Врач по скайпу, превентивное здравоохранение и другие тренды карантина: о чем говорят в IT-​медицине этой весной?

Временно компания СП.АРМ отказалась от участия в форумах, выставках и конференциях, однако в начале весны мы все же успели выехать на пару событий. Пока многие из вас пребывают в режиме самоизоляции и в некоторой тревоге, расскажем последние вести из мира IT-​медицины.

Весенняя сессия «IT в здравоохранении» от Cnews стала одним из последних публичных мероприятий в секторе перед началом массовых отмен. И тема «цифровая медицина становится реальностью» в контексте сегодняшних событий звучит не столько амбициозно, сколько тревожно. Тем не менее, мы решили разобраться, как эта реальность обещает выглядеть. 

Телемедицина

В нынешней эпидемиологической ситуации уместно форсировать развитие телемедицины: ведение несложных случаев в дистанционном формате безопаснее и для пациента, и для медика. Однако доклад заместителя директора по научной работе НПКЦ диагностики и телемедицины ДЗМ Антона Владзимирского демонстрирует, что уровень качества услуг в секторе пока страдает. 

Команда НПКЦ ДиТ ДЗМ организовала своеобразную контрольную закупку у сервисов, предоставляющих телемедицинские консультации врач-​пациент. Пациенты-​актеры общались в чате с реальными врачами по определенному сценарию, далее рабочая группа оценивала проведенную консультацию и считала ошибки.

Оказалось, что врач при проведении удаленной консультации куда менее внимателен к пациенту, чем следует: доктора не уточняли анамнез болезни и анамнез жизни, лекарственную непереносимость и даже пол собеседника, что совсем не мешало в конце беседы ставить диагноз назначать медицинские препараты. Также ни один из врачей не порекомендовал пациенту очную консультацию и дополнительные обследования, как и не интересовался позже итогами выполнения данных в ходе консультации рекомендаций. 

Возможно, дело не столько в нехватке профессионализма у контрольной группы телеврачей, сколько в когнитивном искажении, — доктора проводят дистанционную консультацию с той же уверенностью, что и очную, не осознавая, насколько мало информации о пациенте получено, — однако в медицине такое когнитивное искажение называется халатность. 

Для повышения безопасности телемедицинские сервисы стоит как минимум снабжать системой поддержки принятия врачебных решений (СППВР), — потому что в секторе пока самоуверенности больше, чем опыта, и потому что поддержка никогда не бывает лишней. К слову, если строить телемедицинские сервисы на базе МИС qMS — поддержка непременно будет. 

Превентивная медицина

СППВР упоминалась больше в контексте обсуждения превентивной медицины, — ей на этой встрече Cnews досталось много внимания

Руководитель акушерского дистанционного консультативного центра Свердловской области Николай Анкудинов рассказал об опыте внедрения Регионального акушерского мониторинга: он помогает составить индивидуальный план ведения беременной на каждом из этапов, а также наглядно (в виде пиктограмм) показать каждому участнику процесса состояние обследований беременной на наличие тех или иных рисков. Кроме того, в рамках региона мониторинг позволяет предоставить аналитическую сводку по состоянию службы родовспоможения региона, вести регистр рожениц, кесаревых сечений и другого, — в целом очень успешный опыт и очень полезный доклад. 


Но превентивная медицина — это не только про успешные пренатальные мониторинги; прежде всего это — про способность пациента отзываться на рекомендации и нести ответственность за свое здоровье. На сессии «IT в здравоохранении» обсудили вопрос привлечения здоровых пациентов к участию в профилактических мероприятиях в отношении собственного здоровья.

По словам заместителя руководителя ФГБУ ФБ МСЭ Олега Симакова, на федеральном уровне активно обсуждается вопрос запуска системы софинансирования медицинской помощи в рамках ОМС. На практике это может работать так: если заболевание развивается, когда пациент не следует предписанным профилактическим мерам, ОМС не будет полностью покрывать затрат на оказанную медицинскую помощь.

Хочется, конечно, чтобы наши с вами соотечественники научились осмысленно относиться к собственному здоровью, и подобный тип системы софинансирования стал лишним. Будем надеяться, сегодняшние карантинные тревоги не только уберегут нас от эпидемии, но и повлияют на медицинское самосознание обывателя, — не вдохновят, так напугают. 

Информационная безопасность

Обсудили не только медицинскую, но и информационную безопасность: в рамках открытой дискуссии участники сессии «IT в здравоохранении» затронули вопрос сохранности персональных данных пациента в условиях всеобщей информатизации. 

По словам Олега Симакова (ФГБУ ФБ МСЭ), на региональном уровне данные предполагается хранить в деперсонализированном виде, но стопроцентной защиты это не гарантирует: невозможно полностью исключить вероятность утечки медицинских данных с рабочего места врача. Наиболее вероятным источником незапланированного распространения медицинских данных участники дискуссии сочли IT-​специалистов учреждений, у которых есть доступ к базе данных МИС. Господин Симаков сообщил, что в связи с этим на уровне МЗ РФ готовится документ, регламентирующий правила доступа к базам МИС по аналогии с доступом к базам ЗАГС.

Интересно, что все обсужденные в рамках встречи меры повышения безопасности сосредоточены на контроле человеческого фактора. Само по себе оно хорошо, но можно подумать, что нынешние системы хранения медицинских данных безупречны, и единственная угроза утечки — недобросовестные системные администраторы. К сожалению, пока это не так.

Сплоченность и энтузиазм

К счастью, в секторе IT-​медицины на каждого недобросовестного системного администратора приходится полсотни настоящих энтузиастов. В этом мы убедились, посетив 49‑й межрегиональный специализированный форум-​выставку «Здравоохранение Черноземья»

Мы не часто ездим на региональные мероприятия, а в Воронеже и вовсе были впервые. Впечатления насыщенные: с одной стороны, не обошлось без сбивающих с толку накладок в программе, с другой — нигде организаторы не были так внимательны и участливы, как на этом форуме. 

Представления об информатизации у врачей Черноземья сегодня в основном сосредоточены на идее «Бережливой поликлиники» — столичные тренды, вроде СППВР или Телемедицины, пока не попадают в исследовательскую повестку. Зато дотошности и энергичности, с которой решаются задачи Бережливой поликлиники, могут позавидовать и в авангарде информатизации. 

К МИС qMS посетители выставки отнеслись с большим интересом, и это было приятно, но, поскольку мы были единственной МИС на этой выставке, было трудно понять, как в краю обстоят дела с медицинскими системами в целом. Если коллеги из Черноземья подходят к освоению современных МИС с тем же энтузиазмом, который они демонстрируют в менеджменте, то их медицинская информатизация находится на пороге большого прорыва. 

Кстати, к прорыву часто приводит не активная публичная жизнь, а, наоборот, временное погружение в себя и переосмысление уже достигнутого. Сегодняшние меры по стабилизации эпидемиологической ситуации направлены прежде всего на защиту, но может случиться, что они также спровоцируют развитие — если мы правильно оценим и используем ситуацию. Давайте сделаем для этого все возможное. 

Зачарованный лес информатизации: поиск оптимальной МИС на примере ГП №107

Сейчас медицинские информационные системы интегрированы почти в каждый бизнес-​процесс почти каждой клиники, и это кажется нормой, но так было не всегда. 

Помните очереди с пяти утра на крыльце поликлиники — за талоном к специалисту? А пухлую бумажную медицинскую карту, потерявшуюся второй раз за полгода? Впрочем, между суровой эпохой предрассветной охоты за талонами и нынешним положением вещей было много промежуточных этапов. 

В знак уважения к гигантскому совместному труду разработчиков и медиков мы решили эти этапы вспомнить — на примере наших давних друзей, СПб ГБУЗ «Городская поликлиника №107». 

Этап первый: эпоха лестниц

Первый этап информатизации для каждого МО — это когда запрос на электронное ведение документации уже назрел, но ни понимания реальных объемов работы, ни качественных полнофункциональных МИС еще не возникло.

Потому на заре информатизации городская поликлиника №107, как и многие другие, надеялась обойтись небольшой МИС на два или три рабочих места; выбрали «Зайчика». Систему поставили у статистов, на верхнем этаже; врачи писали статталоны от руки, потом поднимали их к статистам, и те вбивали данные в компьютер. 

Плюс подхода в том, что к электронному документообороту прилагалась мощная проработка икроножных мышц персонала от постоянной ходьбы по лестницам, а минус в том, что трудозатраты на ведение документации не уменьшились, а возросли. 

Этап два: поиск подходящего формата

Когда медики вконец измучились физкультурой, появилась задача обеспечить ввод статистических данных непосредственно на рабочих местах. Выбрали систему «Белочка», подключили к ней врачей, ведущих амбулаторный прием, — это примерно 200 – 230 рабочих мест. Все шло хорошо, пока не обнаружилось, что в учреждении не выставлено счетов на миллионы, — так в ГП №107 узнали, что у МИС «Белочка» есть проблемы с финансовой частью. 

От «Белочки» решили избавляться; появилась МИС «Лисичка». В то время активно продвигался проект перехода всего Красногвардейского района на одну МИС, и «Лисичка» впечатлила сообщество большим набором функций при приемлемой стоимости. В итоге всерайонный переход на эту МИС так и не состоялся, но наши герои, ГП №107, проработали на системе более двух лет. 

Расстаться с «Лисичкой» пришлось из-​за нехватки гибкости: как статистическая система она работала просто отлично, но вести ЭМК оказалось очень неудобно, как и учитывать данные лаборатории или функциональной диагностики.

Этап три: конкурс цены и качества

На этот раз городская поликлиника №107 решила подойти к вопросу обстоятельно: в 2015 году команда ГП съездила на MedSoft и выбрала несколько потенциальных лидеров: системы «Зубр», «Косуля», «Перепелка» и «Росомаха» выглядели почти одинаково толковыми при одинаково, впрочем, немалой стоимости. Стали разбираться в деталях.

Сначала всем понравилась «Косуля», однако при симпатичном интерфейсе у этой МИС оказалось очень мало функций, и нарядная «Косуля» с дистанции быстро сошла. Куда более могучего, хотя и не такого изысканного «Зубра» забраковали за дальностью расстояний: вроде бы километры информатизации — не помеха, но все-​таки присутствие разработчика непосредственно в Петербурге успокаивает. 

В итоге выбирали между «Перепелкой» и «Росомахой»; «Перепелка» была на старте приятно дешевле, но зато просила денег за любую доработку, которых требовалось немало, а «Росомахой» были мы, МИС qMS. 

Как вы уже догадались, коллектив городской поликлиники №107 выбрал нас, что положило начало теплому и увлекательному сотрудничеству. 

Вот какие причины, со слов ГП №107, определили выбор в пользу qMS:

➤ Функциональность в разы больше, чем можно было до сих пор представить. Система действительно комплексная и гибкая.

➤ Большинство настроек можно делать без участия разработчика, в отличие от других систем, которые нужно прямо «писать». Если кто-​то из организации хочет добавить что-​то свое, то ему не обязательно для этого изучать языки программирования; почти все можно сделать внутри конфигуратора.

➤ Все модули интегрированы в один интерфейс, медики не путаются в миллионе ярлыков. На этот раз к работе с МИС руководство ГП №107 привлекло не только амбулаторных врачей, но всех сотрудников МО — более 600 человек, около 250 одновременно работающих специалистов. Для недоверчивого к информатизации среднего медперсонала интуитивная ясность использования МИС — решающий фактор вовлеченности. 

➤ Нет скрытых платежей на этапе внедрения и технической поддержки.

Этап четыре: внедрение

Вернемся еще раз к звериной метафоре: после многолетней хаотичной работы со всей возможной фауной от необходимости осваивать очередную новую МИС персонал ГП №107 взвыл. Инициативной группе пришлось потрудиться над вовлечением сотрудников в qMS, но они отлично справились. 

Вот что рассказывает предметный администратор ГП №107:

Я помогал врачам один, и они готовы были меня убить: это был далеко не первый переход с одной системы на другую. Народ уже начал увольняться, говорить, что «нам этого не надо, хватит». Нужен был не банальный подход, и мы в первую очередь решили охватить функциональность, которой раньше не было. 

Начали с отделения функциональной диагностики и отделения лучевой диагностики. При этом каждому врачу расставили клиенты: «Хотите посмотреть описание флюорографии и кардиограммы — заходите в qMS. Карту можете оформлять в «Лисичке», а вот результаты смотрите в новой МИС. 

Месяц спустя другие специалисты возмутились: «раз рентгенологи пишут записи в qMS, почему мы не можем этого делать?» Мы быстро разработали и выдали им медицинские протоколы, которые медперсонал начал по собственной инициативе и с большим энтузиазмом заполнять. Вышло как в истории Тома Сойера: когда не каждому мальчишке выпадает честь покрасить забор, работа становится очень заманчивой. Подход сработал: мы начали в октябре 2016, а уже в ноябре поликлиника приняла решение вести всю работу в qMS, — коллектив сам предложил. 

Следующая задача была в том, чтобы закрепить достигнутое и обеспечить стопроцентный ввод информации в МИС qMS. Процесс форсировал главврач ГП №107 Андрей Григорьевич Комаров: уже в 2017 году он сказал, что всю отчетность будет брать только из qMS. «Вы можете печатать на бумаге, но я должен видеть, что этот бланк напечатан из qMS. Я захожу и проверяю». Он побудил зав отделений, а потом и врачей брать первичные данные для отчетов из qMS, а поскольку каких-​то данных не хватало, врачи стали сами на это указывать, и нехватка оперативно восполнялась. Таким образом данные накопились в системе достаточно быстро. 

На этом же этапе улучшилось качество внесения данных: пришли к тому, что врачам надо следить за оформлением своих записей, потому что теперь их видит пациент. 

Когда эксперты страховых начали проверять информацию через новую МИС, осталось только закрепить внедрение приказом, что данные из qMS приравниваются к данным из бумажной медкарты, а подписью сотрудника является его логин и пароль в системе. Он вышел в том же 2017 году, то есть на полное переведение всех медицинских процессов в полнофункциональную информационную систему qMS у городской поликлиники №107 ушло меньше года. 

Как видим, путь наших коллег из СПб ГБУЗ «Городская поликлиника №107» от бумажной архаики до полнофункциональной системы был долгим и непростым, но стоило найти оптимальную МИС и поженить ее с правильной мотивацией — как ситуация улучшилась стремительно. 

Мы счастливы, что оптимальной системой для них оказался именно наш продукт. Не призываем каждое медицинское учреждение обращаться к нам, — в конце концов, «Лисичка» или «Зубр» для многих МО могут стать идеальными вариантами. Но мы определенно рекомендуем продолжать поиск идеального варианта, потому что именно такой подход необходим во всем, что касается здоровья человека. 

МИС и референтные интервалы

Многовековое использование в медицинской практике результатов лабораторных исследований сформировало подход к их обобщению и анализу, в основе которого лежит термин «референтный интервал».

Суть последнего базируется на четырех постулатах:

  1. Разброс данных анализов при их многократном повторении с достаточной степенью точности описывается функцией Гаусса (нормальное распределение).
  2. Интерес для диагностики представляют результаты только тех лабораторных образцов, значения которых выходят за рамки референтных интервалов, определяемых по кривой плотности распределения данных. Из теории ошибок следует, что если получено среднее значение (математическое ожидание «М») серии одинаковых испытаний, то 95% результатов попадают в интервал, равный (М ± 2Ϭ), где Ϭ – стандартное отклонение. Принципиально, что это условие выполняется при разбросе данных, подчиняющихся нормальному закону распределения.
  3. Обычно среднее значение лабораторных анализов и величина стандартного отклонения определяется путем проведения исследований в выбранной целевой группе пациентов, определяемых как здоровые (практически здоровые). В такую группу могут, например, входить мужчины в возрасте от 18 до 45 лет. При этом математическое ожидание полученных данных фиксируется в качестве «нормы», а допустимое значение должно попадать в референтный интервал.
  4. Логично предположить, что «заболевание» должно, видимо, смещать позицию наиболее вероятного значения анализа при сохранении общего вида кривой плотности распределения данных.

С точки зрения статистики, основанной на технологиях бумажного документооборота, подход является корректным и, видимо, оптимальным. Сложно представить, что для получения значения «нормы» единовременно проводилось обследование нескольких тысяч пациентов с последующим сведением результатов в столбики бумажных бланков.

Вместе с тем, после начала активного использования в лечебных процессах медицинских информационных систем и методов компьютерной обработки данных ситуация коренным образом изменилась. Мы получили возможность не только анализировать значительно большие объемы данных, но и «натыкаться» на факторы, влияние которых на результаты проявляется только статистически.

В процессе сопоставления лабораторных исследований, годами накапливающихся в хранилищах данных МИС, мы натолкнулись на эффект, позволяющий выдвинуть гипотезу, способную несколько трансформировать современное понимание сути референтных интервалов. Ее можно сформулировать следующим образом: «Условию нормального распределения в целевых группах здоровых пациентов подчиняются не значения анализов, а количественные соотношения кластеров, объединяющих в себе близкие по характеристикам биологических образцов группы пациентов». При этом с высокой степенью вероятности можно предположить, что в таких группах (кластерах) разброс значения анализов должен подчиняться нормальному закону.

К каким изменениям в наших представлениях это может привести? Если рассматривать локальные «нормы» для каждой из групп, общая картина ничем не отличается от привычного подхода. Разве что изменится выражение, описывающее распределение плотности и значение стандартного отклонения. Вместо классической «Гауссианы» оно будет определяться, как обобщение нескольких самостоятельных нормальных распределений. Но так как вид исходного распределения данных анализа мы определяем сугубо экспериментально, сравнить его с «отсутствующим пока теоретическим» невозможно.

Схематически случаи переходов от «здорового» состояния к «заболеванию» для двух подходов могут быть представлены рисунками 1 – 2 и 3 – 4. На рисунках 1 и 2 («классическое» представление) изменение вида огибающей для плотности значений анализов определяется «смещением» значения анализа для каждого из пациентов. Отличие между кривыми связано, таким образом, с индивидуальной реакцией организма каждого пациента на заболевание.

Рисунок 1
Рисунок 2

На рисунках 3 и 4 штрихами представлена линия, определяемая совокупностью нормальных распределений данных (вероятностями значений анализов) в «кластерах№. При заболевании в разных группах (кластерах) от диагноза к диагнозу можно, конечно, ожидать изменения значений анализа (изменение наиболее вероятного значения, или стандартной ошибки). Но отлична от нуля и вероятность того, что представители разных кластеров реагируют на болезнь по-​разному. То есть можно ожидать изменения количественных соотношений в группах при сохранении (малом изменении) результатов исследований биологического материала. Проводя аналогию с геномом человека, почему бы не предположить, что совокупность анализов здорового пациента в определенных рамках погрешностей столь же индивидуальна, как отпечаток пальца.

Что произойдет, если на различные возбудители заболеваний организмы пациентов из разных групп будут реагировать не совсем одинаково? Иммунитет одних может полностью блокировать внешнее негативное воздействие. Другим внутренних ресурсов может не хватить, даже для частичной компенсации. При этом нарушение в работе одного из органов длительное время может не отражаться на работе остальных.

Рисунок 3
Рисунок 4

Вполне возможно, что соотношения наполнений кластеров, зафиксированных для здоровых пациентов, при заболевании могут существенно измениться. Условный вид трансформации «суммарной огибающей» нормальных распределений при таком варианте приведен на рисунке 4. Здесь реализовано предположение, что значения анализов, характерных для кластеров, при заболевании изменяются мало. При этом итоговая вероятностная кривая трансформируется, в основном, за счёт изменения наполнений кластеров. Локальные распределения данных в группах обозначены символами («А», «Б», «В»…), такими же, как на рисунке 3.

Исходя из этого можно сделать логичное предположение: если выдвигаемая гипотеза ложна, то при заболеваниях наиболее вероятное значение соответствующего анализа должно смещаться в ту, или иную сторону при сохранении общего вида распределения (рисунок 2). Если же гипотеза «кластеризации пациентов» состоятельна, вид распределения должен трансформироваться от вида кривой Гаусса к варианту огибающей для некоторой совокупности нормальных распределений, разнесенных по шкале значений. То есть должны обнаруживаться локальные экстремумы и «перегибы» на вероятностных кривых. Принимая во внимание сказанное выше, рассмотрим результаты реальных исследований.

В качестве примера выбираем три диагноза из одной группы заболеваний («I11.9», «I 20.0» и «I48») и три анализа, активно используемые в этих случаях (Г0002, Г0018 и Г0020). Так как нас интересуют не конкретные анализы, а изменения вероятностных распределений их значений, приведенные кодировки будут применяться и в дальнейшем. Пользователи же МИС qMS могут при желании выяснить их реальное наименование и используемые размерности, просто заглянув в соответствующий справочник услуг.

Примененная нами методика базируется на построении гистограмм по значениям анализов, проведенных в первые два дня после госпитализации пациента. В качестве диагноза, к которому привязываются анализ, рассматривается основной диагноз выписки. Определенную сложность при обработке данных представлял выбор величины бина гистограммы. Оптимальный и всеми признанный подход решения этой задачи нам, к сожалению, не известен. Поэтому мы остановились на часто используемом варианте, предложенном Стерджессом. В его основе лежит уравнение, связывающее число бинов гистограммы (Nб) с общим числом проведенных наблюдений (n): Nб=1+log2(n).

Для обеспечения корректности подхода мы выбрали анализы, количество которых превышает 2000, что соответствует значению Nб≈12. Кривые плотности результатов мы строили с помощью сплайнов, привязывая их начальные и конечные точки к средним значениям соответствующих бинов. Ширина бина гистограммы конкретного анализа определялась по разнице между минимальным и максимальным значениями выборки, путем деления полученного интервала на Nб. При этом мы отбрасывали результаты измерений, встречающиеся в общей массе данных менее 2‑х раз. Для возможности сопоставления распределений по различным диагнозам площади под огибающими мы нормировали к 100 единицам.

На каждом из приведенных ниже рисунков (рисунки 5, 6 и 7) кроме соответствующих «кривых распределения» приведены данные по «норме» показателя (справочные материалы) и его референтному интервалу.

Начнем с анализа Г0002. В первом случае («I48») кривая вполне соответствует «классическому» представлению. Даже наиболее вероятное значение несмотря на заболевание вполне соответствует «норме». При «классическом» подходе вывод об отклонениях состояния пациента от нормы можно, видимо, делать, ориентируясь на «крылья» огибающих. К этому диапазону относится, в частности, и незначительный локальный максимум в районе значения «15». Его, конечно, можно отнести к погрешности наблюдений, но мы пока торопиться не будем. Сомнение в целесообразности его игнорирования связаны с тем, что аналогичный «всплеск» еще более выраженно присутствует и на огибающей для диагноза «I20.0».

Рисунок 5

Рисунок 6

Второй график, кроме дополнительного «перегиба» в районе значения «12», отличается от первого и смещением наиболее вероятного значения в большую сторону. Еще более любопытным оказывается график для диагноза «I11.9». Интерес вызывает не столько то, что «пик» вероятности приходится на значение «6» (вместо «6.5» по норме), сколько возможное существование дополнительного максимума, весьма близкого к случаю «I20.0». Было бы логичным предположить, что «огибающая» формируется, как минимум, двумя вероятностными кривыми. Несмотря на то, что «завышенных» значений анализа в рассматриваемом случае встречается существенно меньше, локальный максимум в точке «12.5» встречается и здесь.

Рисунок 7

С точки зрения классического подхода эти «незначительные отклонения» можно объяснить неаккуратностью измерений, или использование «просроченных» маркеров для анализаторов, или… Все это так, но наблюдаемые отличия могут быть объяснены и различием в поведении представителей разных «кластеров» при этих заболеваниях. Так, например, «Гипертонии» в большей степени могут быть подвержены представители кластера, который условно можно обозначить как «6», а кластер «15» от этого недуга практически избавлен.

Сделаем следующий шаг и рассмотрим кривые плотностей вероятности для анализа «Г0020». Предположим, что выдвинутая гипотеза имеет право на существование. Попробуем представить полученные в эксперименте (на самом деле в реальных лечебных процессах) кривые в виде огибающей «спектра нормальных распределений». Каждая «линия» такого спектра описывается формулой Гаусса:

Применительно к нашему рассмотрению «X» – математическое ожидание для значений анализа, характерного для выбранного «кластера» пациентов. «А» – параметр, определяющий количественную долю представителей кластера «X» в генеральной выборке пациентов. P(X) – число представителей кластера в бине, заключенном между значениями «хi» и «хi+1». Наконец «𝛔» – значение стандартного отклонения значений анализа, применительно к кластеру «X». Существенным явилось бы выяснение правомерности утверждения о единственности представления кривой распределения плотности вероятности в виде «спектра гауссиан». Но пока ограничимся тем, что такое разложение принципиально возможно.

Рассмотрим варианты «нормальных» спектров применительно к сплайнам огибающих для вероятных значений анализа «Г0020». Они представлены на рисунках 8, 9 и 10. В данном случае сплошная «жирная» линия соответствует реальным данным, а пунктирная – определяет огибающую для совокупности «спектральных линий», обозначенных тонкими контурами. Видно, что реальный эксперимент и полученная огибающая спектра практически совпадают.

Рисунок 8

Рисунок 9
Рисунок 10

Характерно, что референтный интервал в данном случае перекрывает практически весь диапазон изменения показателя (от 5 до 13!). То есть с учетом «классического» подхода для указанных диагнозов проведение анализа «Г0020» смысла не имеет.

В то же время картина меняется, если рассматривать пациента, как устойчивую и сбалансированную химико-​биологическую систему, в здоровом состоянии адекватно реагирующую на внешние раздражители: нагрузки, лекарственные препараты, пищу и т.д. Очевидно, что задача любой устойчивой замкнутой системы, к числу которых несомненно относится и человек, связана с максимальным снижением негативных последствий внешних воздействий, или нарушений в работе одного из своих элементов (внутренних органов).

В последнем случае, например, при заболевании поджелудочной железы, на начальном этапе радикально может меняться значение прямого индикатора (содержание инсулина), или опосредованного (количество глюкозы в крови), при сохранении значений всех остальных анализов. Предположим, что в нашем распоряжении имеются описания «кластеров», значения «Х» которых не связанны с нарушением работы рассматриваемого органа. В этом случае интересно было бы сравнить между собой их количественные характеристики («А», «Х» и «𝛔») для случаев «здоровые пациенты» и «заболевание с диагнозом Y».

Допустим, что кластеры, определяемые близостью значений устойчивых анализов, действительно существуют (своеобразный аналог теории «квантования»). Тогда, отталкиваясь от сопоставления вида вероятностных распределений данных для различных групп, можно было бы делать обоснованные предположения о склонности их представителей к тем, или иным заболеваниям. В определенном смысле это могло бы стать более доступной альтернативой расшифровке генетического кода. То есть, при состоятельности выдвигаемой гипотезы мы могли бы разработать дополнительные инструменты ранней диагностики и профилактики. Наконец, проводя параллель с геномом, можно предположить, что совокупность значений анализов, характерных для каждого конкретного человека, может быть достаточно устойчива.

Вернемся, однако, к рисункам. Нетрудно заметить, что все три «экспериментальные кривые», смоделированы практически одним и тем же набором функций Гаусса, немного отличающихся положением мод3 и значениями стандартных ошибок (𝛔) для разных диагнозов. Основное же отличие заключается в параметрах «А», оказывающих определяющее влияние, как на положение «наиболее вероятного» значения огибающей, так и на ее общий.

Отталкиваясь от реального вида кривой плотности значений можно сделать предположение, что основную «группу риска» для диагнозов «I48» и «I11.9» составляют пациенты, относящиеся к кластеру «10.5», в то время как представители кластер «8» должны более пристальное внимание обращать на признаки проявления стенокардии. Представители же кластера «6.5» могут практически ничего из этого набора заболеваний не опасаться.

В завершение рассмотрим вид распределения плотности значений для анализа «Г0018» (рисунки 11, 12 и 13). При определении «нормы» и референтных интервалов (14 и 10÷18 соответственно) исследователи, вполне возможно, и пользовались результатами, соответствующими некоему «нормальному распределению», но распределения в рамках рассматриваемых диагнозов этому условию заведомо не соответствуют. Прежде всего, имеются четыре характерных экстремума (на рисунке 11 это значения: «11.6», «14.4», «16.4» и «20»). При более аккуратном разложении огибающих в «спектр», таких экстремумов окажется наверняка больше, но мы ограничимся указанными.

Рисунок 11
Рисунок 12

Рисунок 13

Рассматривая полученный результат с точки зрения «классических представлений», мы вынуждены будем констатировать, что анализ «Г0018» является маркером для приведенных диагнозов. И действительно, значительная часть данных обследованных пациентов существенно выходит за рамки референтного интервала. Возникает, правда, вопрос: «почему при таком значительном изменении количественного соотношения групп «здоровых» (анализы в рамках референтного интервала) и «заболевших» пациентов положение моды (наиболее вероятного значения анализа) остается неизменным?».

Если же принять теорию «кластеров», все становится на свои места. Вполне можно себе представить, что группа пациентов, анализы которой тяготеют к значению «20», в рассматриваемых диагнозах представлена гораздо шире и при этом вполне укладывается в свой локальный (относящийся к «кластеру») референтный интервал. Дополнительным аргументом в пользу теории является и факт наличия указанного «кластера» и в анализах диагноза «I11.9». Там он, правда, выражен менее ярко и, при желании, может быть интерпретирован, как «погрешность».

Следует отметить, что выводы из рассмотрения значения анализа «Г0018» для диагнозов «I48» и «I20.0», сделанные на основе альтернативных логик, во многом совпадают, если речь идет о диапазоне «20». Но обоснования результата заметно отличаются. Если в первом случае речь идет о выходе за референтный интервал, то во втором, об отношении пациента к «группе риска». В то же время, при «классическом» подходе значение анализа, равное 16-​ти, настороженности у специалиста вызывать не должно, в то время как при втором, подозрение на «I20.0» должно просто «бить в набат».

Аналогичное высказывание справедливо и для значений анализа в диапазоне «12». Врачу в этом случае имеет прямой смысл провести дополнительные исследования, связанные с уточнением признаков таких заболеваний, как «I48» и «I11.9» (Рисунки 11 и 13).

Вместо заключения

С исторической точки зрения только «вчера» началось активное внедрение информационных систем в работу медицинских организаций. Но уже сегодня мы оказались погружены в принципиально новую информационную реальность. И дело здесь не только в доступности сотен терабайт данных и наличии инструментов и методов их обработки. Появилась основа для проверки корректности существующих представлений об интересующих нас объектах и связанных с ними процессах. Остановка за оптимальными подходами к выбору наиболее перспективных направлений исследований.

Если позиции «искусственного интеллекта», благодаря кинематографу, фантастической литературе и политике Государства уже закрепились под бюджетным солнцем, то вопросы поиска новых зависимостей, закономерностей и представлений пока еще ожидают своей востребованности.

Озвученная выше идея кластеризации представляет из себя не более чем гипотезу, требующую подтверждения, или опровержения. Но подобных задач, отталкивающихся от недоступных ранее наблюдений, множество. И их количество будет, как нам кажется, стремительно нарастать. Необходимо научиться выбирать из них те, которые в обозримой перспективе способны реально повлиять на повышение эффективности и качества лечебных процессов.

Так, в частности, если рассматриваемая гипотеза окажется состоятельной, основанные на ней выводы могут привести к существенному пересмотру представлений о сути как референтных интервалов, так и «нормы». Пока в этом направлении сделан только первый шаг. Очень не хватает данных по анализам, связанным с состоянием «здоров». То есть, как и во многих подобных случаях, требуют подготовки и согласования программы действий, в последние годы все чаще обозначаемые словосочетанием «дорожная карта». В контексте изложенного выше необходимо предусмотреть, как минимум, следующие шаги:

  • Формирование «Паспортов обследований» населения в рамках диспансеризации с включением в нее существенно более широкого набора лабораторных исследований.
  • Целенаправленное рассмотрение (изучение) плотностей распределения результатов анализов для различных заболеваний с целью определения наличия на них характерных локальных экстремумов и «перегибов».
  • Анализ пригодности (возможности использования) существующих методов и алгоритмов математического моделирования с целью представления вероятностных кривых в виде «спектра» нормальных распределений с проверкой их стабильности и воспроизводимости.
  • Продумывание методики диагностирования с учетом возможной состоятельности гипотезы кластеризации.
  • На основе проводимых обследований проведение сопоставления выводов, опирающихся на «классические» и «альтернативные» представления.

Понятно, что для реализации подобных программ необходима, как минимум, законодательная основа доступа к деперсонифицированной информации, накапливаемой в МИС, и согласованные (скоординированные) действия владельцев первичных данных, разработчиков программного обеспечения и профессиональных аналитиков. Ну и, конечно, желание что-​то в этой жизни поменять к лучшему.

«ИТ в здравоохранении 2019»: основные тренды медицинской информатизации по версии CNews

Осенняя сессия CNews «ИТ в здравоохранении 2019» актуализировала самые горячие для сегодняшнего информационного сообщества вопросы. Рассказываем, что и как. 

Традиционный формат конференций CNews — это блок из примерно 20 докладов по 15 минут, неявно сгруппированных тематически, — например, вокруг информационной безопасности или перспектив телемедицины. На встрече было проработано несколько таких тем, — наиболее актуальных и закономерно наиболее противоречивых для медицинской информатизации образца 2019 года. 

Виртуализация и безопасность

Дмитрий Лобовко, менеджер компании НТЦ ИТ РОСА, представил отечественный аналог Cisco. По словам докладчика, продукт дает не только качественную виртуализацию серверов, но и защиту от санкций, — программное обеспечение целиком разработано в России. Неплохой бонус, но смущает, что это решение в здравоохранении еще не применялось, да и вообще вопрос промышленной эксплуатации пока открыт. 

Аналогичные вопросы остались к продукту Synology (доклад Алексея Деева): их система хранения данных с собственной операционной системой эффектно выглядит и эффективно работает, но ни на одном медицинском учреждении пока не опробована. 

Ближе к реальности и в итоге увлекательнее оказался доклад Павла Коростелева из компании «Код безопасности»: разбирались угрозы вирусных атак на медицинское оборудование, в частности, случай с известным вирусом WannaCry, от которого сильно пострадали томографы — а это уже реальная опасность для пациента. Убедив аудиторию, что информационной безопасностью в клинике пренебрегать никак нельзя, докладчик признал, что 90% угроз возникает по вине пользователя, — либо от его неопытности, либо от неразборчивости в развлекательном сегменте интернета. 

В целом можно сделать вывод, что интересные решения по безопасности на современном отечественном рынке присутствуют, однако их применение конкретно в реалиях медицинского учреждения настолько слабо развито, что говорить об уверенных перспективах рано. 

Телемедицина

Менеджер по работе с заказчиками из Logitech Константин Ишмамедов рассказывал о решениях компании для проведения видеоконференций: веб-​камеры, гарнитуры, экраны. Когда спросили про практическое применение в медицине, докладчик сообщил, что «в принципе, для телемедицины должно подойти». Проблема та же, что и выше: продукт хороший, но с медицинскими задачами пока не женится — не пробовали. 

Начальник отдела ИТ ФГБУ НМИЦ онкологии им. Н.Н. Петрова Минздрава России Кирилл Васильев рассказал о том, как небольшая команда разработчиков НМИЦ собрала собственную систему из оборудования и специализированного ПО для проведения телемедицинских конференций формата «врач-​врач». Досадно, что модель не предназначена для работы с пациентом, но дело в рекомендациях Минздрава: разработчики получили указание сосредоточится на научной, а не на практической деятельности врачей. Надеемся, дальнейшие рекомендации позволят коллегам из НМИЦ расширить функциональность своей системы, потому что сделана она очень хорошо. 

Представитель «Ренессанс страхование» Алексей Образцов сфокусировался на менеджменте телемедицины. Доклад назывался «Как обучать врачей работе с телемедицинскими технологиями», но на деле его можно было озвучить иначе: «почему мы считаем, что врач не должен работать на первой линии звонков для телемедицинских консультаций». По мнению компании, первая линия должна комплектоваться из среднего медицинского персонала, и только когда их компетенций не хватает — пациента отправляют к врачу. Спикер уверенно заявил, что «врач, который сидит и принимает звонки, со временем перестает быть врачом и становится сотрудником колл-​центра, а это недопустимо». Позиция неоднозначная, но наблюдение значимое: риск выгорания врача при работе на однотипных телемедицинских консультациях действительно стоит учитывать, и не только его. 

Среди докладов молодежным задором выделился оператор «Билайн», который тоже, как оказалось, планирует сказать свое слово в телемедицине. Руководитель службы по работе с федеральными госструктурами компании Алексей Кузнецов сообщил, что оператор готов «давать гиги» не только за шаги, но и за диспансеризацию или прием таблеток. Удивила жесткая критика Билайна в адрес Ростелеком, но это, пожалуй, можно списать на неофитский пыл. Он же, возможно, помог оператору начать работу в новом секторе с быстрого старта: прямо сейчас Билайн запускает в Тюмени интересный совместный проект с компанией БАРС.

Средней температуры по телемедицинским вопросам встреча CNews не выявила: локальные успешные кейсы растут на фоне глобального недопонимания, как в итоге должен выглядеть продукт в масштабе страны. 

При этом многие участники конференции сетуют, что в медицинских информационных системах не хватает встроенного модуля для телемедицины, и надо бы его изобрести. Дорогие коллеги, изобретать ничего не надо, в МИС qMS этот модуль давно и успешно есть. Обращайтесь!

Маркировка лекарств, подключение к ФГИС МДЛП 

С 1 января 2020 года все медицинские организации обязаны передавать данные о движении маркированных препаратов в ФГИС МДЛП. Естественно, на CNews «ИТ в здравоохранении 2019» модуль, посвященный маркировке лекарственных средств, привлек много слушателей. 

Заместитель генерального директора НМХЦ им Н.И. Пирогова Дмитрий Никитенко рассказывал про математическое моделирование, которое помогло НМХЦ оптимизировать систему лекарственного обеспечения в клинике. Хотя докладчик избегал вопросов про обратный порядок поступления медикаментов, об МДЛП в целом он говорил крайне воодушевленно. Оптимистичный настрой объясняется частично тем, что сам господин Никитенко входит в рабочую группу по ФГИС МДЛП, то есть стоит у истоков инициативы. 

Представитель фармацевтической компании НАНОЛЕК Алексей Рыжий звучал куда менее оптимистично. Компания подготовила рабочую интеграцию с ФГИС МДЛП, однако поддержка этого решения потребует около 20 млн рублей ежегодно, что скажется на стоимости лекарств не в пользу пациента. 

Его коллега, Павел Карелин из Sanofi, тоже не светился энтузиазмом. Их решение, в целом вполне рабочее, все еще требует дополнений: не все лекарственные средства внесены в базу, а это значит, что с января пациент (временно) потеряет доступ к этим медикаментам. Команда Sanofi, как и многие другие сторонники взвешенного подхода нововведениям, уповает на законопроект о переносе релиза МДЛП с 1 января 2020 на 1 июля 2020.

Полагаем, в Госдуме достаточно таких же сторонников взвешенного подхода, и отсрочка в полгода все-​таки состоится. Пока же медицинские организации готовы к интеграции с ФГИС МДЛП лучше, чем производители, — наши клиенты, к примеру, получили инструмент для передачи данных об учете и движении медикаментов в последнем релизе МИС qMS. Но пользователям qMS это ничего не стоило, а производители лекарств вынуждены тратить на интеграцию свои деньги, и немалые, что процесс ни разу не ускоряет. 

Управление МО

Самый интересный для нас раздел на любой отраслевой встрече — это реальные примеры внедрения и настройки информационных решений. На CNews хороших примеров было достаточно. 

Начальник отдела ИТ ФГБУЗ Центр крови ФМБА России Андрей Фишер описывал работу сервиса для трансфузиологии. Локализация узкая, но зато интересная; в частности, есть неплохие инфорешения для доноров: мобильное приложение показывает статистику по сдаче крови и сообщает, сколько литров не хватает до звания «почетного», — такой вот образец здоровой клиентоориентированности, для нас субъективно более симпатичный, чем «гиги за таблетки».

Заместитель директора по развитию ИТ ГБУЗ НИИ скорой помощи им. Н.В. Склифосовского Департамента здравоохранения г. Москвы Илья Тыров делился кейсом автоматизации своей клиники, — это достойный пример того, как разумное проектное управление влияет на результат и отношение сотрудников к нововведениям. Правильное целеполагание со стороны администрации МО, хорошая команда и поддержание мотивации значат не меньше, чем удачный выбор МИС. 

Систему поддержки принятия врачебных решений для интенсивной терапии и реанимации показывал Сергей Арсеньев из НИИ неотложной детской хирургии и травматологии (детская клиника доктора Рошаля). Устроено это так: после того, как система получает информацию о поступлении в отделение реанимации пациента, каждый шаг лечения отмечается в системе, и в результате на основании данных о состоянии пациента и способе лечения система рассчитывает планируемый исход. Ориентируясь на полученный график, врачи понимают, как корректировать процесс. Звучит это так же здорово, как работает, — коллеги из клиники Рошаля действительно большие молодцы. 

Единственный региональный спикер, Олег Кальмуцкий из новосибирской Клинической больницы «РЖД-​Медицина», рассказал, как на базе 1С новосибирские разработчики сделали мониторинги процессов. В полной мере радоваться за КБ «РЖД-​Медицина» мешает шок от того, что ориентация на базу процессов произошла с ними только сейчас. 

Уже много лет как мы перестали рассказывать на конференциях о процессной ориентации системы qMS, полагая, что этот подход общеизвестен и повсеместно используется. Встреча CNews показала, что мы заблуждались. Готовимся теперь к серии ликбезов для всех заинтересованных, следите за обновлениями.

Образование

В продолжение темы ликбезов и обновлений нельзя не выделить доклад о новых образовательных программах от Георгия Лебедева, директора Института цифровой медицины, зав кафедрой информационных и интернет технологий Первого МГМУ им И.М. Сеченова. В институте открыто два новых направления: «Механика и математическое моделирование» и «Информационные системы и технологии». В прошлом году набор был небольшой, но уже в этом по каждому из направлений обучается 10 студентов, — значит, популярность дисциплинарного пересечения информационных технологий и медицины растет. 

Господин Лебедев подчеркнул, что будущие выпускники станут не «цифровыми врачами», а компетентными в мед вопросах инженерами: «мы не хотим заставлять врачей изучать информатику, мы хотим, чтобы программисты, которым интересна медицина, изучали взаимодействие между лечебным процессом и современными высокими технологиями».

Возможно, спустя всего несколько лет именно благодаря новому поколению инженеров растерянность медиков в вопросах информатизации схлынет, и разброс решений по горячим для медицины темам станет меньше, а их качество и продуктивность возрастут. 

Пока же выбрать лучший вектор развития и не терять связь с реальностью на информационном пути помогают такие мероприятия, как «ИТ в здравоохранении» от CNews, за что мы, пользуясь случаем, горячо благодарим организаторов. 

Болевые точки медицинской информатизации: итоги ИТМ-​2019

На ИТМ-​2019 команда СП.АРМ традиционно участвовала в выставке и выступила на нескольких секциях, но едва ли не большее внимание мы уделили изучению того, что волнует наших коллег по отрасли. 

Рассказываем, какие задачи важны сообществу сегодня, какие тренды актуальны и какие трудности мешают. 

ЕГИСЗ и Национальный проект «Здравоохранение» 

Важнейший фактор развития медицинской информатизации в России — это инициативы Министерства здравоохранения: федеральный проект о создании Единого цифрового контура ЕГИСЗ и национальный проект «Здравоохранение», которые, с одной стороны, катализируют информатизацию регионов, подталкивая подключаться к Единому цифровому контуру даже убежденных ретроградов, а с другой — склоняют всех участников рынка МИС к самодиагностике на предмет соответствия гос.требованиям, которые, впрочем, до сих пор не определены четко. 

Здорово, что Министерство открыто к диалогу с производителями МИС: в рамках установочного доклада «Единый цифровой контур здравоохранения: организационная и технологическая структура, фокусы текущего этапа реализации, задачи» заместитель министра здравоохранения РФ Елена Львовна Бойко несколько раз подчеркнула, что для окончательного выбора решений, которые соответствуют требованиям приказа 911н, будет привлечена экспертная группа, куда в первую очередь войдут именно сами разработчики. 

Замминистра уточняет: «Мы поддерживаем конкуренцию на рынке медицинского программного обеспечения, потому что это порождает качество системы», однако прогнозирует, что после уточнения всех стандартов рынок МИС станет значительно уже. 

«Целесообразно остановиться на нескольких базовых информационных системах, которые ежегодно будут комплектоваться дополнительными сервисами, возможно, от других разработчиков. Таких дополнений будет становиться все больше, тем более что сейчас активно обсуждается использование Искусственного интеллекта, но всё это будут суперсервисы», — рассказывает госпожа Бойко. 

Иными словами, медицинских информационных систем станет меньше, а вот требования к ним, особенно к их интеграционным способностям, возрастут. 

Это не единственный тезис доклада Елены Львовны, но самый принципиальный. Выступление замминистра заслуживает отдельной статьи, которой мы с вами в ближайшее время поделимся. А пока давайте посмотрим, насколько сообщество готово к запросам Министерства. 

Стандарт обмена электронными медицинскими данными

Одним из центральных спикеров ИТМ-​2019 стал Грэм Грив (Grahame Grieve), основатель и директор FHIR в HL7 International

Господин Грив развивает стандарт обмена медицинской информацией FHIR (англ. Fast Healthcare Interoperability Resources, произносится fire), который (в версии FHIR4) сегодня является официальным рекомендованным стандартом в США: для получения медицинской лицензии клиники обязаны его поддерживать. 

Российские медицинские системы, разумеется, также активно используют различные протоколы взаимодействия с оборудованием, с базами данных и между собой, однако единого мнения о том, какой протокол оптимален, в сообществе нет. По сути, каждая МИС придерживается того протокола передачи данных, который исторически прижился: обычно это HL7 v2 или (реже) HL7 v3, — кстати, они, как и FHIR, разрабатывались в HL7 International.

Интрига сегодняшнего дня в том, что для завершения проекта по созданию Единого цифрового контура разработчикам, вероятно, таки придется прийти к единому стандарту, и FHIR4 — наиболее очевидный кандидат, но, пока Министерство здравоохранения не дает однозначных рекомендаций по этому поводу, IT-​сообщество пребывает в стагнации.

Тем не менее, доверие к FHIR растет, и некоторые компании обращаются к стандарту FHIR4, не дожидаясь отмашки от Минздрава. 

Амбассадором FHIR остается петербургская компания «Нетрика»: к конгрессу ИТМ-​2019 они подготовили целый пакет докладов об успешных решениях для федеральных и частных МО, а также впрямую вывели тему гармонизации региональных и федеральных подходов с точки зрения применения стандартов HL7 FHIR и CDA (доклад Андрея Борисовича Дюкова).

Но и помимо «Нетрики», которая привычно работает в авангарде развития технологий, в России множатся адепты FHIR. К примеру, этот стандарт обмена данными используется в региональной системе Чувашии, о чем в своем докладе рассказывали коллеги из Чебоксар. Вовлеченность отдаленных регионов — хороший симптом того, что протокол приживется в российских реалиях. 

Господин Грив вероятность повсеместного принятия FHIR4 на территории России комментирует весьма дипломатично: он говорит, что не знает, на какой именно точке развития мы сейчас находимся, поэтому строить прогнозы не может. Однако и он, и другие зарубежные эксперты солидарны в том, что регулирующим органам необходимо сосредоточиться не на выборе оптимальной системы, а на создании среды для интеграции

Зарубежный опыт медицинской информатизации

«Информационные технологии в медицине» — мероприятие с международным статусом. Исполнительный директор ИТМ Юрий Юрьевич Мухин выразил особенную радость тому, что в этом году в конгрессе участвует много коллег из ближнего зарубежья:

«Мы надеемся, что круг международного сотрудничества будет расширяться и, как минимум, снова достигнет той ширины, которую имеет конструкция через дорогу: Фонтан дружбы народов», — сообщил он.

Действительно, опыт ближайших соседей весьма ценен, — как минимум тем, что стартовая ситуация у бывших стран СНГ похожа, и значит, не трудно ассимилировать способы решения тех или иных трудностей, а порой и вовсе таких трудностей избежать. 

Эстония

Например, развитие интегрированных информационных систем в здравоохранении Эстонии — очевидная история успеха. 

По данным доклада Питера Росса (Старший консультант по вопросам информатизации в здравоохранении, Всемирный Банк), сегодня количество запросов в централизованную медицинскую базу Эстонии доходит до 2 млн в месяц, причем порядка 1,5 млн из них — это запросы не от клиник или госструктур, а от частных лиц, то есть непосредственно от пациентов. Для страны с населением 1,3 миллиона такая статистика означает полную, всеохватную интеграцию.

Как им это удалось? 

Процесс был запущен в 2001 году с подачи эстонского минздрава: была поставлена задача на информатизацию услуг, которые государство оказывает медицине: на старте это электронная карта, электронный рецепт, радиология и т.д. На внедрение ушло около пяти лет; первые годы наблюдалась стадия накопления, а когда сервис стал полезен критическому числу людей — произошел переход к его реальному использованию. 

У Эстонии на этом пути было три преимущества. Два первых очевидны: 1) страна небольшая; 2) страна в принципе очень хорошо информатизирована: зона покрытия интернета — 100%, даже пожилое поколение активно пользуется ПК и смартфонами. 

Третье преимущество — системный подход со стороны государства

Уже на стадии проекта был поднят вопрос стандартизации; для создания стандартов были приглашены дорогостоящие австралийские эксперты, которые после месяцев труда предложили абсолютно не работоспособную стопку стандартов. 

Тогда минздрав пошел другим путем: в правительстве собрали постоянную экспертную группу, которая посвятила теме стандартизации 9 месяцев исследований, в результате выдала качественный рабочий вариант и теперь продолжает профессионально, на постоянной основе разрабатывать стандарты, — поскольку информатизация, как ремонт, является не событием, но процессом. 

Это лишь один из примеров, как степенная, обстоятельная последовательность эстонцев приводит их к сокрушительной победе на длинной дистанции. Не сомневаемся, что этот метод позволит им справиться и с сегодняшними трудностями. 

Во-​первых, поскольку изначально проект государственный, сейчас возникла проблема с подключением частных клиник или доп. услуг, которые в первоначальном проекте не были предусмотрены. Стандарты и интеграции к ним придется разрабатывать заново, так что постоянная экспертная группа без работы не останется. 

Во-​вторых, как все, они сетуют на плохое качество данных: большая их часть расположена в pdf-​файлах, к которым невозможно применить аналитику. Этот вопрос эстонцы тоже готовятся решать, и если у них получится — будем счастливы познакомиться с их наработками на одном из будущих конгрессов ИТМ. 

Беларусь

Так же, как коллеги из Эстонии, белорусы приступили к информатизации с государственной подачи, однако они пока находятся в самом начале пути. 

В докладе «Развитие национальной информационной системы в Республике Беларусь: стратегические направления, основные вызовы, достижения и перспективы» представитель Министерства здравоохранения Республики Беларусь делился не столько опытом информатизации, сколько планами на нее, которые местами переходили в фантазии. 

Хорошая новость в том, что белорусы уже на старте взялись за тщательное изучение опыта стран СНГ и Европы, вступили в правильные ассоциации и взяли на вооружение самые последние стандарты, которым намерены строго следовать. Это поможет избежать многих проблем, которые случились, например, в России, где все происходило и частично продолжает происходить по наитию. 

Более того, открытый и любопытствующий подход, который они выбрали, позволяет на примере соседей понять, какие вообще бывают проблемы: законодательство, прокладка сетей, строительство новых зданий — ко всему этому они по крайней мере готовы, а это немалая фора.

Пока трудно сказать, насколько быстро Беларусь будет продвигаться на выбранном пути, поэтому очень надеемся, на ИТМ-​2020 они снова выступят с докладом.

Казахстан

Если выступление делегата из Беларуси — это фантазия о будущем, то выступление коллеги из Казахстана — это сбывшаяся фантазия. 

Доклад «Облачная платформа Damumed как цифровая медицинская экосистема» Натальи Валерьевны Киль (Центр информационных технологий ДАМУ, Казахстан) у вовлеченной аудитории вызвал бурную зависть. 

Казахский вариант отношений минздрава и разработчика кратко выглядит так: в 2005‑м году государство попыталось создать единую МИС, но получившийся мутант вышел нежизнеспособным и окончательно погиб к 2012-​му; дальше государство пробовало создавать системы, которые удовлетворяли бы отдельным его потребностям — финансирования, статистики и т.д, но этих продуктов не было достаточно. Тогда на рубеже 2013 – 14 года государство отдало создание МИС в конкурентную среду, после чего разработчики ДАМУ взяли инициативу в свои руки и больше ее не выпускали.

Первое региональное облако Damumed запустили в 2015 году в Карагандинской области, в период с 2016 по 2017 появилось несколько таких региональных проектов, к текущему году был освоен практически весь Казахстан и создан республиканский паспорт здоровья.

Значимо, что кроме традиционных функциональностей МИС казахская платформа также включает слой сервисов, при помощи которых она интегрируется во внешнюю среду: охвачены Министерство здравоохранения, Фонд оплаты медицинских услуг (ОМС), поставщики различных медицинских продуктов, аптеки, централизованные и частные лаборатории, системы скорой помощи, телеметрии и смарт-​приложение, в котором сегодня зарегистрировано 2,5 млн пациентов.

Госпожа Киль добавляет: «Минздраву и Фонду мы предоставляем большой спектр аналитики, чтобы они могли иметь информацию для принятия стратегических решений. А номенклатура данных нашей системы строится на стандартах, которые мы получаем от Министерства»

Насколько действительно хороша платформа Damumed, судить по одному докладу трудно, поэтому очень захотелось посетить Казахстан, тем более что разработчики ДАМУ пригласили всех желающих. Однако история внедрения выглядит как воплощение правила «Не можешь помочь — не мешай», — возможно, самого здорового правила в отношениях государственного контроля и частной инициативы. 

На вопрос о внедрении на российский рынок госпожа Киль ответила так:

«Мы не в первый раз приезжаем, мы всем нравимся, но пока не понимаем, как мы можем зайти на рынок России — у вас что-​то такое (большое) количество рамок и ограничений! Мы, конечно, живем более вольготно по сравнению с вами, у нас посвободнее». 

Российские тернии на пути к ЕГИСЗ

Самый большой эфирный объем на ИТМ-​2019 предсказуемо занимали конкретные кейсы по информационному развитию российских медицинских учреждений. Кейсы разного объема, от диджитализации отдельной клиники и настройки узкоспециализированного мониторинга до информационного покрытия огромных регионов, но в массе своей — очень и очень успешные. 

Мы позволим себе пропустить торжественное перечисление побед наших коллег и сфокусируемся на нескольких замеченных трудностях, в надежде, что понимание проблемы поможет найти путь к ее решению. 

Помехи интеграции: федеральные мониторинги не согласовываются друг с другом и не интегрируются с МИС

Иногда даже единая региональная МИС с полным охватом — не панацея от бессмысленной работы; к примеру, коллегам из Саратовской области приходится вручную переносить данные из централизованной медицинской системы в несколько федеральных мониторингов, порожденных разными департаментами. 

По словам директора МИАЦ Саратовской области Анны Владимировны Гордеевой (доклад «Цифровой контур Саратовской области. Старт и перспективы»), только онкологических мониторингов в области существует сразу два, причем они частично дублируют друг друга. То, что коллеги из Саратова создали на базе МИС собственный онкомониторинг, никак не помогло, поскольку выгрузить из системы данные в федеральный вариант не получается. 

Юридические помехи: не ясно, как интегрировать медицинские структуры с разным юридическим подчинением

Коллеги из Башкирии сделали очень полезный доклад «Включение СМП в ЕЦК: онлайн-​взаимодействие со стационарами, неотложной помощью, работа в режиме «единого окна» (Оскар Зуфарович Муртазин, заместитель директора МИАЦ Республики Башкортостан, Уфа), который неожиданно породил дискуссию не об информатизации, а о юридической организации медицинских структур разного уровня. 

Иногда бригады скорой помощи и диспетчерские центры имеют разное юридическое подчинение. Сейчас есть тенденция объединять их в одну структуру, но некоторые регионы возвращаются к старой схеме, потому что на практике протяженность региона делает объединение невыгодным. 

В подобном варианте интеграция центра и бригады буксует на юридических вопросах, готовых ответов на которые пока нет. 

Помехи качества: сложный интерфейс МИС остается одной из главных причин сопротивления информатизации

Сообщество не первый год обсуждает, что современные медицинские системы визуально перегружены, и это сильно мешает среднестатистическому медику порадоваться переходу на МИС. Нормально, что установка на ускоренное подключение к ЕГИСЗ не сняла проблему, а только обострила. 

Вариант решения проблемы предложил Артем Владимирович Логинов, Генеральный директор «РТ МИС», в докладе «Управление региональным здравоохранением с ориентацией на пользователя: врачи и пациенты как целевая аудитория федерального проекта «Единый цифровой контур»: команда разработчиков «РТ МИС» к работе дизайнера интерфейсов привлекла экспертную команду из целевой аудитории системы — врачей и медсестер. В течение года медики рассказывали о трудностях работы с МИС, делились идеями и считали клики. С учетом собранных данных был сконструирован новый облик системы.

Более того, даже после проделанной работы конструкторы оставили для пользователя горячую клавишу, которая позволяет в пару кликов передать разработчикам информацию, что в системе не нравится. Так команда «РТ МИС» надеется наконец-​то собрать интерфейс, который сделает переход на МИС максимально безболезненным. 

Очевидно, что список помех на пути к бесперебойному единому цифровому контуру можно продолжать очень долго. Для каждой компании, вовлеченной в процесс, открывается собственный ад технологических, юридических и социальных трудностей. Мероприятия вроде ИТМ позволяют учиться на чужих ошибках, — и делиться собственными, чтобы уберечь от них коллег. Это невероятно ценно, потому что трудимся мы в итоге над общим делом. 

Далекие звезды: что ждет МИС в скором будущем?

Тема перемен прозвучала уже в установочном докладе ИТМ-​2019, поэтому не удивительно, что секция «Комплексные медицинские информационные системы нового поколения» собрала полный зал: в будущее интересно заглянуть каждому. 

В главном коллеги сошлись: сегодняшний вариант медицинской информационной системы себя изживает, и наступило время качественного скачка в развитии. 

Интуиции участников дискуссии можно обобщить так: фокус внимания в МИС следующего поколения должен сместиться из прошлого в будущее. Сегодня МИС позволяет фиксировать свершившиеся медицинские события, коллекционировать их в определенную (более-​менее удобную) систему и на ее основании собирать аналитику. На следующем этапе развития МИС станет не архивариусом, а полноправным участником лечебного процесса, который в каждой фазе лечения сможет защищать врача и пациента от ошибок, регулируя хронику действий и предлагая экспертные рекомендации. 

Александр Владимирович Гусев (К‑МИС, Петрозаводск) в докладе «Комплексная медицинская информационная система нового поколения: требования и практическая реализация» формулирует это так:

«Мы считаем правильным говорить об аудите лечебно-​диагностического процесса, а не о контроле его результатов. Контроль — проверка свершившегося факта, констатация, что что-​то в течение периода лечения пациента было не так. Современные же западные разработки проактивные интеллектуальные функции системы выстраивают как непрерывный аудит: с того момента, как появилась первая запись о пациенте, начинают работать поддерживающие трекеры». 

Михаил Юрьевич Бахтин (ФГБУ ВЦЭРМ им. А.М.Никифорова МЧС России, Санкт-​Петербург, доклад «Время МИС подходит к концу. Что дальше?») добавляет:

«Современная МИС — это социальная сеть, технологическая платформа для коммуникации»

Господин Бахтин подчеркивает, что витальность МИС будет напрямую зависеть от того, насколько далеко за пределы конкретного лечебного события, за пределы лечебного периода в целом и за пределы лечебного учреждения может транслироваться информация, контролирующая качество врачебного предписания. Необходимо, чтобы МИС заботилась о безопасности и улучшении самочувствия пациента, даже если тот поменяет лечащего врача и лечебное учреждение, — то есть МИС должна стать сложной коммуникативной сетью, вовремя предоставляющей все нужные данные о пациенте и строго контролирующей исполнение предписаний.

По сути, оба докладчика говорят об одном: МИС нуждается в усовершенствованной интеграции и в качественной системе поддержки принятия врачебных решений на каждом этапе работы

Однако есть и расхождения. Господин Гусев полагает, что, раз цифровое здравоохранение движется в сторону сервисов, все программные продукты и МИС вскоре разделятся, и, например, функции управления инфраструктурой (коечный фонд, склад медикаментов, питание), а также аналитика выйдут за пределы медицинской системы. 

Господин Бахтин такой прогноз воспринимает с недоверием: 

«Мы не можем управлять потребностью пациента в медикаментах, если мы не можем управлять всей цепочкой движения медикаментов. Задайте своим врачам вопрос: ты уверен, что то, что ты назначил — то пациент вечером и получил, и что именно это было списано со склада при персонифицированном учете? Поверьте, это далеко не всегда соответствует действительности. И только в том случае, если у нас есть возможность контролировать, что есть на отделении, что назначил врач, что выдала медсестра, когда и что получил пациент, — только тогда мы можем гарантировать те самые five rights — the right patient, the right drug, the right time, the right dose, and the right route (Пять «правильно» — правильный пациент, правильный препарат, правильное время, правильная доза и правильный способ введения)».

Пока контроль такого уровня видится доступным, только если все сервисы находятся внутри одной структуры — МИС. Что не мешает разработчикам вкладывать огромные силы в создание интеграций, потому что в недалеком будущем информационных систем появятся новые компоненты и сервисы. 

Что касается СП.АРМ, то уже сейчас, — еще до наступления эпохи тотальных интеграций, которая случится далеко не завтра, раз уж мы пока встряли на стадии выработки общего языка, — уже сейчас мы вполне уверены в безопасности наших клиентов и в стабильности их бизнес-​процессов, поскольку рабочие компоненты, которые по всеобщей задумке однажды можно будет, как пазл, собрать в единое полотно, в системе qMS уже присутствуют по умолчанию. В этом преимущества полнофункциональности: помехи интеграции не страшны, когда есть всеохватное пакетное решение, где все связи курируются одним и тем же узлом поддержки. 

Если интуиции рынка (и замминистра здравоохранения Елены Бойко) верны, и со временем МИС станут комбинированным продуктом от разных производителей, мы рискуем оказаться в меньшинстве, поскольку, как ни забавно это звучит, сделать систему менее полнофункциональной будет труднее, чем, наоборот, расширить ее функциональность. Однако нам это грозит не технологическим авралом (к интеграциям с другими системами мы готовы), а коммерческим вызовом: придется научиться продавать торт по кускам, а не целиком. Корректировка коммерческого подхода — дело хлопотное, но это приятные хлопоты, и на качестве обслуживания наших клиентов, нынешних или будущих, она если и отразится, то только в положительном смысле. 

О качестве, безопасности, стандартах и среде

С развитием информатизации в медицине в тематическом поле все сильнее актуализируются понятия безопасности, менеджмента качества и стандартизации. Мы решили разобраться, в каких отношениях они состоят внутри одного МО и какое у них будущее.

Казалось бы, понятие безопасности вшито в саму идею здравоохранения: охранная структура, в данном случае — охраняющая здоровье, по умолчанию должна быть безопасной зоной, но это не так. Тему безопасности здравоохранения стоит и даже необходимо обсуждать отдельно, и только потом можно начинать разговор о качественном развитии сектора. 

Что такое безопасность в медицине?

Сегодня, когда технологии развиваются настолько быстро, что человеческий ум не успевает их не то что изучать, а даже осмысливать, вопрос безопасности актуален там, где прежде не поднимался. К примеру, когда были придуманы смартфоны, никто не обсуждал всерьез их безопасность, пока случайно на получился не смартфон с функцией самовоспламенения: вопрос пришлось переосмыслить во избежание спонтанного запуска новой функции в кармане брюк или, к примеру, в самолете. 

Кстати, безопасность самолетов за последнюю сотню лет тоже радикально поменялась. В начале ХХ века вероятность благополучного попадания из пункта А в пункт В на самолете была примерно 50%. На сегодняшний же день даже вероятность гибели от укуса пчелы выше, чем гибели в автокатастрофе. Если точнее, риску причинения любого вреда жизни и здоровью во время перелета подвергается один из миллиона пассажиров. 

А вот получить повреждения при оказании медицинской помощи рискует 1 из 300 пациентов, и это очень тревожащая статистика. Причем от страны к стране она мало отличается: в США смертность в результате врачебной ошибки находится на третьем месте среди всех причин, после болезней кровеносной системы и рака, опережая паралогии легких и даже травматизм. В результате врачебных ошибок в США умирает 250 000 человек ежегодно, это 9,5 процентов от общего количества смертей. 

По оценкам Всемирной организации здравоохранения, в развитых странах вред во время пребывания в больнице причиняется здоровью каждого десятого пациента. И речь не только о неправильно поставленных диагнозах или некорректных назначениях медикаментов; известны случаи, когда пациенту просто делали не ту операцию!

В России статистика врачебных ошибок собирается менее скрупулезно, чем в ВОЗ или в Штатах, но мы можем опираться на косвенные данные. Так, на Российском национальном конгрессе терапевтов прозвучала информация, что каждый третий из поставленных диагнозов впоследствии был признан ошибочным. А неправильный диагноз — это почти всегда дополнительное медицинские расходы и нервы, порой — дополнительный риск для жизни: специальные исследования подтверждают, что причиной осложнений заболеваний, зачастую приводящих к тяжелому клиническому, а иногда летальному исходу, в 80 – 85% случаев становятся врачебные ошибки. 

Поэтому закономерно, что в 2002 году Ассамблея государств-​членов ВОЗ приняла резолюцию, в которой необходимость содействовать обеспечению безопасности пациентов признается фундаментальным принципом для работы всех систем здравоохранения. 

Более того, безопасность медицинской помощи — базовая потребность не только пациента, но и медицинской организации. Безопасная больничная среда — это среда, которая в наиболее полной мере обеспечивает и пациенту, и медицинскому работнику условия комфорта, позволяющие эффективно удовлетворять все свои жизненно важные потребности. 

Для МО безопасность к тому же экономически выгодна: дополнительная госпитализация, судебные издержки, приобретенные внутрибольничные инфекции, утраченный доход, инвалидность и медицинские расходы обходятся России примерно в 29 миллиардов долларов США в год. Так что, думая о безопасности, мы профилактируем огромное количество осложнений, которые требуют денег. 

Вернемся к понятию качества

Именно от безопасности напрямую зависит качество здравоохранения; точнее, безопасность и качество — две стороны одной медали. Нарушение технологии оказания медицинской услуги, то есть снижение ее качества, приведет к тому, что вместо помощи пациенту может быть нанесен вред, и его безопасность будет нарушена. 

Стоит стремиться — и мы стремимся! — к идеальной ситуации, где показатели качества и безопасности находятся на отметке 100%. Но чтобы достичь этих идеальных условий, нужно написать пошаговый план, и для этого придется разработать систему стандартов

Если вам вдруг кажется, что медицинская организация избегает стандартизации и отлично себя чувствует, то вам только кажется: либо не отлично, либо не избегает. Любая организация непрерывно развивается, как и ее система менеджмента, вариантов управления существует множество, и если вы не распознаете механизм управления конкретной организации — возможно, вы просто еще не знаете о такой системе менеджмента качества. 

Тревога многих комментаторов вокруг термина «стандарт» в медицине тоже хотя и понятна, но преувеличена. Не потеряется ли среди стандартов диагностики и лечения персонифицированная медицина? Где в мире стандартов найдется место пациенту? Отвечаем: место пациента — посередине, в центре выстроенной на стандартах системы, которая заставляет нас действовать правильно. Сейчас разберемся, как это устроить.

Примеры стандартов 

Один из тезисов федеральной программы «Развитие здравоохранения в Российской Федерации» (Постановление Правительства РФ от 15.04.2014 №294, подпрограмма «Управление развитием отрасли») звучит так: «к 2020 году доля медицинских организаций, внедривших систему управления качеством медуслуг, должна составить 95%». Ориентироваться предлагается использование международного опыта. 

Давайте посмотрим, что этот опыт предлагает? 

Самый популярный стандарт качества сегодня — это ISO 9001, система оценки качества товаров и качества оказания услуг, а также руководство по достижению устойчивого результата. Достоинство ISO — широта охвата: благодаря этой системе детали для купленного в России велосипеда, приобретенные где-​то в Мексике, к велосипеду подойдут. А недостаток ISO в том, что этот стандарт написан изначально под товары, а не под услуги, и в медицине часто неприменим. 

Сейчас в России входит в моду JCI (Joint Commission International) — специализированный медицинский стандарт, направленный на обеспечение безопасности пациентов путем выявления проблемных областей в здравоохранении и распространения лучших практик для решения этих проблем. Он был впервые введен в 2000 году и за 20 лет собрал себе прекрасное реноме. 

Недостаток один: JCI не курирует медицинское учреждение в развитии, то есть, например, со сменой менеджерского состава достижения информатизации могут быть утеряны, хотя статус соответствия стандарту номинально останется. По сути, реальное сохранение уровня требует огромного количества административных затрат, и здесь опять возникает комментатор-​скептик, уверенный, что стандартизация уводит медика от собственно пациента в процедурые дебри. Запомните эту мысль, мы к ней еще вернемся. 

Несколько лет назад мы обратили внимание на стандарт HIMSS Analytics, разобрались в нем прошли вместе с нашими клиентами, ВЦЭРМ им А.М. Никифорова, непростой путь стандартизации на шестой уровень сертификации по шкале EMRAM HIMSS Analytics, а заодно стали пока единственными амбассадорами HIMSS в России и Казахстане. HIMSS проповедует использование информационных технологий для обеспечения безопасности пациента, качества медицинской помощи и управления себестоимости процессов, и этот подход нам кажется оптимальной ориентировкой на развитие менеджмента качества. И, кстати, это тот вид зубной пасты, который невозможно засунуть назад в тюбик: выход на определенный уровень информатизации сложно отыграть назад, поскольку за его поддержку в дальнейшем отвечают в большей мере технологии, а не медики.

Путь к безопасной экосистеме в медицине

Мы разобрались в идее медицинской безопасности, в понятии менеджмента качества и в необходимости правильных стандартов. Осталось понять, как собрать все это вместе, не уводя все административные ресурсы от собственно медицинской работы, а, наоборот, концентрируя их вокруг оказания услуги пациенту. 

Помните волнение нашего воображаемого скептика о том, что сохранение уровня, например, JCI отнимет у медицинской организации силы, зарезервированные под собственно медицинские цели? К двум другим стандартам, как и к любому четвертому, такое волнение тоже применимо. Мы оказываемся перед дилеммой: без стандартов невозможно сохранение безопасности, без безопасности не будет качества, но поддерживать высокое качество, вкладывая основные мощности в стандарты, зачастую не на что. Как из этого круга выбраться?

Выход в том, чтобы работать не над внедрением каждого стандарта в отдельности, а над созданием такой среды, в которой исполнение стандартов, поддержание безопасности и развитие качества станет неизбежным

Представьте чудовищно нагруженный автомобильный перекресток. Можно пойти путем контроля и нагнать как можно больше господ полицейских с мигалками и жезлами — тогда порядок будет наведен. Но можно пойти другим путем и построить такую автомобильную развязку, чтобы просто не было условий выехать на встречную полосу, — создать среду, в которой неисполнение ПДД будет затруднено, а исполнение, наоборот, станет самым легким и доступным из действий.

Пример работы

Именно по такому принципу, например, работает система поддержки принятия врачебных решений (СППВР): сервис, по предварительной настройке оповещающий медика об изменении состояния больного с сопутствующими рекомендациями к действию. Рекомендации выводятся на основе заданного алгоритма и, в зависимости от действия, могут как просто быть тайм-​сигналом к проведению конкретных процедур, так и оповещать о нестандартной и опасной для жизни ситуации. Решение всегда остается за медиком, но благодаря СППВР снижается влияние на историю лечения таких человеческих факторов, как забывчивость или неточность внесения показаний. 

Чтобы было понятнее, воспользуемся примером одного из наших клиентов: ФГБУ ЦЭРМ им. А.М. Никифорова МЧС России. Коллеги из ВЦЭРМ — одни из немногих, кто, пусть фокусно, снимает и анализирует статистику до и после внедрения тех или иных функций МИС. В данном случае они провели исследование по влиянию СППВР на количество случаев сепсиса и их развитие. 

(Здесь и далее данные цитируются по: Горбань ВИ, Бахтин МЮ, Щеголев АВ, Лобанова ЮВ. Система поддержки принятия врачебных решений при сепсисе как важная часть медико-​экономической составляющей стационара. Альманах клинической медицины. 2019;47(3):204 – 11. doi: 10.18786/2072 – 0505- 2019 – 47-​010). 

«За период с 2015 по 2017 г. был проведен ретроспективный анализ базы данных медицинской информационной системы qMS («СП.АРМ», Россия), содержащей сведения о 37997 пациентах. На первом этапе (с января 2015 по июнь 2016 г.) анализировали результаты, получаемые при традиционной схеме лечения. С мая по июнь 2016 г. в медицинской информационной системе был внедрен модуль СППВР и проведено обучение врачебного персонала. Данные второго этапа исследования (с июля 2016 по декабрь 2017 г.) представляли собой результаты лечения сепсиса с использованием СППВР. Оценивали среднее количество койко-​дней нахождения пациента в стационаре и в отделении анестезиологии и реанимации, число случаев развития септического шока, летальность и стоимость лечения. 

Диагноз «сепсис» был подтвержден у 67 пациентов: у 1,4‰ (27/​18792) до внедрения СППВР против 2,1‰ (40/​19205) после внедрения СППВР (p<0,01). Летальность при сепсисе снизилась на 10%, но статистически не значимо (p<0,1).

Применение СППВР, интегрированной в медицинскую информационную систему стационара, способствовало уменьшению числа случаев развития септического шока с 26% (7/​27) до 7,5% (3/​40) (p<0,05). Наблюдалась также тенденция к снижению продолжительности лечения пациентов в отделении анестезиологии и реанимации, что послужило предпосылкой для сокращения общих сроков пребывания в стационаре, а также уменьшения стоимости терапии сепсиса (на 13%) и эфферентных методов лечения (на 29%), однако различия не достигли уровня статистической значимости».

Опираясь на полученные данные, авторы исследования сообщают, что электронное наблюдение за состоянием пациента и изменениями показателей с помощью СППВР дало возможность диагностировать развитие сепсиса на ранних этапах. Что, в свою очередь, открыло возможности для более рационального использования ресурсов здравоохранения, преимущественно за счет ранней целенаправленной терапии у пациентов с тяжелым сепсисом и септическим шоком. По данным ВЦЭРМ, процент развития септического шока снизился, а благоприятного исхода лечения, наоборот, вырос (см. рис. 1 и рис. 2). Кроме того, после внедрения СППВР обозначилась тенденция к снижению количества койко-​дней и стоимости лечения в целом на каждого пациента (см. табл.). Разумеется, для более детального изучения вопроса требуются дополнительные исследования, однако отрицать положительный эффект СППВР невозможно. 

Вот, во-​первых, пример положительного влияния стандартизации: движение в сторону осмысленной информатизации под кураторством HIMSS подтолкнуло сотрудников ВЦЭРМ использовать возможности МИС не только для документооборота и администрирования, но впрямую — для улучшения качества лечения. И во-​вторых, вот пример того, как продуманная среда повышает безопасность автоматически: если осложнения выявляются раньше — выше шанс их купировать. 

Член королевского колледжа хирургов, профессор Саламан (Prof P.J. Salaman) однажды сказал:

«Мне нужна технология, чтобы мне было легко делать правильные вещи – и трудно делать неправильные вещи». 

Профессор говорит как раз о безопасной медицинской среде: она позволяет не тратить время и силы на мотивацию и повышение сознательности в тех областях, которые легко информатизируются, но дает возможность усилить вовлеченность персонала в нужды пациента и создание атмосферы доверия и безопасности в медицинском учреждении. 

Именно такой подход лег в основу работы над СППВР и развития МИС qMS в целом: информационная система должна быть настолько полнофункциональной, чтобы высвобождать ресурсы медиков на пациентоцентричность. 

Теперь мы говорим об экосистеме медицинского учреждения, созданной с помощью qMS: экосистема МО и есть та самая безопасная, плодотворная и продуктивная информационная среда, которая страхует от ошибок, подталкивает к повышению качества и оставляет пациента главным героем. 

Статья впервые опубликована в журнале “Первая краевая” № 3(74) от 4 октября 2019 г, Красноярск, с. 9 – 11

Пути повышения эффективности использования информационного потенциала МИС

В качестве основных задач информатизации здравоохранения изначально рассматривались: перевод медицинских записей на электронные носители, поддержка специалистов и автоматизация стандартных процедур, в частности – формирование реестров и статистической отчетности. В связи с этим подавляющее большинство имеющихся на рынке ПО медицинских информационных систем (МИС) изначально проектировалось в логике заполнения с клавиатуры утвержденных форм (бланков) медицинских документов.

На специфических требованиях хранения структурированных данных Заказчик первоначально не настаивал. Предполагалось, что документы будут использоваться для их последующей визуальной обработки. Это привело к широкому использованию вариантов хранения неструктурированного текста, к недостаточной стандартизации содержания и т.п. В большинстве случаев это породило весьма условные информационные связи между отдельными записями.

Исходя из первоначально поставленных задач на сегодняшний день все контракты, заключаемые между разработчиками медицинских информационных систем (МИС) и пользователями, ограничиваются областями, связанными с информационной поддержкой основных бизнес-​процессов организаций здравоохранения. Иными словами, Разработчик принимает на себя обязательства по поставке, адаптации и сопровождению системы в объеме поддержки штатных задач сотрудников МО.

В то же время наблюдается стремительный рост заинтересованности в использовании накапливаемой МИС информации для научных исследований. Интерес активно подогревается и представлениями (не всегда, правда, адекватными) о том, что прорывные идеи в медицине неотделимы от новейших технологий на основе использования искусственного интеллекта (ИИ). Многим хочется как можно быстрее опробовать новые подходы в задачах управления (подготовки и принятия решений), прогнозирования, оценки рисков, экспертной поддержки и т.д.

Но «бесплатным бывает только сыр в мышеловке». Подавляющее большинство МИС базируется на информационных ресурсах и функциональных возможностях баз данных, для которых характерны перечисленные выше недостатки: частое использование неструктурированного текста, слабая связь между последовательностью записей и т.д. Помимо прочего, свобода формирования данных нередко порождает в системе залежи «информационного мусора», избавиться от которых весьма непросто. А это «не есть gut», особенно с учетом того, что процессы машинного обучения и кластеризации (основа ИИ!) тем эффективнее, чем качественнее исходная информация.

Недостатки баз данных почти полностью устраняются при переходе на логику хранения записей в варианте «базы событий» (Процесс → Событие → Реквизиты, описывающие событие). В значительной степени это объясняется тем, что любое понятие, входящее в структуру описания События, оказывается однозначно связанным с конкретной точкой на временной шкале процесса. Например, реквизиты любого медицинского назначения (кто, когда, что и в каких дозировках назначил) дают возможность проконтролировать факт его выполнения с привязкой к конкретному лечебному мероприятию, временному интервалу и рассматриваемому пациенту.

К сожалению, проектирование МИС в логике базы событий существенно сложнее, чем в логике базы данных, чем и объясняется их редкое появление на рынке ПО. Замена базы данных на базу событий в уже используемой МИС невозможна. Также с точки зрения Разработчика неприемлемы и попытки модернизировать хранилища данных путем создания в них дополнительных функциональных (информационных) связей в рамках контрактов на сопровождение системы. Нам кажется, что эта проблема, при ее игнорировании, в недалекой перспективе способна породить серьезный конфликт интересов. Его суть заключается в следующем:

  1. Медицинские организации, особенно занимающиеся научным поиском, все больший интерес проявляют к использованию накапливаемых МИС информационных ресурсов, что существенно выходит за рамки задач, непосредственно относящихся к согласованным «лечебным стандартам».
  2. Реализованные в МИС структуры хранения записей и информационные связи между ними в большинстве случаев не соответствуют задачам формирования массивов данных, необходимых для научного поиска и анализа зависимостей.
  3. Разработчики, прекрасно разбирающиеся в архитектуре МИС, в возможностях СУБД и в программировании, как правило далеки от проблематики медицинских исследований. К тому же, особенно при наличии многочисленных договоров на поставку и сопровождение своих систем, они не располагают возможностями для серьезного отвлечения имеющихся в их распоряжении ресурсов на направления, не связанные непосредственно с выполнением обязательств по заключенным контрактам.
  4. Научное медицинское сообщество ограничено в доступе к персонифицированной информации МИС. Но и в том случае, если им передается фрагмент хранилища записей системы с деперсонифицированными данными, эффективность их использования весьма ограничена. С одной стороны, большинство Разработчиков передают пользователям свои системы с закрытым программным кодом без возможности выгрузки значений необходимых понятий в любых требуемых форматах. С другой – даже если программный код открыт, разобраться в его «тонкостях» бывает гораздо сложнее, чем разработать полнофункциональную систему «с нуля». Вряд ли такой подход способен серьезно заинтересовать Науку.
  5. Попытки пользователей МИС самостоятельно заняться «модификацией» системы и расширением ее функционала (или структуры хранения записей) автоматически приводит к нарушению условий контракта на сопровождение. Последствиями этого становятся штрафные санкции, выплата неустойки и риски разрушения системы, а Разработчик не горит желанием проводить ее периодическое восстановление.

Логичным выходом из ситуации, как нам кажется, мог бы стать переход на новый уровень взаимодействия на трехсторонней основе. Имеется в виду формирование временных коллективов, ориентированных на решение конкретной исследовательской задачи и включающих в себя представителей Пользователя, Разработчика и Науки. Такие коллективы могли бы сотрудничать в рамках заключения самостоятельных контрактов, частичное финансирование которых логично осуществлять на основе статей Государственного бюджета. Ведь очевидно, что Государство является одной из наиболее заинтересованных сторон в повышении качества и эффективности работы своей системы здравоохранения.

Требования целесообразности подготовки и заключения дополнительных контрактов обусловлены: 

  1. существенным расширением состава решаемых задач; 
  2. увеличением нагрузки на пользователей и на разработчиков МИС. 

На плечи первых ложатся дополнительные требования по обеспечению качества первичных записей (полнота, достоверность, актуальность). Загруженность ресурсов вторых также возрастает за счет необходимости расширения структуры и состава накапливаемых в информационной системе понятий и связей между ними, разработки методик формирования оптимизированных под конкретные исследования массивов данных и методов их первоначальной обработки, вариантов выгрузки (передачи) объединенных во временные последовательности записей в профессиональные пакеты статистических программ и пр.

Заинтересованными сторонами автоматически становятся:

Государство:

  1. Повышение качества и эффективности работы системы здравоохранения;
  2. Повышение эффективности расходования бюджета на научные исследования;
  3. Активное развитие дополнительных направлений цифровой экономики;
  4. Создание надежных инструментов координации поисковых (исследовательских) задач в области медицины и т.д.

Наука:

  1. Активное развитие и расширение научно-​поисковых направлений при минимальных затратах на подготовку необходимого для этого информационно-​правового основания;
  2. Формирование предпосылок для интенсивной подготовки квалифицированных научных кадров, востребованных медициной и здравоохранением;
  3. Появление дополнительных источников финансирования научных исследований;
  4. Формирование каналов прямого внедрения научных разработок в практическую медицину и т.д.

Пользователи (МО и органы территориального управления системой здравоохранения):

  1. Ускоренный переход на качественно новый уровень информационной поддержки (экспертные и прогностические системы, использование задач с функциями искусственного интеллекта и пр.);
  2. Оптимизация структуры и качества загрузки ресурсов;
  3. Развитие направлений, актуальных для модернизации методов оказания услуг населению;
  4. Дополнительная прибыль от внедрения в практику новых медицинских технологий и методик, в разработке, тестировании и адаптации которых принимали участие сотрудники медицинской организации;
  5. Устранение рисков, связанных с попытками самостоятельных (не санкционированных Разработчиком) изменений, вносимых в структуру данных, или в функционал МИС;
  6. Приоритетное развитие направлений информационного обеспечения задач и бизнес-​процессов, актуальных для МО и пр.

Разработчики:

  1. Обеспечение устойчивой загруженности имеющихся ресурсов и формирование предпосылок для расширения штатной структуры организации;
  2. Оптимизация состава востребованных рынком задач, связанных с эксплуатацией МИС;
  3. Ускорение процессов стандартизации структуры хранения и методов обработки первичных записей, формируемых процессами эксплуатации МИС;
  4. Повышение эффективности и результативности использования информационного потенциала МИС;
  5. Возможность быстрейшего внедрения в состав медицинских информационных систем новейших методических разработок, полученных в результате последних научных исследований;
  6. Снижение затрат на расширение функционала МИС, не имеющего перспектив развития;
  7. Повышение конкурентоспособности МИС на международном рынке ПО и т.д.

В заключение хотелось бы еще раз подчеркнуть, что подходы к использованию информационного потенциала медицинских информационных систем в научных исследованиях необходимо рассматривать в качестве самостоятельного направления развития, не связанного с задачами внедрения, настройки и сопровождения МИС. Специфика научного поиска весьма далека от проблем оптимизации стандартных бизнес-​процессов предоставления медицинских услуг населению и вопросов текущего планирования и управления МО. 

Наши люди: Всероссийский центр экстренной и радиационной медицины им. А.М. Никифорова

ВЦЭРМ — первые среди наших клиентов, кто получил шестой уровень сертификации по шкале EMRAM HIMSS Analytics, а точнее, вообще первые среди стран Восточной Европы и СНГ, кто получил сертификат HIMSS. Год спустя именно ВЦЭРМ станет принимающей стороной для первой российской конференции, посвященной HIMSS, снова подтвердив репутацию отличника на пути медицинской информатизации. 

Начало

Но обо всем по порядку. ФГБУ «Всероссийский центр экстренной и радиационной медицины им. А.М. Никифорова» МЧС России — многопрофильное лечебно-​диагностическое учреждение по оказанию специализированной высокотехнологичной медицинской помощи в условиях поликлиники, дневного и круглосуточного стационара, а также научный и образовательный центр.

История ВЦЭРМ началась в 1997 году с небольшой (120 койко-​мест) клиники в центре Петербурга. Вскоре к ней добавился масштабный комплекс в Приморском районе; сейчас это поликлиника и два стационара общей вместимостью 530 койко-​мест. В штате 900+ врачей и медсестер, из них 60 докторов (медицинских, биологических, психологических) наук, 35 профессоров и более 110 кандидатов наук. Высшую и первую квалификационную категорию имеет 70% медицинского персонала. 

Еще немного цифр: за прошедший 2018 год через ВЦЭРМ прошло 15000+ стационарных пациентов: было проведено 150000+ амбулаторных посещений и 9000+ операций. Центр предлагает более 5000 видов медицинских услуг, сотрудничает со Всемирной организацией здравоохранения по проблемам лечения и реабилитации участников ликвидации последствий ядерных и других аварий и катастроф. 

Нормально, что с такими цифрами и темпами развития ВЦЭРМ стали одними из первых, кто приступил к переходу на современную информационную медицинскую систему. 

Этапы информатизации

Начинали с размахом — с попытки создать собственную МИС. Но эти разработки быстро прекратились: стало понятно, что отдельно взятой клинике сделать в одиночку хорошую систему не по силам, а главное — в этом нет необходимости, потому что хорошую систему разумнее приобрести, а не придумать.

Австралийскую информационную систему MedTrack ВЦЭРМ выбрали в 1999 году, и к 2001 году запустили ее в эксплуатацию. Следующее десятилетие, пока коллеги из других клиник составляли пазлы из нескольких информационных компонентов, медики ВЦЭРМ работали с мощной полнофункциональной информационной системой и неплохо освоились с форматом. 

И все-​таки австралийский продукт не во всем отвечал запросам российского здравоохранения, потому в 2010 году, чуть ли не впервые в стране, ВЦЭРМ совершили акт импортозамещения и перешли к полностью отечественной разработке, с которой вы уже знакомы: к системе МИС qMS.

Особенности национального подхода

Сейчас, когда переход к бережливой медицине продвигается на государственном уровне, в информатизацию включились даже те, кто не очень-​то и хотел. Побочка удручающая: клиники используют не более 10% функций в современных МИС, словно ведение документации в компьютере не способно ничего, кроме почерка, улучшить. 

Тогда же, двадцать и десять лет назад, за освоение МИС брались энтузиасты, уверенные, что информатизация прежде всего должна повышать качество медицинской услуги, а не просто обслуживать бюрократические процессы. В таких клиниках медицинская информационная система развивается параллельно собственно медицине, всегда оперативно реагируя на новшества, а иногда и предвосхищая их. ВЦЭРМ — именно этот случай. 

Пример номер один

Возьмем пример с тромбозом. Тромбоэмболия — одно из самых частых послеоперационных осложнений, и специалистам ВЦЭРМ такая статистика не нравилась. Простая в составлении статистика осложнений — тоже, кстати, преимущество использования МИС, но преимущество в таком воплощении сугубо научное: эти данные принесут пользу в долгосрочной перспективе, а тем людям, на которых они собраны — уже нет. Хочется же, чтобы в срок и без тромбозов выписывались сегодняшние реальные пациенты. 

И вот здесь наступает момент, когда способности МИС — МИС qMS в данном случае — должны быть дополнены запросом от медиков. У ВЦЭРМа такой запрос был, и в результате разработчики реализовали протокол оценки риска развития тромбоза глубоких вен, а потом внедрили правило: любой врач, резервирующий операционную на следующий день, обязан этот протокол заполнять. 

Иными словами, систему научили заниматься анализом послеоперационных рисков не постфактум, а еще до оперативного вмешательства. По результатам анализа протокола риска развития тромбоза qMS сама дает рекомендации, что нужно сделать при высоком, среднем и низком риске. Информация сохраняется в медицинской карте, врач и медсестры этим рекомендациям обязаны следовать. 

После запуска этого протокола количество послеоперационных осложнений, связанных с тромбозами, сократилось на треть. То есть живых довольных людей, выписавшихся без осложнений, стало на треть больше. И это куда мощнее, чем просто наведение порядка в документах, хотя без последнего для принятия успешных решений у медиков просто не будет сил. 

Пример номер два

Система qMS позволяет вовлечь в улучшение качества медицинского обслуживания не только врачей, но и средний медперсонал. Это очень ценно: лечащий врач видит пациента около получаса в день и лишь пять дней в неделю, а вот медсестры находятся с ним в режиме 24Х7, то есть процесс выздоровления зависит именно от их ухода. 

Когда во ВЦЭРМе возникла проблема пролежней, было принято решение составить протокол для медсестер: разработали инструмент, который риски развития пролежней прогнозирует. 

При поступлении нового пациента на пост медсестра должна в обязательном порядке провести для него оценку риска возникновения пролежней, вне зависимости от того, поступил ли пациент с улицы, вернулся из реанимации или переведен из другого отделения. По результатам теста система выдает рекомендации по уходу за пациентом: пролежней еще нет, но работа по профилактике уже идет, и не хаотично-​интуитивная, а в соответствие с расчетами. В итоге противопролежневый матрас оказывается не где попало, а на койке того пациента, кто попал в высокую зону риска. 

Казалось бы, простейшая процедура, всего лишь обязательное включение заполнения протокола при приеме. Однако в результате проблема пролежней была решена полностью, что означает сокращение сроков госпитализации, экономию человеческих и медикаментозных ресурсов, а также дополнительную защиту от других осложнений. 

Почему это хорошо?

По сути, система оптимизирует распределение внимания специалиста, освобождая его от россыпи простых, но изнурительных решений в пользу решений серьезных. О простых решениях больше думать не надо, потому что алгоритм их принятия прописан в протоколе, и теперь в соответствие с потребностями пациента действия медика регламентируются указаниями системы. Причем в зависимости от нужд конкретной больницы или клиники протоколы могут быть совершенно разными: qMS умеет легко и в неограниченном количестве их конструировать, лишь бы у клиента был на это запрос.

Нас, разработчиков, расстраивает, что далеко не каждое медицинское учреждение интересуется такими возможностями системы. Конечно, микроскоп можно использовать как пресс-​папье, ничего плохого в этом нет, но создателям микроскопа было бы приятнее, если бы с его помощью искали вакцину от рака, а не защищали бумаги от сквозняка. 

Искать вакцину от рака qMS пока не умеет, но отследить исполнение маршрута лечения для больного с подозрением на онкологию — легко, а это, возможно, спасет не одну жизнь. 

Нет универсального способа, позволяющего измерять способности МИС не отчетными формами, а здоровыми людьми. Но современная МИС включает в себя сотни функций, предназначенных именно для того, чтобы количество здоровых людей увеличивалось. И очень важно, чтобы медицинское учреждение стремилось эти функции осваивать, как в примере со ВЦЭРМ, потому что медицинская информационная система — это куда больше, чем только электронное средство борьбы с бюрократией. 

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.