Семинар по ЛИС qMS

25 августа 2016 года на площадке отделения лабораторной диагностики ФГБУ ВЦЭРМ им. А.М. Никифорова МЧС специалистами компании СП.АРМ был проведен семинар под названием «ЛИС qMS – современное решение для Вашей лаборатории». Он был посвящен разработанной нашей компанией системе ЛИС qMS, предназначенной для комплексной информатизации всех технологических процессов лаборатории, и ее практическому применению в медицинской организации.

Семинар посетили заведующие лабораторий, врачи-лаборанты и специалисты отделов информатизации 15 городских медицинских учреждений Санкт-Петербурга, включая диспансеры и родильные дома.

В рамках мероприятия заведующая лаборатории профессор Зыбина Наталья выступила с докладом о реализации системы и организации рабочего процесса в лабораториях ВЦЭРМ. Она описала достоинства и особенности использования ЛИС qMS с точки зрения медицинского персонала клиник.

Также с презентацией нашей системы выступила руководитель отдела ЛИС qMS Голикова Наталья. Она продемонстрировала слушателям возможности информационной системы, которые затем были показаны в действии во время экскурсии по лаборатории ВЦЭРМа с оснащенными нашей системой рабочими местами и анализаторами.

Участники семинара проявили высокую заинтересованность в тематике встречи и активно задавали вопросы по разным аспектам внедрения и использования системы, на которые наши специалисты, а также присутствующий на семинаре заместитель директора ФГБУ ВЦЭРМ Бахтин М.Ю. постарались максимально полно ответить.

Большое количество пришедших на мероприятие представителей городских медицинских учреждений показало высокую важность информатизации лечебных процессов в здравоохранении нашего региона и страны в целом. Компания СП.АРМ крайне довольна итогами встречи и планирует в дальнейшем поддерживать связь с ее участниками и организовывать подобные мероприятия на регулярной основе.

Обзор: ИТ в здравоохранении 2016

Присутствие в регионах крупнейших поставщиков ИТ-решений для здравоохранения

Компания Город Число регионов, в которых ведутся работы по созданию РС ЕГИСЗ Число регионов, в которых ведутся работы вне создания РС ЕГИСЗ Количество МО, автоматизированных вне контракта по созданию ЕГИСЗ на 01.01.2016 г. Крупнейшие проекты 2015-16 гг. Разработанные/внедряемые ИТ-решения
Барс Груп Казань 7 25 1 156 Создание и развитие РС ЕГИСЗ Ростовской области, РС ЕГИСЗ Чеченской республики, РС ЕГИСЗ Челябинской области, работы для ТФОМС Республики Тыва, ТФОМС Хабаровского края, Барс.Здравоохранение – ТФОМС, Барс.Здравоохранение – МИС, Барс.Здравоохранение – Регистры, Барс.Здравоохранение – ДЛО, Барс.Здравоохранение – Регистратура, Барс.Здравоохранение – ЛИС, Барс.Здравоохранение – Ген-Эксперт, Барс.Мониторинг родовспоможения, Барс.Мониторинговый центр здравоохранения, Барс.Мониторинг медицинского страхования, Барс.Мониторинг здравоохранения
КМИС Петрозаводск 5 27 н/д Техническая поддержка и развитие РС ЕГИСЗ в Ямало-Ненецком АО, Кировской области, автоматизация отдельных медицинских организаций ФМБА Комплексная медицинская информационная система (КМИС), Региональная информационно-аналитическая система (РИАС), Региональный информационный ресурс (КМИС,РИР), Электронная регистратура (ЭР), Региональная система наблюдения беременных (РСНБ)
Крок Москва 3 0 0 Создание интерактивного макета государственной поликлиники: визуализация макета поликлиники в 3D для поддержки принятия решений эксперта; внедрение сервисов ЕМИАС, проекты для Минздрава Челябинской области — техническая поддержка и сопровождение медицинской информационной системы; аренда вычислительных мощностей по технологии Virtual Private Server для размещения региональной МИС; аренда облачных ресурсов, МедАналитика, ЕМИАС, медицинские киоски
Мастер Лаб Москва 0 85 155 Внедрение ЛИС в МНТК «Микрохирургия глаза» имени С,Н, Федорова, НЦССХ им, А, Н, Бакулева, медсанчасть «Северсталь», г, Череповец, ГКБ 51 ГКБ 61, ГКБ 81 г,Москвы, психиатрическая клиническая больница № 3 им, Гиляровского, психиатрическая клиническая больница № 4 им, Ганнушкина, сеть диализных центров B,Braun, сеть клиник «Орис» н/д
Медсофт Москва 0 4 59 н/д МИС, стоматологическая МИС, ЛИС
Нетрика Санкт-Петербург 9 0 0 Развитие и модернизация компонент РС ЕГИСЗ Санкт-Петербурга, Мурманской области, Краснодарского края Электронная регистратура, ИЭМК, управление очередями на плановую госпитализацию, консультативный приеем, исследования КТ/МРТ, обмен данными лабораторных и инструментальных исследований, региональный индекс пациентов, сервис мониторинга, управление нормативно-справочной информацией, индекс врачей, система управления доступом
Пост Модерн Текнолоджи Москва 6 0 879 Проекты в ГКБ имени С,П, Боткина, «Мать и дитя», «Ава-Петер», «Скандинавия» Медиалог, решения по интеграции с региональными МИС, ФЭР, ИЭМК, PACS, мобильные решения для пациентов – Mobimed и для врачей – Medipad, BI, LIS
Сван Пермь 7 4 29 Развитие РС ЕГИСЗ в Пермском крае, Астраханской области, Псковской области, республиках Башкортостан, Карелия, Хакасия; создание регионального сегмента ЕГИСЗ в Республике Крым ПроМед
Смарт Дельта Системс Москва 2 80 2 286 Поддержка и развитие РС ЕГИСЗ в Тульской и Волгоградской обл,, внедрение МИС и ЛИС в сети «Диалайн», внедрение МИС в ГКБ 70 г, Москвы, Институте пластической хирургии и косметологии (Москва), Первом клиническом медицинском центре (Ковров) Инфоклиника, Инфодент
СофтБаланс Санкт-Петербург 0 2 12 Проекты в ФМИЦ имени В,А, Алмазова, НИИ фтизиопульмонологии, НИИ детских инфекций, детской городской клинической больнице №5 им, Филатова, консультативно-диагностическим центре с поликлиникой, Мариинской больнице СПБ, Волосовской МБ Аналит, Учет медицинских услуг 8, 1С:Медицина, Поликлиника, 1С:Медицина, Больница, 1С:Медицина, Диетическое питание,1С:Медицина, Больничная аптека, 1С:Розница 8, Аптека, 1С:Медицина, Больничные, 1С:Предприятие 8, Управление аптечной сетью
СофТраст Белгород 5 4 271 Внедрение специального ПО подсистемы ведения ЭМК и управления потоками пацентов ЕМИАС Московской области ТрастМед, ЦОД РС ЕГИСЗ, система управления лекарственным обеспечением региона, редактор шаблонов медицинских записей, система управления потоками пациентов, электронная регистратура, электронная очередь
СП.АРМ Санкт-Петербург 2 14 45 Проекты в Эндокринологическом научном центре, Государственном медицинском университете им, академика Павлова, Всероссийском центре экстренной и радиационной медицины МЧС России им, А,М, Никифорова, СЗФМИЦ им, В, А, Алмазова, СПб НЦЭПР им, Г, А, Альбрехта Минтруда России, НИИ детских инфекций СПб, городской поликлинике № 97, городском клиническом онкологическом диспансере СПб, Белгородской ОКБ Святителя Иоасафа, Северо-Кавказском ММЦ, Свердловской ОКБ №1, медицинском центре Управления делами Президента РК, многопрофильной поликлинике № 10 (город Астана), областной клинической больнице и станции переливания крови Калининградской обл,, ДВОМЦ ФМБА России, Сибирском клиническом центре, СКЦ ФМБА России, клинической больнице №42, КрасГМУ им, профессора В,Ф, Войно-Ясенецкого, внедрение РМИАС Красноярскогоb Камчатского края, Лабытнангская ЦГМБ, Салехардская ОКБ qMS-единая платформа для информатизации системы здравоохранения: РМИС qMS, МИС qMS, ЛИС qMS, РИС qMS, ОТ qMS, ТФОМС qMS, АИС СЗН, РАИС СЗН, ЦСО qMS
Форс Москва 0 1 32 н/д Вятка, система телемониторинга REMSMED, система дистанционного взаимодействия клиентов аптек с фармацевтами RemsPharm, региональный портал, портал телемедицинских центров, система бюджетирования и финансового планирования для частной клиники
Хост Екатеринбург 2 5 400 Система сбора отчетности для организаций здравоохранения Севастополя, электронная регистратура для ХМАО, система учета медицинских справок в Самарской области, ЕРМИС в Республике Саха (Якутия), Интеграционная шина, система сбора отчетности, региональная информационно- аналитическая система, автоматизация административных регламентов (Сбор и ведение регистра региональных льготников, врачей; Учет высокотехнологичной и специализированной медицинской помощи; Учет диспансеризации детей сирот и детей, находящихся в трудной жизненной ситуации; Аттестация ИС, обеспечение информационной безопасности,Регистр медицинских справок; Учет показателей смертности населения; Формуляр и учет закупок лекарственных средств, Электронная регистратура,

Источник: CNews Analytics, 2016

Кластерный анализ в среде Python данных МИС

В рамках совместного исследовательского сотрудничества Академического Партнерства ЕМС, Владивостокского государственного университета экономики и сервиса и Санкт-Петербургской ИТ-компании СП.АРМ (информационные системы в медико-социальной сфере) проводится исследование по анализу записей Медицинской информационной системы «qMS». Проект получил название «Case-study Big Data: iHealthCare Optimization». МИС «qMS» является уникальной «hospital network», объединяющей больницы в единый информационный ресурс сбора и анализа данных по принципу SaaS (software as a service) – программное обеспечение как услуга.

В качестве цели проекта рассматривались:

1. Формирование в сознании представителей научного медицинского сообщества и руководства Министерства здравоохранения устойчивых ассоциативных связей между подходами к решению современных задач здравоохранения и функциональными возможностями МИС qMS.

2. Позиционирование компании «СП.АРМ» не только как разработчика современных информационных продуктов в области здравоохранения, но и как организации, активно участвующей в проектировании подходов к модернизации здравоохранения.

3. Демонстрация на академическом уровне перспектив сочетания современных методов обработки больших массивов данных с возможностями уже эксплуатируемых медицинских информационных систем.

4. Получение выводов, основанных на обработке данных, накапливаемых в МИС, недоступных в рамках подходов «стандартной отчетности».

5. Подтверждение того факта, что современные тенденции и перспективы развития медицины и здравоохранения неразрывно связаны с функциональными возможностями и логикой накопления данных в медицинских информационных системах.

 

С текстом статьи можно ознакомиться на сайте СП.АРМ.

Кластерный анализ в среде Python данных МИС

Авторы исследования: О.Ю. Колесниченко, А.Л. Мазелис, А.Э. Николаев, В.В. Пулит, Г.Н. Смородин, Ю.Ю. Колесниченко.

 

Во Владивостокском государственном университете экономики и сервиса был проведен кластерный анализ с помощью языка программирования Python. Автор программы – Андрей Львович Мазелис, кандидат физико-математических наук, доцент кафедры математики и моделирования ФГБОУ ВО ВГУЭС, Владивосток.

Были проанализированы записи системы «qMS», сделанные в течение года с трех медицинских учреждений, оказывающих стационарную медицинскую помощь. Выборка больных для анализа составила 685 пациентов, все они проходили стационарное лечение с диагнозом по МКБ-10 – Код: I11.9: Гипертензивная (гипертоническая) болезнь с преимущественным поражением сердца без сердечной недостаточности; или Гипертоническая болезнь 2 стадии. Средний возраст пациентов составил 56,5 лет. Личные данные пациентов исследовательской группе не передавались, пациенты были закодированы. ИТ-специалисты СП.АРМ перевели собранные первичные массивы Больших данных в таблицу метаданных.

Кластеризация выполнена по полному набору метаданных Max Metadata (39 медуслуг), среднему набору метаданных Middle Metadata (24 медуслуги) и сокращенному набору метаданных Min Metadata (10 медуслуг), с группировкой на 2, 3 и 4 кластера (например, кластеризация полного набора метаданных на два кластера – Max-2, три кластера – Max-3, четыре кластера – Max-4), что позволило посмотреть эволюцию сегментации данных. Кластеризация проводилась по двум направлениям, фиксированным системой «qMS»: по количеству проведенных медицинских обследований и процедур – Series treatment, и по времени ожидания последнего анализа – Series time. Кластеры обозначались буквой «k» и номером перед ней (например, Max-2 1k и Max-2 2k означает кластеризацию полного набора метаданных на два кластера 1k и 2k).

Зашифрованные записи МИС, предоставленные для анализа, содержат как случаи госпитализации по ОМС, так и случаи платной госпитализации, поэтому нельзя говорить о выполнении или невыполнении договорных обязательств по оказанию медицинской помощи по ОМС.

График, отражающий распределение кластеров, представлен на рис. 1, а на рис. 2 для сравнения отражено простое распределение без кластеризации всех зарегистрированных случаев лечения (полная выборка – 685 пациентов). Среднее арифметическое по всей выборке составляет 33 тыс. 262 руб. для стоимости лечения и 9,7 суток для длительности госпитализации.

sites/default/files/user_pictures/2016/08/06/Klasterizaciya_stoimost-dlitelnost_3.jpg

Рис. 1. Распределение всех кластеров по двум характеристикам (средние значения для каждого кластера) «стоимость лечения – длительность госпитализации». Стрелками указаны кластер с самой низкой стоимостью лечения и кластер с самой высокой стоимостью лечения.

sites/default/files/user_pictures/2016/08/06/Vsya_vyborka_stoimost-dlitelnost.jpg

Рис. 2. Полная выборка пациентов, простое распределение значений длительности госпитализации и стоимости лечения для каждого пациента.

Кластеризация способствовала выявлению двух групп, что невозможно было сделать, используя обычный статистический анализ. Группа 1 — 395 пациентов; стоимость лечения до 35 тыс. руб.; средняя длительность пребывания в стационаре 8,5 суток. Группа 2 — 290 пациентов; стоимость лечения от 35 тыс. руб.; средняя длительность пребывания в стационаре 11,2 суток.

Из всей мультикластерной картины был выделен кластер Middle-4 3k Series treatment с самой низкой стоимостью лечения, он очищен от обследований, которые не входят в стандарт лечения гипертонической болезни. Для этого кластера стоимость лечения в среднем составила 24 тыс. 939 руб. при средней длительности лечения 8 суток, численность кластера – 231 пациент (33,7% от всей выборки). Можно сказать, что этот кластер является желаемым ориентиром для оптимизации лечения данной категории больных (с учетом изменения цен с периода лечения).

Кластер Min-4 2k Series time характеризуется численностью 20 пациентов при среднем возрасте 61 год (это верхняя средняя возрастная планка среди всех кластеров) и средней стоимостью лечения 39 тыс. 908 руб. при средней длительности госпитализации 15 суток. Кластер Min-4 2k Series time с самым длительным пребыванием в стационаре (в среднем 15 суток) относится к сокращенному набору данных Min, что говорит о том, что задержка этих пациентов связана именно с минимальным набором медуслуг, а более конкретно – с повторным проведением электрокардиограммы (ЭКГ). Также кластер Min-4 2k Series time характеризуется самым большим среди данного распределения числом анализов крови и ожиданием парентерального лечения.

В целом повторные ЭКГ-обследования проводили всего 37 пациентам, это 5% от всей выборки. На рис. 3 видно, что преимущественно ЭКГ проводилась пациентам в течение первых суток от момента поступления. И можно выделить второй пул пациентов, малочисленный, который отражает повторные, отсроченные и линейно зависящие от срока госпитализации ЭКГ-обследования.

sites/default/files/user_pictures/2016/08/06/Vsya_vyborka_dlitelnost_lecheniya_ozhidanie_EKG.jpg

Рис. 3. Полная выборка пациентов; простое распределение значений длительности госпитализации и ожидания ЭКГ-обследования в минутах от момента поступления. В одних сутках 1440 минут.

При сравнении схожих по стоимости лечения кластеров можно выделить две структуры медуслуг: в одном случае больше проводится парентеральное лечение и больше внимания уделяется обследованию кардиореспираторной системы, а в другом случае потребовалось проводить дополнительную диагностику сопутствующих заболеваний.

Анализ кластеров позволил описать социально-медицинский портрет пациента (или iПациента), страдающего гипертензивной болезнью сердца: в основном такому пациенту требуется одно обследование ЭКГ; только в половине случаев проводится внутривенное капельное введение препаратов; почти равное внимание уделяется как обследованию сердца, так и обследованию желудочно-кишечного тракта, что оправдано с точки зрения оценки побочных эффектов пероральных антигипертензивных препаратов, а также указывает на наличие определенной направленности сопутствующих заболеваний у данной категории больных.

Основные выводы:

1. Подсчет средних арифметических для оценки работы медицинских учреждений малоинформативен по сравнению с возможностями кластеризации в среде Python. При средней арифметической стоимости лечения 33 тыс. 262 руб. и длительности госпитализации 9,7 суток, кластеризация позволила выявить две группы с распределением стоимости лечения до 35 тыс. руб. и свыше 35 тыс. руб. со средней длительностью лечения 8,5 и 11,2 суток соответственно.

2. В условиях информатизации социума возникает понятие «iПациент» (intranet-пациент), характеристики которого отражены в МИС, накапливающих Большие данные от медучреждений. Концепция «iПациент» позволяет анализировать записи МИС с точки зрения социально-медицинской обратной связи и вносить изменения в стандарты лечения в соответствии с обнаруженными реальными требованиями пациентов, формируя гибкие социально-медицинские стандарты «aaS» (as a service, стандарты как услуга).

3. Основываясь на результатах анализа данных МИС, стандарт-aaS в отношении нахождения в стационаре пациентов с артериальной гипертензией может включать обследование не только сердечно-сосудистой системы в сочетании с другими обследованиями с учетом патогенеза заболевания и дифференциальной диагностики гипертензии, но и параллельно обследование ЖКТ с целью раннего выявления сопутствующей патологии и сокращения онкологической смертности населения. Высокая частота обследований ЖКТ в данной кардиологической выборке пациентов указывает на проблему распространенности заболеваний ЖКТ, что требует разработки гибких мер по раннему выявлению заболеваний.