученная ситуация используется для порождения нового знания. Например, используя онтологическое описание воздействия лекарства на течение болезни, можно спрогнозировать последствия приёма лекарства конкретным пациентом. На этом этапе могут быть использованы запросы к онтологиям, логический вывод, продукционные системы.
На пятом уровне отображают результаты двух предыдущих уровней пользователю в форме таблиц, графов, диаграмм, функциональных зависимостей.
Рисунок 1 - Расширенная модель слияния медицинских данных
В представленной модели онтологии используются, начиная с третьего уровня. Путём аннотирования данные привязываются к элементам онтологии. Существующие между понятиями онтологии связи позволяют связать разрозненные данные. На четвёртом уровне установленные связи используются для получения новых знаний. На последнем уровне на основе онтологий строятся графические преставления.
3 Проверка предложенного подхода
Для проверки подхода подготовлен и реализован упрощённый сценарий поиска взаимодействия лекарств, назначенных пациенту. Сам сценарий подготовлен в интересах СевероЗападного федерального медицинского исследовательского центра имени В. А. Алмазова как демонстрация возможностей технологий семантической сети. Цель проверки заключается в решении следующих задач:
■ определить перечень инструментов и операций для реализации каждого уровня;
■ выявить возможные проблемы;
■ наметить пути дальнейшего развития подхода.
3.1 Описание сценария
Упрощённый сквозной сценарий разделён на этапы, каждый из которых соответствует уровню JDL модели (см. рисунок 2).
На первом этапе получают файл в формате CSV (Comma Separated Values — значения, разделённые запятыми). Файл представляет собой таблицу с заголовком. Каждому пациенту соответствует несколько строк. Строки состоят из нескольких блоков неструктурированного текста. В сценарии используются блок текста истории болезни, содержащий поставленный диагноз, и блок рекомендаций, содержащий перечисление назначенных лекарств.
На втором этапе из блоков сначала извлекаются фрагменты текста, после чего из фрагментов извлекаются интересующие термины - названия лекарств и диагнозы.
На третьем этапе выполняется связывание извлечённых терминов с понятиями онтоло-гий. Используются как собственные, так и сторонние онтологии.
На четвёртом этапе формируется и выполняется SPARQL-запрос на поиск лекарств, которые могут вступить во взаимодействие.
На пятом этапе строится граф взаимодействия лекарств, предписанных одному конкретному пациенту.
Помимо перечисленных этапов введён предварительный этап, на котором строятся собственные онтологии.
Рисунок 2 - Модель сценария слияния данных
3.2 Используемые инструменты
Для построения процесса слияния данных были использованы следующие инструменты:
OpenRefine3 - приложение для преобразования данных из одного формата в другой. Данные представляются в форме электронных таблиц. Для работы с RDF устанавливается специальное расширение. Расширение позволяет проводить автоматическое связывание данных с элементами выбранной онтологии и экспорт данных в формате RDF. Инструмент используется на втором и третьем этапах.
Blazegraph4 - графовая база данных. Поддерживает работу с RDF и SPARQL. Позволяет организовать SPARQL-endpoint - точку доступа для удалённого получения данных с помощью SPARQL запросов. Используется на всех этапах, начиная с третьего.
3 OpenRefine - http://openrefine.org/
4 Blazegraph Database - https://wiki.blazegraph.com/wiki/index.php/Main_Page
Metaphactoiy5 - каркас для построения веб-приложений. Особенностью данного каркаса является формирование HTML-страниц на базе SPARQL-запросов. Каждая страница строится на основе фрагмента кода, включающего запрос и отображение результатов запроса на элементы графического интерфейса. Запросы выполняются к привязанной к каркасу базе Blazegraph через механизм SPARQL-endpoint. Используется на пятом этапе согласно рисунку 2.
TopBraid6 - редактор онтологий на основе платформы Eclipse7. Поддерживает логический вывод, выполнение SPARQL-запросов, совместную разработку онтологий. Используется на предварительном этапе для построения собственных онтологий.
Схема совместного использования инструментов представлена на рисунке 3.
Понятия онтологий 5РАВД_ запросы
Рисунок 3 - Схема совместного использования инструментов
Перейдем к описанию отдельных этапов сценария.
3.3 Онтологии
В основе предлагаемого подхода лежит использование онтологий. Используются как собственные онтологии, так и сторонние. Собственные онтологии представляют единую модель, которая позволяет объединить разрозненные данные и отдельные сторонние онтологии. Собственные онтологии организованы в иерархию (см. рисунок 4) и разделены на два множества - метаонтологии и конкретные онтологии. Метаонтологии содержат общие понятия. Конкретные онтологии содержат медицинские данные, аннотированные элементами метаон-тологий. Такое разделение позволяет отделить данные от общих понятий и открыто распространять последние.
Онтология Hospital объединяет все метаонтологии и представляет собой онтологию для медицинского учреждения. Онтология Diagnostics содержит понятия для аннотирования результатов различных исследований. В частности, онтология Echocardiography расширяет онтологию Diagnostics понятиями, специфическими для эхокардиографического исследования. Онтология Disease включает понятия для описания болезней. Её расширяет онтология лекарств - MedicineTreatment.
На рисунке 5 представлен фрагмент, объединяющий несколько метаонтологий. Граф визуализирован с помощью средства визуализации онтологий Ontodia8. В качестве источника данных использован SPARQL-endpoint на основе базы Blazegraph. Отметим, что названия
5 Metaphactory - http://www.metaphacts.com/
6 Topbraid editor - http://www.topquadrant.com/products/
7 The Eclipse Foundation - https://eclipse.org/
8 Ontodia toolkit - http://www.ontodia.org/
конкретных болезней и лекарств были извлечены из конкретных данных и включены в состав метаонтологии, так как они относятся к общим понятиям.
Рисунок 4 - Иерархия онтологий
Рисунок 5 - Фрагмент метаонтологии
В качестве сторонних онтологий были использованы онтология Международной классификации болезней9 в 10 редакции и Онтология взаимодействия лекарств10. Упомянутые онтологии используется на следующих этапах:
■ на третьем уровне для аннотирования извлечённых терминов;
■ на четвёртом уровне для поиска возможных взаимодействий лекарств;
■ на пятом уровне для подготовки пользовательских представлений.
9 ICD10CM ontology - http://bioportal.bioontology.org/ontologies/ICD10CM
10 The Drug-Drug Interactions Ontology - https://bioportal.bioontology.org/ontologies/DINTO
3.4 Извлечение терминов
На рисунке 6 представлены этапы извлечения названий отдельных лекарств из фрагмента текста. Каждый фрагмент содержит рекомендации для одного пациента в части медикаментозного лечения. В результате обработки фрагмента получаем список лекарств, которые ему назначены.
Медикаментозно лечение Бисопоолол 5мг"1 раз утром Ин.пяпямйл-петяпл 1,5мг*1раз утром Валсартан ( Вала.
ВапгяиюЧ_
160мг*2раза утром и RR4 кяпли-
яск1 ГПмП раз в день Миксонидин i
йшдаа
),Дмг*1раз вечером Амлодипин : 10 мг однократно вечером Аторвастатин f Аторис) 10мг*1 раз вечером, под контролем АЛТ, ACT, КФК, билирубин общ., холестерин общ. 1 раз в три месяца
а) Исходный фрагмент
Бисопролол С 3
Индапамид-ретард Валсартан Валз
Валсакор
Кардп-аск
Моксонидин
Физиотенз
Амлодипин
Аторвастатин
Аторис
б) Извлеченные названия
Medicine
change
} choices Sort by: name count
Аскорутин : Аспикор : Аспирин-кардио : Аторвастатин M Аторис B1
Ацетилсалициловая кислота 2
111
пш
Values in Cluster
I Валсакор > Валсакор H
Merge? New Cell Value
Валсакор
0 Бисonролол
1 Индапамид-ретард Валсартан Валз
Валсакор Карди-аск Моксонидин Физиотенз 0 Амлодипин 9 Аторвастатин 10 Аторис
♦ Бисопропол .: ; н Бисопропол
* бисопропол
в) Словарь лекарств и унификация названий
г) Нумерация лекарств
Рисунок 6 - Извлечение названий лекарств
На рисунке 6а представлен фрагмент текста, в котором выделяемые названия подчёркнуты красным. Названия извлекаются из текста с помощью операций на основе регулярных выражений, разделения и объединения данных (split, join) [13]. В результате получаем список - рисунок 6б. По извлечённым для всех пациентов названиям строится словарь лекарств - рисунок 6в (верхнее окно). Встроенные в OpenRefine методы кластеризации позволяют провести ограниченную унификацию элементов словаря - рисунок 6в (нижнее окно). В частности, унифицировать названия лекарств, написанных с прописной и строчной буквы. На последнем шаге (рисунок 6г), список назначенных лекарств нумеруется. В дальнейшем это позволит для каждого лекарства сформировать уникальный идентификатор назначения. Помимо названий лекарств из данных также извлекался основной диагноз. На данном этапе используется инструмент OpenRefine. Результатом выполнения операции в OpenRefine является либо модификация исходных столбцов, либо расширение исходной таблицы. Например, пронумерованный список лекарств по каждому пациенту сохранялся в новом столбце.
3.5 Связывание извлечённых терминов с понятиями онтологий
Уровень связывания данных включает два последовательных шага:
1) связывание отдельных понятий с понятиями из собственных и сторонних онтологий;
2) аннотирование данных понятиями собственных онтологий и экспорт конкретной онтологии, т.е. онтологии содержащей конкретные данные.
На этом этапе используется OpenRefine. Инструмент предлагает два механизма для связывания данных. Первый механизм - это механизм автоматического связывания (reconciling). Для его использования в OpenRefine регистрируется внешний источник данных (рисунок 7): ■ указывается адрес SPARQL-endpoint (онтология, с понятиями которой будут связываться данные, должна быть доступна по этому адресу);
■ выбираются и/или задаются свойства онтологии, которые будут просматриваться при
связывании.
Рисунок 7 - Регистрация внешнего источника данных
Далее для выбранного столбца данных запускается операция автоматического связывания. В ходе этого процесса инструмент пытается подобрать для каждого элемента столбца элемент из онтологии.
На рисунке 8 представлен фрагмент результата связывания названий лекарств, выделенных на предыдущем этапе, и понятий из Онтологии взаимодействия лекарств. Как видно, из трёх лекарств только для двух было найдено понятие в онтологии.
▼ Medicine пате ▼ Medication engiish name @ LinkOnD2D
Бисопролол Bisoprolol http://pu rl. obol 1 brary. org
Choose new match /obo/СН EBI3127
Индапамид- Indapamide retard
ретард @ gj Create new topic
Search for match
Валсартан valsartan Choose new match http://pu rl. obol I brary. org /obo/СН EBI_9927
Рисунок 8 - Фрагмент результата связывания названий лекарств
Для использования Онтологии взаимодействия лекарств русскоязычные названия извлечённых лекарств (точнее, торговых марок) были переведены на английский язык с помощью онлайн-справочника11. Для связывания извлечённых названий лекарств с понятиями онтологии использовались свойства онтологии, которые задают названия действующего вещества (DBname), торговых марок (DBBrand) и синонимы действующих веществ (DBSynonym) - см. рисунок 7, поле Other. Данный механизм также был использован для связывания выделенных диагнозов с элементами онтологии Международной классификации болезней.
Реестр лекарственных средств России - https://www.rlsnet.ru/
Второй механизм позволяет привязывать данные к строго заданным понятиям онтологии. Для этого на основе выделенных терминов составляется SPARQL-запрос к SPARQL-endpoint, в которую предварительно загружается онтология. Полученный от сервиса результат в формате JSON-строки (JavaScript Object Notation) сохраняется в отдельном столбце. Встроенными в OpenRefine средствами синтаксического разбора из неё извлекаются нужные данные и помещаются в новый столбец.
На втором шаге данные аннотируются понятиями собственной онтологии. Для этого средствами OpenRefine строится схема (RDF Skeleton) отображения колонок с данными на понятия выбранной онтологии - рисунок 9. Данная схема используется для сохранения данных в формате RDF, иными словами, для аннотированных данных. Каждая строка такой схемы представляет собой тройку: субъект-предикат-объект. Например, в первой строке рисунка 9 указано, что регистрационный номер пациента «Рег.№» представляет собой URI, который через свойство rdf:type связан с классом Patient онтологии Hospital.
Add another root node
Рисунок 9 - Схема отображения данных на понятия онтологии
Для установления связи с онтологией взаимодействия лекарств формируется три строки схемы отображения (см. рисунок 9). Каждая строка описывает одну тройку. Для всех троек задан один общий субъект - OWL класс, идентификатор для которого строится по русскоязычному названию лекарства (см. рисунок 9-1):
1) В первой строке (рисунок 9-2) задаётся тройка, в которой указывается, что созданный класс лекарства является дочерним классом класса Medicine. Множество таких дочерних классов образует словарь лекарств, сформированный на базе конкретных данных. Словарь включается в метаонтологию MedicineTreatment.
2) Вторая строка задаёт англоязычное название для класса лекарства (рисунок 9-3). Используется отношение rdfs:label.
3) Третьей строкой задаётся тройка, которая привязывает класс лекарства к классам сторонней онтологии через отношение owl:sameAs (рисунок 9-4). Понятия сторонней онтологии после проведения автоматического связывания содержатся в отдельном столбце (см. рисунок 8).
Отображение формирует собственный словарь лекарств, часть элементов которого связана со сторонней онтологией.
На основе построенной схемы отображения генерируется онтология, которая содержит конкретные данные, проаннотированные понятиями выбранной метаонтологии.
3.6 Поиск взаимодействующих лекарств
Возможность поиска обеспечена привязкой назначенных пациенту лекарств к элементам Онтологии взаимодействия лекарств. В последней между отдельными лекарствами установлено отношение «may interact with».
Результат запроса представлен на рисунке 10 в виде графа (регистрационный номер пациента закрашен), построенного с помощью каркаса Metaphactory. Для наглядности граф построен для одного пациента.
metaphacts sparqi
О
Account » Ф 0
<® i if
Simvastatin
rcf:type
medicine
^^^^ m^ interact with ^^^^
simvastatin amiodarone
may nteract wth
Synonym
medicine
hasPrescription
_5
«»Prescription
medicine
fiasPrescripdor
rdf type
[Пациент]
medicine
Cordarone 7
Verospiron
rcf type
synmym Losarían
spironolactone,,
(MísameAs D6B rana
1 J.^iterad wíh
Рисунок 10 - Пример найденного возможного взаимодействия лекарств
Свойством hasPrescription пациент связан с объектом, представляющим собой назначение препарата. Для каждого объекта назначения задан класс лекарственного препарата, взятый из онтологии MedicineTreatment. Класс лекарственного препарата связан свойством owl:sameAs с элементом Онтологии взаимодействия лекарств.
В частности, установлено, что среди прописанных пациенту лекарств могут взаимодействовать две пары: Симвастатин (Simvastatin) - Кордарон (Cordarone) и Верошпирон (Verospiron) - Лозартан (Losartan). Стоит обратить внимание, что взаимодействие Верошпирона (торговая марка) установлено через действующее вещество Спиронолактон (Spironolactone). Как отмечено в п.3.5, это возможно благодаря тому, что в Онтологии взаимодействия лекарств для торговых марок указаны соответствующие действующие вещества.
Для отображения графа использовался Metaphactory. Граф строится с использованием специализированного скриптового языка. Фрагмент кода, описывающий структуру и отображение графа, включает две части:
■ SPARQL-запрос для выбора взаимодействующих лекарств, предписанных заданному пациенту;
■ описание, по которому результаты запроса отображаются на элементы графического интерфейса.
3.7 Представление данных пользователю
Кроме представленного в предыдущем разделе графа, возможны и иные графические представления. Например, на рисунке 11 представлена таблица пациентов, где каждому пациенту сопоставлен диагноз из Международного классификатора болезней._
metaphacts "a-q Account- О ©
<s> S
Filter Results
Patient Diagnosis Type Diagnosis Code Diagnosis Description
Patient Диагноз_выписки_основной <http://purl.bioontology.Org/ontology/ICD10CM/l25.2> Перенесенный в прошлом инфаркт миокарда
Patient Диагноз_уточненный_основной <http://purl.bioontology.org/ontology/ICD10CM/I25.1 > Атеросклеротическая болезнь сердца
Patient Диагноз_уточненный_основной <http://purl.bioontology.Org/ontology/ICD10CM/l20.S> Другие формы стенокардии
Patient Диагноз_уточненный_основной <http://purl.bioontology.Org/ontology/ICD10CM/l20.8> Другие формы стенокардии
Patient Диагноз_уточненный_основной <http://purl.bioontology.Org/ontology/ICD10CM/l20.8> Другие формы стенокардии
Patient Диагноз_уточненный_основной <http://purl.bioontology.org/ontology/ICD1 ОСМ/115.8> Другая вторичная гипертензия
Patient Диагноз_уточненный_основной -=http://purl.biaantology.org/ontology/ICDl 0CM/I25.2> Перенесенный в прошлом инфаркт миокарда
Patient Диагноз_уточненный_основной <http://purl.bioontology.org/ontology/ICD10CM/l48> Фибрилляция и трепетание предсердий
Patient Диагноз_уточненный_сопутствующий <http://purl.bioontology.org/ontology/ICD1 ОСМ/144.1 > Предсердно-желудочковая блокада второй степени
Patient Диагноз_уточненный_основной <http://purl.bioontology.Org/ontology/ICD10CM/l20.8> Другие формы стенокардии
2 3 4 5 6 7
9 'О
Рисунок 11 - Таблица диагнозов пациентов
На рисунке 12 представлена сводная диаграмма, отражающая частоту назначения отдельных лекарств в рамках отдельного учреждения (в объеме предоставленных данных).
metaphacts
«> s
IIIIIII
я Р
i / tí -í
/ /
Medicine
Рисунок 12 - Диаграмма частоты назначения лекарств
Заключение
Представлен подход к совместному использованию онтологий и JDL модели слияния данных. Подход проиллюстрирован на примере сценария поиска взаимодействующих лекарств. Онтологии позволили: формально описать фрагмент ПрО; аннотировать в терминах ПрО медицинские данные; связать данные между собой и со сторонними онтологиями; получить на основе связанных данных дополнительную информацию - пары взаимодействующих лекарств. Модель слияния данных использована в качестве общей схемы, определяющей уровни процесса обработки и их взаимосвязь.
Даны источники открытых медицинских онтологий и представлены варианты использования некоторых из них. Описаны варианты использования инструментов для подготовки данных и онтологий, хранения и отображения онтологий.
При реализации сценария выявлен ряд затруднений. Значительных усилий потребовало выделение названий лекарств, их унификация и перевод на английский язык. Использовать английские названия необходимо для совместимости со сторонними онтологиями. Кроме того, использование русскоязычных идентификаторов онтологических сущностей приводило к ошибкам в работе используемых инструментов.
Развитие представленного сценария может пойти по нескольким направлениям: автоматизация процесса слияния данных, анализ и включение дополнительных сторонних медицинских онтологий, расширение представленного сценария.
Предложенный подход является перспективной основой для реализации процессов слияния данных и знаний в рамках МИС.
Список источников
[1] Лушнов, АМ. Медицинские информационные системы: многомерный анализ медицинских и экологических данных / А.М. Лушнов, М.С. Лушнов. - Санкт-Петербург, «Геликон Плюс», 2013 - 460 с.
[2] Foo P.H., Ng G.W. High-level Information Fusion: An Overview // J. Adv. Inf. Fusion. - 2013. - Vol. 8. - №. 1. -С. 33-72.
[3] Steinberg A.N., Bowman C.L. Revisions to the JDL Data Fusion Model / Llinas J., Hall D.L., Liggins M.E. (ed.). Handbook of Multisensor Data Fusion: Theory and Practice. - CRC Press, 2009. - P. 44-67.
[4] Bowman C.L., Steinberg A.N. Systems Engineering Approach for Implementing Data Fusion Systems / Llinas J., Hall D. L., Liggins M. E. (ed.). Handbook of Multisensor Data Fusion: Theory and Practice. - CRC Press, 2009. -P. 561-596.
[5] Lushnov, M. Medical knowledge representation for evaluation of patient's state using complex indicators / M. Lushnov, V. Kudashov, A. Vodyaho, M. Lapaev, N. Zhukova, D. Korobov // International Conference on Knowledge Engineering and the Semantic Web. - Springer International Publishing, 2016. - P. 344-359.
[6] Rodrigues, J.J. (ed.) Health Information Systems: Concepts, Methodologies, Tools and Applications / J.J. Rodrigues, B. Vaidya // Health Information Systems: Concepts, Methodologies, Tools and Applications - IGI Global, 2009. - Vol.1.
[7] Parry, D. Healthcare Information Systems and the Semantic Web / D. Parry // Health Information Systems: Concepts, Methodologies, Tools and Applications - IGI Global, 2009. - Vol. 1. - P. 178-184.
[8] Simonet, M. Ontologies in the Health Field / M. Simonet, R. Messai, G. Diallo, A. Simonet // Health Information Systems: Concepts, Methodologies, Tools and Applications - IGI Global, 2009. - Vol. 1. - P. 185-203.
[9] Lushnov, M. Medical text processing for SMDA project / M. Lushnov, T. Safin, M. Lapaev, N. Zhukova // CEUR Workshop Proceedings. 2016. - Vol. 1613. - P. 1-13.
[10] Poulymenopoulou, М. A LOD-Based Service for Extracting Linked Open Emergency Healthcare Data / M. Poulymenopoulou, F. Malamateniou, G. Vassilacopoulos // International Conference on Bioinformatics and Biomedical Engineering. - Springer International Publishing, 2015. - P. 85-92.
[11] Клещев, А.С. Парадигма автоматизации интеллектуальной профессиональной деятельности. Часть 1. Особенности интеллектуальной профессиональной деятельности / А.С. Клещев, М.Ю. Черняховская, Е.А. Шалфеева // Онтология проектирования. 2013. №3(9). - С. 53-69.
[12] Клещев, А.С. Парадигма автоматизации интеллектуальной профессиональной деятельности. Часть 2. Автоматизация отрасли / А.С. Клещев, М.Ю. Черняховская, Е.А. Шалфеева // Онтология проектирования. 2013. №4(10). - С. 28-41.
[13] Verborgh, V. Widle, M. D. Using OpenRefine. -Birmingham, Packt Publishing Ltd., 2013 - 114 p.
ONTOLOGY-DRIVEN APPROACH TO MEDICAL DATA FUSION
S.V. Lebedev1, N.A. Zhukova2
1Saint Petersburg Electrotechnical University "LETI", Saint Petersburg, Russia
lebedev.sv. etu @gmail. com
2ITMO University, Saint Petersburg, Russia nazhukova@mail.ru
Abstract
A large volume of operational and statistical data has been stored within medical information system databases. The stored data represents a loosely-coupled and semi-structured clump. To increase information support of medical procedures it is necessary to implement data linking processes into the medical information systems. The aforementioned processes should be able to collect data from diverse sources and produce a linked view that can be used for medical evaluation, planning, etc. To solve this problem, an approach based on JDL (Joint Directors of Laboratories) data fusion model and ontologies is presented. JDL model defines functional levels of data fusion and their interconnections. Ontologies are used to set links between data and knowledge. To specify and evaluate the proposed approach, a simplified scenario is constructed. The scenario was prepared for the Federal Almazov North-West Medical Research Center. The proposed scenario includes the following actions: extraction of a list of drugs and diagnosis from semi-structured data; annotation of extracted data using author's ontology and third-party ontologies; revealing interacting drugs that are prescribed to a patient; data representation. The scenario shows that ontology-driven data fusion approach has a great potential for linking data and knowledge within medical information systems. It helps to detail each level of data fusion, reveal problems that need further research and describe use cases for Semantic Web instruments.
Key words: data fusion model, ontology, medical information system, Linked Open Data.
Citation: Lebedev SV, Zhukova NA. Ontology-driven approach to medical data fusion. Ontology of designing, 2017; 7(2): 145-159. DOI: 10.18287/2223-9537-2017-7-2-145-159.
References
[1] Lushnov AM, LushnovMS. Medical Information Systems: multidimensional medical and ecological data analysis [In Russian] - Saint-Petersburg, «Helicon Plus», 2013 - 460 pp.
[2] Foo PH, Ng GW. High-level Information Fusion: An Overview. J. Adv. Inf. Fusion. - 2013. - Vol. 8 (1). - P 3372.
[3] Steinberg AN, Bowman CL. Revisions to the JDL Data Fusion Model. Llinas J., Hall D. L., Liggins M. E. (ed.). Handbook of Multisensor Data Fusion: Theory and Practice. - CRC Press, 2009. - P. 44-67.
[4] Bowman CL, Steinberg AN. Systems Engineering Approach for Implementing Data Fusion Systems. Llinas J., Hall D. L., Liggins M. E. (ed.). Handbook of Multisensor Data Fusion: Theory and Practice. - CRC Press, 2009. -P. 561-596.
[5] Lushnov M, Kudashov V, Vodyaho A, Lapaev M, Zhukova N, Korobov D. Medical knowledge representation for evaluation of patient's state using complex indicators. International Conference on Knowledge Engineering and the Semantic Web. - Springer International Publishing, 2016. - P. 344-359.
[6] Rodrigues JJ (ed.), Vaidya B. Health Information Systems: Concepts, Methodologies, Tools and Applications -IGI Global, 2009. - Vol.1.
[7] Parry D. Healthcare Information Systems and the Semantic Web. Health Information Systems: Concepts, Methodologies, Tools and Applications - IGI Global, 2009. - Vol. 1. - P. 178-184.
[8] Simonet M, Simonet M, Messai R, Diallo G, Simonet A. Ontologies in the Health Field. Health Information Systems: Concepts, Methodologies, Tools and Applications - IGI Global, 2009. - Vol. 1. - P. 185-203.
[9] Lushnov M, Safin T, Lapaev M, Zhukova N. Medical text processing for SMDA project. CEUR Workshop Proceedings. 2016. - Vol. 1613. - P. 1-13.
[10] Poulymenopoulou М, Malamateniou F, Vassilacopoulos G. A LOD-Based Service for Extracting Linked Open Emergency Healthcare Data. International Conference on Bioinformatics and Biomedical Engineering. - Springer International Publishing, 2015. - P. 85-92.
[11] Kleshhev A.S., Chernyahovskaya E.A., Shalfeeva E.A. Paradigm of intellectual professional activity automation. Part 1. Features of intellectual professional activity [In Russian]. Ontology of designing. - No. 3(9). - 2013. - pp. 63-69.
[12] Kleshhev A.S., Chernyahovskaya E.A., Shalfeeva E.A. Paradigm of intellectual professional activity automation. Part 2. Features of intellectual professional activity [In Russian]. Ontology of designing. - No. 4(10). - 2013. - pp. 28-41.
[13] Verborgh, V. Widle, M. D. Using OpenRefine. -Birmingham, Packt Publishing Ltd., 2013 - 114 p.
Сведения об авторах
Лебедев Сергей Вячеславович, 1984 г. рождения. Окончил Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И. Ульянова (Ленина) (СПбГЭТУ ЛЭТИ) в 2010 году. Ассистент кафедры вычислительной техники СПбГЭТУ ЛЭТИ. В списке научных трудов более 10 работ в области многоагентных систем и технологий семантического Web.
Lebedev Sergey Vyacheslavovich (b. 1984) graduated from the Saint Petersburg Electrotech-nical University "LETI" (ETU) in 2010. He is an assistant at ETU (Department of Computer Science and Engineering). He is co-author of more than 10 publications in the field of multiagent systems and semantic web technologies.
Жукова Наталья Александровна, 1983 г. рождения. Окончила Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И. Ульянова (Ленина) (СПбГЭТУ ЛЭТИ) в 2006 году, к.т.н. (2008). Доцент кафедры математического обеспечения ЭВМ СПбГЭТУ ЛЭТИ и кафедры информатики и прикладной математики Санкт-Петербургского национального исследовательского университета информационных технологий, механики и оптики. В списке научных трудов более 20 работ в области обработки и анализа данных.
Zhukova Nataly Alexandrovna (b. 1983) graduated from the Saint Petersburg Electrotechnical University "LETI" (ETU) in 2006. Ph.D (2008), Associate Professor, ETU and ITMO University. She is co-author of more than 20 publications in the field of data processing and analyses.
