ОБЛАСТЬ ТЕХНИКИ
[0001] Настоящее решение относится к области компьютерных технологий, а именно к системам поддержки принятия врачебных решений с применением технологий искусственного интеллекта.
УРОВЕНЬ ТЕХНИКИ
[0002] Из уровня техники известен метод работы поддержки принятия врачебных решений с использованием математических моделей представления пациентов (RU 2703679 С2, 21.10.2019). Данное решение обрабатывает данные, содержащиеся в истории болезней пациентов, выбранных из предварительно сформированной обучающей выборки; преобразовывают эти данные в последовательность медицинских фактов по каждому пациенту с использованием медицинских онтологий; производят автоматическую разметку полученной последовательности медицинских фактов по каждому пациенту, используя извлеченные из истории болезни пациента диагнозы или другие интересующие факты; производят обучение первичных репрезентаций независимо для каждой из модальностей; осуществляют обучение совместных репрезентаций; производят обучение финальных моделей и параметров агрегации; получают историю болезни пациента, не входящую в обучающую выборку, и производят предварительную обработку данных из нее; преобразовывают обработанные данные в последовательность медицинских фактов с использованием медицинских онтологий; полученный набор фактов отправляют на вход обученным финальным моделям; определяют диагноз, проводят анализ и прогноз развития заболеваний пациента с наибольшей вероятностью, соответствующий предъявленному набору фактов.
[0003] Известен также способ формирования математических моделей пациента с использованием технологий искусственного интеллекта (патент RU 2720363 С2, 29.04.2020). Способ заключается в выполнении этапов, на которых: получают обучающую выборку, содержащую электронную историю болезни пациентов; производят предварительную обработку данных, содержащихся в полученных историях болезни пациентов; преобразовывают обработанные данные в последовательность медицинских фактов по каждому пациенту; производят на сервере автоматическую разметку полученной последовательности медицинских фактов по каждому пациенту; производят на сервере обучение первичных репрезентаций независимо для каждой из модальностей; осуществляют обучение совместных репрезентаций; производят обучение финальных моделей и параметров агрегации; получают историю болезни пациента, не входящего в обучающую выборку; производят предварительную обработку данных полученной истории болезни пациента; преобразовывают предварительно обработанные данные в последовательность медицинских фактов с использованием медицинских онтологий; формируют векторное представление пациента; используют сформированное векторное представление для диагностики, анализа и прогноза развития заболеваний.
[0004] Применение технологий искусственного интеллекта и различного рода моделей машинного обучения является широко применяемым в области медицины, особенно при создании помощников терапевта, направленных на прогнозирование наличия и течения различных заболеваний по первичной информации, характеризующей состояние пациента.
[0005] Существующими недостатками известных решений в данной области техники является недостаточная точность автоматизированного определения диагнозов и прогнозирования рисков развития заболевания, отсутствие возможности интерпретации диагностического алгоритма, что также подчас требует дополнительного участия профильного врача для окончательной постановки диагноза, усложняя тем самым процесс принятия итогового решения.
СУЩНОСТЬ ИЗОБРЕТЕНИЯ
[0006] Решаемой технической проблемой с помощью заявленного изобретения является улучшение точности автоматизированного определения заболеваний, расширение функций в части прогнозирование потенциальных рисков развития других патологий, уточнение клинической картины пациента, а также возможности интерпретации диагностического решения.
[0007] Техническим результатом является повышение точности автоматизированной постановки диагноза, включая уточнение диагноза основного заболевания, его осложнений и сопутствующих заболеваний, а также в возможности прогнозирования рисков развития других патологий.
[0008] Заявленный технический результат достигается за счет интеллектуальной системы поддержки принятия врачебных решений по диагностике и прогнозированию заболеваний, содержащей по меньшей мере один процессор, соединенный с по меньшей мере одной памятью, содержащей машиночитаемые инструкции для выполнения процессором, при этом система обеспечивает:
получение входных данных из электронной медицинской карты (ЭМК) пациента, которая включает в себя данные, выбираемые из группы: по меньшей мере один протокол исследований, представленный в текстовом формате или в табличном формате, параметрические данные, массив параметрических данных, по меньшей мере одно медицинское изображение или их сочетания;
обработку входных данных с помощью модуля предобработки, который содержит:
модуль обработки текстовых данных, выполненный на базе модели машинного обучения, обеспечивающей обработку данных на естественном языке и определение симптомов по меньшей мере одного заболевания; модуль обработки медицинских изображений, содержащий:
модель классификации данных, которая классифицирует входящие изображения и определяет тип по меньшей мере одной модели машинного обучения, обрабатывающую соответствующую анатомическую область, выбираемую из каскада моделей;
каскад моделей машинного обучения, каждая из которых выполняет определение и извлечение симптомов по меньшей мере одного заболевания на основании обработки соответствующей анатомической области на входящих медицинских изображениях;
формирование списка симптомов по меньшей мере одного заболевания пациента, полученных на основании обработки данных модулем предобработки;
обработку полученного списка симптомов с помощью модуля определения нозологии, обеспечивающего диагностирование и прогнозирование заболеваний пациента, при этом модуль определения нозологий содержит параллельно работающие модуль поиска нозологий, выполненного на базе алгоритмического метода, и модуль поиска нозологий на базе модели машинного обучения;
формирование списка гипотез и нозологий на основании выполненной обработки упомянутого списка симптомов модулем, при этом выполняется:
расчет рисков развития и наличия по меньшей мере одного заболевания;
определение весовых коэффициентов выявленных нозологий, причем нозологии, весовой коэффициент которых ниже заданного порогового значения, передаются в подсистему уточнения диагноза;
формирование диагноза для пациента на основании обработки упомянутого списка гипотез и нозологий, при этом диагноз также содержит прогнозирование рисков возникновения по меньшей мере одной патологии или заболевания, а также анализ сопутствующей патологии.
[0009] В одном из частных примеров реализации системы подсистема уточнения диагноза содержит вопросно-ответную систему, обеспечивающую получение дополнительной информации от пациента.
[0010] В другом частном примере реализации системы подсистема уточнения диагноза выполнена с возможностью определения показателей состояния здоровья пациента, связанных с по меньшей мере одной нозологией, требующей уточнения.
[0011] В другом частном примере реализации системы симптомы заболевания содержат по меньшей мере одно из: патологические признаки, параметрические данные с числовыми значениями, отклоняющимися от нормы, или синдромы.
[0012] В другом частном примере реализации системы ЭМК дополнительно содержит генетическую карту пациента, содержащая риски развития патологических процессов, синдромов и заболеваний.
[0013] В еще одном предпочтительном варианте осуществления заявлен способ автоматизированного принятия врачебных решений по диагностике и прогнозированию заболеваний, выполняемый по меньшей мере одним вычислительным устройством, при этом способ содержит этапы, на которых:
a. получают входные данных из электронной медицинской карты (ЭМК) пациента, которая включает в себя данные, выбираемые из группы: по меньшей мере один протокол исследований, представленный в текстовом формате или в табличном формате, параметрические данные, массив параметрических данных, по меньшей мере одно медицинское изображение или их сочетания;
b. выполняют обработку входных данных с помощью модуля предобработки (101), который содержит:
модуль обработки текстовых данных (1011), выполненный на базе модели машинного обучения, обеспечивающей обработку данных на естественном языке и определение симптомов по меньшей мере одного заболевания; и
модуль обработки медицинских изображений (1012), содержащий:
модель классификации данных, которая классифицирует входящие изображения и определяет тип по меньшей мере одной модели машинного обучения, выбираемой из каскада моделей, для обработки изображений по меньшей мере одной анатомической области;
каскад моделей машинного обучения, каждая из которых выполняет определение и извлечение симптомов по меньшей мере одного заболевания на основании обработки соответствующего типа входящих медицинских изображений;
c. формируют список симптомов по меньшей мере одного заболевания пациента, полученных на основании обработки, выполненной на этапе b);
d. обрабатывают полученный список симптомов с помощью модуля определения нозологий (102), обеспечивающего диагностирование и прогнозирование заболеваний пациента, при этом модуль определения нозологий содержит параллельно работающие модуль (1021) поиска нозологий, выполненного на базе алгоритмического метода, обеспечивающего поиск по графовой базе данных болезней и симптомов, и модуль (1022) поиска нозологий на базе модели машинного обучения;
e. формируют список гипотез и нозологий на основании выполненной обработки упомянутого списка симптомов на этапе d), при этом выполняют:
расчет рисков развития и наличия по меньшей мере одного заболевания;
определение весовых коэффициентов выявленных нозологий, причем нозологии, весовой коэффициент которых ниже заданного порогового значения, передаются в подсистему уточнения диагноза (103);
f. формируют диагноз для пациента на основании обработки упомянутого списка гипотез и нозологий, полученного на этапе е), при этом диагноз также содержит прогнозирование рисков возникновения по меньшей мере одной патологии или заболевания, а также анализ сопутствующей патологии.
КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ
[0014] Фиг. 1 иллюстрирует общую схему заявленного решения.
[0015] Фиг. 2 иллюстрирует принцип обработки данных ЭМК с помощью модуля предобработки.
[0016] Фиг. 3 иллюстрирует пример графовой базы данных.
[0017] Фиг. 4 иллюстрирует пример расчета нозологий.
[0018] Фиг. 5 Фиг. 6 иллюстрируют пример смоделированного заболевания.
[0019] Фиг. 7 иллюстрирует пример вычислительного устройства.
ОСУЩЕСТВЛЕНИЕ ИЗОБРЕТЕНИЯ
[0020] На Фиг. 1 представлена общая схема заявленной интеллектуальной системы (100) поддержки принятия врачебных решений по диагностике и прогнозированию заболеваний. Система (100) представляет собой совокупность программно-аппаратных средств для решения требуемой задачи по обработке поступающих данных (10) и их последующей обработке.
[0021] Данные (10) могут представлять разнородный тип информации, поступающие из электронной медицинской карты (ЭМК) пациента. ЭМК может содержать, например, протокол исследований, представленный в текстовом формате или в табличном формате, параметрические данные, массив параметрических данных (которые могут быть получены с медицинских устройств для мониторинга состояния пациента, например, электрокардиограмма, артериограмма, пульс оксиметрия, респирограмма, температура тела, глюкометрия, капнография и прочее) медицинские изображения или сочетания такого рода информации.
[0022] Данные (10) ЭМК могут носить как ретроспективный характер, отражающий картину состояния конкретного пациента по итогам ранее проведенной диагностики и исследований, так и непосредственно собираться в реальном времени, например, с помощью носимых устройств (холтер, умные носимые устройства, мониторы артериального давления, пульсоксиметр, носимые мониторы дыхания и т.п.) или иных устройств, позволяющих осуществлять сбор такого рода данных, например, медицинские устройства мониторинга состояния пациента.
[0023] Данные (10) могут быть представлены в виде эпикриза, таблицы или другого формата текстовых данных - статические и динамические показатели (половозрастные характеристики, физические параметры (рост, вес, АД, пульс, температура тела и пр.), жалобы, анамнестические данные, данные о состоянии на момент осмотра, результаты физикальных, лабораторных и инструментальных методов исследования, медицинские изображения (MPT, КР, фото и пр.), параметрические данные, массивы параметрических данных и т.п.
[0024] ЭМК аккумулирует поступающую информацию и обеспечивает ее передачу для последующей обработки в рамках работы системы (100).
[0025] Дополнительно ЭМК может содержать генетическую карту пациента, содержащую риски развития патологических процессов, синдромов и заболеваний. Генетическая карта пациента, содержащая результаты анализа генома пациента (как полного генома, экзома, отдельных панелей генов), учитывает полный список мутаций, задокументированных во всех крупнейших международных генетических базах данных.
[0026] Система (100) содержит модуль предобработки (101), который принимаем на вход данные пациента (10) из ЭМК. Модуль предобработки (101) обрабатывает поступающие данные (10) и выполняет их обработку с помощью заложенных алгоритмов работы с тем или иным типом данных, реализуемых с помощью моделей машинного обучения на базе искусственных нейронных сетей (ИНС).
[0027] Модуль предобработки (101) включает в себя модуль обработки данных на естественном языке (111) (или модуль NLP), выполненный на основании модели обучения на базе алгоритма NLP (Natural Language Processing), и модуль обработки изображений (112), который включает в себя кластер моделей машинного обучения, включающего в себя: модель классификации данных (1121). Модель (1121) производит классификацию изображения, поступившего для обработки, и подбирает соответствующую модель машинного обучения из каскада (1122) для поиска симптомов на изображении. Модель (1121) классифицирует входящие изображения и определяет тип одной или нескольких моделей машинного обучения, подходящую для данного изображения в соответствии с форматом и содержащимися в нем данными.
[0028] Модель для обработки входного изображения выбирается из каскада моделей (1122) в соответствии с изображениями соответствующей анатомической области, обработку которой выполняет упомянутая модель. Каскад моделей машинного обучения (1122) содержит группу моделей, каждая из которых выполняет определение и извлечение всех доступных симптомов на основании обработки соответствующей анатомической области на входящих медицинских изображениях.
[0029] Модель классификации данных (1121) обучена на типах изображений соответствующих анатомических областей человеческого тела и позволяет по поступающим входным данным (10) определить к какому типу относится изображение (DICOM, NIfTI, простые растровые изображения напр. JPEG BMP PNG, и другие), а также к какой анатомической области (голова, грудная клетка, скелетная система, вены и т.п.) относится то или иное изображение, поступающее из ЭМК. После классификации каждого из поступающих изображений модель (1121) подключает соответствующую модель из каскада (1122), которая будет выполнять обработку той анатомической области, на которой эта модель обучена.
[0030] Каскад моделей (1122) содержит группу моделей, как это показано на Фиг. 2, каждая из которых обучена на анализ симптомов входных данных по соответствующей анатомической области, например, модель обработки КТ грудного отдела, модель обработки КТ легких, модель обработки МРТ головы, МРТ опорно-двигательного аппарата, обработки изображений венозной системы и т.п. Конкретный набор моделей не является исчерпывающим и может дополняться различными обработчиками изображений.
[0031] На выходе работы модуля (110) формируется список симптомов (20) пациента. Список (20) формируется в универсальном формате данных и представлен в виде названий симптомов с указанием их идентификаторов (ID). Симптомы могут включать в себя, например: патологические признаки, параметрические данные с числовыми значениями, отклонения от нормы, синдромы и т.д. В состав данных входят симптомы, полученные с помощью работы модуля NLP (111), а также симптомы, полученные от кластера нейронных сетей модуля обработки изображений (112).
[0032] Пример формируемого списка симптомов пациента с помощью анализа данных (10) ЭМК, выполняемого модулем NLP (111), представлен в Таблице. 1
[0033] В таблице 2 приведен пример формирования списка симптомов с помощью модуля обработки изображений (112).
[0034] Далее полученный список симптомов (20) подается на вход модулю определения нозологий (120), который обеспечивает обработку полученного списка симптомов (20) с помощью гибридного метода, реализуемого параллельной работой модулей поиска нозологий (121, 122).
[0035] Один из модулей (121) построен на базе модели машинного обучения, в частности, содержит одну или несколько ИНС, и обучен для поиска нозологий по полученному списку симптомов (20). Второй модуль (122) работает на базе алгоритмического принципа и выполняет поиск нозологий по графовой базе данных болезней и симптомов, сформированной на основании постоянно обновляемого массива данных, представляющего собой Объединенную Базу Медицинских Знаний (UMKB). Пример графовой базы данных представлен на Фиг. 3.
[0036] Гибридный способ диагностики и прогнозирования заболеваний с помощью модуля (120) выполняет обработку сформированного в универсальном формате списка симптомов (20) на основании алгоритмической обработки модулем (122) семантики нозологий из UMKB, содержащей связи, которые построены между заболеванием и факторами риска/симптомами тех или иных болезней, модулем (121) на базе нейронной сети, которая обучена на клинических случаях.
[0037] Заявленная система (100) интерпретирует и визуализирует свой диагностический результат с помощью графовой сети. Эта особенность обеспечивает понимание логики работы системы, повышая таким образом уровень доверия к ней.
[0038] Модуль (120) по итогам обработки списка симптомов (20) обеспечивает формирование списка гипотез (предположение о наличии у пациента нозологий) и нозологий (30), на основании которого выполняется диагностирование и прогнозирование вероятных заболеваний пациента.
[0039] Модуль определения нозологий (120) с помощью алгоритмического метода, выполняемого модулем (122), с использованием смысловых графов работает на основе семантической сети UMKB. Алгоритм проходит по логическим взаимосвязям в рамках семантической модели заболеваний по семантике, ищет симптомы и признаки в клинической картине, факторах риска заболевания, этиологии, патогенезе, учитывает заболеваемость, «запоминает» семантические взаимосвязи и их весовые оценки (с учетом исходных данных пациента, полученных из ЭМК, его сопутствующих заболеваний, антропометрии, других жалоб и т.п.). Далее эти данные рассчитываются, что позволяет вычислить вероятность заболевания, риски развития осложнений, сопутствующие патологии, спрогнозировать риски развития других заболеваний. Также сформировать список рекомендаций.
[0040] Модуль поиска нозологий (121) с помощью нейронной сети работает следующим образом. Полученный список симптомов (20) в универсальном формате поступает в модуль векторизации и нормализации данных (не показан) после чего формируется векторное представление (или матрица), с помощью которого производится поиск заболеваний. Применяемая нейросеть в модуле (122) предварительно обучена на данных из клинической практики, что позволяет формировать список вероятных гипотез и нозологий (30), связанных с как минимум одним заболеванием. Выявленные нозологии в рамках работы модулей (121, 122) объединяются в единый список вероятных гипотез и нозологий (30).
[0041] Далее системой (100) выполняется определение нозологий, вероятность которых выше заданного порогового значения (например, 95%), эти данные передаются для дальнейшего формирования диагноза (40). Гипотезы и нозологии из списка (30), требующие уточнения, т.е. вероятность которых меньше верхнего заданного порогового значения н больше нижнего порогового значения (например, 50%), передаются в подсистему уточнения диагноза (130).
[0042] Расчет вероятности наступления события для пациента может определяться, например, по Формуле (1):
где, An - наступающие события, Р - вероятность наступления события.
[0043] Пример расчета по базе UMKB, представленного на Фиг. 4, выглядит, например, следующим образом:
Р1-1-((1-А1)*(1-A2))-1-((1-0.30)*(1-0.50))-0.65
Pb-1-((1-B1)*(1-В2))-1-((1-0.40)*(1-0.50))-0.70
Р2=1-((1-C1)*(1-Pb)*(1-B3))=
=1-((1-0.80)*(1-0.70)*(1-0.60))=0.97
Р=P1<Р2=0.65<0.97=0.97
[0044] С учетом полученного списка гипотез и нозологий (30) система (100) при работе модуля (120) рассчитывает вероятность всех смоделированных заболеваний в базе знаний на основании анализа весовых коэффициентов нозологий, благодаря чему формируется дифференциальный ряд заболеваний, которые необходимо уточнить с помощью подсистемы уточнения диагноза (130). Пример смоделированного заболевания представлен на Фиг. 5 - Фиг. 6.
[0045] Подсистема уточнения диагноза (130) может выполняться на базе модели машинного обучения, которая осуществляет прогнозирование нозологий на основании запроса по нозологиям, требующим уточнения, во внешние системы, например, базу знаний, наполняемую экспертным медицинским сообществом, или на основании вновь осуществляемых исследований (как со стороны пациента, так и на основании поступающих данных по схожим клиническим случаям), позволяющих уточнить те или иные особенности и данные клинической картины пациентов, связанных с тем или иным заболеванием.
[0046] Подсистема уточнения диагноза (130) может содержать вопросно-ответную систему, позволяющую получить дополнительную информацию от пациента, например, данные новых исследований, текущие жалобы, описание его состояния и т.п. Вопросно-ответная система, как правило, выполняется в виде интерфейса, реализуемого, например, с помощью мобильного приложения, web-приложения и т.п., что позволяет как пациенту связываться с врачом, так и врачу осуществлять запросы во внешние систему (базу знаний и т.п.).
[0047] Вопросно-ответная система может автоматически формировать вопросы на основе ключевых симптомов заболеваний, весовой коэффициент которых ниже заданного порогового значения. По итогам получения дополнительной информации от пациента она передается на вход модулю определения нозологий (120) для повторного уточненного расчета. Обработка данных с помощью подсистемы уточнения диагноза (130) выполняется с помощью анализа важных сущностей с точки зрения их значимости для постановки диагноза, и формировать уточняющие запросы по ним, как с помощью анализа с базой знаний, так и с помощью вопросно-ответной системы.
[0048] Также, при формировании списка гипотез и нозологий (30) на основании причинно-следственных связей факторов риска выполняется расчет рисков развития и наличия по меньшей мере одного заболевания; например,
[0049] По итогам подготовленного итогового списка гипотез и нозологий (30) модуль (120) выполняет формирование итогового диагноза (40), который содержит основное заболевание, осложнение основного, сопутствующую патологию, а также данные о прогнозировании рисков возникновения по меньшей мере одной патологии или заболевания.
[0050] Заявленная система (100) может представлять собой как единый программно-аппаратный комплекс, так и представлять собой совокупность взаимосвязанных модулей, выполненных, например, в виде аппаратных вычислителей, программных модулей, или программно-аппаратных средств, запрограммированных на выполнение требуемого функционала.
[0051] Совокупность вышеуказанных модулей может располагаться как в рамках единого вычислительного устройства, так и на нескольких устройствах, объединенных каналом передачи данных, например, информационной сетью «Интернет», ЛВС и т.п.
[0052] На Фиг. 7 представлен общий пример вычислительного устройства (300), представляющего собой, например, вычислительный блок (вычислительный модуль), компьютер, сервер, ноутбук, смартфон, SoC (System-on-a-Chip/Система на кристалле) и т.п. Устройство (300) может применяться для полной или частичной реализации заявленного решения, в частности, для реализации полностью или частично системы (100), а также выполняться заложенный в ней способ обработки данных по обработке данных (10) ЭМК для целей постановки диагноза пациенту.
[0053] В общем случае устройство (300) содержит такие компоненты, как: один или более процессоров (301), по меньшей мере одну оперативную память (302), средство постоянного хранения данных (303), интерфейсы ввода/вывода (304) включая релейные выходы для соединения с контроллерами управления движения ленточного конвейера, средство В/В (305), средства сетевого взаимодействия (306).
[0054] Процессор (301) устройства выполняет основные вычислительные операции, необходимые для функционирования устройства (300) или функционала одного или более его компонентов. Процессор (301) исполняет необходимые машиночитаемые команды, содержащиеся в оперативной памяти (302).
[0055] Память (302), как правило, выполнена в виде ОЗУ и содержит необходимую программную логику, обеспечивающую требуемый функционал. Средство хранения данных (303) может выполняться в виде HDD, SSD дисков, рейд массива, сетевого хранилища, флэш-памяти, оптических накопителей информации (CD, DVD, MD, Blue-Ray дисков) и т.п. Средство (303) позволяет выполнять долгосрочное хранение различного вида информации, например, запись магнитограмм, истории обработки запросов (логов), идентификаторов пользователей, данные камер, изображения и т.п.
[0056] Интерфейсы (304) представляют собой стандартные средства для подключения и работы с вычислительными устройствами. Интерфейсы (304) могут представлять, например, релейные соединения, USB, RS232/422/485 или другие, RJ45, LPT, UART, COM, HDMI, PS/2, Lightning, Fire Wire и т.п. для работы, в том числе, по протоколам Modbus и сетям Profibus, Profinet или сетям иного типа. Выбор интерфейсов (304) зависит от конкретного исполнения устройства (300), которое может представлять собой, вычислительный блок (вычислительный модуль), например на базе ЦПУ (одного или нескольких процессоров), микроконтроллера и т.п., персональный компьютер, мейнфрейм, серверный кластер, тонкий клиент, смартфон, ноутбук и т.п., а также подключаемых сторонних устройств.
[0057] В качестве средств В/В данных (305) может использоваться: клавиатура, джойстик, дисплей (сенсорный дисплей), проектор, тачпад, манипулятор мышь, трекбол, световое перо, динамики, микрофон и т.п.
[0058] Средства сетевого взаимодействия (306) выбираются из устройства, обеспечивающего сетевой прием и передачу данных, например, Ethernet карту, WLAN/Wi-Fi модуль, Bluetooth модуль, BLE модуль, NFC модуль, IrDa, RFID модуль, GSM модем, и т.п. С помощью средства (306) обеспечивается организация обмена данными по проводному или беспроводному каналу передачи данных, например, WAN, PAN, ЛВС (LAN), Интранет, Интернет, WLAN, WMAN или GSM, квантовый (оптоволоконный) канал передачи данных, спутниковая связь и т.п.Компоненты устройства (300), как правило, сопряжены посредством общей шины передачи данных.
[0059] В настоящих материалах заявки было представлено предпочтительное раскрытие осуществления заявленного технического решения, которое не должно использоваться как ограничивающее иные, частные воплощения его реализации, которые не выходят за рамки испрашиваемого объема правовой охраны и являются очевидными для специалистов в соответствующей области техники.
Настоящее решение относится к области компьютерных технологий, а именно к системам поддержки принятия врачебных решений с применением технологий искусственного интеллекта. Предложена интеллектуальная система поддержки принятия врачебных решений, при этом система обеспечивает: получение входных данных из электронной медицинской карты (ЭМК) пациента, которая включает в себя данные, выбираемые из группы: по меньшей мере один протокол исследований, представленный в текстовом формате или в табличном формате, параметрические данные, массив параметрических данных, по меньшей мере одно медицинское изображение или их сочетания; обработку входных данных с помощью модуля предобработки, который содержит: модуль обработки текстовых данных, выполненный на базе модели машинного обучения, обеспечивающей обработку данных на естественном языке и определение симптомов по меньшей мере одного заболевания; модуль обработки медицинских изображений, содержащий: модель классификации данных, которая классифицирует входящие изображения и определяет тип по меньшей мере одной модели машинного обучения, обрабатывающей соответствующую анатомическую область, выбираемой из каскада моделей; каскад моделей машинного обучения, каждая из которых выполняет определение и извлечение симптомов по меньшей мере одного заболевания на основании обработки соответствующей анатомической области на входящих медицинских изображениях; формирование списка симптомов по меньшей мере одного заболевания пациента, полученных на основании обработки данных модулем предобработки; обработку полученного списка симптомов с помощью модуля определения нозологий, обеспечивающего диагностирование и прогнозирование заболеваний пациента, при этом модуль определения нозологий содержит параллельно работающие модуль поиска нозологий, выполненный на базе алгоритмического метода, и модуль поиска нозологий на базе модели машинного обучения. Изобретение обеспечивает повышение точности автоматизированной постановки диагноза, включая уточнение диагноза основного заболевания, его осложнений и сопутствующих заболеваний, а также возможность прогнозирования рисков развития других патологий. 2 н. и 4 з.п. ф-лы, 7 ил., 2 табл.
1. Интеллектуальная система поддержки принятия врачебных решений по диагностике и прогнозированию заболеваний, содержащая по меньшей мере один процессор, соединенный с по меньшей мере одной памятью, содержащей машиночитаемые инструкции для выполнения процессором, при этом система обеспечивает:
получение входных данных из электронной медицинской карты (ЭМК) пациента, которая включает в себя данные, выбираемые из группы: по меньшей мере один протокол исследований, представленный в текстовом формате или в табличном формате, параметрические данные, массив параметрических данных, по меньшей мере одно медицинское изображение или их сочетания;
обработку входных данных с помощью модуля предобработки, который содержит:
модуль обработки текстовых данных, выполненный на базе модели машинного обучения, обеспечивающей обработку данных на естественном языке и определение симптомов по меньшей мере одного заболевания; модуль обработки медицинских изображений, содержащий:
модель классификации данных, которая классифицирует входящие изображения и определяет тип по меньшей мере одной модели машинного обучения, выбираемой из каскада моделей, для обработки изображений по меньшей мере одной анатомической области;
каскад моделей машинного обучения, каждая из которых выполняет определение и извлечение симптомов по меньшей мере одного заболевания на основании обработки соответствующей анатомической области на входящих медицинских изображениях;
формирование списка симптомов по меньшей мере одного заболевания пациента, полученных на основании обработки данных модулем предобработки;
обработку полученного списка симптомов с помощью модуля определения нозологий, обеспечивающего диагностирование и прогнозирование заболеваний пациента, при этом модуль определения нозологий содержит параллельно работающие модуль поиска нозологий, выполненный на базе алгоритмического метода, обеспечивающего поиск по графовой базе данных болезней и симптомов, и модуль поиска нозологий на базе модели машинного обучения;
формирование модулем определения нозологий списка гипотез и нозологий на основании выполненной обработки упомянутого списка симптомов, при этом выполняется:
расчет рисков развития и наличия по меньшей мере одного заболевания;
определение весовых коэффициентов выявленных нозологий, причем нозологии, весовой коэффициент которых ниже заданного порогового значения, передаются в подсистему уточнения диагноза;
формирование диагноза для пациента на основании обработки упомянутого списка гипотез и нозологий, при этом диагноз также содержит прогнозирование рисков возникновения по меньшей мере одной патологии или заболевания, а также анализ сопутствующей патологии.
2. Система по п. 1, характеризующаяся тем, что подсистема уточнения диагноза содержит вопросно-ответную систему, обеспечивающую получение дополнительной информации от пациента.
3. Система по п. 2, характеризующаяся тем, что подсистема уточнения диагноза выполнена с возможностью определения показателей состояния здоровья пациента, связанных с по меньшей мере одной нозологией, требующей уточнения.
4. Система по п. 1, характеризующаяся тем, что симптомы заболевания содержат по меньшей мере одно из: патологические признаки, параметрические данные с числовыми значениями, отклонения от нормы или синдромы.
5. Система по п. 1, характеризующаяся тем, что ЭМК дополнительно содержит генетическую карту пациента, содержащую риски развития патологических процессов, синдромов и заболеваний.
6. Способ автоматизированного принятия врачебных решений по диагностике и прогнозированию заболеваний, выполняемый по меньшей мере одним вычислительным устройством, при этом способ содержит этапы, на которых:
а) получают входные данные из электронной медицинской карты (ЭМК) пациента, которая включает в себя данные, выбираемые из группы: по меньшей мере один протокол исследований, представленный в текстовом формате или в табличном формате, параметрические данные, массив параметрических данных, по меньшей мере одно медицинское изображение или их сочетания;
b) выполняют обработку входных данных с помощью модуля предобработки, который содержит:
модуль обработки текстовых данных, выполненный на базе модели машинного обучения, обеспечивающей обработку данных на естественном языке и определение симптомов по меньшей мере одного заболевания; и
модуль обработки медицинских изображений, содержащий:
модель классификации данных, которая классифицирует входящие изображения и определяет тип по меньшей мере одной модели машинного обучения, выбираемой из каскада моделей, для обработки изображений по меньшей мере одной анатомической области;
каскад моделей машинного обучения, каждая из которых выполняет определение и извлечение симптомов по меньшей мере одного заболевания на основании обработки соответствующего типа входящих медицинских изображений;
c) формируют список симптомов по меньшей мере одного заболевания пациента, полученных на основании обработки, выполненной на этапе b);
d) обрабатывают полученный список симптомов с помощью модуля определения нозологий, обеспечивающего диагностирование и прогнозирование заболеваний пациента, при этом модуль определения нозологий содержит параллельно работающие модуль поиска нозологий, выполненного на базе алгоритмического метода, обеспечивающего поиск по графовой базе данных болезней и симптомов, и модуль поиска нозологий на базе модели машинного обучения;
e) формируют список гипотез и нозологий на основании выполненной обработки упомянутого списка симптомов на этапе d), при этом выполняют:
расчет рисков развития и наличия по меньшей мере одного заболевания;
определение весовых коэффициентов выявленных нозологий, причем нозологии, весовой коэффициент которых ниже заданного порогового значения, передаются в подсистему уточнения диагноза;
f) формируют диагноз для пациента на основании обработки упомянутого списка гипотез и нозологий, полученного на этапе е), при этом диагноз также содержит прогнозирование рисков возникновения по меньшей мере одной патологии или заболевания, а также анализ сопутствующей патологии.
| СИСТЕМА ДЛЯ ПОДДЕРЖКИ ПРИНЯТИЯ ВРАЧЕБНЫХ РЕШЕНИЙ | 2020 |
|
RU2752792C1 |
| RU 2017137801 A, 01.07.2019 | |||
| WO 2020006495 A1, 02.01.2020 | |||
| RU 2017137802 A, 01.07.2019 | |||
| US 2023103143 A1, 30.03.2023. | |||
