Артем Андреевич Комков — кандидат медицинских наук, старший научный сотрудник лаборатории рентгенэндоваскулярных методов диагностики и лечения, врач по РЭВДиЛ, врач-кардиолог.
Москва
Moscow
Владимир Павлович Мазаев — доктор медицинских наук, профессор, руководитель лаборатории рентгенэндоваскулярных методов диагностики и лечения.
Москва
Moscow
Светлана Васильевна Рязанова — кандидат медицинских наук, старший научный сотрудник лаборатории рентгенэндоваскулярных методов диагностики и лечения, врач-кардиолог.
Москва
Moscow
Антон Александрович Кобак — главный разработчик.
Москва
Saint-Petersburg
Екатерина Вячеславовна Базаева — кандидат медицинских наук, научный сотрудник отдела нарушений сердечного ритма и проводимости, врач-кардиолог.
Москва
Moscow
Денис Николаевич Самочатов — кандидат медицинских наук, заведующий отделением рентгенохирургических методов диагностики и лечения, врач по РЭВДиЛ.
Москва
Moscow
Екатерина Виленовна Кошкина — кандидат медицинских наук, заведующий 3 отделением анестезиологии-реанимации, врач-кардиолог.
Москва
Moscow
Елена Викторовна Бушуева — заведующий отделением кардиологии № 3, врач-кардиолог.
Москва
Moscow
Оксана Михайловна Драпкина — доктор медицинских наук, профессор, академик РАН, директор.
Москва
Moscow
Развитие новых технологий с применением элементов искусственного интеллекта (ИИ) в медицине обращено к практическому клиническому внедрению и обеспечению ключевых вопросов, включая усовершенствование в использовании рутинных клинических данных, направленных на практическую значимость, стандартизацию, конфиденциальность и безопасность пациентов.
Цель. Оценить эффективность медицинской информационной системы (МИС) RuPatient в реальной клинической практике для извлечения и структурирования медицинских данных.
Материал и методы. Извлечение и распознавание данных с применением МИС из различных источников: амбулаторных карт, выписок, рутинных медицинских заключений, эпикризов и прочей структурированной и неструктурированной медицинской информации на основе разработанной технологии интеллектуальной аналитики текста, оптического распознавания знаков, по заданным словам и фразам, и применения элементов машинного обучения. Частным критерием оценки эффективности МИС использовано время, затраченное на заполнение электронных медицинских карт по сравнению с реальной клинической практикой.
Результаты. Время внесения и обработки информации системой распознавания медицинской документации, входящей в МИС RuPatient, было короче, чем при стандартной практике (20,3±1,4 vs 25,1±1,5 мин, p<0,001), среднее время распознавания документов составило 30±4,3 сек. При ROC-анализе определено, что пороговое значение, которое позволяет с высокой точностью распознавать изображения выписных эпикризов с помощью системы RuPatient, составило 83,5% со значением площади под кривой 0,76.
Заключение. Разработанная МИС RuPatient имеет модуль распознавания медицинской документации для создания структурированных данных на основе элементов технологий ИИ может использоваться как необходимый элемент при создании электронной истории болезни и накоплению структурированных данных для реализации задач по практическому и научному использованию больших данных и проектов ИИ в медицине. При использовании системы RuPatient может быть снижена нагрузка на медперсонал при выполнении документооборота и упрощен доступ к первичной медицинской информации.
The development of novel technologies using elements of artificial intelligence (AI) in medicine is addressed to practical clinical implementation and provision of key issues, including improvement in the use of routine clinical data, aimed at practical relevance, standardization, confidentiality and patient safety.
Aim. To evaluate the effectiveness of the RuPatient electronic heart record (EHR) system in real clinical practice for extracting and structuring medical data.
Material and methods. Extraction and recognition of data using EHR from various following sources: outpatient records, statements, routine medical reports, epicrisis and other structured and unstructured medical information based on the developed technology of intelligent text analytics, optical character recognition, for specified words and phrases, and the use of machine learning elements. A particular criterion for evaluating the effectiveness of EHR is the time spent on filling out electronic medical records compared to real clinical practice.
Results. The time of entering and processing information by the recognition system of medical documentation included in the RuPatient EHR was shorter than in standard practice (20,3±1,4 minutes, 25,1±1,5 minutes, respectively, p<0,001), the average time of recognition of documents was 30±4,3 seconds. During the ROC analysis, we determined that the threshold value that allows high accuracy to recognize images of discharge epicrisis using the RuPatient system was 83,5% with an area under the curve (AUC) value of 0,76.
Conclusions. The developed RuPatient EHR has a medical documentation recognition module for creating structured data based on AI technology elements and can be used in creating an electronic medical history and accumulation of structured data for the implementation of tasks for the practical and scientific use of big data and AI projects in medicine. When using the RuPatient system, the burden on medical staff during document management can be reduced and access to primary medical information simplified.
The authors declare that there are no conflicts of interest present.