Аннотация результатов, полученных в 2017 году
Актуальность разработки экспертных систем в медицине обусловлена по причине возникновения частых диагностических ошибок при интерпретации результатов лабораторных исследований, некорректных назначений молодых медицинских специалистов, а также ошибок опытных специалистов в смежных областях медицинского знания. Однако среди экспертных медицинских систем можно выделить класс ориентированных на пациента, позволяющих автономно генерировать медицинские заключения на основе имеющихся знаний в доступной для пациента форме. Такой подход наиболее эффективно работает с пациентами, имеющими хронические заболевания, которые прошли специальное обучение и хорошо осведомлены как о своей болезни, так и об особенностях работы экспертной медицинской системы, осуществляющей интерпретацию введенных пациентом данных и формирующей врачебные заключения. Настоящее исследование посвящено разработке гибридного подхода для эффективной интеллектуальной обработки медицинских данных - результатов лабораторных исследований. В качестве компонентов гибридной модели группой исследователей решено использовать синтез аппарата нечеткой логики, модели анализа прецедентов (Case-based reasoning, CBR), а также стандартизированного архетипного подхода для хранения и передачи медицинских данных. Технология CBR для решения задач генерации врачебных заключений на основании лабораторных исследований совмещает использование накопленных лабораторных результатов, алгоритмов их формализма в виде объектов многомерного пространства, а также способы расчета расстояний между формализованными объектами. Так при рассмотрении результатов лабораторных исследований осуществляется поиск наиболее подобных, имеющихся в базе прецедентов. Подобными случаями являются наиболее близкие формализованные результаты лабораторных исследований относительно исследуемых. В качестве метрики определения расстояния было использовано Евклидово расстояние. Простота вычислений данной метрики позволит минимизировать временные ресурсы при формировании ограниченной выборки прецедентов. Таким образом, преимущество технологии CBR состоит в том, что она позволяет повысить эффективность работы модели за счет использования накопленного опыта. Использование в настоящем исследовании аппарата нечеткой логики определяет базис логического вывода. На основании полученной ограниченной выборке прецедентов появляется возможность их дальнейшей обработке и реализации логического вывода врачебных заключений, принимая во внимание фактор неопределенности. Одним из основных элементов систем нечеткого вывода является база знаний. Для решения задач разрабатываемой экспертной системы база знаний была сформирована с привлечением медицинских специалистов г. Томска. Стандартизированный архетипный подход позволил обеспечить интероперабильность разрабатываемой системы, что позволит осуществлять обмен медицинскими данными без семантических потерь между исследователями, медицинскими организациями и лабораториями Томска. Более того, использование такого подхода к хранению и передачи медицинских данных обеспечило универсальность разрабатываемой системы для интеграции в информационные системы медицинских организаций, а также обеспечит серьёзный рыночный потенциал. Таким образом, полученным результатом являться впервые предложенный гибридный метод эффективной интеллектуальной обработки медицинских данных для реализации экспертной телемедицинской системы генерации заключений врача по результатам лабораторных исследований на основании использования аппарата нечеткой логики, прецедентного анализа, а также стандартизированного архетипного подхода. Разработанные методы, модели и алгоритмы создания экспертной телемедицинской системы поддержки принятия решения для пациентов открывают возможность применения систем поддержки принятия решений, основанных на неклассических логиках в здравоохранении. Развитие стандартов состава, хранения и передачи медицинских данных с учетом обеспечения работы интеллектуальных компонентов позволит развивать методологию единого интеллектуального информационного пространства в здравоохранении. Другое направление развития темы - интеграция разработаннойz методологии с подходами к оказанию экстренной медицинской помощи и медицине катастроф, требующих быстрого обмена медицинскими данными и эффективной поддержки принятия решений.

Аннотация результатов, полученных в 2018 году
Мы разработали телемедицинскую систему поддержки принятия клинических решений для пациентов, которая решает классификационную проблему путем сопоставления результатов анализов со списком диагнозов. Поддержка принятия решений основана на алгоритме классификации, который позволяет сделать следующие выводы: Найден список диагнозов, которые могут быть связаны с результатами теста; Не нашли подходящих диагнозов; Для определения правил вывода мы разработали язык представления знаний, основанный на нечеткой логике, что позволяет медицинским работникам определять правила системы. Для пилотного проекта мы выбрали ограниченный набор лабораторных тестов, которые могут быть автоматически интерпретированы системой. Мы опросили 3 врача-лаборантов и 3 врача-специалиста (гинеколога, уролога и терапевта), чтобы определить правила вывода для системы. Система реализована с использованием следующих технологий: Пользовательские интерфейсы и внутренний интерфейс основаны на .NET Core 2.0. Хранение данных основано на PostgreSQL. Оценка Точность поддержки принятия решений Для оценки точности результатов, полученных системой, мы провели валидацию 1000 случайно сгенерированных отчетов. Отчеты были сгенерированы таким образом, чтобы можно было проверить все 89 алгоритмов поддержки принятия решений. Отчеты были направлены двум независимым экспертам по патологии для независимой оценки. Результаты экспертизы были использованы для расчета следующих критериев: Коэффициент ошибок как средняя ошибка классификации Точность как средняя эффективность классификатора Точность ((Все понятия) /Ошибки)/Все понятия), Recall (соотношение истинных положительных и (истинных положительных + ложных отрицательных)), и F-measure (2∙(recall∙точность)/(recall+точность)). Разногласия рецензентов были урегулированы на основе консенсуса. Cohen cappa была рассчитан для того чтобы оценить разногласия между рецензентами. Принятие пользователем Для оценки приемлемости этой системы для пользователей была применена разработанная Уилсоном и Лэнктоном модель принятия пациентами электронных решений в области здравоохранения. Модель позволила измерить следующие критерии: поведенческие намерения (BI) в использовании, внутренняя мотивация (IM), воспринимаемая простота использования (PEOU) и предполагаемая полезность (PU) системы поддержки принятия решений. BI представляет собой намерение использовать систему и полагаться на поддержку принятия решений, которую она предоставляет; IM - готовность использовать систему при отсутствии прямой компенсации; PEOU - степень, в которой предоставленные отчеты четко представлены и понятны пользователям; PU - степень, в которой пациенты считают, что использование системы поддержки принятия решений улучшит их опыт с лабораторными тестами. Мы применили разработанный Уилсоном и Лэнктоном пересмотренный вариант метода Дэвиса и др. для измерения BI, PEOU и PU. Интенсивная мотивация измерялась с помощью метода Дэвиса и др. Система поддержки принятия клинических решений состоит из следующих модулей, которые обеспечивают основные характеристики системы: - Система извлечения данных получает данные из внешних источников, таких как больничные или лабораторные информационные системы. Он проверяет синтаксическую достоверность данных и отправляет их в базу данных. - База данных получает и сохраняет факты из внешней лабораторной информационной системы. - Редактор Базы знаний предоставляет экспертам интерфейс для определения правил вывода, которые отправляются в Базу знаний. - В базе знаний хранятся правила вывода. - Механизм вывода применяет правила из базы знаний к фактам из базы данных для вывода результатов и отправляет их в систему пояснений и генератор отчетов. - Система пояснений тщательно изучает последовательность применяемых правил вывода, чтобы продемонстрировать, как был достигнут результат. - Генератор отчетов создает удобочитаемый отчет из результатов вывода и отправляет его в хранилище отчета. Язык представления знаний системы построен на логике предикатов первого порядка. - Основным объектом, который обрабатывает система, является конфигурация лабораторных испытаний, состоящая из лабораторного испытательного объекта и перечня правил прямого вывода, которые могут быть связаны с этим объектом. - Объект лабораторных испытаний представляет собой модель, которая включает в себя перечень атомных компонентов теста, например, полный анализ крови включает 22 атомных компонента. - Для каждого компонента теста мы определяем список правил прямого вывода, которые имеют условия для включения этих компонентов в вывод. Условия представлены в виде операторов сравнения: =, <>, включает (>= или =<), исключает (>= и =<). Внутри правила, условия связаны логическими операторами "и", "или" и "нет". - Для каждого прямого правила эксперт может смоделировать перечень правил исключения, чтобы исключить прямое правило из процесса вывода, если условия исключения выполнены. - Заказ группирует объекты лабораторных исследований Взаимодействие с пользователями Система поддержки принятия решений состоит из двух основных интерфейсов: для экспертов для моделирования знаний и правил вывода и для пациентов для доступа к результатам тестов и их интерпретации. Интерфейс эксперта Мы разработали веб-приложение для управления знаниями, которое предоставляет следующие возможности: - Создать и редактировать правила для выводов - Правила групповых выводов - Создавайте и редактируйте артефакты с рекомендациями врача, которые формируют отчет о поддержке принятия решений в результате логического вывода. Правило состоит из нескольких условий, связанных логическими операторами, и полученного артефакта, который представляет собой текст с рекомендациями для пациента. Артефакты могут быть созданы с помощью интерфейса. Пользовательский интерфейс пациента Пациент имеет доступ к результатам анализов через веб-портал, на котором представлен список доступных тестов. Для каждого теста пациент может получить обзор результатов. Результаты представлены в виде таблицы со следующими колонками: Название параметра, Мои результаты и контрольный интервал. Одним из показателей осуществимости является процент пациентов, согласившихся принять участие в тестировании инструментария поддержки принятия решений. Показатель 86% пациентов, согласившихся принять участие в исследовании, показывает высокий интерес и мотивацию, что подтверждается количественными измерениями, которые были проведены в рамках исследования. Оценка приемлемости системы для пользователей проводилась по истечении двух месяцев эксплуатации. Показатели приема были высокими, все они превысили 5,7 баллов из 7. Частичные корреляции, рассчитанные с использованием шкал, полученных для этих параметров, предполагают, что простота использования и полезность влияют друг на друга таким образом, что улучшения в простоте использования повышают баллы полезности и наоборот. В то время как и простота использования, и полезность определяют удовлетворенность от использования, имеющего сравнительно меньшее влияние. Пользователи более гибко оценивают свою Полезность, когда у них есть только ограниченный опыт работы с системой. К сожалению, мы не смогли сравнить их с аналогичными исследованиями, так как не нашли ориентированную на пациента систему поддержки принятия решений, для которой была проведена оценка приемлемости для пользователя. Однако мы попытались сравнить полученные результаты с аналогичными системами, не ориентированными на пациента. Последствия Результаты нашего исследования подтверждают и другую литературу, свидетельствующую о том, что пациентам нужна своевременная и подробная информация, и они хотят получать уведомления обо всех результатах лабораторных исследований, даже если они являются нормальными. Тем не менее, наши результаты противоречат предыдущим, поскольку пациенты предпочитают телефонные звонки и запечатанные письма веб-методам оповещения. Результаты этого исследования дают ценные выводы для разработки и внедрения систем оповещения пациентов. Мы обнаружили, что пациенты в целом находят подробные уведомления полезными, мотивированы к их использованию и не сталкиваются со значительными трудностями при принятии таких решений. Очень важно при разработке и внедрении систем оповещения пациентов сделать их надежными, простыми и удобными в использовании. Для достижения этой цели мы рекомендуем, чтобы эксперты протестировали экспериментальное применение системы поддержки принятия решений для проверки и подтверждения правильности правил, а потенциальные пользователи - для их принятия пользователями, с тем чтобы на этапе внедрения можно было внести исправления в целях повышения надежности и приемлемости системы. Результаты нашего исследования свидетельствуют о том, что на использование уведомлений о результатах анализов существенное влияние оказывают привычки пациентов. Продвижение телемедицинских сервисов по-прежнему требует значительных коммуникационных усилий для укрепления как намерений, так и их связи с поведением.