Введение

Прирост объема медицинских данных составляет около 48% в год [1], что обязывает врача эффективно и быстро работать с обновляющейся информацией, адаптируя практику под текущие стандарты. Использование врачом всех инструментов доказательной медицины для полной оценки всех параметров состояния здоровья, требуемых для формирования верной тактики, затрудняется дефицитом времени. Применение данных электронной медицинской карты (ЭМК) является важным подходом в технологиях цифровизации здравоохранения [2, 3]. В 2020 г. была одобрена глобальная стратегия цифрового здравоохранения под эгидой Всемирной организации здравоохранения на 2020—2025 гг., которая создает основу для продвижения цифровых инструментов [4].

Целью статьи является рассмотрение современных направлений и инструментов цифровизации здравоохранения, обзор функций сервисов поддержки принятия врачебных решений (СППВР). Подробно обсуждены возможности отечественного СППВР MedicBK, разработанного для пациентов с болезнями системы кровообращения (БСК).

Материал и методы

Поиск статей был проведен в базах данных PubMed, Web of Science, ScienceDirect, E-library без ограничений по дате публикации. При поиске литературы использовались следующие ключевые слова: «цифровизация здравоохранения», «сервис поддержки принятия врачебных решений», «искусственный интеллект», «сердечно-сосудистые заболевания», «персонализированная медицина», «digital medicine», «clinical decision support system», «artificial intelligence», «cardiovascular diseases», «personalized medicine». Использованы источники, опубликованные с 2008 по 2023 г.

Технологии цифровизации здравоохранения. Электронные медицинские карты и СППВР

Медицинские информационные системы (МИС) и ЭМК широко используются в России и, кроме очевидных преимуществ, таких как стандартизация, доступность и прозрачность данных, обладают растущим потенциалом в качестве источника биомедицинских исследований и аналитики больших данных реальной клинической практики [5, 6].

Вторичное использование данных ЭМК в кардиологии занимает значимое место в научном ландшафте [7—10]. Несмотря на преимущества использования единых, разработанных профильными профессиональными сообществами подходов, известно о недостаточно широком применении клинических рекомендаций в рутинной практике [11, 12]. СППВР предлагают врачам структурированную информацию и рекомендации для конкретного пациента, повышая приверженность врачей к клиническим рекомендациям. Использование СППВР снижает частоту ошибок диагностики и лечения, обеспечивает врачу доступ к достоверной релевантной клинической информации в одном месте, что повышает качество и скорость принятия правильных решений врачом [13].

Недавнее исследование BETTER CARE-HF (Building Electronic Tools to Enhance and Reinforce Cardiovascular Recommendations for Heart Failure) показало преимущества применения СППВР в практике ведения пациентов с хронической сердечной недостаточностью со сниженной фракцией выброса (ХСНнФВ) левого желудочка [14]. Было показано, что оповещение в МИС более чем удвоило количество назначений антагонистов минералокортикоидных рецепторов пациентам с ХСНнФВ по сравнению с рутинной практикой (отношение рисков (ОР) 2,53; 95% доверительный интервал (ДИ) 1,77—3,62; p<0,0001) [14].

Еще одна технология цифровизации — это искусственный интеллект (ИИ), который быстро становится неотъемлемой частью современного здравоохранения [15]. В алгоритмах ИИ используются модели машинного обучения для поиска медицинских данных, получения информации и прогнозирования параметров, заболеваний, исходов. В настоящее время наиболее распространенная функция ИИ в медицине — поддержка принятия врачебных решений по анализу изображений. Систематический обзор 53 исследований показывает, что СППВР с поддержкой ИИ при правильном внедрении могут помочь повысить безопасность пациентов за счет обнаружения ошибок, стратификации рисков пациентов и назначений лекарственных препаратов [16].

ИИ также используется для прогнозирования заболеваний и их осложнений. Была разработана модель машинного обучения на основании концентрации сердечного тропонина и других клинических параметров пациентов с ОКС. В отличие от пороговых значений тропонина она вычисляет индивидуальную вероятность инфаркта миокарда (ИМ) по шкале (0—100). Модель отлично распознавала ИМ (площадь под кривой 0,953; 95% ДИ 0,947—0,958), показала хорошие результаты в подгруппах и выявила больше пациентов с ИМ из группы с его низкой вероятностью по оценке фиксированных пороговых значений сердечного тропонина (61 против 27%) [17]. Также методы машинного обучения демонстрируют большой потенциал в диагностике ИМ по данным электрокардиографии. Две модели глубокого обучения были обучены на 713 447 образцах электрокардиограмм и сопутствующих данных (база данных ECG-ViEW II). Точность прогнозирования достигала 89,9, 84,6, 97,5% для подходов машинного обучения соответственно [18]. Было показано, что модели ИИ при использовании данных из ЭМК могут предсказывать развитие ХСН за два года до установки диагноза, достигая точности до 83% [19].

Машинное обучение может лучше предсказывать сердечно-сосудистые осложнения у бессимптомных лиц по сравнению со стандартными шкалами сердечно-сосудистого риска. Участники исследования MESA (Multi-Ethnic Study of Atherosclerosis) [20] наблюдались в течение 12 лет с целью прогнозирования сердечно-сосудистых событий моделями машинного обучения. По результатам визуализирующих и неинвазивных тестов, анкетирования и исследования биомаркеров было получено 735 переменных с различной силой предикции сердечно-сосудистых заболеваний и осложнений. Машинное обучение в сочетании с глубоким фенотипированием повышает точность прогнозирования сердечно-сосудистых событий в изначально бессимптомной популяции [21]. Модели прогнозирования сердечно-сосудистых заболеваний у бессимптомных лиц показывают точность до 88% [22]. Улучшение точности прогнозирования по сравнению со шкалами риска Framingham risk score, SCORE и QRISK3 показали модели, обученные на корейской популяции (n=222 998, возраст 40—79 лет), где участники не получали гиполипидемическую терапию и не имели в анамнезе сердечно-сосудистых заболеваний [23].

Несмотря на перспективность применения ИИ в медицине, необходимы дальнейшие исследования эффективности и безопасности.

Для работы как алгоритмов СППВР, так и ИИ, необходимы исходные данные, их источником чаще всего выступает ЭМК, содержащая совокупность медицинских сведений о пациенте, включая записи врача и других медицинских сотрудников, данные из лабораторных информационных систем и других баз данных или регистров в зависимости от степени цифровизации и взаимной интеграции разных источников данных. В медицинских материалах широко используется профессиональная медицинская терминология, зачастую отсутствует структура, присутствует синтаксический шум, синонимия и неоднозначность, опечатки, типичные и нетипичные аббревиатуры и сокращения [24]. Существуют различные подходы к обработке текстовых данных на естественном языке в целом, но в настоящий момент нет подхода для обработки текстовых медицинских данных на русском языке. Самыми частыми являются подходы на основе статистического анализа [25], построения графовых моделей [26], использования обучаемых языковых моделей [27]. Извлечение медицинских сущностей в зависимости от контекста, в том числе заболеваний, позволит структурировать данные реальной клинической практики и применять их для качественной аналитики и обучения моделей ИИ.

Стандартом обмена медицинской информацией в настоящее время является Fast Healthcare Interoperability Resources (FHIR, ресурсы быстрого взаимодействия в сфере здравоохранения) и Health Level 7 (HL7, базовый протокол для обмена медицинскими данными), которые описывают форматы медицинских данных и обмен этими данными через REST API (Representational state transfer, архитектурный стиль взаимодействия компонентов распределенного приложения в сети); они унифицируют обмен данными между МИС и внутри них и обеспечивают доступ к медицинским данным с различных устройств и сервисов [28]. Для регламентации обмена данными в России существуют единые цифровые федеральные сервисы: РЭМД — реестр электронных медицинских документов, ФРМР/ФРМО — реестр медицинских работников и медицинских организаций, ФНСИ — единые федеральные справочники, ВИМИС — вертикально-интегрированные МИС, Федеральная аналитическая подсистема и другие, использование которых является обязательным для медицинских организаций и врачей. Применение таких сервисов позволяет обеспечивать возможность онлайн-курирования пациентов на всех уровнях оказания медицинской помощи, способствует преемственности и повышению качества. Необходимы цифровые инструменты для объединения различных типов документов и формирования цифрового профиля пациента с доступом к цифровым алгоритмам клинических рекомендаций. Обработка подготовленных структурированных данных может позволить организаторам здравоохранения проводить оперативный мониторинг показателей, контроль и оптимизацию маршрутизации пациентов, сбор и анализ медико-статистических показателей, принятие управленческих решений.

Отечественный СППВР для пациентов с БСК

В настоящее время представлены следующие отечественные решения в области цифровизации здравоохранения и ИИ:

— СППВР MedicBK (ООО «Медикбук») — включена в перечень медицинских изделий, основанных на технологиях ИИ Росздравнадзора.

— Программное обеспечение «Система поддержки принятия врачебных решений для прогнозирования ТОП-3 диагнозов на основе данных электронной истории болезни» (ООО «К-Скай») — включено в перечень медицинских изделий, базирующихся на технологиях ИИ Росздравнадзора.

— Программное обеспечение «Система для поддержки принятия врачебных решений WEBIOMED (разработчик «К-Скай») — включено в перечень медицинских изделий, основанных на технологиях ИИ Росздравнадзора.

— Система поддержки принятия врачебных решений Galenos — нет в списке одобренных Реестром зарегистрированных медицинских изделий с ИИ (ООО «ТехЛАБ»); включена в перечень медицинских изделий, основанных на технологиях ИИ Росздравнадзора.

— СППВР «Электронный Клинический Фармаколог» (АО «СОЦМЕДИКА») — отсутствует в перечне медицинских изделий, основанных на технологиях ИИ Росздравнадзора.

— Система поддержки принятия врачебных решений Panacea (компания Panacea) — отсутствует в перечне медицинских изделий, основанных на технологиях ИИ Росздравнадзора.

СППВР MedicBK разработан для пациентов с БСК и способен создавать цифровой профиль пациента и проводить аналитику больших данных. СППВР содержит оцифрованные алгоритмы клинических рекомендаций по ведению пациентов с артериальной гипертензией (АГ), фибрилляцией предсердий (ФП), ХСН, ишемической болезнью сердца (ИБС) и нарушениями липидного обмена (НЛО) и их сочетаний. СППВР является программным обеспечением — медицинским изделием (РУ №РЗН 2022/17344 от 03.06.2022, приказ от 27.12.2022 №12206) и предназначен для использования врачами терапевтами, кардиологами, неврологами в рутинной клинической практике. В исследовании ИНТЕЛЛЕКТ было показано, что при использовании СППВР врачи на 15% чаще назначали новые пероральные антикоагулянты и на 14% реже — варфарин пациентам с ФП по сравнению с назначениями врачей без использования СППВР. Кроме того, при применении СППВР врачи на 32% чаще назначали катетерную абляцию устьев легочных вен пациентам с ФП, а пациентам с АГ чаще назначали двойную и тройную антигипертензивную терапию [29]. В другом исследовании — СЕЛЕКТ ФП — применение СППВР для ретроспективного анализа пациентов после выполнения процедуры катетерной абляции продемонстрировано, что в реальной практике у существенной доли больных, направляемых на катетерные аблации по поводу ФП, имеются риски рецидива нарушений ритма в послеоперационном периоде [30].

Детекция и интерпретация данных из ЭМК

Обмен данными из ЭМК с СППВР осуществляется в рамках интеграции СППВР в МИС. Для интерпретации клинических данных выполняется детекция — извлечение параметров пациента из структурированных и неструктурированных (текстовых) данных ЭМК. Детекция проводится с применением алгоритмов и с помощью технологий ИИ, включающих рекуррентные (RNN), сверточные (CNN), глубокие с многослойными персептронами (MLP) нейросети и нейросетевую архитектуру извлечения именованных сущностей (NER). При проверке моделей машинного обучения используются K-кратный метод перекрестной проверки, метод Монте-Карло. Применяемые подходы позволяют получать высокую точность детекции данных и соответствуют мировой практике [31, 32].

Извлеченные из ЭМК параметры формируют цифровой профиль пациента, который состоит более чем из 120 характеристик, если у пациента присутствуют все нозологии (АГ, ФП, ХСН, ИБС, НЛО), оцифрованные в СППВР. Цифровой профиль в СППВР представляет собой структурированный список параметров пациента, суммирующийся из его показателей в ЭМК. Врач существенно экономит время на поиск разрозненной информации в МИС, получая сводную таблицу с параметрами пациента и видом источника соответствующих данных. СППВР определяет наличие у пациента заболеваний не только по коду МКБ-10 (МКБ — международная классификация болезней) или формулировке клинического диагноза в виде текста, но и по клиническим признакам.

Автоматическая оценка рисков

В СППВР оцифрованы шкалы и калькуляторы, использующиеся в рутинной практике: SCORE, SCORE 2, SCORE-OP, шкала глобальной оценки 10-летнего сердечно-сосудистого риска, шкала CHA2DS2-VASc, шкала HAS BLED, шкала PRECISE-DAPT, калькулятор риска ишемических событий у пациентов с ИБС, уровень скорости клубочковой фильтрации (СКФ) по формуле CKD-EPI и клиренс креатинина (КК) по формуле Кокрофта–Голта, калькулятор индекса массы тела. Врачу не требуется самостоятельно вводить показатели, участвующие в расчетах, тем самым исключается вероятность ошибки ввода данных.

СППВР интерпретирует и определяет отклонения целевых и контролируемых показателей здоровья, например, превышение фактического уровня холестерина липопротеинов низкой плотности (ХС ЛНП) над индивидуальным целевым уровнем или значительное снижение СКФ или КК. Пример блока оценки риска представлен на рис. 1.

Рис. 1. Блок оценки рисков СППВР.

Кроме того, в СППВР оцифрованы показания к наблюдению пациентов с АГ, ФП, ХСН, ИБС, НЛО врачами различных специальностей — терапевтом или кардиологом — согласно Приказу Минздрава РФ №168н определяется приоритетная группа коморбидных пациентов для дыхательной недостаточности (ДН) [33].

Рекомендации по обследованию и прогнозирование с помощью ИИ

СППВР рекомендует дополнительные обследования пациентам с отсутствующими в ЭМК клинически значимыми параметрами, например, креатинин крови, предлагает консультацию нефролога при значимом снижении СКФ, КК, рекомендует режим контроля эффективности и безопасности гиполипидемической терапии согласно клиническим рекомендациям. Пациентам с ХСН и отсутствием данных об ФВ левого желудочка в ЭМК будет рекомендовано проведение эхокардиографии, пациенту с ХСН — исследование натрийуретических пептидов (BNP и NTproBNP).

В СППВР реализован модуль прогнозирования СКФ в случае невозможности расчета показателя в связи с отсутствием уровня креатинина в ЭМК больного. На основе модели ИИ с применением технологий глубокого машинного обучения система может прогнозировать снижение СКФ и рекомендовать дообследование.

Персонализированные рекомендации по тактике лечения

В СППВР для выбора комбинации препаратов для коморбидного пациента с сердечно-сосудистым заболеванием учитывается сопутствующая патология, результаты клинических и инструментальных методов обследований, а также итоги клинических международных исследований путем непрямого сравнения препаратов при помощи сетевого метаанализа. В большинстве классических метаанализов применяются сравнения лекарственного препарата исследования с другим препаратом или с плацебо. Однако для конкретного состояния обычно доступно несколько препаратов одной группы, и врачу необходимо иметь объективную оценку эффективности и безопасности альтернативных препаратов при сравнении их внутри группы. Сетевой метаанализ предоставляет возможность для такого непрямого сравнения [34]. Один из примеров данного подхода представлен в статье R.D. Lopes и соавт. по оценке различных подходов антитромботической терапии у пациентов с ФП, которым была выполнена процедура чрескожного коронарного стентирования [35]. Выбор антикоагулянтного препарата, его эффективность и безопасность, а также доза играют ключевую роль в стратегии профилактики тромбоэмболических осложнений у пациентов с ФП. СППВР позволяет сделать этот выбор осознанно, с учетом максимальной эффективности и безопасности для конкретного пациента (рис. 2).

Рис. 2. Индивидуальный выбор антикоагулянта на основании непрямого сравнения эффективности и безопасности на графике P-score.

Красным выделен возможный выбор препарата, который врач совершает самостоятельно, с учетом баланса эффективности и безопасности.

Так, при непрямом сравнении посредством сетевого метаанализа антикоагулянтов для данного пациента наиболее оптимальным препаратом выбора может быть апиксабан по 5 мг, с учетом баланса эффективности и безопасности. На графике P-score (рис. 2, справа) видно, что данный препарат по эффективности уступает лишь дабигатрану, при этом является самым безопасным для данного пациента. Статистические расчеты производятся автоматически при помощи программного обеспечения R 4.3.0 (библиотека tidyverse 2.0.0). При рекомендации стратегии лечения СППВР также учитывает ранее назначенную терапию и целевые показатели, на которые направлен тот или иной вид терапии.

Таким образом, индивидуальный подход выбора терапии, основанный на данных ЭМК и созданного цифрового профиля пациента, может позволить улучшить подходы к выбору терапевтического плана и максимально таргетно лечить пациентов с сердечно-сосудистыми заболеваниями, добиваясь целевых показателей здоровья.

Аналитические дашборды для автоматизации диспансерного наблюдения и оценки качества помощи

В СППВР реализован аналитический модуль со сводными данными по пациентам, которые доступны в аналитических дашбордах. Один из разделов дашбордов предоставляет аналитические данные для диспансерного наблюдения, которые отражают положения Приказа Минздрава РФ №168н «Об утверждении порядка проведения диспансерного наблюдения за взрослыми» от 15 марта 2022 г. Регламентированный доступ к дашбордам предоставляется в защищенной сети с рабочего компьютера врача или организатора здравоохранения.

Информация в дашбордах представлена в диаграммах с возможностью фильтрации, что позволяет сформировать списки пациентов по интересующим параметрам: нозологиям, перенесенным событиям, принимаемой терапии, достижению целевых показателей, клиническим признакам (например, низкая ФВ левого желудочка, анемия, тахикардия) и проч. Исходя из выбранных врачом данных с помощью фильтров параметров, платформа формирует списки пациентов на уровне региона, медицинского учреждения или врача (в зависимости от уровня доступа и желаемого масштаба), доступные для скачивания. Пациентов из списка можно пригласить к врачу для обследования и коррекции терапии. Для каждого пациента в аналитической платформе доступно заключение СППВР. Аналитические дашборды призваны повысить эффективность ДН, облегчая поиск пациентов с отсутствием исследований, отклонениями в контроле целевых параметров здоровья или в лечении. В дашбордах представлено несколько списков-графиков (разделов): модуль ДН, проактивное наблюдение после событий, модуль проактивного ДН пациентов с ХСН, модуль контроля качества.

Например, создание модуля «Проактивное наблюдение после событий» продиктовано практикой неоптимального наблюдения после сердечно-сосудистых событий. В данном модуле представлены диаграммы с уровнем ХС ЛНП у пациентов, перенесших острый коронарный синдром, ишемический инсульт, транзиторную ишемическую атаку в течение 12 мес (выше целевого уровня, ниже целевого уровня, уровень неизвестен), и диаграммы с видом текущей гиполипидемической терапии у этих пациентов (терапия статинами различной интенсивности, различная комбинированная гиполипидемическая терапия). Список отобранных пациентов можно скачать внизу страницы в формате XLS. При наведении курсора на определенные поля графиков врачу отображаются подсказки по дообследованию и коррекции терапии.

Модуль проактивного наблюдения пациентов с ХСН содержит графики с оценкой ФВ левого желудочка, натрийуретических пептидов у пациентов с ХСНнФВ, функционального класса ХСН по NYHA, наличие и отсутствие данных о прогноз-модифицирующей терапии в ЭМК. Последняя функция помогает планировать льготное лекарственное обеспечение определенными лекарственными средствами, оценивая количество пациентов с соответствующими показаниями.

Модуль контроля качества отображает соответствие текущей и оптимальной терапии у определенных когорт пациентов.

Заключение

Цифровизация — важный инструмент для решения масштабных современных задач, стоящих перед системой здравоохранения. СППВР и ИИ — технологии цифровизации здравоохранения, активно развивающиеся во всем мире. Перспективность этих подходов изучается и публикуются исследования, свидетельствующие об их пользе. Отечественное решение СППВР MedicBK с ИИ обладает широким функционалом как для врача, так и для организатора здравоохранения. Используя СППВР, врач на приеме получает цифровой профиль пациента и «подсказки» о рисках, тактике обследования и лечения в соответствии с клиническими рекомендациями, с учетом абсолютных и относительных противопоказаний, прогнозируемых с помощью ИИ отсутствующих важных параметров. Аналитическая платформа позволяет врачу и организатору здравоохранения работать с группами пациентов, осуществлять отбор пациентов без контроля целевых показателей здоровья, с высокими рисками, с неоптимальной терапией. Необходимо более широкое внедрение цифровых технологий в рутинную практику.

Конфликт интересов

Шангина А.М., Ефремова Ю.Е., Бойцов С.А. декларируют отсутствие явных и потенциальных конфликтов интересов, связанных с публикацией настоящей статьи. Бенимецкая К.С., Уранов А.Е., Ковалев Е.А., Михеенко И.Л., Лосик Д.В. работают по совместительству в ООО «МедикБук», при подготовке рукописи авторы сохранили независимость мнений.