Первое исследование медицинской информационной системы RuPatient по автоматическому распознаванию медицинской документации на основе “машинного обучения”

Медицинская информационная система (МИС) RuPatient представляет собой компьютерную программу, состоящую из веб-интерфейса пользователя “врач-пациент”, который включает алгоритмы распознавания текста медицинской документации и занесения распознанного текста в соответствующие поля системы.

Цель. Оценить эффективность МИС RuPatient в реальной клинической практике.

Материал и методы. В исследовании участвовало 10 врачей-кар-диологов и анестезиологов-реаниматологов отделения кардиологии и кардиореанимации ГКБ 67 им. Л. А. Ворохобова ДЗМ. Были проанализированы изображения (скан-копии, фотографии) выписных эпикризов от пациентов, поступивших в соответствующие отделения в 2021г. Выполнялось распознавание следующих полей медицинской документации: Фамилия Имя Отчество, Жалобы, Анамнез жизни, Анамнез заболевания, Осмотр, Назначения и Рекомендации. Анализировались правильность и точность распознавания занесенной информации. Проводилось сравнение качества распознавания нейросетевых алгоритмов МИС RuPatient на основе “машинного обучения” и популярной программы для распознавания текстов для персонального компьютера (FineReader для Mac) в нахождении (не)критических ошибок в словах для последующего программного анализа текста.

Результаты. В исследование было включено: 77 страниц выписных эпикризов пациентов из различных стационаров России от 50 пациентов (52% мужчин). Средний возраст пациентов составил 57,7±7,9 лет. Количество выписок с правильно распознанными полями по различным категориям с помощью алгоритмов программы распределились следующим образом: Фамилия Имя Отчество 14 (28%), Диагноз 13 (26%), Жалобы 40 (80%), Анамнез 14 (28%), Общее состояние (осмотр) 24 (48%), Назначения и Рекомендации 46 (92%). Данные, не входившие в рубрику категории, также были распознаны и заносились в поле как комментарии. Количество распознанных слов 549±174,9 и 522,4±215,6 (p=0,5), критические ошибки в словах 2,1±1,6 и 4,4±2,8 (p<0,001), некритические ошибки в словах 10,3±4,3 и 5,6±3,3 (p<0,001) для МИС RuPatient и программы для распознавания текстов для персонального компьютера, соответственно.

Заключение. Разработанная МИС RuPatient, включающая модуль распознавания медицинской документации и внесения данных в соответствующие поля МИС, в значительной степени повышает эффективность документооборота за счет качества распознавания алгоритмов на основе нейросетевых технологий и автоматизации процесса заполнения.

1. Halamka J. The Digital Reconstruction of Health Care. NEJM Catal. 2020;1(6):1-12. doi:10.1056/cat.20.0082.

2. Liu Y, Chen PHC, Krause J, et al. How to Read Articles That Use Machine Learning: Users’ Guides to the Medical Literature. JAMA. 2019;322(18):1806-16. doi:10.1001/jama.2019.16489.

3. Burnham JP, Lu C, Yaeger LH, et al. Using wearable technology to predict health outcomes: A literature review. J Am Med Inform Assoc. 2018;25(9):1221-7 doi:10.1093/jamia/ocy082.

4. Комков А.А., Мазаев В. П., Рязанова С. В. и др. Основные направления развития искусственного интеллекта в медицине. Научное обозрение. Медицинские науки. 2020;5:33-40. doi:10.17513/srms.1141.

5. Hosny A, Parmar C, Quackenbush J, et al. Artificial intelligence in radiology. Nat Rev Cancer. 2018;18(8):500-10. doi:10.1038/s41568-018-0016-5.

6. AI-Based Document Digitization in Healthcare — What’s Possible [Electronic resource]. Emerj. 2019. URL: https://emerj.com/ai-sector-overviews/document-digitization-healthcare. (01 Dec 2021).

7. Дудченко П. В. Распознавание требуемых данных в тексте медицинских выписок. Прорывные научные исследования проблемы, закономерности, перспективы. Сборник статей XI международной научно-практической конференции. Пенза, 27 октября 2018 года. 2018:49-51. ISBN: 978-5-907135-19-2.

8. Москалев И. В., Кротова О. С., Хворова Л. А. Автоматизация процесса извлечения структурированных данных из неструктурированных медицинских выписок c применением технологий интеллектуального анализа текстов. Высокопроизводительные вычислительные системы и технологии. 2020;4(1):163-7.

9. Rudin RS, Friedberg MW, Shekelle P, et al. Getting Value From Electronic Health Records: Research Needed to Improve Practice. Ann Intern Med. 2020; 172(11):S130-6. doi:10.7326/M19-0878.

10. Evans RS. Electronic Health Records: Then, Now, and in the Future. Yearb Med Inform. 2016):S48-61. doi: 10.15265/IYS-2016-s006.