Переход на ведение электронных медицинских карт (ЭМК) является одним из базовых направлений цифровой трансформации здравоохранения. Одной из актуальных современных проблем ведения ЭМК является качество данных, которые накапливаются в современных медицинских информационных системах. Учитывая растущую роль ЭМК в качестве источника информации для систем поддержки принятия врачебных решений, внедрение элементов управления на основе первичных данных, а также развитие исследований в сфере данных реальной клинической практики (RWD), возрастает потребность в надежных и объективных методах оценки качества данных, накапливаемых в ЭМК. В этой связи разработка надежных методов и инструментов оценки качества данных (ОКД) в ЭМК является актуальной научной задачей.

Цель. Изучить и систематизировать предложенные в научной литературе подходы, методы и критерии ОКД ЭМК.

Материалы и методы. Были изучены обзоры и оригинальные работы по тематике ОКД ЭМК. Источники были выявлены в результате систематического поиска в четырех электронных библиографических базах данных: PubMed, Web of Science, Scopus и РИНЦ.

Результаты. В работе представлены основные подходы и критерии оценки качества данных ЭМК, проведена гармонизация терминов и определений ОКД, выделены ключевые компоненты, необходимые для внедрения системы ОКД ЭМК.

Заключение. Сформулированные в обзоре типовые критерии ОКД ЭМК могут быть использованы для дальнейших исследований и разработок инструментов ОКД, в том числе со стороны разработчиков медицинских информационных систем и организаторов здравоохранения, ответственных за цифровую трансформацию отрасли. Также данная работа поможет устранить путаницу в вопросах управления качеством данных ЭМК и предоставит руководство, необходимое для разработки эффективных программ для проведения ОКД.

Цель данного обзора заключается в рассмотрении и анализе методов измерения когнитивной нагрузки, а также подходов к использованию методов машинного обучения для идентификации данных ЭЭГ.

Материалы и методы. В обзоре систематизированы и обобщены сведения по рассматриваемой теме. Поиск научных статей проведен в библиографических базах данных: eLIBRARY, ScienceDirect, Scopus.

Результаты. В данном обзоре были рассмотрены способы измерения когнитивной нагрузки мозга, современные устройства для записи ЭЭГ, методы преобразования, извлечения и классификации признаков из полученных сигналов ЭЭГ.

Выводы. С появлением новых носимых устройств для получения и обработки сигналов ЭЭГ появляется потребность в разработке новых подходов к использованию машинного обучения для идентификации когнитивных процессов мозга.

Введение. Внедрение технологий искусственного интеллекта (ИИ) в здравоохранение России является важным шагом для повышения эффективности и качества медицинской помощи. Развитие ИИ-технологий способствует автоматизации обработки данных, поддержке принятия врачебных решений и улучшению прогнозной аналитики.

Цель. Анализ результатов создания и внедрения программных решений с использованием технологий ИИ в здравоохранении России.

Материалы и методы. Проведен систематический поиск данных в Государственном реестре медицинских изделий и на официальном сайте Единой информационной системы в сфере закупок. Основными методами исследования стали анализ зарегистрированных медицинских изделий с ИИ и мониторинг их использования в медицинских учреждениях.

Результаты. Определены количественные показатели внедрения в российском здравоохранении решений с использованием технологий ИИ. Сформулированы факторы, способствующие и препятствующие внедрению инноваций. Определен перечень компонентов методологии внедрения и эксплуатации медицинских решений, основанных на технологиях ИИ, связанных с этим изменений в организации оказания медицинской помощи, подготовки кадров, вовлечения пациентов в развитие своего здоровья.

Выводы. Значительный прогресс в использовании ИИ в здравоохранении России требует дальнейшего раскрытия методических, организационных, технологических и экономических вопросов. Продолжение обмена региональными практиками и знаниями будет ключевым для формирования доверия к технологиям ИИ.

Реализованные в 2011–2021 гг. государственные программы в сфере информатизации здравоохранения привели к тому, что свыше 91% государственных и муниципальных медицинских организаций внедрили различные медицинские информационные системы. Это позволило начать переход на ведение электронных медицинских карт (ЭМК). Извлечение данных реальной клинической практики (ДРКП) из накопленных ЭМК и последующий анализ этих данных открывает новые и перспективные возможности для развития отечественного здравоохранения.

Целью работы стал анализ ДРКП, извлеченных из обезличенных ЭМК. Материалами работы стала база данных платформы прогнозной аналитики Webiomed, в которой на момент исследования были накоплены обезличенные ЭМК свыше 29 млн пациентов, включая 229 млн различных медицинских документов. Поставщиками данных для платформы стали 856 медицинских организаций из 28 субъектов РФ. Функциональные возможности платформы Webiomed позволяют обрабатывать неструктурированные медицинские документы, извлекать с помощью технологий искусственного интеллекта из них данные, пригодные для анализа.

Результаты. В настоящей работе представлены: анализ медицинских организаций как поставщиков данных для платформы Webiomed, анализ структуры и состава ЭМК, анализ популяции пациентов. Анализ проведен на момент выгрузки данных 16.10.2023. Из накопленных обезличенных ЭМК удалось извлечь и систематизировать по разным видам более 4 млрд 558 млн структурированных признаков. Платформа содержит 147 886 190 случаев заболеваний, классифицированных по справочнику МКБ-10. 8 393 403 пациента (28,71% от общего числа) имеют в ЭМК медицинскую информацию. Доля «пустых» ЭМК (которые не содержали ни одной медицинской записи) составила 71,29%. Однако ЭМК 3 448 797 пациентов имеют более чем 10 медицинских документов. В структуре ЭМК преобладают протоколы врачебных осмотров, протоколы лабораторных исследований, электронные рецепты, инструментальные исследования. 4 456 263 пациентов имеют глубину сбора данных свыше 3х лет.

Заключение. Полученные результаты свидетельствуют, что извлечение и обработка ДРКП из обезличенных ЭМК действительно позволяют создавать большие наборы структурированных данных. В настоящее время, по нашим сведениям, платформа Webiomed содержит самую крупную в России базу ДРКП, извлеченных из ЭМК. Представленный в данной статье материал – это первый анализ ЭМК и извлеченных из них признаков, осуществленный и опубликованный в России. Обеспечение качества работы с ДРКП на всех этапах, начиная от разработки структуры ЭМК и ввода данных до формирования цифровых двойников, является важнейшим условием их применения для решения различных задач в системе здравоохранения и фармацевтической индустрии.

Цель. Исследование посвящено современным формам реализации кейс-метода как ключевого инструмента в развитии клинического мышления врачей. Определены основные факторы, усложняющие создание ситуационных задач и ограничивающие масштабное применение этого метода в медицинском образовании.

Материалы и методы. Предложена концепция использования больших языковых моделей (LLM) для снижения сложности и трудоемкости разработки ситуационных задач в медицинском обучении.

Результаты. Разработан и протестирован прототип интерактивного кейса на базе LLM ChatGPT-4o, основанный на клинической рекомендации по хронической сердечной недостаточности. Прототип позволяет диалоговое взаимодействие с обучающимися, генерацию лабораторных и инструментальных данных, а также адаптацию сложности кейсов в режиме реального времени. Несмотря на эффективность, подтверждены риски, связанные с появлением ошибок генерации контента (так называемых "галлюцинаций").

Заключение. Предложена концепция применения LLM для автоматизации и улучшения кейс-метода в медицинском образовании. Сформулированы требования к разработке цифрового решения, которое позволит значительно упростить создание и модификацию ситуационных задач, а также обеспечит развитие клинического мышления врачей. Дальнейшие усилия должны быть направлены на минимизацию генеративных ошибок и создание специализированных интерфейсов для эффективного использования LLM в обучении.

Актуальность. Диагностика ранней стадии хронической болезни почек (ХБП) является глобальной проблемой, поскольку чаще диагностируются поздние стадии заболевания. Разработка методов моделирования для принятия управленческих решений, направленных на повышение эффективности ранней диагностики ХБП, является важной научно-практической задачей, в решении которой большую поддержку может оказать использование алгоритмов машинного обучения (MLA).

Цель. Повышение точности диагностики ХБП с использованием данных анамнеза, клинико-инструментального, генетического обследования и MLА.

Материал и методы. Данные были получены из одноцентрового ретроспективного катамнестического когортного исследования (2011–2022 гг.) детей с ХБП 1-4 стадии в возрасте от 1 до 17 лет. В основную группу включены 128 детей с хроническими заболеваниями почек, в группу сравнения – 30 детей без патологии почек. Дети двух групп статистически значимо не различались по полу и возрасту. Для построения модели диагностики ХБП использованы данные анамнеза, клинико-инструментального и генетического обследования. Модель построена с применением MLA многофакторная логистическая регрессия (MLR). В модели использовано три переменных: СОЭ (β = 0,392; p<0,001).

Результаты. Получена диагностическая модель, позволяющая на тестовой выборке выявлять ХБП с точностью 90,3% [80,6; 96,8]%, чувствительностью 92,0% [81,5; 100,0]%, специфичностью 83,3% [50,0; 100,0]%, ROC-AUC = 90,0% [77,2; 100,0]%. Полученная модель отличного качества (>90%), т.к. ROC-AUC составляет на тестовой выборке 0,90. Значение точки отсечения вероятности ХБП равно 0,25.

Выводы. Разработана и протестирована модель, которая с высокой точностью диагностирует на ранней стадии ХБП у детей.

Актуальность. Диагностика ранней стадии хронической болезни почек (ХБП) является глобальной проблемой, поскольку чаще диагностируются поздние стадии заболевания. Разработка методов моделирования для принятия управленческих решений, направленных на повышение эффективности ранней диагностики ХБП, является важной научно-практической задачей, в решении которой большую поддержку может оказать использование алгоритмов машинного обучения (MLA).

Цель. Повышение точности диагностики ХБП с использованием данных анамнеза, клинико-инструментального, генетического обследования и MLА.

Материал и методы. Данные были получены из одноцентрового ретроспективного катамнестического когортного исследования (2011–2022 гг.) детей с ХБП 1-4 стадии в возрасте от 1 до 17 лет. В основную группу включены 128 детей с хроническими заболеваниями почек, в группу сравнения – 30 детей без патологии почек. Дети двух групп статистически значимо не различались по полу и возрасту. Для построения модели диагностики ХБП использованы данные анамнеза, клинико-инструментального и генетического обследования. Модель построена с применением MLA многофакторная логистическая регрессия (MLR). В модели использовано три переменных: СОЭ (β = 0,392; p<0,001).

Результаты. Получена диагностическая модель, позволяющая на тестовой выборке выявлять ХБП с точностью 90,3% [80,6; 96,8]%, чувствительностью 92,0% [81,5; 100,0]%, специфичностью 83,3% [50,0; 100,0]%, ROC-AUC = 90,0% [77,2; 100,0]%. Полученная модель отличного качества (>90%), т.к. ROC-AUC составляет на тестовой выборке 0,90. Значение точки отсечения вероятности ХБП равно 0,25.

Выводы. Разработана и протестирована модель, которая с высокой точностью диагностирует на ранней стадии ХБП у детей.