Актуальные модели систем поддержки принятия решений в практике врача-хирурга

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Актуальные модели систем поддержки принятия решений в практике врача-хирурга

Одним из основных факторов, влияющих на качество оказываемой медицинской помощи, является квалификация врачей, а именно умение определять адекватную тактику диагностики и исследования, а также лечения пациента. Одним из решающих факторов в этом процессе являются основы познавательного, последовательного и логического мышления, позволяют понять глубинные причины возникновения заболеваний, овладеть способами воздействия на патологический процесс [14]. Однако, несмотря на постоянное совершенствование знаний врача, лечебный процесс не всегда приводит к желаемым результатам [13].

Лечебно-диагностический процесс является образцом целенаправленной деятельности в условиях неопределенности. Врач не всегда может заранее быть осведомленным о результате процесса. Оценка объективного статуса пациента целиком основана на признаках заболевания, как клинических, так и инструментально-лабораторных [24]. Соответственно, основными задачами врача в данной ситуации являются распознавание диагноза на основе первичной информации о пациенте, характерных признаках заболевания согласно результатам комплексного обследования и шаблонных представлениях врача о данном заболевании. При этом сам по себе диагноз представляет собой детальную формализация действий, имеющую вероятностную природу [14]. На практике же клиническая ситуация отражает последовательность ведения больного и естественное течение патологического процесса. Соответственно, формализация рассуждений врача, распознавание и использование его суждений лежат в основе составления алгоритмов, призванных способствовать индивидуальному подходу в решении конкретных клинических задач.

В данном случае актуальное значение принимают так называемые интеллектуальные системы поддержки принятия врачебных решений, призванные обеспечить повышение качества медицинского обслуживания в учреждениях лечебно-профилактического профиля [6, 8,18,12,22].

Современные системы принятия решений в клинической медицине должны выполнять следующий набор функций: дифференциальная диагностика и выбор лечения в широком круге нозологических форм, эффективность решения вне зависимости от степени выраженности клинических проявлений (в том числе при стертой картине заболевания) с учетом фоновых состояний пациента, возможность анализа динамики патологического процесса, возможность оценки состояния в режиме реального времени [12].

Однако принятие верных решений в медицине обычно затруднено в связи с множественностью факторов и признаков большинства заболеваний и их взаимодействий. Тогда как обработка большого количества информации врачом-клиницистом зачастую затруднена ввиду тех или иных объективных и субъективных причин [11].

Шаблонная модель интеллектуальной системы состоит из последовательных шагов диагностики и лечения, начиная от анализа исходных данных о пациенте до момента фиксации требуемых результатов [22].

На сегодняшний день рынок медицинских информационных систем находится в стадии активного развития. Одним из перспективных направлений, в частности, являются компьютеризированные модели систем поддержки принятия врачебных решений. Данный вид медицинских информационных систем (МИС) преследует одну из важнейших задач в области здравоохранения - задачу снижения числа врачебных ошибок и повышения качества медицинской помощи [7,23].

Существующие СППВР (системы поддержки принятия врачебных решений) включают в себя специализированные медицинские базы данных, библиографические информационно-поисковые системы, системы обработки медицинских данных и т.д. [6]. Функционально наиболее востребованными их них являются СППВР, ориентированные на конкретный «электронно-математический» образ пациента, основанный на совокупности клинико-лабораторных данных. Данный вид систем принципиально отличается от других медицинских программ, носящих, например, обучающий или справочный характер. Врач посредством данного инструмента получает поддержку при принятии решений по конкретному пациенту и по каждому действию, связанному с ведением данного пациента. Так, например, разработка под названием «Кардинет - онлайн» научно-производственного предприятия «Волготех» позволяет помимо пополнения информационной базы пациента путем заполнения форм-шаблонов производить печать записей и интегрировать их в электронную базу учреждения. Система оснащена соответствующей базой данных, основанной на документах и приказах министерства здравоохранения, регламентах и национальных рекомендациях, а план диагностики сопровождается планом лечения того или иного заболевания.

Существующие модели СППВР включают в себя в том числе более усложненные направления, более ориентированные на алгоритмизацию действия врача на основе шаблонных моделей заболеваний. Например, в предложенной А.А. Спирячиным методике осуществления электронного врачебного выбора, постановка конкретного диагноза сводится к таким задачам, как классификация лабораторных данных, жалоб пациента, объективного статуса с уже известным классом заболевания. Данный способ алгоритмизации действий врача реализуется в методе многомерной классификации, предложенной автором. В указанной разновидности систем поддержки принятия решений диагноз не обязательно будет идентифицировать одно заболевание. Заболеваний в диагнозе может быть несколько в зависимости от набора классов, заложенных в данной системе [22].

Анализ существующих СППВР за последние пять лет позволяет выделить основные методы и средства, используемые в данных системах - интеллектуальный анализ данных, поиск знаний по базам данных, рассуждение на основе прецедентов, ситуационный анализ, нейронные сети [10, 17,19, 27].

Принципиально новым подходом в решении клинико-диагностических задач отличаются так называемые гибридные системы, основанные на сочетании методов вывода по прецедентам и правилам. Описываемая система интерактивна и позволяет осуществлять лечебно-диагностический процесс в условиях дефицита временных ресурсов, когда отсутствует возможность полного описания объекта. Новизна данных систем заключается в возможности интеграции знаний о предметной области, полученных методами классификации и кластеризации, в механизм выработки решения по правилам, объединяя эти два подхода [10,27].

Отдельного рассмотрения требуют системы поддержки принятия врачебных решений, применяемые в такой обширной области медицины, как неотложная и плановая хирургия. Преимущества данных видов вспомогательных технологий заключаются в возможностях их использования в условиях дефицита времени, высокой динамики течения заболевания с учетом такого параметра, как высокая вероятность врачебной ошибки [17]. Существующие компьютерные системы позволяют проверить собственные диагностические предположения и использовать возможности искусственного интеллекта в сложных клинических ситуациях.

Традиционно в диагностике хирургических заболеваний использовались возможности компьютерных технологий, такие как рентгенография, компьютерная томография, магнитно-резонансная томография. Первыми работами, посвященными данной тематике, послужили исследования Van Ginneken (2001), S.Y. Ji (2009), W. Chen (2010), P. Davaluri (2011). Данные исследователи впервые разработали и применили систему принятий решений в области повреждений органов таза, черепно-мозговых травм, повреждений грудной клетки, а также у пациентов с сочетанной травмой. [2,4,5].

Одним из ключевых направлений в области применения СППВР в хирургии являются такие аспекты, как интенсивная терапия и неотложная медицинская помощь. Особенно зарекомендовали себя существующие в хирургии системы поддержки принятия решений, предназначенные для выполнения задач по дифференциальному подходу к диагностике и лечению, позволяющие производить оценку клинических проявлений различного рода интраабдоминальных катастроф. Ряд отечественных информационных разработок был посвящен изучению возможностей искусственных нейронных сетей в прогнозировании исходов такой распространенной хирургической патологии, как острый панкреатит, диагностики и исходов острого холецистита [20, 21]. Так, нечеткие математические модели СППВР были применены в разработке А.В. Иванова, основной задачей которой послужило прогнозирование возникновения острого панкреатита на основе информации, получаемой традиционными медицинскими методами (опрос, осмотр, лабораторные и инструментальные данные), по электрическому сопротивлению биологически активных точек, связанных с данным заболеванием, и по содержанию микроэлементов в волосах человека. В данной работе авторами были использованы в качестве информативных микроэлементов медь, цинк и железо, концентрация которых рассматривалась во взаимосвязи с электрическим сопротивлением биологически активных точек, связанных с заболеванием «панкреатит» [9]. Главными задачами «Системы прогнозирования и диагностики инфицированного панкреонекроза» послужили прогнозирование и своевременная диагностика инфекционных осложнений тяжелого острого панкреатита явилась Основными инструментами данной алгоритмической модели послужили метод нейронных сетей и опорных векторов, применявшиеся в совокупности со статистическими методами обработки данных. На первом этапе в исследовании были использованы ретроспективные клинические и лабораторно-инструментальные данные за 10 лет (обучающая группа). Второй функциональный блок содержал данные обследования пациентов, находившихся на стационарном лечении с привлечением результатов микробиологического исследования, жидкостных скоплений по данным ультразвуковой диагностики и открытых операций. В результате анализа данных были определены наиболее значимые параметры, имеющие важное прогностическое значение: время от момента поступления в стационар, ранние операции в анамнезе, интенсивность болевого синдрома, острые жидкостные скопления и ряд острофазовых показателей синдрома системной воспалительной реакции. [15]. Метод многомерного анализа с применением логистической регрессии был применен Шнейдер В.Э. и соавторами в программе «Автоматизированная система учета травм поджелудочной железы» [26]. Авторами проведен анализ 35 количественных и 109 качественных признаков, ключевыми из которых явились демографические данные, вид и механизм повреждений, степень тяжести состояния пациента, количество поврежденных органов, объем кровопотери, способ хирургического лечения, осложнения, летальность. Особенностями данной разработки являются учет врачебных ошибок, таких как диагностические (задержка операции), технические (неадекватный гемостаз), тактические (увеличение объема операции, неадекватный дренаж). Решающими факторами в развитии специфических послеоперационных осложнений исследователями были определены возрастные характеристики пациентов, механизм травмы, тактические ошибки, вид вмешательства, также превышение норм лабораторных показателей. [26].

Метод искусственных нейронных сетей позволяет принимать решения на основании выявляемых ими скрытых закономерностей и многомерных данных и успешно применяются в решении актуальных прикладных задач. Сравнительная оценка эффективности современных СППВР, построенных на основе искусственных нейронных сетей, приводится в систематическом обзоре О.Ю. Ребровой (2016) [16]. Прогностическая ценность анализируемых СППВР заключается в объективизации степени тяжести, прогнозировании риска инфекционных осложнений острого панкреатита с целью выбора алгоритмов лечения и ранней профилактики осложнений [1,3]. В разрезе проанализированных исследований оценивались такие параметры как прогнозирование длительности пребывания в стационаре, диагностическая ценность панкреатических ферментов, оценка риска развития полиорганной недостаточности [16]. Основу ретроспективных исследований составили в среднем до 33 признаков, включавшие в себя анамнестические параметры, рутинные показатели лабораторной и инструментальной диагностики. Приведенные разработки в области интраабдоминальной хирургии отличаются набором базовых параметров (качественных и количественных) и использованием различных оценочных шкал (Шкала комы Глазго, APACHE II, Revised Trauma Score (RTS), National nosocomial infections surveillance system (NNIS), Abbreviated Index Severity (AIS), Infection Probability Score (IPS)) [9,15,16,26].

Возможности математического прогноза и алгоритма профилактики глубоких инфекционных осложнений изучены в рамках апробации обучающей матрицы у пациентов, перенесших эндопротезирование тазобедренного сустава [25]. Программа построена по принципу двухэтапного алгоритма. На этапе ретроспективного анализа использовались данные о 100 параметрах, включающих локальный и объективный статус, данные лабораторных, рентгенологических и эндоскопических исследований, среди которых выделен набор из 21 прогностически значимых критериев, включающий в себя дооперационные, интраоперационные и послеоперационные факторы. На основании полученной информации у пациентов с неблагоприятным прогнозом проводился комплекс превентивных мероприятий, направленных на снижение риска послеоперационных нагноительных осложнений.

Роль человеческого фактора в экстремальных условиях работы врача-хирурга, недостаток временных ресурсов, необходимых для адекватной оценки состояния и быстроты принятия правильного алгоритма действий, сегодня представляет собой актуальную проблему.

Анализ существующих экспертных систем, призванных обеспечить объективизацию и повышение эффективности диагностики и лечения пациентов хирургического профиля, демонстрирует разнообразие методик и исследуемых параметров, применяющихся в разрабатываемых СППВР. Вместе с тем, ряд проблем, затрудняющих их применение в реальной клинической практике существенно ограничивает область их применения. Работа врача хирургического профиля предполагает максимальное удобство применения подобного рода систем поддержки, тогда как большинство существующих СППВР не интегрированы с информационными системами лечебно-профилактических учреждений, требуют дополнительной нагрузки от врача по внесению первичной информации о пациенте. Конструирование ряда систем поддержки базируется на формировании решений на основании заданных условий. Соответственно, должен быть реализован весь комплекс мероприятий, предполагающих диагностический поиск по заданным параметрам, что в рутинной практике не всегда является осуществимой задачей по ряду объективных и субъективных причин.

Резюмируя вышесказанное, необходимо отметить объективную необходимость дальнейших разработок в области информационных технологий в медицине с учетом недостатков предыдущих исследований, а также разработки вспомогательного информационного алгоритма, максимально приближенного к рабочему месту врача хирургической практики.

Список литературы

врач хирург решение

1. A comparative evaluation of radiologic and clinical scoring systems in the early prediction of severity in acute pancreatitis/ T.L. Bollen [et al] //The American Journal of Gastroenterology -2012.-V.107, #4.-P. 612-619.

2. An automated method for hemorrhage detection in traumatic pelvic injures/ P. Davuluri [et al] // Proceedings of the IEEE Engineering in Medicine and Biology Society (EMBC'11). - 2011.-P.5108-11

3. Criteria for the diagnoses and severity stratification of acute pancreatitis /M. Otsuki [et al.] //World Journal of Gastroenterology -2013. - V.19, #35.-P.5798-5805

4. Intracranial pressure level prediction in traumatic brain injury by extracting features from multiple sourses and using machine learning method/ W. Chen [et al.] //Proceeding of the IEEE International Conference on Bioinformatics and Biomedicine, December 2010. - P.510-15

5. Van Ginneken B. Computer-aided diagnosis in chest radiography: a survey/ B. Van Ginneken, B.M. Ter Haar Romeny, M.A. Viergever // IEEE Transactions on Medical Imaging. - 2001. V.20, #12. - P. 1228-41

6. Атьков, О.Ю. Система поддержки принятия врачебных решений./ О.Ю. Атьков, Ю.Ю. Кудряшов, А.А. Прохоров, О.В. Касимов // Системы поддержки принятия врачебных решений. - 2013. - №6. - С. 67-75

7. Гусев А.В. Рынок медицинских информационных систем: обзор, изменения, тренды /Врач и информационные технологии. - 2012. - №3.-С. 6-15

8. Егорова Ю.В. Информационная система поддержки принятия лечебно-диагностических решений на основе формализации профессиональных знаний/ Вестник УГАТУ. - 2007. - №7 (25). - С. 67-72

9. Иванов А.В. Нечеткие математические модели системы поддержки принятия решений для решения задачи прогнозирования острого панкреатита/А.В. Иванов, В.Н. Мишустин, Л.П. Лазурина, В.И. Серебровский // Врач и информационные технологии. - 2013. - №6. - С. 60-66

10. Карпов Л.Е., Юдин В.Н., Ватазин А.В. Программная система поддержки врачебных решений с гибридной архитектурой на основе правил и прецендентов / V Троицкая конференция «Медицинская физика и инновации в медицине»: сборник материалов. 2012.Т.2.С. 425-427

11. Кобринский Б.А. Медицинская информатика: учебник /Б.А. Кобринский, Т.В. Зарубина. - М.:Академия, 2009. - 192 с.

12. Кобринский Б.А. Системы поддержки принятия решений в здравоохранении. / Кобринский Б.А. // Врач и информационные технологии. - 2010. - №2. - С. 39-45

13. Кудрина, В.Г. Современный уровень инновационного развития последипломного медицинского образования и его перспективы/ Кудрина В.Г. Андреева Т.В. Сапралиева Д.О. // Общественное здоровье и здравоохранение. - 2014. - 3.-С. 50-54

14. Линденбратен, А.А., Формализация клинического мышления как один из путей повышения качества медицинской помощи/ Линденбратен, А.А., Котонский И.Н. // Вестник росздравнадзора. - 2016. - №2. - С. 42-45

15. Литвин А.А. Система поддержки принятия решений в прогнозировании и диагностике инфицированного панкреонекроза/А.А. Литвин, О.Г. Жариков, В.А. Ковалев // Врач и информационные технологии. - 2012. - №2. - С. 54-62

16. Литвин, А.А. Системы поддержки принятия решений в диагностике и лечении острого панкреатита/ А.А. Литвин, О.Ю. Реброва // Проблемы здоровья и экологии. - 2016. - выпуск №2 (48). - С. 10-17.

17. Литвин, А.А. Системы поддержки принятия решений в хирургии./ А.А. Литвин, В.А. Литвин // Новости хирургии. - 2014. - том 22 (1). - С. 96-100

18. Назаренко Г.И. Система автоматизации клинических руководств и аудита лечения./Г.И. Назаренко, Е.Б. Клейманова, М.Ю. Жуйков, С.А. Пающик, А.И. Новакова, О.П. Кашевская, Л.П. Яшина // Медицинские информационные системы. - 2014. - №2-С. 23-32

19. Найданов Ч.А. Система поддержки принятия решений для предупреждения рисков возникновения критических состояний./ Альманах современной науки и образования // . - 2015. - №8 (98). - С. 92-95

20. Прогнозирование течения и исходов тяжелого острого пакреатита /П.И. Миронов [и др.] // Фундаментальные исследования. - 2011. - №10.-С. 319-23

21. Прогнозирование, ранняя диагностика и оценка степени тяжести острого холецистита на основе нечеткой логики принятия решений/ Н.А. Кореневский [и др.] // Вестник Воронежского государственного технического университета. - 2009-Т.5.-С. 150-155

22. Спичярин, А.А. Проблематика использования облачных технологий в системах принятия решений/ А.А. Спичярин, Д.Э. Елизаров, В.Л. Бурковский // Прикладная математика, механика и процессы управления. Пермь: изд-во ПНИПУ, 2014. - с. 150

23. Старикова А.В. Создание подсистемы принятия решений в медицинских информационных системах./А.В. Старикова, О.Г. Берестнева, Г.Е. Шевелев, К.А. Шаропин, Л.И. Кабанова // Известия Томского политехнического университета. - 2010.-т. 317 - №5. - С. 194-197

24. Тавровский В.М. Зачем и как автоматизировать лечебно-диагностический процесс. Выпуски 57-70.

25. Ткаченко А.Н. Возможности прогноза глубоких инфекционных осложнений хирургического вмешательства при эндопротезировании тазобедренного сустава./ А.Н. Ткаченко, Ю.Л. Дорофеев, С.А. Линник, А.Ф. Калимуллина, М.Ю. Бахтин // Вестник Санкт-Петербургского университета. - 2015 - сер. 11 - вып. 2 - С. 82-88

26. Шнейдер В.Э. Прогнозирование риска развития послеоперационных осложнений при травматических повреждениях поджелудочной железы/ В.Э. Шнейдер, А.Г. Санников // Системы поддержки принятия врачебных решений. - 2015. - №1. - С. 35-43

27. Юдин, В.Н. Гибридный подход к построению систем поддержки решений./ В.Н. Юдин, Л.Е. Карпов // Труды института системного программирования РАН. - 2013. - т. 24. - С. 447-456

Размещено на Allbest.ru