Создание базы медицинских знаний на основе национального метатезауруса для унификации разработки систем поддержки принятия клинических решений

Полный текст

Проблематика

В последние годы наблюдается быстрое развитие рынка систем искусственного интеллекта, обусловленное в том числе финансированием со стороны государства, с чем связано создание новых подходов к разработке систем поддержки принятия клинических решений (СППКР). Создание современных систем искусственного интеллекта — междисциплинарное направление, в большинстве случаев нацеленное на анализ больших данных, интегрирующее для своего построения инструменты реляционной алгебры, элементы теории графов, методы математической статистики, инженерии знаний, алгоритмы машинного обучения. Наиболее развитой областью искусственного интеллекта, достигшей реального внедрения в клиническую практику, является обработка медицинских изображений [1–8], успешности развития которой способствовало наличие общепринятого стандарта обмена изображениями DICOM.

Ключевыми проблемами, препятствующими развитию современных технологий искусственного интеллекта в других областях медицины, в том числе получению сводных данных для анализа, являются формирование подавляющей доли клинической информации в неструктурированном виде, отсутствие общепринятой формализации при описании клинической картины пациента, использование единой медицинской терминологии по ключевым понятиям.

Решением данных проблем являются, с одной стороны, разработка структурированных электронных медицинских документов (СЭМД) на основе международных общепринятых стандартов, позволяющая исходно получать сопоставимую информацию, а с другой — совершенствование алгоритмов обработки неструктурированных медицинских текстов. Оба направления важны для развития цифровой трансформации медицины, являются трудо- и времязатратными, требуют привлечения специалистов по разработки унифицированной медицинской терминологии. Тезаурусы позволяют стандартизировать терминологию, использованную в медицинских записях, что значительно улучшает качество поиска и точность результатов, уменьшает возможность ошибок в интерпретации запросов пользователей в медицинских информационно-поисковых системах. Также тезаурусы служат основой построения баз знаний при решении интеллектуальных задач.

В настоящее время существует несколько организованных по онтологическому принципу масштабных метатезаурусов, которые контролируются экспертными сообществами, регулярно актуализируются и хранят накопленный теоретический и практический опыт из различных областей биологии и медицины. Например, наиболее используемым ресурсом в англоязычной среде являются UMLS (Unified Medical Language System) [9] — унифицированная медицинская языковая система, разрабатываемая Национальной медицинской библиотекой США с 1986 г., которая содержит ~ 4,6 млн уникальных понятий (концептов), 98 млн связей, и SemMed (база знаний библиотеки Pubmed) — ~ 420 тыс. понятий, 110 млн связей [10]. В свою очередь, UMLS агрегирует такие известные терминологические системы, как SNOMED CT (Systematized Nomenclature of Medicine Clinical Terms — cистематизированная номенклатура клинических терминов) — свыше 350 тыс. понятий, 1,5 млн связей; LOINC (Logical Observation Identifiers Names and Codes — кодификатор медицинских и лабораторных терминов) — ~ 218 тыс. понятий, 3,9 млн связей; RxNorm (медицинская терминология в области лекарственных средств) — ~ 170 тыс. понятий, 1,7 млн лекарственных взаимодействий и др. (около 150 различных справочников). Среди отечественных наиболее крупных примеров можно назвать Объединенную базу медицинских знаний UMKB (United Medical Knowledge Base) с более чем 2,5 млн терминов (без учета синонимов), более 4 млн родовидовых отношений, формирующих структуру классификаторов [11, 12], а также онтологическую базу медицинской терминологии и наблюдений, сформированную на платформе IACPaaS [13–15]. Перечисленные тезаурусы используются для создания единообразного языка при описании медицинских и биологических понятий, включая заболевания, симптомы, лекарства и т.д.

Большинство международных справочников исходно не представлено на русском языке. Адаптация исходя из количества терминов и связей трудоемка и потребует значительных временных затрат, привлечения экспертов, сопоставления и расширения на основе русскоязычных справочных источников, представленных в Федеральном реестре нормативно-справочной информации (ФР НСИ) Минздрава России. Также создание национального медицинского терминологического стандарта потребует учета национальной специфики медицины, основанной на данных из клинических рекомендаций, статей и запи-сей реальной клинической практики — электронных медицинских карт пациентов. Несмотря на большую ресурсоемкость, данная разработка оправдана благодаря возможности приобретения единого систематизированного свода экспертно выверенных формулировок специализированных понятий для терминологического покрытия различных клинических областей.

Подавляющая часть медицинской документации продолжает формироваться в неструктурированном виде, что требует разработки и применения технологий выделения важных для последующего использования данных на основе обработки естественного языка (natural language processing, NLP). Обработка неструктурированной медицинской информации методами NLP — одна из наиболее сложных областей семантического анализа, целью которого является извлечение и последующее использование закономерностей, отражающих смысловое значение различных единиц языка. В последние годы развитие методов семантического анализа мощно ускорилось благодаря значительному увеличению вычислительных возможностей, появлению продвинутых машинных алгоритмов, автоматизации процессов обработки текста [16, 17].

Получаемая из медицинских текстов формализованная информация подлежит стандартизации и унификации для последующего использования и анализа по разным направлениям — от сопоставления различных ее источников, контроля и оценки проводимых лечебно-диагностических мероприятий, формирования сводных данных и Big Data до использования в информационно-поисковых средствах и иных решениях для интеллектуального сопровождения при работе с медицинскими и биологическими знаниями.

Применение систематизированных сводов понятий для работы языковых моделей, а также заключений, полученных в ходе экспертной деятельности специалистов, может стать одним из лучших подходов к структуризации данных и извлечению знаний из неструктурированных текстов. Сопоставление источников информации должно не только учитывать различные семантические основы (терминологии и классификации), но и предвидеть дальнейшую модификацию этой семантики в соответствии с местным контекстом [18–20].

Наиболее эффективным способом представления и анализа формализованных медицинских знаний являются семантические сети, организованные в виде множества разнородных вершин (концептов) и связей между ними. Организация данных в виде графовых информационных моделей имеет ряд преимуществ, среди которых следует выделить наличие больших возможностей для оптимизации аналитических операций и существование средств, обеспечивающих наглядную интерпретацию структуры знаний на пользовательском уровне [21, 22].

Автоматизированный анализ семантических сетей — сложная и нетривиальная задача. Несмотря на отсутствие универсальных подходов, существует большое количество отдельных независимых алгоритмов, позволяющих выделять скрытые аналитические паттерны при реализации задач выбора релевантной информации. Анализ исследований показывает высокий интерес и перспективность данного направления [23, 24]. Наиболее эффективное извлечение данных из графовой структуры достигается при комбинации разнородных аналитических алгоритмов, позволяющих учитывать не только конструкцию онтологического древа (смысловые связи), но и семантическую близость терминов, заключенных в ее узлах [25–27].

Модель данных, построенную на основе тезауруса и использующую различные метрики значимости и связности в качестве атрибутов, можно назвать онтологической. Такая модель служит платформой для организации баз знаний, последовательно развиваемых и расширяемых по различным клиническим направлениям. Этот подход подразумевает участие экспертов для валидации качества базы знаний на более поздних сроках и в условиях значительной предварительной подготовки, что оправдано с точки зрения временных затрат на создание системы и использования интеллектуальных ресурсов.

Цель исследования — построение по онтологическому принципу национального медицинского метатезауруса и создание на его основе базы медицинских знаний для унификации разработок интеллектуального поиска медицинской информации и систем поддержки принятия клинических решений.

Методы

Исследование выполнено в рамках Программы стратегического академического лидерства «Приоритет–2030» на базе Института цифровой трансформации медицины РНИМУ им. Н.И. Пирогова Минздрава России.

В качестве источника для построения онтологически организованной системы медицинских терминов использовался метатезаурус UMLS версии 2022АВ [19], исходно содержащий примерно 4,6 млн уникальных концептов и 11,2 млн их различных вариантов названий, составленных из 76 актуальных на данный момент словарей, а также более 90 млн уникальных связей. Причиной выбора данного ресурса явилось отсутствие описания с достаточным уровнем подробности в научных литературных источниках существующих отечественных номенклатур, а также их наличия в открытом доступе для сторонних разработчиков. Остается неясным вопрос, осуществлялось ли в них мапирование терминов с общепризнанными международными системами и с утвержденными Минздравом России для употребления в Российской Федерации справочниками ФР НСИ.

На первом этапе инструментом работы с UMLS стали аналитические панели системы Data Monitor компании «Авикомп Сервисез» (зарегистрирована в реестре отечественного ПО № 5609 от 26.07.2019) [28], позволяющие реализовать полнотекстовый и фасетный поиск по объектам, связям, источникам информации (словарям), а также по всем вариантам описаний медицинских понятий и сущностей (концептов) на английском и русском языках. Разработанные панели поддерживают возможность анализа структуры UMLS за счет отнесения медицинских и биологических концептов к одной из 15 (7 социально-экономических и 8 биомедицинских) категорий, которые, в свою очередь, разделяются на 127 тематических групп: растения, вирусы, бактерии, анатомические структуры, диагнозы и синдромы, симптомы, клинические находки, врожденные аномалии, антибиотики, гормоны, лекарственные препараты и иные семантические объединения терминов. Каждый из представленных в UMLS концептов (concept unified identifier, CUI) и тематических групп (type unique identifier, TUI) имеет уникальный идентификатор. У термина могут существовать синонимы, варианты формулировок на разных языках и аббревиатуры (atomic unified identifier, AUI), полученные из многочисленных словарей. Данные атрибуты однозначно связаны с термином, имеющим предпочтительное наименование (выбранное составителями UMLS).

Помимо обширной системы классификации терминов присутствует система классификации существующих связей между концептами по представленным типам и их атрибутам. Всего в семантической сети UMLS выделено 11 (9 базовых и 2 дополнительных) типов и 992 уникальных необязательных подтипа (уточнения) связей. Кроме того, аналитические панели позволяют применять сложную фильтрацию концептов по источникам знаний (справочникам) с использованием логических операторов конъюнкции («И»), дизъюнкции («ИЛИ») и дополнения («НЕ»).

Создание инструментов анализа информации осуществлялось на основе реляционного и графового представления метатезауруса UMLS. В процессе разработки использованы современные системы управления базами данных (СУБД): колоночная СУБД ClickHouse, объект-но-реляционная СУБД PostgreSQL и графовая СУБД Neo4j. Реализация интерфейсных решений и интеграция процессов взаимодействия с перечисленными СУБД проводились с применением программных платформ Django и Flask, а также специальных аналитических библиотек языка программирования Python 3.10. Для адаптации терминологии UMLS на русский язык использовались справочники Федерального реестра нормативно-справочной информации Минздрава России [29]. Для получения дополнительных прямых связей между концептами метатезауруса задействовался репозиторий семантических предикатов SemMedDB (Semantic Medline Database) — троек «субъект–предикат–объект», извлеченных из набора абстрактов библиотеки PubMed [30]. Для тех же целей были развернуты семантические анализаторы SemRep (Semantic Repository) и MetaMap, разработанные Нацио-нальной библиотекой США и находящиеся в открытом доступе [31], с помощью которых обрабатывались данные реальной клинической практики (dataset MIMIC-IV, содержащий более 330 тыс. электронных медицинских документов, каждый из которых имеет связь с кодами МКБ-9 и МКБ-10) [32]. С целью поиска методов семантического анализа, применимых для получения релевантных данных из UMLS, проведен обзор публикаций отечественных и зарубежных исследователей. Выделены три основные группы: 1) методы оценки лексической схожести сущностей (парное сравнение схожих участков наименований с использованием алгоритма локального выравнивания и определением степени близости между ними); 2) методы оценки связности сущностей в подграфе знаний с целью поиска семантически близких понятий из разных клинических областей и 3) методы оценки контекстной сочетаемости сущностей (анализ частоты совместной встречаемости с использованием их векторного представления) [25, 33–36].

Оценка потенциальной релевантности представленных в UMLS симптомов, синдромов, клинико-лабораторных находок осуществлялась по следующим нозологическим формам: ишемическая болезнь сердца (ИБС; I20–I25); острое нарушение мозгового кровообращения (ОНМК; I63, G45); желудочно-кишечное кровотечение (ЖКК; K92.2); рак молочной железы (РМЖ; C50); заболевания верхних и нижних дыхательных путей неопухолевого характера (аллергический ринит — J30; острые респираторные вирусные инфекции у взрослых – J00–J06, J20–J22; бронхиальная астма, хроническая обструктивная болезнь легких — J44; хронический бронхит — J40–J42; эмфизема — J43; внебольничная пневмония — J13–J16, J18); язвенная болезнь желудка (ЯБ желудка; K25) и двенадцатиперстной кишки (ЯБ ДПК; K26) с заболеваниями дифференциального ряда (хронический панкреатит — K86; рак желудка — C16; хронический холецистит — K81.1; хронический гастрит — K29.3, K29.4, K29.5). В качестве опорных критериев использовалась формализованная экспертным способом информация из утвержденных клинических рекомендаций (табл. 1) [37]. Выделенные из клинических рекомендаций фрагменты знаний анализировались на предмет качества представления медицинских терминов на русском языке, степени прямой связности искомых концептов в метатезаурусе, полноты смыслового покрытия предметной области, возможности построения базы медицинских знаний по данным клиническим группам.

 

Таблица 1. Перечень клинических рекомендаций для первичной валидации алгоритмов анализа графовой информационной модели UMLS

Наименование КР	ID	Год принятия
1. Аллергический ринит	КР2٦1	2020
2. Острый синусит	КР313	2021
3. Острые респираторные вирусные инфекции у взрослых	КР724	2021
4. Хронический тонзиллит	КР٦٨3	2021
5. Острый тонзиллит и фарингит	КР30٦	2021
6. Острый обструктивный ларингит и эпиглоттит	КР352	2021
7. Паратонзиллярный абсцесс	КР٦٦4	2021
8. Грипп у взрослых	Проект	2021
9. Бронхиальная астма	КР359	2021
10. Внебольничная пневмония у взрослых	КР٦54	2021
11. Хроническая обструктивная болезнь легких	КР٦03	2021
12. Хронический бронхит	КР٦55	2021
13. Эмфизема легких	КР٦5٦	2021
14. Идиопатический легочный фиброз	КР٦77	2021
15. Новая коронавирусная инфекция (COVID-19)	Врем. МР	2022
16. Стабильная ишемическая болезнь сердца	КР155	2020
17. Ишемический инсульт и транзиторная ишемическая атака у взрослых	КР171	2021
18. Гастрит и дуоденит	КР70٨	2021
19. Язвенная болезнь	КР277	2020
20. Хронический панкреатит	КР273	2020
21. Рак желудка	КР574	2020
22. Рак молочной железы	КР379	2021

Примечание. КР — клинические рекомендации.

 

Создание унифицированной национальной медицинской номенклатуры

Исследование возможности использования международного метатезауруса UMLS при создании унифицированной национальной медицинской номенклатуры

Был осуществлен анализ полноты покрытия концептами UMLS образов заболеваний, построенных на основе формализации клинических рекомендаций в части описания клинической картины, данных анамнеза и факторов риска развития заболеваний 22 групп нозологий (см. табл. 1), раздел клинических рекомендаций «Особенности кодирования заболевания», содержащий формулировки и коды МКБ-10, и подраздел «Жалобы и анамнез». Разработанный словарь включил 579 терминов. Сопоставление с концептами UMLS проводилось экспертно с использованием аналитических панелей и языка графовых запросов Cypher. Примеры сопоставления терминов клинических рекомендаций с концептами UMLS представлены в табл. 2.

 

Таблица 2. Соответствие терминов клинических рекомендаций концептам UMLS

Симптом из клинических рекомендаций	Код концепта UMLS (CUI)	Русскоязычный вариант концепта в UMLS
Боли в подложечной области	C0232493	Боль в эпигастрии
Тошнота	C0027497	Тошнота
Лихорадка	C0015967	Лихорадка
Общая слабость	C0746674	Общая мышечная слабость
Недомогание	C0231218	Недомогание
Мышечная боль	C0231528	Миалгия
Суставная боль	C0003862	Артралгия
Головная боль	C0018681	Головная боль
Кашель	C0010200	Кашель
Насморк	C1260880	Ринорея
Чихание	C0037383	Чихание

 

Практически все клинически значимые термины для постановки диагноза тем или иным образом были найдены. Большинство из них имеет аналогичное или полностью схожее наименование в UMLS (табл. 3). Концепты, которые имеют частичное совпадение (16%), специфичны. Например, для термина из клинических рекомендаций «усиление кашля в холодное время года» в UMLS были обнаружены концепты «усиление кашля» и «холодное время года». Точный вариант данной формулировки не найден. Причиной может быть специфичное отображение таких симптомов в англоязычной практике. Например, при эмфиземе наблюдается перкуторный коробочный звук, однако аналогичной формулировки в UMLS нет. В ходе детального изучения патологических перкуторных звуков в англоязычной литературе удалось установить, что при повышенной воздушности легочной ткани такой звук называется «Hyperresonance». Данный концепт успешно найден в метатезаурусе, а также обнаружена его связь с эмфиземой. Термины, которые не удалось сопоставить с концептами (9%), ожидаемо также присутствуют в UMLS. Однако ввиду наличия их сложного с медицинской точки зрения наименования, вероятно, иного звучания в англоязычной среде необходимы дополнительные, более глубокие знания предметной области. Трудности сопоставления концептов возникли также с именными клиническими признаками: правосторонний симптом Мюсси–Георгиевского, болезненность в зоне Губергрица–Скульского, симптом Тужилина и т.д.

 

Таблица 3. Оценка степени покрытия терминов из клинических рекомендаций в части симптомов и факторов риска заболеваний концептами UMLS

Аналитический показатель	Нозологическая форма
	ОНМК	РМЖ	ИБС	ЖКК	Заболевания дыхательных путей*	ЯБ**	Все
Всего терминов в клинических рекомендациях, n	132	27	16	23	209	172	579
Найдено концептов в UMLS, n (%) Из них:	108 (82)	20 (74)	16 (100)	21 (91)	209 (100)	150 (87)	524 (91)
с точным совпадением термина	95 (88)	13 (65)	10 (63)	21 (100)	167 (80)	123 (72)	429 (74)
с частичным совпадением термина	13 (12)	7 (35)	6 (37)	0	42 (20)	27 (16)	95 (16)
Связаны напрямую с нозологией (из найденных), n (%)	35 (32)	4 (20)	3(19)	11 (52)	36 (17)	0	89 (17)
Не найдено соответствующих концептов в UMLS, n (%)	24 (18)	7 (26)	0	2 (9)	0	22 (13)	55 (9)

* Неопухолевые заболевания верхних и нижних дыхательных путей (данные без пневмонии).

** Язвенная болезнь желудка и двенадцатиперстной кишки с заболеваниями дифференциального ряда.

Примечание. ОНМК — острое нарушение мозгового кровообращения; РМЖ — рак молочной железы; ИБС — ишемическая болезнь сердца; ЖКК — желудочно-кишечное кровотечение.

 

Важно отметить, что в метатезаурусе UMLS при контекстном поиске термина или его синонима для многих часто встречающихся медицинских понятий присутствует не один концепт. Так, термин «хрипы» может присутствовать и в семантической группе Т184 «Симптомы и признаки» — C0043144 («свистящее дыхание, хрипы»), и в семантической группе Т033 «Клинические находки» — C0035508 («хрипы при аускультации»), которая указывает на обнаружение признака в процессе медицинского осмотра пациента. Аналогичный пример можно привести с термином «анемия», который может иметь место в качестве клинического признака (Т033), профиля лабораторного исследования (Т059) и его результата, синдрома (Т047) — C0475143, C4554633, C2210818, C0002871. В подобных контекстах этот термин имеет несколько разное смысловое значение, и, соответственно, с ними будут связаны отличные медицинские термины. Таким образом, при работе с тезаурусом очень важно не только рассматривать совпадения по названию, но и всегда учитывать семантическую составляющую поиска. Различные варианты звучания термина также хорошо представлены в UMLS, их может быть до нескольких десятков вариантов. Здесь речь идет не о комбинаторике или морфемах, а именно о различных названиях одного и того же. Например, «насморк», «шмыгать носом», «повышенная носовая секреция», «выделения из носа» — варианты звучания одного и того же концепта с предпочтительным названием «ринорея» (C1260880).

Многие концепты имеют уточненные разновидности, важные для конкретного заболевания и, соответственно, его дифференциальной диагностики. Так, кашель (C0010200) в зависимости от наличия мокроты может быть продуктивный (C0239134) и непродуктивный (C0850149); от времени суток — утренний (C0240351) и ночной (C0231912); от условий — в покое (C0231914), при физической нагрузке (C0586750) и после еды (C0231916); по длительности — острый (C0742857), персистирующий (C0562483) и хронический (C0010201).

Таким образом, сопоставление терминов проводилось с учетом всех возможных особенностей. Результаты сопоставления, представленные в табл. 3, позволяют предположить, что метатезаурус UMLS может быть использован для создания унифицированной национальной терминологической базы (найдено более 90% искомых терминов). Однако процесс реализации данной задачи сопровождается рядом проблем, требующих разработки средств для их решения.

Первая проблема заключается в сложности поиска концептов с использованием автоматических алгоритмов анализа неструктурированных текстов из-за низкой доли русскоязычных понятий. Исследуемая версия UMLS содержит только 304 тыс. исходных русских переводов, что составляет 2,87% общего объема актуальных терминов (11,2 млн).

Вторая проблема состоит в наличии выраженной неравномерности структуры семантической сети UMLS. Число прямых связей между концептами, отражающее сложность структуры внутри исследуемой подобласти знаний, колеблется от 1 до 91 730. Подобная неоднородность структуры знаний приводит к смещению любых математических оценок при попытке анализа связности концептов и снижению релевантности получаемой информации при автоматизированной обработке. Это требует разработки специализированных взвешенных аналитических метрик, учитывающих плотность структуры связей вокруг исследуемого концепта.

Третья проблема связана с недостатком прямых связей между концептами-заболеваниями и концептами-симптомами (17%). Это порождает необходимость создания и реализации математических алгоритмов поиска непрямых путей между корневыми и концевыми узлами семантической сети. Данная закономерность согласуется с результатами проведенных ранее исследований [38]. Также возможным решением этой задачи может стать создание прямых связей на основе анализа медицинских текстов и данных реальной клинической практики.

Исходно говорилось о присутствии семантической организованности метатезауруса, однако из-за его масштабности, широкого охвата медицинских направлений, использования для составления словарей (созданных разными разработчиками) в UMLS присутствует масса неточностей и ошибок, в том числе существенных для автоматизации процесса поиска информации. Это говорит еще об одной проблеме и необходимости реализации собственных аналитических решений путем добавления атрибутов и связей.

Вопросы переводов и пути их решения

Первоначально все не представленные на русском языке понятия метатезауруса были переведены при помощи нейросети-трансформера. Результаты показали, что встречалось довольно много грубых ошибок, искажающих смысл термина или некорректно звучащих (табл. 4). Далее были предприняты пробные попытки перевода части понятий при помощи популярных онлайн-переводчиков, таких как Google Translate, Yandex Translate и PROMT. Результат показал, что медицинская лексика является крайне сложной для полной автоматизации процесса и на текущий момент ни один из перечисленных переводчиков не показал удовлетворительное качество. Эта проблема связана с такими особенностями медицинских терминов, как метонимия, терминологическая изменчивость и синонимия, распространенность применения англицизмов и латинизмов, эпонимов, многообразие вариантов сокращений и аббревиатур, различия в организации системы здравоохранения в разных странах [39].

 

Таблица 4. Примеры некорректных переводов нейросети

CUI	Исходная формулировка	Перевод нейросети	Корректный перевод
C5192202	Tingling pain	Тиннинг боли	Ощущение покалывания / Парестезия
C0001125	Lactic acidosis	Молочная ацидоза	Лактатацидоз / Молочнокислый ацидоз
C5235233	Pigmentary iris degeneration	Пигментная дегенерация ириса	Пигментная дегенерация сетчатки
C5574737	Hand–Schueller–Christian syndrome	Христианский синдром Рук–Шуллера	Болезнь Хенда–Шюллера–Крисчена
C0578896	Osler’s node of hand	Узел руки Ослера	Узелок Ослера на руке

 

Одним из возможных в настоящее время решений пока остается создание технической версии автоматического перевода, которую далее необходимо уточнять экспертно для групп наиболее клинически значимых терминов (семантические группы концептов «Симптомы и признаки», «Клинические находки», «Заболевания и синдромы»). На данный момент именно таким образом уточнено более 191 тыс. понятий.

Другой важный способ расширения русскоязычной локализации UMLS — сопоставление справочников или отдельных терминов, содержащихся в метатезаурусе, с русскоязычными словарями, представленными в ФР НСИ Минздрава России. Таким образом был полностью мапирован справочник международной классификации болезней МКБ 10-го пересмотра с его английской версией UMLS, что позволило уточнить 16 095 концептов русскоязычных формулировок. Также ряд справочников портала ФР НСИ (табл. 5) содержит в качестве атрибута уникальные идентификаторы таких известных международных тезаурусов, как SNOMED CT, LOINC, RadLex, которые входят в состав UMLS. Это позволяет обоснованно использовать экспертную формулировку из отечественного справочника применительно к концепту из метатезауруса UMLS, имеющему аналогичные атрибуты. На данный момент из Федеральных справочников лабораторных исследований удалось соотнести 6096 (32%) понятий, которые имеют кодировку LOINC; из Федерального справочника инструментальных и диагностических исследований (ФСИДИ) — 476 (28%) понятий, имеющих кодировку LOINC; из справочника анатомических локализаций — 1114 (90%) понятий, имеющих кодировку в SNOMED CT. Следует отметить, что Федеральные справочники лабораторных и диагностических исследований составлены с участием соответствующих экспертных сообществ и покрывают практически весь перечень лабораторных и инструментальных диагностических исследований нашей страны. Потенциальную возможность для сопоставления терминологии имеют следующие справочники: Параметры клинических шкал и опросников (OID 1.2.643.5.1.13.13.11.1515), Международная классификация болезней — Онкология (3-е изд.), Морфологические коды (OID 1.2.643.5.1.13.13.11.1486), Единицы измерения (OID 1.2.643.5.1.13.13.11.1358), Иммунобиологические лекарственные препараты (OID 1.2.643.5.1.13.13.11.1078), Действующие вещества лекарственных препаратов (OID 1.2.643.5.1.13.13.11.1367) и многие другие.

 

Таблица 5. Перечень мапированных с терминами UMLS справочников Федерального реестра нормативно-справочной информации

Название	Версия	OID (уникальный идентификатор)
1. Федеральный справочник лабораторных исследований. Справочник лабораторных тестов	3.42	1.2.643.5.1.13.13.11.1080
2. Федеральный справочник лабораторных исследований. Профили лабораторных исследований	3.36	1.2.643.5.1.13.13.11.1437
3. Федеральный справочник инструментальных диагностических исследований	2.34	1.2.643.5.1.13.13.11.1471
4. Анатомические локализации	4.10	1.2.643.5.1.13.13.11.1477
5. Выявленные патологии	2.17	1.2.643.5.1.13.13.11.1473
6. Тип патологии	1.1	1.2.643.5.1.13.13.99.2.840

 

Таким образом удалось добавить в метатезаурус UMLS более 215 тыс. экспертно верифицированных переводов, что вместе с исходно русскоязычными понятиями покрывает большую часть используемой медицинской терминологии в области описания заболеваний и их признаков. Как будет показано далее, оценка клинической значимости концептов метатезауруса дает примерно 1,5 млн потенциально применимых уникальных терминов. Планируется добавление новых экспертных переводов и сопоставление с новыми справочниками. Не исключено, что работа с отечественными справочниками и другими источниками данных приведет к необходимости добавления в метатезаурус новых терминов и связей.

Анализ закономерностей (паттернов) организации метатезауруса для построения базы медицинских знаний

Получение релевантных данных из метатезауруса UMLS на первом шаге было апробировано путем использования исходных закономерностей в семантической организации терминов и связей. Все термины объединены в тематические группы в соответствии с иерархическим принципом организации (рис. 1).

 

Рис. 1. Организация тематических групп терминов в UMLS

 

Также имеет значение принцип организации связей между концептами (табл. 6). Они объединены в 11 групп и свыше 980 их подтипов.

 

Таблица 6. Описание связей UMLS

Класс связей	Группа	Смысловой перевод	Структура группы
Синонимичные	SY (Synonymous relationships)	Синонимичные связи	Содержит 17 подтипов. Например: same_as
Иерархические	CHD (Child relationships)	Связь с уточненным (дочерним) термином	Содержит ٦ подтипов. Например: isa, part_of
	PAR (Parent relationships)	Связь с обобщающим (родительским) термином	Содержит 6 подтипов. Например: inverse_isa, has_part
	RB (Broader relationships)	Связь с более широким по смыслу термином	Содержит 15 подтипов. Например: inverse_isa, has_part
	RN (Narrower relationships)	Связь с более узким по смыслу термином	Содержит 15 подтипов. Например: isa, part_of
	SIB (Sibling relationships)	Связанные концепты имеют общий родительский термин (концепт более высокого класса) внутри одного справочника	Содержит 4 подтипа. Например: sib_in_isa, sib_in_part_of
Ассоциативные	AQ (Allowed qualifier)	Качественное уточнение	Содержит 3 подтипа. Например: actual_outcome_of, expected_outcome_of, modifies
	QB (Qualified by)	Качественное обобщение	Содержит 3 подтипа. Например:has_actual_outcome, has_expected_outcome, modified_by
	RO (Other relationships)	Другие связи, отличные от синонимичных и иерархических	Содержит 919 подтипов. Например: component_of, consists_of
	RL (Relationships as «like»)	Связь с аналогичным или подобным термином	Содержит 2 подтипа. Например: mapped_from, mapped_to
	RQ (Related and possibly synonymous relationships)	Связанные и возможно синонимичные концепты	Содержит 32 подтипа. Например: associated_with

 

Метатезаурус представляет собой ориентированный граф, т.е. связи в нем имеют направленность. Выделяют симметричные связи (SY, SIB, RO, RL и RQ), когда одна и та же связь между концептами присутствует в прямом и обратном отношениях, обратные (CHD и PAR, RB и RN, AQ и QB), когда в одном направлении пара концептов связана противоположными по смыслу отношениями, и однородные (PAR и RB, CHD и RN) отношения (рис. 2).

 

Рис. 2. Примеры симметричной (А), обратной (Б) и однородной (В) связей

 

Выявление паттернов по семантическим типам терминов и связей при составлении образа нозологии в части определения предварительного диагноза осуществлялось на примере язвенной болезни желудка, двенадцатиперстной кишки и их дифференциального ряда (рис. 3), а также заболеваний верхних дыхательных путей с использованием соответствующих клинических рекомендаций. Для получения результата применялись аналитические панели и язык запросов Cypher к графовой БД.

 

Рис. 3. Фрагмент графического представления симптоматического «образа» язвенной болезни и хронического панкреатита

 

Выявлены следующие закономерности: корневой термин (нозологический концепт) относится к семантической группе терминов Т047 «Заболевания или синдромы», концевой концепт (симптом, синдром, симптомокомплекс, фактор риска, анамнестический признак) — к группе Т184 «Симптомы и признаки» или Т033 «Клинические находки». Все искомые концевые концепты были найдены максимум через два промежуточных узла. В качестве промежуточных узлов могли выступать концепты из практически любых семантических типов группы «Disorders – Клинические нарушения», однако преимущественно — уже описанные ранее Т047, Т184, Т033 и Т046 «Патологические функции», а также Т022 «Анатомические и функциональные системы», Т023 «Части тела, органы или части органов» из группы «Anatomy – Анатомия». Наименьшее количество связей между искомыми концептами составляли прямые. В подавляющем большинстве это была связь RQ (с подтипом clinically_associated_with). Связи через один и два промежуточных узла также имели закономерности. Если промежуточный концепт принадлежал семантическому типу «Симптомы и признаки», то концевой термин связан с ним по типу CHD или RN. Если промежуточные концепты были из групп Т022, Т023, то в основном это была связь RO (с подтипом finding_site_of). Обобщая результат по частоте встречаемости связей, можно сказать: связь RO встретилась в 52% случаев, CHD или RN — в 26%, RQ — в 21%, все остальные связи составили только 1%.

Аналогично были проанализированы закономерности в отношении инструментальной и лабораторной диагностики, рекомендуемой при выбранных патологиях. На рис. 4 видно, что результат инструментального исследования (термин чаще всего принадлежит семантическому типу T033) может быть напрямую связан через связь RN. При ее отсутствии самый оптимальный путь в графе проходит через промежуточный концепт, относящийся к типу с идентификатором T023.

 

Рис. 4. Закономерности при анализе графа в отношении инструментальной диагностики заболеваний (T060 «Диагностические процедуры»)

 

На рис. 5 показано, что если в основе метода лабораторного исследования лежит определение возбудителя (например, Helicobacter pylori при язвенной болезни), то промежуточный концепт относится к семантическому типу T007 «Бактерии». В других ситуациях в качестве связующего звена выступает термин, характеризующий системы организма (T022).

 

Рис. 5. Закономерности при анализе графа в отношении лабораторной диагностики заболеваний

Примечание. T007 — «Бактерии»; T022 — «Анатомические и функциональные системы»; T033 — «Клинические находки»; T034 — «Результаты лабораторных тестов»; T047 — «Заболевания или синдромы»; T059 — «Лабораторные процедуры»; T0٦0 — «Диагностические процедуры».

 

Проделанная работа по анализу метатезауруса и поиску закономерностей его организации крайне ресурсозатратна, трудоемка и потребовала большого количества времени. Однако была необходима как непременное условие для поиска способов автоматизированного получения требуемых данных из UMLS.

Автоматизация получения релевантной информации из метатезауруса

Для воспроизведения релевантной информации из UMLS автоматизированным способом с помощью запросов к графовой БД использование только описанных выше закономерностей организации метатезауруса по семантическим принципам оказалось недостаточным. В выгрузке присутствовали далеко не все значимые концепты предметной области, при этом попадало огромное количество не имеющих отношения к искомой задаче концептов. Осуществлен поиск дополнительных подходов для автоматической выгрузки клинически значимых терминов.

На основе данных литературы, модификации и адаптации существующих алгоритмов семантического анализа были разработаны методы, которые учитывают способы организации метатезауруса как графовой информационной модели, основанные не только на конструкции онтологического древа (смысловые связи), но и на семантической близости терминов, заключенных в ее узлах:

• метод поиска кратчайшего пути, который позволяет найти оптимальный путь, связывающий корневой и концевой концепты и дает возможность определить связи, группы связей и концептов, вносящие наибольший вклад в построение подграфа (рис. 6) [40, 41];
• методы поиска релевантного окружения, базирующиеся на оценке связности концептов в графе и оценке их контекстной сочетаемости [42].

 

Рис. 6. Варианты графовых путей с включением корневого, концевого и промежуточных концептов UMLS

 

Группа методов для оценки связности концептов подразумевает расчет графовых метрик для ранжирования узлов по степени их значимости в контексте решаемой поисковой задачи на основании числа геометрических контуров (семантических треугольников или ромбов) в извлекаемом подграфе для каждого узла (рис. 7).

 

Рис. 7. Графовые контуры в окружении корневого концепта

 

Методы оценки контекстной сочетаемости предполагают анализ частоты совместной встречаемости семантических единиц с использованием их векторного представления. В качестве меры близости терминов используются угловое расстояние и последующее ранжирование концептов по возрастанию (рис. 8).

 

Рис. 8. Схема оценки углового расстояния между концептами

 

Полученные модели легли в основу аналитической системы с пользовательским интерфейсом¹, работа с которой предлагает настройки для автоматического формирования комплекса запросов к СУБД Neo4j, в которой разворачивается семантическая сеть UMLS, с использованием языка программирования Cypher.

Входными параметрами являются такие значения, как глубина графового поиска, идентификаторы корневых и концевых концептов, их тематические группы, типы и атрибуты связей, выходными данными — перечень путей с указанием всех необходимых атрибутов для анализа кратчайшего пути и перечень узлов с указанием значений метрик ранжирования для оценки релевантного окружения. Также предусмотрено формирование частотного среза по типам встречающихся связей (и их атрибутов) в путях.

Верификация работы полученных модулей осуществлялась с использованием представленных выше клинических рекомендаций (см. табл. 2), раздел «Жалобы и анамнез». В «карту симптомов» вошло 579 уникальных формулировок (симптом, синдром, фактор риска, условия появления). Коды заболеваний по МКБ-10 выбирались из раздела клинических рекомендаций 1.4 «Особенности кодирования заболевания или состояния (группы заболеваний или состояний) по Международной статистической классификации болезней и проблем, связанных со здоровьем». Для поиска закономерностей проведено ранжирование типов связей и тематических групп терминов по частоте их встречаемости на каждом уровне. Установлено, что свыше 95% промежуточных и концевых симптоматических концептов относится к следующим группам терминов: Т184 «Симптомы и признаки», Т033 «Клинические находки», Т046 «Патологические функции», Т047 «Заболевания или синдромы». Выделены наиболее часто встречающиеся в графовых цепях типы связей: SIB — «концепты из одного справочника с общим родительским термином»; пары PAR–CHD и RB–RN — «иерархические связи»; RO — отношения, отличные от синонимичных и иерархических; AQ–QB — уточняющие связи (табл. 7).

 

Таблица 7. Структура прямых и непрямых связей между корневыми нозологиями и концептами-симптомами

	Нозологическая форма
	ОНМК	РМЖ	ИБС	ЖКК	Заболевания дыхательных путей*	ЯБ**	Все
Всего связей, n Из них:	237	26	33	40	849	1164	2349
RO, n (%)	34 (14)	5 (19)	5 (15)	2 (5)	201 (24)	683 (59)	930 (40)
SIB, n (%)	65 (27)	8 (31)	3 (9)	14 (35)	379 (45)	—	469 (20)
CHD, RN, n (%)	14 (6)	6 (23)	12 (36)	7 (18)	89 (10)	275 (24)	403 (17)
RQ, n (%)	39 (16)	7 (27)	10 (30)	10 (25)	57 (7)	101 (9)	224 (10)
PAR, RB, n (%)	76 (32)	0 (0)	1 (3)	7 (18)	60 (7)	—	144 (6)
Другие, n (%)	9 (4)	0 (0)	2 (6)	0 (0)	63 (7)	105 (9)	179 (8)

*Неопухолевые заболевания верхних и нижних дыхательных путей (данные без пневмонии).

**Язвенная болезнь желудка и двенадцатиперстной кишки с заболеваниями дифференциального ряда.

Примечание. ОНМК — острое нарушение мозгового кровообращения; РМЖ — рак молочной железы; ИБС — ишемическая болезнь сердца; ЖКК — желудочно-кишечное кровотечение.

 

Полученные метрики автоматизированной работы с графовой моделью данных дают сопоставимый с ручным анализом результат (см. рис. 4) по группам концептов, наиболее часто встречающимся связям при поиске симптомов, анамнестическим признакам и факторам риска заболеваний. Данный факт позволяет сформировать пул оптимальных настроек для автоматизированного получения образа заболеваний при решении информационно-поисковых задач и задач поддержки принятия клинических решений.

Дальнейшая апробация всех полученных как ручным способом, так и с помощью программных модулей закономерностей продемонстрировала точность выдачи релевантных данных около 70%. То есть треть всех характерных для конкретных заболеваний симптомов/синдромов, анамнестических признаков, факторов риска аналитическая система не выбирает при условии, что только 9% потенциально не удается найти в метатезаурусе. Также в выгрузки попадает множество концептов, не относящихся к искомой задаче, но искажающих результаты поиска каждого последующего уровня. Анализ показал, что из-за последней причины глубина рассматриваемого подграфа не должна превышать двух вложенных уровней, иначе доля полезной информации будет теряться в объеме несущественной.

В связи с этим возникает необходимость рассматривать дополнительные способы увеличения точности. Ожидаемо, что наиболее существенный вклад внесет наложение прямых связей, которые можно получить при обработке медицинской литературы и данных клинической практики. Как уже говорилось ранее (см. табл. 3), исходно только 17% симптоматических терминов связано напрямую с нозологией.

Использование прямых связей между концептами UMLS, полученными на 28 млн абстрактов публикаций PubMed, предоставленных в открытом доступе Нацио-нальной медицинской библиотекой США (SemMed), не позволило кардинально улучшить результат, а привело к значительному увеличению объема обрабатываемой информации (20 млн дополнительных связей) и, соответственно, времени выполнения запросов. Это может быть связано с тем, что в медицинских статьях довольно редко приводится полноценное описание картины заболеваний с перечнем всех важных признаков, а в основном представлены результаты научных исследований по какому-либо направлению.

Получение прямых связей на основе данных реальной клинической практики в части описания клинической картины заболеваний возможно при обработке неструктурированной медицинской информации. Полноценных больших наборов российских медицинских данных в открытом доступе пока не найдено. Для этих целей использован dataset MIMIC-IV из хранилища свободно доступных данных медицинских исследований, которым управляет лаборатория вычислительной физиологии Массачусетского технологического института (PhysioNet), на английском языке, содержащий 330 тыс. электронных деперсонифицированных медицинских документов, каждый из которых имеет связь с кодом МКБ-10. Семантический анализ (выделение концептов, их отнесение к классу заболеваний и разделу оказания медицинской помощи) проводился с использованием инструментов SemRep и MetaMap. Семантический анализатор SemRep, который позволяет извлекать из текстов триплеты (два концепта и связь между ними) на основе UMLS, ощутимо не улучшил качество выгрузки «клиническая картина — диагноз». Использование настроек и их сочетаний для семантического анализатора MetaMap позволяет выделять из текста электронных медицинских карт пациентов необходимые концепты, каждый из которых получает привязку к нозологии, таким образом формируя клинический «образ» заболевания. MIMIC-IV также дает возможность учитывать клиническую направленность выделяемых терминов (симптомы, анамнез, диагностика, лечение, риск развития и т.д.). В настоящее время на серверных мощностях РНИМУ им. Н.И. Пирогова завершена обработка dataset MIMIC-IV с помощью MetaMap. Результаты апробируются.

Перспектива видится и в результатах анализа российских медицинских публикаций и данных электронных медицинских карт пациентов, работы над которыми ведутся в настоящее время.

Таким образом, использование адаптированных переводов UMLS, внедрение справочников ФР НСИ, добавление дополнительных прямых связей между концептами, полученных на основе данных реальной клинической практики, дают возможность составления унифицированной национальной медицинской номенклатуры терминов (УНМН), а дополнительное использование полученных метрик и закономерностей работы с УНМН как графа — реализовать онтологическую модель для получения автоматизированным способом клинического «образа» заболеваний на высоком качественном уровне.

Построение онтологической модели данных на основе национального метатезауруса

Онтологии отличаются от простых терминологий тем, что определяют отношения между понятиями таким образом, который допускает вычислительные логические взаимодействия, позволяя делать выводы из связанных утверждений [20].

Онтологический принцип организации данных предполагает возможность выбирать релевантную информацию автоматизированным способом. Закономерности семантической сети и графовые метрики являются шагом к построению онтологии. Однако точность, которую они позволяют достичь, недостаточна для решения задач на клиническом уровне (информационно-поисковых систем и СППКР). Повышение качества выгрузки информации возможно путем создания системы весовых коэффициентов для узлов и связей UMLS. Весовые коэффициенты позволяют ранжировать узлы графа по степени потенциальной значимости в контексте решаемых задач и в настоящее время представлены совокупностью валидированных аналитических разработок [43].

В первую очередь можно говорить о создании универсальной аналитической метрики для оценки связности узлов в извлекаемом подграфе. Одной из существенных проблем семантической сети UMLS является неравномерность прямых связей между концептами, приводящая к смещению любых математических оценок при попытке анализа связности концептов и снижению релевантности получаемой информации при автоматизированной обработке. Это требует необходимости создания специализированных взвешенных аналитических метрик, учитывающих плотность структуры связей вокруг исследуемого концепта. Указанная графовая метрика называется взвешенным коэффициентом кластеризации (ВКК) и обеспечивает учет количественной относительной меры плотности структуры связей и степень неоднородности последней. Расчет ВКК производится по формуле

ВКК_n=C_n ∙ R_n^–1,29,

где C_n — число геометрических контуров или незамкнутых путей, в образовании которых участвует узел n; R_n — число прямых связей между узлом n и любыми другими вершинами графа.

ВКК подразумевает расчет числа графовых контуров или суммы весов связей для каждого концепта из извлекаемого множества произвольного объема. Учет неоднородности структуры UMLS производится с использованием эмпирически выведенного закона, устанавливающего степенную зависимость между числом прямых связей и долей концептов UMLS с количеством прямых связей выше указанного. Ближайшим аналогом данной закономерности является закон Ципфа, используемый в компьютерной лингвистике для оценки семантических характеристик различных элементов текста [44].

С использованием ВКК было автоматически размечено свыше 300 тыс. клинически значимых концептов из семантической группы «Disorders — Клинические нарушения» метатезауруса по степени их принадлежности к профилям заболеваний. Для этого для каждого исследуемого концепта определялась его связность с концептами из справочников ICD-10 и ICD-10-CM, в свою очередь однозначно сопоставимыми с МКБ-10. На выходе получался ранжированный по данной метрике ряд. Точность разметки составила 91%, что позволило внедрить данный инструмент в прототип информационно-поисковой системы для автоматического определения наиболее вероятного класса заболеваний при составлении дифференциально-диагностического ряда произвольного клинического образа.

Следующий элемент системы весовых коэффициентов связан с оценкой клинической значимости концептов, которая определялась с использованием модели машинного обучения, анализирующей различные характеристики терминов из метатезауруса UMLS (тематическая группа, актуальность термина, предпочтительное название и др.). Значения метрик точности, чувствительности и специфичности логистической регрессионной модели составили соответственно 91, 90 и 91% для валидационной выборки [43]. При оценке клинической значимости концептов UMLS сделан вывод о том, что для описания заболеваний и их признаков потенциально применимо свыше 1,5 млн уникальных терминов. Важно отметить, что подобная разметка не только позволила сузить круг концептов для использования при поиске релевантной информации, но и обеспечила возможность создания перечня приоритетных справочников и групп терминов UMLS, требующих экспертного перевода и адаптации на русский язык.

Завершена работа по созданию алгоритма оценки относительной специфичности терминов UMLS. Данный алгоритм позволяет решить проблему, связанную с извлечением из текста неспецифичных (обобщающих) понятий, существенно ухудшающих результат поиска. Примерами таких понятий являются сущности «симптом», «признак», «заболевание», «пациент». В ходе исследования было установлено, что наилучшими прогностическими характеристиками для выявления относительно специфичных и относительно неспецифичных концептов обладают правила, основанные на сравнении общего числа прямых связей и числа связей «родитель–потомок». Важно отметить, что наиболее применимыми для UMLS являются правила, подразумевающие оценку общего числа прямых связей и среднюю длину иерархических цепей для атомарных формулировок концептов. Точность итогового алгоритма составила 99,1% при попарном сравнении концептов тестовой выборки. Допускается использование алгоритма только для ранжирования небольших наборов терминов UMLS, связанных прямыми ассоциативными связями.

Разработка информационно-поисковой системы

Основная цель любой информационно-поисковой системы (ИПС) заключается в том, чтобы удовлетворить информационную потребность пользователя, предоставив всю важную информацию и при этом не перегружая лишней. К ИПС предъявляется ряд требований, таких как полнота, достоверность и актуальность получаемой информации, высокая скорость и удобство поиска, возможность распознавания свободного текста.

Информационно-поисковая система — это совокупность алгоритмов, обеспечивающих выбор необходимой информации с помощью специальных баз данных. Описанная выше онтологическая модель метатезауруса может являться основой для реализации информационно-поисковых задач для врача, пациента, исследователя в медицине. Это возможность, с одной стороны, получить информацию из метатезауруса о диагнозах и их причинах, патогенезе и рисках возникновения, диагностических исследованиях и лечении и др., а с другой — создав алгоритмы разметки отечественной медицинской литературы по принципу библиотеки PubMed и систем семантического анализа медицинских текстов SemRep и MetaMap, иметь тематическую привязку к актуальным научным источникам знаний.

Важнейшей задачей при создании ИПС является необходимость обработки свободного текста пользователя с целью автоматического распознавания концептов метатезауруса и на их основании — поиска необходимой информации, например, дифференциального ряда заболеваний по выделенным симптомам, признакам, анамнестическим данным. В настоящее время создан прототип ИПС, в котором реализована задача симптомчекера. Упрощенный алгоритм его действий выглядит следующим образом.

Предварительно концепты из всех возможных для данной задачи тематических групп и их варианты звучания, присутствующие в словаре, подготовлены в виде нормализованных концептов-лемм. Для задачи симптомчекера это составило около 400 тыс. записей (без учета перестановки слов). Вводимый в ИПС текст подвергается сегментации, токенизации и лемматизации. В случае обнаружения во вводимом тексте совпадения с нормализованной леммой из метатезауруса ему присваивается максимальный ранг. Если лемма вводимого текста является подстрокой леммы нормализованного, то термину присваивается более низкий ранг. Все концепты, имеющие максимальный ранг, выводятся пользователю как «выбранные симптомы», остальные предлагаются в качестве возможных (рис. 9). Также подбираются концепты, тесно связанные с выбранными симптомами, полученные на основе рассчитанных весовых коэффициентов. Из общего перечня удаляются неспецифичные (обобщенные) концепты. Пользователь может скорректировать полученный симптоматический образ, перенеся признак из списка возможных в список выбранных. Поиск диагностического ряда осуществляется на основании суммирования и ранжирования всех используемых метрик каждого выбранного концепта.

 

Рис. 9. Фрагмент веб-интерфейса рабочего варианта прототипа информационно-поисковой системы

 

Разработка базы медицинских знаний

Все описанные подходы, а также получение прямых связей на данных реальной клинической практики позволяют автоматизированным способом извлекать максимально возможную информацию из онтологического представления метатезауруса. Предварительные результаты говорят приблизительно о 80–90%-й точности данных, что все же недостаточно для создания основанных на знаниях интеллектуальных систем и требует разработки полноценных баз знаний для каждой клинической области, а также учета коморбидности. Необходимо привлечение экспертов, использование медицинской литературы, результатов математического анализа больших данных, накопленных в медицине, а также проектирование архитектуры для их построения. Крайне важен тот факт, что в основе должна лежать единая унифицированная медицинская терминология, организованная по онтологическому принципу. С точки зрения организации база знаний представляет собой надстройку национальной медицинской номенклатуры для каждого разрабатываемого клинического направления, содержащую в качестве атрибутов информацию о концептах и их связях на основе исходных закономерностей метатезауруса, графовых метрик, весовых коэффициентов, полученных из верифицированных источников информации и/или экспертных знаний, триггерных событий и других необходимых для работы решателя моментов.

Подход к построению прототипа экспертной системы описанным способом был апробирован на примере язвенной болезни и ее дифференциального ряда (хронический гастрит, хронические панкреатит, хронический холецистит, рак желудка). Автоматизированным способом из метатезауруса извлечен 71% необходимых жалоб, анамнестических данных и факторов риска для исследуемых нозологий. Для этого в СУБД PostgreSQL сформирована таблица, содержащая уникальные коды связанных между собой концептов, типы связи между ними, силу связи между нозологическим концептом и признаком заболевания. Оставшиеся признаки после перевода полученных структур в графовую модель были размечены вручную с использованием языка запросов Cypher (добавлены концепты и связаны прямой связью с нозологиями).

В связи с тем, что данный этап разработки был начальным подходом, сила связи определялась без привлечения экспертов на основе верифицированных источников информации (клинические рекомендации, медицинская литература). Все термины были разделены на четыре группы по убыванию значимости (ведущий, характерный, возможный, редко встречающийся) в отношении постановки диагноза для каждой исследуемой нозологии, где первая группа характеризует ведущие симптомы, получившие силу связи 0,8, а четвертая — наименее важные для диагностики признаки (0,2). Сумма весовых коэффициентов всех введенных жалоб, анамнестических признаков и имеющихся факторов риска позволяет сформировать ранжированный список заболеваний. Предварительная проверка алгоритма на историях болезни, которые используются в качестве учебных материалов на кафедре факультетской терапии РНИМУ им. Н.И. Пирогова и соответствуют необходимым нозологиям, продемонстрировала его потенциальную применимость. Только в одном из семи случаев верный диагноз попал на 3-е место, в остальных случаях занимал 1-е место в ранжированном списке заболеваний. В одной из рассматриваемых ситуаций у пациента имелись два состояния в качестве диагноза (хронический холецистит и хронический панкреатит), обе нозологии были выведены на 1-е и 2-е место.

Понятно, что продемонстрированный результат имеет исключительно поисковый характер, требующий серьезной доработки как в техническом направлении (разработка архитектуры системы, интерфейса эксперта, разработчика базы знаний, пользователя), так и предметной части (экспертная верификация, пороговые величины для принятия решений, диалог с пользователем, проверка на реальных клинических данных и др.). Однако данная работа позволила оценить перспективы построения базы знаний на основе онтологического представления УНМН, спроектировать архитектуру системы для разработки алгоритмов принятия клинических решений, основанных на знаниях.

Заключение

Таким образом, в ходе настоящего исследования на основе метатезауруса UMLS с использованием экспертных переводов, федеральных медицинских справочников, прямых связей, полученных на абстрактах статей и реальных клинических данных, создана первая версия унифицированной национальной медицинской номенклатуры. Необходимо ее дальнейшее пошаговое развитие.

Одним из параллельных результатов, которые можно получить в данном направлении, является разработка новых национальных словарей, например группы справочников, имеющих отношение к симптомам и клиническим находкам (синонимы, характер, сезонность, периодичность, условия возникновения, распространенность, источники и методы получения и др.), которые могут быть использованы в медицинской информационной системе для формализации ведения медицинских документов и однозначно мапированы с УНМН.

Показано, что онтологические модели знаний являются эффективным способом представления формализованной и структурированной информации в медицине. Преобразование знаний в графовые информационные модели позволяет на их основе создавать компоненты информационно-поисковых систем. Формируемые с применением соответствующих метрик подграфы семантической сети, добавление к узлам и связям рангов и коэффициентов значимости (полученных как математическим, так и экспертным путем) дают возможность создать образ заболевания (базу знаний) и подойти к задаче разработки систем поддержки принятия клинических решений.

Разработаны аналитические инструменты для работы с метатезаурусом, реализующие низкоуровневые запросы к графовой модели. К перспективам исследовательских задач в этой части необходимо отнести создание метрик ранжирования узлов и связей на основе данных реальной клинической практики, а также модификацию и оптимизацию алгоритмов извлечения именованных сущностей из неструктурированных текстов.

В качестве перспективных проектных задач, в основе которых лежит УНМН, следует назвать необходимость создания полноценных информационно-поисковых систем, рассчитанных на пользователя — врача, пациента и исследователя в медицине, а также системы для разработки СППКР, в которой будут реализованы автоматизированные рабочие места эксперта и инженера по знаниям.

Дополнительная информация

Источник финансирования. Настоящее исследование финансируется из средств Программы стратегического академического лидерства «Приоритет–2030». Номер субсидии 075-15-2021-1325 (от 30 сентября 2021 г.).

Конфликт интересов. Авторы данной статьи подтвердили отсутствие конфликта интересов, о котором необходимо сообщить.

Участие авторов. Т.В. Зарубина — идеология построения исследования, общее руководство, разработка концепции статьи, редактирование текста; С.Е. Раузина — руководство направлениями исследования, постановка задач, контроль выполнения, анализ результатов, написание основного текста статьи; П.А. Астанин — проведение исследовательских работ, создание аналитических метрик, разработка программного обеспечения, реализация запросов к базе данных, анализ результатов, оформление статьи, перевод на английский язык; Ю.И. Королева — руководство направлениями исследования, постановка задач, контроль выполнения, анализ результатов, оформление статьи; Л.В. Ронжин — проведение исследовательских работ, создание аналитических метрик, разработка программного обеспечения, реализация запросов к базе данных, анализ результатов, оформление статьи, перевод на английский язык; А.А. Борисов — проведение исследовательских работ, создание аналитических метрик, разработка программного обеспечения, реализация запросов к базе данных, анализ результатов, оформление статьи, перевод на английский язык; М.А. Афанасьева — участие в проведении исследования, подготовка таблиц и рисунков; А.В. Усова — участие в проведении исследования, подготовка таблиц и рисунков. Все авторы статьи внесли существенный вклад в поисково-аналитическую работу, прочли и одобрили окончательную версию рукописи перед публикацией.

Выражение признательности. Выражаем слова благодарности всем сотрудникам кафедры медицинской кибернетики и информатики им. С.А. Гаспаряна и Института цифровой трансформации медицины РНИМУ им. Н.И. Пирогова, принявшим участие в проведении данного исследования.

Свидетельства о регистрации программы для ЭВМ № 2022684714 от 16.12.2022 и № 2022684715 от 16.12.2022.

Об авторах

Татьяна В. Зарубина

Институт цифровой трансформации медицины Российского национального исследовательского медицинского университет имени Н.И. Пирогова

Автор, ответственный за переписку.
Email: t_zarubina@mail.ru
ORCID iD: 0000-0002-4403-8049
SPIN-код: 4354-3290

д.м.н., профессор, член-корреспондент РАН

Россия, Москва

Светлана Е. Раузина

Институт цифровой трансформации медицины Российского национального исследовательского медицинского университет имени Н.И. Пирогова

Email: rauzina@mail.ru
ORCID iD: 0000-0002-9535-2847
SPIN-код: 1164-3516

к.м.н., доцент 

Россия, Москва

Павел А. Астанин

Институт цифровой трансформации медицины Российского национального исследовательского медицинского университет имени Н.И. Пирогова

Email: med_cyber@mail.ru
ORCID iD: 0000-0002-1854-8686
SPIN-код: 2658-1189

аспирант

Россия, Москва

Юлия И. Королева

Институт цифровой трансформации медицины Российского национального исследовательского медицинского университет имени Н.И. Пирогова

Email: koroleva_iui@rsmu.ru
ORCID iD: 0000-0003-3560-312X
SPIN-код: 4950-1854

к.м.н., доцент

Россия, Москва

Лев В. Ронжин

Институт цифровой трансформации медицины Российского национального исследовательского медицинского университет имени Н.И. Пирогова

Email: izopropylbenzol@gmail.com
ORCID iD: 0000-0002-4653-1611
SPIN-код: 5502-6792

аналитик

Россия, Москва

Александр А. Борисов

Институт цифровой трансформации медицины Российского национального исследовательского медицинского университет имени Н.И. Пирогова

Email: aleksandrborisov10650@gmail.com
ORCID iD: 0000-0003-4036-5883
SPIN-код: 4294-4736

аналитик

Россия, Москва

Мария А. Афанасьева

Институт цифровой трансформации медицины Российского национального исследовательского медицинского университет имени Н.И. Пирогова

Email: usovanastasija@gmail.com
ORCID iD: 0009-0002-2680-6291
Россия, Москва

Анастасия В. Усова

Институт цифровой трансформации медицины Российского национального исследовательского медицинского университет имени Н.И. Пирогова

Email: usovanastasija@gmail.com
ORCID iD: 0009-0001-0625-1105
SPIN-код: 9109-8782
Россия, Москва

Список литературы

Дополнительные файлы