Big Data Patients and New Requirements for Clinical Systems

BIGDATA пациенты в ЕГИС

Александр Прозоров, #mHealthLab Лаборатория специальной медицинской техники МФТИ

О новых функциональных требованиях, предъявляемых к ЕГИС в связи с использованием BIGDATA пациентов

1

ЦЖС МФТИ ИМБП РАН

Новейшая история #BIGDATA Направление семантической эволюции мема

2


#mHealthLab

Семантика #BIGDATA – 2 года назад

#mHealthLab

Основные смыслы мема #BIGDATA: •  Тип архитектуры ИТ-систем, позволяющий решать задачи по обработке и хранению огромных объёмов данных (уровень – десятки и более Петабайт)

•  Название нового поколения аналитических систем, которое позволяет решать вычислительные задачи на основе различных инструментов ИИ, оперируя на больших объёмах данных в очень сжатые сроки

•  Множество подходов к решению задач при помощи определенного ИИ-инструментария на больших объёмах данных

•  Междометие, которое используют люди, когда не знают о чём говорить, но при этом хотят выглядеть умнее

#mHealthLab

#BIGDATA – это прикладное направление ИИ, ориентированное на практическое решение следующих классов задач: •  Распознавание паттернов (Pattern Recognition)

•  Примеры: выявление эпизодов аритмии в ЭКГ, определение опухолей по снимкам МРТ, распознавание негативных эмоций по голосу и пр.

•  Извлечение информации (Information Extraction)

•  Примеры: распознавание имен врачей в отчетах, выделение терминологии в произвольном тексте, автореферирование научных статей и пр.

•  Интеллектуальный анализ данных (Data Mining)

•  Примеры: диагностика риска развития диабета по частым посещениям уборной в ночное время, выявление причин повышения веса из-за сбоев режима сна, выявление ошибок врачей в дозировке препаратов на основе зарегистрированных реакций организма и пр.

Семантика #BIGDATA – сегодня

Для решения указанных классов задач все более интенсивно применяются подходы и инструменты машинного обучения (Machine Learning), включая сверхпопулярный на сегодня мем «глубинное обучение» (Deep Learning)

Что такое BIGDATA пациент? При каких условиях пациент считается BIGDATA?

5


#mHealthLab

Кто является BIGDATA пациентом?

6 #mHealthLab

BIGDATA пациент – это пациент, у которого выполняются два условия:

•  Определён инструментальный контекст здоровья (ИКЗ)

•  Ведется фактическая история наблюдений за пациентом на основе инструментального контекста здоровья, позволяющая сделать надёжные выводы о его текущем состоянии

Инструментальный контекст здоровья

7 #mHealthLab

•  Здоровье пациента формализуется в виде системы показателей состояния здоровья и индивидуальных норм значений этих показателей

•  Нормы определяют коридоры допустимых значений показателей и недопустимые поведенческие паттерны показателей

•  Показатели интерпретируются в зависимости от условий, в которых находится наблюдаемый пациент. По этому система показателей включает также показатели внешних условий (положение тела, геопозиция, интенсивность движений)

•  При выходе показателей за пределы коридоров или регистрации поведенческих паттернов, возникают алармы, определяющие статус пациента (интегральный показатель)

Пример структуры ИКЗ пациента ОАРИТ (схематично)

#mHealthLab 8

Дискретные показатели

Нормы показателей

Алармы

Сигналы (кривые)

Алармы

Статус (по системам организма)

Тренды

Статус пациента

Паттерны патологий

Тревожные события

Начальник ОАРИТ

Дежурный врач

Дежурный медперсонал

Пациент

Актуальные направления По каким направлениям ожидать массового появления BIGDATA пациентов?

9


#mHealthLab

Появление BIGDATA пациентов – где?

Клиника •  Операционные – ОАРИТ

•  Ранняя выписка послеоперационных больных

Патронаж •  Беременные и новорожденные

•  Хронические больные (сильной и средней тяжести)

•  Малоподвижные престарелые

•  Инвалиды

10 #mHealthLab

Общие технологические требования Оценка объемов хранимых данных, пути обработки данных, классы решаемых задач

11


#mHealthLab

Архитектура М2М-системы: откуда и почему? Количество источников

данных

ВремяУнивер-

сальные ЭВМ ПК Клиентсервер

SOA BigData

(1970-1980) (1980-1990) (1990-2000) (2000-2010) (2010-2020)

1 млн 10 млн 100 млн 1,4 млрд

50 млрд?

2010 Internet of Things(2020-...)

Мейнфреймы

(1960-1970)

I II III IV VI VIIV

100 тыс

Системы, скомпоно-‐ванные из разных под-‐программ (JCL, Cobol, Fortran)

Моно-‐литные

системы с термина-‐льным

доступом

Клиент-‐сервер с

«толстым» клиентом

Клиент-‐сервер с Web-‐

клиентом

Линейно масшта-‐бируемые системы

Динами-‐ческие МП-‐системы, компонуе-‐мые из

отдельных модулей под определен-‐ные задачи

Одноранго-‐вые сети из персональ-‐

ных приложе-‐

ний

#mHealthLab

Смена парадигмы по причине взрывного роста количества источников данных

Эти данные необходимы для точных прогностических моделей по каждому пациенту Прогнозирование позволит улучшить качество лечения и снизить его себестоимость

Система значимых данных о здоровье человека

#mHealthLab

Медицинские записи и данные

исследований

Данные биометричес-кого монито-ринга 24х7

Выписки и заключения из разных МО

Геномные и семейные данные

Данные о покупках и потреблении

Данные об эмоциональном

фоне

От чего зависит точность прогнозирования?

#mHealthLab 14

Прогнозная точность

Размерность системы анализируемых данных

Данные из истории болезни

Данные о потреблении

Выписки и заключенияиз других клиник

Данные биометри-ческого мониторинга 24х7

Геномные и семейные данные

Эмоциональный профиль

Клиника

Магазины и соцсети

Тело пациента

Провайдер данныхгенома

Другие клиники

Социальные сети

Путь обработки данных BD-пациента (схематично)

15 #mHealthLab

100% мобильность

В клинике или дома

IoMT-frontend

IoMT-backend

IoMT приложения M2M-сеть IoMT устройства

App Backend

BioData Storage

HL7 Gateway

Мониторинг пациентов

Курсы лечения

Управление хронич. заб.Врач

Ученый

Реабилита-ция и фитнес

Корпорат. соцсети

PHR/EHR

Концентратор данных

Смартфон

Пациент

Пациент

Спутниковая сеть

Сотовая сеть

Проводная и беспровод-ная сеть

WBAN- IEEE 802.15.6- ZigBee / IEEE 802.15.4- Bluetooth, Bluetooth LE- Wireless USB- Proprietary solutions (ANT, Sensium, Zarlink, Z-Wave)

Access network- GSM, UMTS- LTE, LTE-A- WiMAX- WLAN- Satellite

Массовый скрининг пациентов при помощи mHealth

16 #mHealthLab

Пер

вый'уров

ень

(общ

ий'скр

инин

г)Втор

ой'уро

вень

(фок

усны

й'скри

нинг)

Третий

'уро

вень

(мон

итор

инг'п

ацие

нов'до

ма)

Общий скрининг

Риски не обнаружены

Риски обнаружены

Детальный скрининг

Профиль патологии определен, риск

низкий

Профиль паталогии определен, риск

высокий

Профилакт. мероприятия

Уточнение патологии

Риск не подтвержден

Риск подтвержден

Подтверждение ранее установл. диагноз

Подтверждение первичного диагноза

Нет ухудшений здоровья

Есть ухудшения здоровья

Подключение к системе мониторинга

пациентов

Амбулаторное лечение

Плановое улучшение здоровья

Нет улучшений здоровья

Резкое ухудшение здоровья

Мониторинг амбулаторного

лечения

Профилактич. мероприятия






Шаг'1 Шаг'2 Шаг'3 Шаг'4 Шаг'5 Шаг'6 Шаг'7

На 1-й уровень

Срочная госпитализация


Срочная госпитализация

Плановая госпитализация

Срочная госпита-лизация

Четвер

тый'уров

ень

(мон

итор

инг'п

ацие

нтов

'в'кли

нике)

Неи

вазивн

ый'скри

нинг'люде

йНеи

нвазив

ный'мон

итор

инг'п

ацие

нтов

Подключение к системе мониторинга

пациентов

Лечение в стационаре




Мониторинг лечения в стационаре

Терапевтич. мероприятия




На 3-й уровень

Перевод в интенсивную терапию

Коррекция курса терапии

Потенциально собираемые значимые данные

Данные ЭМК

Все значимые данные о здоровье пациента

100МБ в год на пациента

100ТБ в год на пациента

Каков размер значимых данных о здоровье?

1 млн. раз – разница между объёмом ЭМК и значимых данных о здоровье! #mHealthLab

Потребителимедицинской информации Много

потребителей

Обоснование необходимости МП ИТ-систем

Устройства, генерирующиебиометрические данные Много

устройств

ХРАНЕНИЕДолговременное хранение и пере-дача данных для использования

ВТОРИЧНАЯ ОБРАБОТКА

Формирование рабочих наборов и обра-ботка данных в зависимости от запросов

ВИЗУАЛИЗАЦИЯВзаимодействие с пользователем ивизуализация информации

#mHealthLab

<− узкое место

ПЛАТФ

ОРМ

А МАССИВНО

-ПАРАЛЛЕЛЬНОЙ

ОБРАБОТКИ

ДАННЫХ

«Традиционные» ИТ-системы Динамические МП ИТ-системы

У платформ массивно-параллельных вычислений нет узкого места! 18

ЗАХВАТ ДАННЫХПриём, фильтрация и передачаданных на первичную обработку

ПЕРВИЧНАЯ ОБРАБОТКА

Приём, трансформация, очистка и передача данных на хранение

Общие функциональные требования Новые функциональные направления, репрезентация и автоматическая обработка данных, референсная архитектура (схематично)

19


#mHealthLab

Новые функциональные направления ЕГИС (1 из 2)

Интеграция с мед. оборудованием •  Прикроватные мониторы •  Аппараты ИВЛ •  Наркозно-дыхательные аппараты •  Станции управления инфузией •  Лабораторное оборудование

Автоматическое документирование процесса лечения •  Тревожные события и уведомления •  Натуральные и гемодинамические показатели •  Оценка тяжести больного •  Курс лечения – план/факт •  Расход медикаментов •  Результаты анализов

20 #mHealthLab

Внешний вид Web-интерфейса непрерывного мониторинга

состояния здоровья Закладка «Тренды»

РТЛаб

Новые функциональные направления ЕГИС (2 из 2)

Автоматические уведомления •  Напоминания о назначениях и процедурах ухода •  Уведомления об ухудшении состояния и зафиксированных рисках

Лекарственная терапия •  Автоматический контроль совместимости препаратов •  Автоматический расчет скорости введения

Научные и клинические исследования •  Поддержка полнотекстового поиска по всему хранилищу данных •  Поддержка протоколов проведения исследований •  Подготовка данных для экспорта во внешние системы •  Интеграция с ИТ-системами фармкомпаний для поддержки терминологической совместимости

•  Импорт и распознавание бумажных документов, хранящихся в архивах

21 #mHealthLab

Внешний вид Web-интерфейса непрерывного мониторинга

состояния здоровья Закладка «Сигналы»

РТЛаб

Единое хранилище данных

Руководство

Закупки

Больницы

Финансы

Агенты

Обращения

Клиенты Пациенты

Подрядчики

Регулятор

Контакты

Отчетность

Пациенты/Клиенты

Лекарства/Назначения

Коммуникации/контакт-центры

Персонал

Финансы

Кампании/Предложения

Хронические больные

Медицинские организации

Продукты/Услуги

Статистика

Персонал

Страховые планы

Единство данных всех процессов обеспечивается ЕХД

Единое хранилище данных всех процессов МО

#mHealthLab

Панели управления по областям

Связывание и стандартизация

Общие идентификаторы, пациенты, лаборатории, жалобы, диагнозы, лекарства и пр.

Сущности Контингенты, иерархии, патологии, риски, определения и пр.

Единое хранилище данных

ЭМК

Архив Финансы МИС Кадры АХД Заявки

Финансы Пациенты Кадры Админ.-хоз. данные

Заявки и жалобы

Существующие источники данных

Слой преобразования данных

Единое хранилище данных надежно обеспечивает «единый источник истинности»

Слой бизнес-логики обеспечивает управление сущностями, их атрибутами и представлением

Приложения, включая мобильные, позволяют взаимодействовать различным группам пользователей с данными, актуальными для конкретных задач

Технологический стек ЕГИС (схематично)

#mHealthLab

Типовая архитектура ЕХД ЕГИС (схематично)

Управление данными

1 2 3 4 5 6 7 8 ... N9 10 11 12

... 2 3 4 5 6 7 8 ... N9 10 11 12

M 2 3 4 5 6 7 8 ... N9 10 11 12

Линейно масштабируемая вычислительная сеть и хранение данных(Data + Name + Standby Nodes & HDFS)

Операционная система управления кластером(YARN)

Интерфейсы доступа к данным (коннекторы)

Управление метаданными(HCatalog)

Batch Script SQL noSQL Real-Time In-Memory Search

Массивно-параллельная СУБД высокой готовности

Map Reduce Pig Hive HBase Storm Spark

Мониторинг операций(Ambari, Zookeeper)

Витрины данных

Сложный анализ

Клиническая информация

Качество лечения

Диагнозы

Операции

ЕХД

Импорт бумажных документов

Связывание

Загрузка

Стандарти зация

Обработка ошибок

Распознавание

Сканирование

Solr

Управление жизненным циклом данных(Falcon, Sqoop, Flume)

Планирование ресурсов

(Oozie)

Управление доступом

(Knox)

Внедряемое инфраструктурное решение для быстрой обработки и надежного, неизменного и долгосрочного хранения данных

Существующие решения

Внедряемые функциональные решения

Интеграция

Референсная архитектура ЕГИС (схематично)

#mHealthLab

Медицинская платформа BigData Warehause (BDW)Линейно масштабируемая платформа

обработки и хранения данных

Витрины данных

Сложные запросы (Neo4j)

Клиническая информация

Качество лечения

Диагнозы

Операции

ЕХД

Медицинский электронный

документооборотКурсы лечения

Управление хроническими заболеваниями

Реабилитация и фитнес

Стационар Лаборатория Радиология АптекаЭМК ФинансыЗапись на прием

Импорт документов

Связывание

Загрузка

Стандарти зация

Обработка ошибок

Распознавание

Сканирование

Архив документов

Медкарты, договоры, ...

Существующие ИТ-системы

Новые ИТ-системы

Оперативный мониторинг пациентов

1 2 3

1 2 3

1 2 3

4 5 6

4 5 6

4 5 6

7 8 9

7 8 9

7 8 9

10 11 12

10 11 12

10 11 12

13 14 N

13 14 N

13 14 NЛинейно масштабируемая сеть вычислительных узлов

Подсистема управления

Подсистема информационной безопасности

Профессиональ-ная соцсеть

Аналитическая система

26

Прозоров Александр Александрович Научный сотрудник Лаборатории специальной медицинской техники и технологий МФТИ

Научный сотрудник центра космической медицины ИМБП

ООО «Мобайл Хелс Лаб», «РТЛаб»

Email: [email protected]

Mobi: +7 916 9989619

Обратная связь

#mHealthLab

Health & Medicine

Big Data Patients and New Requirements for Clinical Systems