Искусственный разум МИС qMS

Технологии искусственного интеллекта все больше завоевывают позиции в повседневной жизни и работе. Применение ИИ в здравоохранении тоже уже никого не удивляет. По оценкам SuperJob россияне стали более позитивно оценивать возможности искусственного интеллекта в диагностике и лечении заболеваний в целом. Безусловно, нейросети в ближайшее время не заменят врачей, но могут стать помощниками в их работе. В «СП.АРМ» внимательно следят за технологичными трендами и направлениями цифровизации. Разработчики МИС qMS реализовали несколько проектов по машинному обучению системы и сегодня мы хотим о них рассказать.

Прогнозирование смертности

Первые попытки использовать ИИ в своих решениях специалисты «СП.АРМ» предприняли вместе с командой Национального медицинского исследовательского центра имени В. А. Алмазова. Основываясь на данных анамнеза, лабораторных и инструментальных обследований пациентов с диагнозом COVID-19, полученных при поступлении и в первые 72 часа пребывания в инфекционном стационаре, эксперты НМИЦ им. Алмазова получили калькулятор прогнозирования неблагоприятного, в том числе летального, исхода.

Команда «СП.АРМ» отвечала за машинное обучение на основе данных, собранных врачами, и создание статусов с разными наборами данных, которые рассчитывают риск неблагоприятного течения болезни. Далее научные изыскания и валидацию результатов на тестовых базах и базах других медучреждений провели специалисты НМИЦ, используя в том числе функциональность МИС qMS. Итоги масштабного проекта были представлены на конференции ИТМ AI-2023.

Алгоритм расчета с помощью технологии машинного обучения продемонстрировал высокую чувствительность (0.842) и специфичность (0.846) и превзошел обычно используемую систему оценки. Он способен обнаруживать на 11% больше пациентов в группе риска при одновременном снижении ложноположительных результатов.

Прогнозирование длительности госпитализации

Второй проект, реализованный «СП.АРМ» на основе машинного обучения, – интеллектуальное определение длительности предстоящей госпитализации. Решение помогает оптимизировать использование коечного фонда в стационарах.

Прогнозы по срокам госпитализации, как правило, строятся эмпирическим путем с учетом опыта лечения того или иного заболевания. Разработанный алгоритм позволяет делать их на основании входящей информации о пациенте: диагноза, пола, возраста и других данных, собираемых при поступлении в больницу. Опираясь на них, МИС прогнозирует, сколько дней пациент предположительно будет занимать койку.

По умолчанию продолжительность пребывания составляет некое количество дней. При тестировании функциональности выяснилось, что если опираться на эту цифру и использовать систему интеллектуального определения продолжительности предстоящего лечения, то больница сможет принимать пациентов на 18% больше обычного количества. Ожидаемая точность алгоритма на практике – порядка 93%. Решение можно развернуть на базе любой медицинской организации.

Кодирование диагноза кодами МКБ

Еще один успешный проект по использованию технологий ИИ – подбор кода МКБ по клиническом диагнозу. Первые изыскания велись в партнерстве с одной из западных компаний. Финальные этапы проекта и тестирование специалисты «СП.АРМ» вели уже самостоятельно.

Система, разработанная на основе лингвистических алгоритмов, позволяет определить наиболее подходящий код МКБ опираясь на клинический диагноз. Врач может его либо подтвердить, либо поставить свой вариант. Такое решение будет удобно в использовании для всех медорганизаций и медиков.

Новая функциональность станет доступна массовому пользователю в весеннем релизе МИС qMS – в новом интерфейсе компонента «Диагноз».

Прогнозирование сепсиса

Партнер и клиент «СП.АРМ» – «Всероссийский центр экстренной и радиационной медицины имени А.М. Никифорова» МЧС России – тоже запустил проект по использованию в работе машинного обучения. В его рамках программисты «СП.АРМ» разработали алгоритм предсказания септических состояний у пациентов в стационаре, которые крайне важно не пропустить. Он также работает на базе qMS – система на основе маркеров историй болезней и витальных параметров, позволяющих предсказать наступление сепсиса, информирует врачей о возможном осложнении у пациента.

Машинное обучение – кропотливая работа, много времени уходит именно на постановку гипотез, подбор данных для обучения алгоритмов, дальнейшие проверки и тестирование. Но это перспективное направление, открывающие перед разработчиками медицинских информационных систем новые возможности. Поэтому, важно следить за такими трендами, чтобы не отставать от прогресса и не терять конкурентных преимуществ. Новые инструменты МИС qMS упрощают работу прежде всего врачей и служат на благо пациентов. Определение кодов МКБ минимизирует возможность ошибок при заполнении документации, а прогнозирование сроков госпитализации улучшает использование имеющихся материальных и человеческих ресурсов.

Вадим Жук, медицинский советник, руководитель медико-аналитического отдела компании «СП.АРМ