Автоматическая система поддержки медицинских решений при сочетанной патологии

Изобретение относится к области медицины, медицинской диагностики, ведения историй болезни пациентов и к категории медицинских информационных систем поддержки клинических решений. Предложена автоматическая система поддержки медицинских решений при сочетанной патологии, содержащая блок интерфейса, блок входных данных, выполненный в формате электронной истории болезней, блок хранения решений для каждой из терапевтических областей, вычислительный блок, блок проверки на противоречивость вводимых данных, блок выдачи решений, блок рекомендаций по лечению, при этом блок интерфейса выполнен с возможностью получения данных от клинициста, или от баз данных с электронными историями болезней, или из хранилищ «больших данных», при этом блок интерфейса выполнен с возможностью обмена данными с блоком входных данных, с блоком выдачи решений и с блоком рекомендаций по лечению, при этом блок входных данных выполнен в формате электронной истории болезни с возможностью передачи вводимой информации в вычислительный блок и с возможностью хранения эталонных моделей различных заболеваний, соответствующих разным органам и системам человека, при этом блок входных данных выполнен с возможностью передачи данных в блок проверки на противоречивость вводимых данных, а вычислительный блок выполнен с возможностью пересчета весовых коэффициентов, приписанных к симптомам или признакам для каждого заболевания конкретного органа или системы организма человека, и баллов в пользу конкретных заболеваний, при этом блок интерфейса, блок входных данных и блок проверки на противоречивость, блок хранения решений, вычислительный блок, блок выдачи решений, блок рекомендаций по лечению выполнены с возможностью работы на вызовах, и/или в удаленных районах, и/или в зонах чрезвычайных ситуаций без устойчивого доступа в интернет, блок выдачи решений выполнен с возможностью вывода информации обо всех эталонных историях заболеваний с выделением признаков или симптомов, выявленных при обследовании пациента, или вывода информации о тех эталонных заболеваниях, в которых есть общие признаки или симптомы с данными, полученными в ходе обследования, и с возможностью сопоставления каждой эталонной модели заболевания с введенными данными обследования пациента; анализа достаточности данных обследования для определения заболеваний; запроса дополнительных обследований в случае невозможности определения заболевания или назначения плана лечения; группирования заболеваний по органам или системам организма человека, при этом блок рекомендаций по лечению выполнен с возможностью получения данных из блока входных данных и блока выдачи решений и вывода оптимального плана лечения на блок интерфейса. Изобретение обеспечивает повышение качества диагностики и лечения, эффективности работы медицинского персонала, в том числе в экстремальных ситуациях. 6 ил., 4 табл.

 

Область техники, к которой относится изобретение

Изобретение относится к области медицины, медицинской диагностики, ведения историй болезни пациентов и к категории медицинских информационных систем поддержки клинических решений. Более конкретно изобретение относится к автоматической системе поддержки медицинских решений при сочетанной патологии.

Предшествующий уровень техники

Известны компьютерные системы поддержки клинических решений (медицинские экспертные системы, медицинский искусственный интеллект).

Первая разработка MYCIN, Стэнфордский университет, (Rule-Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Project) относится к концу 60-ых началу 70-ых годов. Подобные системы позже были адаптированы к персональным компьютерам (Нейлор К. Как построить свою экспертную систему. (Build Your Own Expert System, 1987) Москва: Энергоатомиздат, 1991). Сейчас разработки переносят в интернет, например, разрабатывают отечественную интернет-систему МЕДАИ (http://medai.ru). Такие системы характеризуются тем, что

• Вычисляют результат на основании распространенности заболеваний и симптоматики и выдают результат в виде ранжированного по вероятности списка диагнозов. В реальности врач работает с пациентами, у которых одновременно несколько заболеваний, каждое из которых имеет фактическую вероятность, равную единице для данной клинической ситуации, например, «отек легких на фоне гипертонического криза и обострения гломерулонефрита при пневмонии у пациента с бронхиальной астмой и ревматизмом».

• Собирают клиническую информацию по автоматическому алгоритму на основании распространенности симптоматики и диагнозов. Это ведет к отсечению однозначных, но редких признаков-маркеров, игнорированию менее распространенных заболеваний, и не позволяет обрабатывать сочетанную патологию.

• Сбор информации о наиболее распространенных, но не значимых в данной клинической ситуации признаках согласно компьютерному вероятностному алгоритму затягивает время обследования, которое критично у экстренных больных и на массовом приеме.

• Не предусматривают обработку явно указанной информации «не известно/нет данных», которая типична для первичного приема пациентов, когда отсутствуют результаты анализов, рентгеноскопии и других инструментальных методов обследования.

• Весовые коэффициенты, которые система использует для вычисления диагноза, автоматически генерируются в процессе обучения системы и не могут быть интерпретированы клиницистами, которые несут ответственность за последствия решения, в том числе юридическую.

• Обучение на основе вероятностей требует наличия информации о распространенности признаков и заболеваний у той категорий пациентов, к которым относится данный больной, например, «Какова вероятность пневмонии у длительно и часто болеющих детей в возрастной группе от 3-х до 5 лет, посещающих детский сад на фоне эпидемии гриппа в условиях Заполярья в декабре, из семей с доходами у черты бедности, и какие при этом наиболее вероятные клинические признаки?». Отсутствие подобной статистики ведет к использованию «нечеткой логики» с суррогатным показателям типа «коэффициентов убежденности» (система MYCIN), либо требует сбора «больших данных», которые на данный момент отсутствуют, с развертыванием дорогостоящей информационной инфраструктуры и затрат времени. Кроме того, возникает порочный круг ссылающихся друг на друга нерешенных задач, когда для постановки диагнозов на основании вероятностей требуется знать, к какой категории относится пациент, а для определения вероятности отнесения пациента к этой категории надо знать диагнозы. Системы на основе «больших данных» также уязвимы к качеству входной информации «миллионы врачей общей практики не могут ошибаться, это действительно диагностика и лечение уровня врачей общей практики».

Также известны системы поддержки клинических решений, которые используют вероятностные методы распознавания образов для решения узких клинических задач. Например, известны системы, которые прогнозируют:

- осложнения тромбофлебитов (Способ верификации диагнозов болезней вен нижних конечностей по данным комбинированной термометрии на основе байесовского классификатора и апостериорных вероятностей, RU 2 358 644. Дата публикации заявки: 27.06.2008 Бюл. № 18);

- осложнения в акушерстве (Искусственный интеллект и устройство для диагностики, скрининга, профилактики и лечения состояний системы матери и плода. RU 2006 123 425. Дата публикации заявки: 10.01.2008);

- течение известного заболевания в условиях реанимации на основе показаний нескольких датчиков, определяющих пульс, артериальное давление, температуру, парциальное давление кислорода (Способ обнаружения критичных трендов при многопараметрическом контроле за пациентом и клинических данных, используя кластеризацию. RU 2008 122 936. Дата публикации заявки: 20.12.2009).

Такие системы не ставят целью поддержку диагностики и лечения множественной патологии в условиях нехватки клинических данных.

Также известна система поиска аналогичных клинических ситуаций в банке компьютерных историй болезни по образцу, заданному клиницистом (Системы поддержки принятия клинических решений с внешним контекстом. RU 2 541 198. Дата публикации заявки: 20.06.2013 Бюл. № 17), однако она не ставит непосредственной целью поддержку диагностики и лечения множественной патологии при пробелах в клинической информации, а ориентирована на накопление входной информации для последующей статистической обработки в технологии «больших данных».

При этом, под технологией «больших данных» подразумевается объем данных, достаточный для выявления, верификации статистической значимости, и изучения явлений и закономерностей, которые были недоступны на ранее изученных статистических выборках меньших объемов. Объем «больших данных» специфичен для каждой предметной области и может достигать эксабайтов, что требует соответствующей информационной инфраструктуры.

Изложение сущности изобретения

Изобретение характеризуется тем, что система: обрабатывает сочетанную патологию с одновременным указанием всех заболеваний, в пользу которых имеются клинические признаки; предоставляет пользователю в явном виде клинические признаки, которые учитывались при формировании решения системой, с возможностью пользователя регулировать объем предоставляемой информации; работает с явно указанными пробелами в обследовании пациентов «нет данных/невозможно оценить»; может работать автономно, без доступа в интернет; может использовать, но не требует при обучении и работе «больших данных».

Технический результат заявленной системы направлен на повышение качества диагностики и лечения за счет того, что система:

1. Обеспечивает поддержку клинических решений у пациентов с несколькими заболеваниями;

2. Обеспечивает поддержку клинических решений в условиях недостатка клинической информации.

Также заявленная система направлена на повышение эффективности работы медицинского персонала в экстремальных ситуациях, а именно, когда отсутствует устойчивый доступ в интернет, например, при работе медиков на вызовах, в удаленных районах, и в зонах чрезвычайных ситуаций.

Система может быть обучена и работать без доступа к статистической информации и «больших данных», что позволяет быстро реализовать систему без развертывания массивной информационной инфраструктуры, и минимизировать влияние некачественных входных данных при обучении.

Позволяет экономить время на массовом приеме пациентов с типичной патологией, и при необходимости детально анализировать сложные и редкие случаи.

Заявленный технический результат достигается благодаря тому, что автоматическая система поддержки медицинских решений при сочетанной патологии, содержит блок интерфейса, блок входных данных, выполненный в формате электронной истории болезней, блок хранения решений для каждой из терапевтических областей, вычислительный блок, блок проверки на противоречивость вводимых данных, блок выдачи решений, блок рекомендаций по лечению, при этом блок интерфейса выполнен с возможностью получения данных от клинициста, или от баз данных с электронными историями болезней, или из хранилищ «больших данных», при этом блок интерфейса выполнен с возможностью обмена данными с блоком ввода данных, с блоком выдачи решений и с блоком рекомендаций по лечению, при этом блок входных данных выполнен в формате электронной истории болезни с возможностью передачи вводимой информации в вычислительный блок и с возможностью хранения эталонных моделей различных заболеваний, соответствующих разным органам и системам человека, при этом блок входных данных выполнен с возможностью передачи данных в блок проверки на противоречивость вводимых данных, а вычислительный блок выполнен с возможностью пересчета весовых коэффициентов, приписанных к симптомам или признакам для каждого заболевания конкретного органа или системы организма человека, и баллов в пользу конкретных заболеваний, при этом блок интерфейса, блоки входных данных и проверки на противоречивость, блок хранения решений, вычислительный блок, блок выдачи решений, блок рекомендаций по лечению выполнены с возможностью работы на вызовах, и/или в удаленных районах и/или в зонах чрезвычайных ситуаций без устойчивого доступа в интернет, блок выдачи решений выполнен с возможностью вывода информации обо всех эталонных историях заболеваний с выделением признаков или симптомов, выявленных при обследовании пациента, или вывода информации о тех эталонных

заболеваниях, в которых есть общие признаки или симптомы с данными, полученными в ходе обследования, и с возможностью сопоставления каждой эталонной модели заболевания с введенными данными обследования пациента; анализа достаточности данных обследования для определения заболеваний; запроса дополнительных обследований, в случае невозможности определения заболевания или назначения плана лечения; группирования заболеваний по органам или системам организма человека, при этом блок рекомендаций по лечению выполнен с возможностью получения данных из блока входных данных и блока выдачи решений и вывода оптимального плана лечения на блок интерфейса.

Указанные технические результаты достигаются благодаря тому, что:

1. Для поддержки клинических решений у пациентов с несколькими заболеваниями система предоставляет клиницисту список всех возможных заболеваний, в пользу которых есть клинические признаки, ранжированный в соответствии с близостью в многомерном пространстве признаков к эталонным моделям заболеваний, созданным в ходе обучения системы.

2. Для прозрачности компьютерных рекомендаций при выдаче результата клиницисту для каждого из предполагаемых диагнозов система выдает имеющиеся у пациента (i) клинические признаки, которые свидетельствуют в пользу конкретного заболевания, (ii) признаки, которые свидетельствуют против него, и (iii) указывает признаки, для которых отсутствуют данные, но которые необходимо иметь (дообследовать пациента) для подтверждения/опровержения каждого из предполагаемых заболевания.

3. Для поддержки клинических решений в условиях недостатка информации система позволяет оставлять пробелы в обследовании пациентов, исходя из оценки клиницистом клинической ситуации и/или наличия диагностических возможностей, а также в явном виде указывать «Нет данных/Невозможно оценить». При вычислении коэффициентов близости имеющихся клинических данных к эталонным моделям заболеваний в многомерном пространстве признаков система учитывает пробелы в данных, и при выдаче результатов клиницисту для каждого из вероятных заболеваний система указывает признаки, для которых отсутствуют данные, но которые необходимо иметь (дообследовать пациента) для подтверждения/опровержения заболевания.

4. Для работы системы в ситуациях, когда отсутствует устойчивый доступ в интернет, блоки хранения решений, сформированные по итогам обучения системы на эталонных моделях заболеваний в многомерном пространстве признаков, имеются непосредственно в каждом рабочем экземпляре системы и доступны на любом вычислительном устройстве, на котором развернута система.

5. Для обучения и работы системы без доступа к статистической информации и «большим данным» эталонные модели заболеваний создаются медицинскими экспертами для обучения системы на основании нормативных документов Министерства Здравоохранения, руководств и рекомендаций научных обществ клиницистов по каждой из медицинских специальностей. Близость имеющихся клинических данных к эталонной модели заболевания в многомерном пространстве признаков вычисляется системой любым из известных математических и/или алгоритмических способов (см., например, Черноруцкий И. Г. Методы принятия решений. — СПб.: БХВ-Петербург,2005. — 416 с., Фомин Я. А. Распознавание образов: теория и применения. - М.: ФАЗИС, 2014.), включая, но не ограничиваясь методами распознавания образов и классификации объектов, такими, как оценки расстояний, кластеризации, к-средних, алгоритма к-медианы, минимизации математического ожидания, «глубинного обучения» искусственных нейронных сетей.

6. Для экономии времени на массовом приеме пациентов с типичной патологией, и при необходимости для детального анализа сложных и редких случаев, приоритетность сбора информации определяется клиницистом, в соответствии с его оценкой клинической ситуации, без автоматического отсечения системой редких признаков, и без автоматического навязывания не актуальных признаков. Также система представляет результат клиницисту как в компактном виде, с отсечением пробелов в собранной информации, что позволяет эффективно вести массовый прием пациентов с типичными случаями, так и в детализированном виде по всей совокупности имеющихся/отсутствующих у пациента клинических признаков и предполагаемых заболеваний, что необходимо при обучении системы и при анализе сложных клинических случаев.

Перечень фигур чертежей и иных материалов

На Фиг. 1 представлена блок-схема автоматической системы поддержки медицинских решений.

На Фиг. 2 представлена структура системы для обработки информации на уровне органов и систем организма.

На Фиг. 3. представлена структура системы для обработки информации на уровне патологии отдельного органа и/или системы.

На Фиг. 4 представлен пример ввода информации в троичном виде в интерфейсе электронной истории болезни.

На Фиг. 5 представлено развернутое представление результатов, выдаваемых системой для обучения системы и анализа сложных случаев.

На Фиг. 6 представлено сокращенное представление результатов, выдаваемых системой для стандартных ситуаций при различных заболеваниях.

Осуществление изобретения

Согласно фиг.1 автоматическая система поддержки медицинских решений при сочетанной патологии, содержит блок интерфейса 1, блок входных данных 2, выполненный в формате электронной истории болезней, блок хранения решений 5 для каждой из терапевтических областей, вычислительный блок 4, блок проверки на противоречивость 3 вводимых данных, блок выдачи решений 6, блок рекомендаций по лечению 7. Блок интерфейса 1 выполнен с возможностью получения данных от клинициста, или от баз данных с электронными историями болезней, или из хранилищ «больших данных» и возможностью обмена данными с блоком ввода данных 2, с блоком выдачи решений 6 и с блоком рекомендаций по лечению 7. Блок входных данных 2 выполнен в формате электронной истории болезни с возможностью передачи вводимой информации в вычислительный блок 4 и с возможностью хранения эталонных моделей различных заболеваний, соответствующих разным органам и системам человека. Блок входных данных 2 выполнен с возможностью передачи данных в блок проверки на противоречивость 3 вводимых данных. Вычислительный блок 4 выполнен с возможностью пересчета весовых коэффициентов, приписанных к симптомам или признакам для каждого заболевания конкретного органа или системы организма человека, и баллов в пользу конкретных заболеваний. Блок интерфейса 1, блоки входных данных 2 и проверки на противоречивость 3, блок хранения решений 5, вычислительный блок 4, блок выдачи решений 6, блок рекомендаций по лечению 7 выполнены с возможностью работы на вызовах, и/или в удаленных районах и/или в зонах чрезвычайных ситуаций без устойчивого доступа в интернет. Блок выдачи решений 6 выполнен с возможностью вывода информации обо всех эталонных историях заболеваний с выделением признаков или симптомов, выявленных при обследовании пациента, или вывода информации о тех эталонных заболеваниях, в которых есть общие признаки или симптомы с данными, полученными в ходе обследования, и с возможностью сопоставления каждой эталонной модели заболевания с введенными данными обследования пациента; анализа достаточности данных обследования для определения заболеваний; запроса дополнительных обследований, в случае невозможности определения заболевания или назначения плана лечения; с возможностью группирования заболеваний по органам или системам организма человека. Блок рекомендаций по лечению 7 выполнен с возможностью получения данных из блока входных данных 2 и блока выдачи решений 6 и вывода оптимального плана лечения на блок интерфейса 1.

Сведения, подтверждающие возможность осуществления изобретения

Работа системы осуществляется в двух режимах: в режиме обучения и в режиме поддержки медицинских решений.

В режиме обучения система работает следующим образом:

Обучающие данные для каждого из заболеваний вводятся в систему через блок интерфейса 1 в блок входной информации 2. Блок входной информации 2 может быть выполнен в формате, включающем, но не ограничивающимся стандартным компьютеризированным рабочим местом клинициста с электронной историей болезни (Фиг. 4), и/или в формате ввода из базы данных электронных историй болезней, и/или в формате ввода обработанных «большие данные».

Вводимые данные (симптомы, синдромы, показатели обследования) структурированы (фиг.5, 6) в соответствии с органами и системами организма и их заболеваниями (дыхательная система, сердечно-сосудистая, пищеварительная и другие).

При обучении системы вводимые данные представляют собой эталонные модели заболеваний в виде набора клинических признаков, характерных для данного заболевания, которые созданы медицинскими экспертами на основании нормативных документов Министерства Здравоохранения, руководств и рекомендаций научных обществ клиницистов для каждого из заболеваний, в том числе с привлечением «больших данных». Например, для пневмонии ключевыми признаками являются острое, в течение суток, начало заболевания, повышение температуры, лейкоцитоз, физикальные изменения в легких (хрипы при аускультации, притупление при перкуссии), и затемнение на рентгенограмме. Указанные признаки медицинский эксперт вводит в интерфейсе электронной истории болезни (Фиг. 6). Альтернативным способом формирования эталонных моделей заболевания является выявление наиболее частых клинических признаков, характерных для конкретных заболеваний, по итогам обработки баз данных, содержащих компьютерные истории болезни, в том числе «больших данных». Для ввода эталонных моделей заболеваний, сформированных по итогам обработки баз данных, может быть использован тот же формат электронной истории болезни.

Система в блоке проверки противоречивости 3 проверяет вводимые данные на непротиворечивость по критериям, предварительно заданным медицинским экспертом для каждого органа и системы. Например, «везикулярное дыхание в обоих легких» не может присутствовать одновременно с «крепитация в правой нижней доле легких».

Обучающие входные данные, специфичные для эталонной модели конкретного заболевания, передаются в вычислительный блок 4 для формирования весовых коэффициентов клинических признаков, характерных для заболеваний.

Например, для формирования весовых коэффициентов признаков и подсчета баллов, отражающих цифровую оценку близости фактической симптоматики к эталонным моделям заболеваний, при обучении системы можно использовать метод линейной сепарации объектов (ниже условный пример):

• Шаг 1. Весовые коэффициенты всех признаков равны нулю. В блок входных данных 2 через блок интерфейса 1 водится обучающая эталонная модель заболевания «пневмония». Значения признаков эталонной модели «пневмония» (1 для лихорадки и лейкоцитоза) умножаются на значения коэффициентов признаков для каждого из заболеваний, полученные из блока хранения решений 5, умножение на ноль дает ноль.

• Шаг 2. Медицинский эксперт, который проводит обучение системы, в блоке входных данных 2 указывает правильный диагноз «пневмония», для которого проводится обучение, после этого поля признаков для «пневмония», которые в эталонной модели не равны 0, увеличиваются на 1, для других диагнозов поля аналогичных признаков уменьшаются на 1. При повторном введении эталонной модели «пневмония» и умножении значений признаков эталонной модели «пневмония» (1 для лихорадки и лейкоцитоза) на новые значения коэффициентов признаков для каждого из заболеваний максимальные баллы наберет диагноз «пневмония». Модифицированные весовые коэффициенты признаков сохраняются в блоке хранения решений 5 для последующего использования.

• Шаг 3, аналогичен шагу 1. Обучение диагнозу «бронхиальная астма». Весовые коэффициенты эталонной модели заболевания «бронхиальная астма» (1 для удушья на выдохе и эозинофилии) умножаются на значения коэффициентов признаков заболеваний, сформированные на предыдущих шагах (после обучения диагнозу «пневмония»), полученные из блока хранения решений 5. Умножение любого числа на ноль дает ноль.

• Шаг 4, аналогичен шагу 2. Медицинский эксперт, который проводит обучение системы, указывает правильный диагноз «бронхиальная астма», для которого проводится обучение, после этого поля признаков для «бронхиальная астма», которые в эталонной модели не равны 0, увеличиваются на 1, для других диагнозов поля аналогичных признаков уменьшаются на 1. При повторном введении эталонной модели «бронхиальная астма» и умножении значений признаков эталонной модели «бронхиальная астма» (1 для удушья на вдохе и эозинофилии) на новые значения коэффициентов признаков для каждого из заболеваний максимальные баллы наберет диагноз «бронхиальная астма». Модифицированные весовые коэффициенты признаков сохраняются в блоке хранения решений 5 для последующего использования.

• Шаг 5, аналогичен шагам 1 и 3. Обучение диагнозу «хроническая обструктивная болезнь легких». Весовые коэффициенты эталонной модели заболевания «хроническая обструктивная болезнь легких» (1 для лихорадки, удушья на выдохе и лейкоцитоза) умножаются на значения коэффициентов признаков заболеваний, сформированные на предыдущих шагах (после обучения диагнозам «пневмония» и «бронхиальная астма»), полученные из блока хранения решений 5. Умножение любого числа на ноль дает ноль.

• Шаг 6, аналогичен шагам 2 и 4. Медицинский эксперт, который проводит обучение системы, указывает правильный диагноз «хроническая обструктивная болезнь легких», для которого проводится обучение, после этого поля признаков для «хроническая обструктивная болезнь легких», которые в эталонной модели не равны 0, увеличиваются на 1, для других диагнозов поля аналогичных признаков уменьшаются на 1. При повторном введении эталонной модели «хроническая обструктивная болезнь легких» и умножении значений признаков эталонной модели «хроническая обструктивная болезнь легких» (1 для лихорадки, удушья на выдохе и лейкоцитоза) на новые значения коэффициентов признаков для каждого из заболеваний максимальные баллы наберет диагноз «хроническая обструктивная болезнь легких». Модифицированные весовые коэффициенты признаков сохраняются в блоке хранения решений 5 для последующего использования.

Шаги циклически повторяют до полного обучения системы всем заболеваниям с учетом всех клинических признаков.

При использовании системы вне режима обучения для диагностики заболеваний используют шаги, связанные с подсчетом баллов, отражающих близость фактических значений к эталонным моделям заболеваний (в условном примере с диагнозами «пневмония», «бронхиальная астма», «хроническая обструктивная болезнь легких» шаги 1, 3 и 5), исключают шаги, связанные с модификацией коэффициентов признаков (в условном примере с диагнозами «пневмония», «бронхиальная астма», «хроническая обструктивная болезнь легких» шаги 2, 4 и 6), а вместо эталонных моделей заболеваний используют фактические клинические признаки пациента.

Таким образом, в вычислительный блок 4 из блока входных данных 2 предаются обучающие входные данные, специфичные для эталонной модели заболевания, и из блока хранения решений 5 в виде весовых коэффициентов, приписанных к симптомам/синдромам/клиническим показателям, специфичные для каждого заболевания конкретного органа/системы организма, вычисленные, например, методом линейной сепарации, как описано выше.

На основании обучающих данных эталонной модели заболевания и ранее сформированных решений в виде весовых коэффициентов (пустые значения в начале обучения) система вычисляет степень близости обучающих данных к ранее сформированным решениям в виде цифрового коэффициента, и выдает решение. Вычисления в многомерном пространстве признаков производятся любым из известных математических и/или алгоритмических способов классификации объектов и распознавания образов, включая, но не ограничиваясь методами линейной сепарации, кластеризации, к-средних, минимизации математического ожидания, градиентного спуска, методов реализации искусственных нейронных сетей. Например, в терминах «глубинного обучения» искусственных нейронных сетей базовыми элементами служат клинические признаки (мелкопузырчатые хрипы в легких справа снизу и притупление при перкуссии легких справ снизу), они формируют элементы более высокого порядка (мелкопузырчатые хрипы + притупление при перкуссии = физикальные признаки пневмонии), которые в сочетании с другими элементами (физикальные изменения в легких + лихорадка + внезапное начало + затемнение на рентгенограмме) дают диагноз «пневмония». Несколько диагнозов формируют картину состояния пациента «пневмония у пациента с бронхиальной астмой на фоне гипертонического криза и почечной недостаточности».

Вариант формы выдачи представлен на Фиг. 5, 6, с нормированием цифрового коэффициента оценки близости к эталонному заболеванию в диапазоне от 0 до 1; возможны другие способы предоставления оценки, например, нормирование от -1 до 1. При выдаче результата внутренние весовые коэффициенты клинических признаков, вычисленные системой и не подлежащие интерпретации клиницистом, система в блоке выдачи результатов 6 заменяет на цифровые и цветовые индикаторы признаков для интерпретации клиницистом, которые свидетельствуют в пользу конкретного заболевания, или против него, или для которых отсутствуют данные, но которые необходимо иметь (дообследовать пациента) для подтверждения/опровержения каждого из предполагаемых заболевания. Например, на фиг. 5, 6 поле клинических признаков содержит цифровую индикацию в троичной системе «-1»/«0»/»1» (Признак отсутствует/Невозможно оценить/Признак есть) и цветовую индикацию в градации серых тонов. Индикация клинических признаков может быть реализована в любой другой форме в зависимости от конкретной реализации системы, например, в виде пиктограмм и символов (?,-,+ и другие варианты) и цветовой индикации (например, красные тревожные тона для патологических симптомов, успокаивающие светло-зеленые тона для нормальных состояний, серые тона для отсутствия информации и другие варианты).

Диагностические решения, вычисленные системой, могут быть сопряжены с блоком рекомендаций по лечению 7, реализованным как часть системы, или независимо от нее.

Аналогичным образом происходит обучение дополнительным слоям обработки информации. Это формирование синдромов из симптомов, с последующим использованием синдромов в вычислительном блоке для диагностики заболеваний, и оценка групп риска/стадии тяжести заболевания. Например, внутрисуточный разброс температуры тела более чем в 1,5 градуса на протяжении нескольких дней интерпретируется как «гектическая лихорадка», которая свидетельствует в пользу бактериальных гнойно-деструктивных процессов.

В режиме поддержки медицинских решений система работает следующим образом:

Данные обследования конкретного пациента вводят в систему через блок интерфейса 1 в блок входной информации 2. Блок входной информации 2 может быть выполнен в формате, включающем, но не ограничивающимся стандартным компьютеризированным рабочим местом клинициста с электронной историей болезни (Фиг. 4), и/или в формате ввода из базы данных электронных историй болезней, и/или в формате ввода обработанных «большие данные».

Вводимые данные (симптомы, синдромы, показатели обследования) структурированы в соответствии с органами и системами организма и их заболеваниями (дыхательная система, сердечно-сосудистая, пищеварительная и другие).

Клиницист имеет возможность в явной форме указать наличие симптома/клинического признака, его отсутствие, невозможность оценки/отсутствия данных, или не заполнять поля, которые, с его точки зрения, не актуальны в данной клинической ситуации. В примере на Фиг. 4 использованы обозначения в троичной системе «-1»/«0»/»1» (Признак отсутствует/Невозможно оценить/Признак есть); информация может вводится любой другой форме в зависимости от конкретной реализации системы, например, в виде пиктограмм и символов (?,-,+ и другие варианты).

Система проверяет вводимые данные на непротиворечивость (3 на Фиг. 1) как описано в разделе «режим обучения».

Затем входные данные пациента передаются в вычислительный блок 4. Туда же из блока хранения решений (5 на Фиг. 1 и Фиг. 3) передаются ранее сформированные решения в виде весовых коэффициентов, приписанных к симптомам/синдромам/клиническим показателям, специфичные для каждого заболеваний конкретного органа/системы организма.

На основании имеющихся данных пациента и ранее сформированных решений в виде весовых коэффициентов для эталонных моделей заболеваний система вычисляет степень близости данных пациента к каждой из эталонных моделей заболеваний, и выдает решение, например, методом линейной сепарации, как это описано в разделе «режим обучения». Вычисления в многомерном пространстве признаков производятся любым из известных математических и/или алгоритмических способов (см., например, Черноруцкий И. Г. Методы принятия решений. — СПб.: БХВ-Петербург,2005. — 416 с., Фомин Я. А. Распознавание образов: теория и применения. - М.: ФАЗИС, 2014.), классификации объектов и распознавания образов, включая, но не ограничиваясь методами линейной сепарации, кластеризации, к-средних, минимизации математического ожидания, градиентного спуска, методов реализации искусственных нейронных сетей.

Сопоставление данных пациента с эталонными моделями заболеваний происходит для каждой из имеющихся эталонных моделей заболеваний в терапевтической категории (пульмонология, кардиология, эндокринология и др.) независимо от других эталонных моделей заболеваний. Это позволяет проводить диагностику у пациентов с несколькими заболеваниями. Врач имеет возможность выбрать, по какой терапевтической категории проводить оценки, что позволяет экономить время в типовых случаях, а также провести оценку по всем органам и системам организма в сложных случаях.

Вариант формы выдачи представлен на Фиг. 5 и 6, с нормированием цифрового коэффициента оценки близости к эталонному заболеванию в диапазоне от 0 до 1. В примере на Фиг. 6 были отсечены заболевания, для которых коэффициент близости между данными пациента и эталонными моделями заболеваний ниже 0,4 (при нормировании коэффициентов близости от 0 до 1), что позволяет отсечь избыточную информацию в типовых случаях. В примере на Фиг. 5 заболевания выведены в полном объеме для анализа сложных случаев.

При этом, выводимые таблицы на фиг. 5 и 6 содержат следующие поля:

8- поля диагнозов, в пользу которых есть данные;

9- поле цифровых оценок близости фактической симптоматики к эталонной модели заболевания;

10- поля фактических симптомов, выявленных при обследовании;

11- поля симптомов с цифровой и цветовой индикацией совпадений с эталонами заболеваний;

12- Поля диагнозов, в пользу которых нет данных.

При выдаче результата внутренние весовые коэффициенты клинических признаков, вычисленные системой и не подлежащие интерпретации клиницистом, заменяет на цифровые и цветовые индикаторы признаков для интерпретации медиком, которые свидетельствуют в пользу конкретного заболевания, или против него, или для которых отсутствуют данные, но которые необходимо иметь (дообследовать пациента) для подтверждения/опровержения каждого из предполагаемых заболевания, аналогично тому, как описано выше в разделе «режим обучения».

Объем выдачи симптомов/клинических признаков можно регулировать для отсечения избыточной информации в типовых случаях, или выводить в полном объеме для анализа сложных случаях. На Фиг. 6 приведен пример выдачи только той симптоматики, для которой есть совпадение между данными конкретного пациента и эталонными моделями заболеваний, с отсечением той симптоматики эталонных моделей заболеваний, для которой отсутствуют данные у конкретного пациента.

При ознакомлении с результатами, вычисленными системой, клиницист может согласиться с ними, и перейти к выбору лечения (может быть реализовано как дополнительный блок, интегрированный с системой, или независимо от нее), или ввести дополнительные данные, которые были пропущены, при исходном вводе информации о пациенте, и/или провести дообследование пациента, и повторно запустить систему с обновленными данными.

Автоматическая система поддержки медицинских решений при сочетанной патологии, содержащая блок интерфейса, блок входных данных, выполненный в формате электронной истории болезней, блок хранения решений для каждой из терапевтических областей, вычислительный блок, блок проверки на противоречивость вводимых данных, блок выдачи решений, блок рекомендаций по лечению, при этом блок интерфейса выполнен с возможностью получения данных от клинициста, или от баз данных с электронными историями болезней, или из хранилищ «больших данных», при этом блок интерфейса выполнен с возможностью обмена данными с блоком входных данных, с блоком выдачи решений и с блоком рекомендаций по лечению, при этом блок входных данных выполнен в формате электронной истории болезни с возможностью передачи вводимой информации в вычислительный блок и с возможностью хранения эталонных моделей различных заболеваний, соответствующих разным органам и системам человека, при этом блок входных данных выполнен с возможностью передачи данных в блок проверки на противоречивость вводимых данных, а вычислительный блок выполнен с возможностью пересчета весовых коэффициентов, приписанных к симптомам или признакам для каждого заболевания конкретного органа или системы организма человека, и баллов в пользу конкретных заболеваний, при этом блок интерфейса, блок входных данных и блок проверки на противоречивость, блок хранения решений, вычислительный блок, блок выдачи решений, блок рекомендаций по лечению выполнены с возможностью работы на вызовах, и/или в удаленных районах, и/или в зонах чрезвычайных ситуаций без устойчивого доступа в интернет, блок выдачи решений выполнен с возможностью вывода информации обо всех эталонных историях заболеваний с выделением признаков или симптомов, выявленных при обследовании пациента, или вывода информации о тех эталонных заболеваниях, в которых есть общие признаки или симптомы с данными, полученными в ходе обследования, и с возможностью сопоставления каждой эталонной модели заболевания с введенными данными обследования пациента; анализа достаточности данных обследования для определения заболеваний; запроса дополнительных обследований в случае невозможности определения заболевания или назначения плана лечения; группирования заболеваний по органам или системам организма человека, при этом блок рекомендаций по лечению выполнен с возможностью получения данных из блока входных данных и блока выдачи решений и вывода оптимального плана лечения на блок интерфейса.