Применение графов знаний для клинического мониторинга процесса лечения
Автор: Грибова В.В., Окунь Д.Б., Шалфеева Е.А.
Журнал: Онтология проектирования @ontology-of-designing
Рубрика: Прикладные онтологии проектирования
Статья в выпуске: 4 (54) т.14, 2024 года.
Бесплатный доступ
Для всех этапов лечебно-диагностического процесса необходим мониторинг состояния пациентов. На этапе лечения задачами мониторинга являются оценка эффективности тактики лечения и его безопасность: отсутствие осложнений и нежелательных последствий от приёма медицинских препаратов или процедур и их сочетаний. Для улучшения взаимодействия врач - пациент и качества лечебного процесса необходимо создание интеллектуальных средств мониторинга. В мониторинге по информации о пациенте с помощью формализованных знаний предметной области требуется определить, результаты каких наблюдений и в какие моменты времени покажут, является ли состояние пациента отличающимся от прогнозируемого. Цель исследования - разработать онтологию для формализации знаний, применяемых для выбора и объяснения параметров мониторинга в процессе лечения. Выделены основные связи понятий, достаточные для решения задач мониторинга состояния пациента в процессе лечения. На их основе построен онтологический граф для класса задач мониторинга в медицине. Описан метод построения графов знаний для произвольных заболеваний, а также процесс рассуждения для определения состояния, отличного от ожидаемого. Показаны процесс рассуждения и выдача рекомендации. Предложенный подход положен в основу системы поддержки принятия решений для этого класса задач, где параметры мониторинга могут изменяться с учётом стадии лечения, состояния и особенностей пациентов.
Клинический мониторинг, процесс лечения, состояние пациента, онтология, граф знаний, система поддержки принятия решений
Короткий адрес: https://sciup.org/170207428
IDR: 170207428 | DOI: 10.18287/2223-9537-2024-14-3-504-517
Список литературы Применение графов знаний для клинического мониторинга процесса лечения
- Клинические рекомендации. Артериальная гипертензия у взрослых / Кобалава Ж.Д., Конради А.О., Недогода С.В., Шляхто Е.В. и др. Российское кардиологическое общество. 2020. 136 с. https://scardio.ru/content/Guidelines/Clinic_rek_AG_2020.pdf.
- Краснопеева М.К. Современные врачебные ошибки, статистика летальных исходов в России. Проблемы современной науки и образования. 2017. № 34(116). C.78-80. DOI: 10.20861/2304-2338-2017-116-004.
- Шадеркин И.А. Дистанционный мониторинг состояния здоровья и окружающей среды человека: возможности и ограничения. Российский журнал телемедицины и электронного здравоохранения. 2022. № 8(3). С.45-54. DOI:10.29188/2712-9217-2022-8-3-45-54.
- Dubey A., Tiwari A. Artificial Intelligence and Remote Patient Monitoring in US Healthcare Market: A Literature Review. Journal of Market Access & Health Policy. 2023. Vol. 11(1). 2205618. DOI:10.1080/20016689.2023.2205618.
- Сиротина А.С., Кобякова О.С., Деев И.А. и др. Удаленный мониторинг состояния здоровья. Аналитический обзор. Социальные аспекты здоровья населения [сетевое издание]. 2022. № 68(2): 1. DOI: 10.21045/2071-5021-2022-68-2-1.
- Lu J.W., Wang Y., Sun Y., et al. Effectiveness of telemonitoring for reducing exacerbation occurrence in COPD patients with past exacerbation history: a systematic review and meta-analysis. Front Med (Lausanne). 2021. Vol. 8.:720019. DOI: 10.3389/fmed.2021.720019.
- Benjamins S., Dhunnoo P., Meskó B. The state of artificial intelligence-based FDA-approved medical devices and algorithms: an online database. NPJ Digital Med. 2020. Vol. 3:118. DOI: 10.1038/s41746-020-00324-0.
- Jiang X., Yao J., You J.H. Telemonitoring versus usual care for elderly patients with heart failure discharged from the hospital in the United States: cost-effectiveness analysis. JMIR Mhealth Uhealth. 2020. Vol. 8(7): e17846. DOI: 10.2196/17846.
- Taylor M.L., Thomas E.E., Snoswell C.L., Smith A. C., Caffery L.J. Does remote patient monitoring reduce acute care use? A systematic review. BMJ Open. 2021. Vol. 11(3): e040232. DOI: 10.1136/bmjopen-2020-040232.
- Ebrahimian S., Kalra M.K., Agarwal S., et al. FDA-regulated AI algorithms: trends, strengths, and gaps of validation studies. Acad Radiol. 2022. Vol. 29(4). P.559–566. DOI: 10.1016/j.acra.2021.09.002.
- Nimri R., Battelino T., Laffel LM, et al. Insulin dose optimization using an automated artificial intelligence-based decision support system in youths with type 1 diabetes. Nature Med. 2020. Vol.26(9). P.1380–1384. DOI: 10.1038/s41591-020-1045-7.
- Bone C., Simmonds-Buckley M, et al. Dynamic prediction of psychological treatment outcomes: development and validation of a prediction model using routinely collected symptom data. Lancet Digit Health. 2021 Apr. Vol. 3(4). P.e231-e240. DOI: 10.1016/S2589-7500(21)00018-2.
- 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). С.1169-1210. DOI: 10.15622/ia.21.6.4.
- Грибова В.В., Переволоцкий В.С. Разработка графов знаний на основе больших языковых моделей для поддержки принятия решений в медицине. Программная инженерия. 2024. Т.15, № 6. С.308-321. DOI: 10.17587/prin.15.308-321.
