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 | УДК: 004.82 | DOI: 10.18287/2223-9537-2024-14-3-504-517
Application of knowledge graphs for clinical monitoring of the treatment process
Patient condition monitoring is essential at every stage of the treatment and diagnostic process. During treatment, the key tasks of monitoring include evaluating the effectiveness of treatment strategies and ensuring safety, specifically by avoiding complications and adverse effects from medications, procedures, or their combinations. To enhance doctor-patient interactions and improve treatment quality, intelligent monitoring tools are needed. These tools must use patient data and formalized knowledge of the subject area to identify which observations, at specific times, can indicate any deviation of the patient's condition from expected outcomes.This study aims to develop an ontology that formalizes the knowledge necessary for selecting and explaining monitoring parameters throughout treatment. Key concept relationships that address the challenges of monitoring patient conditions during treatment are identified, leading to an ontological graph for a specific class of medical monitoring issues. The study describes a method for building knowledge graphs applicable to various diseases and a reasoning process to identify unexpected conditions. A process of reasoning and the resulting recommendation is presented. This approach establishes a foundation for a decision support system tailored to this class of problems, where monitoring parameters can be adapted according to treatment stage, patient condition, and individual characteristics.
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.
