СППВР (система поддержки принятия врачебных решений) в медицине: от алгоритма к клинической практике

Цифровая трансформация системы здравоохранения является одной из ключевых национальных целей России до 2030 года. Этот процесс, начавшийся десятилетия назад, сегодня рассматривается как стратегический ответ на возрастающую нагрузку на медицинскую отрасль. Рост продолжительности жизни, увеличение бремени хронических неинфекционных заболеваний и появление новых пандемических угроз на фоне кадрового дефицита и ограниченности ресурсов заставляют искать инновационные решения для сохранения баланса системы. Наряду с телемедициной, активно развиваются технологии, направленные на повышение качества самой медицинской помощи.

Одной из таких технологий является система поддержки принятия врачебных решений (СППВР). Согласно ГОСТ Р 59525-2021, это информационно-технологическая система в области здравоохранения, обеспечивающая поддержку принятия клинических решений врачами и другими медицинскими работниками. Принятие решения в клинической практике — сложный процесс, на который влияют многообразие симптомов, схожесть клинических картин различных нозологий, ограниченность времени и информации о пациенте, а также постоянно обновляющиеся клинические протоколы лечения. Внедрение современных IT-разработок и искусственного интеллекта (ИИ) в практику врача становится перспективным направлением для профилактики ошибок, которые, по данным общественных организаций, могут быть причиной до 50 тысяч смертей в России ежегодно

Функционал и задачи СППВР

Современные системы поддержки принятия врачебных решений решают широкий спектр клинических и организационных задач, становясь для врача эффективным инструментом, но не заменой его клиническому мышлению. Цель СППВР — не принять решение за специалиста, а помочь ему в анализе больших данных и представить возможные варианты действий.

1. Верификация диагноза. Одной из ключевых функций является помощь в постановке диагноза. Система принятия решений в медицине анализирует данные из электронной медицинской карты пациента, сопоставляя их с заложенными в нее знаниями. Это особенно актуально в лучевой диагностике: алгоритмы компьютерного зрения анализируют рентгеновские снимки, данные компьютерной и магнитно-резонансной томографии, выделяя патологические очаги, что значительно ускоряет процесс интерпретации изображений для врача-диагноста и снижает риск пропуска значимых находок.
2. Контроль лечения. Системы проверяют соответствие назначений актуальным клиническим рекомендациям, стандартам и протоколам. Важной задачей является контроль дозировок и совместимости лекарственных препаратов, что минимизирует риски нежелательных лекарственных взаимодействий и повышает безопасность пациента.
3. Мониторинг пациентов. Системы поддержки решений в медицине активно применяются для динамического наблюдения за состоянием пациентов. Алгоритмы могут генерировать тревожные сигналы при выявлении критических отклонений в анализах или витальных показателях. Кроме того, прогностические модели способны с высокой точностью (до 80%) оценивать риски развития осложнений или рецидивов заболевания, позволяя врачу своевременно корректировать терапию.

История

История СППВР в медицине началась еще в 1970-х годах с таких систем, как MYCIN, предназначенной для подбора антибактериальной терапии. Первые советские системы 1980-х годов были довольно простыми и проводили дифференциальный диагноз в рамках ограниченного числа нозологий. Они не могли обосновать свое решение и не учитывали индивидуальные особенности пациента, что привело к пониманию необходимости создания более сложных, интеллектуальных СППВР.

Современная технология разработки интеллектуальных СППВР базируется на машинном обучении и анализе больших данных. Модели обучаются на огромных массивах обезличенных медицинских данных, экспертных текстах и заключениях. Один из подходов — построение модели на основе «дерева решений», представляющего собой иерархическую структуру из правил вида «Если…, то…». Такой алгоритм позволяет системе имитировать клиническое мышление и выстраивать логические причинно-следственные цепочки.

Основные этапы разработки и внедрения СППВР

Создание интеллектуальной СППВР — это сложный, многоэтапный процесс, требующий синергии медицинских, математических и IT-компетенций.

1. Разработка и производство. Этот этап начинается с четкого определения клинической проблемы, которую должна решать система. Он включает:
   • Изучение информации: анализ систематических обзоров, мета-анализов и клинических рекомендаций.
   • Формирование выборки: подбирается синхронизированная когорта пациентов и определяется контрольная группа.
   • Сбор и синхронизация данных: для репрезентативности данные собираются из нескольких медучреждений. Обеспечивается единообразие измерений: используются валидизированные опросники, одинаковые лабораторные методики и сходное по характеристикам оборудование.
   • Построение и валидация модели: создается модель на основе машинного обучения. Ее качество оценивается по таким метрикам, как чувствительность и специфичность (приемлемый уровень >85%). Проводится аналитическая валидация модели и ее реализация в программном формате, готовом к взаимодействию с врачом.
2. Клинические исследования (клиническая валидация). Любая медицинская технология, включая программное обеспечение, должна иметь доказательную базу. В ходе клинических испытаний система должна продемонстрировать не только правильность работы, но и реальную клиническую пользу и безопасность для пациентов.
3. Государственная регистрация. В соответствии с законодательством, в отношении пациентов может применяться только разрешенное и зарегистрированное программное обеспечение. В рамках этого процесса также проводится стратификация рисков его применения согласно правилам Евразийского экономического союза.
4. Оценка клинико-экономической эффективности. После успешных испытаний проводится экономический анализ, чтобы финансово обосновать применение системы. Учитываются все виды затрат (прямые и косвенные, медицинские и немедицинские), по итогам чего дается заключение о соотношении клинической и экономической эффективности технологии.

Кейсы внедрения и доказательная база

Эффективность СППВР подтверждается результатами клинических исследований по всему миру.

• В Китае была разработана СППВР для диагностики рака предстательной железы. После анализа данных 800 пациентов точность системы достигла 87%, превысив точность врача (81%).
• Система IBM Watson for Oncology показала, что в 70% случаев предложенные ею варианты химиотерапии были идентичны назначениям врачей или являлись приемлемой альтернативой.
• СППВР, созданная для контроля химиотерапии при остром лимфобластном лейкозе у детей, выявила 735 отклонений от протокола и 57 ошибок при назначении лечения в ретроспективном анализе данных 30 пациентов.
• Система подбора противодиабетических препаратов продемонстрировала точность от 85% до 99,4% в прогнозировании использования отдельных классов лекарств.

Российские решения

На российском рынке представлен ряд зрелых и эффективных систем поддержки врачебных решений. К концу 2023 года в стране было зарегистрировано 24 медицинских изделия с ИИ, и планируется их активное внедрение в региональное здравоохранение.

• Webiomed: на данный момент существует 13 прогнозных моделей по различным направлениям: кардиология, эндокринология, акушерство и гинекология, онкология.
• MedicBK: Гибридная система, которая была протестирована в исследовании «ИНТЕЛЛЕКТ» у пациентов с артериальной гипертензией и фибрилляцией предсердий. Ее использование на 15% увеличило частоту назначения адекватной антикоагулянтной терапии и на 32% — число направлений на РЧА.
• Решения на основе компьютерного зрения: Такие платформы, как «Цельс», «Care Mentor AI» и «Botkin.AI», специализируются на анализе медицинских изображений (рентгенограмм, КТ), помогая врачам в диагностике заболеваний легких, молочных желез и других патологий.
• Симптом-чекеры: Сервисы Medai и MeDiCase на основе введенных симптомов и результатов анализов формируют перечень вероятных диагнозов, помогая пациентам в первичной навигации, а врачам — в сборе анамнеза.

Перспективы и барьеры

Перспективы использования СППВР в медицине огромны: от снижения нагрузки на врача и уменьшения числа ошибок до оптимизации лечения и достижения значимого экономического эффекта для системы здравоохранения.

Эффективность технологии заключается в ее способности обрабатывать неточную информацию, анализировать нелинейные данные и выявлять скрытые закономерности, недоступные человеческому восприятию.

Однако существуют и барьеры:

• Недостаточный уровень цифрового доверия со стороны медицинского сообщества.
• Опасения врачей относительно потери клинической автономии.
• Высокая стоимость разработки, внедрения и поддержания систем в актуальном состоянии.
• Необходимость постоянного обновления баз знаний, так как доказательный подход в медицине требует использования самых последних научных данных.

Заключение

Системы поддержки принятия врачебных решений являются мощным инструментом, способным качественно изменить диагностический и лечебный процесс. Их интеграция в рутинную практику позволяет повысить точность диагностики, оптимизировать терапию, персонализировать подход к каждому пациенту и в конечном итоге улучшить результат лечения. Государственная поддержка и активное внедрение таких технологий в рамках создания Единого цифрового контура здравоохранения свидетельствуют о долгосрочной тенденции к цифровизации. Тем не менее, ключевая роль в принятии решений всегда будет сохраняться за врачом, а СППВР останется его надежным интеллектуальным помощником, обеспечивающим высокое качество и безопасность медицинской помощи.

Список литературы

1. Лудупова Е.Ю. Врачебные ошибки. Литературный обзор // Вестник Росздравнадзора. 2016. №2. С. 6 – 15.
2. Фатенков О. В., Дьячков В. А., Рубаненко А. О., и др. Система поддержки принятия врачебных решений в прогнозировании тяжести хронической сердечной недостаточности // Медицинский альманах.  2021.  № 1(66).  С. 16-23.
3. Гусев А.В., Зарубина Т. В. Поддержка принятия врачебных решений в медицинских информационных системах медицинской организации // Врач и информационные технологии.  2017. № 2. С. 60–72.
4. Реброва О.Ю. Эффективность систем поддержки принятия врачебных решений: способы и результаты оценки // Клиническая и экспериментальная тиреоидология. 2019. Т. 15, №4. С. 148-155. doi: 10.14341/ket12377
5.  Реброва О. Ю. Жизненный цикл систем поддержки принятия врачебных решений как медицинских технологий // Врач и информационные технологии.  2020. № 1. С. 27–37. doi: 10.37690/1811-0193-2020-1-27-37
6.  Wang L., Chen X., Zhang L., et al. Artificial intelligence in clinical decision support systems for oncology // Int J Med Sci. 2023. Vol. 20, №1. P. 79-86. doi: 10.7150/ijms.77205
7.   Zhang J., Chen Z., Wu J., et al. An Intelligent Decision-Making Support System for the Detection and Staging of Prostate Cancer in Developing Countries // Comput Math Methods Med. 2020. P.5363549. doi: 10.1155/2020/5363549
8.  Suwanvecho S., Suwanrusme H., Jirakulaporn T., et al. Comparison of an oncology clinical decision-support system’s recommendations with actual treatment decisions // J Am Med Inform Assoc. 2021. Vol. 28, №4. P. 832-838. doi: 10.1093/jamia/ocaa334
9.  Moghaddasi H., Rahimi R., Kazemi A., et al. A Clinical decision support system for increasing compliance with protocols in chemotherapy of children with acute lymphoblastic leukemia // Cancer Inform. 2022. №22. P. 11769351221084812. doi: 10.1177/11769351221084812