Ontological Shell for Constructing Services for Forecasting and Assessing Patients' Conditions

Capa

Citar

Texto integral

Resumo

The paper describes a cloud shell for creating risk assessment systems and predicting the patient's condition based on information from an electronic medical record or other document. The shell integrates various methods and approaches for solving such problems, providing a means of declarative description of the rules for interpreting trained predictive models and knowledge about the dynamics of disease development to generate a detailed explanation. The shell allows you to "collect" in the service for a group of diseases or a section of medicine of interest those implementations of methods for assessing risks and predicting conditions and those knowledge bases about the pathogenesis of diseases that doctors are ready to trust.

Texto integral

Acesso é fechado

Sobre autores

Valeria Gribova

Institute of Automation and Control Processes, Far Eastern Branch of the Russian Academy of Sciences; Far Eastern Federal University

Email: gribova@iacp.dvo.ru

Doctor of technical sciences, corresponding member of RAS. Research Deputy Director

Rússia, Vladivostok; Vladivostok

Elena Shalfeeva

Institute of Automation and Control Processes, Far Eastern Branch of the Russian Academy of Sciences; Far Eastern Federal University

Autor responsável pela correspondência
Email: shalf@iacp.dvo.ru

Doctor of technical sciences, docent. Leading researcher

Vladivostok; Vladivostok

Bibliografia

  1. Gusev A. 2020. Validatsiya i testirovanie prognosticheskikh modeley: prishlo vremya menyat' podkhody [Validation and testing of predictive models: it's time to change approaches]. // Electronic resource. URL: https://webiomed.ru/blog/validatsiia-i-testirovanieprognostcheskikh-modelei (accessed September 1, 2022).
  2. Adibi A., Sadatsafavi M. and Ioannidis J.P. 2020. Validation and Utility Testing of Clinical Prediction Models: Time to Change the Approach. JAMA. 324(3):235–236. doi: 10.1001/jama.2020.1230.
  3. Khalafyan, A.A., Karakhalis, L.Yu., Papova, N.S., Akinshina, V.A., and Koshkarov, A.A. 2018. Prognozirovaniye stadii rasprostraneniya zabolevaniya u patsiyentov, stradayushchikh adenomiozom, neyronnymi setyami [Predicting the stage of the spread of the disease in patients suffering from adenomyosis, neural networks]. Vrach i informatsionnye tekhnologii [Information technologies for the Physician]. 4: 67-74.
  4. Saigitov, R.T., Glezer, M.G., Sementsov, D.P., Kostomarova, I.V., and Malygina, N.A. 2006. Prognozirovaniye gospital'nykh iskhodov pri ostrom koronarnom sindrome [Prediction of hospital outcomes in acute coronary syndrome]. Rossiyskiy kardiologicheskiy zhurnal [Russian Journal of Cardiology]. 2 (58): 42-49.
  5. Klimov, V., Evsyukov, A., Amelina, E., Ryabykh, S., and Simonovich, A. 2022. Predictors of Complications and Unfavorable Outcomes of Minimally Invasive Surgery Treatment in Elderly Patients With Degenerative Lumbar Spine Pathologies (Case Series). Frontiers in Surgery. 9:869345.
  6. Klimontov, V.V., Berikov, V.B., and Saik, O.V. 2021. Iskusstvennyy intellekt v diabetologii [Artificial intelligence in diabetology]. Sakharni Diabet [Diabetes mellitus]. 24(2):156-166.
  7. Nedelko, S.V. 2008. Adaptivnoye prognozirovaniye mnogomernogo vremennogo ryada [Adaptive forecasting of multivariate time series]. Tavricheskiy vestnik informatiki i matematiki [Tauride Journal of Computer Science Theory and Mathematics]. 2:104-110.
  8. Medeiros, F.A., Weinreb, R.N., Sample, P.A., Gomi, C.F., Bowd, C., Crowston, J.G., and Zangwill, L.M. 2005. Validation of a predictive model to estimate the risk of conversion from ocular hypertension to glaucoma. Archives of ophthalmology. 123(10), 1351-1360.
  9. Litvinenko, V.I. 1997. Modeli obrabotki nepolnoy i protivorechivoy informatsii v diagnosticheskikh sistemakh [Models for processing incomplete and contradictory information in diagnostic systems]. Cand. tech. sc. Diss. Kherson. 201 p.
  10. Tarasova, S.A. 2014. Prognozirovaniye v klinicheskoy meditsine [Forecasting in clinical medicine]. Innovatsii v nauke [Innovations in science]. 30 (2): 57–61.
  11. Metod keysov [Case study method]. // Electronic resource. URL: https://evolkov.net/case/case.study.html (accessed September 1, 2022).
  12. Eremeev, A.P., Varshavsky, P.R., and Kurylenko, I.E. 2012. Modelirovaniye vremennykh zavisimostey v intellektual'nykh sistemakh podderzhki prinyatiya resheniy na osnove pretsedentov [Modeling of time dependencies in intelligent decision support systems based on precedents]. Information technologies and knowledge. 3(6):279-294.
  13. Gribova, V.V., Petryaeva, M.V., Okun, D.B., Moskalenko, F.M., and Shalfeeva, E.A. 2019. Baza meditsinskoy terminologii i nablyudeniy [Base of medical terminology and observations]. Certificate of registration of the database RU 2019621179, 04.07.2019.
  14. Gribova, V.V., Kleshchev, A.S., Moskalenko, F.M., Timchenko, V.A., Fedorishchev, L.A., and Shalfeeva, E.A. 2018. Oblachnaya platforma IACPaaS dlya razrabotki obolochek intellektual'nykh servisov: sostoyaniye i perspektivy razvitiya [Cloud platform IACPaaS for the development of shells of intelligent services: state of the art and development prospects]. Programmnyye produkty i sistemy [Software products and systems]. 3(31): 527-536.
  15. Rybina, G.V., and Smirnov, V.V. 2005, Verifikatsiya baz znaniy v integrirovannykh ekspertnykh sistemakh [Verification of knowledge bases in integrated expert systems]. Novosti iskusstvennogo intellekta [News of artificial intelligence] 3:7-19.

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar
2. Fig. 1. Structure for representing the relationship between the development of pathology and observations and influencing factors

Baixar (1MB)
Metadados
3. Fig. 2. Fragment of the input data ontology

Baixar (1MB)
Metadados
4. Fig. 3. Screenshots of knowledge fragments about the relationship between disease risks and their indicators and the relationship between observations and factors in changing periods

Baixar (2MB)
Metadados
5. Fig. 4. Example of a report on the forecast of conditions and calculation of risks

Baixar (1MB)
Metadados

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».