Интеграция клинических рекомендаций в инструменты цифрового здравоохранения: онтологическое моделирование

Современные клинические рекомендации (КР), являясь основой доказательной медицины, существуют преимущественно в формате текстовых документов (PDF, DOC). Это делает их трудными для автоматической обработки и интеграции в медицинские информационные системы (МИС) и системы поддержки принятия врачебных решений (СППВР). Врачу приходится вручную искать, анализировать и применять эти рекомендации, что отнимает время и повышает риск пропустить важные детали. Для решения этой проблемы авторами представлена практическая методология преобразования текстовых КР в машинопонимаемые клинические рекомендации через применение онтологического моделирования. Ключевая идея состоит в двухуровневой модели их представления. Внешний уровень (для врачей) – это иерархически структурированный текст, привычный и удобный для чтения и анализа. Ключевыми элементами этой структуры являются «контейнеры данных», которые четко описывают наблюдения, вмешательства, условия их применения. Внутренний уровень (для компьютерных систем) – это формализованный граф знаний, куда преобразуется содержимое «контейнеров». Этот граф, построенный на основе медицинских онтологий и классификаторов, может автоматически обрабатываться СППВР для генерации персонифицированных подсказок непосредственно во время работы врача с электронной медицинской картой.

Предлагаемый на основе онтологического моделирования подход позволяет, во-первых, интегрировать КР в рабочий процесс врача (СППВР сможет автоматически анализировать данные пациента из и предлагать релевантные рекомендации), во-вторых, повысить персонализацию лечения, за счет автоматического анализа множества индивидуальных параметров пациента при принятии решения, в-третьих, облегчить навигацию по КР, так как структурированный формат упрощает поиск нужной информации и понимание взаимосвязей между различными рекомендациями, наконец, в-четвертых, обеспечить актуальность знаний (процесс обновления МКР при появлении новых версий рекомендаций может быть в значительной степени автоматизирован).

Предложенная методология была успешно протестирована на примере актуальных КР по кардиологии, на облачной платформе IACPaaS был реализован прототип СППВР. Перевод КР в машинопонимаемый формат – это стратегический шаг от цифрового архива документов к интеллектуальным помощникам, которые экономят время врача, снижают количество ошибок и способствуют строгому следованию принципам доказательной медицины у постели каждого пациента.

1. Pournik O., Ahmad B., Despotou G., LimChoiKeung S.N., Mohamad Y., Gappa H. et al. CAREPATH methodology for development ofcomputer interpretable, integrated clinical guidelines. Proceedings of the 10th International Conference on Software Development and Technologies for Enhancing Accessibility and Fighting Info-exclusion. 2022:7–11. https://doi.org/10.1145/3563137.3563155.

2. Garber J.R., Patkar V. Computer-interpretable guidelines: electronic tools to enhance the utility of thyroid nodule clinical practice guidelines and risk stratification tools. Front. Endocrinol. 2023;14:1228834. https://doi.org/10.3389/fendo.2023.1228834.

3. Путило Н.В., Маличенко В.С. Роль клинических рекомендаций в организации оказания медицинской помощи. Проблемы социальной гигиены, здравоохранения и истории медицины. 2023;29(2):331– 338.

4. Ватолин В.М, Сухоруких О.А, Галеева Ж.А., Лукъянцева Д.В., Бузуверова О.О., Кирсанова О.В. и др. Анализ данных о методиках клинической оценки, указанных в клинических рекомендациях, размещенных на информационном ресурсе Минздрава России «Рубрикатор клинических рекомендаций». ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2018;11(1):56–63. https://doi.org/10.17749/2070-4909.2018.11.1.056063.

5. Демкина А.Е. Эволюция цифровой медицины. Мировой и отечественный опыт. Вестник Московского университета. Серия 21. Управление (государством и обществом). 2023;20(2):3–26. https://doi.org/10.55959/MSU2073-2643-21-2023-2-3-26.

6. Морозова Ю.А. Цифровая трансформация российского здравоохранения как фактор развития отрасли. Интеллект. Инновации. Инвестиции. 2020;2:36–47. https://doi.org/10.25198/2077-7175-2020-2-36.7.

7. Боярских А.В., Ефремов С.А., Кавлашвили О.В., Грязнов И.М. Баланс цифровой трансформации системы здравоохранения на примере вертикально интегрированных медицинских информационных систем (ВИМИС). Национальное здравоохранение. 2021;2(2):28–35. https://doi.org/10.47093/2713-069X.2021.2.2.28-35.

8. Прялухин И.А., Шешко Е.Л., Серяпина Ю.В., Плутницкий А.Н., Пугачев П.С., Омельяновский В.В. и др. Предложения по созданию клинических рекомендаций с учетом цифровой трансформации здравоохранения Российской Федерации. Национальное здравоохранение. 2024;5(2):36–47. https://doi.org/10.47093/2713-069X.2024.5.2.36-47.

9. 9. Федяева В.К., Дмитриева У.Н., Журавлева Н.И., Журавлев Н.И., Ковалева М.Ю., Коробкина А.С. и др. Нормативно-правовой статус клинических рекомендаций и их роль в системе контроля качества медицинской помощи в странах Европейского Союза, Северной Америки и Азии. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2019;12(3):239–245. https://doi.org/10.17749/2070-4909.2019.12.3.239-245.

10. Перепеч Н.Б., Трегубов А.В., Михайлова И.Е. Анализ факторов, влияющих на знание врачами положений клинических рекомендаций по лечению хронической сердечной недостаточности. Российский кардиологический журнал. 2024;29(1S):5722. https://doi.org/10.15829/1560-4071-2024-5722.

11. Бледжянц Г.А., Исакова Ю.А, Осипов А.А. Онтологический метод и инструментарий совершенствования инновационных коммуникаций как актуальный приоритет цифровизации в медицинской сфере. Человеческий капитал. 2020;S12(1):186–193. EDN: LPUHPK.

12. Лебедев С.В., Жукова Н.А. Слияние медицинских данных на основе онтологий. Онтология проектирования. 2017;7(2):145–159. https://doi.org/10.18287/2223-9537-2017-7-2-145-159.

13. De Leo A., Bloxsome D., Bayes S. Approaches to clinical guideline development in healthcare: a scoping review and document analysis. BMC Health. Serv. Res. 2023;23(1):37. https://doi.org/10.1186/s12913-022-08975-3.

14. Moazemi S., Vahdati S., Li J., Kalkhoff S., Castano L.J.V., Dewitz B. et al. Artificial intelligence for clinical decision support for monitoring patients in cardiovascular ICUs: A systematic review. Front. Med. 2023;10.1109411. https://doi.org/10.3389/fmed.2023.1109411.

15. Savino M., Chiloiro G., Masciocchi S., Capocchiano N.D., Lenkovic G., Gottardelli B. et al. A process mining approach for clinical guidelines compliance: real-world application in rectal cancer. Front. Oncol. 2023;13:1090076. https://doi.org/10.3389/fonc.2023.1090076.

16. Зулкарнеев Р.Х., Юсупова Н.И., Сметанина О.Н., Гаянова М.М., Вульфин А.М. Методы и модели извлечения знаний из медицинских документов. Информатика и автоматизация. 2022;21(6):1169– 1210. https://doi.org/10.15622/ia.21.6.4.

17. Брук Н. Медицинские онтологии для представления текстовой и графической информации. Seria “Ştiinţe exacte şi economice” Informatică. 2013;2(62):33–38. https://exact.studiamsu.md/wp-content/uploads/2013/01/05.-p.33-38.pdf (26.06.2025).

18. Подколодный Н.Л., Подколодная О.А. Онтологии в биоинформатике и системной биологии. Вавиловский журнал генетики и селекции. 2015;19(6):652–660. https://doi.org/10.18699/VJ15.090.

19. Ковалев Р.И., Грибова В.В., Окунь Д.Б. Онтология представления знаний о назначении персонифицированного лечения. Онтология проектирования. 2023;13.2(48):192–203. https://doi.org/10.18287/2223-9537-2023-13-2-192-203.

20. Грибова В.В., Окунь Д.Б. Онтологии для формирования баз знаний и реализации лечебных мероприятий в медицинских интеллектуальных системах. Информатика и системы управления. 2018;3(57):71–80. https://doi.org/10.22250/isu.2018.57.71-80.

21. Нефедов Ю.В., Цыпленкова В.А. Основные тенденции и особенности развития медицинских онтологий. Врач и информационные технологии. 2018;4:6–19. EDN: YQXQSL.

22. Берестнева О.Г., Жаркова О.С., Маклакова Т.Г., Шухарев С.О. Создание онтологий в медицине с использованием программы protege. Информационные и математические технологии в науке и управлении. 2017;1(5):86–93. EDN: YIXSSN.

23. 23. De Roock E., Martin N. Process mining in healthcare – an updated perspective on the state of the art. J. Biomed. Inform. 2022;127:103995. https://doi.org/10.1016/j.jbi.2022.103995.

24. Енгалычев Д.Н., Ходовский А.А., Левин М.Б. Методологические подходы разработки цифровой клинической рекомендации. ОРГЗДРАВ: новости, мнения, обучения. Вестник ВШОУЗ. 2021;7(3):70–81. https://doi.org/10.33029/2411-8621-2021-7-3-70-81.

25. Андрейченко А.Е., Гусев А.В. Перспективы применения больших языковых моделей в здравоохранении. Национальное здравоохранение. 2023;4(4):48–55. https://doi.org/10.47093/2713069X.2023.4.4.48-55.

26. Грибова В.В., Переволоцкий В.С. Разработка графов знаний на основе больших языковых моделей для поддержки принятия решений в медицине. Программная инженерия. 2024;15(6):308–321. https://doi.org/10.17587/prin.15.308-321.

27. Quer G., Topol E.J. The potential for large language models to transform transform cardiovascular medicine. Lancet Digit Health. 2024;6(10):e767–e771. https://doi.org/10.1016/S2589-7500(24)00151-1.

28. Грибова В.В., Москаленко Ф.М., Тимченко В.А., Шалфеева Е.А. Платформа IACPaaS для разработки систем на основе онтологий: десятилетие использования. Искусственный интеллект и принятие решений. 2022;4:55–65. https://doi.org/10.14357/20718594220406.

29. Грибова В.В., Шалфеева Е.А., Петряева М.В., Окунь Д.Б., Федорищев Л.А., Ковалев Р.И. Облачный сервис дифференциальной диагностики и назначения персонифицированного лечения воспалительных заболеваний сердца. Программные системы: теория и приложения. 2023;14(4):141–188. https://doi.org/10.25209/2079-33162023-14-4-141-188.