Снижение рисков полифармакотерапии с использованием искусственного интеллекта и анализа Больших данных о лекарственных препаратах и их взаимодействиях

КАРТОЧКА ПРОЕКТА ФУНДАМЕНТАЛЬНЫХ И ПОИСКОВЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ,
ПОДДЕРЖАННОГО РОССИЙСКИМ НАУЧНЫМ ФОНДОМ

Информация подготовлена на основании данных из Информационно-аналитической системы РНФ, содержательная часть представлена в авторской редакции. Все права принадлежат авторам, использование или перепечатка материалов допустима только с предварительного согласия авторов.

ОБЩИЕ СВЕДЕНИЯ

Номер проекта 23-75-30012

НазваниеСнижение рисков полифармакотерапии с использованием искусственного интеллекта и анализа Больших данных о лекарственных препаратах и их взаимодействиях

Руководитель Судаков Владимир Анатольевич, Доктор технических наук

Организация финансирования, регион федеральное государственное бюджетное образовательное учреждение высшего образования "Российский экономический университет имени Г.В. Плеханова" , г Москва

Конкурс №81 - Конкурс 2023 года по мероприятию «Проведение исследований научными лабораториями мирового уровня в рамках реализации приоритетов научно-технологического развития Российской Федерации» Президентской программы исследовательских проектов, реализуемых ведущими учеными, в том числе молодыми учеными

Область знания, основной код классификатора 05 - Фундаментальные исследования для медицины; 05-304 - Информационные технологии в здравоохранении

Ключевые слова полифармакотерапия, поддержка врачебных решений, большие данные, клиническая фармакология, искусственный интеллект, машинное обучение, графовые модели

Код ГРНТИ76.03.59

ИНФОРМАЦИЯ ИЗ ЗАЯВКИ

Аннотация
Цель проекта – разработка облачной СППВР, основанной на переводе основных сущностей фармакологии в цифровую форму, сопоставимую с лучшими практиками и перспективной для интеграции с медицинскими информационными системами, в т.ч. вертикально-интегрированной медицинской информационной системой (ВИМИС). Достижение цели предполагается путем решения двух фундаментальных задач. 1. Определение основных сущностей предметной области, их атрибутов, отношений между сущностями; использование методов машинного обучения для анализа текстовой информации с целью выделения ключевых понятий и связи между ними на основе анализа справочных слабоструктурированных источников данных. 2. Поиск эффективного векторного представления найденных понятий (word embedding) для построения моделей рекомендаций практического применения лекарственных средств на основе диагноза и моделей выявления их совместимости. Проект позволит автоматически создать граф семантических понятий необходимых врачам для работы в СППВР, представляющий базу знаний, полученную как от экспертов, так и на основе анализа Больших данных. Работы на тему графического и векторного представления сущностей в области фармакологии стали появляться последние три года, и касаются прежде всего проблем экспериментальной медицины – поиска новых лекарственных веществ или фототипической классификации пациентов. Поэтому разработка алгоритмов обработки Больших данных в области клинической фармакологии, включающих нормативные документы, инструкции по применению лекарственных препаратов, достоверные медицинские ресурсы для машинного обучения и построения базы знаний СППВР, ориентированной на практическое применение в реальной медицинской практике, позволяет говорить о научной новизне проекта. Применительно к клинической фармакологии поиск компромисса среди большого числа критериев – нетривиальная задача. Это потребует включения в состав СППВР уникальной подсистемы многокритериального анализа альтернатив на основе нечетких областей предпочтений, что позволит уменьшить риски неверных назначений лекарственных препаратов на массовом рынке медицинских услуг. Создаваемая в рамках проекта СППВР будет представлять из себя уникальный программный продукт с использованием наиболее актуальных знаний в области клинической фармакологии. Это соответствует стратегии обеспечения независимости по критическим технологиям, приоритетным направлениям модернизации и технологического развития экономики России. Сравнительный анализ созданной СППВР будет проведен на площадке АО «Медицина». Особое направление проекта – работа с молодежью. Будет подготовлена группа молодых специалистов мирового уровня по методам машинного обучения, анализу Больших данных и компьютерной поддержке принятия решений в медицине. Планируется привлечение к исследованиям студентов Специального факультета талантливой молодежи «Высшая школа «Форсайт»» и группы студентов DATA SCIENCE РЭУ им. Г.В. Плеханова, студентов и аспирантов РЭУ им. Г.В. Плеханова, ФГАОУ ВО Первый МГМУ им. И.М. Сеченова Минздрава России, РНИМУ им. Н.И. Пирогова, ФГБОУ ДПО РМАНПО Минздрава России. Планируется расширить программы, связанные с подготовкой специалистов на стадии повышения квалификации, прохождении последипломного образования путем освоения способов анализа Больших данных, создания семантических моделей, графовых баз знаний, моделей машинного обучения и анализа текстов.

ОТЧЁТНЫЕ МАТЕРИАЛЫ

Публикации

1. Кудрина В.Г., Барышева В.О., Долгушева Ю.А. Искусственный интеллект в здравоохранении: методологический аспект проблемы ТЕОРИЯ И МЕТОДИКА ФУНДАМЕНТАЛЬНЫХ И ПРИКЛАДНЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ сборник статей международной научной конференции. Санкт-Петербург, 2023, ТЕОРИЯ И МЕТОДИКА ФУНДАМЕНТАЛЬНЫХ И ПРИКЛАДНЫХ НАУЧНЫХ ИССЛЕДОВАНИЙ сборник статей международной научной конференции. СПб, ГНИИ «Нацразвитие», выпуск 230414, 2023. С.14-15 (год публикации - 2023)
10.37539/230414.2023.90.25.003

2. Улизко М.С., Тукумбетова Р.Р., Артамонов А.А., Антонов Е.В., Ионкина К.В. Data preparation for advanced data analysis on Elastic Stack Studies in Computational Intelligence, volume 1130. Cham, Switzerland: Springer Nature, 2024 (год публикации - 2024)
10.1007/978-3-031-50381-8_97

3. Баранич А.И., Сычев А.А., Савин И.А., Кудрина В.Г. Проблема межлекарственных взаимодействий у пациентов в критическом состоянии: систематический обзор Анестезиология и реаниматология, Анестезиология и реаниматология. 2023;(5): 81‑87 (год публикации - 2023)
10.17116/anaesthesiology202305181

4. Судаков В.А., Сивакова Т.В. Применение систем поддержки принятия врачебных решений для снижения рисков в полифармакотерапии Вычислительные технологии и прикладная математика : Материалы II Международного семинара (12–16 июня 2023 г., Благовещенск), Вычислительные технологии и прикладная математика : Материалы II Международного семинара (12–16 июня 2023 г., Благовещенск), с.201-203 (год публикации - 2023)
10.22250/9785934933921_201

5. Баранич А.И., Сычев А.А., Савин И.А., Кудрина В.Г. Межлекарственные взаимодействия у пациентов нейрохирургического профиля Вопросы нейрохирургии» имени Н.Н. Бурденко, Журнал «Вопросы нейрохирургии» имени Н.Н. Бурденко. 2023;87(6): 100‑105 (год публикации - 2023)
10.17116/neiro202387061100

6. Карандеев А.А., Яшин Н.А., Кудряшев Р.А. Визуализация графовой модели медицинских препаратов и их классов с учетом несовместимости Scientific Visualization (год публикации - 2023)

7. Судаков В.А., Титов Ю.П. Исследование применения метода муравьиных колоний для перебора комбинаций медицинских препаратов Материалы XXIII Международной конференции по вычислительной механике и современным прикладным программным системам, ВМСППС’2023 Дивноморское, Краснодарский край, 4-10 сентября 2023 года – Москва, МАИ, 2023, Материалы XXIII Международной конференции по вычислительной механике и современным прикладным программным системам, ВМСППС’2023 Дивноморское, Краснодарский край, 4-10 сентября 2023 года – Москва, МАИ, 2023. – C. 140-142. (год публикации - 2023)

8. Сивакова Т.В., Судаков В.А. Согласование мнений экспертов в системах ориентированных на достижение стратегических целей государства по здоровьесбережению Приоритеты и механизмы стратегического планирования в Российской Федерации : сборник статей XII Международной научной конференции «Абалкинские чтения». 26–27 апреля 2023 г., Приоритеты и механизмы стратегического планирования в Российской Федерации : сборник статей XII Международной научной конференции «Абалкинские чтения». 26–27 апреля 2023 г. с. 211-216 (год публикации - 2023)

9. Титов Ю.П. Применение метода муравьиных колоний для составления наборов медицинских препаратов Приоритеты и механизмы стратегического планирования в Российской Федерации : сборник статей XII Международной научной конференции «Абалкинские чтения». 26–27 апреля 2023 г., Приоритеты и механизмы стратегического планирования в Российской Федерации : сборник статей XII Международной научной конференции «Абалкинские чтения». 26–27 апреля 2023 г. с. 225-232 (год публикации - 2023)

10. Карандеев А.А., Яшин Н.А., Сивакова Т.В., Видякин А.В. Разработка модели для оценки взаимодействия между лекарственными препаратами Препринты ИПМ им. М.В.Келдыша, Препринты ИПМ им. М.В.Келдыша. 2023. № 57. 12 с. (год публикации - 2023)
10.20948/prepr-2023-57

11. Жукова О.В., Судаков В.А., Воробьева О.А., Чеснокова Н.Н., Шимановский Н.Л. Концентрация имипенема/циластатина в плазме крови и выживаемость (эффективность терапии) тяжелобольных пациентов в клинической практике Химико-фармацевтический журнал, Химико-фармацевтический журнал. Том 57, № 11 (2023) (год публикации - 2023)
10.30906/0023-1134-2023-57-11-8-12

12. Аладышева Ж.И., Береговых В.В., Мешковский А.П., Пятигорская Н.В. Фармацевтическое государственное регулирование и экспорт лекарственных средств: зарубежный опыт Федерализм, 2023;28(3):108-136 (год публикации - 2023)
10.21686/2073-1051-2023-3-108-136

13. Жукова О.В., Шимановский Н.Л., Береговых В.В. Межлекарственные взаимодействия при лечении хронической сердечной недостаточности: анализ клинических рекомендаций Вестник Российской академии медицинских наук (год публикации - 2023)

14. Судаков В.А., Сивакова Т.В. Системы поддержки принятия врачебных решений в полифармакотерапии Материалы XXIII Международной конференции по вычислительной механике и современным прикладным программным системам (ВМСППС’2023), 4–10 сентября 2023 г., Дивноморское, Краснодарский край. — М.: Изд-во МАИ, 2023, Материалы XXIII Международной конференции по вычислительной механике и современным прикладным программным системам, ВМСППС’2023 Дивноморское, Краснодарский край, 4-10 сентября 2023 года – Москва, МАИ, 2023. – C. 138-140 (год публикации - 2023)

15. Аладышева Ж.И., Береговых В.В., Мешковский А.П., Пятигорская Н.В. Совершенствование государственного регулирования фармацевтической отрасли и экспорт российских лекарственных средств Федерализм (год публикации - 2023)
10.21686/2073-1051-2023-4-140-166

16. Уцумуева М.Д., Миронов Н.Ю., Голицын С.П., Долгушева Ю.А., Береговых В.В., Шимановский Н.Л. Фибрилляция предсердий у больных с хронической сердечной недостаточностью: общность звеньев патогенеза, принципы лечения, перспективы использования искусственного интеллекта Вестник Российской академии медицинских наук (год публикации - 2023)
10.15690/vramn16009

17. Пантелеев В.И., Кригер А.Г., Шимановский Н.Л. Искусственный интеллект в хирургии. Снижение рисков полифармакотерапии в периоперационном периоде (обзор литературы) Хирургия. Журнал им. Н.И. Пирогова (год публикации - 2025)

18. А.И. БАРАНИЧ, А.А. СЫЧЕВ , И.А. САВИН, В.Г. КУДРИНА Коррекция эффекта антагонистов витамина K и антиагрегантов при геморрагическом инсульте Вопросы нейрохирургии имени Н.Н. Бурденко, Вопросы нейрохирургии имени Н.Н. Бурденко 2024, №6, с. 103–109 https://doi.org/10.17116/neiro202488061103 (год публикации - 2024)
10.17116/neiro202488061103

19. В.О. Богданова, О.С. Голикова , В.Г. Кудрина, Ю.А. Долгушева Межлекарственные взаимодействия в клинической практике. (Обзор литературы и SWOT-анализ) Медицинские технологии. Оценка и выбор. , Медицинские технологии. Оценка и выбор 2024, №3 (46), сс. 137–143 (год публикации - 2024)
10.17116/medtech202446031137

20. Судаков В.А., Титов Ю.П., Судакова Е.В., Титова А.Ю., Кудрина В.Г. Поиск альтернативных лекарственных средств с учетом рисков полифармокотерапии методом муравьиных колоний Врач и информационные технологии, Врач и информационные технологии. 2024; 3: 86-94 (год публикации - 2024)
10.25881/18110193_2024_3_86

21. Береговых В.В., Пантелеев В.И., Шимановский Н.Л. Полифармакотерапия: использование искусственного интеллекта для снижения рисков побочных эффектов лекарственных средств (обзор литературы) Вестник Российской академии медицинских наук, Вестник РАМН. 2024;79(4):346–352 (год публикации - 2024)
10.15690/vramn17965

22. Куропаткина Т.А., Сивакова Т.В., Шегай М.М, Орлов Ю.Н., Шимановский Н.Л. Разработка модели прогнозирования и минимизации риска побочных эффектов при комбинированном применении средств лечения хронической сердечной недостаточности с помощью искусственного интеллекта Проблемы социальной гигиены, здравоохранения и истории медицины (год публикации - 2025)

23. Шимановский Н.Л., Судаков В.А., Береговых В.В. Роль искусственного интеллекта в снижении риска развития побочных реакций при множественных лекарственных взаимодействиях Вестник Российской академии медицинских наук, Вестник РАМН. — 2024. — Т. 79. — № 3. — С. 250–260. (год публикации - 2024)
10.15690/vramn12464

24. Орлов Ю.Н., Сивакова Т.В., Шимановский Н.Л. Ранговая модель оценки рисков полифармакотерапии Математическое моделирование (год публикации - 2025)

25. Нестерова Н.В., Бунятян Н.Д., Самылина И.А. Cardiotropic medicinal products of plant origin. Prospects for use in modern сlinical practice Research Results in Pharmacology (год публикации - 2024)

26. Долгушева Ю.А., Ефремова Ю.Е. ,Горнякова Н.Б., Кудрина В.Г., Айрапетян А.А., Миронов Н.Ю., Богданова О.В., Сорокин Е.В. Хроническая сердечная недостаточность: лекарственное обеспечение, диспансерное наблюдение и перспективы использования цифровых технологий РМЖ. Медицинское обозрение, РМЖ. Медицинское обозрение. T. 8, №7, 2024 (год публикации - 2024)
10.32364/2587-6821-2024-8-7-3

27. Долгушева Ю.А., Ефремова Ю.Е., Кудрина В.Г., Агапова О.Ю., Миронов Н.Ю., Богданова В.О. Риски полипрагмазии у пожилых пациентов с сердечно-сосудистыми заболеваниями РМЖ. Медицинское обозрение (год публикации - 2025)

28. Карандеев А.А., Яшин Н.А., Петрова А.А., Атрошкин К.А., Шимановский Н.Л. Разработка модели на основе методов машинного обучения для комплексной оценки взаимодействия лекарственных препаратов при полифармакотерапии Медицина и высокие технологии (год публикации - 2024)

29. Жукова О.В., Шимановский Н.Л. Сравнительный анализ эффективности бета-блокаторов в терапии хронической сердечной недостаточности на основании методик атрибутивной статистики и анализа межлекарственных взаимодействий Химико-фармацевтический журнал (год публикации - 2024)

30. Баранич А.И., Сычев А.А., Савин И.А., Кудрина В.Г., Козлов А.В. Коррекция эффекта прямых пероральных и парентеральных антикоагулянтов при геморрагическом инсульте Вопросы нейрохирургии имени Н.Н. Бурденко (год публикации - 2025)

Аннотация результатов, полученных в 2024 году
1. В настоящем проекте разработан новый подход, основанный на интеллектуальном анализе текстов инструкций к лекарственным средствам. В результате анализа построен байесовский граф и байесовская сеть доверия с целью оценки рисков побочных действий при различных комбинациях лекарственных средств. Первичными вершинами данной байесовской сети являются названия лекарственных средств. Из инструкций по применению лекарственных средств определяется факт влияния лекарственного средства на отдельные механизмы внутри человека, представленные в виде вершин байесовской сети. В результате взаимодействие лекарственных средств, описанное в инструкциях, в данном графе разбивается на взаимодействие между лекарственными средствами путем опасного влияния на общие механизмы. Информация о механизмах, влияющих при взаимодействии лекарственных средств, извлекается из текстов инструкций и различных базах данных в виде словесного описания. 2. В соответствии с построенными онтологиями и моделями была построена база размеченных данных по лекарственным препаратам и их взаимодействию. Для обработки больших объёмов информации о лекарственных средствах были использованы современные технологии асинхронной загрузки данных, включающие асинхронные запросы к базам данных: с использованием асинхронных библиотек для работы с REST API и базами данных, а также оптимизацию загрузки данных с помощью промежуточного хранения. Были обработаны тексты инструкций для препаратов, применяемых при ХСН, по которым в государственном реестре лекарственных средств имеется более 17 тысяч документов, относящихся к 54-м международным непатентованным названиям лекарственных средств. В рамках разработки методов асинхронной разметки инструкций по медицинскому применению была создана специализированная технология на основе Doccano. Инструменты разметки рассчитаны для работы в соответствии с аннотацией BIO. Всего для выделения распознавания именованных сущностей составлено 39 тегов. 3. В соответствии со структурой базы данных по препаратам, применяемым для лечения ХСН, были разработаны программные средства классификации входящего потока информации с использованием методов машинного обучения. Алгоритм классификации и извлечения информации из документов в форматах PDF, Word и TXT представляет собой многоступенчатый процесс, обеспечивающий извлечение медицинских данных с практически достаточной точностью, структурирование и подготовку к дальнейшему анализу. 4. Для построения графа связей между вершинами были построены алгоритмы для распознавания и выделения требуемых смысловых вершин и связей в контексте полифармакотерапии из описаний в форме изображений и гипертекстов. В качестве функционала близости текстовой информации была использована косинусная метрика в базисе из наиболее часто употребляемых ключевых слов. Процесс отбора лексических единиц из вышеперечисленных источников был организован в полуавтоматическом режиме. Исходные тексты подвергались разбиению на отдельные слова, после чего происходил отбор лексем на основании морфологических признаков, таких как префиксы и суффиксы, а также с применением алгоритмов для выделения аббревиатур. Этот этап позволил автоматизировать часть рутинной работы по выделению терминов и облегчить дальнейшую обработку данных. 5. Был разработан организационный каркас СППВР для снижения рисков полифармакотерапии. Он реализован как клиент-серверное приложение. СППВР состоит из трех основных блоков: - Модуль построения графовых моделей на основе инструкций лекарственных средств ГРЛС. - Модуль обработки запросов от пользователя; - Клиент СППВР, предназначенный для взаимодействия с пользователем. 6. Были разработаны подсистемы авторизации, администрирования, контроля доступа, управления задачами по анализу и обработке данных, протоколирования действий при использовании СППВР. Выделяются три основные группы пользователей: медицинские работники (врачи, фельдшеры и т.д.), исследователи и администраторы. 7. Было проведено аннотирование стандартизации описания показаний, противопоказаний, побочных эффектов и взаимодействия лекарственных препаратов при ХСН, поиск аналогов, синонимов. В основу базы данных, используемых для разработки модели машинного обучения, легли инструкции по применению лекарственных препаратов из списка, отобранного на основе актуальных клинических рекомендаций по лечению ХСН. Созданная база данных была разделена на несколько ключевых подкатегорий, каждая из которых содержит важные атрибуты, необходимые для эффективного анализа. 8. Была разработана модель рационального выбора лекарственных препаратов на основе векторного критерия, учитывающего индивидуальные особенности пациента, с использованием данных по фармакогеномике препаратов, применяемых при ХСН. Методология данного исследования основана на подходе к многокритериальному выбору лекарственных препаратов. Центральным компонентом модели является векторный критерий, который включает несколько измерений (векторов), описывающих различные аспекты взаимодействия лекарственных препаратов и пациента. 9. Была построена математическая модель взаимодействия нескольких лекарственных препаратов и создана ее тестовая реализация в виде численного алгоритма на примере группы лекарственных препаратов, применяемых при ХСН. Были проведены тестовые расчеты для сочетаний трех, четырех, пяти и шести лекарственных средств. Модель использует ранговые оценки относительной тяжести побочных эффектов и сходной фармакодинамики при приеме нескольких препаратов. На примере лечения хронической сердечной недостаточности показано использование данной модели как основы для разработки системы поддержки принятия врачебных решений в области полифармакотерапии. Присвоение ранга паре «лекарство – последствие» проводится с учетом частоты возникновения побочных эффектов, пола и возраста пациента. Модель допускает автоматическую коррекцию рангов в рамках персонализированного подхода, когда ранг тяжести последствий повышается, если пациент имеет соответствующие сопутствующие заболевания. Совместимость нескольких препаратов определяется на основе графовой модели, когда соединяются между собой только те вершины, для которых суммарный ранг последствий по каждому из возможных побочных эффектов меньше критического уровня, принятого в ранговой модели за единицу. Поэтому задача совместимости препаратов сводится к выделению полносвязных подграфов, поскольку необходимым, хотя и не достаточным, условием совместимости n препаратов является их попарная совместимость. Этот подход позволяет существенно снизить вычислительную сложность задачи, поскольку кластеризация на уровне полной связности снижает размерность по возможному числу одновременно применяемых препаратов.

Публикации