Анализ и оценка результатов оказания медицинской помощи больным с ишемической болезнью сердца по электронным данным о медицинских услугах

Цель. С помощью информационных технологий по электронным данным о медицинских услугах провести анализ и оценку стационарной и амбулаторной помощи при ишемической болезни сердца (ИБС) с разработкой и апробацией алгоритмов машинного обучения.

Материал и методы. По электронной базе данных единой государственной информационно-аналитической системы в сфере здравоохранения (ЕГИСЗ) с помощью информационных технологий за 2017г выделили 586 больных инфарктом миокарда (ИМ) в возрасте до 70 лет. Из них 349 больным проводилась реперфузионная терапия, а 237 – нет. У всех 586 больных определили летальные исходы, сроки госпитализации и длительность лечения в реанимационном отделении (РО). В постинфарктном периоде по электронным данным о медицинских услугах у 342 из 586 больных определили количество законченных амбулаторных случаев лечения, вызовы скорой медицинской помощи (СМП) и экстренные госпитализации по поводу ИБС. Кроме того, по данным ЕГИСЗ в постинфарктном периоде определили у больных по итогам года динамику сердечной недостаточности (СН) и функционального класса (ФК) стенокардии.

Результаты. У больных с реперфузионной терапией в сравнении с больными ИМ без нее определены достоверно меньшие сроки госпитализации: 13,17±0,17 vs 15,35±0,46 сут. и лечения в РО: 1,73±0,06 vs 2,56±0,29 сут., а также существенно меньшая (в 2,9 раза) летальность. В постинфарктном периоде между этими группами больных не было различий по количеству законченных случаев амбулаторного лечения ИБС и по вызовам СМП по поводу ИБС. Случаев экстренных госпитализаций в постинфарктном периоде было достоверно (в 1,4 раза) больше в группе больных, не получивших при ИМ реперфузионную терапию. В обеих группах больных в постинфарктном периоде на фоне амбулаторного лечения отмечалась положительная динамика по ФК стенокардии и стадии СН.

Заключение. Электронные персонифицированные данные о медицинских услугах являются информативным материалом для оценки результатов оказания стационарной и амбулаторной помощи больным ИБС. Выявление летальных исходов, определение сроков госпитализации и длительности лечения в РО, а также регистрацию вызовов СМП и экстренных госпитализаций, ФК стенокардии и стадии СН в постинфарктном периоде рационально считать алгоритмом для машинного обучения и компьютерного анализа результатов лечения больных ИБС.

1. Воробьева И.И., Васильева Е.Ю., Шпектор А.В. Оптимальная тактика амбулаторного ведения больных после перенесенного инфаркта миокарда. Креативная кардиология. 2010;4(2):40-51.

2. Steg PG, James SK, Atar D, et al. ESC Guidelines for the management of acute myocardial infarction in patients presenting with ST-segment elevation. Eur Heart J. 2012;33(20):2569-619. doi:10.1093/eurheartj/ehs215.

3. Armstrong PW. WEST Steering Committee. A comparison of pharmacologic therapy with/without timely coronary intervention vs. primary percutaneous intervention early after ST-elevation myocardial infarction: the WEST (Which Early ST-elevation myocardial infarction Therapy) study. Eur Heart J. 2006;27(13):1530-8. doi:10.1093/eurheartj/ehl088.

4. Moriel M, Matetzky S, Segev A, et al. Aspiration thrombectomy in patients with ST elevation myocardial infarction undergoing primary percutaneous coronary intervention (from the acute coronary syndrome israeli survey 2010). Am J Cardiol. 2014;113(5):809-14. doi:10.1016/j.amjcard.2013.11.032.

5. Braunwald E, Antman E, Beasely J, et al. ACC/AHA Guidelines for the Management of Patients With Unstable Angina and Non-ST-Segment Elevation Myocardial Infarction: Executive Summary and Recommendations. Circulation. 2000;102(10):1193-209. doi:10.1161/01.CIR.102.10.1193.

6. IT glossary: big data. Stamford, CT: Gartner; 2012 [cited 2020 Apr 5]. Available from: http://www.gartner.com/it-glossary/big-data/.

7. Loewen L, Roudsari A. Evidence for Busines Intelligence in Health Care: A Literature Review In: Randell R, Cornet R, McCowan C, et al. (Eds). Informatics for Health: Connected Citizen-Led Wellness and Population Health. Amsterdam: IOS Press BV, 2017:579-83. ISBN: 0926-9630. doi:10.3233/978-1-61499-753-5-579.

8. Weng SF, Reps J, Kai J, et al. Can machine-learning improve cardiovascular risk prediction using routine clinical data? PLOS One. 2017;12(4):e0174944. doi:10.1371/journal.pone.0174944.

9. White SE. A review of big data in health care: challenges and opportunities. Open Access Bioinformatics. 2014:6;13-8. doi:10.2147/OAB.S50519.

10. Tocci G, Ferrucci A, Guida P, et al. Use of Electronic Support for Implementing Global Cardiovascular Risk Management. High Blood Press Cardiovasc Prev. 2010;17(1):37-47. doi:10.2165/11311750-000000000-00000.

11. Гублер Е.В. Вычислительные методы анализа и распознавания патологических процессов. Л.: Медицина, 1978. 294 с.

12. Боровиков В.П. STATISTICA. Искусство анализа данных на компьютере: для профессионалов. 2-е изд. СПб.: Питер, 2003. 688 с. ISBN: 5-272-00078-1.