Разработка новых методов и программных средств поддержки принятия решений в медицине на основе прецедентного подхода, онтологической модели предметной области, унифицированной модели лечебно- диагностического процесса и банка клинических данных» В.Л.Малых, зав. лаб., к.т.н. ИЦМИ ИПС им. А.К.Айламазяна РАН, 2015

Что предлагают современные ИКТ медицине?

Экспертные системы - скрининг

Постановка задач анализа текста

Прогноз рисков

Постановка диагноза

Роботизированные голосовые решения

Стратегия развития медицинских ИТ – это все более интеллектуальная обработка данных

Где взять средства на прикладные научные разработки? Гранты и субсидии различных фондов РФФИ ФЦП Фонд Бортника …

Что предлагают коллеги по ФЦП? Кто и с чем побеждает?

Университет Иннополис Разработка новых перспективных методов и алгоритмов для автоматического распознавания патологий органов грудной полости по рентгеновским изображениям

Новосибирский национальный исследовательский государственный университет Разработка моделей и распределенной телемедицинской информационно- аналитической системы поддержки принятия врачебных решений для персональной медицины и контроля назначений (в т.ч. лекарственных) при заболеваниях позвоночника

Санкт-Петербургский национальный исследовательский университет информационных технологий, механики и оптики Разработка интеллектуальной распределенной системы популяционного скрининга онкологических заболеваний

ООО «Нордавинд-Дубна» Разработка мобильной медицинской системы для индивидуальной электрофизиологической диагностики сердечно-сосудистых заболеваний, основанной на использовании современных алгоритмов цифровой обработки сигналов и распознавании образов

ООО «Медицинские решения» Разработка математических моделей и алгоритмов, направленных на создание интеллектуальных систем поддержки принятия решений при выполнении лекарственных назначений на основе 4- значных логико-математических моделей с возможностью множественных интерпретаций

НИЯУ МИФИ Разработка облачной нейросетевой технологии для системы обработки результатов электрокардиографических исследований поступающих с наружных и имплантируемых устройств в потоковом и статичном режиме за длительные периоды времени, с формированием проектов врачебных заключений

ООО «СИАМС» Разработка прототипа программного обеспечения распределенной высокопроизводительной интеллектуальной аналитической системы поддержки принятия клинических решений для многомасштабной эндоскопической диагностики и хирургии «Умный эндоскоп»

Самарский государственный медицинский университет Создание средств разработки программного обеспечения для самостоятельного формирования медицинским сообществом решений в среде симуляционных технологий в медицине с возможностью их распространения и обмена в системе здравоохранения и медицинского образования

«Разработка новых методов и программных средств поддержки принятия решений в медицине на основе прецедентного подхода, онтологической модели предметной области, унифицированной модели лечебно-диагностического процесса и банка клинических данных» Соглашение от Получатель субсидии – ИПС им. А.К.Айламазяна РАН Индустриальный партнёр – ООО «Интерин сервис» Объем средств субсидии млн. руб. 28, ; ,1; 2016 – 7,76. Объем привлекаемых внебюджетных средств млн. руб. 23, ,64; 2015 – 6,63; 2016 – 6,35. Докладчик: Малых В.Л., зав. лаб., отв. исполнитель.

Цель проекта Создание комплекса научно- технических решений в области разработки моделей и аналитических инструментов поддержки принятия врачебных решений для персональной медицины и контроля лекарственных назначений

Цель проекта для Интерина Повышение квалификации сотрудников Активизация научной работы в ИЦМИ Получение научных результатов Инновационное развитие МИС Интерин Улучшение финансового состояния группы компаний

Извлечение знаний из медицинских БД Data Mining Knowledge Discovery in Databases (KDD) Методы рассуждения и принятия решений на основе прецедентов Case-Based Reasoning (CBR) Анализ мед.текстов в свободной форме Научные направления

Методология интеллектуального извлечения и анализа информации

«Мы столько можем, сколько знаем» - Френсис Бэкон «Никакое человеческое исследование не может почитаться истинной наукой, если оно не изложено математическими способами выражения» - Леонардо да Винчи Наши возможности

Кластеризация Ассоциация, или метод корзины покупателя Деревья решений Анализ с избирательным действием Сети уверенности Метод ближайших соседей Нейронные сети Нечеткая логика Генетические алгоритмы Регрессионные методы Эволюционное программирование Методы Data Mining

Прецедентный подход

Планируемые результаты (1) Принципы формализации и извлечения знаний в предметной области «Персональная медицина» и «Лекарственные назначения» Онтологические модели предметных областей Процессная модель лечебно- диагностического процесса (ЛДП) из класса управляемых стохастических процессов с памятью

Персональная медицина? Лечить не болезнь, но больного «Гораздо важнее знать, что собой представляет заболевший человек, чем какой именно болезнью он заболел» Преемственность лечения, важность сохранения информации о предыдущих клинических случаях (ЕЭМК)

Персональная медицина + «медицина под заказчика» (tailored medicine) «предсказательная медицина» (predictive medicine) «геномная медицина» (genomic medicine) «точная медицина» (precision medicine) «стратифицированная медицина» (stratified medicine) Основная идея – выделение и расшифровка генома человека, использование генетической информации для персонализации лечения.

Планируемые результаты (2) Алгоритмы интеллектуального извлечения данных в сфере медицинской и сопутствующей информации, основанные на применении методов машинного обучения и других областей искусственного интеллекта Алгоритмы диагностирования по паттернам (ситуации и картины течения болезни) Алгоритмы анализа критических ситуаций и выдачи рекомендаций по предупреждению и уменьшению риска критических ситуаций

Планируемые результаты (3) Алгоритмы выявления скрытых закономерностей Алгоритмы логического вывода на основе многозначных логико- математических моделей с возможностью множественных интерпретаций

Планируемые результаты (4) Рекомендации по использованию результатов проведенных ПНИ в реальном секторе экономики с учетом технологических возможностей ̆ индустриального партнера, а также в дальнейших исследованиях и разработках Проект ТЗ на проведение ОКР по теме: «Разработка программного комплекса поддержки принятия решений в медицине на основе онтологического и прецедентного подходов, унифицированной модели лечебно-диагностического процесса и банка клинических данных»

Задачи (1) Аналитический обзор Патентные исследования Отбор реальных де персонифицированных законченных случаев из базы данных МИС клинического учреждения для формирования банка клинических данных Нормализация данных

Задачи (2) Выбор объектно-ориентированных моделей понятий, используемых для описания лабораторных анализов, лекарственных средств, результатов медицинской визуализации Выбор методов моделирования и анализа медицинских диагностических данных для реализации в ЭО ИС Разработка принципов формализации и извлечения знаний в предметной области «Персональная медицина» и «Лекарственные назначения»

Задачи (3) Разработка процессной модели ЛДП из класса управляемых стохастических процессов с памятью, включая модель диагностических данных Разработка онтологических моделей предметной области Экспертиза онтологических моделей

Задачи (4) Разработка математических моделей интеллектуального извлечения данных в сфере медицинской и сопутствующей информации Разработка многозначных логико- математических моделей с возможностью множественных интерпретаций

Задачи (5) Разработка алгоритмов интеллектуального извлечения данных в сфере медицинской и сопутствующей информации Разработка алгоритмов диагностирования по паттернам (ситуации и картины течения болезни) Разработка алгоритмов анализа критических ситуаций и выдачи рекомендаций по предупреждению и уменьшению риска критических ситуаций

Задачи (6) Разработка алгоритмов выявления многозначных логико-математических моделей скрытых закономерностей Разработка алгоритмов логического вывода на основе многозначных логико-математических моделей с возможностью множественных интерпретаций Программная реализация экспериментального образца информационной системы (ЭО ИС), реализующего алгоритмы поддержки принятия врачебных решений для персональной медицины и контроля лекарственных назначений

Задачи (7) Разработка Программы и методика экспериментальных исследований ЭО ИС Разработка исследовательских стендов для проведения экспериментальных исследований ЭО ИС Проведение экспериментальных исследований ЭО ИС

Задачи (8) Разработка рекомендаций по использованию результатов проведенных ПНИ в реальном секторе экономики с учетом технологических возможностей ̆ индустриального партнера, а также в дальнейших исследованиях и разработках Разработка проекта ТЗ на проведение ОКР

Технические требования (1) Выявление релевантных информационных объектов в источниках информации ( в том числе в неструктурированных): Медицинские информационные системы (лабораторные данные, истории болезней и др.); Научные публикации; Организационно-распорядительные документы в сфере здравоохранения; Профили лекарственных препаратов; Базы данных лекарственных препаратов; Сайты, соответствующие критериям The Health On the Net Foundation (HON); Другие…

Технические требования (2) Алгоритмы анализа диагностических данных должны обеспечивать возможность интерпретации сведений, поступающих из всех информационных источников, в соответствии с объектно-ориентированными моделями понятий и онтологическими моделями. Алгоритмы диагностирования по паттернам должны обеспечивать: анализ устойчивых сочетаний признаков в рамках картины течения болезни в статическом и динамическом аспекте; интерактивное взаимодействие с пользователем-врачом с целью выдачи рекомендаций по дополнительным сведениям, необходимым для уточнения диагноза; поиск случаев, близких исследуемому (по параметрам пациента, по применяемым методам лечения, по совокупности симптомов); Алгоритмы анализа критических ситуаций и выдачи рекомендаций по предупреждению и уменьшению риска критических ситуаций должны обеспечивать предупреждения при наступлении событий: Изменение характеристик пациента, в т.ч. резкое ухудшение состояния пациента / клиента сферы персональной медицины и / или риск такого ухудшения; Назначение нового препарата в т.ч. в случае наличия: 1) релевантных состоянию пациента противопоказаний лекарственных препаратов; 2) негативного взаимодействия лекарственных препаратов; Появление индикатора, при наличии которого определенное заболевание должно быть исключено из диагноза.

Технические требования (3) Алгоритмы анализа критических ситуаций и выдачи рекомендаций по предупреждению и уменьшению риска критических ситуаций должны обеспечивать выдачу рекомендации в следующих режимах: В режиме постоянного мониторинга поступающих сведений; По запросу пользователя. Алгоритмы выявления скрытых закономерностей должны обеспечивать выявление новых взаимосвязей между заболеваниями, характеристиками пациентов, индикаторами, эффективностью различных способов лечения.

Технические требования (4) Разрабатываемый ЭО ИС должен обеспечивать выполнение следующих функций: обеспечение сбора, обработки и хранения медицинской (в том числе диагностической) информации; формирование объектно-ориентированных моделей понятий, используемых для описания лабораторных анализов, лекарственных средств, результатов медицинской визуализации; онтологическое моделирование и анализ медицинских диагностических данных; диагностирование по паттернам течения заболеваний, выявляемым с использованием объектно-ориентированных, логико-математических, онтологических моделей и алгоритмов извлечения данных, с выдачей рекомендаций по дополнительным сведениям, необходимым для уточнения диагноза; генерацию предупреждений на основе модели накопления ситуации при наступлении событий: 1) назначение нового препарата; 2) изменение характеристик пациента; 3) появление индикатора, при наличии которого определенное заболевание должно быть исключено из диагноза.

Технические требования (5) Разрабатываемый ЭО ИС должен обеспечивать следующие технические характеристики: количество личных кабинетов медицинского персонала, доступных для обеспечения взаимодействия «пациент-доктор» в интерактивном режиме, должно быть не менее количество личных кабинетов пациентов, доступных для обеспечения взаимодействия «пациент-доктор» в интерактивном режиме, должно быть не менее количество персональных наборов данных пациентов, доступных для редактирования и проведения анализа, должно быть не менее количество пациентов, находящихся в режиме мониторинга по эталонным параметрам, не менее анализ диагностических данных по выработке рекомендаций для одного пациента должен проводиться не более 1 минуты. периодичность проверки для генерации предупреждений на основе модели «накопления ситуации» (поэтапного поступления сведений о различных аспектах ситуации) при наступлении событий различного характера – в зависимости от типа события, от 1 до 10 минут процедура диагностирования по паттернам течения заболеваний с выдачей рекомендаций по дополнительным сведениям, необходимым для уточнения диагноза, должна проводиться не более 5 минут; количество паттернов диагностирования настраивается динамически в процессе работы системы и должно быть не менее 25. ЭО ИС должен обеспечивать время формирования отчетов и визуальных представлений в личном кабинете пациента не более 1 минуты.

Работы, проведенные в отчетном периоде Был выполнен аналитический обзор Были выполнены патентные исследования Был выполнен отбор реальных де персонифицированных законченных случаев из базы данных МИС «Клиническая больница» Управления делами Президента Российской Федерации: законченных клинических случаев с 2579 различными, закодированными по МКБ10 основными диагнозами Отобранные данные были нормализованы

Работы, проведенные в отчетном периоде Были проведены маркетинговые исследования с целью изучения перспектив коммерциализации РИД Была сформулирована Концепция поддержки принятия решений в медицине на основе прецедентного подхода, онтологической модели предметной области, унифицированной модели лечебно-диагностического процесса и банка клинических данных Организация и сопровождение интернет-ресурса для популяризации исследований по теме проекта:

Достигнутые результаты и их соответствие ТЗ Все запланированные на I этап в ТЗ работы выполнены Осталось провести плановое мероприятие направленное на освещение и популяризацию промежуточных и окончательных результатов ПНИ Подготовлен доклад на 15th World Congress on Health and Biomedical Informatics - MEDINFO 2015

Прецедентный подход к моделированию ЛДП и принятию врачебных решений

Особенности проблемы В ходе ведения лечебно-диагностического процесса врач преследует определенные цели, предпринимает активные лечебно-диагностические действия, влияющие на состояние пациента. Активные действия, направленные на достижение цели, принято называть управлением. «Неклассический» характер рассматриваемой задачи управления. Врач на каждом шаге ЛДП выбирает в качестве управления некоторое подмножество элементов ЛДП (диагностические исследования, лабораторные тесты, назначения лекарственных средств). Выбор осуществляется на основании накопленных медициной знаний о том, как надо лечить данное заболевание, на основании собственного опыта врача. Управление носит ярко выраженный прецедентный характер

Особенности проблемы Множество U можно считать заданным, но функция известна только лишь прецедентно, известна только для наблюдавшихся ранее ситуаций

Особенности проблемы Разработка динамической математической модели частной нозологии (класса заболеваний) трудна и довольно трудоемка. Решение – построение универсальной унифицированной модели ЛДП, основанной на прецедентном характере управления. Общее существует в неразрывной связи с единичным (Аристотель). Событиям ЛДП присущи не только уникальность и единичность, но и общность и повторяемость. Появление Больших электронных клинических данных – появление достаточного объема данных для применения прецедентного подхода.

Смена подхода к проблеме Два основных прикладных подхода к построению систем поддержки принятия решений: принятие решений по прецедентам и по моделям При модельном подходе, «как и при всяком обобщении, теряются некоторые особенности поведения системы в каждой конкретной точке пространства решений. При опоре же на прецедент, как показывает опыт, удается учесть эти локальные особенности, что часто позволяет получать более точные решения Именно прецедентный подход позволит создать в ближайшей перспективе эффективные и точные системы поддержки принятия врачебных решений.

Большие Данные в медицине – источник медицинских знаний В национальном масштабе 10^9 – 10^10 клинических случаев Число характеристик состояния человека 10^3 -10^4 В БД МИС Интерин 3*10^6 ЭМК 11*10^3 случаев первичной гипертензии в БД РКНПК. Около 40*10^3 записей в МКБ 10 Более 3*10^3 различных кодов диагнозов в отдельном клиническом учреждении Основные проблемы Больших Данных Представление данных Методы обработки данных

Предшественники Гельфанд И.М., Розенфельд Б.И., Шифрин М.А. Очерки о совместной работе математиков и врачей Назаренко Г.И., Осипов Г.С. Основы теории медицинских технологических процессов

Построение модели ЛДП Универсальность, независимость от нозологий. Равномерное темперирование процесса, его приведение к дискретному процессу с постоянным шагом по времени. Интегральные характеристики управления включаются в состояние объекта управления и «ослабляют» эффект памяти. Сборка состояния процесса. Генерализация характеристик состояния. Отказ от детерминизма, явное постулирование стохастического характера ЛДП. Человеческий организм, как систему, следует относить к сложным системам и, согласно классификации систем Р.Эшби, сложные системы и протекающие в них процессы должны иметь стохастическую природу.

Построение модели ЛДП 1. Дискретный процесс с переменным темпом наблюдения. - это ситуация на i-ом шаге процесса. 2. Управляемый процесс с памятью. Интегрирование управления для ослабления эффекта памяти – приблизиться к ситуации, когда управление есть функция текущего состояния. - это интегральная характеристика элемента управления на i-ом шаге процесса.

Построение модели ЛДП 3. На интегральных характеристиках естественно вводятся операции вычитания (дифференцирования) и сложения (интегрирования). - это перечень с интегральными характеристиками лечебно-диагностических мероприятий оказанных пациенту на i-1 шаге процесса – это управление на i-1 шаге. 4. Время – лечит. Время является управлением данным природой. - это время, прошедшее от начала процесса к i-му шагу процесса.

Генерализация состояния ЛДП 5. На множестве значений каждой характеристики в рамках данной нозологии можно ввести отношение эквивалентности, которое разобьет множество значений характеристики на классы эквивалентности. Возраст 33 года, 49 лет -> «Взрослый» Температура тела 38,5 град.С, 37,0 град.С -> «Повышенная» и Состояния A и B эквивалентны, если эквивалентны по j если

Генерализация ансамбля ЛДП 6. Введение отношения эквивалентности состояний, позволяет разбивать состояния, для рассматриваемого ансамбля ЛДП, на классы эквивалентности. Вместо множества отдельных, не связанных или слабо связанных, в общем случае, реализаций ЛДП, мы можем получить сеть связанных, разделяющих одни и те же эквивалентные состояния, реализаций! 7. Ансамбль реализаций ЛДП после кластеризации состояний начинает моделироваться случайным дискретным Марковским процессом.

Интерпретация состояний ЛДП 8. Результаты интерпретации состояния должны быть включены в предлагаемую модель ЛДП, но не в виде независимых характеристик состояния, а в виде функций состояния. Постановка диагноза, отнесение состояния к различным классам критических состояний. 9. Машинная интерпретация состояния на основе многозначных логик (логика Лукасевича) или бесконечнозначных логик.

Этапы построения модели ЛДП как есть Нормализованный ЛДП Темперированный ЛДП Базис нормализации процесса Временная модельная шкала Обобщенный ЛДП Генерализация состояний – Классы эквивалентности

Марковская модель ЛДП

Метрика, близость состояний Параметризованное мерой расстояние где - это множество индексов компонент состояний A и B, по которым A и B эквивалентны - мера на множестве всех подмножеств конечного множества натуральных чисел {1,2, …n}

Метрика, близость состояний где - это числовой вектор с компонентами 0 или 1. Компонента вектора равна 1, если индекс этой компоненты входит в множество Взвешенная относительно характеристик мера

Словарь характеристик для нозологии «Пневмония, вызванная Streptococcus pneumoniae». Рейтинг характеристики (число процессов, в которых эта характеристика фиксировалась) Название характеристики 12938Возраст 22938Пол 32688ЭКГ 42667Фибриноген 52623Креатинин в сыворотке крови 62612Индивидуальные занятия ЛГ при заболевании легких 72588Глюкоза крови 82540Мочи анализ общий 92504АCT активность АЛT активность Крови анализ развернутый

Результаты численного моделирования Код нозол огии Название нозологии Число реализа ций процесс ов Число состояний/ Число обобщенных состояний Сжатие числа состояний после их обобщени я Мощность словаря до нормализ ации/ после нормализ ации 1J13Пневмония, вызванная Streptococcus pneumoniae /2921

Практическое применение В МИС нового пятого поколения (Mentor) – принятие решений Для формализации технологических карт Модель может применяться для моделирования процессов в другой предметной области при условии, что управление имеет прецедентный характер

Публикации Малых В.Л., Гулиев Я.И., Еремин А.В., Рудецкий С.В. Управление и принятие решений в лечебно-диагностическом процессе. XII Всероссийское совещание по проблемам управления ВСПУ-2014, Москва, июня, 2014 г. Труды. [Электронное издание], 6518.pdf, с , Малых В.Л., Гулиев Я.И. Управляемый стохастический прецедентный процесс с памятью как математическая модель лечебно- диагностического процесса и формализация технологических карт. Информационные технологии и вычислительные системы, С Малых В.Л., Гулиев Я.И. Моделирование лечебно-диагностического процесса в классе управляемых стохастических процессов с памятью // Врач и информационные технологии, С Малых В.Л., Гулиев Я.И. Прецеденты в медицинских информационных системах // Программные продукты и системы, (86). С

Вопросы?