Разработка структуры базы знаний в области диагностики подагры

Подагра относится к группе микрокристаллических артритов и представляет собой системное тофусное заболевание, проявляющееся воспалением различных тканей в результате накопления кристаллов моноурата натрия. Верификация диагноза подагры с момента появления первых симптомов в среднем по России составляет от 4 до 8 лет. Этого времени достаточно для развития различных осложнений (например, подагрической нефропатии) и инвалидизации пациента, в связи с чем возникает потребность пересмотра существующей стратегии диагностики заболевания. К одному из вариантов улучшения оказываемой медицинской помощи можно отнести создание системы поддержки принятия врачебных решений (СППВР), которая построена на знаниях экспертов, формализованных в виде базы знаний.
Цель: разработка структуры базы знаний для СППВР в области диагностики подагры.
Материал и методы. В качестве материала использовалась клиническая информация по диагностике подагры, представленная в виде номенклатуры медицинских понятий и логических схем, которые были собраны на основе федеральных клинических рекомендаций, различных источников литературы и экспертных знаний. В качестве метода структурирования знаний применялся онтологический метод, в качестве методов представления – совместное использование семантической сети и фреймов.
Результаты. При разработке структуры базы знаний использовалось сочетание двух методов представления знаний: семантическая сеть и фреймы, в части структурирования знаний онтологический подход. Структура построена на основе собранных совместно с экспертами клинических знаний в части диагностики подагры. Основная особенность разработанной нами структуры базы знаний по сравнению с похожими работами в части диагностики заболеваний с применением методов инженерии знаний заключается в использовании отдельного типа понятия «Синдром», выступающего в качестве принятого в медицине агрегатора, существенно снижающего объем базы знаний для заболеваний.
Заключение. Разработана структура базы знаний, в рамках которой использовано 7 типов понятий и 11 типов связей. В структуре применялся онтологический подход и сочетание двух моделей представления знаний: семантической сети и фреймовой модели.

1. Подагра: руководство для врачей общей практики (семейных врачей). М.; 2015:28.

2. Кондрашов А.А., Клименко А.А., Шостак Н.А. Ведение пациентов с подагрой: фокус на поражение почек. Лечебное дело. 2021;(3):51–56. DOI: 10.24412/2071-5315-2021-12359.

3. Насонов Е.Л. Российские клинические рекомендации. Ревматоло-гия. М.: ГЭОТАР-Медиа; 2017:464.

4. Кириллова Э.Р. Возможности ультразвукового исследования в диагностике подагры. Практическая медицина. 2018;16(7):117–118. DOI: 10.32000/2072-1757-2018-16-8-117-118.

5. Руголь Л.В., Сон И.М., Меньшикова Л.И. Влияние кадрового обеспечения первичной медико-санитарной помощи на эффективность ее деятельности. Социальные аспекты здоровья населения. 2020;66(3):34. DOI: 10.21045/2071-5021-2020-66-3-9.

6. Сон И.М., Иванова М.А., Соколовская Т.А., Люцко В.В., Дежурный Л.И. Деятельность и обеспеченность врачами-ревматологами в Российской Федерации. Кардиоваскулярная терапия и профилактика. 2019;18(1):134–142. DOI: 10.15829/1728-8800-2019-1-134-142.

7. Журавлёва В.А., Фёдоров Л.В. Подагра: трудности и ошибки своевременной диагностики. Практикуючий лікар. 2019;3:32–38.

8. Лудупова Е.Ю. Врачебные ошибки. Литературный обзор. Вестник Росздравнадзора. 2016;2:6–15.

9. Фролов С.В., Куликов А.Ю., Остапенко О.А., Стрыгина Е.В. Системы поддержки врачебных решений в медицине. Научный журнал. 2018;9(32):9–16.

10. Гаврилова Т.А., Кудрявцев Д.В., Муромцев Д.И. Инженерия знаний. Модели и методы. СПб.: Издательство «Лань»; 2016:324.

11. Реброва О.Ю. Жизненный цикл систем поддержки принятия врачебных решений как медицинских технологий. Врач и информационные технологии. 2020;1:27–37. DOI: 10.37690/1811-0193-2020-1-27-37.

12. Varghese J., Kleine M., Gessner S.I., Sandmann S., Dugas M. Eff ects of computerized decision support system implementations on patient outcomes in inpatient care: a systematic review. J. Am. Med. Informatics. Assoc. 2018;25(5):593–602. DOI: 10.1093/jamia/ocx100.

13. Кобринский Б.А., Таперова Л.Н. Модель понятийно-образных (лингво-образных) фреймов для медицинских интеллектуальных систем. В сб.: Тринадцатая национальная конференция по искусственному интеллекту с международным участием: труды конференции. Белгород: Издательство БГТУ; 2012:318–326.

14. Zeshan F., Mohamad R. Medical ontology in the dynamic healthcare environment. Procedia Computer Science. 2012;10:340–348. DOI: 10.1016/j.procs.2012.06.045.

15. Осмоловский И.С., Зарубина Т.В., Шостак Н.А., Кондрашов А.А., Клименко А.А. Разработка номенклатуры понятий и логических схем по амбулаторному ведению пациентов с подагрой. Вестник РГМУ. 2021;(2):51–67. DOI: 10.24075/vrgmu.2021.014.

16. Osborne J.D., Booth J.S., O’Leary T., Mudano A., Rosas G., Foster P.J. et al. Identifi cation of gout fl ares in chief complaint text using natural language processing. AMIA. Annu. Symp. Proc. 2021;2020:973–982.

17. Будыкина А.В., Тихомирова Е.В., Киселев К.В., Зарубина Т.В., Раузина С.Е., Федоров Е.Д. и др. Формализация знаний о желудочно-кишечном кровотечении неясного генеза для использования в интеллектуальных системах поддержки принятия врачебных решений. Вестник новых медицинских технологий. 2020;27(4):98–101. DOI: 10.24411/1609-2163-2020-16741.

18. Киселев К.В., Ноева Е.А., Выборов О.Н., Зорин А.В., Потехина А.В., Осяева М.К. и др. Разработка архитектуры базы знаний системы поддержки принятия врачебных решений, основанной на графовой базе данных. Медицинские технологии Оценка и выбор. 2018;3(33):42–48. DOI: 10.31556/2219-0678.2018.33.3.042-048.

19. Грибова В.В., Петряева М.В., Окунь Д.Б., Шалфеева Е.А. Онтология медицинской диагностики для интеллектуальных систем поддержки принятия решений. Онтология проектирования. 2018;8(1):58–73. DOI: 10.18287/2223-9537-2018-8-1-58-73.

20. Bahra G., Wiese L. Classifying leukemia and gout patients with neural networks. In: Database and expert systems applications. Springer International Publishing; 2018:150–160. DOI: 10.1007/978-3-319-99133-7_12.