В статье автор пытается создать прототип информационной системы по дистанционному предоставлению медицинских услуг с использованием метода машинного обучения, основанного на решающих деревьях.
Ключевые слова: машинное обучение, приложение, пациент.
Огромное давление на сферу здравоохранения оказывает большое количество пациентов в поликлиниках, которое непосредственно провоцирует рост заболевших в стране. Предельные нагрузки на пропускные способности поликлиник подразумевают под собой отсутствие социальной дистанции и, в конечном итоге, геометрический рост нагрузки. Тем не менее, большую часть заболевших составляют не те, кто больны COVID-19, а другими, более привычными всеми, заболеваниями (проблемы с сердцем и сосудами, нарушения опорно-двигательного аппарата, болезни желудка и рак). Необходимо делать упор на оптимизации снижения и своевременного диагностирования повседневных заболеваний, что в общем итоге приведет к снижению нагрузки сферы здравоохранения, бюджетной системы и экономики в целом.
Из актуальных данных на сентябрь 2021 года количество новых зарегистрированных случаев заболеваний COVID-19 в России [1] стало в разы больше, чем было зарегистрировано летом. Увеличению нагрузки на поликлиники так же поспособствовали сезонные грипп и ОРВИ, актуальные весной и осенью для средней полосы России.
Количество пациентов, получивших заключение о заболевании (зарегистрированное, согласно Российскому статистическому ежегоднику [2]) значительно отличается от за аналогичный период. Данное несоответствие может быть обусловлено следующими причинами — здоровыми «больными», посетившими врачей без реальной необходимости и пациентами, прекратившими дополнительные обследования для выявления недуга. Для снижения непосредственной нагрузки поликлиник необходимо определять заранее таких пациентов до того, как они запишутся на прием. Это важно не только для благополучия здравоохранения и снижения соответствующих трат, но и для пациентов, которые действительно больны, но так и не смогли вовремя попасть к врачу из-за существующей повышенной загруженности медицинских учреждений.
Предполагаемый алгоритм решения поставленной задачи состоит из следующих этапов:
1) При явных показаниях для госпитализации (острые инфекции, хроническая кардиология и обостренная неврология) медицинская помощь и вызов скорой бригады обязателен.
2) Если у пациента отсутствуют обострения, заявка на регистрацию через ЕМИАС отклоняется.
3) В остальных случаях пациент может корректно оценить причину недуга при помощи специализированного приложения ещё до записи в медицинское учреждение. К примеру, пациент, основываясь на результатах первичного тестирования в приложении, с подозрениями на язву желудка может снизить pH показатель среды желудка, следуя предписаниям (правильное питание без острого), тем самым отложив поход к врачу. Грамотно сформированный алгоритм позволит увеличить количество качественных случаев самостоятельной первичной диагностики, что позволит уменьшить время на первичное обследование пациента терапевтом.
Проиллюстрируем это на рис. 1.
Рис. 1. Прототип алгоритма первичной диагностики заболевания
Приложение, разработанное на языке программирования Python версии 2.4 [3], является одним из возможных решений для качественной первичной диагностики заболевания и снижения нагрузки поликлиник. Суть данного приложения заключается в анализе здоровья пациента при помощи списка базовых вопросов о его состоянии и возможных болях. Это может быть использоваться для обучения в методах машинного обучения, использующие деревья решений. В зависимости от того, как клиент отвечает на первые вопросы, ему предлагаются следующие, смежные с возможными заболеваниями. Ответив на все пункты, пациент получает предварительный диагноз, оценивает его серьезность и принимает дальнейшее решение по поводу посещения врача.
Проиллюстрируем это на рис. 2.
Рис. 2. Демонстрация работы алгоритма в прототипе приложения
Все данные о пройденных опросах сохраняются в память используемого устройства. Это может быть использовано для повышения персонализации, использования напоминаний о принятии лекарств и дополнительных опросах о прошлых симптомах (собирая тем самым первичным анамнез). Для этого был использован метод машинного обучения, заключающийся в использовании комитета решающих деревьев — Random forest [4].
Еще одним преимуществом приложения является возможность заказа лекарств из аптек. Предполагается создание единой базы лекарственных препаратов по минимальным ценам (обеспечение низких цен может быть обусловлено за счет отсутствия издержек на содержание помещения, зарплаты аптечным провизорам и логистику). Существование такого мультифункционального приложения позволит существенно снизить расходы на поддержку огромного количества сайтов аптек по всей России. В данном примере предоставлением медикаментов будет заниматься Клинический центр им. И. М. Сеченова как единая база заказов.
Проиллюстрируем это на рис. 3.
Рис. 3. Демонстрация процесса заказа лекарственных препаратов через приложение
Существуют системы, разработанные на основе алгоритмов машинного обучения и искусственного интеллекта, которые способны самостоятельно ставить медицинский диагноз и давать направления к врачу. Одна из таких систем — Ada [5]. Она дает больному рекомендации, направление к нужному врачу, а также предлагает удаленную консультацию со специалистом. С другой стороны, есть целые вычислительные комплексы, например суперкомпьютер IBM Watson [6]. На данный момент его модуль Watson for Oncology применим для диагностики и лечения рака. Главная задача суперкомпьюетра — поиск нужной информации в базе данных и предоставление ее пользователю.
Однако, такие системы не получили своей популяризации в силу своей неточности. Для этих систем так же необходима большая база данных пациентов, чего практически не наблюдается в нашей стране, поскольку это бы противоречило Федеральному закону от 27.07.2006 N152-ФЗ (ред. от 24.04.2020) «О персональных данных» [7]. Таким образом, на данный момент не представляется возможным внедрение таких систем. Эта проблема не касается разработанного приложения, ведь оно не ставит диагноз, не передаёт персональные данные третьим лицам и не обрабатывает большие массивы данных, а лишь носит рекомендательный характер и направлен на сбор информации для дальнейшей диагностики врачом в государственных учреждениях, для городов России такая система является единственной приемлемой в ряде схожих систем.
Литература:
- Все о коронавирусе // Коронавирус COVID-19: Официальная информация.URL: https://стопкоронавирус.рф.
2. Российский статистический ежегодник.URL: https://rosstat.gov.ru/folder/210/document/12994.
- Код программы. URL: https://github.com/charonxnikon/medical_consulnat/blob/main/main.py
- Метод машинного обучения Random forest. URL: https://ru.wikipedia.org/wiki/Random_forest
- Персональный медицинский помощник и телемедицинское приложение от Ada. URL: https://evercare.ru/ada-1
- Суперкомпьютер IBM Watson. URL: https://ru.wikipedia.org/wiki/IBM_Watson
- Закон Российской Федерации «О персональных данных» от 08.07.2006 № 152 // Собрание актов Президента и Правительства Российской Федерации.
