Применение программы интеллектуальной аналитики текста с бумажного носителя и сегментации по заданным параметрам в клинической практике

Введение

Развитие новых технологий с внедрением элементов искусственного интеллекта (ИИ) в медицине все больше обращено к практическому клиническому применению и обеспечению ключевых практических вопросов, включая усовершенствование в использовании рутинных клинических данных, для повышения практической значимости, стандартизации, конфиденциальности и безопасности пациентов [1].

В более широком плане улучшение лечения зависит от полноценной информации, необходимой для принятия решений и снижения вероятности медицинских ошибок [2].

Потенциал новых технологий далеко не реализован, и следует рассматривать внедрение простых доступных новых технологий на основе использования наблюдений и медицинских данных и их распознавание. При этом открытые базы данных будут иметь первостепенное значение для разработки и применения в моделях ИИ. Это позволит воспроизводить результаты, сравнивать точность различных методов и подходов и обосновывать научные выводы [3].

Цель — оценить эффективность медицинской информационной системы (МИС) RuPatient в реальной клинической практике для извлечения и структурирования медицинских данных.

Технологичное обеспечение

Веб-сервис RuPatient представляет собой МИС для медицинских учреждений с модулем аналитики на базе ИИ и продвинутым современным интерфейсом. Основной целью использования системы RuPatient является помощь медицинским специалистам в выполнении рутинных задач, в т.ч. с помощью стандартной процедуры анализа и внесения данных. Для реализации данной цели была создана МИС с модулем распознавания документации и функцией обмена данными непосредственно с пациентом при помощи встроенного чата.

Техническая часть разработки выполнена как набор программного обеспечения, состоящего из серверной и клиентской части. Доступ к сервису предоставляется из браузера, установленного на устройстве клиента. Серверная часть сервиса реализовывалась на языке программирования PHP версии 8.1. В качестве Backend (программно-аппаратная часть сервиса) фреймворка использовалась Symfony версии 6.1. На сервер устанавливалась операционная система Ubuntu версии 20.04. В качестве менеджера процессов использовалась PHP-fpm. В качестве веб-сервера использовалась NGINX. В качестве базы данных используется MySQL версии 5.8. Backend предоставляет REST API (программный интерфейс приложения), через которое с ним взаимодействовала клиентская часть сервиса. В качестве способа передачи данных использовалась HTTP запросы, данные передаются в формате JSON. Клиентская часть сервиса реализуется при помощи фреймворка ReactJS версии 18 и стандарта ECMAScript 9. Взаимодействие с сервером реализуется при помощи асинхронных запросов к API. В качестве менеджера пакетов используется npm актуальной версии. Для сборки клиентской части веб-сервиса используется WebPack версии 5.74.0.

Аналитический модуль печатной медицинской документации автоматизирует процесс работы врача с документами, распознавая текст и вставляя различные поля заключений в соответствующие поля веб-сервиса. Также добавлена возможность распознавания паспорта, полиса и страхового пенсионного свидетельства. Сервис распознавания работает в три этапа; на первом этапе происходит предобработка изображений при помощи алгоритмов, представленных в библиотеке OpenСV: кадрирование, увеличение кривых яркость-контрастность, подавление шумов. Далее изображение попадает в нейросеть детекции, для которой использовалась модель DBNet, которая определяет блоки текста на изображении. Для распознавания текста используется модель RobustScanner. Все модели представлены в открытом фреймворке MMOCR и обучались на специально подготовленных датасетах.

Разработанный прототип программного обеспечения веб-сервис RuPatient упрощает работу медперсонала в медицинских учреждениях за счет автоматизации и цифровизации работы с данными пациентов^{1 2}.

Материал и методы

Извлечение и распознавание данных с применением МИС проводилось из выписных эпикризов на основе разработанной технологии интеллектуальной аналитики текста, оптического распознавания знаков, по заданным словам и фразам, и применения элементов машинного обучения. В исследование включены две группы врачей стационара ГБУЗ ГКБ № 67 им. Л. А. Ворохобова ДЗМ: группа 1 обрабатывала выписные эпикризы и заполняла электронные медицинские карты (ЭМК) стандартным способом, группа 2 — использовала систему RuPateint (не менее 3 врачей в каждой группе). Врачи были обучены использованию системы распознавания RuPatient, после распознавания (группа 2), либо рутинным методом без использования системы распознавания (группа 1), данные заносились в ручном режиме в систему ЕМИАС (Единая медицинская информационно-аналитическая система). Использовались данные больных кардиологического профиля. Значительный эффект распознавания был получен при использовании модели оптического распознавания символов (ОРС) и машинного обучения, компьютерного зрения и нейросетей. Оценка качества распознаваемых изображений (наличие артефактов, достаточное разрешение, размытости и т.п.) осуществлялась специалистами после фотографирования/сканирования эпикризов, где за 100% принималось идеальное качество (отсутствие артефактов, высокое разрешение, отсутствие размытости и шума), 0% — плохое качество (много артефактов, шума, размытости, низкое разрешение).

Частным критерием оценки эффективности МИС использовано время, затраченное на заполнение ЭМК по сравнению с реальной клинической практикой [4]. После перераспределения первичного массива данных была проведена корректировка. Окончательная проверка верифицирующей части и предварительная оценка эффективности были проведены с учетом чувствительности и специфичности при сопоставлении машинных и наблюдательных данных по оценке МИС. Положительным результатом работы системы принималось распознавание системой >80% полей диагноз, анамнез, жалобы, состояние, рекомендации.

Примененная система, включающая элементы обработки естественного языка (NLP — Natural Language Processing), и интеллектуальный анализ текста использовались для захвата, извлечения и анализа данных о симптомах, заболеваниях, результатов клинического осмысливания и технологических данных.

Статистическая обработка выполнялась в SPSS 26 (IBM) и Excel (Microsoft). Переменные представлялись как среднее (M) ± стандартное отклонение (SD), для проверки гипотез о средних в двух группах применялся t-критерий Стьюдента. Для выявления предикторов успешного распознавания большинства полей использовался анализ характеристической кривой (ROC) с расчетом площади под кривой (AUC) и порогового значения с его специфичностью и чувствительностью.

Результаты

Первичные данные заносились как при непосредственном контакте с пациентом, так и удаленно через встроенный чат. Программа производила стандартизацию названий из данных, полученных от пациента, корректировку и автоматическое внесение в соответствующие поля. Результат считался позитивным, если система правильно определяет названия ≥80% 5 основных полей данных: диагноз, жалобы, анамнез, состояние, рекомендации.

В исследование были включены данные 72 пациентов, 37 (51,4%) из них были мужчины (таблица 1). Средний возраст пациентов составил 57,9±8,2 лет. Всего было распознано 112 страниц выписных эпикризов, среднее время распознавания каждой страницы при этом составило 30±4,3 сек. Среднее качество изображений при ОРС по данным субъективной оценки врачей составило 87,9±8,2%.

По основным характеристикам вносимых данных 1 и 2 группы не различались (таблица 2). Время, затрачиваемое на внесение необходимой информации в ЭМК, было достоверно меньше при использовании системы RuPatient, чем стандартным способом — 25,1±1,5 и 20,3±1,4 мин для 1 и 2 групп, соответственно (p<0,001). При заполнении в "ручном" режиме, без системы распознавания, врачи определяли все поля с 100%-ной точностью, при этом система давала положительный результат (≥80% полей распознавались правильно) в 87%.

Пороговое значение качества изображений при ОРС, которое позволяет с наиболее высокой точностью распознавать изображения выписных эпикризов с помощью системы RuPatient, составило 85,5% с чувствительностью 69% и специфичностью 33% со значением AUC 0,75 (p<0,001), что указывает на достаточно хорошее качество теста (рисунок 1).

По результатам контрольного исследования и оценкам результативности RuPatient, получена достаточная диагностическая точность с приемлемой частотой ложноположительных результатов, чувствительностью, специфичностью и AUC рабочих характеристик при опросе. Результаты показали, что эффективность анализа данных была выше у сотрудников с продолжительным опытом обработки первичного материала, чем среди лиц, вновь включенных в опрос.

Веб-сервис RuPatient внедряется в работу медицинского учреждения. После проведенного тестирования и устранения недостатков сервиса функционал был улучшен, расширен и применен в работе практикующих врачей ГКБ № 67 им. Л. А. Ворохобова ДЗМ.

Обсуждение

Необходимость в получении медицинских данных в структурированном формате мотивируется несколькими стимулами, важнейшими из которых могут быть сокращение времени для экспертного анализа, использование данных для масштабной автоматизированной обработки и уменьшение времени прочтения текстов свободного изложения [5]. Возможность анализировать большие объемы данных, полученных на протяжении продолжительного периода времени, для построения научных заключений и для лечения, профилактики известных и редких заболеваний, становится очевидной. Несмотря на технологический прогресс в разработке автоматизированных систем при создании и использовании клинической информации, применение системы анализа и генерирования структурированных данных востребовано³. Этим требованиям соответствует система обработки данных RuPatient. Этот проект направлен на повышение эффективности клинически значимых данных в структурированной и кодируемой неструктурированной информации для заполнения определенных форм и шаблонов, востребованных как элементы цифровой трансформации здравоохранения на основе анализа больших данных. Имеющиеся современные системы сократили время скрининга для поиска кандидатов для участия в клинических испытаниях или в выявлении побочных действий лекарств [6].

Стремление к созданию единого контура данных в отечественном здравоохранении может быть реальным путем улучшения здоровья и благополучия населения. Применение алгоритмов машинного обучения с целью адекватного принятия клинических решений при использовании больших данных с новыми коммуникационными технологиями позволит повысить результативность федеральных проектов в области здравоохранения⁴.

Текущая версия системы RuPatient позволяет достичь диагностической эффективности, сравнимой с получаемой медицинскими экспертами, особенно в областях, связанных с распознаванием изображений. Дальнейшие исследования могут быть направлены на другие типы медицинской визуализации, такие как магнитно-резонансная томография и другие медицинские практики, не связанные с изображениями.

Применение интерфейсов обмена данных позволит перейти различным клиникам на единый стандарт ЭМК.

Исследования, основанные на клинически значимых потребностях, подкрепленные адекватным дизайном и ориентированные на цели клинической практики дали заметные результаты. Стремление к устойчивым образовательным программам через целенаправленное обучение, ориентированным на медицинских работников в сотрудничестве с заинтересованными сторонами из инженерных областей, позволит создать новые возможности на основе ИИ в медицине [7].

В будущем программы анализа данных могут быть направлены на обработку собственных записей пациентов с переводом их в структурированную форму. Это позволит учитывать потребности пациентов, выраженные с помощью электронных текстовых данных, созданных пациентом (electronic patient-authored text data, ePAT), и даст дополнительные возможности для понимания проблем больных. Новое видение информации о пациенте в системе ePAT может отчетливо проявиться в получении информации о состоянии здоровья. Оценка симптомов в режиме реального времени с помощью обработки естественного языка и интеллектуального анализа текста, может иметь существенное значение для системы здравоохранения, ориентированной на пациента [8].

При том что доступ к ЕМИАС связан с вычислительными трудностями, объем информации, предоставляемой непосредственно пациентами, открывает новые горизонты для точной медицины, описания субклинических симптомов и создания персональных библиотек здоровья, как это предусмотрено национальной программой модернизации здравоохранения⁵.

Анализ обработанных структурированных медицинских записей из социальных сетей — новая область исследований для развития ИИ. Обеспечение однородности данных для инфраструктур, используемых для сбора, хранения и анализа личных данных и клинической информации пациентов, относится к проблеме стандартизации при использовании ИИ в медицине [9].

На пути к стандартизации неструктурной медицинской информации

Доказано, что приложения ИИ расширяют наши возможности моделирования, диагностики, классификации и прогнозирования заболеваний в широком диапазоне клинических областей и различных сценариев [10]. Эти доказательства часто ограничиваются лабораторными и тестовыми сценариями. Данные из общедоступных репозиториев, клинических регистров, клинических испытаний и баз данных постоянно используются для разработки и проверки моделей ИИ, демонстрирующих отличные результаты в контексте соответствующих дизайнов исследований [11]. Однако существует огромная потребность в улучшении методологических отчетов и повышении надежности моделей [12]. Объяснимый ИИ — это растущая область исследований, которая будет отвечать потребностям в понимании клинических данных и данных о здоровье [13]. Сочетание моделирования ИИ и объяснимых стратегий будет иметь большую клиническую ценность при диагностике и лечении заболеваний, позволяя системам здравоохранения повышать качество всеобщего охвата услугами здравоохранения, реагировать на чрезвычайные ситуации⁶.

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 накоплении 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.

Отношения и деятельность. Источник финансирования — федеральный бюджет (гос.задание № АААА-А20-120013090084-6).