От выбора тактики лечения до реорганизации системы здравоохранения города

Специалисты лаборатории занимаются предсказательным моделированием для задач медицины и здравоохранения. Основной академический партнер лаборатории — Национальный исследовательский центр им. В.А Алмазова, один из ведущих кардиологических центров России. Исследователи работают с обезличенной копией базы данных пациентов — оттуда удалена вся личная информация о пациенте, в распоряжении ученых остается только история болезни.

По словам Сергея Ковальчука, диапазон исследований обширный: начиная от выбора врачом тактики лечения и организации различных процессов в медицинском учреждении и заканчивая вопросами организации системы здравоохранения вплоть до масштабов города в целом.

Помимо непосредственно моделирования, сотрудники лаборатории охотно делятся своей экспертизой. В июне лаборатория организовала уже второй воркшоп в рамках ежегодной конференции International Conference on Computational Science, который собрал участников из 32 организаций, расположенных в десяти странах ― в том числе из Польши, Австралии, США, Нидерландов и Германии. Всего на конференции было представлено 27 докладов.

Совместно с Центром Алмазова ученые представили работу, посвященную моделированию развития и лечения сахарного диабета. Это продолжение исследования, представленного на прошлогоднем воркшопе и выбранного для спецвыпуска журнала Journal of Computational Science по итогам конференции. Подробнее о нем можно прочесть в нашем материале.

«Мы используем разнообразные инструменты предсказательного моделирования, чтобы понять и обнаружить то, что обычно в системе здравоохранения не видится и не осознается, ― и делаем это на разных масштабах. Например, мы можем оптимизировать способы управления диспетчеризацией и маршрутизацией скорой помощи или оптимизировать потоки пациентов внутри и между клиниками. Наконец, мы можем найти способы оценки качества работы различных врачей и клиник через призму их цифровых образов, построенных на той информации, которую они о себе предоставляют, а также на "живых" моделях. В рамках всех этих направлений мы строим модели, которые помогают врачам и организаторам здравоохранения лучше понимать и контролировать ситуацию», — объясняет Сергей Ковальчук.

Для модификации системы здравоохранения, внедрения искусственного интеллекта и других высокотехнологичных решений требуются специализированные методы и модели. Они позволяют не только оценить текущую ситуацию или спрогнозировать ее в будущем, но также и оптимизировать некоторые процессы в медицине, используя новые технологии.

«Например, у клиники есть выбор: установить дорогое высокотехнологичное оборудование или же за те же деньги обеспечить работу нового отделения. Что будет выгоднее? Для таких ситуаций и нужны модели, используя которые, мы пытаемся понять самые разные процессы в системе здравоохранения», — говорит Сергей Ковальчук.

Другая задача, над которой работают в лаборатории, — структурирование, анализ и интеграция данных о пациенте. Например, хронические заболевания у человека развиваются медленно и долго — этот процесс занимает много лет. И большую часть времени пациент проводит вне клиники, живет обычной жизнью.

Врачи не знают о том, что происходит с человеком все это время, при этом есть много факторов, которые влияют на состояние пациента. Это и вредные привычки, и диета, и режим сна — все эти аспекты остаются во многом вне поля зрения докторов. Однако если, например, человек пользуется каким-то приложением или фитнес-трекером, эти данные можно восстановить и использовать для дальнейшего лечения.

«Мы, собирая эти данные и объединяя их с результатами моделирования, можем восстановить полную картину. Чтобы все это интегрировать, нужны как специализированные методы моделирования, так и инструменты работы с данными. Это одно из направлений, которым мы занимаемся», — отмечает Сергей Ковальчук.

Что медицинские карточки могут сказать о пациенте

Большая часть информации в электронных медицинских картах хранится в структурированном виде, однако в электронных медицинских картах также присутствует и заметная доля неструктурированной информации. В России сейчас разрабатываются государственные медицинские информационные системы. Но технологический рынок таких систем, а также практика работы с ними очень разнообразны.

Структурировать эти данные помогает анализ медицинских текстов.

«Возьмем анамнез пациента. Классический анамнез жизни и анамнез заболевания — это два блока текстов, которые часто слабо структурированы с точки зрения машины. Анамнез жизни — это то, что происходило с пациентом, как он жил, какие заболевания перенес ранее и прочее. А анамнез заболевания — это непосредственно то, что происходило с человеком в контексте болезни: как он себя чувствовал, какое лечение проходил, каковы были результаты этого лечения. Эти тексты написаны на специфическом языке. Он достаточно далек от литературного языка, в нем много сокращений, неполных предложений, даже вставок на других языках: английском, латыни… И если мы возьмем обычные инструменты для анализа текстов, они будут слабо эффективны», — поясняет Сергей Ковальчук.

Чтобы решить эту проблему, ученые извлекают из таких текстов генеалогический анамнез, структурируют данные о симптомах и жалобах, формализуют информацию о прошедших событиях, изложенную в анамнезе. Подобный проект лаборатория реализовывала совместно с петербургским Медицинским информационно-аналитическим центром Санкт-Петербурга.

«В результате мы можем смотреть, как все эти аспекты влияют на информатизацию на уровне города: от технических до организационных моментов. Кроме того, мы можем говорить о персонализации медицинских карт не только с точки зрения пациента, но и с позиции врача, так как каждый врач может одно и то же записать разными способами. Учитывая такую ситуацию, инструменты структурирования и анализа нужны для очень разных задач: от аналитики на уровне города до структурирования и появления датасетов, на которых мы можем обучить модели машинного обучения для предсказаний рисков неблагоприятных исходов заболеваний», — считает Ковальчук.

Зачем анализировать поведение врачей и пациентов

Чтобы построить модель лечебного учреждения, нужно заложить туда структуру всех процессов и поведения всех участников, то есть агентов. Такой вид моделирования называется агентным.

«Агенты (в данном случае врачи, пациенты, медсестры, посетители) не ведут себя случайным образом, у них есть определенная иерархия целей. Существуют правила, по которым они выполняют свои задачи, определенная физическая, информационная и логистическая среда, где они находятся. Чтобы восстановить всю эту картину, надо понимать, как, во-первых, эти правила идентифицировать. А во-вторых, как потом воплотить их в модель, оптимизировать, обеспечить поддержку принятия решений», — рассказывает Ковальчук.

Сейчас лаборатория реализует совместный проект с Национальным исследовательским центром им. В.А Алмазова, посвященный агентному моделированию с восстановлением траекторий и процессов, связанных с активностью врачей и пациентов внутри клиники. Медперсоналу выдают специальные носимые метки, которые позволяют отследить траекторию их передвижения. В дальнейшем это исследование должно помочь принять организационные решения: например, оптимизировать расписание работы медперсонала или в перспективе поменять структуру отделений.

Система поддержки принятия решений

Еще одно направление, над которым работают исследователи, — разработка системы поддержки принятия решений (СППР), помогающая врачу правильно поставить диагноз.

«За прошедшие десятки лет было придумано очень много систем поддержки принятия решения для задач медицины и здравоохранения, но в реальной практике они используются крайне редко. Во многих случаях рекомендации определенной траектории лечения ничего не дадут, поскольку у врача существует протокол, по которому он должен лечить. Есть известная шутка, что в современной системе здравоохранения врач должен лечить пациента не так, чтобы он с наибольшей вероятностью вылечился, а так, чтобы вскрытие показало, что пациент умер не от неправильного лечения. Это грустно, но деятельность врача действительно сильно регламентирована. Поэтому системы поддержки решений не должны работать в отрыве от существующих протоколов», — поясняет Ковальчук.

Например, у врача есть клинические рекомендации и определенные правила, как лечить пациента, и система должна их учитывать. Недостаточно просто рекомендовать врачу дать пациенту определенный препарат. Чтобы достичь нужного уровня доверия со стороны врача, рекомендацию нужно подкреплять соответствующими клиническими исследованиями, которые подтверждают, что прием препарата дает положительный эффект.

Кроме того, далеко не все врачи готовы адекватно воспринимать новые технологии.

«При экспериментальном внедрении какой-нибудь системы поддержки принятия решений зачастую наблюдается такой эффект: сначала происходит повышение качества медицинского обслуживания, за которым следует снижение (хоть и не до уровня, наблюдающегося ранее). Это известный эффект и для него есть различные, иногда противоположные, объяснения. Первое — врачи перестали прислушиваться к СППР и начали игнорировать ее советы. Второе — они стали слепо ей следовать и перестали смотреть на рекомендации критически. Потому что какой бы ни был алгоритм, он имеет право ошибаться. Система не принимает решения, она поддерживает их. А врач должен, с одной стороны, доверять системе, понимать пользу от ее применения, а с другой — осознанно подходить к принятию решений, взвешивая аргументы СППР», — рассказывает Сергей Ковальчук.

Как моделирование помогает улучшить работу скорой помощи

В лаборатории «Цифровое здравоохранение» также ведут исследования, посвященные моделированию диспетчеризации и маршрутизации скорой помощи. Оно помогает оптимизировать ее работу так, чтобы эффективнее оказывать экстренную помощь тем, кто в ней нуждается.

Допустим, скорая помощь везет пациентов с острым коронарным синдромом. Пациента с таким диагнозом нужно как можно скорее доставить в больницу и оперативно провести лечение (чаще всего стентирование сосудов сердца).

В Петербурге функционируют около 15 стационаров, готовых принять пациента с острым коронарным синдромом. В каждом из стационаров свое количество операционных. При этом стоит учитывать, что они могут быть заняты как другими экстренными пациентами, так и плановыми.

Таким образом, перед врачами скорой помощи встает вопрос: куда везти пациента? В ближайший стационар? Не всегда оптимально, ведь там может быть либо очередь, либо все операционные заняты. В тот, что находится дальше? Но насколько это оправданно? Кроме того, важно учесть интересы всех участников этой цепочки ― пациента, скорой помощи, которой нужно доставить его как можно скорее и поехать на следующий вызов, стационара…

«Как в такой ситуации понять стратегии поведения всех агентов и как управлять этими стратегиями? Можем ли мы, например, повлиять на стратегии поведения для того, чтобы системно, в рамках города, уменьшилась смертность? Модели ― как раз тот инструмент, который позволяет ответить на такой вопрос еще до того, как будут предприняты какие-то изменения», — резюмирует Сергей Ковальчук.