Разработка методов учета и анализа неблагоприятных клинических событий в высокотехнологическом нейрохирургическом стационаре с помощью технологий искусственного интеллекта

Осложнения – одна из наиболее часто обсуждаемых тем в научной литературе, посвященной хирургическому лечению заболеваний нервной системы. По данным базы pubmed Национальной библиотеки медицинской литературы США около 25% всех работ в нейрохирургии посвящены осложнениям. Однако попытки системно изучить и классифицировать осложнения хирургического лечения патологии нервной системы предпринимались в единичных исследованиях. Brock и соавторы (2016) на основании немногочисленных работ, посвященных систематизации осложнений в нейрохирургии, приходят к выводу о том, что ведущие мировые центры должны проанализировать свои медицинские записи в первую очередь для разработки классификации сложности нейрохирургических операций, которая зависит от наличия факторов риска и взаимосвязана с развитием сложно предсказуемого числа осложнений. Эта же группа авторов видит целесообразным разработку более детализированной (по сравнению со шкалой Американского Общества Анестезиологов ASA) системы (шкалы) описания предоперационного состояния пациента, не ограничиваясь неврологическим статусом. Таким образом, важным условием для систематизации осложнений в нейрохирургии является наличие большого архива наблюдений – медицинских записей - с единым подходом к описанию неблагоприятных клинических событий, а также градация осложнений в зависимости от их клинической значимости. В качестве источника для подобного рода анализа может стать архив электронных медицинских записей за большой период времени. Электронные записи в медицинских информационных системах, которые используют с известными ограничениями в ретроспективных исследованиях, являются латентными информационными недрами медицины, разработка которых в настоящее время абсолютно необходима и возможна с использованием современных информационных и аналитических технологий, в том числе – методов анализа текстов и машинного обучения. Текст – наиболее распространенная форма записи в медицинской информационной системе, содержание которой, как правило, слабо формализовано или структурировано. Современные технологии анализа текстов позволяют исследовать содержание медицинских записей, выделяя значимую информацию для формулирования и проверки научных гипотез. Технологии «искусственного интеллекта», в первую очередь, машинное обучение, позволяют строить диагностические и прогностические модели на данных, извлеченных из медицинских текстов. Машинное обучение – это класс вычислительных методов для формирования наиболее эффективных математических моделей на основе большого массива накопленных данных. Поиск оптимальной модели для решения поставленной математической задачи на имеющемся наборе данных является «обучением». Математические модели, полученные с помощью «обучения», могут быть использованы для решения большого класса аналитических задач, например, кластеризации, классификации или регрессии. Применение именно этих технологий важно для идентификации неформализованных сущностей (в том числе - осложнений) в неструктурированных данных, или трансформации неструктурированных данных в структурированный и пригодный для анализа вид. Решение задачи автоматизированной идентификации нежелательных явлений позволит оценить риски осложнений, сравнивать результаты лечения в разных клиниках и прогнозировать клинические исходы в нейрохирургии, управлять рисками неблагоприятных событий и качеством оказания медицинской помощи в нейрохирургии, объективизировать максимальный спектр документируемых факторов риска осложнений и их взаимосвязь с особенностями хирургического лечения. Архив электронных медицинских записей ФГАУ «НМИЦ нейрохирургии им. ак. Н.Н. Бурденко» Минздрава России – одного из самых крупных нейрохирургических учреждений России и мира - содержит информацию о более 140 000 случаях хирургического лечения за период 2001-2021 гг. и позволяет решать задачу идентификации и прогнозирования рисков нейрохирургических осложнений с большим запасом статистической достоверности. Отраслевыми проблемами, на решение которых направлен проект, являются: 1) Необходимость обеспечения качества и безопасности оказания нейрохирургической помощи за счет уменьшения факторов риска развития неблагоприятных явлений в стационаре; 2) Отсутствие методов автоматизированного сбора информации о нежелательных явлениях в высокотехнологических стационарах; 3) Отсутствие методов автоматизированной оценки профилей безопасности оказания нейрохирургической помощи. Таким образом, проект направлен на решение следующих значимых для отрасли здравоохранения задач: 1) Организация интеллектуального мониторинга качества и безопасности оказания медицинской помощи; 2) Интеллектуальный анализ данных о безопасности оказания нейрохирургической помощи и его автоматизация; 3) Применение технологий искусственного интеллекта для автоматизации слежения за нежелательными явлениями в высокотехнологичном нейрохирургическом стационаре; 4) Минимизация неблагоприятных клинических событий в высокотехнологичном нейрохирургическом стационаре.