Modern Quality Control of Oncological Care Is Associated with the Development of Medical Informatics

Full Text

Введение

Во всем мире отмечается рост востребованности онкологической помощи, к которой применяются новые требования. Злокачественные новообразования (ЗНО) являются тяжким бременем для экономической инфраструктуры здравоохранения [1]. Все более важным аспектом становится максимально полноценный контроль качества оказания онкологической помощи. Эта важнейшая задача находит свое отражение в свете реализации Федерального проекта «Борьба с онкологическими заболеваниями», предусматривающего значительное снижение смертности населения Российской Федерации от злокачественных новообразований к 2024 г.

Современные подходы в управлении здравоохранением невозможно реализовать без широкого использования медицинских информационных систем. Развитие методов медицинской информатики неразрывно связано с цифровизацией на всех уровнях, в том числе на этапе выбора технологий управления организацией внутреннего контроля качества оказания онкологической помощи [2]. Математические методы играют все большую роль в определении эффективных алгоритмов диагностики и лечения рака различных локализаций [3]. Активно разрабатываются технологии медицинской информатики, специально созданные для работы с характеристиками онкологического процесса. Новые подходы позволяют моделировать, прогнозировать и изучать процессы в реальной онкологической практике. Создаются новые цифровые характеристики диагностических и лечебных мероприятий и исходов заболевания. Трансформация методов медицинской информатики, применяемых для нужд онкологической науки и практики, обеспечивает совершенствование инструментов эффективной модели контроля качества лечения рака, основанной на принципах доказательной медицины [4, 5].

Современное развитие методов обработки больших данных (БД), внедрение принципов функционирования CancerLinQ и др., могут рассматриваться в качестве прорывных информационно-аналитических технологий и платформ. Такие инновационные подходы формируют основу устойчивого развития интегральных автоматизированных систем сравнительных оценок и непрерывного мониторинга качества оказания онкологической помощи в реальном времени [6, 7].

Методология поиска

Поиск релевантных сведений проводился в базе данных PubMed (Medline) и системе GOOGLE. В поисковой строке вводились запросы («oncology», «cancer», «cancer treatment», «oncology informatics»,

«clinical audit», и др.) по теме контроля качества лечения пациентов с ЗНО с использованием средств медицинской информатики. Для получения разносторонней и максимально полной информации по исследуемой тематике на русском английском и языках, изучались заголовки и резюме статей, обнаруженных непосредственно после ввода в поисковую строку вышеперечисленных ключевых слов и их комбинаций. При необходимости проводили поиск дополнительных публикаций по вопросам онкологической помощи. Материал объединяет данные из 18 отобранных источников.

Результаты

Оценка качества онкологической помощи c применением массивов больших данных

Необходимо помнить, что в научной литературе под БД в здравоохранении, понимаются данные, отвечающие следующим пяти критериям (правило «5V»):

• вариабельность (variability) данных — обусловлена разнообразием способов сбора сведений, которые находятся в зависимости от различных обстоятельств и условий сбора внутри и между медицинскими организациями (от временного и пространственного контекста). При этом, они могут отличаться во времени. Конечная интерпретация данных становится возможной в связи с имевшимся контекстом;
• объем (volume) — весь спектр полученных данных о наблюдениях за различными пациентами, включающий основные характеристики диагностических, лечебных процессов и их исходов, а также социальные, экономические, финансовые и другие параметры;
• разнообразие (variety) — большие массивы информации должны содержать и отражать огромное разнообразие типов данных (видов, классов и кластеров), фигурирующих ежедневно в системе оказания онкологической помощи;
• скорость (velocity) — большие данные в онкологии должны генерироваться с возрастающей скоростью, а вычисления и процессинг данных должны производиться относительно быстро;
• ценность (value) — создавать инфраструктуру по сбору и интерпретации БД имеет смысл, только если результаты анализа и выводы окажут существенное влияние на организацию здравоохранения. Многообразие свойств массивов БД, подходы к созданию единой информационной базы сведений, взаимосвязь характеристик пациентов и проведенного лечения с достигнутыми исходами, позволяют формировать автоматизированные системы экстренного обратного реагирования. С их помощью медицинским организациям  предоставляется информация о результатах многофакторных (включая сравнительные) оценок качества и эффективности оказания онкологический помощи в текущей клинической практике.

В настоящее время имеется прочная основа для использования систем скоростных аналитических вычислений, предоставляющих в реальном времени неотложную обратную связь в ответ на регистрируемые результаты медицинской деятельности в онкологии. Имеется возможность определения оптимальных корреляций используемых клинических тестов и алгоритмов с исходами [8]. Наличие таких инструментов оценок позволяет специалистам медицинских организаций пересматривать и совершенствовать качество рабочих протоколов оказания онкологической помощи.

Необходимо отметить, что улучшение контроля качества возможно только при соблюдении условий транспарентности. Некоторые критерии оценки качества устанавливаются по согласованию сторон в качестве «прозрачных» контрольных характеристик, подлежащих обязательному размещению в открытых источниках информации. Оценки в системе обратной связи, особенно данные по исходам и стандартизированным параметрам, следует предоставлять с некоторой осторожностью, поскольку медицинские учреждения, получающие эту информацию, могут испытывать беспокойство за собственную репутацию.

В тоже время представление обезличенных (анонимизированных) данных и полное раскрытие информации из системы обратной связи поставщику медицинских услуг без широкого опубликования, мотивируют медицинские учреждения к сотрудничеству и интеграции в систему зеркальных/сравнительных оценок клинической деятельности.

Примером успешной организации такого подхода является разработка автоматизированной обратной связи в медицинских электронных ресурсах в Нидерландах [9].

Полученные результаты, характеризующие качество оказываемой онкологической помощи представляются в виде усредненных показателей по стране, региону, отдельным территориям и конкретным учреждениям. Интересным компонентом системы оценки являются так называемые дашборды качества. Используя определенные фильтры специалисты получают возможность самостоятельно сравнивать показатели оценки качества, достигнутые в своей медицинской организации, с показателями, полученными в других учреждениях [10].

Очевидно, что уровень транспарентности при проведении специализированных аудитов качества онкологической помощи, должен последовательно повышаться [11]. Ступенчатая модель развития позволяет перейти к безопасному размещению результатов оценки исходов лечения на открытых ресурсах. Последнее слово в решении о публикации данных всегда остается за медицинскими учреждениями. Результаты оценки качества не будут доступными для внешних участников процесса если администрация больницы не одобрила / не согласовала соответствующий уровень транспарентности. Критерии оценки качества могут быть согласованы с представителями научных ассоциаций, сотрудниками социальной помощи, представителями пациентских организаций, страховых компаний и т.д. Сопоставление качественных и количественных автоматизированных оценок онкологической помощи позволяет провести целевой аудит функционирования определенных звеньев здравоохранения и успешно устранить причины выявленных недостатков [12].

Обеспечение контроля качества онкологической помощи при помощи технологи CancerLinQ

В настоящее время активно функционирует автоматизированная электронная сеть по контролю и обеспечению качества онкологической помощи CancerLinQ (Cancer Learning Intelligence Network). Быстрообучающаяся система на платформе SAP разработана и внедрена под патронажем ASCO (American Society of Clinical Oncology) [13]. Начиная с 2015 г. была принята к использованию в США более чем в 100 различных организациях, участвующих в оказании медицинской помощи по профилю «онкология» [14, 15].

Автоматизированная система использует преимущества БД для обучения, тщательно анализируя каждый отдельный клинический случай. Сеть сопоставляет ключевые индикаторы процессов и исходов применительно к утвержденным стандартам оказания онкологической помощи и генерирует быстрый ответ о достигнутых значениях качества практикующим специалистам.

Цифровая онкологическая сеть осуществляет забор данных непосредственно из электронных медицинских карт (ЭМК) и компонентов электронного управления медицинской деятельностью прикрепленных учреждений онкологического профиля. Важнейшим аспектом является высокая степень защиты медицинской информации и персонализированных данных.

Функционирование электронной сети CancerLinQ позволяет предоставлять обратную связь организациям онкологического профиля, по итогам оценки качества, в режиме реального времени, на соответствие приверженности клиническим рекомендациям и практике передовых онкологических центров. Возможно определение паттернов, позволяющих улучшить существующую практику, формировать новые научные гипотезы. Применительно к анализу реального данных, возможен полноценный отбор кандидатов на включение в клинические исследования, мониторинг процесса лечения, до исследования эффективности и безопасности лекарственных средств в условиях повседневной клинической практики.

Нужно отметить и необходимость решения некоторых вопросов: во-первых, совершенствование совместимости данных; во-вторых, решение правовых вопросов, в-третьих, изучение способов повышения доверия среди пользователей, сохранение конкурентоспособности.

С учетом огромного потока информации о данных реальной клинической практики создан комплекс действенных механизмов контроля качества, основанных на принципах доказательной медицины.

Инфраструктура CAPTIVE и контроль качества

С использованием технологии процессинга естественных языковых переменных (NLP) и техники машинного обучения относительно недавно была разработана экспериментальная инфраструктура CAPTIVE, которая логически объединяет три процесса: сбор (capture), преобразование (transform) и улучшение (improve) [16].

Комплексный сбор информации интегрирует методы идентификации когорт пациентов на основе анализа ЭМК, содержащих гранулярные данные по отдельным случаям оказания онкологической помощи, с методами накопления в единой базе данных из других источников. Этот исчерпывающий спектр информационных ресурсов позволяет экспоненциально увеличивать разрешение каждого связанного семантического уровня и обеспечить процессинг в условиях неполных данных. Цифровые сведения после интеграции преобразуются в фактические знания путем применения разнообразных алгоритмов, картирования и серий валидации [17].

Технология выбора информации подразумевает композицию структурированных и неструктурированных данных путем трансформации результатов взаимодействия пациентов и поставщиков медицинских услуг. Применительно к задачам пользователя экстракторы позволяют генерировать каждую переменную с высокой точностью. Оптимальные алгоритмы позволяют аккуратно идентифицировать клинические записи об исходах, с высокой вычислительной производительностью.

Одной из целей разработки экспериментальной системы CAPTIVE является поддержка принятия самостоятельных врачебных, а также совместных с пациентом решений Развитые технологии анализа записей в ЭМК предоставляют широкие возможности по развернутому мониторингу качества оказания онкологической помощи в повседневной практике и совершенствованию контролирующих технологий, эффективному использованию цифровых данных в эпидемиологических, популяционных и других исследованиях [18].

Заключение

Прогресс медицинской информатики открывает новую эру в цифровизации контроля качества и безопасности практики оказания помощи пациентам со злокачественными новообразованиями. Развитие новых электронных аналитических платформ в медицине невозможно представить вне автоматизации процессов непрерывной обработки больших данных. Быстрыми темпами совершенствуется автоматизация мониторинга зеркальных (сравнительных) оценок контрольных критериев качества, начиная с профилактики и до социального сопровождения пациентов и др.

Технология CancerLinQ, инфраструктура CAPTIVE и другие инновационные разработки представляют собой примеры новых подходов к анализу огромного массива медицинской информации. При этом эффективная реализация автоматизированного процессинга и получение оценок качества путем применения упомянутых систем при экстракции и анализе ЭМК возможны только после структуризации первичных переменных.

Важное значение для контроля качества имеет получение максимально полной информации путем анализа доступных цифровых медицинских сведений и их интеграция в едином информационном пространстве.

Практическая ценность методологий медицинской информатики в онкологии напрямую зависит от характеристик операционных данных, аналитических алгоритмов и технических свойств программно-аппаратных комплексов. Интеграция всех источников данных и технических компонентов — ключевое условие становления системы непрерывного автоматизированного мониторинга качества онкологической помощи в режиме реального времени.

Прогресс технологий математического анализа и моделирования, включая разработку инструментов для определения закономерностей формирования корреляций характеристик пациентов и параметров оказанной онкологической помощи с окончательными исходами лечения, приведет к решению многих научных и практических задач в сфере цифрового контроля качества в онкологии.

About the authors

A. A. Zavialov

Author for correspondence.
Email: azavialov@fmbcfmba.ru
Moscow, Russia

References

Supplementary files