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].

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]:

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.

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].

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:

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].

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.

ДОПОЛНИТЕЛЬНАЯ ИНФОРМАЦИЯADDITIONAL INFORMATIONКонфликт интересовАвторы декларируют отсутствие конфликта интересов.Conflict of interestsThe authors declare no conflict of interest.ФинансированиеРабота выполнялась без спонсорской поддержки.FundingThe work was carried out without sponsorship.Участие авторов. Все авторы внесли существенный вклад в подготовку работы, прочли и одобрили финальную версию статьи перед публикацией. Свечкарева И. Р., Шилова Д. Е. — написание текста, оформление статьи; Курылев А. А. — редактирование, критический пересмотр рукописи и утверждение окончательного варианта статьи.Authors’ participation. All the authors made a significant contribution to the preparation of the work, read and approved the final version of the article before publication. Svechkareva IR, Shilova DE — text writing, article design; Kurylev AA — editing, critical revision of the manuscript, and approval of the final version of the article.