Применение графов знаний для клинического мониторинга процесса лечения

Полный текст

Введение

Мониторинг состояния пациентов необходим для всех этапов лечебно-диагностического процесса. На этапе лечения мониторинг необходим для уточнения того, насколько полно и с необходимым результатом достигаются все цели лечения, нет ли осложнений и других нежелательных последствий от приёма медицинских препаратов или процедур, насколько хорошо используемые методики лечения согласуются между собой.

Мониторинг процесса лечения сложен для врача: часть необходимых для мониторинга параметров задаётся в клинических руководствах Минздрава (см. Рубрикатор КР[1]), которые регламентируют правила принятия клинических решений, например [1], и часть параметров принимается из фармакологических справочников (инструкций по применению лекарственных средств, ЛС). Учитывая количество заболеваний, которые «ведёт» врач, и ЛС, имеющих свои противопоказания, ограничения и особые условия приёма, становится очевидным, что врачебные ошибки² являются следствием огромного объёма информации, которое необходимо «обработать» врачу при принятии решений [2].

Для обеспечения взаимодействия врач - пациент необходимы программные средства мониторинга, которые могут дать обратную связь от пациента, при этом имеется ряд опасений, что врачи ещё больше будут загружены избыточной информацией [3-5]. Создание интеллектуальных средств мониторинга состояния пациентов позволит улучшить взаимодействие между пациентом и врачом с целью улучшения качества лечебного процесса.

Целью данной работы является создание онтологии для формирования графов знаний (ГЗ), предназначенных для проведения клинического мониторинга процесса лечения в системах поддержки принятия решений (СППР).

1 Виды мониторинга и источники знаний

1.1 Обзор решений медицинского мониторинга

Медицинский мониторинг включает использование различных методов и устройств для сбора данных о физиологических параметрах организма. Часто измерение показателей состояний пациента сопровождается измерениями параметров окружающей среды (температура, влажность, атмосферное давление, неблагоприятные факторы – загрязнение, радиация и др.), которые могут повлиять на измеряемые показатели.

В медицине классификация видов мониторинга является условной [3-5]. Мониторинг может быть простым (с точки зрения его планирования и оценки его результатов) и сводиться к учёту и анализу многих наблюдений о пациенте (и к выявлению отклонения от нормы) для проведения диагностики, анализа эффективности проведения лечения, оценки и прогноза его состояния. Известны мобильные приложения (например, Apple Health³, MyTherapy⁴, Happify⁵, Medisafe⁶), «умные» часы и другие устройства, позволяющие проводить мониторинг различных параметров человека. Они помогают отследить такие важные показатели здоровья как частота сердечных сокращений, артериальное давление, уровень кислорода в крови, уровень стресса и др. Другие приложения направлены на организационную часть амбулаторного лечения (календари приёма лекарств, ведение дневников с передачей информации лечащему врачу и возможностью дистанционного взаимодействия врачей и пациентов, например, Sensley.ly⁷, доступного в AppStore Remsmed⁸).

Клинический мониторинг используется в операционных, реанимационных отделениях, палатах интенсивной терапии и связан с измерением жизненно важных показателей с помощью инструментальных или лабораторных измерений [4-6].

К удалённому медицинскому мониторингу относятся: инструментальные (инвазивные и неинвазивные методы мониторинга), которые собираются вручную пациентом или автоматически с помощью имплантированных или носимых устройств; лабораторные методы, включающие регулярные анализы крови, мочи и других биологических жидкостей для оценки различных параметров; смешанные, которые также включают жалобы пациента и необходимые значения окружающей среды.

Наблюдение за пациентами может выявлять обострения хронических заболеваний и способствовать: упреждающему реагированию на возникающие проблемы; более точной, персонифицированной диагностике и эффективному управлению процессом лечения; снижению вероятности осложнений^9,10.

В общем случае результатом мониторинга являются данные, которые либо сохраняются у пациента и в дальнейшем могут быть предоставлены врачу для оценки, либо передаются в лечебное учреждение и заносятся в электронную медицинскую карту. Получение врачом огромного количества информации может негативно отразиться на результатах его деятельности и привести к обратному эффекту [7].

Существуют системы, реализующие отдельные функции обработки данных мониторинга с помощью методов искусственного интеллекта (ИИ), например, обнаружение аритмии на основе ЭКГ [8], мониторинг гемодинамики и жизненно важных показателей [6, 9, 10], лечение сахарного диабета [11]. Имеются системы мониторинга процесса лечения на основе симптомов. В таких системах используются модели ожидаемого ответа на лечение, но более точными признаются клинические динамические модели прогнозирования, которые позволяют с каждыми новыми полученными данными уточнять прогнозы [12]. Отсутствуют системы, ориентированные на широкий класс заболеваний и позволяющие гибко настраивать параметры мониторинга, анализировать их и адаптировать к конкретным пациентам.

1.2 Мониторинг лечения и источники знаний

Учитывая разнообразие форм и видов мониторинга и его классификации, в данной работе рассматривается подмножество, которое обеспечивается знаниями и связано с клиническим мониторингом лечения заболеваний. Основными задачами мониторинга лечения является контроль:

• эффективности тактики лечения, т.е. поиск таких признаков-симптомов, которые должны исчезнуть или улучшиться (не ухудшиться) за определённый период; если наблюдаемые признаки не изменились (как ожидалось), принимаются решения о корректировке лечения: смене препаратов и видов лечения, дозировок отдельных элементов, длительности применения, вплоть до их полной отмены, а если достигнуты ожидаемые результаты – о прекращении лечения;
• безопасности лечения, т.е. проверка, не появились ли признаки, значения которых до начала лечения были нормальными (или допустимыми для данного вида лечения), но в процессе лечения изменились в худшую сторону.

Для осуществления медицинского мониторинга из источников знаний (КР, справочники, монографии, медицинские журналы и др.) выбираются актуальные сведения для контроля клинической картины. Для формирования на основе этих источников представления о контроле за течением клинического процесса и правил его проведения требуются значительные временные затраты. Не менее важной является информация в справочниках (инструкциях) по применению ЛС: указываются возможные осложнения, нежелательные реакции от приёма ЛС, которые также нуждаются в мониторировании.

2 Граф знаний как источник сведений для принятия решений

СППР должна базироваться на знаниях, в которых описаны все необходимые указания и критерии их применимости для проведения мониторинга процесса лечения и оценки его результата. Одним из подходов к разработке подобных систем является проектирование программного обеспечения на основе онтологий.

2.1 Онтология наблюдения процесса в организме

Онтологический граф построен на основе знаний, необходимых для решения задач мониторинга организма в процессе лечения. Узлами онтологического графа являются понятия предметной области (ПрО): процесс, воздействие, наблюдение, состояние и др., а дугами – их связи (причина зарождения патологического процесса, лечебное воздействие…). Ориентированный граф, имеющий корневой узел и включающий иерархические подграфы, удобно применять для моделирования документов.

Граф знаний (ГЗ) – главный компонент консультирующих систем, в которых знания интерпретируются при решении задачи для анализа входных данных и выработки решений с объяснениями.

В задаче мониторинга требуется по результатам наблюдений динамической системы в реальном времени и ожидаемым (целевым) состояниям определить, не является ли ситуация отличной от ожидаемой. Для решения такой задачи может потребоваться знание о нормальных значениях всех наблюдений.

В задаче интеллектуального мониторинга требуется по информации о системе, состояние которой вышло из нормы, с помощью формализованных знаний ПрО определить, результаты каких наблюдений и в какие моменты времени покажут, является ли состояние системы отличающимся от ожидаемого (прогнозируемого).

Пусть:

{r_n (t₀, t₁, ..., t_k)} – наблюдения за свойствами (r_n) объекта или системы в динамике, n $\in$ N – количество свойств с потенциально изменяющимися значениями, t₀ – момент начала наблюдений, t_k – текущий момент, {t_i} – последовательные моменты наблюдений между начальным и текущим моментами, t_(k+1) – первый из ожидаемых моментов;

{r^ev_j (t_v)} – внешние воздействия на ситуацию или систему, момент t_v находится между t₀ и t_(k+1);

{r^prop_m} – неизменяемые параметры или свойства динамической системы, m $\in$ M –количество неизменяемых свойств;

R = {r_n}$\cup${r^ev_j}$\cup${r^prop_m} – множество всех наблюдений, {r_n’} – выбранные наблюдения из полного множества наблюдений, {r_n’} $\subset$ {r_n};

isDifferentFromExpected ({r_n (t_k)},{r_n (t’)}) – предикат, результирующий проверку отличия наблюдаемого состояния от ожидаемого, где состояние – это набор значений проведённых наблюдений;

KnB – база знаний (БЗ), которая содержит конкретные утверждения о связях понятий в конкретной ПрО;

AS ({r_n’} $\cup$ isDifferentFromExpected(t’)) – объяснение того, почему {r_n’} выбраны для проверки состояния в момент t’.

Примечание. Фигурные скобки показывают множество элементов, круглые заключают аргументы, от которых зависит значение предиката или функции.

От СППР пользователи ожидают построение объяснения. С учётом этого постановка задачи мониторинга такова.

Дано: R = {r_n}$\cup${r^ev_j}$\cup${r^prop_m}, t’, KnB (база знаний об изменениях показателей под воздействием лечения).

Требуется найти: AS ({r_n’}$\cup$ isDifferentFromExpected ({r_n’(t_(k+1))})).

Момент измерения (t’) может быть явно не задан (он может быть определён в процессе мониторинга). Для таких постановок в KnB описываются группы (множества) признаков ({signName_k}), целевые (нормальные) диапазоны значений, для которых ({signValuesRanges_k}) определены как «числовые значения», конкретизируемые через <нижняя граница, верхняя граница, единица измерения> или как «качественные значения» с непустым множеством «значение». Описываемые признаки в ПрО играют роль критериев достижения цели лечения, применимости методов лечения, а также необходимости проведения мониторинга. Момент измерения (t’), обычно отсчитываемый от момента начала процесса, связан с критерием тем, что {r_n} сравниваются с ({signName_k, signValuesRange_sk}) в момент t’.

Для решения задачи нужна онтология с описанием закономерностей ПрО в виде влияния течения времени и событий на варианты динамики состояния системы (см. рисунок 1).

 

Рисунок 1 – Онтологический граф связи понятий[11] для описания картины заболеваний и других закономерностей ПрО

 

Формируемые по такой онтологии ГЗ различных заболеваний будут востребованы там, где параметры мониторирования могут или должны изменяться с учётом особенностей пациентов. Для изложения таких знаний используются понятия:

• особенности и метрики организма ({proper_n, prValuesRange_kn});
• название патологического процесса или его стадии (Ds, DsStage_s);
• признаки текущей стадии (s) процесса ({signName_k, signValuesRange_sk});
• внешние воздействия ({event_v}), являющиеся причинами зарождения патологических процессов, обычно с некоторой задержкой после свершения события (delay_v): ({event_v [, evValuesRange_jv], delay_v, Ds});
• внешние воздействия ({event_v}), являющиеся лечебными воздействиями ({event_u, [{param_ju, paramValuesRange_ju}], contin_u}), способными обеспечить через заданное время (contin_u):
• переход процесса Ds в стадию DsStage_s из-за воздействий на него ({event_u, contin_u}, DsStage_su);
• изменение некоторых показателей состояния ({signName_k}) из-за воздействий: ({event_u, contin_u}, {signName_k, ValuesTrend_k}) или ({{event_u, contin_u}, {signName_k}, signValuesRange_ku)}), возможно, с побочными эффектами (signValuesRange_ku вне signNormalValues).

В задаче контроля эффективности воздействий по входным данным о ситуации (симптомам {r_n(t₀, ..., t_k)} и факторам {r^f_m}) выбирается из базы знаний вариант течения процесса; динамика симптомов сравнивается с описанной в нём картиной течения. Если в периоде развития соответствующему t_k применено воздействие (лечение), допустимое для этого периода в этом варианте, то планируются к проверке признаки, свойственные t_(k+1)-му периоду.

В задаче контроля безопасности планируются к проверке признаки t_(k+1)-го периода, указываемые в знаниях как возможные побочные эффекты.

В задаче контроля динамики состояния (при диагностике) по достаточному набору признаков рассматриваемого варианта течения процесса (R(t₀, t₁, ..., t_k)) выбирается стадия текущего процесса; оценивается критичность следующего момента t_(k+1) или следующей стадии и планируются к регулярной проверке все актуальные признаки.

Онтологический граф (см. рисунок 1) связи понятий переведён в структурированную форму для описания знаний (см. рисунок 2).

 

Рисунок 2 – Фрагмент онтологического графа течения и лечения заболевания в иерархическом виде

 

Корневой узел включает множество названий заболеваний. Каждое заболевание связывается с описанием его стадий развития и с множеством описаний способов лечения. Обычно концевые узлы отношений размещаются (в иерархическом виде) под узлами-истоками этих отношений, а названия отношений обычно представляются нетерминальными элементами в получаемых иерархических структурах. Структурированная форма представления для ориентированного графа, имеющего корневой узел и не имеющего циклов, создаётся исходя из следующих принципов: корневой узел ресурса соответствует названию или идентификатору документа; на следующем уровне иерархии добавляются как узлы названия основных разделов или сущностей; связь со следующим (в иерархии) узлом соответствует иерархической связи (такой, как целое–часть, множество – элемент множества, общее – частное или другой связи: причина – следствия, процесс – стадии, стадия – признаки, имя признака – область значений признака и т.д.).

При выборе в качестве рабочей среды инструментов iacpaas¹² разработчики получают механизм ссылок на любые узлы-понятия, что позволяет трансформировать ГЗ и с цикличными цепочками связей в иерархию узлов-понятий. Повторно используемый экземпляр понятия, в т.ч. порождённый выше в иерархии, располагается на любом требуемом уровне, удобном для восприятия при чтении, и фактически хранится как единственный.

Онтологический граф для описания течения заболевания и его лечения для удобства может быть декомпозирован на модуль вариантов развития процесса в организме (диагностика) и модуль управления состоянием организма (лечение).

2.2 Уточнение онтологии клинических знаний

Для учёта варианта течения заболевания и выбора одной из возможных схем терапии рассматривается множество факторов. Здесь фактор – это метрика или другая особенность организма (или окружающей среды), влияющая на вариант развития процессов. Для рассмотрения лечебных воздействий в модели, соответствующей медицинской практике, предложена следующая иерархия понятий ПрО (см. рисунок 3).

 

Рисунок 3 – Фрагмент модели понятий для описания воздействий

 

Содержание задач может уточниться, в частности контроль:

• эффективности – поиск наблюдений (и частоты их измерения или контрольные точки), которые покажут, улучшилось ли состояние организма (исчезают ли внешние симптомы, нормализуются ли внутренние показатели);
• безопасности – поиск наблюдений (и частоты их измерения), которые покажут, нет ли ухудшений после начала воздействий среди всех известных показателей нормального функционирования организма и указанных в знаниях неблагоприятных влияний этих воздействий на конкретные признаки;
• динамики состояния организма – оценка возможности наступления критичной следующей стадии (или даже наличие критичных среди нескольких возможных вариантов следующей стадии) процесса и поиск всех способных изменяться наблюдений (и частоты их измерения), свойственных такому периоду.

БЗ составляется из нескольких модулей, связанных общими понятиями. Структура знаний, формализуемых для задач лечения и его мониторинга, может позволять совместно использовать не только информацию о методе лечения для описанной категории пациентов, но и о том, что и когда при этом методе придётся контролировать.

Для медицинской модели в соответствии с традициями ПрО следует отделить знания о способах выздоровления от знаний о неблагоприятных эффектах.

Могут быть специально сформированы знания (инструкции) для каждой схемы лечения, показывающие, в каком контроле нуждается больной. Например, цель – следить, не наступила ли через ожидаемое время следующая «худшая» стадия или, наоборот, не наступила ли уже «хорошая» стадия по прошествии заданного времени (см. рисунок 4). Тогда для изложения знаний дополнительно понадобятся понятия: наблюдения в будущем ({(signName_n, signValuesRange_n (t_(k+1))}) и контрольные точки (t_(k+1), t_{(k+2), …}) или частота их измерения (interv, t_(k+M) = t_k + M* interv).

 

Рисунок 4 – Фрагмент знаний о необходимом контроле

 

Фрагменты на рисунке 4 демонстрируют комплекс связей, позволяющих организовать пациент-ориентированный подход к проведению контрольных мероприятий по достижению целей терапии и отслеживать ожидаемый (возможный) выход за пределы физиологического «коридора норм». С помощью понятий, порождаемых по узлу «характеристика временно́го отрезка контроля эффективности» описывается временно́й интервал для контрольных исследований, «связь с проводимой терапией» – семантика зависимости процесса проводимой терапии, «критерии оценки эффективности» – описание ожидаемой клинической картины при достижении целей терапии. Кроме контроля по достижению целей терапии запланирован контроль ожидаемых побочных действий при проводимой терапии: временны́е изменения диапазона физиологических норм. Предлагаемые фрагменты позволят СППР клинических решений или подобным системам, обрабатывающим знания, осуществлять мониторинг процесса терапии и дифференцировать не только достижение целей терапии, но и объяснять клинически обусловленный выход из физиологической нормы.

2.3 Метод рассуждения по ГЗ

В задачах мониторинга, для которых знания подготовлены в виде ГЗ или иерархических cемантических cетей, рассуждения производятся по связям между понятиями <Ds_m, event_u, t, signName_k,t, signValuesRange_k,u,t)>, m Î M-множеству патологических процессов, u Î U-множеству воздействий на организм. Их конкретные экземпляры, хранимые в ГЗ, сопоставляются с входной ситуацией, чтобы формировать гипотезы о параметрах наблюдения {<signName_k,t>}.

Проход по иерархическим семантическим сетевым знаниям, связывающим понятия, среди которых есть искомые в решаемой задаче <DsStage_j, {signName_jk}>, представляет собой движение по цепочкам от <Ds_m, DsStage_mj> к <DsStage_m(j+1), {signName_(j+1)mk}> и от <Ds_m, event_u> к <delay_mu, {signName_umk}>.

Стратегия для задач анализа – отбор гипотез, в которых отсутствуют противоречия входным условиям задачи. Т.е. в БЗ берутся те пути развития, которые проходят через «точки» (и параметры), указанные среди входных данных. Для задачи мониторинга «контроль эффективности» входные данные относятся к разным моментам времени течения процесса; они включают лечебные воздействия, которые относятся к разным периодам. Часто на момент решения задачи все наблюдения предшествуют моменту лечебного воздействия.

Описанные в БЗ варианты развития с учётом воздействий позволяют прогнозировать тренды, а значит увидеть в знаниях те признаки, которые в каждом из трендов наиболее важны для слежения.

Процесс рассуждения по знаниям в задаче мониторинга для определения состояния, отличного от ожидаемого нормального, состоит в следующем: результаты получаемых на фоне лечения (ev_u) значений наблюдений {r_j(t_k)} в момент t_k сопоставляются элементам знаний {<signName_ij, NormSignValues_ij>}. Применяется предикат неНормален (r_j(t)). Объяснением для гипотезы (состояние в норме, состояние не в норме) в момент t_k является множество связей {(signName_j, NormSignValues_j), r_jk}. Т.е. в такой задаче мониторинга осуществляется поиск и объяснения {signName_jk}.

В задаче контроля эффективности воздействий, где среди входных данных, описывающих ситуацию, есть данные по факторам {r^f_m}, выбирается вариант течения процесса, {r_n(t₀, ..., t_k)} сравниваются с описанной в нём картиной течения. Если в периоде развития, соответствующем t_k, применено исправляющее воздействие, допустимое для этого периода в этом варианте, то планируются к проверке признаки, свойственные t_(k+1)-му периоду: результаты получаемых на фоне лечения ev_u значений наблюдений {r_j(t(k+1)} в соответствующий момент или в соответствующей стадии сопоставляются элементам знаний для DsStage_(k+1): диапазоны значений{<signName_j(k+1), signValuesRange_ju(k+1)} либо направление их изменений {ValuesTrend_ju(k+1)}.

Объяснением для гипотезы <ev_u достиг цели> в момент или период (k+1) является связь <Ds_m, event_u, t_(k+1), {signName_jm, (signValuesRange_jmu(k+1) | ValuesTrend_jmu(k+1))}>. Т.е. используется предложение из БЗ: Ds_m = {(DsStage_mi, interval_mi), {signName_jm}, (event_u, contin_um), {signName_jm, NormSignValues_jm}}, с учетом | t_(k+1) – t_(k) | > contin_ujm}. В задаче мониторинга осуществляется поиск и объяснения {signName_jk}.

В задаче контроля безопасности планируются к проверке признаки t(k+1)-го периода, указываемые в знаниях как возможные побочные эффекты. Для этого применяется предикат неНормален(signName_j(k+1)). Объяснением для гипотезы {<signName_ju, (в норме | не в норме)>} в момент (i+1)) является связь <Ds_m, event_u, {contin_uj, signName_j, signValuesRange_jut, t_(i+1)> contin_uj}> и <{signName_j, NormSignValues_j}>.

2.4 Пример рассуждения и выдачи рекомендации по ГЗ

В процессе анализа данных истории болезни (ИБ) пациента с артериальной гипертензией был рекомендован к назначению комбинированный препарат, содержащий действующие вещества: «Индапамид + Периндоприл» с описанием правил приёма ЛС. Выполненными условиями, явно присутствующими в ГЗ, были диапазоны значений для показателей «пульсовое артериальное давление» и «скорость распространения пульсовой волны» (см. рисунок 5). Мониторинг при такой терапии реализуется по следующему сценарию: контроль целевых «цифр» артериального давления, слежение за появлением побочных эффектов от терапии данным препаратом.

 

Рисунок 5 – Фрагмент результата выполнения рекомендаций проведения медикаментозной терапии

 

Перечень побочных действий ({contin_u,t2, signName_k, signValuesRange_k,u,t2}) генерируется из соответствующего информационного ресурса (Фармакологический справочник) и включает определение следующих параметров {signName_k}: наличие белка в моче, концентрация калия в плазме крови, АЛТ, АСТ, билирубин, уровень кальция в плазме крови, уровень глюкозы в плазме крови, клинический анализ крови. Должен осуществляться мониторинг появления жалоб: головокружение, нарушение зрения, звон в ушах, нарушение сна, судороги, парестезии, нарушение вкусового восприятия, сухой кашель, боль в животе, тошнота и др. Кроме этого, осуществляется контроль выявленных (и/или занесённых в систему) патологических состояний (например, анорексия, спутанность сознания). При регистрации (через интервалы {contin_u,t2}) контролируемых признаков в соответствующих диапазонах их значений ({signValuesRange_k,u,t2}) система реагирует и сигнализирует.

По результатам анализа данных, введённых в ИБ, ((R(t₀, ..., t_k)È{r^prop_m}), рекомендовано использовать «Индапамид + Периндоприл» в дозировке 1 таблетка 1 раз в день. При применении данного комбинированного ЛС необходимо осуществлять мониторинг лабораторных показателей и клинической картины, которые представлены в «Фармакологическом справочнике».

На фоне приёма данного ЛС регистрируется изменение клинической картины (см. рисунок 6): появление новых жалоб (головокружение, нарушение вкуса, затруднённое дыхание) совместно с резким ухудшением биохимических исследований крови (АЛТ, АСТ). Проверяется предикат isDifferentFromExpected (головокружение (t_(k+1))), isDifferentFromExpected (нарушение вкуса (t_(k+1))), isDifferentFromExpected (затруднённое дыхание (t_(k+1))). Объяснением становится обнаруженное изменение некоторых показателей состояния ({signName_k}): ((event_u = «Индапамид + Периндоприл», contin_u = 1 сут), ((signName₁ =АЛТ, ValuesTrend_(1,u) = повышение), (signName₂ = головокружение, signValuesRange_(2,u)= Имеется), (signName₃ = нарушение вкуса, signValuesRange_(3,u)= Имеется), (signName₄ = затруднённое дыхание, signValuesRange_(4,u) = Имеется), …)).

 

Рисунок 6 – Фрагмент отражения динамики в истории болезни

 

При анализе клинических параметров пациента данное ЛС попадает в категорию «не рекомендованных» по причине выявленных данных, которые могут являться побочным эффектом (см. рисунок 7), а именно: наличие в ИБ соответствующих жалоб: «Головокружение», «Нарушение вкуса», «Затруднение дыхания» и изменением показателей ферментативной активности печени (Аланинаминотрасфераза крови и Аспартатаминотрансфераза крови), которые увеличены более чем в 3 раза по сравнению с предыдущими значениями.

 

Рисунок 7 – Результат работы системы по контролю противопоказаний к применению лекарственных средств

 

Таким образом, реализуется динамический контроль текущего клинического состояния пациента на фоне проведения медикаментозной терапии. Для оценки эффективности проводимой терапии в ГЗ лечения для каждого ЛС или их комбинации предусмотрен элемент знаний «критерии оценки эффективности лечения», согласно которому в данном клиническом примере формируется описание ежедневного контроля эффекта проводимой терапии через signName_jt = артериальное давление.

Заключение

В работе представлен обзор методов медицинского мониторинга, описаны виды мониторинга, построен онтологический граф изменения состояния организма от различных воздействий для мониторинга состояния пациентов в процессе лечения. Он размещён (и доступен новым пользователям по запросу) на облачной платформе IACPaaS (https://iacpaas.dvo.ru/), а на его основе реализован метод рассуждения по ГЗ. В работе дан пример использования предложенного решения для мониторинга пациентов при терапии артериальной гипертензии. Онтологический граф об изменении состояния организма с учётом различных воздействий реализует концепцию мониторинга состояния пациентов через возможность определения особенностей организма как критериев выбора схемы терапии и её конкретизации в виде действующих веществ или ЛС. Разработаны ГЗ и решатель на его основе. Для построения системы мониторинга по конкретной медицинской специализации необходимо внесение проверенных знаний [13]. Для проведения тестирования системы требуется набор тестовых или контрольных случаев. Некоторые результаты по автоматическому формированию ГЗ по лечению на основе анализа текстов клинических рекомендаций получены в [14].

 

¹ Рубрикатор клинических рекомендаций (КР). https://cr.minzdrav.gov.ru/clin_recomend.

² Материалы «Оценка качества медицинской информации» (2017 года). https://yandex.ru/health/turbo/articles?id=2635.

³ https://apps.apple.com/us/app/apple-здоровье/id1242545199?l=ru.

⁴ https://www.mytherapyapp.com/ru .

⁵ https://apps.apple.com/ru/app/happify-for-stress-worry/id730601963.

⁶ https://medisafeapp.com/.

⁷ https://sensely.com/.

⁸ https://remsmed.ru.

⁹ Artificial Intelligence and Machine Learning (AI/ML) - Enabled Medical Devices. August 7, 2024 update. https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-and-machine-learning-aiml-enabled-medical-devices.

¹⁰ AI in Remote Patient Monitoring: The Top 4 Use Cases in 2024. September 6, 2023. https://healthsnap.io/ai-in-remote-patient-monitoring-the-top-4-use-cases-in-2024/.

¹¹ Использован графовый редактор https://app.diagrams.net/.

¹² Инструменты онтологической платформы. https://iacpaas.dvo.ru/my/services.

Об авторах

Валерия Викторовна Грибова

Институт автоматики и процессов управления Дальневосточного отделения РАН (ИАПУ ДВО РАН)

Автор, ответственный за переписку.
Email: gribova@iacp.dvo.ru
ORCID iD: 0000-0001-9393-351X
Scopus Author ID: 7801667631
ResearcherId: Q-4250-2016

заместитель директора по научной работе, научный руководитель лаборатории интеллектуальных систем, д.т.н., чл.-корр. РАН

Россия, Владивосток

Дмитрий Борисович Окунь

Институт автоматики и процессов управления Дальневосточного отделения РАН (ИАПУ ДВО РАН)

Email: okdm@iacp.dvo.ru
ORCID iD: 0000-0002-6300-846X
SPIN-код: 8390-2749
Scopus Author ID: 57204598165
ResearcherId: AAV-1824-2020

к.м.н., старший научный сотрудник лаборатории интеллектуальных систем

Россия, Владивосток

Елена Арефьевна Шалфеева

Институт автоматики и процессов управления Дальневосточного отделения РАН (ИАПУ ДВО РАН)

Email: shalf@dvo.ru
ORCID iD: 0000-0001-5536-2875
Scopus Author ID: 6508163590
ResearcherId: Q-2609-2016

д.т.н., Ведущий научный сотрудник лаборатории интеллектуальных систем

Россия, Владивосток

Список литературы

Дополнительные файлы