Описание структуры и этапов проектирования информационной системы поддержки принятия врачебных решений при ведении больных с ишемической болезнью сердца, в основе которой лежит интеллектуальный анализ данных, представленный математическими моделями.
При низкой оригинальности работы "Особенности проектирования медицинской информационной системы поддержки принятия решений, основанной на интеллектуальном анализе данных", Вы можете повысить уникальность этой работы до 80-100%
ОСОБЕННОСТИ ПРОЕКТИРОВАНИЯ МЕДИЦИНСКОЙ ИНФОРМАЦИОННОЙ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ, ОСНОВАННОЙ НА ИНТЕЛЛЕКТУАЛЬНОМ АНАЛИЗЕ ДАННЫХ Кнышов1, А.В. Руденко1, Е.А.В основе информационной системы лежит интеллектуальный анализ данных, представленный математическими моделями прогноза развития острой сердечной недостаточности, что позволяет на дооперационном этапе выявить риск развития осложнения в раннем послеоперационном периоде. Разработанная информационная технология позволяет не только выявлять риск развития осложнения, но и принимать решения с целью коррекции лечебного процесса. В основі інформаційної системи лежить інтелектуальний аналіз даних, наданий математичними моделями прогнозу розвитку гострої серцевої недостатності, що дозволяє на передопераційному етапі виявити ризик розвитку ускладнення в ранньому післяопераційному періоді.Современные медицинские информационные системы (МИС) обеспечивают сбор, регистрацию, структурирование, документирование данных, обмен, хранение и поиск информации, а также поддержку принятия решений (ППР) по оказанию медицинской помощи пациентам. Кроме того, часто в массивах данных содержатся недостающие для принятия успешных решений скрытые знания, получить которые можно с помощью современных направлений информационных технологий (ИТ) и методов интеллектуального анализа данных (ИАД). Это позволяет создавать модели прогноза развития осложнений, анализировать структуры факторов, приводящих к осложнениям, выявлять пациентов повышенного риска, а также осуществлять динамическую корректировку лечебного процесса с целью минимизации риска развития и тяжести осложнений и снижения числа повторных обращений. Целью данной работы было обоснование необходимости и представление этапов проектирования информационной системы, основанной на ИАД на примере прогноза риска развития острой сердечной недостаточности (ОСН), в раннем послеоперационном периоде. Для решения поставленной цели был проведен анализ результатов хирургического лечения 4 809 пациентов с ишемической болезнью сердца (ИБС), которым было выполнено аорто-коронарное шунтирование (АКШ) в 2008-2012 гг. За исследуемый период было выполнено 3 683 операции АКШ на работающем сердце и 1 126 операций с переходом на искусственное кровообращение (ИК) (72 - с экстренным и 1 054 - с плановым переходом на ИК).Для достижения успеха в принятии решения и ИАД необходимо иметь четкое представление о цели анализа, собрать релевантные данные, выбрать адекватные методы анализа и проверить предпосылки их применения; выбрать программно-технологические и математические средства, реализующие эти методы; выполнить анализ и принять решение об использовании результатов. Объектом исследований была МИС для прогноза риска развития осложнений, на примере ОСН и ППР, которая обеспечивает следующие функции: - возможность осуществления поиска пациента в базе данных (БД); - ввод и сопровождение истории болезни поступившего пациента; - прогноз развития осложнений; Определяя основные требования к МИС ППР, было проанализировано ее функциональное назначение и была построена диаграмма вариантов использования (рис. Блок ППР, построенный на основе ИАД, обеспечивает прогноз риска развития осложнений и предоставляет информацию, необходимую для коррекции лечебного процесса. Формы пользовательских приложений дают возможность вводить, корректировать и анализировать данные по пациенту, рассчитывать риск развития осложнений в раннем послеоперационном периоде и формировать статистические отчеты.Спроектированная информационная система полезна для сопровождения лечебного процесса, оценки риска развития осложнений в раннем послеоперационном периоде и для выявления структуры факторов-предикторов влияющих на развитие ОСН. Разработанная ИТ построения прогностических моделей на основе ИАД позволяет неограниченно расширять спектр прогнозируемых осложнений и дает возможность выявлять пациентов повышенного риска. Система показала свою эффективность при тестовом использовании на ретроспективных данных, а также в реальных условиях лечебного процесса. Разработанные модели позволяют с высокой надежностью (более 90 %) прогнозировать вероятность развития осложнения в раннем Как описывать статистику в медицине / руководство для авторов, редакторов и рецензентов / Т.А.
Вывод
Для достижения успеха в принятии решения и ИАД необходимо иметь четкое представление о цели анализа, собрать релевантные данные, выбрать адекватные методы анализа и проверить предпосылки их применения; выбрать программно-технологические и математические средства, реализующие эти методы; выполнить анализ и принять решение об использовании результатов.
Объектом исследований была МИС для прогноза риска развития осложнений, на примере ОСН и ППР, которая обеспечивает следующие функции: — возможность осуществления поиска пациента в базе данных (БД); — ввод и сопровождение истории болезни поступившего пациента; — прогноз развития осложнений;
— построение моделей динамики факторов, необходимых врачу для принятия решений;
— составление отчета по необходимым для врача критериям; — сохранение полученных результатов в БД системы.
Определяя основные требования к МИС ППР, было проанализировано ее функциональное назначение и была построена диаграмма вариантов использования (рис. 1).
Рис. 1. Диаграмма вариантов использования МИС ППР: БД — база данных; ОСН — острая сердечная недостаточность; ФР — факторы риска
ISSN 0452-9910. Кибернетика и вычисл. техника. 2014. Вып. 177 81
Исходя из функционального назначения, структура МИС ППР включает три блока, которые отвечают за сбор и накопление данных, ИАД и формализацию результатов (рис. 2).
Модуль базы данных (БД) позволяет структурировать и хранить информацию. Блок ППР, построенный на основе ИАД, обеспечивает прогноз риска развития осложнений и предоставляет информацию, необходимую для коррекции лечебного процесса. Формы пользовательских приложений дают возможность вводить, корректировать и анализировать данные по пациенту, рассчитывать риск развития осложнений в раннем послеоперационном периоде и формировать статистические отчеты.
Рис. 2. Общая структура ИС: ОСН — острая сердечная недостаточность; БЛР — бинарная логистическая регрессия; ДА — дискриминантный анализ; MDR — Multifactor Dimensionality Reduction; МИС ППР — медицинская информационная система поддержки принятия решений
При проектировании систем, работающих с большими объемами данных, разработчики сталкиваются с двумя основными проблемами - обработка экспоненциально нарастающих объемов данных, поступающих в реальном времени и сокращение времени их обработки. В отделении хирургии ИБС Национального института сердечно-сосудистой хирургии им. Н.М. Амосова НАМН Украины врачи получают серию графических и видеофайлов, объем которых может занимать десятки гигабайт, а количество исследований постоянно возрастает. Поэтому выбор системы управления базой данных (СУБД) при разработке МИС являлся одной из важнейших задач на этапе проектирования.
При построении информационной системы потребовалось выбрать среду проектирования серверной и клиентской частей. Поскольку МИС должна обеспечивать обмен данными со многими пользователями, централизованная БД с сетевым доступом потребовала выбор клиент-серверной архитектуры, которая совмещает преимущества модели сетевых расчетов, высокие характеристики производства и облегчение администрирования.
В настоящее время активная конкуренция идет не между отдельными СУБД, а между их типами - реляционными и постреляционными [10].
К современным СУБД, поддерживающим модель сетевых вычислений «клиент-сервер», относятся Oracle, Informix, SYBASE, Microsoft SQL Server и ряд других. Из всех параметров, по которым их можно анализировать и сравнивать было выделено несколько: — надежность и защищенность (обеспечение безопасности и целостности данных, система ограничений и ограничителей, автоматическое архивирование, ведение системных журналов);
— быстродействие (наличие SQL-функций, хранимых процедур и оптимизация запросов);
— высокая совместимость с сетевой операционной системой;
— простота администрирования и наличие справочной литературы и документации [11].
Именно эти соображения позволили выбрать Microsoft SQL Server в качестве СУБД при разработке МИС ППР.
При разработке структуры БД МИС были сформулированы следующие принципы: 1. Система разрабатывается в условиях эксплуатации ряда программных средств.
2. Имеются значительные объемы накопленной информации, которая должна быть эффективно использована.
3. БД системы доступна из различных программных средств без использования специальных средств экспорта/импорта.
4. Накапливаемая в БД информация может формироваться в отчеты. Результатом явилось создание БД, где центральной таблицей является таблица PATIENTS, содержащая паспортные данные больного. Сведения о пребывании больного в стационаре содержатся в таблице ADMISSION, связанной с предыдущей по уникальному ключевому полю. Именно к этой таблице могут быть подключены дополнительные таблицы, содержащие информацию об обследовании и лечении данного больного в отделении.
ISSN 0452-9910. Кибернетика и вычисл. техника. 2014. Вып. 177 83
Массивы данных содержат последовательные наблюдения, которые были накоплены в ходе планового лечебного процесса и постепенно поступают в БД для последующего хранения, обработки и анализа, где хранятся в стандартном формате медицинских данных.
Интеграция статистических методов и СУБД позволяет создавать эффективные системы ППР различного назначения.
Так, вторым блоком, разрабатываемой МИС ППР является ИАД, в основе которого заложен разработанный алгоритм, что позволяет рассчитывать не только прогноз развития осложнения, но и определять годовые показатели значимых факторов риска (ФР).
Идея алгоритма заключается в том, что изначально анализировался ряд статистических методов, которые позволяют рассчитывать прогноз развития осложнения. Статистическая обработка материала проводилась с использованием БЛР с помощью модуля автоматического включения Binary Logistic и дискриминантного анализа с помощью модуля принудительного включения Discriminant Analysis пакета программ IBM SPSS Statistics 20.0 [12]. Нахождение взаимосвязей факторов риска между собой проводилось с помощью пакета Multifactor Dimensionality Reduction 2.0 Beta 8.4.
Прогноз риска развития ОСН осуществлялся на основе показателей, которые оказывают наибольшее влияние на ее развитие. Подробно построенные модели прогноза развития ОСН представлены в работе [13].
Для оценки влияния факторов риска на послеоперационные осложнения у пациентов с ИБС использовались критерий Пирсона и коэффициенты корреляции Спирмена и Кендалла.
В модель были включены признаки, для которых уровень статистической значимости коэффициентов корреляции с ОСН составлял р < 0,05.
Вторым шагом алгоритма было сравнение построенных моделей, с целью выбора наиболее эффективного метода. Для оценки чувствительности и специфичности построенных моделей была использована кросс-проверка (cross validation test), т.е. метод оценки модели и ее поведения на независимых данных.
Для определения диагностической ценности результирующей прогностической модели использовалась ROC-кривая с последующим определением площади под ней (диагностически значимым является показатель, превышающий 0,70 [6, 7]).
С помощью наиболее эффективного метода строится математическая модель прогноза развития ОСН в раннем послеоперационном периоде, на основе собранных за год данных и отбираются значимые ФР для дальнейшего анализа и воздействия лечебными мероприятиями.
Каждый последующий год по модели предыдущего года рассчитывается риск развития ОСН, а в конце года строится новая математическая модель прогноза развития осложнения и сравниваются ФР. Это позволяет отслеживать данные, влияющие на развитие осложнения, вносить коррективы в лечебный процесс и анализировать, что удалось снивелировать (рис. 3).
Работа алгоритма для пользователя представлена третьим блоком, который содержит ряд форм пользовательского приложения. При запуске
AГ.В. Кнышов, А.В. Руденко, Е.А. Настенко, А.В. Яковенко, С.О. Сиромаха, С.С. Галич, 2014 84 ISSN 0452-9910. Кибернетика и вычисл. техника. 2014. Вып. 177 открывается форма для навигации по МИС ППР, с которой можно попасть на форму поиска, форму просмотра/редактирования/внесения новых данных по пациенту и еще две формы: для расчета индивидуальной оценки риска развития осложнений у конкретного пациента и для анализа факторов риска развития ОСН по данным двух годов, на основе которых формируются решения для корректировки и совершенствования лечебного процесса.
Рис. 3. Информационная модель алгоритма анализа расчета моделей и динамики данных: ОСН — острая сердечная недостаточность; ФР — факторы риска
Для врача представлена структура ФР, которые оказывали влияние на развитие ОСН в раннем послеоперационном периоде, на примере больных 2008 г. Видя ее, он может выделить ряд признаков на которые можно было бы тем или иным способом повлиять на дооперационном этапе, с целью снижения вероятности риска развития осложнения.
В течении последующего года рассчитывается риск развития ОСН и проводятся лечебные меры. Затем по накопленным данным текущего года рассчитывается модель прогноза развития осложнения, отбираются значимые ФР этого периода и сравниваются с ФР предыдущего. Таким образом, можно увидеть, что рядом лечебных воздействий удалось снивелировать некоторые факторы, часть ФР повторились в следующем году и часть новых факторов вошли в модель (рис. 4).
Возможно, повторившиеся ФР, не зависят от самого врача, ведь есть признаки, на которые нет возможности влиять на дооперационном этапе. Но также остается вероятность того, что лечебные воздействия не были эффективными. В этом случае целесообразно пересмотреть тактику ведения больных.
Исходя из этапов алгоритма, весь цикл шагов повторяется, что с каждым последующим годом дает возможность врачу определять и вводить в
ISSN 0452-9910. Кибернетика и вычисл. техника. 2014. Вып. 177 85 постоянную практику ряд дополнительных лечебных мероприятий.
Рис. 4. Пример работы алгоритма для анализа динамики факторов риска: ЛЖ — левый желудочек; МК — митральный клапан; АК — аортальный клапан;
ЛКА — левая коронарная артерия; ТК — трикуспидальный клапан; ИК — искусственное кровообращение; РАЛЖ — резекция аневризмы левого желудочкаСпроектированная информационная система полезна для сопровождения лечебного процесса, оценки риска развития осложнений в раннем послеоперационном периоде и для выявления структуры факторов-предикторов влияющих на развитие ОСН.
Разработанная ИТ построения прогностических моделей на основе ИАД позволяет неограниченно расширять спектр прогнозируемых осложнений и дает возможность выявлять пациентов повышенного риска. Кроме того, она является инструментом для врача в принятии решений с целью коррекции лечебных мероприятий и минимизации риска развития осложнений.
Система показала свою эффективность при тестовом использовании на ретроспективных данных, а также в реальных условиях лечебного процесса. Разработанные модели позволяют с высокой надежностью (более 90 %) прогнозировать вероятность развития осложнения в раннем
AГ.В. Кнышов, А.В. Руденко, Е.А. Настенко, А.В. Яковенко, С.О. Сиромаха, С.С. Галич, 2014 86 ISSN 0452-9910. Кибернетика и вычисл. техника. 2014. Вып. 177 послеоперационном периоде. В статье приведены результаты для тестовой выборки 2008 г.
1. Ланг Т.А. Как описывать статистику в медицине / руководство для авторов, редакторов и рецензентов / Т.А. Ланг, М. Сесик. — М. : Практическая Медицина, 2011. — 480 с.
2. Григорьев С.Г. Логистическая регрессия. Многомерные методы статистического анализа категориальнных данных медицинских исследований : уч. пособие / С.Г. Григорьев, В.И. Юнкеров, Н.Б. Клименко. — СПБ, 2001. — С. 10-21.
3. Дискриминантный анализ / Дж.-О. Ким [и др.] // Факторный, дискриминантный и кластерный анализ. — М. : Финансы и статистика, 1989. — С. 78-138.
4. Jakulin, A. Quantifying and Visualizing Attribute Interactions / A. Jakulin, I. Bratko // An Approach Based on Entropy. PKDD. — 2004. — Vol. 3. — P. 229-240.
5. Дюк, В. Data Mining: учебный курс / В. Дюк, А. Самойленко. — СПБ. : «Питер». — 2001.
6. Risk stratification and therapeutic decision making in acute coronary syndromes / E.M. Ohman, C.B. Granger, R.A. Harrington, K.L. Lee // JAMA. — 2000. — Vol. 8. — 284 p.
7. Бирман Э.Г. Сравнительный анализ методов прогнозирования / Э.Г. Бирман. — НТИ. Сер. 2. — 1986. — № 1. — С. 11-16.
8. Дерябкин В.П. Проектирование информационных систем по методологии UML : методические указания к учебно-лабораторному практикуму / сост. В.П. Дерябкин, В.В. Козлов. — Самара : Самарск. гос. арх.-строит. ун-т, 2008. — 42 с.
9. Маклаков С.В. BPWIN ERWIN CASE-средства разработки информационных систем / С.В. Маклаков. — М. : Диалог-МИФИ, 2001. — 304 с.
10. Кузнецов С.Д. Основы баз данных / С.Д. Кузнецов — 2-е изд. — М. : Интернет- университет информационных технологий; БИНОМ. Лаборатория знаний, 2007. — 484 с.
11. Гарсиа-Молина Г. Системы баз данных. Полный курс / Г. Гарсиа-Молина, Дж. Ульман, Дж. Уидом. — М. : Вильямс, 2003. — 1088 с.
12. Бююль, А. SPSS: искусство обработки информации. Анализ статистических данных и восстановление скрытых закономерностей : пер. с нем. — СПБ. : ООО «ДИАСОФТЮП», 2005. — 608 с.
13. Выявление структуры факторов риска развития острой сердечной недостаточности в раннем послеоперационном периоде / А.В. Яковенко, А.В. Руденко, Е.А. Настенко, Н.Л. Руденко, В.А. Павлов // Восточно-европейский журнал передовых технологий. — 2013. — № 3/10 (63). — с. 4-8.
