Визуализация данных — ключ к здоровью

У современного человека меняются представления о качестве жизни. В условиях снижения потребительского мироощущения и роста индивидуализма большинству людей все более важно качество предоставляемой медицинской помощи. Люди, отказываясь от вредных привычек, готовы тратить больше времени на свое здоровье и предъявляют новые требования к индустрии здравоохранения. Они хотят комплексного и индивидуального подхода, высокого качества услуг и помощи, отлаженных процессов и цифровизации медицинских данных — технологий, ставших обыденными в банковской сфере и розничной торговле, индустрии связи, развлечений и пр.

Сфера здравоохранения находится сегодня в стадии интенсивного преобразования, переходя от классических форм работы с пациентами и его медицинскими данными к новым процессным подходам, технологиям управления и анализа данных.

Как есть

Сегодня здравоохранение активно использует статистику, которая, однако, обычно фрагментирована, не структурирована и представлена в таких традиционных формах, как бумажные отчеты и таблицы Excel. Подобные форматы не позволяют быстро использовать все имеющиеся данные и для интерпретации данных предполагают привлечение специалистов — медицинских статистиков. Однако, как и любое промежуточное звено, дополнительное вмешательство вносит искажения, мешающие правильной интерпретации сведений.

Кроме того, статистические данные не всегда полны и детальны. Например, во многих странах при автомобильных авариях собираются большие объемы сведений о пострадавших: точное место происшествия (например, где сидел пострадавший в автомобиле), количество людей в автомобиле, состояние дорожного покрытия, наличие ремня безопасности у пассажиров, место расположения пострадавших (заднее или переднее сиденье), вес пострадавшего, скорость транспортного средства на момент аварии и пр. Но при этом могут отсутствовать некоторые важные сведения, например, состояние здоровья пострадавших до аварии (хронические заболевания, генетические особенности и т. д.). Однако показатели смертности в таких случаях могут быть обусловлены не только аварией, выбранным методом лечения и действиями конкретных врачей, но и региональными и социальными особенностями здоровья населения.

Часто при сборе больших объемов данных не хватает дополнительных сведений, например, данных социального учета и разъяснений по особенностям подхода к формированию статистических выборок данных. Кроме этого, в системе здравоохранения сегодня имеется ряд проблем при работе с данными:

• ошибки в данных или их неверная интерпретация, приводящие к ошибкам в лечении, неполноте сведений о пациентах, разрывам процесса ухода, а также увеличению времени поиска и верификации данных, влекут задержки в принятии решений;
• недоступность данных, приводящая к низкому качеству обслуживания пациентов и росту числа отказов от лечения;
• разрозненные данные из разных систем, приводящие к проблемам предоставления отчетов с соблюдением стандартов и, как следствие, юридическим последствиям и штрафам, а также к проблеме невозможности проведения эффективного анализа, снижению качества научных исследований и трудностям с доказательной медицинской практикой;
• недостаточная интеграция данных, приводящая к неполноте сведений, что ограничивает возможности персонализированной медицины, замедляет мониторинг и анализ текущих эпидемиологических тенденций, а также создает трудности в управлении системой здравоохранения и вызывает перерасход ресурсов и задержки в администрировании поликлиник и больниц.

Все это создает сложности для медицинских специалистов и врачей, которым необходимо на основе имеющихся данных не только быстро принимать решения, но и регулярно обновлять методики лечения, оценивать эффективность медикаментозной составляющей, а также методов и инструментов диагностики. Естественно, в этой ситуации они заинтересованы не только в современных механизмах сбора информации, но и в системах автоматизации и цифровизации всех аспектов работы медучреждения и процессов лечения пациента.

Как должно быть

Основная задача отрасли медицинских технологий — это получение многомерных, очищенных и обогащенных данных, однако пока до этого далеко, а сфера здравоохранения проходит сегодня тот же путь, что и индустрия финансов за последние двадцать лет:

• переход на централизованное хранение информации;
• очистка данных и увеличение их качества;
• онлайн-обработка данных;
• автоматизация собственно процесса, а не его итогов;
• развитие технологий поддержки удобства и информированности клиентов;
• развитие и интеграция со сторонними сервисами;
• обеспечение информационной безопасности и сохранности персональных данных.

Здравоохранение полностью еще не перешло к этим технологиям, хотя цифровизация здесь будет идти быстрее, чем в финансовом секторе.

Если по первой и двум последним задачам идет активная работа и имеются примеры прогресса, то в области онлайн-обработки данных, автоматизации многостадийной обработки (процессов) и сервисов, повышающих удобство и информированность пациентов, реального прогресса пока нет.

Обеспечение качества и полноты данных также лишь в начале пути. Конечно, при решении таких базовых проблем, как «три пациента с одинаковыми ФИО», прогресс есть, однако медицинские данные сложнее банковских.

В крупном банке есть сотня обязательных и примерно столько же управленческих отчетов, используются несколько тысяч показателей, описывающих все основные процессы. Количество продуктов исчисляется десятками и сотнями: карточка клиента — до сотни показателей; платежный документ и кредитный договор — аналогично.

Однако диагностические данные пациента и совокупность показателей соответствующих анализов, например, по нозологии «Ишемическая болезнь сердца», на порядок сложнее и больше.

Все процессы цифровизации в здравоохранении и технологии ИИ очень зависимы от качественных исторических полных данных, поэтому их обеспечение — первоочередная работа, которая должна вестись не только на федеральном и региональном уровне, но и на уровне конкретных местных медучреждений (поликлиник, стационаров, частных клиник). Без этого переход на цифровую эффективную медицину невозможен. Все данные должны еще и обогащаться дополнительными сведениями и разрезами, приобретая многомерность, сложно реализуемую в традиционных табличных форматах. Помимо этого, данные должны обогащаться метаинформацией, которая в цифровых процессах управления данными поможет лучше понимать, откуда произошли данные, можно ли им верить, когда они обновлены, что именно содержат, с какими ограничениями и отклонениями. В современном ИТ-ландшафте за это отвечают системы Управления данными (Data Governance), которые поддерживают разные направления работы с данными, начиная от очистки и контроля происхождения (Data Lineage), средств удобного поиска данных (Data Catalog) и глоссария до средств доступа и трансформации данных (ETL).

Визуализация

Обогащение и очистка медицинских данных — путь практически бесконечный, но, пройдя хотя бы его часть, можно в реальной работе начинать использовать проверенную и структурированную информацию, внедрив системы аналитики данных, которые делают удобным и быстрым доступ к сложной многомерной информации за счет ее визуализации на тематических дэшбордах.

Визуализация — эффективный способ отображения сложных данных, делающий их понятными для анализа и быстрого принятия решений, что особенно важно в сфере здравоохранения с ее огромными объемами сведений. Однако при разработке систем визуализации встречается ряд ошибок (рис. 1).

Рис. 1. Неоптимальная визуализация данных

• Чрезмерная сложность и перегруженность интерфейсов. На одном дэшборде размещается слишком много показателей, которые трудно интерпретировать, что сводит на нет эффективность системы. Иногда от системы аналитики требуют охватить до 70–80 показателей на одном экране, а это превращает визуализацию в привычные таблицы и убивает саму идею наглядности и удобства графической визуализации.
• Излишняя простота. Ради создания красивого интерфейса иногда прибегают к упрощению, и хотя такие визуализации могут выглядеть привлекательно, но они оказываются малоинформативны и не способствуют принятию правильных решений.
• Система бизнес-аналитики в стиле Excel. Такие системы фактически дублируют традиционные таблицы, добавляя минимальные функциональные возможности, что не приносит преимущества ни в аналитике, ни в принятии решений. Опыт показывает, что это ошибочный подход и для достижения эффективной работы необходимо искать баланс между сложностью и простотой представления данных.

Для создания эффективных систем визуализации данных важно структурировать и правильно выделять ключевые показатели, подобно тому, как это сделано, например, на приборной панели автомобиля, где спидометр занимает центральное место, так как скорость — это важнейший параметр для обеспечения безопасности. В здравоохранении аналогично — необходимо определить, какие показатели критичны для врачей и администраторов, что позволит системам визуализации фокусироваться на наиболее значимых из них для облегчения принятия решений, улучшения результатов диагностики и лечения. Однако на практике подобное структурирование пока еще редкость.

Одна из основных проблем систем визуализации — нечеткое целеполагание. Чтобы визуализация данных была действительно полезной, важно правильно формулировать задачи. Например, при анализе влияния нехватки медицинского оборудования на уровень заболеваемости по определенной нозологии важно четко определить, какие нужно собирать данные и как их интерпретировать. Определение конкретных задач позволит выстроить оптимальную систему сбора, обработки и визуализации данных, которая будет способствовать принятию обоснованных решений. Формулировка задачи также влияет и на методологию, лежащую в основе аналитической системы.

В общем случае визуализация должна быть нацелена на решение конкретных проблем, а не на создание красивой картинки — необходимо четко определить состав данных и порядок их анализа. Важно помнить, что, если данные на входе системы будут некачественными или плохо структурированными, визуализация точных результатов не даст. Костяк системы аналитики данных — методология, определяющая, как будут собираться и анализироваться данные. Например, в случае анализа госпитальной летальности можно выделить несколько групп факторов, таких как организационные процессы, скорость диагностики и время между постановкой диагноза и началом операции.

Правильное определение методологии поможет выявить ключевые проблемы и предложить конкретные меры для их решения. На рис. 2 показана структура, помогающая организовать данные для их лучшего понимания и эффективного использования.

Рис. 2. Понимание данных (Customer Journey Map — «путь клиента»)

Кроме этого, визуализация данных должна учитывать различные роли участников процесса: от главных врачей до контролирующих органов, по-разному использующих визуализацию, что требует адаптации интерфейса и функционала. Например, главные врачи опираются на данные для организации оперативного управления клиникой, тогда как научные советы или контролирующие органы заинтересованы в стратегическом анализе и принятии решений на основе исторических данных.

Зарубежный опыт подтверждает важность целеполагания и правильной методологии организации процесса при использовании визуализации данных для оценки эффективности лечения. Например, в США после реформы здравоохранения Obama Care были внедрены новые механизмы оценки работы медицинских учреждений — клиники теперь не только оценивают качество лечения, но и отслеживают его стоимость и время пребывания пациента в больнице. Это позволило создать стимулы для повышения эффективности работы клиник при снижении расходов на лечение.

Эффективная диагностика — основа качественного медицинского обслуживания, а визуализации ее результатов в процессах работы стационаров и поликлиник является еще одним примером эффективного использования современных аналитических систем и дэшбордов. Подобно тому, как в банках оценивается эффективность кредитных операций, в здравоохранении можно разработать аналогичные интегральные показатели для оценки диагностического процесса. Эти показатели могут включать весовые коэффициенты на разных этапах диагностики — от первичной до подтверждения или изменения диагноза в процессе лечения. Системы визуализации данных могут помочь отслеживать эти параметры, что улучшит понимание эффективности диагностики и ее влияния на исход лечения.

ИИ — быть или не быть

В современных условиях внедрение искусственного интеллекта (ИИ) в здравоохранение и аналитику данных приобретает все большую значимость.

Технологии ИИ позволяют не только анализировать текущие данные, но и прогнозировать будущие события. Например, модели, разработанные для прогнозирования заболеваемости в Москве, уже используются для анализа тенденций и оптимизации загрузки медицинских учреждений при инфекционных заболеваниях (рис. 3).

Рис. 3. Прогнозирование, ИИ и модели

Такие прогнозные модели могут быть интегрированы в BI-системы, предоставляя пользователям возможность не только видеть текущее состояние процесса, но и предсказывать будущие события, что помогает принимать более обоснованные управленческие решения и оптимизировать использование ресурсов в медицинских учреждениях. Сегодня все банки используют модели на основе машинного обучения для оценки вероятности дефолта заемщика физического лица. Модель, проанализировав более сотни параметров и взяв данные из кредитного бюро (для здравоохранения — это единая медицинская информационно-аналитическая система, или ЕМИАС), по истории поведения заемщика оценивает вероятность дефолта или другой нужный показатель.

Кроме этого, модели на основе ИИ активно используются для снижения числа медицинских ошибок, особенно при ранней диагностике заболеваний. Например, в некоторых регионах России уже внедрено распознавание нозологий в данных МРТ и рентгеновских снимках.

Конечно, ИИ призван не заменить квалифицированных врачей, а лишь помочь повысить уровень диагностики в случаях, когда нет доступа к специалисту. ИИ также позволяет сократить количество ошибок, связанных с человеческим фактором (усталость, невнимательность, отвлечение), и компенсировать недостаток квалификации персонала, приблизив его к среднему уровню, что важно в условиях большой страны, где уровень подготовки медперсонала может варьироваться.

В области фармакологии технологии машинного обучения и генеративные ИИ становятся важными инструментами для прогнозирования свойств лекарственных препаратов и решения задач, связанных с их производством и проверкой гипотез о действии. Анализ больших данных в фармакологии открывает новые возможности для изучения эффектов различных методов лечения, особенно в контексте мониторинга множества параметров и выявления корреляционных зависимостей — визуальный контроль корреляционных матриц с десятками параметров затруднителен для человека.

Персонализация лечения — одна из ключевых задач современной медицины, предполагающая адаптацию лекарств с учетом социальных и гендерных факторов, таких как возраст, группа крови и генетические особенности. Разработка «клонов» известных лекарств, учитывающих индивидуальные характеристики пациента, становится важной составляющей современного подхода к лечению.

Адаптация методов лечения также представляет собой важную задачу — эффективность терапевтических подходов может варьироваться в зависимости от социально-экономических условий в различных регионах и стандартные рекомендации не всегда подходят для всех групп населения. Например, некоторые методы лечения сердечно-сосудистых заболеваний в некоторых регионах Российской Федерации работают плохо, что зачастую связано именно с социально-экономическими факторами, такими как уровень потребления алкоголя. Следовательно, необходимо разрабатывать адаптированные рекомендации на основе утвержденных планов лечения, которые бы учитывали специфические особенности различных регионов и групп пациентов, например, с определенным составом хронических заболеваний.

***

Эффективная визуализация — это не просто способ упрощения представления больших объемов сложных данных в сфере здравоохранения, а инструмент, помогающий принимать важные управленческие решения. Однако для того, чтобы такие системы эффективно работали, необходимо четко формулировать задачи, разрабатывать методологию анализа и учитывать роли всех участников процесса. Прогнозные модели и методы машинного обучения предоставляют дополнительные возможности для анализа данных и визуализации.

Развитие визуализации в здравоохранении — это шаг к принятию решений на основе точных и качественных данных, помогающий повысить как качество медицинской помощи, так и оптимизировать работу учреждений, в конечном итоге улучшая здоровье населения.

Александр Тютюнник (altutunnik@luxms.ru) — директор по развитию бизнеса, ГК Luxms (Санкт-Петербург).