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 пациентов1 2.

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.

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.

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.

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).

1. Комков А. А., Мазаев В. П., Рязанова С. В. и др. Государственная регистрация программы для ЭВМ "Медицинская информационная система RuPatient в формате веб-интерфейса" № 2021664147. Россия; 2021. 2. Комков А. А., Мазаев В. П., Рязанова С. В. и др. Государственная регистрация программы для ЭВМ "Медицинская информационная система RuPatient. Система интеллектуальной аналитики текста с бумажного носителя и сегментации по заданным параметрам" № 2021664092. Россия; 2021. 3. Аналитический отчет по сегменту рынка ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В МЕДИЦИНЕ. https://academpark.com/upload/medialibrary/362/36244984677a893f2c2d4a0080de0105.pdf. (2022 Oct 11). 4. Федеральный проект "Создание единого цифрового контура в здравоохранении на основе единой государственной информационной системы в сфере здравоохранения (ЕГИСЗ)". https://minzdrav.gov.ru/poleznye-resursy/natsproektzdravoohranenie/tsifra (2022 Oct 11). 5. Национальные проекты "Здравоохранение" и "Демография". https://minzdrav.gov.ru/poleznye-resursy/natsproektzdravoohranenie. (2022 Oct 11). 6. Use of artificial intelligence on the rise, but its impact on health still limited, new study finds. https://www.who.int/europe/news/item/27-09-2022-use-of-artificial-intelligence-on-the-rise--but-its-impact-on-health-still-limited--new-study-finds. (2022 Oct 11).