Онтологическая оболочка для конструирования сервисов прогноза и оценки состояний пациентов

Обложка

Цитировать

Полный текст

Аннотация

В работе дается описание облачной оболочки для создания систем оценки рисков и прогноза состояния пациента. В ней интегрированы различные методы и подходы для решения таких задач и семантические модели электронных медицинских документов. Предоставлены средства декларативного описания правил интерпретации обученных прогнозных моделей и знаний о динамике развития заболеваний. С ними связана семантическая структура для генерации детализированного объяснения. Оболочка позволяет «собрать» в сервисе для интересующей группы заболеваний или раздела медицины те реализации методов оценки рисков и прогноза состояний и те базы знаний о патогенезе заболеваний, которым врачи готовы доверять.

Полный текст

Доступ закрыт

Об авторах

Валерия Викторовна Грибова

Институт автоматики и процессов управления Дальневосточного отделения РАН; Дальневосточный федеральный университет

Email: gribova@iacp.dvo.ru

Доктор технических наук, член-корреспондент РАН. Зам. директора по научной работе

Россия, Владивосток; Владивосток

Елена Арефьевна Шалфеева

Институт автоматики и процессов управления Дальневосточного отделения РАН; Дальневосточный федеральный университет

Автор, ответственный за переписку.
Email: shalf@iacp.dvo.ru

Доктор технических наук, доцент. Старший научный сотрудник

Владивосток; Владивосток

Список литературы

  1. Гусев А. Валидация и тестирование прогностических моделей: пришло время менять подходы. // Electronic resource. URL: https://webiomed.ru/blog/validatsiia-i-testirovanieprognostcheskikh-modelei (дата обращения 1 сентября 2022).
  2. Adibi A., Sadatsafavi M., Ioannidis J.P.A. Validation and Utility Testing of Clinical Prediction Models: Time to Change the Approach. JAMA. 2020.324(3). Р.235–236.
  3. Халафян А.А. и др. Прогнозирование стадии распространения заболевания у пациентов, страдающих аденомиозом, нейронными сетями // Врач и информационные технологии. 2018. №4. С.67-74.
  4. Сайгитов Р.Т. и др. Прогнозирование госпитальных исходов при остром коронарном синдроме // Российский кардиологический журнал. 2006, № 2 (58). С.42–49.
  5. Klimov V., et al. Predictors of Complications and Unfavorable Outcomes of Minimally Invasive Surgery Treatment in Elderly Patients With Degenerative Lumbar Spine Pathologies (Case Series). Frontiers in Surgery. 2022. 9:869345.
  6. Климонтов В.В., Бериков В.Б., Сайк О.В. Искусственный интеллект в диабетологии // Сахарный диабет. 2021. Т. 24. №2. С. 156–166.
  7. Неделько С.В. Адаптивное прогнозирование многомерного временного ряда // Таврический вестник информатики и математики. 2008. №2. С. 104–110.
  8. Medeiros F.A., et al. Validation of a predictive model to estimate the risk of conversion from ocular hypertension to glaucoma. Archives of ophthalmology. 2005. 123(10). Р. 1351-1360.
  9. Литвиненко В.И. Модели обработки неполной и противоречивой информации в диагностических системах: Дис. …канд. техн. наук: 05.13.06 / Херсонский гос. технический ун-т.-Херсон, 1997. 201c.
  10. Тарасова С.А. Прогнозирование в клинической медицине // Инновации в науке. 2014. № 30 (2). С. 57–61.
  11. Метод кейсов (case study). // Electronic resource. URL: https://evolkov.net/case/case.study.html (дата обращения 1 сентября 2022).
  12. Еремеев А.П., Варшавский П.Р., Куриленко И.Е. Моделирование временных зависимостей в интеллектуальных системах поддержки принятия решений на основе прецедентов // Журнал «Information technologies and knowledge». 2012.Т. 6. № 3. С. 279–294.
  13. Грибова В.В. и др. База медицинской терминологии и наблюдений. Свидетельство о регистрации базы данных RU 2019621179, 04.07.2019.
  14. Грибова В.В. и др. Облачная платформа IACPaaS для разработки оболочек интеллектуальных сервисов: состояние и перспективы развития // Программные продукты и системы. 2018. Т. 31. № 3. С. 527–536.
  15. Рыбина Г.В., Смирнов В.В. Верификация баз знаний в интегрированных экспертных системах // Новости искусственного интеллекта. 2005. № 3. C. 7–19.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Структура для представления взаимосвязи развития патологии с наблюдениями и влияющими факторами

Скачать (1MB)
Метаданные
3. Рис. 2. Фрагмент онтологии входных данных

Скачать (1MB)
Метаданные
4. Рис. 3. Скриншоты фрагментов знаний о связи рисков заболеваний с их показателями и взаимосвязи наблюдений и факторов в сменяемые периоды

Скачать (2MB)
Метаданные
5. Рис. 4. Пример отчета о прогнозе состояний и вычислении рисков

Скачать (1MB)
Метаданные

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».