Система поддержки принятия врачебных решений

Система поддержки принятия врачебных решений — это активная система управления знаниями, которая использует параметры данных о пациенте для выработки рекомендаций по вопросам здравоохранения. По сути, CDSS — это разновидность системы поддержки принятия решений, ориентированной на использование управления знаниями.

Основная цель современных систем поддержки принятия врачебных решений — помощь медикам непосредственно в месте оказания медицинской помощи^[1]. Это означает, что врач взаимодействует с CDSS для анализа данных пациента и выработки диагноза при различных заболеваниях.

Изначально CDSS разрабатывались как системы, принимающие решение за врача в буквальном смысле. Врач вводил данные и ожидал от системы «правильного» выбора, а затем действовал по её рекомендации. В современной практике CDSS выступают в роли помощника: клиницист взаимодействует с системой и использует совокупные знания — свои и системы — что позволяет анализировать данные пациента более глубоко, чем по отдельности. Обычно CDSS формирует предложения для рассмотрения, из которых врач выбирает релевантные рекомендации и игнорирует ошибочные.

Основные типы CDSS: базирующиеся на знаниях и не связанные с использованием базы знаний^[1].

Примером использования CDSS служит система поддержки диагностических решений (diagnosis decision support system, DDSS): она запрашивает часть данных о пациенте и предлагает перечень возможных диагнозов. Врач анализирует предложения DDSS, отбрасывает нерелевантные и при необходимости назначает дополнительные обследования для уточнения диагноза^[1].

Другой пример — система на основе кейс-ориентированного вывода (case-based reasoning, CBR)^[2]. Например, CBR-система может использовать данные предыдущих случаев для определения оптимального количества и углов лучей при проведении радиотерапии у пациентов с опухолями мозга; предложенный план лечения затем анализируется медицинскими физиками и онкологами.

Важна также классификация CDSS по времени применения: до постановки диагноза (преддиагностические), во время диагностики или после неё (постдиагностические). Преддиагностические системы помогают врачу подготовить перечень предполагаемых диагнозов, CDSS во время диагностики фильтруют варианты для повышения точности, а постдиагностические используют данные для поиска связей между историей болезни пациента и результатами исследований для прогнозирования возможных событий^[1]. Сообщалось, что системы поддержки вскоре смогут заменять врачей в рутинных задачах^[3].

Другая модель, применяемая в Национальной службе здравоохранения Англии, использует DDSS для первичного отбора обращающихся пациентов вне рабочего времени: система предлагает следующий шаг (вызов скорой помощи, ожидание посещения врача и др.) исходя из худшего возможного диагноза. Решение — лишь подсказка и не является обязательным мнением специалиста, поэтому может игнорироваться.

Большинство CDSS состоит из трёх компонентов: базы знаний, инференс-движка и механизма взаимодействия^[4]. База знаний содержит правила и связи, часто в форме IF–THEN. Например, для выявления лекарственных взаимодействий: «ЕСЛИ назначены препараты X и Y, ТО выдать предупреждение». Мощные режимы позволяют обновлять базу пользователем. Инференс-движок сопоставляет правила и данные пациента. Механизм взаимодействия отображает результаты и позволяет вводить данные^[1].

Для формализации правил применяются языки выражений: например, GELLO или Clinical Quality Language (CQL). Пример: если у пациента сахарный диабет и уровень гликированного гемоглобина менее 7 % — рекомендовать повторный анализ через 6 месяцев, если более либо равен 7 % — через 3 месяца.

Рабочая группа CDS международного консорциума HL7 разрабатывает стандарты на базе Clinical Quality Language^[5]. Центры Медикэр и Медикейд США (CMS) объявили о переходе к использованию CQL для спецификации электронных клинических показателей (eCQM)^[6].

Системы, не использующие базу знаний, применяют методы машинного обучения, разновидности искусственного интеллекта^[7], позволяющие выявлять закономерности в медицинских данных без явных экспертных правил. Однако такие системы не объясняют причин своих выводов — поэтому их редко используют для диагностики из-за недостатка прозрачности и ответственности^[1]. Вместе с тем, их применяют для поиска новых закономерностей или поддержки после диагностики.

К примеру, в 2012 году к не основанным на знаниях системам относили машины опорных векторов, искусственные нейронные сети и генетические алгоритмы^[8].

1. Искусственные нейронные сети используют узлы и связи между ними для анализа паттернов в данных пациента и поиска связей между симптомами и диагнозом.
2. Генетические алгоритмы имитируют эволюционные процессы, отбирая наиболее успешные варианты решений, рекомбинируя и модифицируя их — итеративно до достижения оптимального результата. Как и нейросети, относятся к типу «чёрных ящиков».
3. Подобные системы обычно фокусируются на узком перечне симптомов или одной болезни, в отличие от экспертных систем, покрывающих десятки заболеваний^[1].

Пример: веб-сервер на базе машины опорных векторов для прогнозирования гестационного диабета у женщин Ирландии^[9].

Системы поддержки принятия врачебных решений регулируются национальными и международными стандартами.

В 1999 году Институт медицины (Institute of Medicine, IOM) опубликовал доклад «To Err is Human», посвящённый вопросам безопасности пациентов в Соединённых Штатах, после чего вопрос качества медицинской помощи получил широкую огласку^[10].

В 2009 году с принятием закона о восстановлении и реинвестировании (American Recovery and Reinvestment Act, ARRA) был дан старт массовому внедрению электронных медицинских технологий, включая CDSS, поддержку электронных карт (EMR) и электронного оформления назначений (CPOE). Обязанность поставщиков решений CDSS по обеспечению должного уровня безопасности и компетентности юридически остаётся предметом обсуждения, поскольку чётких норм нет; соответствующие нормативы прорабатываются различными государственными органами.

Эффективность CDSS остаётся предметом научных исследований. Для некоторых заболеваний доказана достоверная польза систем (например, в контроле гликемии, профилактике тромбозов, управлении трансфузиями и др.). Систематический обзор 2018 года зафиксировал улучшения по шести клиническим показателям при внедрении CDSS в стационарной практике^[11]. Однако обзор 2014 года не выявил снижения смертности при интеграции CDSS с электронными историями болезни^[12]. Согласно обзорам 2005 года^[13],^[14] интеграция систем в рабочий процесс (без отдельного входа и экрана, с электронными шаблонами и поддержкой непосредственно во время ведения пациента) способствует успеху внедрения.

Более поздние обзоры отмечают наличие разрыва между теоретической и доказанной эффективностью электронных решений и недостаточную проработку вопроса экономической целесообразности внедрения.

Пятилетнее наблюдение CDSS в рамках антимикробной программы показало долгосрочный положительный эффект на качество терапии бактериальных инфекций.

Многие медицинские учреждения и софтверные компании потратили значительные усилия на создание CDSS для всех аспектов клинической работы. Однако сложность процессов и загруженность персонала требуют от внедряющих организаций тщательного внимания к интеграции системы с реальным рабочим процессом. CDSS с наибольшим успехом внедрены в фармацевтике и расчётах — например, автоматическая проверка назначения лекарств на взаимодействия, или анализ планов лечения с требованиями страховых программ.

Диагностические CDSS показывают успешные результаты в узких задачах: Leeds Abdominal Pain System (1971) обеспечивала корректный диагноз в 91,8 % случаев (против 79,6 % у врачей). Однако отсутствие интеграции в рабочий процесс часто мешает их повсеместному распространению. Системы традиционно требовали отдельного интерфейса и ручного ввода уже имеющихся данных, что прерывает рабочий процесс врача и отнимает время^[15].

CDSS сталкиваются с серьёзными техническими вызовами: биологические системы сложны, а эффективное решение требует анализа огромного числа данных. Современные системы доказательной медицины анализируют не только симптомы, но и семейный анамнез, генетику, эпидемиологические тренды, обзоры литературы.

Важнейшим барьером является недостаточная интеграция CDSS в рабочий процесс медиков.

Также отмечается нехватка объяснимых ИИ-решений в CDSS, что затрудняет доверие врачей к выводам систем^[16].

Проблема чрезмерного числа оповещений критична: слишком много сигналов приводит к «усталости внимания» и игнорированию действительно важных сообщений^[17].

Вызовом остаётся регулярное пополнение базы знаний: ежегодно публикуются десятки тысяч клинических исследований, каждое из которых необходимо анализировать и интегрировать вручную^[18]. При этом расхождения в клинических исследованиях могут затруднять единую формализацию знаний.

Ценность CDSS определяется её способностью улучшать рабочий процесс и исходы лечения. Критерии оценки отличаются для разных типов систем: диагностические оценивают по точности постановки диагноза, системы поддержки терапии — по частоте улучшения состояния пациента или экономическим результатам^[19].

Внедрение электронных медицинских записей (ЭМЗ, EHR) сопряжено с множеством проблем. Менее изученными являются вопросы перехода от устаревших к новым EHR-системам^[20].

Объединение возможностей EHR и CDSS может радикально изменить подход к обучению и практике медицины^[21]. Предполагается, что высший уровень развития EHR — это интегрированная с CDSS система^[22].

Успешная интеграция измеряется ростом эффективности ухода и снижением числа осложнений, а также экономией времени, средств и повышением автономности и финансового положения клиник.

Интеграция CDSS и EHR способствует стандарту «лучшей практики» в медицине. Основные области улучшения:

1. Уменьшение ошибок в выписке лекарств
2. Снижение риска неблагоприятных лекарственных реакций
3. Сокращение других медицинских ошибок

Максимальные преимущества прогнозируются при полном переходе всех звеньев системы на электронный обмен данными.

Внедрение EHR/CDSS сопровождается проблемами: необходимым условием становится поддержание высокой эффективности и безопасности всех процессов^[23]. Важна учёт мнения персонала; внедрение требует клинициентричного подхода^[24].

По состоянию на 2007 год, ключевые проблемы интеграции:

1. Конфиденциальность данных
2. Безопасность информации
3. Удобство интерфейса
4. Точность и полнота документации
5. Масштабируемость и интеграция
6. Унификация формата
7. Доверие персонала
8. Проблема «усталости внимания» к оповещениям

Важно обеспечить:

• корректность вводимых данных
• полноту учёта информации
• соответствие клиническим рекомендациям
• использование доказательной базы знаний

Техническим решением ряда проблем рассматривается внедрение сервис-ориентированной архитектуры^[25].

К июлю 2015 года переход к EHR в Австралии сопряжён с трудностями: большинство учреждений используют бумажные записи или находятся в процессе перехода. Программа HealthSMART штата Виктория была остановлена из-за высоких затрат^[26]. В Южной Австралии реализуется система Enterprise Patient Administration System (EPAS), объединяющая все больницы в единую информационную платформу. К июню 2016 года 93 из 194 учреждений Нового Южного Уэльса подключены к системе eMR2 с CDSS-функциями^[27].

CDSS-сервис EBMEDS, разработанный компанией Duodecim Medical Publications Ltd, используют более 60 % врачей государственного сектора Финляндии^[28].

В Индии начато множество инициатив по развитию цифрового здравоохранения. Новые платформы (Eka.care, Clinisio, Raxa и др.) предлагают решения EHR с интегрированной системой поддержки принятия врачебных решений^[29].

В Великобритании исследовалась система Salford Medication Safety Dashboard (SMASH) — веб-приложение CDSS, помогающее врачам и фармацевтам выявлять пациентов с риском небезопасных назначений на основе электронных записей. Система эффективно идентифицировала и корректировала опасные назначения^[30].