Upload
alexandre-prozoroff
View
66
Download
2
Embed Size (px)
Citation preview
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
ЦЖС МФТИ ИМБП РАН
#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
ЦЖС МФТИ ИМБП РАН
#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
ЦЖС МФТИ ИМБП РАН
#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
ЦЖС МФТИ ИМБП РАН
#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
Плановое улучшение здоровья
Нет улучшений здоровья
Резкое ухудшение здоровья
Плановое улучшение здоровья
Нет улучшений здоровья
Шаг'1 Шаг'2 Шаг'3 Шаг'4 Шаг'5 Шаг'6 Шаг'7
На 1-й уровень
Срочная госпитализация
Резкое ухудшение здоровья
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
Плановое улучшение здоровья
Нет улучшений здоровья
Резкое ухудшение здоровья
Мониторинг лечения в стационаре
Терапевтич. мероприятия
Плановое улучшение здоровья
Нет улучшений здоровья
Резкое ухудшение здоровья
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
ЦЖС МФТИ ИМБП РАН
#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