Развитие новых технологий с применением элементов искусственного интеллекта (ИИ) в медицине обращено к практическому клиническому внедрению и обеспечению ключевых вопросов, включая усовершенствование в использовании рутинных клинических данных, направленных на практическую значимость, стандартизацию, конфиденциальность и безопасность пациентов.Цель. Оценить эффективность медицинской информационной системы (МИС) RuPatient в реальной клинической практике для извлечения и структурирования медицинских данных.Материал и методы. Извлечение и распознавание данных с применением МИС из различных источников: амбулаторных карт, выписок, рутинных медицинских заключений, эпикризов и прочей структурированной и неструктурированной медицинской информации на основе разработанной технологии интеллектуальной аналитики текста, оптического распознавания знаков, по заданным словам и фразам, и применения элементов машинного обучения. Частным критерием оценки эффективности МИС использовано время, затраченное на заполнение электронных медицинских карт по сравнению с реальной клинической практикой.Результаты. Время внесения и обработки информации системой распознавания медицинской документации, входящей в МИС RuPatient, было короче, чем при стандартной практике (20,3±1,4 vs 25,1±1,5 мин, p<0,001), среднее время распознавания документов составило 30±4,3 сек. При ROC-анализе определено, что пороговое значение, которое позволяет с высокой точностью распознавать изображения выписных эпикризов с помощью системы RuPatient, составило 83,5% со значением площади под кривой 0,76.Заключение. Разработанная МИС RuPatient имеет модуль распознавания медицинской документации для создания структурированных данных на основе элементов технологий ИИ может использоваться как необходимый элемент при создании электронной истории болезни и накоплению структурированных данных для реализации задач по практическому и научному использованию больших данных и проектов ИИ в медицине. При использовании системы RuPatient может быть снижена нагрузка на медперсонал при выполнении документооборота и упрощен доступ к первичной медицинской информации.
1. He J, Baxter SL, Xu J, et al. The practical implementation of artificial intelligence technologies in medicine. Nat Med. 2019;25(1):30. doi:10.1038/S41591-018-0307-0.
2. Ahsani-Estahbanati E, Gordeev VS, Doshmangir L. Interventions to reduce the incidence of medical error and its financial burden in health care systems: A systematic review of systematic reviews. Front Med (Lausanne). 2022;9. doi:10.3389/FMED.2022.875426/FULL.
3. Davenport T, Kalakota R. The potential for artificial intelligence in healthcare. Future Healthc J. 2019;6(2):94. doi:10.7861/FUTUREHOSP.6-2-94.
4. Комков А. А., Мазаев В. П., Рязанова С. В. и др. Первое исследование медицинской информационной системы RuPatient по автоматическому распознаванию медицинской документации на основе "машинного обучения". Кардиоваскулярная терапия и профилактика. 2021;20(8):3080. doi:10.15829/1728-8800-2021-3080.
5. Kalkman S, van Delden J, Banerjee A, et al. Patients’ and public views and attitudes towards the sharing of health data for research: A narrative review of the empirical evidence. J Med Ethics. 2022;48(1):3-13. doi:10.1136/MEDETHICS2019-105651.
6. Fogel DB. Factors associated with clinical trials that fail and opportunities for improving the likelihood of success: A review. Contemp Clin Trials Commun. 2018;11:156. doi:10.1016/J.CONCTC.2018.08.001.
7. Paranjape K, Schinkel M, Panday RN, et al. Introducing Artificial Intelligence Training in Medical Education. JMIR Med Educ. 2019;5(2). doi:10.2196/16048.
8. Dreisbach C, Koleck TA, Bourne PE, et al. A systematic review of natural language processing and text mining of symptoms from electronic patient-authored text data. Int J Med Inform. 2019;125:37-46. doi:10.1016/J.IJMEDINF.2019.02.008.
9. Зинченко В. В., Хоружая А. Н., Шарова Д. Е. и др. Стандартизация в области регулирования технологий искусственного интеллекта в российском здравоохранении. Казанский медицинский журнал. 2021;102(6):923-33. doi:10.17816/KMJ2021-923.
10. Ahsan MM, Luna SA, Siddique Z. Machine-Learning-Based Disease Diagnosis: A Comprehensive Review. Healthcare. 2022;10(3):541. doi:10.3390/healthcare10030541.
11. Weissler EH, Naumann T, Andersson T, et al. The role of machine learning in clinical research: transforming the future of evidence generation. Trials.2021;22. doi:10.1186/s13063-021-05489-x.
12. Tourangeau R. Survey Reliability: Models, Methods, and Findings. J Surv Stat Methodol. 2021;9(5):961. doi:10.1093/JSSAM/SMAA021.
13. Xu F, Uszkoreit H, Du Y, et al. Explainable AI: A Brief Survey on History, Research Areas, Approaches and Challenges. In: Natural Language Processing and Chinese Computing. ISBN 978-3-03032235-9. 2019:563-574. doi:10.1007/978-3-030-32236-6_51.
