Особенности оценки данных электронных медицинских карт в современном здравоохранении

Введение / Introduction

Электронные медицинские карты (ЭМК; англ. Electronic Health Record; EHR) стали основным цифровым решением для систем здравоохранения с высоким уровнем дохода во всём мире [11–13]. Несмотря на увеличение интеграции подобных технологий в обычные рабочие процессы сферы здравоохранения, существует ряд трудностей, которые препятствуют реализации всех возможностей ЭМК. Одним из таких препятствий является отсутствие совместимости.

Общество информационных и управленческих систем здравоохранения Соединённых Штатов Америки (США) определяет совместимость как «способность различных информационных систем, устройств и приложений получать доступ, обмениваться, интегрировать и совместно использовать данные скоординированным образом, в пределах и через организационные, региональные и национальные границы, обеспечивать своевременную и беспрепятственную переносимость информации и оптимизировать здоровье отдельных лиц и населения во всём мире» [14]. Однако это может иметь кардинально разные последствия в зависимости от роли и перспектив в системе здравоохранения.

С технологической точки зрения, совместимость ЭМК можно определить как «способность двух или более приложений эффективно взаимодействовать без ущерба для содержания передаваемой информации ЭМК» [15]. Однако такие барьеры, как аппаратное обеспечение, синтаксис и удобство использования системы, часто препятствуют реализации данного принципа [16–18]. Необходимо внедрение общих стандартов в определении терминов, содержании и безопасности для облегчения различных уровней совместимости данных в учреждениях здравоохранения или между различными учреждениями [14][19].

С точки зрения общественного здравоохранения, административных и политических регламентирующих мер, совместимость ЭМК подразумевает «электронную медицинскую информацию, которая надлежащим образом передаётся между партнёрами в области здравоохранения и общественного здравоохранения в правильном формате по нужному каналу в нужное время» [20]. Для конечных пользователей, таких как специалисты здравоохранения и пациенты, понимание совместимости часто больше фокусируется на практических задачах. Для поставщиков медицинских услуг оно подразумевает возможность удалённого доступа к записям об оказанной медицинской помощи в другом учреждении здравоохранения, возможность электронной переписки с другими поставщиками и координацию сложных планов с внешними медицинскими организациями [2][3].

Для пациентов совместимость ЭМК может означать большее удобство при обращении за помощью в стационары с различными медицинскими информационными системами (МИС), в том числе за счёт более широкого доступа к их медицинским картам [21].

Отсутствие совместимости может негативно повлиять на различные аспекты качества оказания медицинской помощи, такие как безопасность, эффективность, персонификация, своевременность и эффективность [22][23]. Эти недостатки могут варьироваться от неточных или фрагментированных медицинских записей пациентов у нескольких поставщиков медицинских услуг до увеличения расходов, вызванных двойной нагрузкой на сотрудников и избыточными расходами ресурсов здравоохранения [7][18–20]. Внедрение ЭМК способно привести к таким изменениям, как повышение эффективности работы специалистов здравоохранения, содействие надзору за заболеваниями и исследованиями в области общественного здравоохранения, а также влияние на оценку технологий здравоохранения [24].

Несмотря на почти двадцать лет использования ЭМК в таких развитых странах, как США и Великобритания [8][25–27], до сих пор до конца остаётся неясным влияние на систему здравоохранения и безопасность пациентов.

Существующие в Российской Федерации (РФ) информационные системы представлены программными продуктами, созданными в том числе специализированными компаниями-разработчиками по заказу государственных органов и принадлежащими в этой связи государственным заказчикам различных уровней. Одним из решений проблемы является реализация федерального проекта «Создание единого цифрового контура здравоохранения на основе единой государственной информационной системы в сфере здравоохранения (ЕГИСЗ)», предусмотренного в рамках национального проекта «Здравоохранение», запущенного на основании Указа Президента РФ № 204 «О национальных целях и стратегических задачах развития Российской Федерации на период до 2024 года». Целью проекта является создание единого цифрового контура для повышения эффективности функционирования здравоохранения России [28].

Разрабатываемая Федеральная интегрированная ЭМК представляет собой подсистему Единой системы, предназначенную для сбора, систематизации и обработки структурированных обезличенных сведений, указанных в статье 94 Федерального закона, о лицах, которым оказывается медицинская помощь, а также о лицах, в отношении которых проводятся медицинские экспертизы, медицинские осмотры и медицинские освидетельствования, посредством информационного обмена с государственными информационными системами в сфере здравоохранения субъектов РФ, медицинскими информационными системами медицинских организаций государственной, муниципальной и частной систем здравоохранения. Задачами интегрированной ЭМК являются не только получение, проверка, обработка и хранение данных в рамках федерального законодательства, но и формирование баз данных для систематизации информации из различных источников для изучения различных вариантов течения заболеваний и разработки подходов к диагностике и лечению [29].

Обзор данных в системе ЭМК / Overview of data in electronic health records

За время, которое прошло с начала обсуждения темы ЭМК, не только значительно выросли объёмы медицинской информации, собираемой в электронном виде, но и значительно усложнилась структура источников данной информации. Если ранее основным источником данных в ЭМК были медицинские записи, формируемые медицинскими работниками внутри единой МИС, то сегодня к этому добавились [4]:

• данные, вносимые самим пациентом с использованием телемедицинских технологий и дистанционного мониторинга (сведения о самочувствии, состоянии, измерениях физиологических параметров, приёме лекарственных препаратов и др.);
• данные от различных медицинских приборов, используемых пациентом в домашних условиях;
• данные, полученные из различных коммерческих медицинских организаций (в первую очередь — клинических лабораторий) и предоставляемые самим пациентом;
• данные об образе жизни, которые могут быть получены из различных немедицинских источников (социальных сетей, сотовых операторов, торговых сетей, фитнес-центров и др.).

В системах ЭМК есть несколько типов данных. Структурированные данные обычно вводятся в дискретные поля данных со стандартизированными ответами или параметрами (например, возраст, пол, демографическая информация, частота посещений, данные лабораторных исследований, коды диагностики по Международной классификации болезней и др.). Неструктурированные данные — информация, которая не записана таким образом, чтобы её можно было анализировать непосредственно с помощью стандартного статистического программного обеспечения. Примеры: большинство записей врачей, радиологические и патологоанатомические отчёты, данные диагностических процедур.

Неструктурированная информация является основным барьером для объективного измерения качества услуг и оценки технологий здравоохранения. Поэтому подобные данные должны быть преобразованы в структурированный формат, что требует значительных трудовых затрат и ресурсов для преобразования информации. Золотой стандарт для преобразования неструктурированных данных — это обученные клинические эксперты. В последнее время всё чаще подходы к преобразованию неструктурированной информации в вычислимые данные включают обработку естественного языка — так называемое машинное обучение (англ. Machine Learning; ML) и искусственный интеллект (ИИ; англ. Artificial Intelligence; AI) [4].

Для структурирования данных применяются стандартные методы, так называемой, абстракции. Стандартная методология обычно включает в себя разработку протоколов, инструментов и процессов абстракции (как правило, без ввода абстрагированного средства), пилотных инструментов/форм и протоколов с использованием предварительно выбранных, стандартизированных образцов медицинских записей для обучения абстрагированию, переменной коммуникации между членами команды абстракции после периода обучения, мониторинга качества и точности данных, обычно с помощью статистического метода — формулы каппа Коэна.

Внедрение ЭМК привело к изменениям в способах хранения данных, их архивированию, наличию различных форматов при контроле. Привычным явлением было, когда встречались несколько версий одного и того же документа на разных стадиях завершения в рамках ЭМК. Эти проблемы контроля версий при настройке формата и архивной изменчивости привели к путанице с клиническими специалистами (абстракторами).

Содержимое неструктурированных данных обычно варьировалось в зависимости от версий, и каждая версия была видна абстракторам. Клиницисты часто использовали в своих записях свободный формат текста, широкий спектр формулировок, интерпретируемых по-разному различными абстракторами. Всё это привело к более низкой, чем ожидалось, статистике надёжности между оценщиками и процентным рейтингам согласия для нескольких неструктурированных элементов данных. При дальнейших исследованиях стало ясно, что дальнейшее применение стандартной методологии абстракции становится нецелесообразным [9].

Для извлечения структурированных данных из неструктурированных медицинских записей применяются технологии машинного обучения — обработка текстов на естественном языке (англ. Natural Language Processing; NLP). С технической точки зрения задачей данного этапа является анализ сохранённых неструктурированных записей и затем выделение из них отдельных структурированных признаков. Эти технологии позволяют находить заранее предопределённые признаки в получаемых на вход текстовых блоках и возвращать структурированную информацию, которая после будет записана в базу данных и станет подходящей для дальнейшей обработки.

В связи с увеличением объёмов цифровых данных по всему миру был разработан контрольный список пригодности (соответствия), призванный помочь оценить качество и пригодность данных ЭМК.

Контрольный список соответствия базируется на двух основных элементах — разграничение данных: предполагает всестороннее понимание и оценку достоверности данных, и соответствие данных назначению: анализируется точность и пригодность данных для ответа на конкретные исследовательские вопросы.

Электронная медицинская карта как источник данных реальной клинической практики / Electronic health records as a source of real-world data

На сегодня именно ЭМК стали основным источником данных реальной клинической практики (РКП) является ЭМК. Правильная работа с данным источником позволяет оценивать распространённость различных заболеваний и факторов риска [30].

В зарубежной литературе представлено множество примеров использования ЭМК в качестве источника данных РКП. Так, Hernandez-Bussard et al. (2019 г.) определили, являются ли данные ЭМК достаточными для формирования достоверных клинических утверждений и принятия соответствующих решений в рамках медицинской помощи пациентам с сердечно-сосудистыми заболеваниями. На основании анализа полученных 10 840 записей авторы показали, что точность результатов на 98,3 % соответствовала данным проведённых ранее рандомизированных клинических исследований (РКИ) [6].

Ещё один обзор, цель которого — сравнить предиктивные возможности традиционных методов прогноза сердечно-сосудистого риска и технологий машинного обучения (ML), используя данные ЭМК, доказывает более высокую точность ML. Кроме того, ограничением их применения в реальной клинической практике является необходимость полноценного электронного ведения медицинской документации и агрегация большего количества качественной и структурированной информации [7].

В исследовании Griffith et al. изучали возможность использования данных ЭМК пациентов с мелкоклеточным раком лёгкого для формирования прогноза излечения, используя критерии существующих клинических рекомендаций. Авторы установили, что такой подход возможен при использовании клинических данных и результатов объективных инструментальных исследований в комплексе [8].

Будущие направления / Future directions

Широкое распространение и доступность информационных систем ЭМК открывают новые возможности и огромный потенциал для информирования и совершенствования целого ряда критически важных предприятий в области здравоохранения и медицины. Несмотря на то, что базы данных, основанные на ЭМК, содержат значительную глубину и детализацию информации о здоровье пациентов и оказании им медицинской помощи, существуют также заметные ограничения и проблемы, которые могут повлиять на их достоверность и актуальность для цифрового здравоохранения. Различные авторы отмечают, что “размер и охват аналитических наборов данных, полученных на основе ЭМК, со временем будут только увеличиваться”. Для решения выше указанных проблем и усовершенствования ЭМК необходимо развитие в следующих направлениях:

1. Использование новых методов, которые используют современные эпидемиологические и аналитические подходы в сочетании с новыми источниками данных.
2. Использование новых источников данных: умные часы, домашний мониторинг пациентов, получающих химиотерапию и самоконтролируемое артериальное давление в режиме реального времени для управления гипертонией.
3. Распространение машинного обучения и искусственного интеллекта для обработки данных.

Со временем эти технологии заменят большую часть работы, выполняемой в настоящее время клиническими специалистами (абстракторами) на неструктурированных записях, и будут всё чаще выполнять задачи абстрагирования, которые невыполнимы для людей, включая интеграцию мультимодальной информации. Эти изменения могут, в свою очередь, повлиять на то, как структурирована сама ЭМК и как данные вводятся в запись врачами, пациентами или машинами [9][10].

Заключение / Conclusion

В российском здравоохранении более 10 лет реализуется ряд государственных проектов по цифровой трансформации медицинской информации, которые обеспечили накопление в медицинских организациях архивов ЭМК. Развитие технологий обработки больших данных с помощью ИИ и ML позволяет извлекать из архивов ЭМК ценную клиническую информацию и использовать её. В настоящее время ЭМК являются одним из самых важных источников РКП. Несмотря на очевидные трудности в извлечении данных, недостаточно активном внедрении технологий в этот процесс, за технологиями ML и ИИ — будущее. С помощью анализа данных ЭМК возможно разрабатывать оптимальные программные алгоритмы для оценки рисков и составления предиктивных прогнозов развития различных заболеваний, которые могут быть более точными, чем традиционные опросники и шкалы.