Внедрение qMS в Отделении детской скорой помощи Детской городской больницы № 1

Отделение скорой помощи для детей, открытое в Детской городской больнице № 1 в 2017 году, стало первым из подобных подразделений в Санкт-Петербурге. Структура, оснащение и организация лечебного процесса в новом  отделении задумывались и создавались с нуля, не по шаблону,  что, с одной стороны, усложнило задачу, но с другой — дало возможность построить подразделение, которое отвечает самым современным требованиям. О том, как это происходило, рассказывает Андрей Николаевич Стариков. 

В чем трудности выбора МИС?

        В настоящее время в медицину происходит активное внедрение информационных технологий, которые позволяют не просто уйти от «бумаги» во врачебной деятельности, но и произвести реинжиниринг лечебного процесса в целом. Успех цифровизации в медицине во многом определяется выбранной медицинской информационной системой (МИС). Большая часть МИС «заточены» под стандартные решения и существенно ограничивают возможности информационной поддержки оригинальных и развивающихся медицинских технологий. Плюсом использования типовых МИС является простота эксплуатации, внедрения и обучения пользователей. С другой стороны, любое изменение законодательства, изменения в технологических цепочках, порядке выполнения услуг требует переписывания программного кода, занимает много времени, требует больших усилий и расходов со стороны разработчика.

Почему нам подошла МИС qMS?

        Для создания информационной платформы детского отделения скорой помощи была выбрана МИС qMS, существенные свойства которой — гибкость и настраиваемость, ориентированность на специфику технологий здравоохранения. Базовые механизмы организации хранения и обработки данных, применяющиеся в qMS, хорошо приспособлены для  работы с личными данными пациентов, данными лабораторных и инструментальных исследований, оказываемыми услугами. Большим плюсом является хорошо организованная коллекция медицинских документов, которая позволяет в сжатые сроки подобрать и адаптировать к своим требованиям медицинскую документацию практически любого вида.

        Крайне важны богатые возможности qMS по организации схем (как простых, так и сложных) маршрутизации пациентов. Это имеет особенно большое значение в отделении скорой помощи (ОСП), где требуется максимально быстро и точно поставить диагноз. Удобный инструмент для сотрудников ОСП — мониторинг, позволяющий устанавливать и отслеживать приоритетность оказания услуг в зависимости от медицинских показаний (сортировки).

Что в результате?

     На сегодняшний момент отделение ОСП интегрировано со всеми службами больницы: клинической диагностической лабораторией, отделением лучевой диагностики, другими подразделениями. Применение qMS сделало работу в отделении скорой помощи максимально прозрачной, что позволяет существенно снизить риски при оказании срочной медицинской помощи маленьким пациентам. Кроме того, имеющиеся средства для получения и построения различных отчетов дают возможность в оперативном режиме анализировать показатели работы отделения и оптимизировать его работу.

Сначала было страшно, но потом понравилось: за что мы полюбили коллектив ГУЗ «ККИБ» в Чите

До сих пор у нас не было рубрики «Любимые клиенты», но чувствуем: пора. Начнем с Краевой клинической инфекционной больницы Читы, — работаем мы с ними относительно недавно, но успели хорошо поладить.

ГУЗ «Краевая клиническая инфекционная больница» было образовано в 2011 году через слияние ГУЗ «Краевая детская инфекционная больница» и ГУЗ «Краевая инфекционная больница». Сегодня мощность стационара Клинической инфекционной больницы составляет 223 койки: 97 взрослых, 114 детских и 12 реанимационных.

В 2018 году больница получила сертификат ИСО 9001 (ISO), — он подтверждает, что системы менеджмента качества в ГУЗ «ККИБ» соответствуют международному стандарту. На достигнутом коллектив решил не останавливаться, взялся за обновление МИС, и теперь больница осваивает qMS.

Для команды СП.АРМ сотрудничество с ГУЗ «ККИБ» — первый забайкальский проект. Естественно, перед знакомством мы волновались. Знакомство происходило в декабре. Представьте: не самое светлое время года, за бортом — комфортная для этих мест, но ужасающая для изнеженного петербуржца температура -25º, к тому же изнеженный перербуржец пребывает в легком джетлаге, потому что все-таки шесть часов разницы.

И вот в таких условиях изнеженный петербуржец оказывается где-то на сугробной индустриальной окраине незнакомого города. Самое приметное здание района — психиатрическая клиника, которая и в солнечном июле способна напугать прохожего, а уж под завывание декабрьских ветров — тем более. Именно с ней по соседству располагается Краевая клиническая инфекционная больница.

В общем, с недосыпа и акклиматизации мы были готовы к тому, что нас сейчас встретят безумные доктора в стиле старых голливудских триллеров. Но встретили нас приятные, внимательные и мотивированные на совместную работу люди.

Небольшое отступление. Когда мы начинаем новое сотрудничество, мы мысленно готовимся к неравномерной включенности персонала больницы в процесс: как правило, на передовой информатизации трудятся лишь несколько человек, остальные подтягиваются с умеренным энтузиазмом или умеренным сопротивлением.

Представьте наш восторг, когда весь немаленький коллектив ГУЗ «ККИБ» — 150 человек — приступил к внедрению qMS с одинаковой мощной вовлеченностью!

В декабре мы начали с запуска приемного покоя, сегодня же на МИС qMS работают посты на отделениях, в процессе — настройка стационара и интеграция с лабораторией. С учетом того, что ГУЗ «ККИБ» — первая медорганизация в Забайкалье, выбравшая такую серьезную и большую программу, — темпы погружения отличные.

Еще крайне радует обратная связь: клиент вслушивается в рекомендации, что плодотворно влияет и на скорость внедрения, и на удовольствие от работы. А с шестичасовой разницей во времени, подчеркнем, вслушиваться в какие бы то ни было рекомендации непросто, — в этом смысле читинцы вообще настоящие герои.

Конечно, ничего этого не могло бы быть без толкового руководства, так что Читинской клинической инфекционной определенно повезло с главврачом, Сергеем Владимировичем Юрчуком, да и нам с ним повезло. Еще, пользуясь случаем, благодарим начальника IT-отдела Алексея Сергеевича Кошевого, усилиями которого наше сотрудничество получилось и получается, и и медсестру ПДО Татьяну Александровну Героеву, на которой держится очень многое.

Если наш блог читает дух удачи, то пусть он пошлет нам побольше таких приятных клиентов, а если читают сотрудники читинской Краевой клинической инфекционной больницы, то знайте: мы в восторге от знакомства и готовы к долгой и продуктивной дружбе.

Искусственный интеллект в здравоохранении

В конце прошлой недели Владимир Путин впервые провел открытое совещание по теме развития искусственного интеллекта в России. «Если кто-то сможет обеспечить монополию в сфере искусственного интеллекта — тот станет властелином мира», — резюмировал президент и предложил активное содействие во всем, что связано с ИИ, в том числе содействие инвестиционное: на развитие отрасли планируется потратить около 90 млрд рублей в ближайшие шесть лет.

Чтобы государственная инициатива не кончилась провалом, разбираемся в трудностях развития искусственного интеллекта и в том, как эти трудности преодолеть.

 

Коммунизма призрак по Европе рыскал,

уходил  и вновь  маячил в отдалении…

(В.В. Маяковский)

Если в приведенном эпиграфе слово «Коммунизм» заменить на «искусственный интеллект» (ИИ), а «Европу» на «Мир», его смысл окажется более чем современным. Действительно, технологии, основанные на использовании возможностей нейронных сетей, стремительно внедряются практически во все области человеческой деятельности. Не стала исключением и медицина.

Реальная польза или эйфория от модного термина?

Совершенно очевидно, что искусственный интеллект не отделим от компьютерных информационных технологий. Другими словами, только в тех областях можно рассчитывать на успех, где активно используются и наполняются качественными записями хранилища данных. С другой стороны, раз возможности и производительность вычислительной техники год от года возрастают, то видимо и в части технологий «Big Data», лежащих в основе ИИ, «все пути для нас открыты, все дороги нам видны…». Отсюда вытекает логичный на первый взгляд вывод —  возможности искусственного интеллекта безграничны и заоблачные высоты без особого труда достижимы. На этом фоне совершенно не хочется задумываться о существовании возможных ограничений. И напрасно.

Положение дел очень напоминает ситуацию периода 2008 – 2012 гг., когда среди медицинского сообщества стало распространяться представление о «неограниченных возможностях информатизации». Некоторым руководителям казалось даже, что внедрение МИС разом закроет все проблемы МО. Чтобы эйфория прошла и медицинские информационные системы заняли в работе организаций предназначенное им место, потребовался опыт нескольких лет их активной эксплуатации.

Возможности МИС оказались несколько скромнее максимальных ожиданий руководителей МО, но зато и перспективы повышения эффективности их использования значительно выходят за пределы первоначально поставленных перед ними задач. В результате неизбежность комплексной информатизации здравоохранения стала для всех очевидной. Точно также и использование в недалеком будущем систем экспертной поддержки решений, основанных на возможностях ИИ, весьма вероятно.

Надо, однако, понимать, что использование «искусственного интеллекта» в медицине не относится к задачам сегодняшнего дня. Причин этому много. Не на последнем месте стоит, в частности, недостаточное правовое обеспечение соответствующих проектов. Не стоит в этих вопросах и от Министерства ждать милости. Надо, безусловно, «бороться и искать, найти и не сдаваться!». Но не следует и воздушные замки строить. И уж тем более считать, что «искусственный интеллект» уже готов к внедрению в практическую медицину. Кое-что «нейронные сети» могут конечно уже и сегодня. Надо лишь определить, в каких направлениях и с какой степенью надежности на их «рекомендации» можно полагаться в области задач здравоохранения.

Типичным подтверждением сказанному являются результаты конференции по искусственному интеллекту в медицине, которая проходила в Салехарде 5 апреля 2019 года. Участникам, в частности, сообщили, что по результатам опытного внедрения искусственного интеллекта в больнице Муравленко выявление факторов риска онкозаболеваний увеличилось в семь раз, а из тридцати тысяч обработанных электронных медицинских карт пациентов, прикрепленных к лечебному учреждению, в одной трети из них были обнаружены предпосылки к возникновению заболеваний сердца.

Результат удивительный, но порождает смутные сомнения. Из итоговых публикаций сложно, к сожалению, однозначно интерпретировать логику работы ИИ в конкретной организации (больница Муравленко). С одной стороны, проводилось обучение экспертной системы, при котором «были использованы данные городской больницы – более 1,3 млн документов». Этот подход, кстати, полностью соответствует классической идеологии машинного обучения. С другой стороны, «Система подсчитывает риск сразу по четырем методикам». Хотелось бы в этом случае понять:

  1. Использовалась ли экспертная система, в основе которой лежала реальная математическая модель, полученная в результате настройки нейронной сети на основе данных электронных медицинских карт 25-ти тысяч пациентов? Или
  2. Система была настроена на обработку данных ЭМК (анализы, обследования, жалобы…) по известным ранее методикам определения риска заболевания? Или
  3. Использовались четыре независимые математические модели, построенные путем машинного обучения на различных по составу и структуре массивах данных?

Согласитесь, что уровни доверия к прогнозу для каждого из этих подходов будут различными.

Несколько настораживает и то обстоятельство, что из дополнительно обследованных шестисот пациентов, для которых ИИ определил высокий риск кардиологических заболеваний, на диспансерный учет были поставлены 67! То, что на этих пациентов обратили внимание, безусловно, замечательно, но 89% вероятных «ложноположительных» ответов — это несколько выше уровня, ожидаемого для качественно настроенной нейронной сети. И можно ли в этом случае дать гарантию, что экспертная система не выдала сопоставимое количество и «ложноотрицательных» прогнозов?

Это, конечно, конспирология, но объяснения по приведенному выше результату могут лежать и в совершенно иной плоскости. Причиной может стать недостаточная точность (адекватность) используемой математической модели в сочетании с взаимной заинтересованностью как разработчиков, так и пользователей ИИ именно в таком результате. К разработчику при этом не предъявляется жестких требований по качеству подготовки данных, необходимых для машинного обучения (для настройки нейронной сети), а лечебное учреждение получает подтверждение необходимости увеличения своего бюджета в связи с обязательностью проведения множества дополнительных обследований.

Часть приведенных выше высказываний, скорее всего, «мелкие придирки и инсинуации». Однако эйфория от первых успехов может реально вскружить голову и привести к неожиданным и далеко не всегда приятным последствиям. Всеми силами хотелось бы этого избежать, тем более что перспективы искусственного интеллекта, если ставить перед ним задачи, под которые он реально заточен, действительно вдохновляют. Для тех, кто в силу своей занятости в тему пока еще недостаточно глубоко погрузился, мы попробуем приподнять завесу таинственности над сутью процессов, формирующих ядро ИИ.

Некоторые особенности нейронных сетей и подходов к их настройке

«Искусственный интеллект» — это инструмент, основанный на математической модели процесса принятия решения, которая, в свою очередь, основана на выявленных ранее зависимостях и закономерностях. В качестве ядра ИИ может, в частности, использоваться и в явном виде записанное уравнение регрессии. В этом случае мы можем напрямую оценивать как влияние на значение функции цели каждого из рассматриваемых факторов, так и общую погрешность результата.

Современные подходы, использующие настройки нейронных сетей, отличаются (от подходов, использующих статистические методы получения регрессионных уравнений) в основном привлечением к разработке математической модели алгоритмов, которые на выходе формируют «вещь в себе». Проверка адекватности такой модели на этапе ее создания проводится путем сверки «предсказаний» ИИ с заранее известными целевыми значениями подготовленных тестовых записей. Предполагается, что в процессе эксплуатации экспертная система должна постоянно развиваться и повышать точность прогноза путем донастройки своего ядра, используя для этого вновь формируемые записи.

До настоящего времени в коммерческом сегменте присутствовали в основном так называемые «заблокированные алгоритмы ИИ». Разработанные на их основе экспертные системы существуют в виде самостоятельных программных модулей, воспринимаемых пользователями как «черный ящик». Как правило, они размещаются в «облаке» и поддерживаются разработчиками. Суть использования ресурса заключается в передаче на вход ИИ описаний конкретных процессов с откликом системы в виде «вероятного результата», или «оптимальной (с точки зрения ИИ) рекомендации». Состав таких описаний и алгоритм передачи согласуются с разработчиком (владельцем ресурса), и повышение качества прогноза используемых для этого нейронных сетей доступно также только ему.

Здесь мы сталкиваемся с первыми проблемами. Поставим себя на место специалиста, не имеющего доступа к информации по «knowhow» разработчика экспертной системы. Мы вынуждены или полностью доверять выводам (рекомендациям) ИИ, или от них отказаться. Предпочтение, естественно, отдается первому варианту. При этом мы не знаем на каких и по каким методикам подготовленных массивах данных проводилось обучение конкретной реализации нейронной сети. Это может быть как неструктурированный текст определенного раздела электронной истории болезни, так и структурированный набор данных. Не исключено, что при обучении использовались и фрагменты изображений или антропометрические показатели.

Нетрудно понять, что любые информационные массивы, используемые для обучения нейронных сетей, несут на себе отпечатки личности специалистов, их формирующих. Формулировки, термины, обозначения, выводы всегда будут, пусть и незначительно, отличаться. Исключением могут являться только записи, создаваемые на основе использования согласованных словарей, структурированных справочников, или данных объективных исследований. Но и этом случае на качество прогноза может существенно повлиять, например, марка анализатора, или качество реагента, если эти факторы при формировании модели не учитывались. Иными словами, прежде чем внедрять в свою практику искусственный интеллект, полезно как минимум познакомиться с перечнем показателей, использовавшихся при обучении системы, а также с общим объемом выборки данных. Понятно, что в случае закрытости информации по «knowhow» сделать это проблематично.

Предпочтительнее в этом смысле настраивать нейронные сети на данных, самостоятельно сформированных конкретной медицинской организацией. Этот процесс становится аналогом своеобразного консультирования менее опытных врачей старшими товарищами, работающими по тем же методикам и технологиям. Если при этом ИИ встраивается в структуру (становится элементом) рабочего варианта эксплуатируемой МИС, в значительной степени упрощается и проблема динамического повышения качества предсказаний и рекомендаций. Наконец, даже значительное изменение методик предоставления услуг, номенклатуры лекарственных препаратов, приборного оснащения и т.д., легко учитывается в модели путем ее повторного обучения на расширенном составе данных. В то же время качество рекомендаций «внешнего ИИ» в аналогичной ситуации может существенно снизиться.

В заключение раздела хочется обратить внимание на высокую вероятность возникновения различий в подходах к созданию и эксплуатации ИИ, ориентированных на решение аналогичных задач. Прежде всего, методы (алгоритмы) настройки нейронных сетей не являются секретом. Они общедоступны и при желании могут использоваться любым специалистом или любой организацией самостоятельно. Все тонкости и отличия связаны с постановками задач, с подготовкой массивов данных для машинного обучения и с методиками последующего повышения качества полученных математических моделей. В результате различными становятся времена подготовки и тестирования экспертных систем, их адаптивность к конкретным технологиям лечения, принципиальная возможность повышения точности «предсказаний» и доступность модернизации.

Направления эффективного использования ИИ

Наибольшее распространение технологии «искусственного интеллекта» получили в области кластерного анализа. Сюда относятся, в частности, задачи распознавания образов (текст, речь, фотографии…), диагностики и т.п. То есть, системе (ИИ) предлагается на основе реквизитов, описывающих объект, отнести его к той или иной группе. Причем указанные группы могут содержать как множество элементов (множество кошек, множество собак, признаки заболевания и пр.), так и единичные экземпляры (например, фотографии конкретных пациентов).

Интуитивно понятно, что, пропустив фотографию пациента через нейронную сеть, настроенную на задачу разделения «кошек» от «собак», ответ мы конечно получим. ИИ не может «зависать». Он всегда возвращает значение вероятности соответствия изображения определенному классу объектов. Но это, видимо, будет не совсем тот результат, на который мы рассчитываем. Другими словами, если нас интересует корректный прогноз, мы, как минимум, должны быть уверены, что:

  1. Используемая нами нейронная сеть (ИИ) настроена именно на ту задачу и прогноз того результата, которые нас интересуют.
  2. Запись, которую мы подаем на «вход» модуля ИИ, по своему составу и значениям терминов в значительной степени совпадает с подбором данных, на которых проводилось машинное обучение (настройка нейронной сети).
  3. Можно полагаться на опыт, компетентность и ответственность специалистов, записи которых использовались для формирования обучающей выборки.
  4. Структура (текст) электронных карт, на основе записей которых проводилась настройка и тренировка ИИ, действительно соответствуют логике внесения информации в МИС пользователя.

В перечень перспективного поиска направлений эффективного использования ИИ можно, видимо, включить и:

  1. Оптимизацию состава и последовательности диагностических мероприятий с учетом предварительно полученных результатов.
  2. Варианты оптимизации лечебных мероприятий, исходя из текущего состояния пациента, установленного диагноза и доступных ресурсов.
  3. Прогноз результата стационарного лечения с учетом начальных условий и возможной последовательности вариантов воздействий на пациента при выборе того или иного лечебного стандарта.
  4. Выбор оптимального состава и последовательности оперативных лечебных мероприятий с учетом динамики изменения состояния пациента, и т.д.

Эти задачи существенно сложнее. Соответственно и возможность практического использования ИИ с целью их эффективного решения пока не очевидна. Тем не менее, все развивается. Если разумно выстроить последовательность согласованных шагов поиска и исследований, успех вполне вероятен.

Не менее перспективными могут оказаться и направления использования ИИ, связанные повышением эффективности контроля качества предоставления медицинских услуг. Отталкиваясь от «стандарта» лечебного процесса, можно настраивать нейронные сети на прогнозирование длительностей лечения, учитывающих:

v  основной и сопутствующий диагнозы;

v  историю заболевания;

v  структуру предоставленных услуг;

v  результаты промежуточных обследований;

v  возникающие осложнения и пр.

При этом случаи лечения, длительность которых существенно отличается от прогноза, формируемого ИИ, с большой долей вероятности могут содержать «ошибочно» внесенную в систему информацию или значимые пропуски в структуре описаний.

Для наглядности в конце публикации приводится пример вариантов настроек несложной нейронной сети и сравнение полученных при этом результатов.

Подводные камни ИИ.

Немного подробнее остановимся на вопросе закрытости процессов подготовки ИИ, используемого для определения на ранних стадиях вероятности онкозаболеваний. Для предварительной оценки адекватности прогноза было бы полезно знать:

  1. На каких объемах выборки изображений проводилось обучение ИИ и какая аппаратура для получения изображений использовалась?
  2. Использовались для обучения только рентгеновские снимки, компьютерная томография и подобные изображения, или совместно с ними рассматривались выводы (заключения) специалистов, неструктурированный текст, совокупность значений конкретных понятий и т.д.?
  3. Какую часть обучающей выборки составляли снимки, относящиеся к гарантированно здоровым пациентам?
  4. Какую часть выборки составляли снимки, связанные с гарантированной фиксацией онкозаболеваний на ранней стадии?
  5. Какое значение «MSE» (среднеквадратичная ошибка) демонстрировала модель ИИ на тестовых выборках?
  6. Немаловажной для задач кластеризации является и информация о процентных значениях ложноположительных и ложноотрицательных прогнозов, полученных при тестировании настроенной нейронной сети.

Если соответствующие сведения доступны, можно по крайней мере оценить вероятную погрешность «предсказания» и сопоставить возможности аппаратуры, на основе которой формировалось обучающее множество изображений, с качеством снимков и соответствующих им записей, имеющихся в распоряжении конкретного медицинского учреждения.

Как уже описывалось выше, ИИ совсем не обязательно должен помещаться в «облако». В виде альтернативного может рассматриваться подход, в рамках которого настройка нейронной сети проводится на основе изображений и записей, накопленных самой медицинской организацией. Модули, использующие ИИ, можно было бы интегрировать с функционалом конкретной МИС МО. Аргументация нецелесообразности такого подхода, связанная с якобы прямой зависимостью точности предсказаний экспертных систем от объемов записей в обучающих выборках, далеко не всегда подтверждается практикой. Объединение данных, порождаемых различными методиками лечения (диагностики), скорее вносят дополнительный «информационный шум» в процесс обучения, чем повышают его эффективность.

Кроме того, настройка нейронной сети, лежащей в основе искусственного интеллекта, ничем невероятно сложным не является. Процесс, по существу, связан с определением «веса» (коэффициента) каждого из рассматриваемых факторов (параметров, реквизитов…) обучающей выборки с точки зрения его вклада в значение целевого показателя. Процесс «прогнозирования» в примитивной интерпретации сводится, таким образом, к расчету вероятного значения функции цели путем «перемножения» соответствующих «весовых показателей» модели на значения реквизитов, описывающих реальный объект (процесс) с учетом возможных отклонений. Единственным, пожалуй, существенным отличием нейронной сети от уравнений линейной регрессии является отказ от представлений о наличии априори нормального распределения значений рассматриваемых факторов влияния. Кроме того, алгоритмы «Big Data» дают возможность включения в описание модели не только числовых данных, но и фрагментов текста («количественные» и «номинальные» факторы соответственно).

Вывод о принадлежности рассматриваемого объекта или процесса к той или иной группе (к тому или иному кластеру, к тому или иному целевому показателю) оценивается по значениям реквизитов его описания. Естественно, что качество прогноза (кроме, конечно, результатов настройки нейронной сети) напрямую зависит от степени совпадения составов реквизитов описания объекта со структурой обучающей выборки. Если понятие (фактор) анализируемой записи в обучающей выборке отсутствует, его значение искусственным интеллектом или игнорируется, или воспринимается в виде «шума». Еще большую погрешность в прогнозы вносит отсутствие в запросе значений понятий, использовавшихся при обучении. Последнее, правда, справедливо при «большом весе» указанного понятия в настройках нейронной сети.

Считается, что качество результата, получаемого с помощью ИИ, определяется числом циклических итераций при его подготовке. Они состоят из:

  1. Выявления максимально достоверных записей, связывающих их реквизиты с надежными значениями «функции цели». Представление, что алгоритм настройки сам отсеивает весь «информационный мусор» и незначимые факторы, далеко не всегда оправдывается. Зачастую избыток данных при обучении не менее вреден, чем их недостаток.
  2. Исключения из обучающей выборки (по меньшей мере при использовании ИИ для количественного прогнозирования) корреляционных зависимостей между факторами.
  3. Определения «весовых характеристик» учитываемых факторов и их сочетаний (настройка нейронной сети).
  4. Оценок (на тестовых выборках) качества «предсказания» и попыток определения возможных причин ошибок в ситуациях, когда принадлежность случая к конкретному кластеру (к конкретному значению «функции цели») очевидна, а прогноз отрицателен.

Многие разработчики декларируют целесообразность использования подходов к обучению, основанных на обработке всей совокупности данных по объектам (процессам), описания которых хранятся в базах данных МИС. При этом значительная часть таких описаний может представлять собой неструктурированный текст. Обнадеживающие результаты на этом пути демонстрируют пока только процессы «угадывания пристрастий» пользователей социальных сетей. На этом основании рекламодателей можно, вероятно, поздравить. Но согласитесь, что реклама и диагностика различаются не только своими задачами, но и ответственностью за результат. Дополнительно настораживает и то, что, по мнению некоторых банкиров, падение эффективности кредитования в ряде случаев может объясняться именно излишне активным внедрением технологий ИИ в процедуры одобрения кредитов.

В каком направлении двигаться, или «вместо заключения»

Никто не оспаривает утверждения, что технологии ИИ могут эффективно работать. Поэтому важно, и именно на первом этапе, определить наиболее перспективные направления их использования и последовательность необходимых для этого шагов. Как уже упоминалось, приемлемые результаты демонстрируют пока только возможности искусственного интеллекта в части анализа изображений. Но это совсем не означает, что всем имеет смысл сосредотачиваться именно на этой проблематике. Желающих и уже накопивших определенный опыт работы в этом направлении вполне достаточно. Гораздо полезнее было бы обсудить и согласовать подходы к анализу возможностей нейронных сетей, связанных с диагностикой, с оценками рисков и с прогнозированием исходов заболеваний.

Рациональной, как нам кажется, могла бы стать следующая последовательность шагов:

  1. Выбор несколько крупных федеральных или региональных медицинских центров, имеющих многолетний опыт эксплуатации современных компьютерных информационных систем.
  2. Согласование совпадающих по целевым функциям задач, решение которых возможно на основе привлечения технологий ИИ, при договоренности об использовании центрами различных подходов к настройке нейронных сетей (различные разделы электронных медицинских карт, структурированный или неструктурированный текст, данные объективных исследований или заключения, сделанные на их основе специалистами и т.д.).
  3. Подготовка моделей (ядер) для ИИ и оценка прогностических возможностей соответствующих экспертных систем при работе с пациентами МО, ресурсы МИС которых использовались для формирования обучающих выборок.
  4. Реализация попытки «обмена моделями» (или исходными массивами данных для обучения ИИ) между центрами. Результатом должно стать сопоставление прогностических возможностей ИИ на основе использования альтернативных обучающих выборок в качестве тестовых (проверочных). В случае удовлетворительного результата —  проверка возможности настройки нейронной сети на объединенных наборах записей. В случае неудачи — анализ эффективности сравниваемых моделей и выбор наиболее рационального варианта базового обучения системы.

При скоординированных действиях реализация подобного проекта вполне могла бы уложиться в 6 месяцев. При этом могли бы быть получены ответы на весьма важные вопросы:

  1. Какова прогностическая возможность специализированных экспертных систем, обученных на различных по структуре и составу массивах данных?
  2. Какова прогностическая возможность экспертных систем, обученных на массивах данных, полученных из внешних МИС?
  3. Повышается ли прогностическая возможность экспертных систем при их обучении на выборках данных, объединяющих массивы с различными наборами понятий (реквизитов)?
  4. Имеет ли смысл стандартизация структуры данных и соответствующих словарей МИС с целью формирования обучающих выборок для настройки нейронных сетей, пригодных для эффективного использования в экспертных системах различных медицинских организаций?

Пример для наглядности

В качестве примера использования искусственного интеллекта в медицинской организации рассмотрим простенькую задачу, связанную с прогнозированием продолжительности лечебного процесса. Для настройки необходимой нам модели (ядра ИИ) использовался алгоритм DeepLearning. Соответствующая обучающая выборка состояла из 3000 записей и включала в себя значения следующих показателей:

  1. Временной интервал (дни) от момента поступления пациента в стационар до его окончательной выписки (функция цели).
  2. Возраст и пол пациента.
  3. Отделение выписки из стационара.
  4. Диагноз выписки.
  5. Количество переводов между отделениями в процессе лечения.
  6. Вид операционного вмешательства и длительность его ожидания.
  7. Наличие и количество осложнений.

Первый (упрощенный) вариант реализации алгоритма привел к формированию модели, «MSE» которой определялось значением 34,53. Усложнение настроек (характеристик) алгоритма привело к снижению этого показателя до значения 28,89. Результат нас не удовлетворил. Поэтому следующий цикл обучения мы провели, введя в состав обучающей выборки данных два дополнительных параметра:

  1. Наличие сопутствующего заболевания.
  2. Факт отличия первоначально установленного (предварительного) диагноза, или диагноза поступления от диагноза выписки.

Построенная на этих данных модель продемонстрировала существенно лучший результат («MSE»=10,67). Усложнив настройки нейронной сети (существенное увеличение «скрытых слоев», увеличение числа «эпох» и т.д.), мы столкнулись с увеличением времени настройки модели в 5 раз при повышении качества прогноза на 12% («MSE»=9,4). В данном случае затраты на улучшение модели себя, видимо, не оправдывают. Гораздо эффективнее было бы в данном случае заняться поиском дополнительных факторов, влияющих на результат.

На рисунке 1 приведены фрагменты прогнозов, связанных с записями по лечебным процессам, которые были подготовлены самостоятельно и никак не связаны с данными, использованными для настройки нейронной сети и с процессом обучения как таковым. «Первый – второй»  и «Третий – четвертый» столбцы сопоставления относятся к результатам прогнозирования на основе первой и второй модели.

Рис. 1

Рисунок 1. Соответствие «прогноза ИИ» (длительность лечебного процесса), полученного на основе использования разных моделей, реальным данным, полученным из описаний независимых лечебных процессов.

Первое, что бросается в глаза:

  1. Число «улучшений» и «ухудшений» прогнозов, полученных при использовании уточненной модели, по отношению к первому результату настройки ИИ примерно одинаковы. То есть, улучшение «MSE» модели на 12% принципиальных изменений в итоговый результат не вносит.
  2. Прогноз по корректным записям (процесс № 36): уточненная модель улучшается, а «выбросы» становятся еще более очевидными (процессы №№ 41 и 46). Это может явиться достаточным основанием для анализа соответствующих записей заинтересованными лицами.
  3. Модели устойчивы. Повторный прогноз независимых описаний полученные ранее результаты сохраняет и не зависит от последовательности рассмотрения записей.

В заключение еще раз хотелось бы подчеркнуть, что попытки внедрения элементов «искусственного интеллекта» в работу медицинских организаций становятся современными реалиями развития здравоохранения. И очень не хотелось бы, чтобы необдуманные спонтанные решения или не подкрепленные надежными экспериментами заявления эти процессы затормозили, отбросили, или породили мнение об их неприменимости в задачах, связанных с медициной.

ГБУЗ Камчатского Края «Вилючинская Городская Больница»

От лица ГБУЗ КК ВГБ хочется выразить признательность Компании СПАРМ за разработку МИС/ЛИС qMS. Системой удобно и просто пользоваться, она легка в управлении и понятна персоналу. Система надёжная и стабильная, работает без сбоев. Большое спасибо разработчикам за качественный программный продукт!

СПб ГБУЗ «Городской клинический онкологический диспансер»

Благодаря автоматизации преаналитического этапа за год работы в ЛИС удалось снизить количество технических ошибок на 30% (неправильная паспортизация пробы, неправильное задание для исследования, не указаны особые условия, такие как возраст, рост, вес, фаза менструального цикла для отдельных исследований и т.д.). Если раньше на преаналитическом этапе исследований допускалось до 25 ошибок в день, то при внедрении ЛИС количество ошибок уменьшилось до 7 в день. И это на этапе становления. Далее мы уменьшили количеств ошибок до 0-1 в день. Практически исключена возможность ошибки на аналитическом этапе. Снизилось количество повторных исследований с 20% до 2 % при появившейся возможности архивирования и хранения данных в электронном виде. Это позволяет экономно использовать реагенты и расходные материалы.

Существенно сократились сроки исполнения исследования, так называемого времени ТАТ (turnaround time)- время от забора материала до получения результата исследования. Данный показатель является индикатором качества и эффективности работы лаборатории. Самый показательный тест на тропонин I (кардиомаркер исследуется при подозрении на инфаркт миокарда). Мировой стандарт его выполнения равен 20 мин. До внедрения ЛИС ТАТ тропонина в среднем составлял 40 мин. На сегодняшний момент лаборатория укладывается в 20 мин.

Благодаря ведению  электронной базы данных, создание любых форм отчетов сократилось до нескольких минут. Что позволяет более эффективно и качественно планировать работу лаборатории на любой заданный период времени.

В ЛИС предусмотрены отдельные вкладки по ведению ежедневного внутреннего контроля качества, что существенно упрощает все трудоемкие подсчеты и сокращает  время принятия решения, а соответственно получения результата исследования.

В целом отдаленный результат от внедрения ЛИС- это существенное повышение качества лабораторных исследований и снижение финансовых затрат на лечение онкологических больных в Диспансере.

ФГБУ «ВЦЭРМ им. А.М. Никифорова» МЧС России

Лаборатории Всероссийского Центра Экстренной и Радиационной медицины им. А.М. Никифорова МЧС России работают с использованием лабораторной информационной системы qMS более 6 лет. Основным приоритетом для сотрудников наших лабораторий является качество выполняемых исследований.

В период с 2012 по 2014 годы, на фоне расширения коечного фонда после открытия новой клиники и поликлиники, мы пережили драматический рост (более чем в 2,5 раза) объема работы. В 2015 году количество выполненных исследований превысило 800 тысяч. Без надежно работающей лабораторной системы мы не смогли бы сохранить высокий уровень качества работы лаборатории в таких условиях.

Лабораторная система qMS контролирует все этапы выполнения лабораторного исследования. На преаналитическом этапе система контролирует ввод назначений и выбор контейнера для образца. На аналитическом этапе – система обеспечивает двунаправленный обмен данными между анализаторами и системой. Использование технологии штрихкодирования образцов позволяет полностью исключить ошибки, обусловленные человеческим фактором. На постаналитическом этапе – система представляет данные контроля качества, выполняет верификацию результатов по формальным правилам; в автоматическом режиме публикует верифицированные результаты в медицинской информационной системе, информирует врача о готовности результатов, а в экстраординарных случаях и о необходимости повышенного внимания к результату, осуществляет рассылку результатов заказчикам. Помимо этого, система позволяет управлять хранением биологических материалов, вести учет расходных материалов, осуществлять управление финансами, предоставляет разнообразную аналитику по работе лаборатории. Стоит так же отметить положительный эффект при использовании нами лабораторной системы в сфере обучения медицинского персонала и выполнения научных программ.

Все вышеперечисленные функции лабораторной системы qMS позволяют нам удерживать высокий уровень качества выполняемых исследований в наших лабораториях, управлять нашими издержками и, самое главное, обеспечивать наших заказчиков точными и быстрыми результатами.

Мы можем смело рекомендовать ЛИС qMS самым требовательным заказчикам.

ГБУЗ Центр СПИД, г. Петропавловск-Камчатский

Позвольте выразить Вам и сотрудникам Вашей компании свое уважение и благодарность за высокий уровень взаимодействия, который сложился за годы сотрудничества с лабораторией клинической иммунологии и диагностики СПИД Камчатского краевого центра по профилактике и борьбе со СПИД и инфекционными заболеваниями.

Камчатский краевой центр по профилактике и борьбе со СПИД и инфекционными заболеваниями сотрудничает с компанией СП.АРМ с 2012 года. Благодаря плотному взаимодействию, в эти годы, у нас были автоматизированы большинство процессов нашей организации. Работа специалистов в учреждении была значительно упрощена за счет полного изменения технологии работы лаборатории. 12 единиц оборудования, имеющегося в лаборатории было подключено в сжатые сроки и работает по настоящее время в соответствии с алгоритмами, необходимыми для рабочего процесса (это и приоритетность движения биоматериала по анализаторам, и распределение биоматериала в соотвествиии с источниками финансирования,  направляющими ЛПУ и многое другое). Выполнение единичных ручных исследований полностью перешло в рамки сопровождения ЛИС: рабочие листы, авторизация и выдача результатов совместно с результатми, получаемых с автоматических анализаторов. Работа в ЛИС позволила вести и автоматизированный учет биоматериала, подлежащего хранению, разработанные алгоритмы хранения и поиска доступны и легки для исполнения операторами.

Поскольку лаборатория перешла в разряд централизованного исполнения не только ВИЧ-инфекции и вирусных гепатитов, но и всего комплекса лабораторных услуг, внедрённая технология передачи электронных направлений на исследования позволила нам обрабатывать большое количество заявок на исследования за короткий срок времени, предоставляя результаты исследований клиницисту в день забора биоматериала у пациента.

Таким образом взаимодействие с компанией СП.АРМ принесло в нашу организацию современные информационные технологии, которые обеспечили доступность медицинской помощи с возможностью ведения электронной медицинской карты. Надеемся на дальнейшее наше сотрудничество и развитие медицинской информационной системы вместе с компанией СП.АРМ!

Сеть медицинских центров и лабораторий «МедЛабСПб», г. Санкт-Петербург

С 27 июня 2015 года сеть медицинских центров и лаборатория «МедЛабСПб» работают в МИС/ЛИС qMS.

Работа с системой qMS позволила нам упорядочить и улучшить контроль логистики между нашими медицинскими центрами и лабораторией, значительно упростила процесс лабораторных исследований и, как следствие, повысила качество обслуживания пациентов. С помощью системы qMS мы подключили отправку результатов исследований по электронной почте пациентам и SMS – информирование о готовности результатов исследований.

ЛИС qMS —  надежная и гибкая информационная система, которая обеспечила подключение всех анализаторов в единую систему, позволяющую учитывать при исследованиях данные пациентов, контролировать качество и избегать ошибок, связанных с «человеческим фактором».

Универсальность и гибкость системы qMS позволяют оперативно решать наши специфические индивидуальные задачи, а также развиваться по мере реформирования структурных подразделений нашей сети медицинских центров.

Квалификация и профессионализм коллектива Компании СП.АРМ обеспечивают быстрое и качественное решение и консультации по любым возникающим вопросам в процессе работы.

ООО «Лаборатория медицинских анализов», г. Нефтекамск

С сентября 2014 года наша частная лаборатория K-Lab в г. Нефтекамске перешла с лабораторной информационной системы Ариадна (на которой мы проработали 1 год) на систему qMs. Это было непростое решение, поскольку во внедрение ЛИС  было вложено очень много сил и средств. К сожалению, наши партнеры не могли оперативно реагировать на наши растущие запросы, которые постоянно возникали в результате роста и развития нашей лаборатории.

После анализа и мучительного выбора новой лабораторной системы мы остановились на qMS компании СП.АРМ.

Хочется отметить, что по прошествии 2-х лет работы на этой системе и постоянном взаимодействии с сотрудниками компании СП.АРМ, мы понимаем, что не ошиблись с выбором, и они оправдали все наши ожидания.

Что нас привлекает во взаимодействии с компанией СП.АРМ:

  1. Это с большой буквы ПРОФЕССИОНАЛЫ своего дела, а их информационный продукт один из лучших на рынке России (мы судим по лабораторной части).
  2. Реакция на запросы, реагирование на возникающие проблемы и оперативность их решения – выше всяких похвал!
  3. Это компания с БОЛЬШИМ штатом специализированных сотрудников, которые работают целенаправленно, организованно и эффективно.
  4. Система qMS позволяет не только организовывать лабораторный процесс, но и эффективно управлять компанией (бизнесом), а также своевременно принимать необходимые управленческие решения и внедрять изменения.
  5. Постоянное развитие и периодические обновления со стороны СП.АРМ делают этот информационный продукт более конкурентоспособным, учитывающим все запросы и веяния ускоряющегося научно-технического прогресса.

 

Можно много писать о технических возможностях и преимуществах данной системы, но главный итог работы с данным продуктом и данной компанией – это то, что за все время работы, мы ни разу не остановили свою работу ни НА ЧАС, либо по причине сбоя, либо иных проблем, связанных с лабораторной системой. Это очень ценно, и, наверное, стоит тех денег, которые нужно платить, чтобы использовать данную систему.

В то же время, чтобы быть до конца объективным, хочется вставить от лица нашей лаборатории пожелание, которое позволило бы извлечь от сотрудничества еще больше пользы и создавать дополнительное преимущество перед конкурентами:

Было бы неплохо больше уделять внимание той части продукта, которая направлена на сервис и удобство использования, поскольку в частном сегменте медицинских анализов это играет более важную роль, нежели в государственном сегменте (автоматическая валидация результатов, развитие web интерфейса для работы с корпоративными клиентами, красивые бланки, клише и т.д.)

Хочу выразить коллективу компании СП.АРМ, а также руководителю, Александру Васильевичу Мартынову благодарность за качественную работу и выполнение всех своих обязательств, и пожелать им дальнейших успехов.

Главное — ни в коем случае не останавливаться на достигнутом и становиться лучше, превосходя своих конкурентов!

 

Клиника «Источник», г. Челябинск

ООО «ПолиКлиника» с момента открытия (15.11.2015) использует в своей работе медицинскую информационную систему qMS. С помощью специалистов разработчика (ЗАО «СП.АРМ») внедрены дополнительные индивидуальные настройки, которые удобны для работы персонала Клиники (врачей, среднего медицинского персонала и администрации). В работе активно используется медицинская и финансово-экономическая аналитика. Пациенты Клиники положительно оценили возможность использования: индивидуальных карт клиента, личного кабинета, с возможностью записи на приём и оплаты услуг, а также просмотра медицинской документации и электронного расписания.

ООО «ПолиКлиника» выражает благодарность сотрудникам ЗАО «СП.АРМ» за современный и качественный программный продукт.