Software & Systems

Современные интегрированные медицинские информационные системы (МИС) ориентированы на всестороннюю автоматизацию и детальный контроль лечебно-диагностического процесса (ЛДП). Сам ЛДП состоит из потока событий, ассоциированных с различными лечебно-диагности­ческими мероприятиями: осмотрами, диагностическими исследованиями, лабораторными анализами, лечебными назначениями, процедурами и манипуляциями, оперативными вмешательствами. События ассоциируются с участвующими в них субъектами: пациентами, врачами, прочим медицинским персоналом. События обладают темпоральными свойствами: датой и временем возникновения, длительностью протекания. Каждое событие ЛДП является по своей сути уникальным, единичным и относится к конкретному пациенту, определенному времени, содержит свой набор значений именованных атрибутов, например, ассоциацию с основным или сопутствующим диагнозом. МИС фиксирует множество таких единичных событий в своей БД. Для крупных лечебных заведений количество детально фиксируемых событий ЛДП исчисляется миллионами в год.

Кроме автоматизации, собственно ЛДП МИС должна также поддерживать и другие процессы, связанные с деятельностью лечебного учреждения. Прежде всего речь идет о материальном обеспечении ЛДП (лекарственными средствами, медицинским инвентарем, реактивами и др.). Эффективное управление современным лечебным учреждением невозможно без ведения детального финансово-экономического анализа доходов и затрат. При этом особое внимание уделяется учету движения и расходования всех материальных ценностей (МЦ). Многие из этих материалов расходуются непосредственно на пациента (медикаменты, медицинский инвентарь, продукты питания, другие расходные материалы), формируя прямые затраты, существенно влияющие на себестоимость лечения. Желательность точного учета и анализа прямых затрат в условиях рыночной экономики ясна всем [1–3]. Детальный контроль финансовых и материальных потоков еще больше увеличивает количество различных событий, фиксируемых в БД интегрированной МИС.

МИС не должна ограничиваться только задачами фактографии. На передний план выходят проблемы контроля событий – фактов, отраженных в БД: почему сделано то или иное лечебно-диагностическое назначение, соответствует ли это назначение стандарту лечения данного заболевания, чем обусловлен расход данного материала, какими назначениями или нормативами расхода?

Решить данные проблемы и реализовать автоматизированный контроль событий в МИС можно с помощью принципиально нового подхода, основанного на прецедентах. Прецедент (от лат. praecedens – предшествующий) – случай или событие, имевшие место в прошлом и служащие примером или основанием для аналогичных действий в настоящем. В основе идеи использования прецедентов лежит тот факт, что общее существует в неразрывной связи с единичным (Аристотель) и что событиям ЛДП присущи не только уникальность и единичность, но и общность и повторяемость. Люди болеют одними и теми же болезнями, их лечат по одним и тем же стандартам, назначают лечебно-диагностические мероприятия, соответствующие современному уровню медицинских знаний и возможностям лечебного учреждения. При проведении этих мероприятий расходуется определенное количество МЦ. В частности, из общности и повторяемости событий ЛДП вытекает возможность формирования стандартов лечения, из общности и повторяемости материальных затрат, связанных с той или иной лечебно-диа­гностической процедурой, – возможность формирования норм расхода материалов.

События и прецеденты

Используем формализацию события, приведенную в [4]. В основе базиса формализации события лежат понятия, на их основе определим атомарный факт (АФ) как пару понятий a=(a1, a2), aiÎA, где A – множество конечных последовательностей символов некоторого алфавита (тексты). Первое в паре понятие является общим абстрактным понятием: ‘пациент’, ‘диагноз’, ‘группа крови’. Второе – это конкретизация первого: ‘Иванов’, ‘ОРЗ’, ‘IV’.

В качестве базиса представления фактов и знаний рассматриваются события S, которые конструируются из атомарных фактов и являются конечными последовательностями атомарных фактов .

Весь ЛДП может быть представлен однородно в виде множества событий. Можно пытаться рассматривать абстрактную задачу поиска общего у множества событий, сведя ее к выделению общих абстрактных понятий и общих фактов у этих событий. Подобные постановки свойственны искусственному интеллекту. Но более конструктивную и практически значимую постановку можно получить, если определять прецеденты относительно классов событий. Само по себе отнесение событий к некоторому содержательному классу уже говорит о том, что были проведены определенные классификация и генерализация событий и что события, относящиеся к одному классу, имеют что-то общее. Итак, рассматривая некое множество наблюдаемых событий , принадлежащих некоторому классу , выделим на этом классе отображение , определяющее на множестве наблюдаемых событий  множество прецедентов. Два события  и  порождают один и тот же прецедент  относительно отображения p, если .

Пример. Рассмотрим класс событий – медикаментозные лечебные назначения. Приведем несколько событий из этого класса, упростив их модель.

S1=

{

(‘дата и время события’, ‘?’),

(‘автор события’, ‘врач X’),

(‘пациент’, ‘NN’),

(‘диагноз’, ‘аллергический ринит’),

(‘наименование лекарственного средства’, ‘Тавегил’),

(‘способ введения’, ‘перорально’),

(‘дозировка’, ‘1 мг’),

(‘периодичность’, ‘2 раз в день’)

},

S2=

{

(‘дата и время события’, ‘?’),

(‘автор события’, ‘врач Y’),

(‘пациент’, ‘NN’),

(‘диагноз’, ‘аллергический ринит’),

(‘наименование лекарственного средства’, ‘Тавегил’),

(‘способ введения’, ‘перорально’),

(‘дозировка’, ‘1 мг’),

(‘периодичность’, ‘2 раз в день’)

},

S3=

{

(‘дата и время события’, ‘?’),

(‘автор события’, ‘врач Z’),

(‘пациент’, ‘NN’),

(‘диагноз’, ‘экзема’),

(‘наименование лекарственного средства’, ‘Тавегил’),

(‘способ введения’, ‘перорально’),

(‘дозировка’, ‘1 мг’),

(‘периодичность’, ‘2 раз в день’)

}

Знаками ‘?’ заменены не определенные нами и несущественные для дальнейшего изложения атрибуты атомарных фактов. Построим отображение pd для выделения из указанного класса прецедентов: отображение заключается в удалении из событий атомарных фактов, включающих в себя следующие общие понятия (‘дата и время события’, ‘автор события’, ‘пациент’). Тогда события S1, S2 и S3 порождают относительно pd два прецедента:

pd(S1)=pd(S2)=

{

(‘диагноз’, ‘аллергический ринит’),

(‘наименование лекарственного средства’, ‘Тавегил’),

(‘способ введения’, ‘перорально’),

(‘дозировка’, ‘1 мг’),

(‘периодичность’, ‘2 раз в день’)

},                              

pd(S3)=

{

(‘диагноз’, ‘экзема’),

(‘наименование лекарственного средства’, ‘Тавегил’),

(‘способ введения’, ‘перорально’),

(‘дозировка’,‘1 мг’),

(‘периодичность’, ‘2 раз в день’)

}.                              

Рассмотренное отображение pd выделяет прецеденты медикаментозных назначений, содержащих информацию о том, какие лекарственные средства назначаются при определенном заболевании.

Рассмотрим другое отображение pp, которое выделяет прецеденты медикаментозных назначений с информацией о том, какие лекарственные средства назначались конкретному пациенту независимо от заболевания:

pp(S1)=pp(S2)=pp(S3)=

{

(‘пациент’, ‘NN’),

(‘наименование лекарственного средства’, ‘Тавегил’),

(‘способ введения’, ‘перорально’),

(‘дозировка’, ‘1 мг’),

(‘периодичность’, ‘2 раз в день’)

}.

На первый взгляд кажется, что прецеденты выделяются с помощью простого «проектирования» исходных событий в «подпространство меньшей размерности». Безусловно, такое проектирование имеет место, но выделение прецедентов отнюдь не сводится только к нему. Допустим, что тот же ‘Тавегил’ назначался пациенту ‘NN’ в различных дозировках: ‘1 мг’, ‘2 мг’, ‘3 мг’, ‘4 мг’, ‘5 мг’ и ‘6 мг’. Эти события породят шесть различных прецедентов относительно отображения pp. Но можно свести все шесть прецедентов к одному, если изменить отображение и ввести в рассмотрение ранг дозировки. В результате получится следующий прецедент:

P=

{

(‘пациент’, ‘NN’),

(‘наименование лекарственного средства’, ‘Тавегил’),

(‘способ введения’, ‘перорально’),

(‘минимальная дозировка’, ‘1 мг’),

(‘максимальная дозировка’, ‘6 мг’),

(‘периодичность’, ‘2 раз в день’)

}.

Заметим, что теперь отображение усложнилось и его аргументами выступает не только само событие S, элемент класса K, но и все наблюдаемые события этого класса {Si}, SiÎK, так как ранг атрибута атомарного факта определяется уже всеми наблюдаемыми событиями вместе: P=p(S, {Si}, SÎ{Si}, SiÎK. Ранг в указанных примерах можно вычислять и для периодичности. Кроме ранга, можно использовать любые другие характеристики, вычисляемые по множеству наблюдаемых событий, например, статистические средние и дисперсии. Из других важных характеристик прецедента, вычисляемых по всему множеству наблюдаемых событий определенного класса, введем в рассмотрение мощность прецедента как число событий, порождающих этот прецедент. Учитывая наличие у событий темпоральных характеристик, введем в рассмотрение дату и время последней актуализации прецедента как дату и время самого недавнего события, порождающего данный прецедент. Эти характеристики очень важны для оценки значимости прецедента и позволяют строить различные стратегии применения знаний о прецедентах. Расширим предыдущий пример указанными характеристиками:

P=

{

(‘мощность прецедента’, ‘?’),

(‘дата и время последней актуализации прецедента’, ‘?’),

(‘пациент’, ‘NN’),

(‘наименование лекарственного средства’, ‘Тавегил’),

(‘способ введения’, ‘перорально’),

(‘минимальная дозировка’, ‘1 мг’),

(‘максимальная дозировка’, ‘6 мг’),

(‘периодичность’, ‘2 раз в день’)

}.

В результате такого расширенного понимания прецеденты приобретают изменяющиеся во времени характеристики и перестают быть чисто статическими. При изменении множества наблюдаемых событий за счет появления новых событий могут появиться новые прецеденты и измениться характеристики уже известных прецедентов.

В окончательной формулировке прецеденты определяются отображениями отдельных наблюдаемых событий совместно со множеством всех наблюдаемых событий, которые определены на некотором классе, в событие-прецедент p:{Si}´ ´N®S.

Здесь {Si} – множество наблюдаемых событий определенного класса K; N – множество натуральных чисел, значения из которого принимает верхний индекс события i из множества наблюдаемых событий; p – отображение заданного наблюдаемого события, определенного индексом, и всего множества наблюдаемых событий в событие-прецедент S.

Обсудим конкретные примеры применения прецедентов в МИС.

Автоматизация учета в МИС прямых материальных затрат

От современных МИС требуется полная аналитика движения МЦ, начиная с источников финансирования закупок материалов и заканчивая точным знанием расходов материалов до непосредственного их списания на пациента (персонифицированный учет). Организация планомерной закупки материалов также требует точной статистики по расходу. Знание всех прямых затрат на конкретные категории пациентов, а также по нозологиям (формально закодированным диагнозам) и отделениям, вплоть до знания расхода материалов в отдельных лечебных процедурах, позволяет более точно оценивать себестоимость как всего лечения, так и отдельных процедур, а также дает возможность составлять прейскуранты на платные услуги.

Задача автоматизации учета прямых материальных затрат в МИС сталкивается с рядом проблем [3, 5]. Одна из них – переход к персонифицированному материальному учету, вовлекающий в себя широкий круг пользователей МИС. Речь идет в первую очередь о среднем медицинском персонале, который непосредственно расходует материальные средства для исполнения предписанных врачами назначений и вносит данные о расходе в МИС.

Решить проблемы и реализовать детальный персонифицированный учет прямых материальных затрат в МИС можно с помощью принципиально нового подхода к организации материального учета, построенного на прецедентах.

В основе прецедентного построения мате- риального учета лежит включение в каждое со- бытие из класса событий – записей о расходе МЦ – информации о том, какой материал был затребован и чем обусловлено это требование. Формально событие о расходе МЦ запишем в следующем виде:

S=

{

(‘дата и время события’, ‘?’),

(‘автор события’, ‘?’),

(‘наименование затребованного материала’, ‘?’),

(‘количество затребованного материала’, ‘?’),

(‘единицы измерения затребованного количества’, ‘?’),

(‘наименование израсходованного материала’, ‘?’),

(‘количество израсходованного материала’, ‘?’),

(‘единицы измерения израсходованного количества’, ‘?’),

}.

Приведем реальный пример события о расходовании МЦ:

S=

{

(‘дата и время события’, ‘?’),

(‘автор события’, ‘медсестра N’),

(‘наименование затребованного материала’, ‘Метрагил’),

(‘количество затребованного материала’, ‘1000’),

(‘единицы измерения затребованного количества’, ‘мг’),

(‘наименование израсходованного материала’, ‘Метронидазол 0,5 % 100 мл’),

(‘количество израсходованного материала’, ‘2’),

(‘единицы измерения израсходованного количества’, ‘шт.’),

}.

Содержательная трактовка этого события: автор события, медсестра N, соотнесла с назначенным врачом «Метрагилом» числящийся по материальному учету «Метронидазол». Затем перевела указанную врачом дозировку 1000 мг в учетные единицы 2 шт., имея в виду, что, согласно форме выпуска этого лекарственного средства «0,5 % 100 мл», в 100 мл раствора содержится 0,5 г «Метронидазола», а в двух штуках соответственно 1 г = 1000 мг. Поставим в соответствие этому событию следующий прецедент:

P=

{

(‘мощность прецедента’, ‘?’),

(‘дата и время последней актуализации прецедента’, ‘?’),

(‘автор события’, ‘медсестра N’),

(‘наименование затребованного материала’, ‘Метрагил’),

(‘единицы измерения затребованного количества’, ‘мг’),

(‘наименование израсходованного материала’, ‘Метронидазол 0,5 % 100 мл’),

(‘количество израсходованного материала’, ‘2’),

(‘единицы измерения израсходованного количества’, ‘шт.’),

(‘пропорция между количеством затребованного материала и количеством израсходованного материала’, ‘500’),

}.

Видно, что возникший прецедент несет в себе определенные знания. Во-первых, произошло согласование наименования лекарственного средства, указанного врачом в лечебном назначении, с торговым наименованием и конкретной формой выпуска лекарственного средства, числящегося по материальному учету. Во-вторых, появилась пропорция между затребованным и израсходованным количеством лекарственного средства, взятым в различных единицах измерения. В указанном примере врач может уменьшить дозировку лечебного назначения до 500 мг. Если при этом будет израсходована 1 шт. указанного лекарственного средства, такое событие приведет к уже известному прецеденту, так как 1000:2 = 500:1 и пропорция не изменилась.

Преимущества введения в материальный учет прецедентов

Во-первых, избавление от проблемы контроля каждой записи о расходе, сведение контроля расхода к контролю прецедентов. Очевидно, что мощность множества прецедентов существенно меньше, чем мощность множества записей о расходе. В БД крупного московского ЛПУ при вводе в работу прецедентного материального учета примерно за один квартал зарегистрировано 468 679 записей о расходе и 21 626 соответствующих прецедентов.

В этом примере мощность множества прецедентов примерно в 22 раза меньше мощности первичного множества записей о расходе. В дальнейшем мощность множества записей о расходе будет расти линейно, пропорционально времени, а мощность множества прецедентов будет иметь тенденцию к слабому росту, обусловленному в основном появлением новых пользователей системы (врачей и среднего медперсонала), а также связанному с расширением номенклатуры материалов.

Прецеденты еще разбиваются по авторам и, соответственно, по отделениям. В нашем примере 91 автор. В каждом отделении каждому уполномоченному лицу (аудитору) потребуется контролировать 1–3 тыс. прецедентов.

Во-вторых, оперативный контроль сводится в основном только к анализу новых прецедентов. На появление новых записей о расходе, для которых уже имеются зарегистрированные в системе и признанные правильными прецеденты, при контроле можно не обращать внимания. Это позволяет сильно снизить нагрузку на пользователей-аудиторов и свести ее к рассмотрению вновь созданных прецедентов и их анализу на корректность.

В-третьих, все зарегистрированные системой прецеденты обусловлены требованиями к подсистеме материального учета со стороны других подсистем – лечебно-диагностических назначений, ведения клинических документов, учета услуг. В идеале записей о расходе, не обусловленных требованиями, не должно быть. Лица, непосредственно расходующие материалы в ходе ЛДП и вносящие записи о расходе в БД, как правило, не формируют в системе требования на материалы и, следовательно, не могут создать не обоснованные с точки зрения ЛДП требования. Любая запись о расходе связана с требованием и им обусловлена.

В-четвертых, знание прецедентов позволяет реализовать в подсистеме материального учета механизм автоматической разноски требований. Анализируя строку конкретного разносимого требования, система может обнаружить в БД подходящие для этой строки прецеденты. На основании выделенных, подходящих прецедентов можно автоматически выполнить разноску. Для начала следует проранжировать выделенные подходящие прецеденты. В рассматриваемой модели прецедентов присутствуют атрибуты автора и мощности прецедента, а также даты его последней актуализации. На основании этих атрибутов можно предложить различные простые стратегии ранжирования прецедентов.

Например, сначала прецеденты ранжируются по авторам и в первую очередь применяются прецеденты, созданные самим пользователем. Затем прецеденты ранжируются по мере убывания их мощности, то есть в первую очередь применяются наиболее часто используемые прецеденты. При равенстве мощности двух прецедентов предпочтение может быть отдано тому, у которого дата актуализации старше. Очевидно, что это не единственная возможная стратегия.

Например, можно включить в атрибуты прецедента признак его корректности и вести разноску только на основании правильных прецедентов. Некоторые прецеденты могут быть нетипичными, хотя и правильными. Эти нетипичные маргинальные прецеденты также удобно размечать отдельным признаком и не использовать при разноске, хотя для нетипичных прецедентов хорошим фильтром также будет служить мощность прецедента. На основании отобранных, подошедших к затребованному и проранжированных прецедентов последовательно делается попытка связать имеющиеся материальные запасы с требованием. В случае успеха формируются связанные с затребованным автоматически разнесенные записи о расходе. Пользователю остается подтвердить правильность выполненной разноски и изменить разноску там, где он не согласен с результатом автоматической разноски, а затем окончательно завершить транзакцию, изменив материальные остатки. В результате в общем случае будут подтверждены ранее известные системе прецеденты (увеличена их мощность), а также созданы новые прецеденты.

В-пятых, отпадает необходимость специально согласовывать справочники различных подсистем. Например, подсистемы лечебно-диагностических назначений и подсистемы материального учета. Собственно, сами прецеденты теперь предоставляют пользователю механизм согласования.

В-шестых, прецеденты, связывая требования и отпуск, становятся элементами базы знаний системы. Появление нового прецедента равносильно появлению новых знаний в системе, за которым следует возникновение соответствующих событий, например, уведомления о необходимости контроля нового прецедента – необходимости проверки новых знаний, немедленная возможность функционального использования новых знаний, например, для выполнения автоматической разноски.

Для авторов статьи чрезвычайно важно, что предложенная концепция прецедентного материального учета не осталась чисто теоретической разработкой, а нашла свое практическое применение. Успешная апробация прецедентного материального учета состоялась в 2008 году в ФГУ «Клиническая больница Управления делами Президента Российской Федерации» [5].

Использование прецедентов в подсистеме лечебно-диагностических назначений

Существует такая максима, что весь ЛДП сводится к лечебно-диагностическим назначениям. Во всяком случае, основной функцией врача в МИС наряду с ведением различных клинических документов (осмотров, дневников, протоколов, заключений и т.п.) является формирование назначений. Этот трудоемкий процесс можно облегчить и автоматизировать, если использовать шаблоны назначений и выбрать из них уже готовые формализованные назначения. Использование прецедентов позволяет по-новому решить проблему шаблонирования назначений. Обычной практикой в МИС является либо непосредственный ручной ввод шаблонов назначений, либо выбор уже сделанных назначений для их включения в тот или иной шаблон. Автоматически шаблоны не пополняются, для этого требуется ручная работа. Все эти недостатки обычных шаблонов могут исправить прецеденты.

Во-первых, прецеденты формируются информационной системой полностью автоматически на основе возникших событий (на основе уже сделанных назначений).

Во-вторых, прецеденты над классами лечебно-диагностических назначений могут быть построены несколькими различными отображениями, что позволяет достичь совершенно нового качества в анализе и функциональном использовании прецедентных знаний.

В прецеденты можно включать информацию об авторе прецедента. В этом случае каждый врач может использовать в качестве шаблонов свои прецеденты, но одновременно с этим использовать прецеденты назначений других авторитетных врачей. В прецеденты можно включать ассоциацию с услугой, в рамках которой было сделано назначение. В этом случае при выборе конкретной услуги можно сразу же получить все прецеденты назначений, с нею связанных. Коммерциализация современной медицины делает подобный отбор прецедентов вполне оправданным. Прецеденты можно связать с медицинской картой, историей болезни или амбулаторной картой. История болезни выделяет некий определенный законченный эпизод (этап) в жизни и лечении пациента. Прецеденты, связанные с историей болезни, характеризуют все лечебно-диагностические назначения, сделанные в ходе этого эпизода ЛДП. Прецеденты, ассоциированные с пациентом, несут всю имеющуюся в данной МИС информацию обо всех лечебно-диагностических назначениях для этого пациента. Прецеденты можно ассоциировать с диагнозом (формальным кодом по международному классификатору болезней). В этом случае можно выделить прецеденты назначений, связанных с тем или иным заболеванием, что отражает общепринятую практику врача: идти от поставленного диагноза к назначениям. Напомним, что прецеденты также несут информацию о своей мощности, что позволяет ориентироваться при их выборе на типичные, наиболее часто применяемые прецеденты.

Стандарты лечения и прецеденты

Современная медицина выдвигает жесткие требования к составу и содержанию лечебных и диагностических мероприятий по каждой нозологии. С одной стороны, должен быть обеспечен достаточный их набор, гарантирующий пациенту адекватное лечение, с другой – следует избегать избыточных лечебных вмешательств, неадекватное увеличение которых ведет к повышению риска для больного (развитие осложнений в процессе инструментальных исследований) и возрастанию стоимости лечения.

Стандартизация медицинских технологических процессов, удовлетворяющих таким требованиям, – весьма трудоемкая задача [6], однако ее можно эффективно решать на основе анализа ретроспективных данных, хранящихся в МИС, извлечения потоков событий ЛДП, анализа прецедентов, выделения на этой основе фактических стандартов лечения с их последующим экспертным анализом и оптимизацией.

Очевидно, что в общем лечебно-диагностичес­кий процесс не может быть сведен только к прецедентам. Важны не только выделенные в прецеденты события и их кратность, но и сам порядок событий. Полную информацию об этом несут только исходные, не свернутые в прецеденты события. Однако если обратиться к стандартам оказания медицинской помощи, разработанным Министерством здравоохранения и социального развития РФ, можно обнаружить, что сами стандарты имеют ярко выраженный прецедентный характер. В этих стандартах не указана явная последовательность лечебно-диагностических событий, приводятся частота предоставления (фактически это требование к вероятности появления события в ЛДП) и среднее количество лечебно-диагности­ческих событий в расчете на некоторый временной период. В качестве примера приведем выдержки из стандарта медицинской помощи больным инсулинозависимым сахарным диабетом.

Министерство здравоохранения и социального развития. Стандарт медицинской помощи больным сахарным диабетом от 07.04.2005 № 262.

Модель пациента

Категория пациента: дети, взрослые

Нозологическая форма: инсулинозависимый сахарный диабет

Код по МКБ-10: E10

Фаза: хроническая

Стадия: все стадии

Осложнение: нефропатия, ретинопатия, нейропатия, катаракта, диабетическая стопа, хайропатия

Условие оказания: амбулаторно-поликлиническая помощь

Лечение из расчета 12 месяцев.

Медикаменты

Фармакотерапевтическая группа: гормоны и средства, влияющие на эндокринную систему (частота назначения 0,7)

Анализ структуры стандарта показал, что контроль фактического ЛДП на соответствие стандарту можно свести к выделению из ЛДП прецедентов и их ассоциации с лечебно-диагностичес­кими событиями из стандарта, сопоставлению мощности и других характеристик прецедента с соответствующими характеристиками из стандарта. С помощью тех же прецедентов ЛДП, ассоциированных с определенной болезнью (нозологией), можно решить задачу выделения стандартов лечения de facto.

Документы и прецеденты

Электронные документы занимают очень важное место в МИС. В них отражается весь ЛДП. Медицинская карта фактически представляет собой коллекцию различных документов как в классическом бумажном, так и в электронном виде. Документы описывают лечебно-диагностические события. Следовательно, структура документа становится носителем знания о ЛДП. В принятой в ИПС РАН архитектуре реализации документов в МИС [7] структура документа изначально принимается в виде дерева, в узлах которого находятся атомарные факты. Задается порядок обхода дерева. Для каждого атомарного факта вводится понятие локального и глобального контекстов [8], определяемых всеми другими атомарными фактами, пройденными при обходе дерева от вершины до заданного атомарного факта. Контексты нужны для правильной семантической интерпретации данного атомарного факта, а также для разбора данных документа и их сохранения в БД в разобранном виде.

Опыт автоматизации медицинского клинического документооборота показал, что структуры документов даже одного типа варьируются от учреждения к учреждению и отражают разные предпочтения врачей, различную сложившуюся практику ведения медицинских карт в ЛПУ, различие медицинских школ в отражении ЛДП в документах. Все разработанные в ИПС РАН модели клинических документов собраны в единый банк документов, который уже сейчас содержит свыше 250 структурированных документов различных типов (а с учетом внутритиповых вариаций гораздо больше).

Прецедентный анализ структур документов позволяет решить сразу несколько задач. Во-первых, можно выделить прецеденты связи каждого АФ с родительскими и дочерними АФ (из АФ в прецеденты включается только абстрактное понятие). Множество выделенных абстрактных понятий и отношений включения на них позволяют сформировать локальный внутрисистемный тезаурус понятий для предметной области, после чего становится возможным конструирование документов на основе тезауруса. Конструирование можно начать с любого абстрактного понятия из тезауруса и затем двигаться от него как вверх, так и вниз по указанным в тезаурусе связям с другими абстрактными понятиями, включая их в структуру. Очевидно, что таким образом можно получить все структуры (модели документов) из банка данных, а также сконструировать новые гибридные документы. Во-вторых, для каждого данного АФ можно выделить прецеденты всех контекстов использования данного факта. Это позволит при конструировании структуры документа вести ее проверку на соответствие контекстов всех АФ известным контекстам их использования и автоматизирует семантический контроль конструируемого документа. Каждая новая модель документа привносит новое знание, которое усваивается системой в соответствующих прецедентах и в тезаурусе.

Система информационной безопасности и прецеденты

К современным МИС выдвигаются жесткие требования по защите информации от несанкционированных изменений и от несанкционированного доступа. Особую роль приобретают персональные данные. Защита персональных данных регламентируется нормативными документами, принятыми на федеральном уровне. Вопросы информационной безопасности также поднимаются в национальном Стандарте РФ ГОСТ-52636 «Электронная история болезни. Общие положения».

Для МИС крупного ЛПУ характерна проблема большой мощности потока событий, которые подвергаются аудиту системой информационной безопасности. Огромное число источников данных: на уровне реляционной БД число таблиц и представлений может исчисляться тысячами. Громадное количество программных модулей и функциональных программных единиц (функций, процедур), вызываемых пользователями, – тысячи единиц. Число пользователей в крупных ЛПУ уже приближается к тысяче. Все это создает проблемы для аудита событий доступа к информации. Прецеденты в состоянии решить проблему мощности потока событий, отказавшись от контроля непосредственных первичных событий и сведя аудит к контролю новых, ранее не подвергавшихся аудиту прецедентов.

Реализация уровня прецедентов в архитектуре МИС

Методические рекомендации по реализации уровня прецедентов в архитектуре МИС следующие. В первую очередь необходим тщательный отбор классов наблюдаемых событий для выделения из них прецедентов. Хороший класс – это уже полезное предварительное обобщение информации. Далее строятся различные отображения классов в прецеденты. Отображения определяются практическим назначением выделяемых прецедентов. Некоторое опасение может вызвать тот факт, что при построении каждого отдельного прецедента в общем случае имеется необходимость в обработке всего множества наблюдаемых событий данного класса. Это требуется для получения характеристик прецедентов, вычисляемых по всем наблюдаемым событиям. Может показаться, что появление каждого нового события потребует заново пересчитать все уже выделенные прецеденты, так как произошло расширение множества наблюдаемых событий. Легко видеть, что необходимые для пересчета «интегральные» характеристики наблюдаемого множества событий можно хранить в самих прецедентах (ранг, мощность прецедента и т.п.). Зачастую этих ранее рассчитанных интегральных характеристик оказывается достаточно для их обновления в связи с появлением нового события. Например, если появилось новое событие, для которого ранее был выделен прецедент, потребуется просто увеличить мощность этого прецедента на 1 и перенести из события в прецедент дату и время актуализации события. Технически в системе можно реализовать выделение прецедентов с помощью синхронных и асинхронных процессов. Синхронные процессы выделения прецедентов работают в той же транзакции, в которой создаются новые события ЛДП. Поэтому создание событий и выделение соответствующих прецедентов происходят практически одновременно. Процесс выделения прецедентов может оказаться достаточно ресурсоемким прежде всего по времени. Тогда можно выделять прецеденты с помощью асинхронных процессов. В этом случае возникновение новых событий ЛДП фиксируется в виде некоторой очереди вторичных событий, несущих информацию о произошедших первичных событиях. Асинхронный процесс периодически запускается и производит обработку очереди вторичных событий, актуализируя уже известные прецеденты и выделяя новые прецеденты из новых событий ЛДП.

В работе перечислены далеко не все возможности применения прецедентов в МИС. Несмотря на относительную простоту данной концепции прецедента, практические перспективы прецедентов (даже неожиданно для авторов) оказались весьма широки. Связано это с тем, что прецеденты – мощное средство обобщения и генерализации знаний, заключенных в событиях и документах.

В статье описаны возможности использования прецедентов для автоматизации процесса формирования лечебно-диагностических назначений, для контроля ЛДП на соответствие стандартам оказания медицинской помощи, при формировании фактической базы стандартов лечения de facto для разработки собственных стандартов лечения. Велика роль прецедентов для структуризации и концептуализации знаний в виде тезауруса понятий предметной области. Прецеденты позволяют автоматизировать конструирование моделей документов на основе тезауруса с включением в процесс конструирования семантического контроля. Прецеденты могут найти широкое применение в системе информационной безопасности и автоматизировать аудит событий, контролирующих доступ к медицинской информации, включая персональную информацию. Они уже нашли практическое применение в области детального персонифицированного учета и контроля прямых материальных затрат ЛДП. Прецеденты позволяют справиться с большой мощностью потока событий ЛДП. Отдельного внимания заслуживает тот факт, что они являются носителями знаний, выражающихся в ассоциировании между собой АФ, входящих в прецедент. Контроль нового прецедента – это фактически подтверждение новых знаний компетентным аудитором с немедленной возможностью дальнейшего функционального использования подтвержденных знаний. На основании изложенного можно сделать вывод, что прецеденты вышли за границы отдельного частного механизма и претендуют занять отдельный уровень в архитектуре современной МИС.

Литература

1.   Кадыров Ф.Н. Экономические методы оценки эффективности деятельности медицинских учреждений. М.: Издат. дом «Менеджер здравоохранения», 2007.

2.   Мчедлидзе Т.Ш., Янченко В.М., Касумова М.К. Управление медицинским бизнесом: Система управления

стоматологической организацией. СПб.: ООО «МЕDИ издательство», 2007.

3.   Калинин А.Н., Малых В.Л., Юсуфов Т.Ш. Управление материальными ресурсами ЛПУ в МИС. Аптека и диетпитание // Врач и информационные технологии. 2006. № 4. С. 87–90.

4.   Гулиев Я.И., Малых В.Л., Юрченко С.Г. Контекстный анализ событий и синтез структуры медицинских знаний. Современные информационные и телемедицинские технологии для здравоохранения // AITTH’2008: матер. II междунар. конф. Минск: Объединенный институт проблем информатики НАН Беларуси, 2008. С. 164–168.

5.   Малых В.Л., Гулиев Я.И., Крылов А.И., Рюмина Е.В. Проблемы автоматизации учета прямых материальных затрат в медицине. Архитектура прецедентного материального учета // Аудит и финансовый анализ. 2009. № 2. С. 465–471.

6.   Назаренко Г.И., Полубенцева Е.И. Управление качеством медицинской помощи. М.: Медицина, 2000.

7.   Гулиев Я.И., Малых В.Л. Архитектура HL-X // Про- граммные системы: теория и приложения: тр. Междунар. конф. / ИПС РАН, Переславль-Залесский; под ред. С.М. Аб- рамова. В 2 т. М.: Физматлит. 2004. Т. 2.С. 147–168.

8.   Малых В.Л., Юрченко С.Г. Документальный уровень представления знаний в интегрированной медицинской информационной системе // Там же. С. 217–230.