Эффективные системы поддержки принятия решений в клинической практике и профилактике: обзор литературы

Обложка

Цитировать

Полный текст

Аннотация

Системы принятий клинических решений (СПКР) способны в значительной степени упростить работу специалистов и помочь избежать врачебных ошибок, часто значимо превосходя человеческие возможности в обработке большого количества информации. Внедрение подобных систем представляет собой сложную задачу и нуждается в высокотехнологичных разработках. Годовой прирост создания таких систем представляет собой геометрическую прогрессию, однако вопрос внедрения большинства из них в реальную клиническую практику и клинические рекомендации остается открытым. СПКР демонстрируют разнообразие их использования для решения разных вопросов диагностики, лечения и профилактики заболеваний, а также рассматривают связь между научными клиническими наблюдениями. В настоящее время технологические возможности создания СПКР используют многие системы накопления и обработки данных с применением алгоритмов машинного обучения и свёрточных нейронных сетей, что приводит к получению данных, опережающих способности человеческого мышления принять логику рекомендуемых решений. В работе представлены наиболее изученные современные СПКР, возможности их применения и проблемы внедрения.

Об авторах

Артем Андреевич Комков

НМИЦ терапии и профилактической медицины; Городская клиническая больница № 67 им. Л.А. Ворохобова

Автор, ответственный за переписку.
Email: artemkomkov@gmail.com
ORCID iD: 0000-0001-7159-1790
SPIN-код: 4292-2364

канд. мед. наук

Россия, Москва; Москва

Светлана Васильевна Рязанова

НМИЦ терапии и профилактической медицины

Email: srayzanova@gnicpm.ru
ORCID iD: 0000-0001-6776-0694
SPIN-код: 2487-0500

канд. мед. наук

Россия, Москва

Владимир Павлович Мазаев

НМИЦ терапии и профилактической медицины

Email: vpmazaev@gnicpm.ru
ORCID iD: 0000-0002-9782-0296
SPIN-код: 5288-7010

д-р мед. наук, профессор

Россия, Москва

Список литературы

  1. Sutton RT, Pincock D, Baumgart DC, et al. An overview of clinical decision support systems: benefits, risks, and strategies for success. NPJ Digit Med. 2020;3:17. doi: 10.1038/s41746-020-0221-y
  2. What are the advantages of electronic health records? [Internet]. HealthIT.gov [cited 2023 Sep 26]. Available from: https://www.healthit.gov/faq/what-are-advantages-electronic-health-records
  3. Kulikova MS, Kalinina AM, Eganyan RA, et al. Use of mobile health tools in controlling overweight and eating habits: results of a Russian multicenter randomized trial. Profilakticheskaya Meditsina. 2022;25(12):46–54. (In Russ). doi: 10.17116/profmed20222512146
  4. Gorban VI, Bakhtin MY, Shchegolev AV, Lobanova YV. The clinical decision support system for sepsis as an important part of the medical and economic component of a hospital. Almanac of Clinical Medicine. 2019;47(3):204–211. (In Russ). doi: 10.18786/2072-0505-2019-47-010
  5. Losik DV, Kozlova SN, Krivosheev YuS, et al. Retrospective analysis of clinical decision support system use in patients with hypertension and atrial fibrillation (INTELLECT). Russian Journal of Cardiology. 2021;26(4):4406. (In Russ). doi: 10.15829/1560-4071-2021-4406
  6. Petraikin AV, Skripnikova IA. Quantitative Computed Tomography, modern data. Review. Medical Visualization. 2021;25(4):134–146. (In Russ). doi: 10.24835/1607-0763-1049
  7. Chen T, Guestrin C. XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining; 2016 Aug 13–17. P. 785–794. doi: 10.1145/2939672.2939785
  8. Kursa MB, Rudnicki WR. Feature Selection with the Boruta Package. Journal of Statistical Software. 2010;36(11):1–13. doi: 10.18637/JSS.V036.I11
  9. Overmars LM, Van Es B, Groepenhoff F, et al. Preventing unnecessary imaging in patients suspect of coronary artery disease through machine learning of electronic health records. Eur Heart J Digit Health. 2021;3(1):11–19. doi: 10.1093/ehjdh/ztab103
  10. El-Ganainy NO, Balasingham I, Halvorsen PS, Rosseland LA. A new real time clinical decision support system using machine learning for critical care units. IEEE Access. 2020;8:185676–185687. doi: 10.1109/ACCESS.2020.3030031
  11. Laing S, Mercer J. Improved preventive care clinical decision-making efficiency: leveraging a point-of-care clinical decision support system. BMC Med Inform Decis Mak. 2021;21(1):315. doi: 10.1186/s12911-021-01675-8
  12. Jing X, Himawan L, Law T. Availability and usage of clinical decision support systems (CDSSs) in office-based primary care settings in the USA. BMJ Health Care Inform. 2019;26(1):e100015. doi: 10.1136/bmjhci-2019-100015
  13. Chan CT, Vo M, Carlson J, et al. Pediatric Provider Utilization of a Clinical Decision Support Alert and Association with HIV Pre-exposure Prophylaxis Prescription Rates. Appl Clin Inform. 2021;13(1):30–36. doi: 10.1055/s-0041-1740484
  14. Karajizadeh M, Zand F, Sharian R, et al. Effect of Web-based Clinical Decision Support Systems on Adherence to Venous Thromboembolism Prophylaxis guideline among ICU Nonsurgical Patients: A Prospective Before and After Study. Research Square. Preprint (Version 1). 2021. doi: 10.21203/rs.3.rs-842416/v1
  15. Alasiri SF, Douiri A, Altukistani S, et al. The Role of Clinical Decision Support Systems in Preventing Stroke in Primary Care: A Systematic Review. Perspect Health Inf Manag. 2023;20(2):1d.
  16. Rebrova OYu. Life cycle of decision support systems as medical technologies. Medical doctor and IT. 2020;1:27–37. (In Russ). doi: 10.37690/1811-0193-2020-1-27-37
  17. Awaysheh A, Wilcke J, Elvinger F, et al. Review of Medical Decision Support and Machine-Learning Methods. Vet Pathol. 2019;56(4):512–525. doi: 10.1177/0300985819829524
  18. Sharma D, Jain S. Evaluation of Stemming and Stop Word Techniques on Text Classification Problem. International Journal of Scientific Research in Computer Science and Engineering. 2015;3(2):1–4.
  19. Lewis G, Sharp D, Bartholomew J, Pelosi AJ. Computerized assessment of common mental disorders in primary care: effect on clinical outcome. Fam Pract. 1996;13(2):120–126. doi: 10.1093/fampra/13.2.120
  20. Wellwood J, Johannessen S, Spiegelhalter DJ. How does computer-aided diagnosis improve the management of acute abdominal pain? Ann R Coll Surg Engl. 1992;74:40–46.
  21. Cannon DS, Allen SN. A comparison of the effects of computer and manual reminders on compliance with a mental health clinical practice guideline. J Am Med Inform Assoc. 2000;7(2):196–203. doi: 10.1136/JAMIA.2000.0070196
  22. Selker HP, Beshansky JR, Griffith JL, et al. Use of the acute cardiac ischemia time-insensitive predictive instrument (ACI-TIPI) to assist with triage of patients with chest pain or other symptoms suggestive of acute cardiac ischemia. A multicenter, controlled clinical trial. Ann Intern Med. 1998;129(11):845–855. doi: 10.7326/0003-4819-129-11_part_1-199812010-00002
  23. Schriger DL, Gibbons PS, Langone CA, et al. Enabling the diagnosis of occult psychiatric illness in the emergency department: A randomized, controlled trial of the computerized, self-administered PRIME-MD diagnostic system. Ann Emerg Med. 2001;37(2):132–140. doi: 10.1067/mem.2001.112255
  24. Pozen MW, D’Agostino RB, Selker HP, et al. A Predictive Instrument to Improve Coronary-Care-Unit Admission Practices in Acute Ischemic Heart Disease. N Engl J Med. 2010;310(20):1273–1278. doi: 10.1056/NEJM198405173102001
  25. Gijsberts CM, Den Ruijter HM, De Kleijn DPV, et al. Hematological Parameters Improve Prediction of Mortality and Secondary Adverse Events in Coronary Angiography Patients: A Longitudinal Cohort Study. Medicine (Baltimore). 2015;94(45):e1992. doi: 10.1097/MD.0000000000001992
  26. Kofink D, Muller SA, Patel RS, et al. Routinely measured hematological parameters and prediction of recurrent vascular events in patients with clinically manifest vascular disease. PLoS One. 2018;13(9):e0202682. doi: 10.1371/journal.pone.0202682
  27. Gijsberts CM, Ellenbroek GHJM, Ten Berg MJ, et al. Routinely analyzed leukocyte characteristics improve prediction of mortality after coronary angiography. Eur J Prev Cardiol. 2016;23(11):1211–1220. doi: 10.1177/2047487315621832
  28. den Harder AM, de Jong PA, de Groot MCH, et al. Commonly available hematological biomarkers are associated with the extent of coronary calcifications. Atherosclerosis. 2018;275:166–173. doi: 10.1016/j.atherosclerosis.2018.06.017
  29. Mazaev VP, Komkov AA, Ryazanova SV, et al. The identification of latent atrial fibrillation, decreased ejection fraction of the left ventricle and potassium metabolism disorders on the conventional electrocardiogram using deep convolutional neural network as an element of artificial intelligence. Modern problems of science and education. (In Russ). 2020;6. doi: 10.17513/spno.30478

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© ООО "Эко-Вектор", 2023

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».