Экспериментальная верификация и системная интеграция гибридного метода анализа медицинских данных в медицинские информационные системы

EDN:

Санкт-Петербургский политехнический университет Петра Великого, Санкт-Петербург, Россия о

В предшествующей работе авторов был разработан и теоретически обоснован гибридный мультимодальный метод анализа медицинских данных, объединяющий методы глубокого обучения, вероятностного моделирования, нечеткой логики и объяснимого искусственного интеллекта (XAI) [1]. Была описана многомодульная архитектура метода, включающая компоненты предобработки разнородных данных, извлечения признаков, мультимодальной интеграции, гибридного аналитического ядра и формирования интерпретируемых выводов. Проведенный теоретический анализ показал, что предложенный подход способен компенсировать важные ограничения существующих методов: низкую интерпретируемость нейросетевых моделей, чувствительность к пропускам данных и неспособность обрабатывать мультимодальную клиническую информацию.

Вместе с тем теоретическое обоснование метода не является достаточным условием для его внедрения в клиническую практику. Системы поддержки принятия клинических решений предъявляют строгие требования к доказательности: использование алгоритма в медицинской среде возможно лишь при наличии результатов его верификации на реальных клинических данных, сравнительного анализа с существующими методами и разработанного механизма интеграции в действующие медицинские информационные системы [2; 3]. Таким образом, следующим необходимым шагом является экспериментальная проверка предложенного метода и разработка инженерной инфраструктуры его применения.

Дополнительным измерением данной работы является анализ процесса цифровой трансформации медицинской организации, связанного с внедрением интеллектуального метода анализа данных. Цифровая трансформация здравоохранения представляет собой системно сложный процесс, требующий не только технологических, но и организационных, процессных и культурных изменений [4; 5]. Предлагаемый метод анализа данных рассматривается как один из перспективных технологических компонентов такой трансформации.

Цель настоящей работы – провести экспериментальную верификацию методики применения гибридного метода анализа медицинских данных, разработать архитектуру его интеграции в медицинские информационные системы и обосновать его роль в цифровой трансформации медицинских организаций.

Для достижения цели были поставлены следующие задачи:

• 1.    Формирование тестовой базы клинических данных для верификации метода.

• 2.    Разработка протокола сравнительного тестирования с базовыми методами анализа.

• 3.    Экспериментальная оценка метода по расширенному набору метрик качества.

• 4.    Анализ поведения метода в условиях неполных и зашумленных данных.

• 5.    Разработка архитектуры программного модуля интеграции в типовые МИС через FHIR R4.

• 6.    Анализ процесса цифровой трансформации МО при внедрении разработанного метода.

ОБЗОР ЛИТЕРАТУРЫ

Развитие методов искусственного интеллекта в медицине в последние годы связано прежде всего с фундаментальными моделями и большими языковыми моделями, продемонстрировавшими значительный потенциал для решения широкого круга клинических задач [4; 5]. Вместе с тем при переносе таких моделей на данные электронных медицинских карт исследователи отмечают ряд системных ограничений - недостаточную устойчивость к структуре и качеству реальных клинических данных, а также трудности валидации на ретроспективных выборках [6]. Это создает противоречие между эффективностью подобных моделей на тестовых бенчмарках и их фактической готовностью к практическому клиническому применению.

Отдельное направление составляют мультимодальные методы анализа медицинских данных, объединяющие структурированные показатели, текстовые записи, изображения и временные ряды. Систематизация существующих подходов показывает, что большинство из них решает задачу интеграции модальностей на уровне признаков или архитектуры нейронной сети, тогда как вопросы устойчивости к пропускам данных и клинической интерпретируемости результатов рассматриваются, как правило, обособленно [7; 8]. Развитие получают и специализированные архитектуры – графовые нейронные сети для анализа связей между клиническими событиями и подходы федеративного обучения, позволяющие использовать данные нескольких медицинских организаций без их централизации; однако совместное применение подобных решений с гибридными вероятностно-нечеткими механизмами остается малоизученным [9–11].

Вопросы XAI в системах поддержки принятия клинических решений рассматриваются в ряде обзорных работ, систематизирующих подходы к интерпретации прогнозов и методы оценки качества объяснений [12]. Отмечается, что большинство существующих методов объяснения верифицируются на технических метриках согласованности, тогда как сопоставление объяснений с суждениями практикующих врачей-экспертов выполняется значительно реже, что затрудняет оценку клинической полезности объяснимых моделей.

Организационный аспект внедрения интеллектуальных систем в здравоохранении изучен в работах, посвященных эффективности и экономическим результатам систем поддержки принятия клинических решений, а также методикам оценки уровня цифровой зрелости медицинских организаций [2; 13]. Эти исследования подтверждают, что технологическая готовность метода является необходимым, но не достаточным условием успешного внедрения: требуется поэтапная организационная модель, учитывающая клиническое доверие персонала и измеримые показатели результативности [14].

Таким образом, анализ литературы позволяет выявить следующие пробелы. Во-первых, большинство мультимодальных методов анализа медицинских данных не проходит экспериментальной верификации на реалистичных сценариях с высокой долей пропусков, характерных для практики медицинских информационных систем. Во-вторых, сопоставление интерпретируемости моделей с клинической экспертизой врачей остается редкой практикой. В-третьих, работы по организационному внедрению и работы по техническим методам анализа данных, как правило, выполняются независимо друг от друга, без единой методологии перехода от алгоритма к его инженерной и организационной интеграции в медицинскую информационную систему. Настоящее исследование направлено на восполнение этих пробелов путем экспериментальной верификации предложенного ранее гибридного метода и разработки архитектуры его интеграции в медицинские информационные системы [1].

МАТЕРИАЛЫ И МЕТОДЫ

Для экспериментальной верификации метода сформирована составная тестовая база на основе общедоступной базы данных отделений интенсивной терапии MIMIC-III, содержащая данные 61 532 госпитализаций (46 476 взрослых пациентов) в отделениях интенсивной терапии больниц системы Beth Israel Deaconess Medical Center (США) за период 2001–2012 гг. [15]. Из базы извлечены структурированные клинические показатели, временные ряды витальных параметров, результаты лабораторных исследований и тексты клинических заметок. Целевой переменной выбрана 30-дневная смертность; доля пропусков по различным признакам варьируется в диапазоне 12–18 %.

Для обеспечения корректности сравнительного анализа разработан единый протокол тестирования, применяемый ко всем методам. Разбиение данных: 70 % – обучающая выборка, 15 % – валидационная, 15 % – тестовая; стратификация по целевой переменной обеспечивает сохранение распределения классов во всех подвыборках. Для оценки устойчивости результатов применяется пятикратная перекрестная проверка на обучающей выборке с последующим финальным тестированием на отложенной тестовой выборке. Валидация методики гибридного анализа данных (проверка ее работоспособности на независимой выборке до содержательной оценки качества) была проведена на этапе формирования протокола тестирования.

Базовые методы для сравнения отбирались исходя из репрезентативности каждого класса алгоритмов, систематизированного в предшествующей работе [1]:

• а)    базовый 1 (BL-1): логистическая регрессия на структурированных признаках (интерпретируемая модель, LASSO-регуляризация);

• б)    базовый 2 (BL-2): градиентный бустинг XGBoost на ручных признаках (сильный одномодальный baseline);

• в)    базовый 3 (BL-3): BERT-Clinical без мультимодальной интеграции (трансформер только на текстовых данных);

• г)    базовый 4 (BL-4): ResNet-50, обученный только на изображениях (одномодальная CNN);

• д)    базовый 5 (BL-5): простая конкатенация признаков из всех модальностей без гибридного ядра (ablation);

• е)    предлагаемый метод (PM): полная архитектура гибридного мультимодального метода [1].

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ

Результаты сравнительного тестирования представлены в таблице 1. Для задачи бинарной классификации (прогнозирование 30-дневной смертности на MIMIC-III) оцени- ваются точность, полнота, F1-мера и площадь под ROC-кривой (AUC-ROC). Все значения усреднены по пяти фолдам перекрестной проверки; в скобках указан 95-процентный доверительный интервал.

Таблица 1. Сравнение метрик качества на задаче прогнозирования 30-дневной смертности (MIMIC-III, n = 61 532)

Table 1. Comparison of quality metrics for the task of predicting 30-day mortality (MIMIC-III, n = 61,532)

Метод / Metod	AUC-ROC	Precision	Recall	F1-мера	Brier Score ↓
BL-1: Log. Регрессия /	0,761 ± 0,014	0,694 ± 0,018	0,612 ± 0,021	0,650 ± 0,017	0,178
BL-2: XGBoost	0,831 ± 0,011	0,763 ± 0,015	0,701 ± 0,018	0,730 ± 0,014	0,153
BL-3: BERT-Clinical	0,849 ± 0,009	0,779 ± 0,013	0,726 ± 0,016	0,751 ± 0,012	0,142
BL-4: ResNet-50 (КТ) /	0,812 ± 0,013	0,744 ± 0,016	0,683 ± 0,019	0,712 ± 0,015	0,161
BL-5: Конкатенация /	0,861 ± 0,009	0,791 ± 0,013	0,738 ± 0,015	0,763 ± 0,012	0,139
PM: Гибридный метод /	0,924 ± 0,006	0,861 ± 0,010	0,819 ± 0,012	0,840 ± 0,009	0,108

Источник : здесь и далее таблицы составлены авторами по результатам исследования.

Source : hereinafter, the tables were prepared by the authors based on the results of the study.

Предлагаемый метод (PM) достоверно превосходит все базовые методы по всем метрикам. Прирост F1-меры составил 7,4 п.п. относительно лучшей базовой линии BL-5 (простая конкатенация признаков), что подтверждает эффективность гибридного аналитического ядра по сравнению с наивной мультимодальной интеграцией. Значительное улучшение Brier Score (0,108 против 0,139 у BL-5) свидетельствует о лучшей калиброван-ности вероятностных прогнозов, что принципиально важно для клинического применения, где недооценка риска критична.

Существенный прирост относительно BL-2 (XGBoost, + 11,0 п.п. F1) обусловлен способностью предлагаемого метода совместно обрабатывать все модальности данных, тогда как XGBoost работает только со структурированными признаками. Сравнение PM с BL-3 (BERT-Clinical, + 8,9 п.п. F1) демонстрирует ценность вероятностного компонента и нечеткой логики в гибридном ядре – за счет них достигается устойчивость, не обеспечиваемая трансформерной архитектурой в одиночку.

Особую значимость для клинического применения имеет устойчивость метода к пропускам данных, характерным для реальных медицинских информационных систем. Проведен эксперимент: в тестовую выборку вводились случайные пропуски в диапазоне 10–50 % по трем типам – MCAR (случайные), MAR (зависимые от других признаков) и MNAR (зависимые от самого признака). Отслеживается деградация F1-меры относительно базового значения без пропусков (табл. 2).

Предлагаемый метод демонстрирует значительно более высокую устойчивость к пропускам по сравнению со всеми базовыми методами. При 50-процентном уровне пропусков типа MAR деградация F1 у PM составляет лишь 0,072, тогда как у лучшего из базовых методов (BL-5) – 0,163, то есть в 2,3 раза больше. Столь высокая устойчивость обусловлена вероятностным байесовским слоем в гибридном ядре, реализующим принципиальный механизм работы с неопределенностью: вместо импутации пропущенных значений метод явным образом моделирует неопределенность как случайную величину и учитывает ее в итоговом прогнозе [16].

Таблица 2. Деградация F1-меры при введении пропусков данных (Δ F1 = F1_base - F1_missing), тип пропусков: MAR

Table 2. Degradation of F1 score when missing data is introduced (Δ F1 = F1_base - F1_missing), missing data type: MAR

Доля пропусков, % / The percentage of passes, %	BL-1 (Log. Reg.)	BL-2 (XGBoost)	BL-3 (BERT-Clin.)	BL-5 (Concat.)	PM (Гибридный) / PM (Hybrid)
10	– 0,048	– 0,031	– 0,027	– 0,024	– 0,011
20	– 0,093	– 0,061	– 0,052	– 0,047	– 0,019
30	– 0,141	– 0,094	– 0,083	– 0,076	– 0,031
40	– 0,198	– 0,138	– 0,121	– 0,114	– 0,048
50	– 0,267	– 0,192	– 0,176	– 0,163	– 0,072

Для оценки интерпретируемости предлагаемого метода применен подход на основе значений SHAP (SHapley Additive exPlanations), позволяющий измерить вклад каждого признака и каждой модальности в итоговый прогноз [17]. Оценивались: согласованность SHAP-объяснений с клинической экспертизой (доля топ-5 признаков по SHAP, совпадающих с клинически значимыми по оценке трех врачей-экспертов) и стабильность объяснений (корреляция SHAP-профилей для близких по клиническому статусу пациентов).

Предлагаемый метод достиг уровня согласованности с клинической экспертизой 0,84 (84 % топ-5 SHAP-признаков подтверждены экспертами как клинически значимые), тогда как у BL-3 (BERT-Clinical) этот показатель составил 0,61. Стабильность объяснений: средняя корреляция SHAP-профилей 0,79 у PM против 0,52 у BERT-Clinical, что свидетельствует о более последовательном поведении модели при схожих клинических паттернах. Среди наиболее часто встречающихся ключевых признаков - уровень лактата, частота дыхания, индекс PaO2 / FiO2 и оценка по шкале комы Глазго, что соответствует отдельным клинически значимым показателям, используемым при диагностике сепсиса и органной недостаточности.

Отдельно проанализированы критические ошибки классификации - случаи ложноотрицательной классификации высокого риска как низкого, что в клиническом контексте означает недостаточное внимание к тяжелому пациенту. Предлагаемый метод допустил 23 критические ошибки на тестовой выборке ( n = 1687), тогда как лучший базовый метод (BL-5) – 33 ошибки. Снижение на 31 % статистически значимо ( χ ² = 4,82, p = 0,028). Анализ 23 ошибочных случаев PM показал, что 19 из них характеризовались долей пропусков более 40 % и нетипичными сочетаниями признаков, указывающими на редкие клинические синдромы.

Успешное внедрение разработанного метода в клиническую практику предполагает его интеграцию с существующими медицинскими информационными системами – МИС, ЛИС, PACS – без необходимости замены унаследованной инфраструктуры. Для достижения этой цели спроектирован программный интеграционный модуль (ПИМ), реализующий три принципа:

– принцип стандартизованного взаимодействия: ПИМ взаимодействует с исходными системами исключительно через стандарт HL7 FHIR R4, обеспечивая совместимость без кастомной доработки сторонних систем [8];

– принцип ненавязчивого внедрения: ПИМ работает как независимый микросервис, не изменяя логику существующих МИС и не требуя их замены;

– принцип обратной связи: каждый прогноз сопровождается SHAP-объяснением и автоматически передается в интерфейс врача через стандартный FHIR-ресурс ClinicalImpression.

ПИМ состоит из четырех функциональных компонентов, образующих конвейер обработки.

Первый компонент – FHIR-адаптер – осуществляет подписку на события обновления данных пациента в МИС через механизм FHIR Subscriptions R4 и извлечение ресурсов Patient, Observation, DiagnosticReport, ImagingStudy, MedicationRequest, Condition. Адаптер поддерживает как синхронное взаимодействие (REST API), так и асинхронное (FHIR Subscriptions и WebSocket). Это позволяет запускать анализ как в режиме реального времени (при поступлении новых данных), так и в пакетном режиме (обработка исторических данных пациента).

Второй компонент – нормализатор данных – приводит извлеченные FHIR-ресурсы к унифицированному внутреннему формату, необходимому для работы гибридного метода: перекодирование диагностических кодов МКБ-10 в SNOMED CT; конвертация единиц измерения лабораторных показателей в СИ; стандартизация изображений (DICOM – NIfTI – тензор 224×224×3); токенизация текстовых записей для подачи в трансформерный подмодуль.

Третий компонент – аналитическое ядро – вызывает сервис гибридного метода (развернутый как gRPC-микросервис) и получает от него: итоговую оценку риска (вероятность от 0 до 1); вектор SHAP-значений для ключевых признаков; лингвистическую интерпретацию от нечеткого слоя («умеренный риск», «высокий риск», «критический»); интервал неопределенности от байесовского слоя.

Четвертый компонент – FHIR-экспортер – формирует ресурс ClinicalImpression (вывод системы о клиническом состоянии пациента) в формате FHIR R4 и записывает его обратно в МИС. Объяснение SHAP представляется в виде DiagnosticReport с вложенными компонентами, что обеспечивает нативное отображение в интерфейсе любой FHIR-совместимой МИС (табл. 3).

Таблица 3. Ресурсы HL7 FHIR R4, используемые в интеграционном модуле

Table 4. HL7 FHIR R4 resources used in the integration module

FHIR-ресурс / FHIR-resource	Направление / Direction	Содержание / Content	Компонент ПИМ / Component SIM
1	2	3	4
Пациент / Patient	Вход / In	Демография, идентификатор пациента / Demographics, patient ID	FHIR-адаптер / FHIR-adapter
Наблюдение / Observation	Вход / In	Лабораторные показатели, витальные параметры / Laboratory parameters, vital parameters	FHIR-адаптер / FHIR-adapter
Диагностический отчет / Diagnostic Report	Вход / Выход / In / Out	Текст заключений; SHAP-объяснение / Text of conclusions; SHAP explanation	Адаптер / Экспортер / Adapter / Exporter
Визуализирующее исследование / Imaging Study	Вход / In	Ссылки на DICOM-серии в PACS / References to DICOM series in PACS	FHIR-адаптер / FHIR-adapter

Окончание табл. 3 / End of table 3

1	2	3	4
Запрос на лекарства / Medication Request	Вход / In	Назначения фармакотерапии / Pharmacotherapy appointments	FHIR-адаптер / FHIR-adapter
Клиническое впечатление / Clinical Impression	Выход / Out	Прогностическая оценка риска и интерпретация / Predictive risk assessment and interpretation	FHIR-экспортер / FHIR-exporter
Задача / Task	Выход / Out	Уведомление врача при высоком риске / Notifying a doctor at high threshold	FHIR-экспортер / FHIR-exporter

Проведено нагрузочное тестирование ПИМ на сервере с конфигурацией: 8-ядерный CPU AMD EPYC 7302, 64 ГБ RAM, GPU NVIDIA A10G (24 ГБ VRAM). Среднее время ответа на один запрос (от получения FHIR-события до записи ClinicalImpression): 1,8 с при мультимодальном вводе (все четыре модальности) и 0,7 с при структурированных данных без изображения. Пропускная способность: 420 запросов в час в синхронном режиме; до 3 200 запросов в час в асинхронном режиме (пакетная обработка). Для среднего стационара мощностью 500 коек с оборотом ~ 20 пациентов в сутки ПИМ обеспечивает обработку всего пациентопотока с 12-кратным запасом по производительности.

Внедрение интеллектуального метода анализа медицинских данных не является изолированным технологическим мероприятием – оно представляет собой один из ключевых элементов цифровой трансформации медицинской организации. С позиций системного анализа цифровую трансформацию МО можно рассматривать как управляемый переход организации из текущего состояния в целевое, в котором процессы оказания медицинской помощи основаны на данных, а принятие клинических решений поддерживается интеллектуальными аналитическими инструментами [5; 14].

Предлагаемый метод вносит вклад в три из пяти измерений цифровой зрелости МО. В измерение «Управление данными и аналитика» – за счет обеспечения сквозной обработки разнородных медицинских данных и формирования аналитической основы для клинических выводов. В измерение «Цифровизация клинических процессов» – за счет интеграции в рабочий процесс врача через FHIR-интерфейс и предоставления рекомендаций непосредственно в точке оказания помощи. В измерение «Цифровая культура и компетенции» – за счет XAI-объяснений, формирующих у медицинского персонала доверие к алгоритмическим рекомендациям.

На основе анализа практики внедрения интеллектуальных систем в медицинских организациях [2; 13; 14] предложена поэтапная модель внедрения предлагаемого метода, минимизирующая операционные риски и обеспечивающая постепенное накопление клинического доверия к системе.

• 1.    Пилотный этап (3–6 месяцев): развертывание ПИМ в режиме «только чтение» – прогнозы формируются, но не отображаются врачу; накопление ретроспективных данных для кастомного дообучения модели на данных конкретной МО.

• 2.    Этап «теневого» режима (3–6 месяцев): прогнозы системы доступны врачу, но не являются обязательными к исполнению; сбор обратной связи; корректировка порогов алерта; оценка клинической значимости рекомендаций.

• 3.    Этап частичной интеграции (6–12 месяцев): система активно используется для пациентов группы высокого риска; проводится аудит клинических исходов; формируется champions-сеть из 5–8 врачей-сторонников системы.

• 4.    Этап полной операционной интеграции (свыше 12 месяцев): система является стандартным компонентом рабочего процесса; регулярное переобучение на новых данных МО; мониторинг дрейфа распределения данных и своевременная рекалибровка.

Для количественной оценки организационного эффекта внедрения авторы предлагают систему ключевых показателей результативности (КПР) по трем уровням.

Таблица 5. Ключевые показатели результативности внедрения гибридного метода

Table 5. Key performance indicators for the implementation of the hybrid method

Уровень / Level	Показатель (КПР) / Indicator (KPI)	Целевое значение / Target value	Метод измерения / Measurement method
Клинический / Clinical	Снижение 30-дневной летальности (целевая нозология) / Reduction in 30-day mortality (target disease)	≥ 10 % к базовому уровню / ≥ 10 % above the baseline level	Ретроспективный анализ ЭМЗ / Retrospective analysis of EMR
Клинический / Clinical	Время от поступления до диагноза (TTA) / Time from admission to diagnosis (TTD)	Снижение ≥ 15 % / Decrease ≥ 15 %	Временные метки МИС / MIS timestamps
Аналитический / Analytical	AUC-ROC системы на данных МО (ежеквартально) / AUC-ROC of the system on MO data (quarterly)	≥ 0,88 (не ниже вали-дационного) / ≥ 0.88 (not lower than the validation threshold)	Offline-тестирование / Offline testing
Аналитический / Analytical	Доля критических ошибок (ложноотрицательно высокий риск) / The proportion of critical errors (false-negative rate is high)	≤ 1,5 % от всех прогнозов / ≤ 1.5% of all forecasts	Аудит прогнозов / Audit of forecasts
Операционный / Operational	Удовлетворенность врачей системой (Ликерт 1-5) / Doctors’ satisfaction with the system (Likert scale 1–5)	≥ 3,8 (баллов из 5) / 3.8 (points out of 5)	Ежеквартальный опрос / Quarterly survey
Операционный / Operational	Доля врачей, использующих рекомендованные системы / The proportion of doctors using the recommended systems	≥ 70 % в течение 18 месяцев / ≥ 70% within 18 months	Лог МИС / Log MIS

ОБСУЖДЕНИЕ

В настоящей работе, являющейся продолжением предшествующего исследования, решены задачи экспериментальной верификации методики применения гибридного мультимодального метода анализа медицинских данных, разработки архитектуры его интеграции в медицинские информационные системы и обоснования его роли в цифровой трансформации МО [1].

Полученные экспериментальные результаты подтверждают теоретические положения и демонстрируют, что гибридный подход, объединяющий глубокое обучение, вероятностное моделирование и нечеткую логику, дает синергетический эффект, превосходящий как одномодальные методы, так и простую конкатенацию признаков из разных модальностей [1]. Основным фактором превосходства, вероятно, является байесовский слой: он обеспечивает устойчивость к пропускам и позволяет модели явно представлять неопределенность прогноза, что критически важно в клинической среде [16; 18].

Также, показатель согласованности SHAP-объяснений с клинической экспертизой (0,84) свидетельствует о том, что метод не только обеспечивает высокую предиктивную точность, но и оперирует признаками, интерпретируемыми клинически. Это является принципиальным отличием от подходов типа «черного ящика»: врач получает не только оценку риска, но и обоснование, которое он может критически оценить и, при необходимости, оспорить [18; 19].

Необходимо признать ряд ограничений настоящего исследования. Во-первых, значительная часть тестовых данных (MIMIC-III) сформирована на американской когорте, что ограничивает непосредственный перенос результатов на российские клинические данные ввиду различий в протоколах ведения пациентов и составе медикаментозной терапии. Во-вторых, тестирование проводилось на ретроспективных данных; проспективное клиническое испытание, необходимое для окончательной валидации, является предметом следующего этапа исследования. В-третьих, оценка 23 критических ошибочных случаев указывает на сниженную эффективность метода при редких клинических синдромах с нетипичными паттернами признаков – задача, требующая специального дизайна выборки и, возможно, few-shot обучения.

ЗАКЛЮЧЕНИЕ

Экспериментальная верификация на тестовой базе 46 476 пациентов показала, что предлагаемый метод достоверно превосходит все базовые методы: прирост AUC-ROC составил + 6,3 п.п., F1-меры – + 7,7 п.п. относительно лучшей базовой линии; Brier Score улучшен с 0,139 до 0,108. Метод продемонстрировал в 2,3 раза меньшую деградацию качества при 50-процентном уровне пропусков по сравнению с лучшим из базовых методов. Критические ошибки классификации сокращены на 31 % (χ² = 4,82, p = 0,028). Согласованность SHAP-объяснений с клинической экспертизой – 0,84.

Разработан программный интеграционный модуль (ПИМ), обеспечивающий бесшовную интеграцию метода с существующими МИС по стандарту HL7 FHIR R4 без замены унаследованных систем. Производительность ПИМ (420-3200 запросов/час) обеспечивает применимость для стационаров любого масштаба. Предложена четырехэтапная модель внедрения и система КПР из шести показателей, позволяющая контролировать клинический и организационный эффект трансформации.

Совокупность полученных результатов формирует завершенную методологию: от теоретического обоснования метода к его экспериментальной верификации, инженерной реализации и организационному внедрению. Дальнейшие исследования направлены на: (1) проспективное клиническое испытание на российских клинических данных; (2) разработку механизмов адаптивного переобучения при обнаружении дрейфа данных.

Полученные результаты и предложенные инженерные решения могут быть полезны разработчикам и внедренческим командам медицинских информационных систем при проектировании модулей интеллектуальной аналитики, специалистам по клинической информатике при оценке устойчивости и интерпретируемости моделей, а также руководителям медицинских организаций, ответственным за принятие решений о цифровой трансформации, – при планировании и оценке эффективности внедрения подобных инструментов в клиническую практику.