ИСПОЛЬЗОВАНИЕ ДАННЫХ МЕДИЦИНСКИХ ИНФОРМАЦИОННЫХ СИСТЕМ ДЛЯ РАЗРАБОТКИ ПЕРСОНАЛИЗИРОВАННЫХ ПРОДУКТОВ ЛЕКАРСТВЕННОГО СТРАХОВАНИЯ: МОДЕЛИРОВАНИЕ АРХИТЕКТУРНОЙ КОНЦЕПЦИИ

Полный текст

Введение Внедрение цифровых технологий является главным трендом и направлением развития современного здравоохранения. Повсеместное использование медицинских информационных систем (МИС), цифровых и мобильных продуктов, а также аналитики больших данных и машинного обучения позволяют улучшить качество медицинской помощи, оптимизировать затраты и персонализировать лечение для каждого пациента. В частности, использование данных из МИС позволяет учитывать индивидуальные потребности и риски здоровья пациентов, а также открывает страховым компаниям и медицинским организациям новые возможности создания персонализированных предложений страхования [20, 30]. Медицинские информационные системы представляют собой комплекс программных решений, разрабатываемый для лечебно-профилактических медицинских организаций (МО), обеспечивающих сбор, хранение, обработку и обмен медицинской информацией; они играют ключевую роль в современной медицине, предоставляя врачам и медицинскому персоналу доступ к полной и актуальной информации о пациентах, что способствует улучшению диагностических и клинических исходов. МИС включают в себя электронные медицинские карты (ЭМК), лабораторные информационные системы (ЛИС), радиологические информационные системы (РИС) и другие модули, которые интегрируют данные о пациентах в единую базу данных. Использование МИС позволяет избежать множество рутинных процессов, связанных с обращением медицинской документации, значительно улучшает качество и оперативность медицинского обслуживания, а также предоставляет уникальные возможности для накопления и анализа больших данных разного рода и характера. Целью исследования явился обзор современных медицинских информационных систем и их функциональных возможностей, изучение возможности использования данных МИС для разработки и персонализации продуктов лекарственного страхования. По результатам проведенного обзора также была предложена потенциальная модель схемы определения индивидуальной конфигурации персонализированного продукта лекарственного страхования, а также выявление перспектив и рисков исследований и разработок в данной области. Методика Поиск англоязычной литературы велся при помощи инструментов расширенного поиска текстовой базы данных медицинских и биологических публикаций PubMed, а также Google Scholar. Применялись фильтры по году публикации (отфильтрованы статьи старше 2010 года), а также по таким ключевым словам, как «EHR», «Electronic health records», «Big Data», «Data-driven», «Machine learning», «ML», «Artificial intelligence», «AI». Помимо прочего велся поиск обзорных статей по функционалу медицинских информационных систем и особенностям содержащихся в них данных среди англоязычных и отечественных публикаций, поиск которых осуществлялся в базе научной электронной библиотеки КиберЛенинка. Включенные в анализ исследования были преимущественно посвящены тематике извлечения информации из записей МИС и медицинских баз данных и ее полезного использования в контексте улучшения и оптимизации медицинской и фармацевтической помощи. Анализ научной литературы показал следующие направления использования данных МИС для разработки и оптимизации процессов здравоохранения: Извлечение информации из неструктурированных данных МИС для создания фенотипов пациентов [27]; Использование данных МИС для проведения медицинских исследований и улучшения клинической практики [13]; Анализ влияния МИС на качество медицинской помощи и снижение ресурсных и материальных затрат [3]; Анализ влияния информационных технологий на качество клинических услуг и удовлетворенность пациентов [4]; Анализ преимуществ интеграции МИС в системы поддержки принятия клинических решений для повышения их эффективности [9]; Применение данных из МИС и прочих источников в виде медицинских баз данных для улучшения точности прогнозирования и оптимизации планов лечения пациентов [30]; Анализ возможности использования больших данных в здравоохранении для персонализации медицинских услуг [1]. Результаты исследования и их обсуждение Использование данных из МИС для персонализации медицинских услуг и страхования активно изучается в англоязычной научной литературе. В ходе анализа отечественных баз научных исследований не было найдено работ, соответствующих тематике данной статьи. В современных МО используются различные типы МИС, которые интегрируют данные из различных источников и предоставляют их пользователям в удобной форме: 1) Электронные медицинские карты (ЭМК). ЭМК являются одним из основных компонентов МИС, обеспечивающих хранение и доступ к полной медицинской истории пациента. ЭМК включает в себя данные о диагнозах, назначениях, результатах анализов и процедур, а также данные о прививках, вакцинациях и аллергиях. ЭМК позволяют улучшить качество и оперативность медицинской помощи за счет быстрого доступа к актуальной информации о пациенте [30]. 2) Лабораторные информационные системы (ЛИС). ЛИС предназначены для записи, назначения, выполнения и интерпретации лабораторных исследований. ЛИС также обеспечивают хранение данных и интеграцию с другими компонентами МИС - эффективные конфигурации ЛИС снижают риск возникновения ошибок в данных и ускоряют получение результатов исследований другими компонентами МИС [13]. 3) Радиологические информационные системы (РИС). РИС концептуально схожи с ЛИС, но используются для управления процессами радиологических исследований, включая рентген, МРТ, КТ и УЗИ, а также полученными благодаря им данными. Улучшение качества диагностических и лечебных мероприятий достигается также за счет оптимизации множества процессов - РИС обеспечивают быстрый доступ к радиологическим данным, а данные исследований легко интегрируются в ЭМК, что также позволяет проводить ретроспективный анализ динамики состояния здоровья пациента [5, 27]. МИС обладают широкими функциональными возможностями, которые позволяют автоматизировать и оптимизировать различные аспекты оказания медицинской и фармацевтической помощи. Перечислим основные функции МИС, так или иначе рассмотренные в научной литературе: Хранение и доступ к медицинским данным. МИС обеспечивают централизованное хранение данных о пациентах, включая истории болезни, результаты анализов, данные о прививках и назначения лекарственных препаратов (ЛП) [7, 20]; Вспомогательные инструменты и сервисы. МИС включают инструменты для анализа данных и поддержки принятия клинических решений, такие как автоматические напоминания о назначениях, рекомендации по лечению и предупреждения о возможных взаимодействиях лекарственных препаратов [4, 15]; Интеграция с лабораторными и диагностическими системами. МИС обеспечивают интеграцию с ЛИС и РИС, что позволяет автоматизировать процессы назначений, описания и получения результатов исследований [13]; Управление расписанием и ресурсами. МИС также имеют функционал планирования и управления расписанием работы врачей и медицинского персонала, а также для управления ресурсами медицинской организации, в том числе и медицинским оборудованием [9]; Финансовый учет и управление затратами. МИС помогают управлять финансовыми потоками и бухгалтерией медицинской организации, включая учет затрат на лечение, управление расчетами с пациентами, подрядчиками, страховыми компаниями, а также позволяют выставлять счета для оплаты услуг [7]. Таким образом, основной функционал современных МИС направлен на обеспечение удобного доступа ко всей необходимой информации для врачей, медицинского персонала и самих пациентов, для оперативной реакции на изменение состояния здоровья и ускорения процессов принятия решений по медицинской и фармацевтической помощи. Также МИС являются удобным инструментом для оптимизации финансовых процессов внутри МО, использования внутренних ресурсов клиники и организации работы ее сотрудников. Современные медицинские информационные системы собирают и хранят широкий спектр данных, обеспечивая комплексное ведение медицинской информации о пациентах. Основные типы данных включают: Демографические данные. Данные о пациенте для идентификации пациента и организации медицинского обслуживания: ФИО, дата рождения, пол, адрес проживания, контактная информация, социальный статус и другие [30]; Клинические данные. Данные для диагностики, отслеживания состояния здоровья пациента и принятия клинического решения: история болезни, данные о прививках и вакцинациях, поставленные диагнозы, записи о визитах к врачу, жалобы и симптомы, назначения лекарственных препаратов и планы лечения [7]. Сюда также входят данные о результатах лабораторных и радиологических исследований [13]; Данные о назначении ЛП. Данные о фармацевтической помощи: информация о назначениях, выписанных рецептах, дозировках, сроках и режимах приема, а также истории применения препаратов и сведения о нежелательных реакциях [19]; Жизненные показатели. Данные мониторинга жизненных показателей пациента и возможность отследить их динамику: показатели жизненно важных функций (давление, температура, пульс, сатурация кислорода и др.), в том числе и данные, получаемые с датчиков в организме и интернет вещей [5]; Данные о транзакциях и финансовых взаимодействиях. Данные о финансовой истории взаимодействия пациентов с МО: история платежей, счета за медицинские услуги, информация о страховых выплатах и программах лояльности [15]. Персонализация подразумевает под собой адаптацию продукта под индивидуальные потребности и характеристики каждого клиента. В контексте медицинского и лекарственного страхования персонализация включает в себя учет фактов из истории болезни, демографических данных пациента, текущего состояния здоровья, образа жизни и прочих факторов, влияющих на риск возникновения тех или иных заболеваний и потребности в оказании медицинской и фармацевтической помощи. В отличие от традиционных страховых продуктов, универсальных для всех категорий клиентов, персонализированные страховые продукты предлагают более узкие и подходящие для конкретного пациента условия покрытия, что также отражается на стоимости страхового продукта и способствует избавлению от платы за неактуальные для пациента услуги [28]. Разработка персонализированных страховых продуктов требует использования современных технологий (например, анализ больших данных и использование методов машинного обучения) и сопряжена с многочисленными исследованиями, которые позволяют извлечь бизнесу много важной информации о своих клиентах [16, 24]. Существует ряд общепринятых методов и подходов для работы с большими данными, а конкретно, извлечения информации, обработки, формировании гипотез и проблем, а также поиска способов их решения. Многие из них универсальны для разных источников и типов данных, далее рассмотрим их в контексте МИС и страховых продуктов. Любое исследование начинается с поиска необходимых источников и интеграции данных. МИС, отчасти, решают проблемы интеграции внутренних данных медицинской организации: базы данных МИС позволяют создать целостную картину состояния здоровья пациента, что может улучшить точность персонализированных страховых продуктов [11, 22]. Факт наличия всех необходимых данных позволяет перейти к исследовательскому анализу данных. Анализ ЭМК и прочих модулей МИС, в комбинации с современными технологиями, позволяет обрабатывать данные в реальном времени и принимать оперативные решения [8]. Возможность организации простого доступа к данным для их последующей обработки - одно из условий построения успешной аналитики и дальнейших этапов исследования. Один и самых новых и инновационных способов разработки страховых продуктов - прогнозная аналитика и имитационное моделирование. Эти подходы используют статистические методы и алгоритмы машинного обучения, например, для предсказания вероятности заболеваний или определения и конкретизации потребностей в медицинской и фармацевтической помощи для конкретного человека, используя доступные о нем данные из МИС, что позволяет компаниям создавать персонализированные страховые продукты [21]. Алгоритмы машинного и глубокого обучения используются для анализа больших объемов данных: они помогают выявлять скрытые паттерны и закономерности в данных, а также помочь с классификацией данных по неочевидным признакам, тем самым делая процесс аналитики более эффективным и улучшая точность прогнозов [18, 26]. В ситуациях, когда исследовательская задача заключается в анализе текстовых данных, могут помочь методы обработки естественного языка, или NLP (от англ. - Natural language processing). NLP используется для анализа неструктурированных текстовых данных, таких как записи врачей и данные из ЭМК, что позволяет преобразовывать текстовую информацию в структурированные данные для анализа и прогнозирования многих событий и рисков [30]. С точки зрения системной аналитики, существует ряд официальных требований и лучших практик для обеспечения интегрируемости данных из МИС в другие системы и возможности использования данных для аналитических процессов: Данные системы должны соответствовать критериям интероперабельности и функциональной совместимости. Интероперабельность подразумевает под собой стандартизацию форматов данных и использование общих протоколов для обмена информацией. Существуют зарубежные стандарты HL7 и FHIR, соответствие которым способствует наличию совместимости между различными системами [17]. Подобные требования к интероперабельности описаны в отечественном государственном стандарте «ГОСТ Р 55062-2012 Информационные технологии (ИТ). Системы промышленной автоматизации и их интеграция. Интероперабельность.» [2]; Данные системы должны быть стандартизованы. Использование унифицированных классификаторов, таких как МКБ-10, МКБ-11 (Международная статистическая классификация болезней и проблем, связанных со здоровьем) и SNOMED CT (Систематизированная медицинская номенклатура - Клинические термины), помогает стандартизировать медицинскую терминологию и улучшает качество данных [10]; Данные системы должны быть доступны, существующие технологические решения должны соответствовать критериям гибкости и масштабируемости. Использование облачных технологий и распределенных систем для хранения и обработки медицинских данных позволяет централизовать информацию и обеспечивать доступ к ней в реальном времени [25]. Такие инструменты, как Hadoop и Spark, позволяют эффективно обрабатывать и анализировать большие объемы медицинской информации, улучшая точность и скорость анализа [12]. Вышеперечисленные инструменты также имеют доступные интерфейсы, которые поддерживают интеграцию с распространенными языками программирования для их оптимизации под МИС и прочие нужды медицинского бизнеса, что обеспечивает гибкость и масштабируемость разработок процессов обращения данных и прочей информации внутри компании. Одна из главных проблем данных МИС - проблема качества данных. Значительная доля данных, поступаемая в системы - рукописный и печатный текст, вводимый врачами во время приема и описания результатов лабораторных и радиологических исследований, где велика доля орфографических ошибок, сокращений, а также профессиональной терминологии. Неполные или ошибочные данные могут привести к неверным выводам и ошибочным решениям, что требует механизмов проверки и валидации данных [14]. Один из способов реализовать подобные механизмы - использование новейших разработок в области отдельного направления машинного обучения, под названием Data Quality (от англ. Качество данных). Разрабатываемые модели улучшения качества данных способствуют исправлению ошибок, однако отсюда вытекает следующая проблема использования данных из МИС - технические сложности, а также требования к наличию значительных ресурсов и квалифицированных специалистов для реализации сложных информационно-технологических решений. Решение этой проблемы требует от компаний инвестиций в серверную и технологическую инфраструктуру и дополнительное обучение сотрудников [8]. Лекарственное страхование представляет собой вид добровольного медицинского страхования, который покрывает расходы на приобретение ЛП, назначаемых врачом. Это страхование может включать частичную или полную компенсацию затрат в первую очередь на рецептурные препараты. Персонализация в контексте лекарственного страхования подразумевает под собой формирование конфигурации и стоимости продуктового предложения, исходя из индивидуальных особенностей и характеристик пациента. На рисунке представлена модель-схема архитектуры системы определения индивидуальной конфигурации персонализированного продукта лекарственного страхования. Рис. Модель-схема архитектуры системы определения индивидуальной конфигурации персонализированного продукта лекарственного страхования Схема учитывает все вышеописанные требования, критерии и возможности для оптимизации. Пошаговое описание процесса определения индивидуального страхового предложения (ИСП) можно сформулировать следующим образом: 1) Извлечение и анализ данных. Современные методы обработки и анализа данных, включающие в себя методы машинного, глубокого обучения, а также NLP, позволяют сформировать четкую картину и определить закономерности клиентского поведения. Облачные вычислительные мощности и распределенное хранилище - удобное и высокопроизводительное место для хранения и исполнения разрабатываемых моделей, соответствующее критериям гибкости и масштабируемости. 2) Дополнение существующей базы данными из сторонних источников. Автоматизированные процессы сбора данных о ценах на услуги врачей специалистов, а также о ценах на назначаемые ЛП с сайтов агрегаторов позволяют получать актуальные данные о ценообразовании, для их последующего использования в анализе и определении конфигурации страхового предложения. 3) Определение конфигурации и стоимости ИСП. Конфигурация продукта лекарственного страхования в первую очередь зависит от демографических данных пациентов, данных о назначениях и ценообразовании ЛП. Этап продуктовой аналитики включает в себя анализ услуги приема и консультации конкретного врача-специалиста как отдельную экономическую единицу. Обобщение данных о поведении пациента, характеристиках и результатах приема врача, а также данных о ценообразовании на услуги и ЛП позволяет создать сводную матрицу характеристик и их значений для анализа рекомендательной системой. 4) Работа рекомендательной системы и создание ИСП. Создание ИСП предполагает под собой анализ и симуляцию поведения пациента (сценарный анализ). Сценарный анализ представляет собой моделирование различных сценариев развития событий для оценки возможных затрат. Рекомендательная система изучает поведение пациента и симулирует процесс назначения лекарственных препаратов. Результаты работы рекомендательной системы объединяются с данным о ценообразовании и, после финальной обработки полученных данных, формируют итоговую стоимость и конфигурацию ИСП. Доктор Сойер К. и его коллеги в своей статье обсуждают использование данных из МИС в исследованиях Data Science (от англ. «Наука о данных»), выявляя ключевые проблемы таких задач, как изучение здоровья населения, разработку моделей классификации и прогнозирования, а также симуляцию рандомизированных клинических испытаний. Авторы выделяют несколько методологических проблем, связанных с анализом данных МИС и применимых к нашему исследовании [23]. В таблице представлено описание данных проблем, а также подходов к их решению. Таблица. Проблемы использования данных из МИС в задачах, связанных с анализом данных и их возможные решения № Проблема Описание проблемы Возможное решение 1 Отсутствует возможность обеспечить точность выборки Различия в определении случаев при статистическом анализе данных для определения клиентского поведения могут приводить к непредсказуемому и необоснованному включению или исключению пациентов из тех или иных подгрупп, что может искажать результаты. Разработка и использование методов валидации данных, а также проведение анализов на чувствительность. 2 Проблема неоднородности данных Неоднородность в определении показателей и переменных может искажать результаты анализа. Включение в команду экспертов из различных областей для разработки методов более точного определения переменных и валидации результатов их работы. 3 Ограниченные возможности внедрения и интеграции Проблемы с переносом данных из МИС в клиническую практику из-за различий в структуре данных. Обеспечение универсализации данных при разработке архитектурных решений. 4 Субъективное распределение имеющихся подходов к лечению того или иного заболевания Различия в принятии решений врачами могут влиять на результаты исследования. Применение причинно-следственных диаграмм и корректировка переменных, влияющих на принятие решений, а также обоснованных методов обобщение полученной из данных информации. 5 Переобучение разрабатываемых моделей Результаты могут быть ограничены конкретным набором данных и не обобщаться на другие контексты, показатели точности разрабатываемых моделей машинного обучения могут снижаться. Проверка моделей на внешних наборах данных, использование валидационных выборок и методов кросс-валидации, а также создание и использование независимых метрик для оценки показателей моделей. Заключение Использование данных медицинских информационных систем для разработки персонализированных продуктов лекарственного страхования демонстрирует значительный потенциал. Персонализированное страхование способствует улучшению качества медицинской помощи и оптимизации финансовых затрат на продукты ДМС и лекарственного страхования. Существующие проблемы и вызовы, в большинстве своем, могут быть решены на этапе интеграции данных МИС и разработки собственных архитектурных решений. Предложенная нами модель использует современные методы и подходы к обработки данных МИС, соответствует лучшим практикам интеграции и обработки данных, а также использует методы машинного и глубокого обучения для извлечения данных из МИС, что решает проблему качества медицинских данных. Решение проблем, которые возникают в процессе разработки программного решения и не могут быть превентивно устранены - одна из дальнейшей целей данной работы. Одна из проблем, которую стоит учитывать при разработке собственных решений, основанных на использовании анализа больших данных, методов машинного и глубокого обучения - этическая составляющая вопроса обеспечения доступности лекарственного страхования. Франсуа Шолле (2024) в своей книге «Глубокое обучение на Python» обсуждает этические вопросы разработки методов машинного, глубокого обучения и искусственного интеллекта (ИИ). Он подчеркивает важность ответственности разработчиков за влияние ИИ на общество. Шолле отмечает необходимость прозрачности и объяснимости алгоритмов, чтобы пользователи могли понимать решения ИИ. Он также акцентирует внимание на проблемах предвзятости в данных и алгоритмах, которые могут приводить к несправедливым результатам, а также на необходимость разработки ИИ в соответствии с принципами справедливости и уважения к правам человека [6]. При использовании данных МИС особенно важно учитывать такие вопросы, как справедливость доступности медицинских услуг и недопущение дискриминации на основе демографических и прочих данных - здесь требуется разработка этических рамок и стандартов, или же минимальной доступной конфигурации страхового продукта, для обеспечения справедливого использования данных и равномерного распределения возможностей среди всех категорий пациентов [29]. Таким образом, при условии преодоления технических и организационных вызовов, а также учета этических аспектов разработки продуктов на базе методов глубокого и машинного обучения, существует возможность моделирования конфигурации и стоимости ИСП. Исследование показало, что анализ и обработка данных из МИС является необходимым условием для разработки и создания персонализированных продуктов ДМС и лекарственного страхования. Персонализированные страховые продукты имеют преимущества над традиционными как с точки зрения повышения качества медицинской помощи и оптимизации затрат на ее обеспечение, так и для более равномерного распределения ресурсов МО. Одним из главных преимуществ данного подхода - возможность МО создавать собственные страховые предложения на базе больших данных своих МИС, при условии инвестиций в серверную и вычислительную инфраструктуру, а также обучения кадрового состава. Это особенно применимо в ситуациях, когда целевая аудитория пациентов клиники ограничена группой лиц определенного возраста, что актуально для детских медицинских центров. Разработка персонализированных страховых продуктов в таких клиниках повышает лояльность пациентов или их родителей, а проанализированная информационная база МИС позволяет вычленить факты, полезные для разработки новых выгодных предложений и повышения качества оказываемой медицинской и фармацевтической помощи.

Об авторах

Александр Андреевич Кондрашов

ФГБОУ ВО «Московский государственный университет имени М.В. Ломоносова» Минобрнауки России

Email: email@example.com
аспирант, кафедра фармацевтической химии и организации фармацевтического дела, факультет фундаментальной медицины Россия, 119991, Москва, Ленинские горы, 1

Максим Михайлович Курашов

ФГБОУ ВО «Российский университет дружбы народов имени Патриса Лумумбы» Минобрнауки России

Email: email@example.com
кандидат фармацевтических наук, доцент, заместитель директора Медицинского института по специальности «Фармация» Россия, 117198, Москва, ул. Миклухо-Маклая, 6

Екатерина Ефимовна Лоскутова

ФГБОУ ВО «Российский университет дружбы народов имени Патриса Лумумбы» Минобрнауки России

Email: email@example.com
доктор фармацевтических наук, профессор, заведующая кафедрой управления и экономики фармации Медицинского института Россия, 117198, Москва, ул. Миклухо-Маклая, 6

Список литературы

Дополнительные файлы