Информатика. Медицинская информатика
 Скачать 4.4 Mb.
|
|
ТЕМА 12 КЛИНИЧЕСКИЕ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ. ПРОГНОЗИРОВАНИЕ В БИОЛОГИИ И МЕДИЦИНЕ Начало создания клинических систем поддержки принятия решений в развитых странах связано с осознанием острейшей социальной проблемы, ко- торое имеет жесткую временную привязку. В конце 1999 г. в США был опуб- ликован доклад Института медицины, в котором приводилась информация о том, что в стране ежегодно умирает в стационарах до 98 тысяч пациентов из-за предотвратимых ошибок, допущенных медицинским персоналом. При- мерно 7 тысяч пациентов умирает из-за ошибочных назначений медика- ментов, а это больше, чем от производственного травматизма. Стоимость лече- ния осложнений, вызванных только ошибочными назначениями медикаментов, составляет 2 миллиарда долларов в год. Эта информация мгновенно привела к серьезному давлению на больницы со стороны государства, страховых компа- ний и крупных работодателей, требующих повысить безопасность пациентов. Стало очевидно, что один из главных путей повышения безопасности пациен- тов состоит в использовании клинических информационных систем, снабжен- ных механизмами поддержки врачебных решений. Наличие такого механизма при назначении врачом препаратов непосредственно через систему позволяет избежать ошибок, вызванных несовместимостью назначаемых препаратов, их побочным действием, непереносимостью препаратов пациентом и т. д. Клинические системы поддержки принятия решений обычно пред- ставляют собой базы данных, которые объединяют электронные истории бо- лезни со специальными инструментами, такими как автоматические напомина- ния или калькуляторы дозировки лекарств, предназначенными для использова- ния клиницистами в процессе принятия решений. В основу этих систем должны быть положены научно обоснованные руководства по клинической практике или другие достоверные данные научных исследований. Именно механизмы поддержки принятия врачебных решений, использование которых приводит к повышению безопасности пациентов, являются главнейшей особенностью клинических систем поддержки принятия решений. Основные свойства клинических систем поддержки принятия решений: 1. Реализация механизмов поддержки принятия решений врача. 2. Дистанционный доступ к информации о лечении и обследовании пациентов. 3. Простота обучения и легкость использования системы. 4. Высокая скорость работы системы Такие системы должны предоставлять удаленный доступ к исчерпывающей информации о лечении и обследовании пациентов, должны быть максимально простыми в обучении и удобными в использовании, должны обеспечивать высокую скорость работы. 140 Эффекты, достигаемые при внедрении систем поддержки принятия решений: 1. Повышение качества лечения. 2. Повышение безопасности пациентов. 3. Рационализация расходов на лечение пациентов. Есть и другие важные эффекты, например, для академических клиник сущест- венно, что при внедрении такой системы облегчается проведение проспектив- ных рандомизированных исследований, признаваемых доказательными на- учным медицинским сообществом. Повышение качества лечения. Факторы, приводящие к повышению ка- чества лечения при внедрении клинической системы принятия решений, сгруп- пированы в таблице. Главная причина такого влияния – сетевая технология ле- чебно-диагностического процесса, являющаяся базовой составляющей клини- ческой информационной системы. Именно свойства этой технологии изменяют в лучшую сторону процессы диагностики, лечения, а также облегчают контроль лечебно-диагностического процесса со стороны администрации больницы. Таблица 12.1 Факторы, приводящие к повышению качества лечения в результате внедрения клинических информационных систем Процесс Фактор повышения качества лечения Диагностика Улучшение организации работы лабораторной службы Улучшение организации работы диагностических кабинетов Уменьшение затрат времени персонала на ведение текущей доку- ментации Уменьшение затрат времени персонала на составление отчетов и ведение журналов Предоставление персоналу доступа к архиву историй болезни Лечение (вра- чи) Использование механизмов поддержки врачебных решений Облегчение следованию стандартным протоколам лечения и об- следования Уменьшение затрат времени на ведение текущей документации Уменьшение затрат времени на составление отчетов и ведение журналов Обеспечение мгновенного доступа к архивным историям болезни Лечение (сред- ний медицин- ский персонал) Уменьшение количества ошибок при выполнении назначений Уменьшение затрат времени на составление сводок и отчетов, ве- дение журналов Уменьшение затрат времени на контакты с лабораторно- диагностической службой Контроль со стороны адми- нистрации Обеспечение круглосуточной доступности информации по лече- нию и обследованию пациентов из любой точки больницы и за ее пределами Обеспечение индикации невыполненных работ (консультаций спе- циалистов, обследований, наблюдений дежурных врачей) Обеспечение возможности анализа архивных историй болезни по- средством выполнения произвольных запросов 141 Повышение безопасности пациентов. Именно необходимость повыше- ния безопасности пациентов привела к началу распространения клинических систем поддержки принятия решений. Было показано, что после внедрения в больнице такой системы количество ошибок, допускаемых врачами при назна- чении препаратов, уменьшается более чем в 2 раза. Это достигается за счет того, что система при назначении врачом каждого препарата проверяет его со- вместимость с назначенными ранее препаратами, проверяет наличие в анамнезе пациента аллергических реакций, наличие аномальных показателей выполнен- ных обследований и сигнализирует врачу об обнаруженных эффектах. Ошибки, связанные с неразборчивостью рукописных записей в листах назначений назва- ния препарата, дозы, кратности и пути введения, исключаются при внедрении системы на 100%. Система позволяет избежать избыточных обследований, уменьшает время реакции врача на вновь выполненное обследование, сообщает врачу о выходе измеренных лабораторных показателей за границы нормы. Рационализация расходов на лечение пациентов. Это чрезвычайно важный эффект в наших условиях абсолютно недостаточного финансирования здравоохранения. Очевидно, что единственная причина, по которой не проис- ходит широкого внедрения клинических информационных систем нового поко- ления в российских больницах – отсутствие необходимых на это средств. Одна- ко показано, что вследствие рационализации расходов на лечение, достигаемой после внедрения системы нового поколения, затраченные на ее внедрение сред- ства, окупаются примерно за полтора года. В таблице перечислены основные механизмы, приводящие к более рациональному расходованию средств на ле- чение пациентов. Таблица 12.2 Основные механизмы, обусловливающие рационализацию расходов на ле- чение № Механизмы рационализации расходов на лечение 1 Персонифицированное распределение медикаментов 2 Предупреждения о неэффективных сочетаниях назначаемых препара- тов 3 Поддержка врачебных решений для уменьшения количества ослож- нений 4 Поддержка врачебных решений для исключения необоснованных об- следований 5 Поддержка врачебных решений для уменьшения среднего срока гос- питализации Внедрение клинической информационной системы обеспечивает механизм персонифицированного распределения медикаментов, так как все назначения препаратов делаются врачами непосредственно через систему. Прогнозирование (от греческого слова prognose – предвиденье, предска- зание), разработка прогноза – вероятного суждения о состоянии какого-либо явления в будущем; в узком значении – специальное научное исследование перспектив развития какого-либо явления, преимущественно с количественны- 142 ми оценками и с указанием более или менее определенных сроков изменения этого явления. Прогнозирование используется для управления состоянием объекта с це- лью оптимизации принимаемых решений. Различают три основных способа прогнозирования: - экстраполяция, - моделирование, - экспертиза. Но такая классификация условна, так как прогностические модели пред- ставляют экстраполяцию и экспертные оценки, последние представляют итоги экстраполяции и моделирования и так далее. В разработках прогнозов приме- няют такие методы аналогии, индукции и дедукции, различные статистические, экономические, социологические и другие методы. Конкретные методики, по которым ведется прогнозирование, образуются путем сочетания ряда методов. Иногда несколько методик составляют так на- зываемую прогнозирующую систему. Типовая методика прогнозирования содержит следующие основные эта- пы исследования: - предпрогнозная ориентация (определение объекта, предмета, рабочих гипотез, методов, структуры и организации исследования); - прогнозный фон (сбор данных, влияющих на развитие объекта); - исходная модель, то есть система показателей, параметров, отображаю- щая характер и структуру объекта; - поисковый прогноз (проекция в будущее исходной модели по наблю- даемой тенденции с учетом факторов прогнозного фона, чтобы выявить пер- спективные проблемы, подлежащие решению); - нормативный прогноз (проекция в будущее исходной модели в соответ- ствии с заданными целями и нормами по заданным критериям); - оценки степени достоверности и уточнение прогностических моделей, обычно опросом экспертов; - выработка рекомендаций для оптимизации решений на основе сопос- тавления прогностических моделей. Моделирование является одним из способов прогнозирования, применяемых в системах поддержки принятия решений в биологии и медицине. Моделирование медико-биологических процессов. Основные виды моделирования. Есть реальный мир вещей и явлений - звезд, атомов, перемещений, жизни организмов, болезней. А есть отображаю- щий эту реальность мир моделей, с которыми, в конце концов, работает наша мысль. Анализируя модели, мы прогнозируем свойства или дальнейшее пове- дение реального объекта. Модель - это искусственно созданный человеком объект любой природы, который замещает или воспроизводит исследуемый объект так, что изучение модели способно давать новую информацию об объекте. Модель всегда беднее реального объекта, она всегда отображает лишь некоторые его черты, причем в 143 разных случаях – разные. Все зависит от задачи, для решения которой создается модель. Объектами исследования в биологии и медицине является живой орга- низм в целом или его части, которые представляют собой очень сложные сис- темы. Поэтому исследователь неизбежно выбирает упрощенную точку зрения, подходящую для решения конкретно поставленной задачи. Выбор модели оп- ределяется целями исследования. Можно выделить 4 вида моделей, используе- мых в медицине и биологии: 1) Биологические предметные модели служат для изучения общих биоло- гических закономерностей, действия различных препаратов, методов лечения. К такому типу моделей относятся лабораторные животные, изолированные ор- ганы, культуры клеток. Этот вид моделирования - самый древний и играет большую роль в современной науке (первые полеты в космос, испытание новых лекарств и так далее). 2) Физические (аналоговые) модели – это физические системы или уст- ройства, которые обладают аналогичным с моделируемым объектом поведени- ем. Физическая модель может быть реализована в виде некоторого механиче- ского устройства или в виде электрической цепи. Например, процесс движения крови по крупным сосудам может быть смоделирован электрической цепью из конденсаторов и сопротивлений. К физическим моделям относятся технические устройства, заменяющие органы и системы живого организма. Это: аппараты искусственного дыхания, которые моделируют легкое; аппараты искусственно- го кровообращения (модель сердца) и так далее. Физическое моделирование является традиционным для медицины и в настоящее время достаточно широко используется и в лечебной практике, и в исследовательских целях. 3) Кибернетические модели – это различные устройства, чаще всего элек- тронные, с помощью которых моделируются информационные процессы в жи- вом организме. Среди информационных процессов один из самых распростра- ненных - это управление (например, - движением руки, всего тела или управле- ние величиной зрачка). Предполагается, что развитие ЭВМ и создание супер- ЭВМ следующих поколений позволит решить проблему “искусственного ин- теллекта”, то есть супер-ЭВМ будут кибернетической моделью работы мозга человека. 4) Математическая модель - это система формул, функций, уравнений, описывающих те или иные свойства изучаемого объекта, явления или процесса. Закон всемирного тяготения, закон Ома и так далее - все это математические модели реальных физических явлений. Когда же изучают динамические про- цессы, то математической моделью обычно является система дифференциаль- ных уравнений (то есть уравнений, содержащих производные), так как именно производные отражают изменение интересующих нас величин в исследуемой системе. Математическое моделирование какого-либо процесса возможно, ко- гда достаточно хорошо изучены его физические и биологические закономерно- сти. Но перечень таких процессов в живом организме пока еще невелик. Вне- дрение ЭВМ расширило возможности математического моделирования в меди- цине, так как стало возможным моделирование более сложных систем. 144 Отличительные особенности метода математического моделирования состоят в следующем: 1. Во-первых, математическое моделирование позволяет исследовать по- ведение биологической системы в таких условиях, которые трудно создать в эксперименте или клинике, причем без существенных материальных затрат. 2. Во-вторых, уменьшается время исследования, так как на ЭВМ можно за короткое время “разыграть” огромное число вариантов опыта. 3. В-третьих, математическая модель облегчает решение задач по лече- нию болезней, так как позволяет очень быстро, в считанные секунды, ответить на вопросы, возникающие при лечении. Этапы математического моделирования. Принято выделять три основных этапа при изучении явления с помощью математического моделирования: I этап - создание основы математической модели. При этом необходимо: а) накопить экспериментальные данные о процессах в изучаемой системе, б) составить уравнение или систему уравнений, описывающих известные фак- ты. II этап - проверка и корректировка модели. При этом необходимо: а) определить численные значения коэффициентов и задать начальные условия, б) решить систему уравнений, в) сравнить полученное решение с данными эксперимента, выявить несоответ- ствия, выяснить их причины, г) ввести поправки в математическую модель. III этап - исследование математической модели, то есть использование ее в практических целях; конечной целью этого этапа является получение новой информации об исследуемом объекте. Пример. Математическое моделирование роста популяции микроор- ганизмов. Динамика численности популяция - изменение количества живых особей в связи с рождаемостью и смертностью - один из важнейших вопросов в экологии популяций. С этой задачей приходится иметь дело при рассмотрении условий размножения саранчи, количества животных на определенной терри- тории, при исследовании заболеваний, обусловленных размножением патоген- ных микроорганизмов. Именно поэтому математическое моделирование чис- ленности популяции вызывает не только теоретический интерес, но и имеет важное практическое значение. Большинство воспалительных процессов обусловлено развитием популяции па- тогенных микроорганизмов, и поэтому именно этот фактор необходимо вклю- чить в математическую модель, описывающую развитие воспалительных про- цессов. При развитии популяции микроорганизмов большое значение имеет бактерицидные и бактериостатические воздействия на эти микроорганизмы. К числу таких воздействий относятся: иммунные факторы, конкуренция микроор- ганизмов в поисках источников питания, воздействие антибактериальных пре- паратов и др. После первичного инфицирования популяция микроорганизмов в пита- тельной среде начинает быстро размножаться. Относительная скорость роста 145 численности некоторое время сохраняется постоянной. Иными словами, вели- чина полному числу имеющихся микроорганизмов N и времени dt, за которое обра- зуются микроорганизмы, не изменяется во времени: dN Ndt =const или dN dt =N Коэффициент зависит от особенностей рассматриваемого вида организмов, а также состава среды, где они размножаются, и физических условий. Его вели- чина, определяющая относительную скорость размножения микроорганизмов, связана с так называемым периодом генерации Т, равным среднему промежут- ку времени между последовательными делениями микроорганизмов: ln2 / T = 0,69 / T. Дифференциальное уравнение, описывающее размножение микроорга- низмов имеет решение в виде: N = N o e t , где N o - число микроорганизмов в момент времени t=0, e2,71. Чем больше коэффициент число организмов в популяции. Полученное уравнение описывает неограниченный рост численности по- пуляции. В реальных условиях в ограниченном пространстве увеличение коли- чества микроорганизмов не может происходить неограниченно. Этому препят- ствуют истощение запаса питательных веществ, а также продукты жизнедея- тельности микроорганизмов, вызывающие их отравление. И поэтому в ходе за- болевания увеличение количества микроорганизмов прекращается, а в даль- нейшем (по мере выздоровления) происходит сокращение популяции. Поэтому ясно, что простая экспонента не может служить хорошей математической мо- делью рассматриваемого процесса. Более точное описание развития популяции дает уравнение Ферхюльста-Перла, полученное в 1845 году. Это уравнение учитывает "эффект самоотравления" популяции, или в общем виде - внутриви- довую борьбу в популяции. Этот эффект, снижающий скорость роста популя- ции, объясняется многими причинами: конкурентной борьбой за место и пищу, распространением инфекции из-за тесноты и т.п. Очевидно, конкуренция тем выше, чем большее количество встреч между особями, а количество этих встреч пропорционально произведению N*N = N 2 . С учетом этого эффекта ско- рость размножения микроорганизмов выражается дифференциальным уравне- ние Ферхюльста-Перла: dN dt = N - N 2 Второй член правой части равенства отражает снижение скорости роста попу- ляции из-за внутривидовой конкуренции. Положительную постоянную величи- внутривидовой конкуренции. Полученное уравнение часто записывают в ином виде. Вынесем за скобки N. Тогда 146 dN dt = N (1 - N) или dN dt = N - N Обозначив - h, окончательно получаем: dN dt = N h - N h Решение этого дифференциального уравнения имеет вид: (t) = N he t h - N + N e t Графики этой функции, получившие название логистических кривых, при раз- личных приведены на рис. 12.1. Рис. 12.1. Логистические функции, описывающие рост популяции микроорга- низмов. В начальный момент времени t = 0 количество живых организмов N рав- но некоторому их начальному значение N 0 . Затем приходит экспоненциальное нарастание численности в интервале времени 0 < t < 1 h - N N ln , с момента вре- мени t= 1 h - N N ln скорость увеличения популяции уменьшается, и количество живых организмов асимптотически приближается к величине h. Поэтому вели- чину h называют максимальной численностью популяции (теоретически) воз- можной в данных условиях. Поскольку h = , то очевидно, что максималь- ное количество особей в популяции зависит только от условий, определяющих их размножение ( и внутривидовую борьбу (). С помощью математической модели Ферхюльста-Перла можно анализи- ровать и более сложные ситуации, например, количество особей в неизолиро- ванной популяции. В данном случае рассматриваемое дифференциальное урав- нение преобразуется к виду: 147 dN dt = N - N 2 + N 1 - N 2 , где N 1 -приток извне, то есть численность особей, поступающих в данную по- пуляцию (например, из соседнего ареала), N 2 - численность особей, покидаю- щих данную популяцию. Список литературы 1. Астанин С.В., Курейчик В.М., Попов Д.И., Кузьмицкий А.А. Интеллекту- альная образовательная среда дистанционного обучения // Новости искус- ственного интеллекта. - 2003. - N 1. - С. 7-14. 2. Голенков В.В., Емельянов В.В., Тарасов В.Б. Виртуальные кафедры и ин- теллектуальные обучающие системы // Новости искусственного интеллек- та. - 2001. - N 4. - С. 3-13. 4. Кобринский Б.А. Ретроспективный анализ медицинских экспертных сис- тем // Новости искусственного интеллекта. - 2005. - N 2. - С. 6-17. 5. Кобринский Б.А. Консультативные интеллектуальные медицинские систе- мы: классификации, принципы построения, эффективность // Врач и ин- формационные технологии. - 2008. - N 2. - С. 38-47. 6. Плаксин М.А., Решетников И.П. Мягкие вычисления при диагностике за- болеваний // Труды Международного семинара "Мягкие вычисления-96". - Казань, 1996. - С. 166-169. 7. Приходина Л.С., Марьянчик Б.В., Длин В.В. Игнатова М.С. Компьютерная система и нефротренажер для дифференциальной диагностики заболеваний почек у детей с синдромом гематурии // Информационные технологии в здравоохранении. - 2002. - N 8-10. - С. 16-17. 8. Таран Т.А. Технология обучения понятиям в интеллектуальных обучаю- щих системах // Новости искусственного интеллекта. - 2003. - N 6. - С. 18- 23. 9. Wille R., Ganter D. Formal concept analysis. - Berlin: Springer - Verlag, 1999. Контрольные вопросы 1. Что такое клиническая система поддержки принятия решений? 2. В чем заключаются преимущества использования клинических систем поддержки принятия решений? 3. Перечислите основные свойства клинических систем поддержки принятия решений. 4. Какие эффекты достигаются при внедрении клинических систем поддерж- ки принятия решений? 5. Что такое прогнозирование? 6. Какие способы прогнозирования могут использоваться в клинической практике? 7. Что называется моделью? 8. Какие основные виды моделей используются в биологии и медицине? 9. В чем заключаются преимущества использования математического моде- лирования? 148 10. Для чего используется модель роста и размножения микроорганизмов ? Клинические информационные ресурсы http://uacm.kharkov.ua/ - Украинская ассоциация компьютерной ме- дицины http://medicinform.net/ - медицинская информационная сеть Украина http://health-ua.com/ - Сайт медицинской газеты "Здоровье Украи- ны". Публикации о методиках и подходах в лечении заболеваний http://ukrmed.org.ua - каталог сайтов медицинской тематики, но- вости медицины; лабораторная диагностика http://www.ukrlibworld.kiev.ua/ - Государственная научная медицинская биб- лиотека Украины http://doctor-ru.org/resources.html - Медицинская литература: клинические ре- комендации, практические руководства, стандарты терапии, протоколы ведения па- циентов, учебники, методические рекомен- дации Международные, Европейские, Аме- риканские Практические Руководства и Ре- комендации для врачей общей практики, те- рапевтов, инфекционистов и врачей других специальностей http://evbmed.fbm.msu.ru/ - Московский центр доказательной терапии и фармакотерапии http://stphs.narod.ru/ - Санкт-Петербургский институт обществен- ного здравоохранения http://www.cochrane.ru/ - Российское отделение Кокрановского Со- трудничества http://www.osdm.org/ - Межрегиональное сообщество специалистов доказательной медицины http://doctor-ru.org/books.html - зарубежные практические руководства по клинической медицине 2011 года издания http://www.cebm.net/ - Оксфордский Центр доказательной медици- ны http://www.cche.net/usersguides/main.asp - Центр Health Evidence http://www.library.health.ufl.edu/pubmed/PubMed2/ - Библиотека Health Science Center Университета Фло- риды http://www.cebm.utoronto.ca/intro/whatis.htm - Центр Доказательной ме- дицины Университета То- ронто http://library.umassmed.edu/EBM/tutorials/ - Медицинская Школа Мас- сачусетского Университе- та. Центр ДМ |