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.

Информация и интеллектуальная собственность

Российское здравоохранение успешно прошло этап первичного освоения возможностей медицинских информационных систем (МИС). До тех пор, пока большинство из них проектировались в логике бумажного документооборота, никаких проблем не возникало: автоматизации процессов подготовки стандартной статистической отчетности большинству пользователей хватало вполне.

Но со временем (и для многих пользователей весьма неожиданно!) оказалось, что функционал некоторых программных продуктов выходит далеко за рамки актуальных потребностей врача и Администрации медицинских организаций (МО). Выяснилось, что качество, объемы и структура накапливаемой МИС информации полностью соответствуют запросам, необходимым для активного развития медицинской науки.

Возможности современной медицинской информационной системы превышают потребности медицинских учреждений и могут быть задействованы в развитии науки.

 

Удачной иллюстрацией сказанному является схема, представленная на рисунке. Из нее следует, что уже при достижении условно третьего уровня информатизации мы получаем возможность рассмотрения таких задач, как, например:

1.      Распределение вероятностей инфекционных заражений по социально-возрастным группам;

2.      Зависимость средней продолжительности лечения конкретных заболеваний от территории и схем применения лекарственных препаратов;

3.      Влияние «вредных привычек» и экологии территории на репродуктивные функции и т.д.

Мало того, несопоставимо более широкие перспективы открываются на уровнях аналитического и прогностического моделирования, не говоря уже о возможностях искусственного интеллекта (ИИ).

Казалось бы, отличные новости,  но для некоторых участников процесса информатизации здравоохранения все совсем не выглядит позитивно. В структуре повседневности появилось малопривлекательное земноводное из сказки Г.Х.Андерсена, способное не только испортить настроение своему «владельцу», но и существенно затормозить общее развитие отрасли. И пока оно не закрепилось в сознании пользователей МИС и связанная с этим морально-этическая проблема не стала непреодолимым препятствием, нам представляется полезным обсудить ситуацию.

В команду участников процесса информатизации проникло малопривлекательное земноводное из сказки Г.Х.Андерсена, способное существенно затормозить общее развитие отрасли.

 

Прежде чем начать обсуждение, считаем полезным уточнить термин «информация», которым впоследствии мы будем активно пользоваться.

Во-первых, не следует отождествлять «информацию» с «данными» (записями МИС). Понятие информации существенно шире. Она, кроме соответствующих значений данных, определяется структурой хранения последних, связями данных с порождающими их процессами, вариантами их обработки и использования. В связи с этим определение «владельца информации» становится задачей весьма непростой.

Несомненным является только то, что информация, формируемая в процессе реализации стандартных должностных обязанностей, не может рассматриваться в качестве интеллектуальной собственности. Это, в частности, относится к работе врача. В этом смысле нет никакой разницы между записями «от руки» в историях болезни и текстом, хранимым в электронном виде.

В своих рассуждениях будем отталкиваться от того, что в процессы информатизации в равной степени вовлечены три стороны (уровень Министерства пока не рассматриваем):

1.      Разработчик МИС, который придумал структуру хранения данных, эффективные информационные связи между ними, методы их обработки и использования. Кроме того, он предусмотрел варианты развития и модернизации системы, подключения к ней дополнительных задач и настройку на бизнес-процессы пользователя. По существу, он является владельцем информации на уровне бизнес-логики и владеет интеллектуальной собственностью на разработанное им программное обеспечение.

2.      Приобретатель (Пользователь) МИС, который в процессе своей уставной деятельности порождает и сохраняет в системе записи, необходимые ему для успешной реализации текущих задач. Он является безусловным владельцем персонифицированных данных. Деперсонификация записей с точки зрения лечащего врача делает их бессмысленными. Обезличенные данные интересуют, конечно, Администрацию, но только в ограниченном спектре задач (загрузка ресурсов и эффективность их использования, статистическая отчетность, финансовые потоки и т.п.).

3.      Научное сообщество, которое специализируется на поиске новых закономерностей и зависимостей, на оптимизации бизнес-процессов, на прогнозировании последствий принятых решений и т.д. Парадокс заключается в том, что, обладая знаниями и методиками проведения научных исследований, ученый оказывается беспомощным, не имея доступа к необходимой для анализа и исследований информации. Еще смешнее то, что ему нужны массивы обезличенных данных различных организаций, которые, по существу, никого больше не интересуют, разве что представителей территориальных органов управления, да и то для решения совершенно других задач. Наконец, только исследователи ориентированы на поиск нового и на открытия, которые только и могут рассматриваться, как интеллектуальная собственность, и защищаться авторскими правами.

Три кровно заинтересованных в тесном взаимодействии структуры, проектировщики МИС, пользователи МИС и научное сообщество, стремятся к самостоятельности и независимости, ревниво оберегая друг от друга свои ресурсы, знания и наработки.

 

Иными словами, мы сталкиваемся с весьма своеобразной ситуацией: три кровно заинтересованных в тесном взаимодействии структуры стремятся к самостоятельности и независимости, ревниво оберегая друг от друга свои ресурсы, знания и наработки. И в самом деле:

1.      При реализации большинства МИС Разработчиком используется закрытый код. Благодаря этому взаимодействие между аналогичными по задачам информационными системами превращается подчас в весьма нетривиальную (если вообще решаемую) задачу. Мало того, Пользователь, не говоря уже об ученых, вынужден каждую выгрузку новой структуры данных заказывать Разработчику, которому такая «мелочная тематика» и самому не в радость. В свою очередь, Разработчику остро не хватает опыта использования эффективных математических методов обработки данных. А на современном этапе только такие подходы позволяют внедрять (интегрировать) в МИС функционал, основанный на возможностях искусственного интеллекта (ИИ). Как итог, экспертные системы и методы прогностического моделирования с большим трудом находят пути к своему практическому воплощению.

2.      Пользователь, уже обладая на сегодняшний огромными (терабайты) объемами накопленных записей, использует их, в лучшем случае, на 10 – 15 %. С одной стороны, это связано с отсутствием глубоких знаний о структуре хранения записей МИС. С другой – с проблемами их деперсонификации. С третьей – с весьма спорным представлением, что его собственных ресурсов вполне достаточно, чтобы самостоятельно решать задачи, как Разработчика, так и профессионального математика. Будучи остро заинтересованным в оптимизации своих бизнес-процессов и в модернизации подходов к лечению, Пользователь вынужден довольствоваться крохами усовершенствований от Разработчика и каплями инноваций от науки. В подтверждение тезиса о нерациональности «самостоятельных» решений можно привести тот факт, что на рынке МИС не осталось ни одной разработки, проводимой МО самостоятельно, с использованием возможностей только своих сотрудников или приглашенных программистов.

3.      В не меньшей степени страдает и наука. С одной стороны, она по закону не может получить прямой доступ к персональным данным о пациентах, хранящимся в МИС.  С другой стороны – далеко не всегда имеется возможность выгрузки из информационной системы обезличенных записей с необходимой структурой, в необходимых форматах и с привязкой к временной шкале конкретных лечебных процессов.

Иными словами, на пустом месте формируется проблема, способная как существенно затормозить развитие медицинской науки, так и снизить темпы внедрения в лечебные процессы эффективных методов предоставления услуг.

 

В то же время кажется очевидным, что объединение усилий всех заинтересованных сторон должно пойти на пользу каждой из них. Что может быть проще создания специализированных кластеров, в задачи которых входило бы:

«ПОЛЬЗОВАТЕЛЬ»:

1.      Накопление, актуализация и обеспечение качества информации, порождаемой конкретными лечебными процессами;

2.      Обеспечение доступа к первичной информации своим сотрудникам, прошедшим соответствующие курсы обучения у Разработчика и получившим доступ к технологиям, необходимым для качественной выгрузки данных, соответствующих потребностям Науки и решаемым ею задачам;

3.      Постановка и согласование с Разработчиком и специалистами научного направления задач, интересующих врачей МО и Администрацию с точки зрения повышения эффективности используемых бизнес-процессов, минимизации потерь и оптимизации загрузки ресурсов.

«РАЗРАБОТЧИК»:

1.      Получает доступ к деперсонифицированной информации с целью:

a.       Анализа причин возникновения возможных ошибок и «сбоев» в работе системы;

b.      Оказания помощи в разработке и отладке дополнительных аналитических запросов;

c.       Отработка вариантов «сложной» (по составу, структуре и форматам) выгрузки деперсонифицированных данных для научного раздела Кластера;

d.      Анализ загруженности и эффективности использования ресурсов МИС сотрудниками МО и пр.

2.      Обеспечивает проверку «корректности» данных (с учетом структуры информационных связей), используемых в исследовательских задачах, и качество их занесения (хранения) в МИС.

3.      Проводит интеграцию в МИС дополнительных систем поддержки решений, использующих возможности ИИ.

4.      Обеспечивает модернизацию функционала МИС на основе использования научных наработок, связанных с:

a.       Вновь выявленными зависимостями и закономерностями;

b.      Предлагаемыми подходами и алгоритмами оценок эффективности и результативности работы МО;

c.       Оптимизацией используемых МО бизнес-процессов и пр.

5.      Модернизирует ресурсы МИС путем внедрения задач, реализуемых Разработчиком совместно со специалистами научного направления в соответствии с постановками Пользователя.

6.      Нарабатывает опыт использования при решении задач развития МИС современных математических подходов к работе с данными.

«НАУКА»:

1.      Получает надежные (из первых рук) представления об актуальных потребностях и состоянии ресурсной базы лечебных организаций, о подходах к организации лечебного процесса и т.п.

2.      Получает доступ к качественной, полной и актуальной информации для научных изысканий.

3.      Получает возможность, ориентируясь на задачи фундаментальных исследований, влиять на состав, структуру (детализацию) и форматы данных, формируемых МО.

4.      Формирует возможность создания перспективного и постоянно модернизируемого «полигона» для подготовки современных специалистов в области медицинских исследований и статистики.

5.      Получает доступ к дополнительным источникам финансирования, связанным с решением задач наработки и внедрения в практику инновационных технологий в здравоохранении.

При этом выгода для всех, как нам кажется, очевидна. Разработчик постоянно и интенсивно модернизирует свою информационную систему, рост ее конкурентоспособности и, соответственно, стоимости.

Для Пользователя обеспечивается непрерывное повышение качества информационной поддержки, сокращение издержек и увеличение производительности труда. Появляется дополнительная прибыль от внедрения в других организациях методик и технологий, в разработке которых организация принимала непосредственное участие.

Кроме того, исследования, в основе которых лежали данные, накопленные МО, несомненно повлекут за собой повышение статуса и престижа организации.

 

Не останется в накладе и научный кластер.  Он получает постоянную базу для научного роста и повышения квалификации специалистов по широкому спектру направлений, связанных с медициной. Реализует потребности в расширении и модернизации материально-технической базы. При этом открываются дополнительные потенциальные возможности реализации научных открытий, способных существенно повлиять на наши представления о Пациенте. Таких объемов данных, допускающих возможность совместной обработки и имеющих устойчивые информационные связи между собой, в арсенале исследователей до настоящего времени не существовало. Мы не говорим уже об устойчивом росте публикаций и их цитируемости.

Остановка за малым – встретиться и договориться! Очень хочется надеяться, что предложенный подход найдет понимание во всех упомянутых выше структурах и не затянется, как мы не раз наблюдали, на долгие годы.

Наконец, обращение к скептикам.

Возможные направления исследований, методики анализа и методы обработки данных настолько разнообразны, что вероятность столкновения интересов различных исследовательских групп (по крайней мере, в границах ближайших лет) пренебрежимо мала. Мало того, рассмотрение совпадающих задач на различных массивах данных не только повышают качество результата, но и помогают выявить наиболее эффективные и перспективные подходы к их решению.

Проект центра управления и мониторинга в системе qMS

По данным GLOBOCAN 2018, IARC (Международного Агентства по Исследованию Рака) Россия в 2018 году занимает 5-е место в мире по числу смертей онкологических больных. По уровню смертности от онкологических болезней, скорректированному на стандартизированный возрастной состав населения, ASR(W) на 100 000 человек – 2 место. Основной причиной столь высокой смертности по-прежнему является поздняя диагностика заболевания. Ранняя диагностика рака – один из самых важных критериев, по которому во всем мире оценивают, насколько успешно работает медицинская система.

Поэтому одной из главных задач, стоящих перед здравоохранением Российской Федерации сегодня, это совершенствование онкологических служб регионов с целью повышения продолжительности жизни граждан за счет раннего выявления и своевременного лечения злокачественных новообразований (ЗНО). Успешность решения поставленной задачи во многом определяется созданием единой системы управления движением пациентов на всех этапах диагностики и лечения, запасами и расходованием материальных ресурсов, а также оперативным контролем процессов, объединенных задачами онкомониторинга.

Для обеспечения информационной поддержки онкомониторинга (или мониторинга любой другой патологии) предлагается создать на платформе qMS региональный Ситуационно-мониторинговый центр.

Ситуационно-мониторинговый центр включает в себя функции диспетчерской, инструменты ВКС, систему мониторинга и предоставления аналитической отчетности, центр сбора данных и механизмы контроля исполнения. Предлагаемое решение повышает скорость принятия управленческих решений и дает принципиальную возможность расширения круга решений, основанных на фактах и событиях.

Повышение скорости принятия решений при этом относится не только к задачам оперативного реагирования, но и к иным областям управления вплоть до стратегического планирования. Важно, что в контур управления входят не только этапы анализа ситуации и выработки решения, но и этапы его доведения до исполнителя, а также получения обратной связи от него.

Основным направлением деятельности рассматриваемого варианта Ситуационно-мониторингового центра является информационно-аналитическая поддержка принятия управленческих решений руководителями разных уровней системы здравоохранения и непосредственно медицинских организаций на всех этапах оказании помощи онкологическим больным.

Начальными этапами помощи онкологическим больным являются онкопоиск и онконастороженность. Цель поиска – раннее выявление ЗНО, которое реализуется путем своевременного и всеохватного проведения диспансеризации и профилактических осмотров. Онконастороженность – функция врача любой специальности. Независимо от основного диагноза и цели обращения пациента врач имеет возможность направить пациента с подозрением на ЗНО на дополнительное обследование или на консультацию к онкологу. Специализированные службы первого уровня (районный онколог, КДЦ и др.) проводят мероприятия по уточнению диагноза с использованием всех доступных амбулаторных методов диагностики и принимают решение о госпитализации и предварительном методе лечения. Через сервис «Бюро госпитализации» нашей системы пациент проходит подготовку, если необходимо – этап согласования для уточнения профиля предстоящего стационарного лечения. Стационарные медицинские организации выполняют все виды лечения – хирургическое, лекарственную противоопухолевую и лучевую терапии или их комбинацию. После выписки пациент подлежит диспансерному наблюдению в течение установленного срока силами первичной амбулаторной службы, районного онколога или специалистов онкологического диспансера.

Система лекарственного обеспечения дорогостоящими противоопухолевыми препаратами может быть реализована созданием регионального Аптечного склада в едином информационном пространстве qMS. Его функции могут простираться от непосредственной закупки препаратов до согласования закупок для конкретного пациента с конкретным заболеванием. Важные составляющие аптечного мониторинга – формирование требований, своевременное перемещение препаратов к месту лечения, и контроль сроков реализации.

Функции контроля и сопровождения пациента, а также экспертиза и непосредственная оплата случаев лечения пациентов с ЗНО возлагаются на страховые медицинские организации (СМО). В рамках единого информационного поля, согласно установленному законодательству, СМО могут по запросу получать доступ к ЭМК пациентов, подлежащих экспертной оценке. Выбор ЭМК для контроля может осуществляться автоматически с помощью имеющегося в системе инструмента для автоматизированного контроля качества медицинской помощи.

Специфика предлагаемого решения связана с уклоном в стратегическое управление (ввиду масштабности решаемых задач), что предполагает наличие обширной нормативной базы, необходимость интеграции множества источников информации и высочайшие требования к уровню информационной безопасности. В связи с этим индикаторы отклонения процессов от заданных значений регулируются требованиями Фонда ОМС и реализуются путем формирования регистров, отчетов, аналитических запросов мониторингов, являющихся неотъемлемой частью функционала МИС qMS. Кроме того, данные могут анализироваться в сторонних приложениях с привлечением дополнительного математического аппарата.

Наличие в системе модуля телемедицинских консультаций позволяет безопасно и устойчиво организовывать консультации врач-пациент, врач-врач для оказания консультативно-методической помощи, а также видеоконференций для проведения обучающих семинаров и тестирования.

Отчеты и оперативная информация для принятия управленческих решений формируются на всех уровнях Ситуационно-мониторингового центра и предоставляются пользователям в зависимости от доступа и потребности в данных.

В число задач Ситуационно-мониторингового центра входят также формирование электронной базы знаний, сбор и анализ информации для оценки развития различных направлений жизнедеятельности региона, внедрение единых стандартов диагностики и лечения в данном случае онкологических больных.

Предложенный макет не ограничен одной патологией, может масштабироваться в зависимости от потребностей и задач, поставленных перед региональной системой здравоохранения.

Философия информатизации

Результаты внедрения информационных технологий тем нагляднее и ярче, чем ближе совпадения взглядов пользователей и разработчиков информационных систем на содержание, цели и задачи самой «информатизации». Согласование представлений, связанных с этим понятием, давно назрело, а в последнее время стало весьма актуальным. Не понимая, к чему надо стремиться и чего можно ожидать, мы рискуем оказаться в положении богача, умирающего от голода на мешках с золотом.

Основная опасность связана с отождествлением задач информатизации с накоплением данных и созданием инструментов их предоставления по запросам пользователей. Эта позиция не позволяет выработать надежные критерии сопоставления и оценки эффективности используемых информационных систем (ИС) и с неизбежностью приводит к анархии и к раздробленности информационных ресурсов. Ситуация может измениться только в том случае, если Информатизация будет определена, как форма объединения оптимальных методов накопления и структурирования данных с инструментами их использования для повышения качества принимаемых решений. Оптимизацию при этом следует рассматривать в привязке к задачам, актуальным на конкретном историческом отрезке.

Информатизация по своей сути должна стимулировать развитие системы, на работу которой она ориентирована (образование, здравоохранение, социальная защита…). Ее основной целью должен стать поиск вариантов повышения качества и эффективности достижения результата.

Процессы информатизации, связанные с социальной сферой, могут быть условно описаны четырьмя этапами, каждый из которых имеет свою специфику. При этом необходимо отдавать себе отчет в том, что движение вперед возможно только в том случае, если соблюдается преемственность при переходе с одного уровня информационной поддержки на другой. Достаточно достичь предела развития информационных систем на одном из этапов и дальнейшие шаги окажутся, либо неэффективными, либо невозможными. Мы, таким образом, можем сформулировать первый постулат: «Функционал информационных систем и структура хранения данных не должны проектироваться в жесткой привязке к конкретным задачам, решаемым организациями на рассматриваемом временном отрезке. Иными словами, возможности ИС всегда должны опережать актуальные потребности пользователей».

Возвращаясь к упомянутым выше этапам, можно определить их характерные особенности. Для большей наглядности и конкретизации предложений везде ниже в случае необходимости мы будем ссылаться на задачи, связанные со спецификой деятельности региональных систем здравоохранения, использующих ресурсы медицинских информационных систем (МИС). Итак:

  1. Первый этап – информационная поддержка пользователей в логике бизнес-процессов, подходы к реализации которых характерны для периода начала Информатизации. С точки зрения задач последующего развития этот этап наиболее критичен. Дело в том, что в подавляющем большинстве случаев перед разработчиками МИС в качестве приоритетной ставится задача интенсификации работы специалиста при сохранении отчетности и принципов управления, опирающихся на бумажный документооборот.

Специфика подхода:

  • Ориентация на состав и структуру данных, связанных с конкретными (законодательно закрепленными) бланками медицинских документов;
  • Хранение и вывод на экран монитора записей МИС в виде, оптимизированном для визуального осмысления и анализа данных специалистом;
  • Широкое использование клавиатурного ввода неструктурированного текста и сохранение в МИС «фотокопий» (сканов) документов, первоначально оформленных на бумажных носителях;
  • Активное проектирование МИС в логике «модульной архитектуры», оптимизированной под решение локальных задачи конкретных структурных подразделений организации.

Существующие риски:

  • Привязка структуры данных не к бизнес-процессам, а к документам. В первом случае из описаний событий, связанных с процессами, всегда можно выбрать данные, необходимые для подготовки любого документа. Во втором – из содержания документов воссоздать «информационный слепок» процесса, или крайне сложно, или невозможно.
  • Постоянное повышение уровня (качества) информационной поддержки возможно только в случае целенаправленного исключения человека из процессов предварительной обработки данных. Специалист, в идеале, должен ставить задачу и делать выбор из нескольких подготовленных информационной системой оптимизированных решений. Его преимуществами являются: нестандартное мышление, практический опыт и, если хотите, интуиция. Он никогда не сможет составить достойную конкуренцию компьютеру в скорости реализации стандартных алгоритмов, учитывающих on-line влияние множества факторов и изменений состояния системы на результат.
  • Неструктурированные записи и «фотокопии» не обеспечивают возможности разработки эффективных алгоритмов анализа и построения прогностических моделей. Осмысление таких информационных массивов возможно только человеком. Значительная часть потенциала информационных систем остается невостребованной, а понесенные затраты неэффективными.
  • Модульная архитектура информационной системы позволяет на первом этапе обеспечить быструю автоматизацию отлаженных процессов. Однако в процессе развития оказывается, что разработанные в разной идеологии функциональные модули, взаимодействующие через фиксированные интерфейсы и интеграционные шины, создают значительные (часто непреодолимые) трудности при расширении числа задач и связанных с ними изменений в структуре данных. Слабо меняющиеся во времени модульные решения (САПР, АСУТП и п.т.) эффективны только в случаях управления однотипными процессами со стандартными вариантами выбора в немногочисленных точках бифуркации.

Для обеспечения преемственности перехода на следующий уровень рекомендуется:

  • Отталкиваться при проектировании информационных систем от описания процессов (базы событий) в логике: Процесс ® Событие ® Описание события (расширяемая совокупность реквизитов). Это обеспечивает:
    • Жесткую привязку каждого события к конкретному процессу и связь процессов между собой;
    • Произвольную детализацию (расширение) описания любого события (дополнительные требования отчетности, научный поиск, выявление закономерностей и пр.);
    • Формирование последовательности событий с привязкой к оси времени;
    • Использование описаний промежуточных и итоговых результатов процесса в виде элементов последовательной цепи «событий» и т.д.
  • Использование информационной системой единого хранилища данных. Это обеспечивает возможность:
  • Не задумываться над вопросами использования записей (данных), хранящихся в МИС, различными задачами;
  • Автоматической настройки всего функционала системы на любые изменения в составе, структуре и форматах записей (данных);
  • Подключения к ресурсам системы любых дополнительных информационных задач без требований по перенастройке существующих и т.д.
    • Обеспечивать максимальную степень структурирования записей с дополнительным выделением тех понятий, на основе которых предполагается проводить последующий анализ и строить модели (прогнозы). Перспектива:
      • Эффективный поиск, обобщение и сопоставление записей;
      • Формирование стандартных (библиотечных) аналитических запросов;
      • Эффективное формирование (заполнение) отчетных форм и т.д.
  1. Второй этап – перевод количества накопленных данных в повышение качества знаний о природе, свойствах, зависимостях и закономерностях, описывающих объект управления. Задачей этапа должно стать формирование надежного фундамента (предпосылок) для радикального повышения, как производительности труда в отрасли, так и эффективности принимаемых решений. Результативность этого этапа развития Информатизации определяется двумя видами изменений. Во-первых, степенью оптимизации бизнес-процессов (отход от стандартов бумажного документооборота) на основе активного использования аналитического потенциала и функциональных возможностей МИС. И во-вторых, фактом трансформации методик определения качества работы отдельных подразделений и специалистов организации (переход от контроля соблюдения предписанного «стандарта» действий к оценке полученного результата с учетом понесенных затрат).

Существующие риски:

  • Нежелание пользователей разбираться в изменениях, порождаемых переносом организации в пространство новой информационной реальности;
  • Агрессивная попытка адаптации функционала МИС к стандартам существующих бизнес-процессов и отчетности вместо пересмотра эффективности последних с учетом новых возможностей;
  • Категорический отказ от модернизации функциональной (штатной) структуры организации путем исключения подразделений (специалистов), деятельность которых не порождает новую информацию, или не связана с анализом существующей, и создания новых, ориентированных на активное использование потенциала МИС;
  • Отказ при подготовке управленческих решений от использования специализированных аналитических запросов, опирающихся на информационное наполнение и функционал МИС;
  • Отказ от стратегии целенаправленного перехода к комплексной информационной поддержке деятельности организации (отрасли) и т.д.

Все перечисленное приводит к «вмораживанию» новых информационных возможностей в ограничения существующих подходов. Происходит стремительное функциональное насыщение уже теряющих эффективность инструментов развития (неэффективное бюджетное финансовое, планирование от достигнутого, «придумывание» нормативов и т.п.) с переводом отрасли на новый уровень стагнации.

  • Для достижения приемлемого результата целесообразно:
  • Ввести в штатное расписание организации должности: «администратор/программист информационной системы» и «аналитик»;
  • Провести анкетирование среди специалистов и Администрации для выявления недостающих пока данных и сведений, необходимых им для повышения качества подготовки (оперативности, эффективности) решений;
  • Перевести внутреннюю отчетность и процессы подготовки аналитических справок в режим автоматического формирования по запросу;
  • Активно внедрять системы мониторирования текущего состояния ресурсов организации;
  • Использовать подключение к МИС каналов внешней подкачки данных (переносные системы удаленного контроля за состоянием пациента, лабораторные, диагностические и радиологические установки, данные внешних организаций и пр.);
  • Сформировать на ведомственном (региональном) уровне информационно-аналитические центры для обобщения формируемых информационными системами данных и централизованной подготовки отчетов для вышестоящих организаций;
  • Обеспечить контролируемый доступ к обобщенной (деперсонифицированной) информации научно-исследовательским центрам для:
    • Выбора эффективных методов ее математической (статистической) обработки;
    • Анализа возможности построения математических моделей рассматриваемых бизнес-процессов с перспективой доведения эффективности их «предсказаний» до уровня практической значимости;
    • Анализа целесообразности (необходимости) внесения изменений в состав, качество и структуру хранения данных информационных систем с целью поиска дополнительных зависимостей и закономерностей;
    • Анализа возможности оптимизации бизнес-процессов, реализуемых в отрасли и т.д.
  • Стимулировать на уровне организаций внедрение и оценку эффективности наработок и предложений, поступающих от научно-исследовательских центров и аналитиков.
  1. Третий этап – переход к активному внедрению в практику прогностических оценок и систем экспертной поддержки принятия решений, опирающихся на модели бизнес-процессов. Развитие информационного потенциала МИС для повышения эффективности реализации научных программ и проектов (согласование структуры и состава накапливаемых МИС записей, повышение темпов накопления и объемов обработки данных за счет объединения ресурсов организаций, проведение параллельных исследований на совпадающих информационных массивах и пр.).

Цели этапа:

  • Существенное снижение необоснованных ресурсных затрат, связанных с лечебными процессами;
  • Освобождение Врача от необходимости самостоятельного сбора и предварительного анализа имеющихся данных о пациентах;
  • Реализация индивидуального подхода к планированию диагностических (лечебных) мероприятий на основе анализа имеющейся информации;
  • Использование методик оптимизации состава и последовательности проведения лечебных мероприятий с учетом текущего состояния пациента и доступности ресурсов;
  • Составление лечебных планов, допускающих корректировку по результатам мониторирования (динамического анализа) состояния пациента;
  • Переход к использованию систем экстренного реагирования на изменение состояния пациента до момента появления врача;
  • Проведение работ по целенаправленному повышению результативности использования прогностических моделей и систем экспертной поддержки решений;
  • Автоматический подбор деперсонифицированных данных, хранящихся в информационных системах, по запросам исследователей;
  • Внедрение методов сопоставления эффективности работы организаций (специалистов) на основе использования единых алгоритмов оценки достигнутых ими результатов и пр.
  1. Четвертый этап – продолжение и интенсификация решений задач второго и третьего этапов. Обеспечение объемов и качества данных, функционала МИС и инструментов анализа и управления, соответствующих требованиям подключения к ресурсам системы элементов искусственного интеллекта (ИИ).

Задачей этапа является внедрение новых знаний и инструментов, порождаемых Информатизацией, не только на уровне «массового обслуживания» но и в процессы, связанные с индивидуальным сопровождением пациента. При этом значительная часть рекомендаций и стандартных алгоритмов должна генерироваться «медицинскими гаджетами» самостоятельно, без непосредственного участия врача:

  • Широкое применение инструментов выработки медицинских рекомендаций с учетом всех факторов, способных оказать влияние на результат;
  • Активное использование переносных устройств, фиксирующих показатели состояния здоровья пациента, для автоматического формирования записей МИС и рекомендаций (напоминаний), связанных с задачами улучшения самочувствия, или соблюдения схем приема лекарственных препаратов;
  • Внедрение в практику использования переносных медицинских (диагностических) блоков, при решении задач в условиях агрессивной среды и/или повышенного риска;
  • Компьютерная подготовка и проведение реабилитационных мероприятий, с элементами автоматического контроля физической нагрузки и интенсивности физиотерапевтических процедур на основе обратной связи с пациентом;
  • Выбор вариантов лечения (обслуживания оборудования, планирования, развития отрасли) только после анализа вероятных результатов и последствий возможных рисков, полученных на основе использования прогностических моделей;
  • Перевод задач отчетности на уровень автоматического отслеживания изменений в отрасли и предложения возможных решений (рекомендаций) в моменты, связанные с достижением критических отклонений в значениях контролируемых показателей;
  • Внедрение элементов автоматизированного медицинского сопровождения жильцов в проектах типа «умный дом» и т.д.

ЗАКЛЮЧЕНИЕ

Процесс развития, если заранее отказаться от сметающих все на своем пути «революций», предполагает непрерывно-поступательное движение к понятно обозначенной цели. Попытки «закрепиться на достигнутом», равно как и «перескочить через ступеньку», отталкиваясь от интуитивных прозрений, в подавляющем большинстве случаев ни к чему хорошему не приводят. Альтернативой модернизации становится деградация.

Все это в полной мере относится и к Информатизации. Или мы ставим перед собой яркие цели, даже если в настоящий момент они представляются фантастическими, и последовательно продвигаемся к их реализации, или заранее обрекаем себя на стагнацию и постепенное сползание в болото «привычки».  Наивно считать, что замена на клавиатуру «чернильного прибора» на столе врача автоматически приводит к качественному улучшению медицинских услуг.

Полезно также напомнить, что достаточно длительными являются только циклические процессы. При этом к развитию приводят те из них, которые на каждом следующем цикле порождают некоторые позитивные (полезные для системы) изменения. Так и в нашем случае движение вперед может обеспечить только накопление данных, с формирующих достаточной корректный «информационный слепок» поведения объекта, получение на этой основе новых знаний (качественное уточнение существующих) и проверка их применимости на практике с переходом к новому этапу накопления.

При этом появление «компетентного мнения» о реализации всех задач информационной поддержки будет являться, скорее всего, констатацией итогового провала Проекта. Если процесс информатизации запущен и его результаты востребованы, остановить его можно только поставив перед собой именно эту цель.

МИС QMS – ERP-СИСТЕМА ДЛЯ МЕДИЦИНЫ

Практические любая прогрессивно развивающаяся организация на каком-то этапе своего жизненного цикла сталкивается с необходимостью создания функционально полного решения задачи управления ресурсами организации (ERP), разумеется с учетом отраслевой специфики. ERP система – это скорее глобальный комплекс мероприятий, включающий управление потоками информации на предприятии, оборудование для ее хранения и обработки, программное обеспечение, IT-отдел и специалистов технической поддержки, а также непосредственно пользователей.

Их главное достоинство таких систем в том, что они позволяют объединить несколько задач: можно одновременно учитывать и планировать денежные средства, а также отслеживать их движение; формировать себестоимость и оценивать производительность труда в организации. Кроме того, все процессы становятся прозрачными.

Изначально теоретическое обоснование и практическое внедрение ERP систем началось с автоматизации складского учета. Целью было минимизировать издержки, связанные с хранением и использованием материальных ресурсов, участвующих в процессе производства. Не единственная, но широко известная успешно реализованная производственная система – Toyota Production System — (TPS) — созданная компанией «Тойота» и применяемая предприятием для производства товаров и услуг с использованием различных ресурсов, и направленная на обеспечение бездефектного производства со скоростью, соответствующей запросам потребителей, путём устранения потерь.  Предприятию удалось так выстроить систему, что каждая деталь доставлялась практически к конвейеру в момент сборки, а качество сборки автомобилей считается эталонным в мире.

Следует отметить, что для медицины управление ресурсами является давно востребованной, но методологически относительно новой территорией. Появление систем управления медицинскими организациями (МО) стало возможным после широкого внедрения медицинских информационных систем (МИС) предназначенных изначально для ведения электронной истории болезни (ЭИБ). Много позже МИС стали использоваться как средства оптимизации деятельности медицинских организаций.

Универсальной системы планирования ресурсов, подходящей для всех компаний, не существует. Каждая система ERP построена для определенной сферы бизнеса. Для каждого производства выбирается свой наиболее оптимальный продукт, который затем корректируется в процессе внедрения.

Сегодня так повелось, что в медицине используются как «исконные» ERP-системы функции, которых базируются на МИС, так и специфические, производственно-складские, в той или иной степени удачно приспособленные к медицинской деятельности. В доступной литературе на момент подготовки этой статьи не опубликовано ни одного случая успешного внедрения «медицинской ERP» системы. Мировая практика знает большее число, как раз вариантов «роста» глобальной системы управления ресурсами из МИС, например, Epic и Cerner в США или qMS в России. Не называясь ERP-системами, они являются таковыми по сути, причем их высочайшая адаптированность к медицинским процессам не вызывает сомнения.

Неправильный выбор системы ERP управления организацией может не только повлечь за собой дополнительные расходы, но и негативно отразиться на работе всей организации. Важно понять, что ERP — должна улучшать работу компании, перенимая положительные стороны и компенсируя отрицательные. А потому, при выборе необходимо точно определить какой эффект от внедрения должен быть получен. При этом система должна быть адаптирована под компанию, а не наоборот. Полностью перестраивать бизнес, особенно если он прибыльный или отлаженный, под систему ERP — ошибочно.

Согласно статистике только 30% всех внедрений ERP оказываются успешными, то есть затраты окупаются. Однако у вашей компании есть шанс улучшить столь неутешительную статистику. Предлагаемая система qMS как глобальная платформа управления ресурсами медицинской организации обеспечивает:

1. Объединение всех бизнес-процессов по единым правилам в рамках одной медицинской системы на одной базе данных;

2. Оперативное получение руководством информации о всех сторонах деятельности организации;

3. Планирование и контроль деятельности организации (краткосрочные и долгосрочные планы различных подразделений увязываются между собой).

В результате повышаются эффективность управления бизнесом и его конкурентоспособность.

МИС qMS, максимально приближается к ERP, кроме того qMS-система удобна тем, что ее можно внедрять частями (блоками).

В системе реализована не только ЭИБ, но и набор нативных функциональных блоков:

  • планирование производственных ресурсов, товарный учет и управление складскими операциям/запасами – фармацевтический склад, хозяйственный склад, аптека, склад компонентов крови и донорских органов;
  • финансовый учет и планирование – финансовая карточка, интеграция с кассовым оборудованием, выставление счетов и реестров, финансовая аналитика, себестоимость оказываемых услуг, статистические данные, диспансерный учет, договоры на оказание медицинских услуг, медико-экономические и медицинские стандарты;
  • управление основными фондами — описание ресурсов МО, ведение коечного фонда, кабинетов, оборудования;
  • управления персоналом — медицинские кадры, штатное расписание, учет отпусков, необходимости планового обучения, расчет заработной платы.
  • управления закупками — учет видов ассигнований, требования;
  • логистика – мониторинг коечного фонда, движения пациентов, пищеблок;
  • лабораторная система – автоматизация деятельности лаборатории, интеграция лабораторного оборудования;
  • взаимодействие с пациентами – лист ожиданий, телемедицина, смс оповещение, автоматический обзвон, личный кабинет, мобильное приложение;
  • управление и хранение медицинских изображений – PACS  система;
  • аналитика – готовые аналитические отчеты, гибкий конструктор создания необходимых срезов, с возможностью построения графиков, графов, трехмерных моделей, мониторинги в реальном времени коечного фонда, приемного отделения;
  • сервисы не представленные в системе или необходимые интеграции -териториальный фонды, сервис портала ЕГИСЗ, Госуслуг, 1С:Бухгалтерия, 1С:Апека, медицинские приборы с возможностью bloototh  передачи данных;

Опыт предприятий, прошедших внедрение успешно, показывает, что в результате сокращаются складские запасы (в среднем на 21,5%), возрастает производительность труда (на 17,5%), увеличивается число своевременно выполненных заказов (на 14,5%). Кроме того, повышается инвестиционная привлекательность бизнеса, особенно для иностранных инвесторов, которые всегда хотят, чтобы он был прозрачным.

Медицинская информационная система в практике анестезиолога и реаниматолога

ФГБУ «Всероссийский центр экстренной и радиационной медицины им. А.М. Никифорова» МЧС России, 194044, Санкт-Петербург, Россия;

ФГБВОУ ВО «Военно-медицинская академия им. С.М. Кирова» МО РФ, 194044, Санкт-Петербург, Россия

Горбань В.И., Щеголев А.В., Бахтин М.Ю. Медицинская информационная система в практике анестезиолога и реаниматолога. Анестезиология и реаниматология. 2017

Цель исследования. Оценить целесообразность и практическую пользу ведения медицинской документации с использованием информационной системы в практике службы анестезиологии и реаниматологии отдельного стационара

Материал и методы. Проведен ретроспективный анализ 484 историй болезни пациентов, поступивших на лечение в отделения травматологии и ортопедии, нейрохирургии. У 147 (30%) пациентов анализировали только бумажный вариант документации (история болезни, анестезиологическая карта). В остальных наблюдениях (337 пациентов) аудиту были подвергнуты как бумажный, так и электронный варианты истории болезни и анестезиологической карты.

Результаты. Установлено, что при использовании медицинских информационных систем качество оформления документов менее подвержено влиянию человеческого фактора и наиболее точно отражает реальное состояние пациента на момент оформления записи.

Выводы. Объективно фиксируются все критические инциденты, происходящие во время анестезии. В случае рукописного оформления документации существуют значимые дефекты в оформлении карты анестезии. Большинство недостатков в описании параметров газового состава дыхательной смеси, параметров вентиляции и показателей мониторинга, что является основными данными, определяющими качество проводимой анестезии и гарантирующими безопасность пациента. В случае ведения только общепринятого бумажного варианта медицинской документации имеется риск утраты некоторой части юридически важных документов.

Ключевые слова: медицинская информационная система; карта анестезии; протокол анестезии; медицинская документация.

Введение. Обеспечение безопасности пациентов на всех этапах лечения не является специфическим вопросом, характерным только для анестезиологии и реаниматологии. Так, национальный фонд безопасности пациентов США (National Patient Safety Foundation) на сегодняшний день трактует понятие «безопасность пациента» как предотвращение неблагоприятных исходов или повреждений во время процесса лечения или уменьшения ущерба в случае их наступления [1].

Пациент, находящийся в операционной, постоянно подвергается риску развития осложнений в результате запоздалой реакции, неверных действий или бездействия анестезиолога и реаниматолога (далее – анестезиолога), ошибок хирурга, а также сбоев в работе анестезиологических станций и другого медицинского оборудования. Для обеспечения адекватной защиты от операционного стресса анестезиолог использует препараты, которые могут быть потенциально опасны, особенно при их неправильном применении или нарушении дозировок. Во время оперативного вмешательства анестезиолог зачастую протезирует работу дыхательной, сердечно-сосудистой систем, обеспечивая условия для выполнения сложнейших хирургических манипуляций. Все это в совокупности позволяет утверждать, что анестезию можно считать опасной, но и одновременно жизненно необходимой составляющей успешного лечения в хирургическом стационаре.

Составными частями протокола проведения анестезии можно считать предоперационное обследование и заключительный осмотр анестезиологом, выбор метода анестезии, необходимого и достаточного объема мониторинга, регистрация расхода препаратов, наблюдение в раннем послеоперационном периоде. Для каждой составляющей этого протокола имеется минимальный набор требований, невыполнение которых анестезиологом недопустимо [2].

Роль человеческого фактора и ошибок играет определенную роль в появлении 60–80% проблем в процессе оказания медицинской помощи [3]. В анестезиологии и реаниматологии весомую часть осложнений и непредвиденных ситуаций можно объяснить как собственно критическим состоянием самого пациента, так и организационными дефектами, связанными с несовершенным материально-техническим обеспечением лечебного процесса и низкими профессиональными компетенциями персонала. Снижению количества неблагоприятных инцидентов может способствовать соблюдение ряда необходимых условий, наиболее важными из которых являются стандарты мониторинга, соблюдение протокола проведения анестезии (особенно это касается молодых специалистов) и внутренний медицинский аудит [1, 2]. Относительно последнего следует констатировать, что в нашей стране этот метод оценки качества анестезии не получил широкого распространения по ряду причин, включая объективные. В первую очередь аудит в каждом конкретном лечебном учреждении должен проводиться руководителем службы (отделения), поскольку всю ответственность за происходящее в подведомственных ему операционных несет именно он. Однако у руководителя отделения физически нет возможности одновременно осуществлять личный визуальный контроль происходящего в нескольких операционных, а заинтересованность анестезиологов предоставлять информацию по каждому неблагоприятному случаю во время проведения анестезии следует трактовать как минимальную.

Наличие в стационаре функционально полноценной медицинской информационной системы (МИС) значительно облегчает оформление медицинской документации, проведение управления и контроля оказания медицинской помощи в отделении анестезиологии и реанимации (ОАР), а также в целом в стационаре.

Тщательный предоперационный осмотр анестезиологом и правильная оценка состояния пациента и с юридической,   и с практической точки зрения является одной из важнейших составляющих благоприятного исхода оперативного лечения пациента. Упущенная на этом этапе информация, неучтенная в дальнейшем, может запустить каскад нежелательных инцидентов в интраи послеоперационном периодах [2]. С помощью МИС врач имеет возможность изучить данные предыдущих исследований и консультаций без обращения к архиву бумажных документов, что позволяет более объективно и четко составить представление о состоянии пациента, поскольку в ситуации, когда сбор анамнеза затруднен, это зачастую имеет жизненно важное значение. Примером может быть отсутствие в анамнезе информации о наличии аллергических реакций, случаях трудной интубации и обеспечения проходимости дыхательных путей, особенностях течения анестезии в анамнезе. Таким образом, отсутствие четкой и адекватной документации может повлиять не только на качество и безопасность оказания медицинской помощи, но и иметь медико-правовые последствия.

МИС qMS позволяет получать информацию о пациентах – результаты лабораторных анализов, функциональной диагностики, различных радиологических исследований через DICOM-изображения, данные с других аппаратов, используемых в специальности (респираторная и инфузионная техника, наркозно-дыхательная и мониторная аппаратура). Изучению преимуществ использования данной системы при оказании помощи по профилю «анестезиология и реаниматология» в стационаре и посвящено данное исследование.

Цель исследования – оценить целесообразность и практическую пользу ведения медицинской документации с использованием информационной системы в практике службы анестезиологии и реаниматологии отдельного стационара.

Материал и методы. Проведен ретроспективный анализ 484 историй болезни пациентов, которым проводили анестезию. В выборку попали данные пациентов, поступивших на лечение в отделения травматологии и ортопедии, нейрохирургии Всероссийского центра экстренной и радиационной медицины им. А.М. Никифорова (ВЦЭРМ) МЧС России для оперативных вмешательств в период с 1 июня по 31 августа 2016  г.

Анестезию проводили с использованием анестезиологической станции Aisys (GE Datex-Ohmeda). Объем интраоперационного мониторинга в каждом конкретном случае был определен анестезиологом, проводившим анестезию, и зависел от сложности оперативного вмешательства и длительности анестезии. Медицинскую документацию вели традиционно на бумажном носителе, а    в последующем и с использованием МИС, построенной на базе qMS (СП АРМ), в которую данные о течении анестезии поступали автоматически. У 147 (30%) пациентов анализировали только бумажный вариант документации (история болезни, анестезиологическая карта). В остальных 337 наблюдениях аудиту были подвергнуты как бумажный, так и электронный варианты истории болезни и анестезиологической карты, а также прочие записи, выполненные анестезиологом, представление которых в истории болезни традиционно  является обязательным.

Вид анестезии определялся анестезиологом в зависимости от объема выполняемого оперативного вмешательства (табл.  1).

Для проведения экспертизы применяли балльную оценку качества оформления документации по шкале от 0 до 5, в зависимости от полноты выполненных записей (табл.  2).

163 (34%) пациента после проведенного оперативного вмешательства в течение как минимум первых суток оставались под наблюдением в отделении реанимации и интенсивной терапии, куда доставлялись сразу из операционной. 321 (66%) пациент из операционной после полного восстановления сознания был направлен    в общее отделение. У всех пациентов не было отмечено дефектов качества оказания медицинской помощи, повлиявших на исход заболевания.

Для сопоставления выборок по частоте встречаемости исследуемого фактора использовался критерий Фишера. Однако в случаях, когда  доля наблюдений в одной из выборок была равна    0, применение данного метода оказалось невозможным из-за неоправданно завышенного значения критерия  [4].

Результаты. Предоперационный осмотр анестезиологом во всех случаях оформлялся по принятым в стационаре стандартам и соответствовал требованиям нормативных документов. Вместе с тем было установлено, что при традиционном бумажном ведении медицинской документации в 29 (19,7%) наблюдениях отсутствовало предоперационное заключение анестезиолога, поскольку в день операции проводили  смену «кода», по которому проходил лечение пациент, открывался новый эпизод госпитализации, и предоперационное заключение оставалось в предыдущей истории болезни. При электронном формировании медицинских документов запись консультации (осмотра) переносилась в новую историю болезни автоматически.

Несмотря на строго сформулированные требования по порядку ведения медицинской документации в стационаре, в 3 (2%) бумажных историях болезни не обнаружены протокол и карты анестезии, в 4 (2,7%) не оказалось только карты анестезии. Данным пациентам использовали нейроаксиальные методики анестезии, а после завершения оперативного вмешательства их сразу переводили в профильное отделение. При электронном методе формирования медицинских записей случаев отсутствия протокола или карты анестезии не выявлено. Таким образом, формирование медицинских записей в электронном виде позволило снизить количество дефектов ведения медицинской документации на дооперационном этапе и во время операции с 24,5 до 0% (рис. 1).

Для оценки качества ведения документации каждый протокол операции был подвергнут экспертной оценке с применением шкалы качества ведения документации. Предоперационный осмотр анестезиологом во всех случаях оформлялся по принятым в стационаре стандартам и соответствовал требованиям нормативных документов. Выбор метода анестезии в каждом конкретном случае был признан соответствующим и правильным. Доля протоколов операций, в которых дефектов оформления выявлено не было, составила 92% (445 историй болезни).

При оценке карты анестезии паспортная часть была заполнена по всем пунктам у всех пациентов. Вместе с тем карты анестезии, заполняемые на бумажном носителе, содержали ряд выраженных дефектов оформления. В 23 (15,6%) картах анестезии часть записей оказалась неразборчивой. Во всех картах, заполняемых в электронном виде, все записи читались однозначно.Наибольшие различия в оформлении выявлены в части отражения параметров газового состава дыхательной смеси, показателей мониторинга и вентиляции. В электронной карте анестезии система автоматически отражала все выбранные параметры (показатели мониторинга – АД, ЧСС, электрокардиографии (ЭКГ), периферической кислородной оксигенации (SpO) с плетизмограммой, нейромышечной проводимости (TOF), индекса SPI (хирургического плетизмографического индекса), показателей энтропии RE и SE); газового состава дыхательной смеси при проведении ингаляционной анестезии – концентрацию кислорода (FiО /FetO ), углекислого  газа (FiCO /FetCO ), ингаляционных анестетиков (FiSev/FetSev, FiDes/FetDes) во вдыхаемой и выдыхаемой смеси с интервалом, заданным анестезиологом, но не реже 1 измерения за 5 мин.

При автоматической передаче данных с анализатора в электронную медицинскую карту все параметры наблюдения фиксировались с заданным интервалом. Использование шаблонов записей в электронной карте обеспечивало как единую структуру записей, так и наглядное обеспечение заполнения всех необходимых разделов протокола. Тогда как при ручном оформлении медицинских записей только на бумажном носителе кратность внесения данных, особенно газового состава дыхательной смеси, и объем внесенных записей значительно отличались. Индекс ASA отсутствовал в 6% протоколов, параметры вентиляции вносились нерегулярно в 15% записей, а показатели газового состава были пропущены в 33% случаев. Особенно неожиданным стал тот факт, что почти в 40% протоколов анестезии не отмечались все этапы операции и манипуляций либо время выполнения манипуляции, отмеченное в карте анестезии, не соответствовало информации, приведенной в протоколе операции (рис. 2).

Анализ структуры дефектов ведения медицинских записей представлен в табл. 3.

Из представленных данных видно, что использование электронного способа формирования медицинской записи позволяет полностью избежать таких дефектов ведения медицинской документации, как потерянные медицинские документы или плохо читаемые записи, выполненные неразборчивым «врачебным» почерком.

Применение шаблонов и структурированных записей при ведении анестезиологической карты в электронном виде позволяет достоверно снизить количество неточностей и погрешностей в записях от 2 до 4 раз.

В случаях, когда у пациента велась как бумажная, так и электронная карта анестезии, было выявлено, что у 62 (18%) пациентов в рукописном варианте не отражались кратковременные «критические» инциденты нестабильной гемодинамики (гипотензия, гипертензия, тахикардия, брадикардия) либо показатели отличались от фиксируемых автоматически. Тем самым при «ручном» оформлении карты анестезии создавалось обманчивое впечатление более «гладкого» течения анестезии, когда показатели гемодинамики, газообмена искусственно «подтягивались» к стандартным нормативным. Автоматическая передача данных позволяла увидеть «реальное» изменение показателей гемодинамики и оценить степень угрозы на послеоперационном этапе. Данные погрешности были зафиксированы в первой половине исследования, тогда как в последнем исследуемом периоде (месяц) подобные расхождения были зафиксированы лишь у 23 (7%) пациентов.

Заключение

Наиболее важным результатом исследования явилось  то, что формирование медицинских записей в электронном виде позволило полностью исключить дефекты ведения медицинской документации на дооперационном этапе и во время операции. При рукописном оформлении анестезиологической карты большинство недостатков было в описании параметров газового состава дыхательной смеси, параметров вентиляции и показателей мониторинга, что является основными данными, определяющими качество проводимой анестезии и гарантирующими безопасность пациента. Автоматическая передача данных из анестезиологического и мониторного оборудования позволяет не только фиксировать абсолютно все показатели анестезии с заданной периодичностью, но и объективно фиксировать все критические инциденты с гемодинамикой пациента в ходе операции. Использование шаблонов при оформлении предоперационного заключения анестезиолога и протокола анестезии в электронной медицинской карте позволяет обеспечить выполнение всех требований по ведению медицинской документации. Установлено, что в случае ведения только общепринятого «бумажного» варианта медицинской документации имеется риск утраты некоторой части юридически важных документов (карта анестезии, протокол анестезии), восстановление которых на последующих этапах оказания медицинской помощи, тем более после выписки пациента, весьма затруднительно.

Финансирование. Исследование не имело спонсорской поддержки.

Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.

Индикаторы выздоровления

К разряду наиболее востребованных показателей, интересующих медицину, с полным основанием можно отнести «индикатор выздоровления». Мы, естественно, не собираемся утверждать, что лечащий врач выписывает пациента, основываясь исключительно на собственных интуитивных ощущениях. Критерии, конечно же, существуют, давно проверены практикой и успешно используются. В данном случае нам захотелось оценить возможность разработки альтернативных подходов, в основе которых лежит анализ данных, накапливаемых современными системами информационной поддержки (МИС).

Попробуем сформулировать постановку задачи по методике выбора индикатора выздоровления. Он же, видимо, мог бы использоваться и в качестве критерия оценки рациональности использованного лечебного стандарта. Логика при этом следующая: если рассматриваемый индикатор свидетельствует о возможности завершения стационарного лечения (запланированное улучшение достигнуто), а длительность пребывания пациента на койке существенно отличается (в большую сторону) от данных статистики, следовательно, выбранный стандарт был не оптимален. И, конечно, наоборот.

Еще раз подчеркнем, что в данном случае речь идет не о варианте оценки эффективности достигнутого результата. Мы анализируем возможность выбора показателя, демонстрирующего степень приближение пациента к состоянию «готов к выписке».

Что уже неоднократно отмечалось, наша подготовка и профессиональная ориентация весьма далеки от медицины. Информационной основой наших исследований являются только деперсонифицированные копии записей МИС, любезно предоставляемые нам некоторыми медицинскими организациями.  Дополнительно нам доступны аналитические инструменты, интегрированные в медицинскую информационную систему (в данном случае МИС «qMS» компании «СП.АРМ»), и методы статистической обработки данных. Именно на этих возможностях (ресурсах) постановка задачи и будет базироваться.

Итак, определим исходные требования:

  1. Ищем методику выбора показателя (индикатора), который демонстрирует устойчивую предсказуемость поведения в зависимости от параметров (реквизитов), описывающих группу, к которой относится пациент.
  2. Описание указанной группы должно быть легко воспроизводимым и универсальным.
  3. Интересующий нас индикатор должен определяться количественно.
  4. Индикатор должен отражать изменения в состоянии пациента между началом заболевания (помещение в стационар) и достижением желательной стадии выздоровления.

В наибольшей степени перечисленным выше ограничениям удовлетворяют таблицы контроля состояния пациента, типа Apgar, SAPS, APACHE и подобные им. На второе место следует, видимо, поместить количественные результаты анализов. К активному использованию «таблиц оценки состояния пациента» мы рано или поздно обязательно подойдем. Пока же попытаемся проверить возможность выбора интересующего нас индикатора на основе сопоставления результатов, формируемых клиническими лабораториями.

Описание группы пациента для начала можно ограничить диагнозом, возрастом и полом. В дальнейшем наверняка придется учесть стадию заболевания, сопутствующие диагнозы, постоянно употребляемые препараты и пр. Но эти данные потребуются только в том случае, если удастся показать, что предлагаемый подход имеет право на жизнь.

К сожалению, для того чтобы можно было связать «критерий выздоровления» с лечебным процессом, требуется определить, что такое «выздоровление». С узаконенным количественным определением этого показателя, которое могло бы использоваться в качестве стандарта, мы пока не сталкивались. Это, конечно, не говорит о том, что его не существует. Но в контексте нашего рассмотрения формулировки типа: «когда все показатели приходят в норму» по понятным причинам не применимы.

В связи с этим единственным доступным для нас «критерием» выздоровления является сам факт прекращения стационарного лечения с заключением: «выздоровление», «ремиссия», или «улучшение». Этого явно недостаточно, но ничего лучшего выбрать пока не удалось.

Наконец еще одним показателем, без которого нам не обойтись, является длительность лечебного процесса. Грубо говоря, хочется предложить методику, в результате реализации которой возникало бы выражение:

Δ Хв  = Ψ(Хн12,…,Ук,Tд.л.)

В данном случае:

Δ Хв – изменение отслеживаемого показателя, позволяющее сделать заключение о целесообразности завершения лечебного процесса. Его значение определяется функцией Ψ, зависящей от:

Хн – начального значения рассматриваемого показателя (при поступлении в стационар)

У12,…,Ук – параметров, описывающих ту или иную группу пациентов

Tд.л. – среднестатистической длительности лечения.

 

Итоговая постановка задачи выглядит следующим образом: «Опираясь на хранящиеся в медицинской информационной системе данные анализов, диагнозов и групп пациентов, подобрать показатели, которые можно использовать для определения рационального момента выписки пациента из стационара».

Сложность ее решения связана с тем, что далеко не во всех лечебных эпизодах аналогичные анализы проводятся в начале и конце курса лечения. И это понятно. Целью лабораторных исследований является диагностика, а не мониторирование состояния пациента. Кроме того, по каждому рассматриваемому диагнозу необходимо иметь в своем распоряжении репрезентативные выборки данных по различным половозрастным группам. Наконец, стоимость анализа должна быть приемлемой.

Таким образом выбор изначально был ограничен. Тем не менее среди 68600 стационарных эпизодов нашлось 10600 с повторяющимися анализами, промежутки между которыми находились в диапазоне от 4-х до 12-ти дней. Необходимую численность «групп» пациентов обеспечили при этом диагнозы «К80.1» (Камни желчного пузыря с другим холециститом), «К86.1» (Другие хронические панкреатиты) и «I11.9» (Гипертензивная [гипертоническая] болезнь с преимущественным поражением сердца без (застойной) сердечной недостаточности) в сочетании с анализом «Билирубин общий».

Для получения принципиального ответа на вопрос о возможности решения поставленной задачи мы воспользовались самым простым из доступных инструментов – получением зависимости на основе линейного регрессионного анализа. Несколько вариантов его применения были описаны в наших предыдущих публикациях. Для демонстрации результата ниже приведены две итоговые регрессии. Они позволяют сделать вывод о применимости данных по Билирубину для использования в качестве одной из составляющих «индикатора выздоровления».

ОПИСАНИЕ МЕТОДИКИ:

  1. Выбираем интересующий диагноз.
  2. Проверяем наличие и достаточность для построения уравнения регрессии повторяющихся анализов.
  3. Формируем таблицу данных, содержащую значения:
    1. Диагноз
    2. Пол
    3. Возраст
    4. Начальные данные анализа
    5. Значение анализа на момент выписки
    6. Промежуток времени (дни) между повторяющимися анализами
  4. Получаем и анализируем уравнение регрессии, связывающее изменение показаний анализа с факторами влияния:
    1. Оцениваем значимость фактора
    2. Оцениваем погрешность, определяющую влияние фактора на результат.
    3. Оцениваем влияние факторов, не вошедших в рассмотрение.
  5. Делаем заключение о возможности использования показателя в виде «фактора выздоровления».

РЕЗУЛЬТАТЫ И ВЫВОДЫ:

Диагноз: К80.1;  Пол:  Мужской; Критерий Стьюдента (критерий значимости):  2,010635

Зависимость от выбранных факторов отсутствует

Диагноз: К86.1;  Пол:  Женский; Критерий Стьюдента (критерий значимости):  2,0017175

Другими словами, госпитализация женщин с диагнозом «К86.1» имеет тенденцию к завершению, когда изменение значения предварительно проведенного анализа на «Общий билирубин» достигает значения ΔR с учетом погрешности. Необходимо помнить, что зависимость от возраста и длительности лечения при этом отсутствует. То есть, «приращение» показателя может использоваться в качестве элемента интегрального «индикатора выздоровления». Ниже приведено несколько примеров сопоставления показателей, полученных с помощью приведенного выше выражения, с реальными данными анализов из соответствующих эпизодов.

Введем следующие обозначения:
Rэн – Начальное значение анализа в эпизоде;
Rэк — конечное значение анализа в эпизоде;
ΔRэ – реальное «приращение» значения анализа при завершении эпизода;
ΔRэр – расчетное приращение;
Rкр – конечное (предположительное) значение анализа, полученное расчетным путем без учета погрешности.

Эпизод 1:
Rэн = 21(мкмоль/л); Rэк = 22,5(мкмоль/л) ; ΔRэ = 1,5(мкмоль/л)
ΔRэр = -1,58± 4,26 (мкмоль/л) ; Rкр = 19,42(мкмоль/л).

Эпизод 2:
Rэн = 29,7(мкмоль/л); Rэк = 19,6(мкмоль/л) ; ΔRэ = —10,1(мкмоль/л)
ΔRэр = -10,1± 4,8 (мкмоль/л) ; Rкр = 19,6(мкмоль/л).

Эпизод 3:
Rэн = 13,7(мкмоль/л); Rэк = 16,6(мкмоль/л) ; ΔRэ = 2,9(мкмоль/л)
ΔRэр = 5,74± 3,8 (мкмоль/л) ; Rкр = 19,44(мкмоль/л).

Эпизод 4:
Rэн = 33,5(мкмоль/л); Rэк = 13,7(мкмоль/л) ; ΔRэ = -19,8(мкмоль/л)
ΔRэр = -13,83± 5 (мкмоль/л) ; Rкр = 19,67(мкмоль/л).

Резюме:

Результат на первый взгляд «не впечатляет». Всегда хочется получить точное значение, которое можно однозначно связать с моментом «уже здоров». Но:

  1. Таких «подарков» в жизни, к сожалению, практически не встречается
  2. Это, как мы уже подчеркивали, лишь одна из возможных составляющих «индикатора выздоровления»
  3. Можно, наконец, обратить внимание на то, что конечные (на момент выписки) значения анализов реальных эпизодов имеют достаточно большой разброс, хоть и укладывается в границы погрешности. А вот их «расчетные значения» (Rэн+ ΔRэр) практически совпадают (погрешность менее 2-х процентов). Не правда ли, привлекательно? Но еще интереснее то, что возможность получения вывода о «выздоровлении» на основании проверки приближения результата повторного анализа к значению 19,44 (мкмоль/л) принципиально ошибочна! Дело в том, что корреляция между начальными и конечными (на момент выписки) значениями анализа полностью отсутствует. Она имеет место только для начального значения и его изменения. Это говорит о том, что «приращение» в качестве индикатора использовать можно, а вот конечное значение категорически нельзя.

Сразу подчеркнем, что на практике полученный результат если и можно попытаться применить, то крайне осторожно и «с оглядкой». Полученная погрешность все же слишком велика. Но не исключено, что, проведя более обширные исследования, удастся обнаружить аналогичные зависимости, точность которых допускает и практическое использование. Мало того, подобные «индикаторы» могут повлиять на существенное снижение затрат на лечебный процесс. Это определяется низкой себестоимостью определения момента, когда в дополнительных медицинских услугах пациент уже не нуждается. То есть, вполне вероятен и экономический эффект.

И дополнительный «штрих». Референтный интервал по «Билирубину общему», исходя из данных справочников, соответствует диапазону 3,5¸ 20,5 мкмоль/л. Математическое ожидание, соответственно, должно быть близко к значению 12 мкмоль/л. К сожалению, нам не удалось выяснить, на основе какого объема выборки был установлен этот диапазон и по каким критериям «здоровья» подбирались испытуемые. Не исключено, что эти сведения для специалистов настолько очевидны, что их «первоисточник» можно отыскать только в сугубо специальной литературе.

Мы, конечно, не можем претендовать на возможность обработки данных, относящихся к «здоровому контингенту». Все доступные нам записи так или иначе связаны с теми, кто обратился в клинику за медицинской помощью. Тем не менее, нам показалось любопытным сравнить полученную статистику со справочными данными. Были обработаны записи по данным анализов «Билирубин общий», относящихся к 55496-ти пациентам, 161232 лечебным эпизодам и к 178550 лабораторным образцам. Полученные результаты были соотнесены со срезами по полу пациента и по условию их вхождения в «справочный» референтный интервал. Таблица результатов приведена ниже.

Исходя из полученных значений, можно предположить, что:

  1. Математическое ожидание по рассматриваемым группам несколько выше данных справочника (в пределы погрешности все, естественно, укладывается). Это может частично объясняться тем, что все (многие) заболевания изменяют показания рассматриваемого анализа в большую сторону, оставаясь при этом в «референтных» границах.
  2. Когда данные анализа выходят за референтный интервал, их разброс существенно возрастает[1]. Это может говорить о том, что изменения рассматриваемых значений сильно зависят от диагноза, или стадии заболевания. То же можно, видимо, сказать и про чувствительность метода.
  3. Имеется некоторое расхождение данных по признакам пола. При этом разброс данных анализов (sigma), попавших в референтный интервал, у мужчин оказывается большим, чем у женщин. И наоборот, вне рамок интервала мужчины демонстрируют большую «кучность» анализов при практически совпадающим с женщинами значением математического ожидания.

Данные таблицы, естественно, невозможно отнести к категории «корректной статистики». Мы использовали их исключительно в качестве повода для акцентирования внимания на том, что многие из нас неожиданно для себя оказались погруженными в совершенно новую информационную реальность. Сложившаяся на сегодняшний день ситуация вполне однозначно подводит врачей и управленцев к осознанию целесообразности использования потенциала современных медицинских информационных систем для переосмысления подходов к прагматичному и рациональному использованию стремительно накапливающихся клинических записей.


[1] Sigma становится больше значения математического ожидания.

Информатизация как атрибут развития

Хочется думать, что реализация проектов, связанных с расходованием финансовых, материальных, кадровых и прочих ресурсов изначально предполагает улучшение (в пределе – оптимизацию) некоторой совокупности показателей. Мы уже не раз писали о том, что закрепившийся некогда в сознании стереотип развития, опирающийся на метод «проб и ошибок», себя на сегодняшний день исчерпал. Бюджет Государства оказался не бездонным. Выбор направлений его рационального расходования требует обоснованного прогноза эффективности вложений. Логично предположить, что для этого должен быть разработан некий инструмент и варианты его эффективного использования.

«Вчера», если ориентироваться на исторические масштабы времени, началась практическая реализация Программы информатизации здравоохранения. Предполагается, что ее концепция разрабатывалась не только для формального повышения качества отчетности. Предпринятые усилия и понесенные затраты дают нам право рассчитывать на использование ее результатов в качестве основы подготовки продуманных и обоснованных управленческих решений.

Имеет смысл обратить внимание на две ипостаси информатизации. С одной стороны, это технологическая оснастка, позволяющая повысить эффективность решения привычных задач (информационный обмен, поиск данных и их стандартная обработка и пр.). С другой – уникальный инструмент анализа, прогнозирования и поиска новых закономерностей. Отталкиваясь от этого бессмысленно пытаться формировать приоритеты. Оба направления востребованы и перспективны.

Вполне разумным для оценки эффективности внедрения МИС было бы разработать две самостоятельные методики. Первая может быть связана с определением уровня готовности МИС и организации (региона) в целом к переходу на электронный документооборот. Для этого могут использоваться два незамысловатых, но достаточно эффективных показателя:

  1. Процент видов документов, формируемых медицинской информационной системой самостоятельно («по кнопке») в фоновом режиме. Этот показатель мог бы определять уровень функциональной полноты (насыщенности) МИС.
  2. Соотношение числа экземпляров документов, формируемых информационной системой и набираемых «с клавиатуры», или рукописных. Этот показатель может использоваться для определения уровня оснащенности и готовности организации к переходу на электронный документооборот (достаточность рабочих мест, подготовленность пользователей, сопровождение системы и т.д.).

Вторая методика должна оценивать эффективность самой информатизации. Она должна определять целесообразность внедрения (эффективность) конкретной МИС. Другими словами, она должна стать инструментом оценки уровня и качества влияния новых подходов на бизнес-процессы и результативность работы организации. При этом может отслеживаться количество показателей, существенно превышающее требования отчетности. Мало того, каждый из них должен обязательно учитываться при выставлении общей оценки уровня информационной поддержки МО. В состав таких показателей можно включить, например:

  1. Число хранящихся в библиотеке МИС аналитических запросов, интенсивность их использования и динамику увеличения их числа. Сравнивая данные со среднестатистическими (максимальными) значениями, можно сделать заключение о желании Администрации и специалистов МО целенаправленно заниматься вопросами улучшения результатов своей деятельности.
  2. Наличие и реальное использование сотрудниками МО инструмента самостоятельной подготовки нестандартных поисковых и аналитических запросов. Совместно с данными предыдущего раздела этот показатель формирует сведения, связанные, как с уровнем реальной подготовки пользователей МИС, так и с отношением руководства МО к задачам, помогающим лучше разобраться в причинно-следственных связях. Важно понимать, что только постоянное расширение направлений использования потенциала информатизации может позитивно влиять на качество предоставления услуг.
  3. Наличие, интенсивность и результативность использования систем экспертной поддержки решений. Этот совокупный показатель позволяет, как оценивать перспективы повышения уровня подготовки врачей МО, так и анализировать влияние информатизации на качество их работы.
  4. Использование прогностических моделей при подготовке программ развития, при выборе вариантов лечебного стандарта, или операционного вмешательства, при планировании новых подходов к предоставлению услуг и пр. Обеспечение качественного прогноза позволяет существенно сократить время и стоимость выработки решения с одновременным повышением вероятности достижения требуемого результата.
  5. Наличие методов, опирающихся на функциональные возможности и информационное наполнение МИС и ориентированных на оценку эффективности используемых бизнес-процессов. Только так можно выделить из множества используемых методик, технологий и вариантов модернизации те, которые приводят к реальному улучшению результата.
  6. Использование методов и алгоритмов сопоставления результативности работы отдельных специалистов и подразделений МО. Без этих, формируемых информационной системой показателей, основанных на обработке накапливаемых данных, очень сложно проводить объективную оценку вклада каждого конкретного врача в востребованность ресурсов и финансовую стабильность МО.
  7. Сопоставление эффективности и качества решений конкретными информационными системами МО тестовых задач, подготовленных территориальными (федеральными) органами управления. При этом возможно использование таких формулировок, как:
    1. На основе накопленных Вашей информационной системой данных оценить целесообразность …
    2. На основе накопленных Вашей информационной системой данных оценить степень улучшения (повышения качества) … И т.п.

Разделение задач информатизации позволяет по-новому подойти к оценке ее эффективности. Временами кажется, что сегодня взгляд на информатизацию ограничивается только первым направлением. Но это стало бы серьезной ошибкой. Информатизация должна рассматриваться как единый перманентный процесс. Пренебрежение любым из указанных направлений чревато потерями. Без развития первого мы утрачиваем возможность интенсивного накопления данных. Без второго – вынуждаем отрасль двигаться на ощупь, то и дело наступая на «грабли».

Комплексную оценку уровня и качества информатизации можно, например, проводить методом суммирования (перемножения — для относительных показателей) оценок по совокупности обязательных для учета параметрам. На таком примере и хотелось бы остановиться. Рассмотрим возможность оценки влияния на результат работы МО одного из новых ресурсов здравоохранения, возможность реализации которого связана с первым направлением решаемых информатизацией задач. Получение «оценки» по понятным причинам связано со вторым направлением.

Несколько лет тому назад удаленная запись к специалисту была назначена символом успешности информатизации. Она и теперь все еще находится в центре внимания и под контролем органов регионального и федерального управления. Мы не очень интересовались, как она определяется сегодня, но изначально в качестве целевого индикатора была выбрана динамика увеличения числа записей через интернет.

Прежде всего отметим, что без информатизации отрасли (без активного перехода на использование ресурсов МИС), подключение организации к интернету особого смысла не имеет. Выход с домашнего компьютера на сервер регистратуры ничем принципиальным от возможностей локального call-центра не отличается. Преимуществ не возникает и при отсутствии в информационной системе МО электронного расписания, отслеживающего в реальном масштабе времени зарезервированные слоты приема специалистом пациентов.

Очевидно, что удаленная запись существенно сокращает затраты времени, финансовые издержки (оплата проезда) и, наконец, бережет нервы тех, кто в услугах специалиста нуждается и имеет доступ к интернету. Выйти на сайт поликлиники (на портал региональных органов здравоохранения) гораздо проще, чем регулярно отпрашиваться с работы. В этом смысле «критерий уровня информатизации», определяемый как соотношение числа записей на прием через интернет и регистратуру, будет наглядно демонстрировать триумф прогрессивных тенденций. Но, как и в любом деле, существует и обратная сторона медали. Новые технологии всегда порождают и новые возможности злоупотреблений.

Чтобы можно было сопоставить возникающие в результате прогрессивных тенденций преимущества и возможный негатив, без аналитических возможностей информационных технологий не обойтись. Действительно, если наряду с сокращением очередей в регистратуру на порядки возрастает неразбериха в очереди у кабинета врача, Проект вряд ли можно считать успешным. Другими словами, чтобы определить эффект от нововведений, предварительно следует подготовить методику его оценки. А после ввода новых вариантов обслуживания в эксплуатацию проанализировать полученный количественный результат. Кроме того, вполне возможно, что после внедрения в МО «удаленной записи» придется вносить существенные изменения в существующие бизнес-процессы.

Зададим себе вопрос: на какие перемены к лучшему может повлиять переход на удаленную запись? К ним, вероятно, можно отнести:

  1. Упрощение (ускорение) самостоятельной записи к специалисту;
  2. Самостоятельный выбор специалиста, предпочтительного с точки зрения пациента;
  3. Упрощение подготовки и реализации назначений, необходимых с точки зрения лечащего врача. Возможность проведения дополнительных обследований и процедур, недоступных пациенту при использовании только ресурсов МО, к которой он приписан;
  4. Сокращение ожидания в очереди на прием;
  5. Оптимизация загрузки специалистов и оборудования;
  6. Появление дополнительного стимула для внедрения информационных технологий в МО;
  7. Улучшение качества предоставления медицинских услуг;
  8. Повышение эффективности лечебных мероприятий;
  9. Повышение качества отчетности и т.д.

Хотелось бы, при этом, чтобы улучшения одних показателей не приводили к ухудшению других. Вместе с тем, вполне можно представить себе одновременное появление таких «особенностей технологии», как:

  1. Необоснованное резервирование номерков на прием к специалисту;
  2. Слишком быструю реализацию «квот» на удаленную запись после ее начала;
  3. Усложнение процесса записи к специалисту для граждан, не имеющих выхода в интернет, или в недостаточной степени овладевших навыками работы с компьютером;
  4. Несогласованность процедур «удаленной записи» и «записи через регистратуру»;
  5. Конфликт «удаленной записи» и «живой очереди» и т.д.

То есть, прежде чем переходить к глобализации проекта полезно было бы продумать шаги по выявлению возможных негативных последствий и по их устранению. С их широким обсуждением мы не сталкивались, что, впрочем, не означает их отсутствия. Тем не менее хотим предложить свой вариант анализа. Если он аналогичен уже использующемуся, значит наши подходы совпадают. Это повышает вероятность движения в правильном направлении. Если он вступает в противоречие с практикой, готовы обсудить его недостатки. Если аналогичных оценок пока не существует, не поздно протестировать предлагаемые и обсудить результаты.

Для пояснения логики разработки методики, выберем 4-ю и 5-ю позиции предполагаемых вариантов улучшения работы МО. Так как данные, накопленные на бумажных носителях до ввода в эксплуатацию МИС, нам недоступны, «пришлось» использовать записи, хранящиеся в электронном виде. Ничего не можем сказать и о пациентах. Мы ориентировались только на их идентификационные коды.

Так как это не принципиально, ограничимся услугами приема пациентов участковыми врачами-терапевтами. В качестве вариантов записи на прием будем рассматривать: запись через интернет, запись через инфомат (терминал), запись через регистратуру, запись «на себя» (специалист сам назначает прием), направление на консультацию другими терапевтами и другими специалистами МО. В качестве интервалов сопоставления выбираем месяц.

Вариантов анализа можно придумать десятки. К ним можно отнести и время ожидания приема (от момента записи до посещения врача), и эффективность лечения (длительность освобождения от работы с учетом стоимости услуг), и многое другое. Но так как целью публикации является лишь демонстрация возможностей подхода, ограничимся двумя коэффициентами:

  1. Коэффициент влияния метода записи на загрузку ресурса – К1

К1=В(i)/ΣВ(i) , где В(i) – выполненные услуги, назначенные по варианту «i»

  1. Коэффициент базовой эффективности варианта назначений – К2

К2= В(i)/Н(i) , где Н(i) – общее количество назначений по варианту «i»

Параллельно с этим попытаемся ответить на вопросы, связанные с временными зависимостями:

  1. Существует ли процентное отличие в неиспользованных номерках на прием для различных вариантов записи (запись есть, а услуга не предоставлена)?
  2. Каково количественное соотношение назначений, использующих различные варианты записи на прием к специалисту?
  3. Каково процентное соотношение между предоставленными услугами в разрезе вариантов записи?

Необходимые данные будем брать из таблицы 1, фрагмент которой приведен ниже. Любой пользователь МИС может аналогичную таблицу без труда получить самостоятельно (если нет, то пора задуматься о возможности замены используемой информационной системы на более функциональную). На рисунке 1 приведены зависимости общего числа назначений (по месяцам), а также соотношение между назначениями, сделанными «на себя», через интернет, инфомат (терминал) и регистратуру.

Не допуская, что наши терапевты могут опуститься до фиксации в информационной системе услуг, которые оказаны не были, можно констатировать, что:

  1. С момента внедрения в практику «удаленной записи к специалистам» их интенсивность в течении двух лет практически не менялась.
  2. Количество самостоятельных записей на прием через интернет и инфомат практически совпадают.
  3. Общее число назначений имеют сезонную зависимость, но в среднем для рассматриваемой организации[1] тяготеет к уровню 4500 – 5000 случаев в месяц.
  4. Назначения, сделанные самим врачом и реализованные через регистратуру, имеют явную обратную корреляцию. Иными словами, после практического отказа от использования предварительной регистрации, эту функцию взяли на себя сами специалисты. То есть, руководство клиники, видимо, пришло к выводу о целесообразности проведения основного приема в варианте «живой очереди». Более 85-ти процентов записи «на себя» связаны с первичным приемом пациентов и совпадают с ним по времени.
  5. Если (вне периода работы регистратуры) назначения «на себя» составляют, в среднем, 85% случаев от их общего числа, то совместная доля «интернета» и «терминала» никогда на превышает 10-12%.

Рисунок 1.  Количество назначений на прием к терапевту по месяцам с учетом варианта записи

Таблица 1.

Месяц/Всего назначений Вариант назначения Выполнено Неявка Отменено Всего
Апрель/6068 Интернет 208,0 54,0 60,0 322
  На себя 4434,0 56,0 90,0 4580
  Регистратура 511,0 87,0 218,0 816
  Специалист 30,0 0,0 4,0 34
  Другой терапевт 1,0 0,0 1,0 2
  Терминал 204,0 63,0 47,0 314
Май/4377 Интернет 169,0 47,0 48,0 264
  На себя 2826,0 39,0 87,0 2952
  Регистратура 558,0 95,0 209,0 862
  Специалист 3,0 0,0 1,0 4
  Другой терапевт 0,0 1,0 2,0 3
  Терминал 185,0 64,0 43,0 292
Июнь/4261 Врач 0,0 0,0 1,0 1
  Интернет 197,0 38,0 34,0 269
  На себя 2098,0 47,0 76,0 2221
  Регистратура 983,0 198,0 309,0 1490
  Специалист 34,0 4,0 4,0 42
  Другой терапевт 1,0 0,0 4,0 5
  Терминал 155,0 52,0 26,0 233
Июль/4531 Врач 4,0 0,0 3,0 7
  Интернет 168,0 39,0 38,0 245
  На себя 2263,0 58,0 93,0 2414
  Регистратура 941,0 163,0 381,0 1485
  Специалист 44,0 7,0 10,0 61
  Другой терапевт 38,0 4,0 12,0 54
  Терминал 168,0 57,0 40,0 265

Еще любопытнее ситуация с выполнением назначений. Так, если процент выполнения назначений, сделанных специалистом «на себя» соответствует, в среднем, 96-97%, то процент выполнения при записи через регистратуру, «интернет» и «терминал» колеблется вокруг значений 50-80 (см. рисунок 2 и фрагмент таблицы 2).

Рисунок 2.  Процент выполнения терапевтом услуг, относительно количества их назначений по вариантам записи

Таблица 2.

Период Общий процент выполнения назначений Вариант назначения Всего назначено

услуг

Всего выполнено

услуг

Процент выполнения (по варианту записи) Процент от общего числа выполненных назначений
Месяц 16  91,9% Интернет 263 173,0 65,78% 3,2%
  На себя 4881 4718,0 96,66% 88,5%
  Регистратура 16 9,0 56,25% 0,2%
  Специалист 14 10,0 71,43% 0,2%
  Терапевт 194 155,0 79,90% 2,9%
  Терминал 427 264,0 61,83% 5,0%
Месяц 17 91,1% Интернет 275 176,0 64,00% 3,9%
  На себя 4119 3958,0 96,09% 87,4%
  Регистратура 7 6,0 85,71% 0,1%
  Специалист 18 14,0 77,78% 0,3%
  Терапевт 177 122,0 68,93% 2,7%
  Терминал 376 254,0 67,55% 5,6%
Месяц 18  92,9% Интернет 139 110,0 79,14% 2,8%
  На себя 3546 3432,0 96,79% 87,3%
  Регистратура 7 5,0 71,43% 0,1%
  Специалист 19 12,0 63,16% 0,3%
  Терапевт 100 75,0 75,00% 1,9%
  Терминал 420 299,0 71,19% 7,6%
Месяц 19  92,2% Интернет 78 62,0 79,49% 2,2%
  На себя 2653 2528,0 95,29% 89,0%
    Регистратура 10 7,0 70,00% 0,2%
    Специалист 30 20,0 66,67% 0,7%
    Терапевт 36 27,0 75,00% 1,0%
    Терминал 275 197,0 71,64% 6,9%

Еще более гротескно выглядит результат выполнения если его сопоставлять с общим числом предоставленных услуг (последний столбец таблицы 2). Ни один из способов записи на прием (кроме варианта «на себя») не обеспечивает загрузку врача более, чем на 7%. Да и это относится к получению номерка через терминал. Интернет формирует не более 4% выполняемых услуг, а остальные методы оказывают еще меньшее влияние на эффективность использования ресурсов клиники.

Работа в идеологии «живой очереди» объясняет и причину пренебрежения номерками на прием «в порядке очереди» (все слоты специалиста уже зарезервированы). За рассматриваемый период их было оформлено только 0,36% от общего числа, а выполнено и того меньше.

Теперь определим значения предложенных выше коэффициентов. Не снижая общности вывода, ограничимся интервалом анализа (4-ый – 10-ый месяц), когда организацией активно использовались четыре варианта записи на прием («на себя», через регистратуру, интернет и терминал). Интегральную оценку эффективности вариантов (Крез) определим путем их перемножения. Проведя несложные расчеты получаем результат, приведенный в таблице 3.

Таблица 3

Коэффициент\Вариант записи

«На себя»

Регистратура

Интернет

Терминал

К1

0,7367

0,1619

0,0446

0,0453

К2

0,9490

0,6208

0,6575

0,6243

Крез

0,6991

0,1005

0,0293

0,0283

Таким образом, исходя из имеющихся в нашем распоряжении данных, можно констатировать, что «результирующая» эффективность записи на прием к участковому терапевту существенно зависит от варианта реализации. Полученные соотношения говорят о том, что «удаленная запись» не является пока локомотивом прогресса. Надо, видимо, еще немного подождать.

Необходимо подчеркнуть, что предлагаемые Вашему вниманию выводы справедливы только в предположении о корректном занесении данных в систему. Если (что, конечно же, совершенно невероятно) предположить возможность наличия «приписок», картина существенно меняется. Может, например, оказаться, что терапевты работают с существенной недогрузкой. И чтобы оправдать свою зарплату «принимают» пациентов из пустого коридора. Но это уже, как Вы понимаете, домыслы злопыхателей. Проверка действительного наличия факта приема на основе использования записей и функционала современных МИС труда, правда, тоже не составляет, но это уже тема совершенно другой публикации.

Завершить наше маленькое исследование можно несколькими выводами:

  1. Эффективной может считаться только та информационная система, которая, помимо поддержки текущих задач специалиста, обеспечивает возможность построения выводов (подготовки рекомендаций) на основе анализа накапливаемой информации.
  2. Только информация, избыточная по отношению к требованиям отчетности, позволяет контролировать достоверность заносимых в систему данных и делать правильные заключения.
  3. Последовательная согласованная детализация описаний лечебных процессов и развитие функционала МИС открывает перед учеными и управленцами такие перспективы, которые еще 20 лет тому назад невозможно было себе представить.

Даже рассмотренную выше маленькую задачку можно было бы существенно расширить, если отдельно рассмотреть каждого специалиста, его расписание приема и конкретно оказываемые услуги. Так как весь процесс обработки записей выполняет информационная система, трудоемкость задачи принципиально не изменилась бы. Но количество данных и выводов возросло бы на порядки. Это, естественно, неприемлемо с точки зрения допустимого объема публикации. Подобные подходы оправданы только при решении конкретно поставленных задач, ориентированных на оценку эффективности методов работы и поиск возможностей ее повышения. К чему, собственно, мы Вас и призываем.


[1] Региональный медицинский центр.

К вопросу об оценке информатизации МО

Обсуждение проблем оценки качества информатизации медицинских организаций недавно было вновь предложено Михаилом Михайловичем Эльяновым. Мы тоже рассматриваем эту задачу, как важную и весьма актуальную. Чтобы не ограничивать себя рамками «комментариев», попытаемся изложить свой взгляд на решение в варианте самостоятельной публикации.

Прежде всего следует, видимо, обозначить точку отсчета. Без нее любая оценка оказалась бы «размытой». В обсуждение, как нам кажется, необходимо включить:

  1. Оценку готовности организации к переходу на электронный документооборот;
  2. Анализ интенсивности (результативности) использования ресурсов медицинских информационных систем (МИС) в своей повседневной работе;
  3. Сопоставление времени загрузки МИС по направлениям:
    1. Порождение и сохранение медицинских записей
    2. Использование ранее внесенной в систему информации для:
      1. Подготовки и принятия врачебных решений
      2. Подготовки оперативных управленческих решений
      3. Подготовки отчетности
      4. Решения финансовых вопросов
      5. Стратегического управления и планирования
      6. Освоения (повышения) навыков работы с информацией
      7. Подготовки научных публикаций и пр.
    3. Обмен данными со сторонними организациями.
  4. Подготовку (внедрение) методов и алгоритмов выявления «узких мест» в работе МО на основе использования информационного потенциала МИС;
  5. Подготовку (внедрение в практику) оценок, алгоритмов и критериев сопоставления эффективности (результативности) использования ресурсов МИС организациями, подразделениями и отдельными специалистами.

Перечень можно продолжать, но для погружения в проблемную область, сопоставления достижений и приобретения навыков практического использования новых возможностей информационной поддержки, указанных задач вполне достаточно. Важно, чтобы формируемые выводы опирались не только на качественные (экспертные) оценки, но и на количественные данные. Мало того, недостаточно учитывать только «абсолютные замеры». Не менее значимыми должны стать, как сопоставление достигнутого и целевого («предельно достижимого») уровня, так и динамика изменения первого. Наконец оценка должна проводиться комплексно. Ограничивая себя одним «упрощенным» показателем можно превратить действительно важное направление развития отрасли в очередную кампанию «наказания невиновных и награждения непричастных».

Но и это не все. Критерии, не опирающиеся на учет изменения результативности работы системы, недорого стоят. «Оценки» нельзя придумывать. Каждая из них должна быть связана с конкретным улучшением. Можно, конечно, ограничиться соотношением количества записей, связанных с бумажным и электронным документооборотом. Но это станет осмысленным только в том случае, если поставленная цель определена, как полный отказ от заполнения врачом бумажных бланков. А теперь представьте, что в клинике установлены локальные автоматизированные рабочие места, не связанные с сервером. Достигнув «заветной цели», мы придем к необходимости полного прекращения деятельности, или возврата к прошлому. Не станешь же вместо «тетрадки» таскать из кабинета в кабинет компьютер со всеми периферийными устройствами. А on line распечатки амбулаторную карту не заменяют.

Это, конечно, шутка. Но, как известно, «в каждой шутке есть доля шутки». Можно, впрочем, подбирать «локальные» оценки, определяющие степень приближения результата нашей деятельности к конкретному «целевому индикатору». В качестве последнего можно, например, выбрать оптимизацию загрузки локальной информационной сети, повышение эффективности использования ресурсов и т.д. В этом случае произойдет автоматическая привязка отслеживаемого «коэффициента информатизации» к качеству решения поставленной задачи. Если, например, все записи организации хранятся исключительно в электронном виде, а эффективность загрузки томографа близка к нулю, значит, либо какой-то информации в системе не хватает, либо мы не умеем ею пользоваться. Другими словами, если мы захотим улучшить результат путем анализа значений «коэффициента», в нем придется что-то подкрутить.

Теперь несколько слов по существу. Целью данной публикации является, собственно, попытка подвести читателя к мысли, что гораздо продуктивнее «запрягать лошадь в телегу», понимая, что и куда мы собираемся отвезти. Предварительные эксперименты по выбору варианта свободного спуска нагруженного воза с косогора, для приобретения уверенности в том, что он, в конце концов, всегда переворачивается, кажутся малопродуктивными. Полезнее определить практически значимую задачу и последовательно ее решать, чем придумывать и сопоставлять абстрактные оценки описания одного из процессов в отрыве от запланированного результата.

Решение задачи логичнее было бы проводить в следующей последовательности:

  1. Исходим из того, что повышение уровня информационного обеспечения должно приводить к улучшению (повышению эффективности) конкретного процесса, или результативности работы организации в целом. Предварительно, правда, было бы неплохо убедиться, что такая связь реально существует. Но, для начала, примем это за аксиому. В противном случае было бы не очень разумно тратить ресурсы на программу, которая ни на что не влияет.
  2. Для примера рассмотрим задачу повышения эффективности финансирования программ ДЛО (ЛЛО). Все уже давно убедились на практике, что краеугольным камнем проблемной области является информационное обеспечение. При этом очевидно, что наличие максимально возможного «коэффициента информатизации» у одной из взаимодействующих структур, к достижению цели не приводит. Гораздо больший эффект обеспечивает одинаковый для всех участников проекта средний уровень информационной поддержки, а не его разброс от «полноценного» до «отсутствующего». Отсюда первый вывод: методика оценки качества информатизации должна определяться решаемой задачей и, при этом, комплексно.
  3. Эффективность Программы (ЛЛО) зависит от: целевого использования выделенных средств; соответствия объемов финансирования потребностям льготных групп населения; соответствия порядка оформления льготных рецептов положениям законодательства; качества инструментов и методов контроля порядка использования рецептов; уровня закупочных цен на лекарственные препараты; итогового соотношения статей расходования средств и т.д. Все это, понятное дело, должно отражаться в записях информационной системы и обеспечиваться инструментами контроля качества данных и алгоритмами их обработки. Следовательно (вывод второй): качество информационной поддержки определяться удовлетворенностью населения (результатом) лишь опосредованно. Основным критерием оценки должна являться возможность фиксации и выявления причин возникновения неудовлетворенного спроса.

Опираясь на аналогичные подходы и следует, как нам кажется, выбирать методику определения «коэффициента информатизации». Не имеет особого смысла сначала готовить, согласовывать и утверждать абстрактные оценки, а потом начинать думать, как их можно (и можно ли?) привязать к управлению реальными задачами. Да и само понятие «коэффициент» предполагает соотношение с единицей. Не считаем, что мы готовы сегодня определить значение «абсолютной информатизации». Не очевидна и целесообразность выбора в качестве, пусть и несовершенного, но стандарта «самого простого и доступного соотношения». Мы можем оказаться на тропинке, ведущей в никуда.

Еще одно соображение. Интегральный коэффициент информатизации полезен только в том случае, если он позволяет проверить наличие корреляции с «интегральной оценкой эффективности работы МО» (системы здравоохранения). Пока порядок «расчета» эффективности (а она, несомненно, должна учитывать изменение состояния пациента в рамках лечебного процесса и после его завершения) законодательно не закреплен, движение в этом направлении практической значимости не имеют. Мы в любом случае получим не более, чем некий абстрактный показатель, если и представляющий интерес, то лишь чисто академический. Можно будет, конечно, с его помощью провести ранжирование медицинских организаций. Но ведь нет никакой гарантии, что «передовик информатизации» не окажется в конце списка по эффективности предоставления медицинских услуг. И за что мы будем его поощрять?

Резюме:

Уровень информационного обеспечения должен определяться несколькими относительно независимыми оценками. На различных этапах перехода на электронный документооборот одна из них может становиться доминирующей в соответствии с конкретно решаемыми задачами. В этот период ее, видимо, можно рассматривать и в отрыве от остальных. Но интегральный коэффициент должен определяться только их совокупностью. К таким оценкам можно отнести:

  1. Оценка готовности информационной системы к вводу в эксплуатацию и мониторирование ее технического состояния и сопровождения (уровень технического оснащения, наличие сетей и число подключений рабочих мест, используемая платформа, системное и прикладное ПО, кадровое обеспечение с учетом задач эксплуатации, сопровождения и развития, трафик, память, скорость обработки запросов, сбои в работе и пр.).
  2. Оценка эффективности формирования и хранения информации (методы, регламенты и скорость внесения записей в систему; объем хранимой информации; соответствие состава и структуры данных требованиям законодательства, стандартной и внутренней отчетности, решаемым информационным задачам; наличие инструментов защиты, актуализации и контроля качества записей и пр.).
  3. Оценка характеристик использования хранимой в системе информации (количество просмотров хранимой информации, наличие и количество стандартных запросов и интенсивность их использования, использование информации, порождаемой лечебными процессами, другими врачами, Администрацией, бухгалтерией, снабженцами, научными сотрудниками и прочими структурными подразделениями МО, интенсивность и объемы передачи данных во внешние организации, автоматизация «рутинных процессов» и пр.).
  4. Оценка возможности использования функционала и информационного наполнения системы для поддержки управленческих решений (возможность формирования, наличие и интенсивность использования нестандартных аналитических запросов, возможность поиска и выявления причинно-следственных связей, наличие автоматически подготавливаемых данных, необходимых для мониторирования состояния ресурсов, планирования и оперативного управления, наличие экспертной поддержки, возможность моделирования процессов и ситуаций и пр.).
  5. Наконец, оценка эффективности МИС, как инструмента повышения качества работы медицинской организации (наличие определяемых системой показателей, характеризующих качество и эффективность реализации уставных задач организации, возможность выявления зависимостей, влияющих на показатели качества работы организации, возможность выявления корреляционных связей между показателями качества работы организации и уровнем информационного обеспечения и пр.).

В заключение еще раз хочется подчеркнуть, что информатизация не может и не должна рассматриваться, как самоцель развития. Если бы оказалось (полный, конечно, абсурд), что электронный документооборот ухудшает качество оказания услуг, от него безусловно следовало бы отказаться! Информатизация — инструмент и в соответствии с этим должна оцениваться с точки зрения эффективности своего использования.

И последнее. Мы не считаем разумными, как «шапкозакидательство»,так и «лихую кавалерийскую атаку». Проблема очень важна и серьезна. В результате мы должны выходить на методы выбора и эксплуатации МИС, обеспечивающие устойчивое развитие системы здравоохранения на основе понятных и обоснованных рекомендаций. При этом оценки уровня и качества информационной поддержки должны проводиться системой самостоятельно в фоновом режиме и, желательно, без отвлечения Пользователя. И чем скорее удастся согласовать общую концепцию проведения такой оценки и выработать необходимые алгоритмы, тем быстрее проявится реальный эффект от средств, вложенных в информатизацию.

Потенциал медицинских информационных систем и возможные направления оптимизации диагностических процессов

В.Пулит, Р.Алексеев (СП.АРМ, Санкт-Петербург, 2016 год)

Очевидно, что на качество (результативность) и итоговую стоимость каждого конкретного лечебного процесса значительное влияние оказывает результат диагностики. Иными словами, чем оперативнее и точнее будет установлен диагноз, тем эффективнее (при прочих равных условиях) окажется выбранная врачом стратегия оказания медицинской помощи.

Не менее очевидно и то, что основными инструментами диагностики, кроме, конечно, уровня подготовки и опыта лечащего врача, являются данные лабораторных анализов и медицинских исследований. Тем интереснее становится задача проверки возможности оптимизации структуры и последовательности диагностических манипуляций с целью сокращения их количества при одновременном повышении достоверности определения природы заболевания.

Никому, тем более человеку, далекому от медицинской науки, никогда не придет в голову учить медиков, когда и какие анализы целесообразно назначать. Но некоторые выводы и соображения, полученные на основе анализа записей, накапливаемых современными МИС, кажутся нам любопытными. Не исключено, что они могут зародить определенный интерес и желание более предметно разобраться в вопросе и у тех, кому уже давно не требуется подтверждать уровень своей компетентности и кто прочно связал свою жизнь с задачами медицины и здравоохранения.

Для начала, немного статистики. Рассмотрим количество лабораторных анализов, связанных с диагностикой заболевания стационарных пациентов. Для наглядности ограничимся двумя диагнозами («I11.0» и «I11.9»: «Гипертензивная [гипертоническая] болезнь с преимущественным поражением сердца с застойной сердечной недостаточностью» и «Гипертензивная [гипертоническая] болезнь с преимущественным поражением сердца без застойной сердечной недостаточности» соответственно), которые мы уже не раз использовали в своих публикациях.

На рисунке 1 приведены две кривые, отражающие процентные соотношения числа эпизодов (по одному и другому диагнозу) с близким количеством анализов, назначенных и проведенных в первые два дня после госпитализации. Кривая 1 соответствует диагнозу I11.9, а 2 – I11.0.

Всего было рассмотрено 2236 эпизодов стационарного лечения по первому диагнозу и 183 – по второму. При построении зависимостей было проведено обобщение (суммирование числа) эпизодов, в рамках которых количество анализов, относящихся к диагностическому процессу, варьировалось от 0 до 9-ти; от 10 до 19-ти; от 20 до 29-ти и т.д.

Как следует из графиков, наибольшее число эпизодов (порядка 35%) связано с количеством лабораторных анализов, лежащих в диапазонах от 10-ти до 20-ти  (для I11.9) и от 20-ти до 30-ти (для I11.0). При этом встречаются лечебные процессы, в рамках которых установление диагноза потребовало проведения более 60-ти исследований. И уж совсем не редки (от 10-ти до 15-ти процентов) случаи госпитализации, при которых количество анализов превосходило значение 40 (ось Х на рисунке 1).

 

Рисунок 1.

Напрашивается вывод о принципиальной возможности минимизации числа анализов до значений близких к 20-ти (возможно, и ниже), с тем чтобы и на их основе диагноз мог устанавливаться с высокой степенью достоверности. Этим мы хотим подчеркнуть, что целенаправленные разработки методик, оптимизирующих процессы диагностических исследований, кроме их востребованности могут быть отнесены и к разряду реализуемых. Иными словами, всерьез занявшись таким проектом, вполне можно рассчитывать на успех.

Используемые в настоящее время методы диагностики основаны в большинстве «неочевидных» случаев на использовании маркеров, позволяющих оконтурить возможные проблемные области. Это приводит к необходимости, если можно так выразиться, проводить «обстрел по площадям». Следующий шаг связан демонстрацией отклонения от нормы одного из маркеров. Только после этого круг поиска сужается.

Аналогичные подходы могут использоваться и при выявлении сопутствующих заболеваний, способных повлиять на лечебный стандарт. В упрощенном виде обследование и выбор варианта лечения соответствуют приведенной ниже схеме:

Если на уровне маркеров, или уточняющих обследований картина заболевания остается «смазанной» объем назначаемых анализов может существенно возрастать. Выбор стратегии диагностического процесса в этом случае полностью зависит от уровня подготовки, опыта и, если хотите, интуиции лечащего врача. Но в любом случае, с диагностическими мероприятиями связаны значительные затраты, вполне сопоставимые с общей стоимостью лечения.

Приведенная выше методика давно отработана и достаточно надежна. Ее основным недостатком является непредсказуемость итоговых затрат, связанных с процессом восстановления здоровья пациента. Несколько усугубляет ситуацию и финансирование значительной части медицинских услуг из фонда ОМС. В этом случае основанием для компенсации затрат организации является не качество достигнутого результата (изменение состояния больного), а медико-экономические стандарты, или их аналоги. По понятным причинам это не может не влиять на решения, принимаемые врачом.

Но возможна и альтернативная логика. И выбор между тем, или иным подходом должен, видимо, основываться на сопоставлении полученных результатов, в том числе на их экономической целесообразности. Рассмотрим один из вариантов. Предположим, что мы располагаем инструментом, с высокой степенью вероятности позволяющим утверждать, что на основании первого полученного результата можно исключить из рассмотрения целую группу диагнозов. При этом логика выбора лечебного стандарта будет соответствовать следующей схеме:

В итоге мы приходим к ситуации, когда из первоначального набора диагнозов остаются 3 – 5 вариантов, что может значительно упростить процесс принятия решения.

Ниже приводится один из возможных подходов к реализации подобной задачи.

Для начала подчеркнем, что связь результатов анализов с конкретным заболеванием может основываться только на данных статистики. В периоды массовых эпидемий (тем более во времена отсутствия антибиотиков) достаточно десятка практикующих специалистов, чтобы накопленные ими наблюдения и записи могли лечь в основу эффективных рекомендаций по определению заболевания в будущем. Но в периоды стабильности и «смазанной» лекарственными препаратами симптоматики этого уже недостаточно. Да и вирусы зачастую мутируют быстрее, чем фармацевтические компании успевают подготовиться к борьбе с ними. Наконец, далеко не все медицинские учреждения имеют необходимый уровень оснащенности.

Результатом может стать то, что пациент получит медицинскую помощь, эффективную для предположительного, а не реального диагноза. Нередки и случаи назначения дополнительных анализов не из числа необходимых, а из числа доступных. Это, по понятным причинам, приводит к ничем не оправданному удорожанию и снижению эффективности лечения.

Логика работы врача требует наличия в его распоряжении справочника или, что еще лучше, программного обеспечения, позволяющего связывать решаемую задачу с оптимальной последовательностью анализов и исследований. В основе их разработки должна лежать идея максимального сокращения числа возможных выводов на каждом следующем шаге диагностирования.

Рассмотрим, например, задачу сокращения возможной выборки заболеваний. Ее целью является в рамках каждого конкретного лечебного эпизода уже после 10-ти – 20-ти анализов подойти к выбору эффективного лечебного стандарта. Приемлемой могла бы стать методика, в рамках которой собранный биоматериал не расходовался бы для одновременного проведения всех предварительно назначенных анализов. Иными словами, каждое следующее исследование должно выбираться и проводиться на основании предварительно полученного результата.

Предлагаемый подход проще всего проиллюстрировать на примере использования анализов, вероятность отклонения которых от «нормы» (выход за рамки референтных границ) в разрезе определенного диагноза лежит в пределах значений «0.995 — 1.00» (практически всегда), или «0.00 — 0.005» (практически никогда). Построить соответствующие таблицы на основе технологии «бумажного документооборота» крайне сложно, а используя данные и функциональные возможности современных МИС такая задача вполне решаема. Результат будет определяться исключительно полнотой, объемом и качеством хранимой (заносимой врачом в систему) информации.

Приведенный ниже пример основан на оценке вероятности выхода за границы референтных интервалов значений всех видов лабораторных исследований, проводившихся рядом клиник в течение нескольких лет, с учетом диагноза пациентов. Для повышения достоверности результата рассматривались только стационарные эпизоды и связанные с ними диагнозы выписки. Учитывались только те анализы, забор проб для которых проводился в течение первых трех дней после госпитализации.

Следующим шагом стала разработка алгоритма выбора анализа, обеспечивающего максимальную скорость сокращения перечня возможных диагнозов. После проведения каждого анализа его результат («норма»/«отклонение») вносится в систему. Система исключает из рассмотрения все диагнозы, которые этому варианту не соответствуют. Анализируя «остаток», программа выбирает следующий анализ, который способен еще более сократить перечень. Принцип использования алгоритма достаточно прост. После получения рекомендуемого анализа и его проведения на экране монитора выбирается один из предлагаемых вариантов ответа (рисунок 2). Система сама предложит вам наиболее рациональный вариант следующего исследования.

                                                 Рисунок 2.

Таблицы «вероятности отклонений» были получены нами путем учета результатов анализов по 2468-и диагнозам. Все они присутствуют в записях, использованных нами МИС. На момент начала работы с данными в нашем распоряжении оказались записи 1074682-х деперсонифицированных лечебных эпизодов, относящихся к 68599-и пациентам. Количество диагнозов, допускающих эффективную обработку по рассматриваемой методике равно, приблизительно, 25%-ам от общего количества диагнозов по «МКБ-10».

Примеры «сокращения выборки», связанные c относительно благоприятными исходами предлагаемых системой анализов, демонстрирует возможную динамику изменения состава первоначальных диагнозов. Ниже приведены две группы «возможных заболеваний», связанные с разделами «I» и «K» классификатора болезней, и пошаговые результаты их сокращения.

Вариантов комбинаций (норма/отклонение), как нетрудно подсчитать, достаточно много, точнее 2N. Здесь «N» общее число предложенных системой и выполненных анализов. Для случая 9-ти исследований, число комбинаций равно 512, а для 13-ти – 8192. Каждое сочетание последовательности результатов может приводить к своему итоговому диагнозу.

ПРИМЕР 1

Набор(0)=!I05.1!I09.8!I10.0!I11.0!I11.9!I12.0!I12.9!I13.9!I15.0!I15.1!I15.8!I15.9!I20.0!I20.1!I20.8!I20.9!I21.0!

I21.1!I21.2!I21.4!I22.0!I25.0!I25.1!I25.2!I25.5!I25.8!I25.9!

Набор (1)=!I05.1!I09.8!I10.0!I11.0!I11.9!I12.9!I13.9!I15.0!I15.1!I15.8!I15.9!I20.0!I20.1!I20.8!I20.9!I21.0!I21.1!

I21.2!I21.4!I22.0!I25.0!I25.1!I25.2!I25.5!I25.8!I25.9!

Набор (2)=!I05.1!I09.8!I10.0!I11.0!I12.9!I13.9!I15.0!I15.1!I15.8!I15.9!I20.1!I20.9!I21.1!I21.4!I25.0!I25.2!I25.8!

I25.9!

Набор (3)=!I05.1!I09.8!I11.0!I12.9!I15.0!I15.8!I15.9!I20.9!I21.4!I25.0!I25.8!

Набор (4)=!I05.1!I09.8!I12.9!I15.0!I15.9!I20.9!I25.0!I25.8!

Набор (5)=!I05.1!I09.8!I15.0!I15.9!I25.0!I25.8!

Набор (6)=!I09.8!I15.9!I25.0!I25.8!

Набор (7)=!I09.8!I15.9!I25.8!

Набор (8)=!I09.8!I25.8!

Набор (9)=!I25.8!

Последовательность анализов[1]: !A26.06.040!B03.016.75.001!A09.05.023.012!B03.016.06.002!A09.19.002!B03.016.02!B03.016.93!B03.016.06!A09.05.042!

ПРИМЕР 2

Набор(0)=!K00.0!K00.6!K01.0!K04.8!K08.1!K09.2!K10.2!K11.2!K11.5!K20.0!K21.0!K21.9!K22.0!K22.1!K22.6!

K22.8!K25.0!K25.3!K25.4!K25.7!K25.9!K26.0!K26.1!K26.2!K26.4!K26.5!K26.7!K26.9!K28.0!K28.2!K28.4!K28.7!

K29.0!K29.1!K29.3!K29.4!K29.5!K29.6!K29.7!K29.9!K30.0!K31.8!K31.9!K35.0!K35.1!K35.3!K35.9!K36.0!K40.0!

K40.2!K40.9!K42.0!K42.9!K43.0!K43.9!K50.0!K50.1!K50.8!K50.9!K51.0!K51.8!K51.9!K52.8!K56.5!K56.6!K57.0!

K57.2!K57.3!K58.0!K58.9!K59.0!K59.8!K59.9!K60.1!K60.3!K61.0!K61.3!K62.1!K62.8!K63.0!K63.8!K63.9!K66.0!

K70.0!K70.3!K71.7!K73.0!K73.8!K74.0!K74.3!K74.6!K76.0!K76.8!K80.0!K80.1!K80.2!K80.3!K80.4!K80.5!K80.8!

K81.0!K81.1!K81.8!K81.9!K82.4!K83.0!K83.8!K85.0!K85.9!K86.0!K86.1!K86.2!K86.3!K86.8!K86.9!K90.0!K91.1!

K91.3!K92.2!

Набор(1)=!K00.0!K00.6!K04.8!K09.2!K11.2!K20.0!K21.0!K22.0!K22.6!K25.0!K25.3!K25.4!K25.7!K26.0!K26.2!

K26.4!K26.7!K26.9!K28.0!K28.4!K29.0!K29.1!K29.3!K29.4!K29.5!K29.6!K29.7!K29.9!K31.8!K31.9!K35.1!K35.9!

K36.0!K40.2!K40.9!K42.0!K42.9!K43.9!K50.1!K50.8!K50.9!K51.8!K51.9!K52.8!K56.6!K57.2!K57.3!K58.0!K58.9!

K59.0!K59.9!K60.3!K61.0!K62.1!K62.8!K63.0!K63.8!K63.9!K70.0!K71.7!K73.8!K74.0!K74.3!K74.6!K76.0!K76.8!

K80.0!K80.1!K80.2!K80.3!K80.4!K80.5!K80.8!K81.0!K81.1!K81.9!K83.0!K83.8!K85.0!K85.9!K86.1!K86.2!K86.8!

K86.9!K90.0!K91.1!K92.2!

Набор(2)=!K00.6!K04.8!K11.2!K21.0!K22.6!K25.0!K25.4!K25.7!K26.0!K26.4!K26.7!K26.9!K28.4!K29.0!K29.1!

K29.3!K29.4!K29.5!K29.6!K29.7!K29.9!K31.8!K35.1!K36.0!K40.2!K40.9!K42.9!K50.1!K50.9!K51.9!K56.6!K57.3!

K58.0!K58.9!K59.9!K61.0!K62.8!K63.8!K63.9!K71.7!K73.8!K74.3!K76.0!K76.8!K80.0!K80.1!K80.3!K80.5!K81.0!

K81.1!K81.9!K83.8!K85.0!K86.1!K86.8!K86.9!K91.1!

Набор(3)=!K00.6!K11.2!K22.6!K25.4!K26.0!K26.7!K28.4!K29.1!K29.4!K29.5!K29.6!K29.7!K29.9!K35.1!K40.2!

K40.9!K42.9!K50.1!K50.9!K56.6!K58.0!K58.9!K59.9!K62.8!K63.9!K71.7!K73.8!K74.3!K76.0!K76.8!K80.0!K80.1!

K80.3!K81.0!K81.9!K85.0!K86.1!K86.9!K91.1!

Набор(4)=!K00.6!K11.2!K25.4!K26.0!K26.7!K29.1!K29.4!K29.5!K29.6!K29.7!K35.1!K40.9!K42.9!K50.1!K50.9!

K58.0!K58.9!K59.9!K62.8!K71.7!K73.8!K74.3!K76.0!K76.8!K80.0!K80.3!K81.9!K86.1!K86.9!K91.1!

Набор(5)=!K00.6!K11.2!K25.4!K26.7!K29.4!K29.6!K35.1!K40.9!K42.9!K50.1!K50.9!K58.9!K59.9!K62.8!K71.7!

K73.8!K74.3!K76.8!K80.3!K86.1!K86.9!

Набор(6)=!K00.6!K11.2!K26.7!K29.4!K29.6!K40.9!K42.9!K50.1!K50.9!K58.9!K59.9!K62.8!K71.7!K73.8!K74.3!

K76.8!K80.3!K86.9!

Набор(7)=!K00.6!K11.2!K26.7!K29.6!K42.9!K50.1!K50.9!K59.9!K62.8!K71.7!K74.3!K76.8!K80.3!K86.9!

Набор(8)=!K00.6!K11.2!K26.7!K29.6!K42.9!K50.1!K59.9!K62.8!K71.7!K76.8!K80.3!

Набор(9)=!K00.6!K26.7!K29.6!K50.1!K62.8!K71.7!K80.3!

Набор(10)=!K00.6!K29.6!K50.1!K62.8!K71.7!K80.3!

Набор(11)=!K00.6!K29.6!K62.8!K80.3!

Набор(12)=!K29.6!K62.8!K80.3!

Набор(13)=!K62.8!K80.3!

Последовательность анализов: !A09.05.042!B03.016.02!A12.06.011.002!B03.016.02.006!A12.06.011!B03.016.75.005!A26.06.095.001!B03.016.06!A26.06.093!
A08.16.002!A09.05.023!B03.016.06.002!B03.016.81.001!

В последнем примере применяемый алгоритм дальнейшего сокращения выборки не обеспечивает. Так что на завершающей стадии диагностики без знаний и опыта реального врача не обойтись. Примеры, конечно, сугубо абстрактные, но направление работ, как нам кажется, вполне перспективно.

Аналогичная методика может эффективно использоваться и в случае необходимости проверки реалистичности изначально установленного диагноза. Используя предварительно подготовленную таблицу вероятностей выхода данных анализа за референтные границы интервала, система предлагает четыре варианта исследований. Их результаты с высокой долей вероятности позволяют подтвердить, или опровергнуть исходное предположение.

Используя инструменты статистики имеется возможность дальнейшего развития подхода.  В данном случае речь идет об использовании количества медицинских записей, связанных с отклонением от «нормы», отличающихся от «никогда» и «всегда». Если для двух диагнозов вероятности отклонений по конкретному анализу равны, например, 0.2 и 0.95, надежного выбора между ними сделать невозможно. Вероятность 0.2 говорит о том, что отклонение вполне возможно.

Но если для выбора между двумя диагнозами удается подобрать 3-4 одинаковых анализа с вероятностями отклонений: 0.1, 0.2, 0.18, 0.34 для одного и 0.95, 0.71, 0.53 и 0.81 для другого, то в случае выхода за референтный интервал каждого из указанных анализов вероятности такого событий для первого и второго диагноза окажутся равными 0.001 и 0.29 соответственно. Другими словами, если вероятностью такого сочетания результатов для диагноза номер 1 можно пренебречь, то указанная ситуация для диагноза номер 2 вполне возможна. То есть, возникает достаточно веское основание для выбор конкретного лечебного процесса.

Было бы удивительно, если бы предложенный подход не вызывал возражений и критики. Среди возможных высказываний наверняка встретятся такие, например, как:

  • Зачем что-то менять, если хорошо работает годами отлаженный механизм?
  • Не приведет ли методика к неоправданному увеличению времени установления диагноза?
  • Имеет ли смысл такое повышение объемов забора биоматериала, позволяющих исключить многократное повторное «травмирование» пациента? И пр.

Нам кажется, что аргументами в пользу развития предлагаемого направления могли бы стать:

  • Чем шире спектр изучения возможных направлений повышения эффективности процессов, тем вероятнее нахождение оптимального подхода. Тем более, что «идеала», скорее всего, не существует. Каждая из доведенных до уровня практического использования методик наверняка найдет нишу своего применения.
  • Лабораторное оборудование и методики исследования стремительно прогрессируют. Те исследования, которые совсем недавно требовали от исполнителя 10-ти – 20-ти минут напряженной работы, сейчас позволяют получать результат меньше, чем за минуту.
  • Объемы необходимого для исследований биологического материала уже снизились в разы и тенденция продолжается.
  • Активно развиваются экспресс-методы исследований, позволяющие получать результаты анализа «не отходя от койки пациента». Кроме того, алгоритм выбора предпочтительного анализа может учитывать и время получения результата. Первыми могут проводиться исследования, не столько максимально сокращающие выборку возможных вариантов, сколько минимизирующие время получения ответа. И т.д.

Выводы:

  • Рассмотрение используемых «стандартов диагностики» свидетельствует о безусловной возможности их модернизации и улучшения, а возможно и оптимизации.
  • Некоторые из назначаемых («рекомендуемых») анализов, применительно к предварительно установленным диагнозам, никогда не демонстрируют результатов, выходящих за границы референтных интервалов. Следовательно, их использование с целью уточнения сделанного предположения малоэффективно.
  • Оптимизировать диагностический процесс можно, в частности, назначая очередной анализ (исследование), исходя из результатов уже проведенных.
  • Экспертная поддержка врача-диагноста должна опираться на разработку и постоянное уточнение справочников, обеспечивающих связь между:
    • Диагнозом
    • Полом и возрастом пациента
    • Стадией (тяжестью) заболевания
    • Видом лабораторного анализа
    • Референтным интервалом его значений
    • Вероятностью выхода за границы интервала
    • Вероятностью выявления заболевания на рассматриваемой территории и др.

В заключение хотелось бы отметить, что авторы далеки от мысли о возможности использования полученных результатов в медицинской практике уже сегодня. Но не менее очевидным для нас является и то, что, опираясь на записи, накапливаемые информационными системами МО, вполне допустимо проведение качественных и перспективных исследований.

Многого пока не хватает. Недостаточен контроль качества, полноты и достоверности вносимых в систему записей. Нет гарантий безошибочности «диагноза выписки» пациента из стационара. Хотелось бы иметь статистику «отклонений» результатов всех анализов по каждому диагнозу и так далее. Но с чего-то надо начинать.

Предложенное нами направление — это лишь небольшой, возможно даже робкий, шаг на пути модернизации методов диагностики с использованием потенциала информатизации. Но даже предварительно полученные результаты свидетельствуют о возможности существенных подвижек в этой области. Мы очередной раз сталкиваемся с ситуацией, когда при минимальной финансовой и организационной поддержке со стороны федеральных и региональных органов управления здравоохранением можно реализовывать проекты, способные положительно влиять на повышение эффективности лечебных процессов.

Принципиальным является и то, что стоимость работ по таким направлениям в десятки раз ниже, чем объемы финансирования, направляемые на разработку и реализацию Целевых федеральных программ, решающих аналогичные задачи.


[1] Кодировка анализов условна.