CC BY
232
Г.А. БЛЕДЖЯНЦ, ФГБУ «НЦССХ им. А.Н. Бакулева», ЗАО «Соцмедика», М.А. САРКИСЯН, МГМСУ им. А.И. Евдокимова, Ю.А. ИСАКОВА, НУЗ «НКЦ ОАО «РЖД», ЗАО «Соцмедика», Н.А. ТУМАНОВ, ЗАО «Соцмедика», А.Н. ПОПОВ, НУЗ «НКЦ ОАО «РЖД», ЗАО «Соцмедика», Н.Ш. БЕГМУРОДОВА, ЗАО «Соцмедика»
КЛЮЧЕВЫЕ ТЕХНОЛОГИИ ФОРМИРОВАНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В МЕДИЦИНЕ
В статье представлен детальный анализ проблем, с которыми сталкиваются разработчики экспертных систем на пути создания искусственного интеллекта в области медицины, предлагаются варианты их решения. Основные акценты сделаны на создании объединенной базы медицинских знаний и технологий, которую можно будет использовать в повседневной клинической практике.
В современном мире в связи с развитием высоких технологий и накоплением большого массива информации в такой многопрофильной области, как медицина, возникла острая необходимость в создании искусственного интеллекта, способного накапливать все возрастающие объемы знаний и обрабатывать эту информацию, выдавая в качестве результата оптимальный алгоритм ведения пациента [1]. Ученые различных областей задались достаточно дерзкой целью: разработать информационные технологии, способные отчасти заменить или существенно облегчить интеллектуальный труд человека, т. е. создать искусственный интеллект. К такому решению разработчиков в области биомедицинской информатики подталкивает ряд проблем здравоохранения, определяющих несоответствие между реальным качеством медицинской помощи и возможностями современных технологий, достижениями науки. Прежде всего, это проблема актуализации медицинских знаний и отсутствия возможности полновесной оценки клинической практики, что ведет к потере большого объема данных, содержащих важные сведения и не учитываемых должным образом. Так называемые большие данные в медицине необходимо анализировать в режиме реального времени (сбор, хранение, формализация, постоянное обновление, анализ, интерпретация) с созданием регулярно
Ключевые слова:
медицина, искусственный интеллект, электронные базы данных
пополняемых электронных баз данных — клинических регистров. Правильно формализованные клинические регистры системы здравоохранения от-
Keywords: medicine, artificial intelligence, electronic databases
The article offers a detailed review of challenges faced by developers of expert systems for artificial intelligence in the field of medicine, and suggests options for solutions. The focus is on the creation of a unified database of medical knowledge and technology that can be used in everyday clinical practice. G.A. BLEDZHYANTS, Bakulev Scientific Center of Cardiovascular Surgery, CJSC «Sotsmedika», M.A. SARKISYAN, MSUMD named after A.I. Evdokimov, Y.A. ISAKOVA, RC JSC Russian Railways, CJSC «Sotsmedika»», N.A. TUMANOV, CJSC «Sotsmedika»», A.N. POPOV, RC JSC Russian Railways, CJSC «Sotsmedika»», N.S. BEGMURODOVA, CJSC «Sotsmedika»».
KEY TECHNOLOGY FOR ARTIFICIAL INTELLIGENCE IN MEDICINE.
крывают большие возможности для более точного понимания эпидемиологической ситуации, рационального планирования бюджета и реализации целевой функции деятельности системы здравоохранения — повышения качества оказания медицинской помощи. Недостаточная квалификация и низкая осведомленность специалистов здравоохранения о принципах доказательной медицины приводят к нерациональному выбору диагностических процедур и методов лечения, необоснованным назначениям лекарственных препаратов, а также к неадекватному прогнозу клинических исходов.
С другой стороны, высокая загруженность врачей ограничивает возможности принятия верных решений в сложных случаях, ведь это требует достаточно больших временных затрат на поиск и чтение соответствующей литературы. Данное обстоятельство, в свою очередь, способствует появлению врачебных ошибок в клинической практике на различных этапах ведения пациента. Кроме того, высокая занятость не позволяет врачу вовремя и в полном объеме репортировать о побочных эффектах и случаях неэффективности применяемой терапии.
Далее, одной из важнейших проблем, влияющих на качество оказания медицинской помощи, является отсутствие мониторинга процесса и исходов лечения при амбулаторном ведении пациента и после выписки из стационара, а также сложность контроля клинических исходов при наблюдении пациента в разных медицинских учреждениях однопрофильными или многопрофильными врачами.
Внедрение искусственного интеллекта в систему здравоохранения призвано повышать информационную осведомленность и квалификацию врача, помогать в быстром и обоснованном принятии клинического решения путем предоставления экспертных мнений и рекомендаций. Искусственный интеллект интегрируется в медицинские информационные системы лечебно-профилактических учреждений любого профиля и масштаба. В фоновом режиме система анализирует сотни тысяч электронных медицинских карт в секунду, прогнозирует риски возникновения осложнений и оповещает врачей, предлагая необходимые профилактические мероприятия. Наконец, система поддерживает процесс клинической диагностики, выявляет раннее развитие патологических процессов и, используя персонализированный подход к подбору методов терапии, рекомендует оптимальное лечение с учетом индивидуальных особенностей каждого пациента.
Искусственный интеллект в медицине — высокотехнологичная система, решающая задачи обеспечения и улучшения качества медицинской помощи на национальном уровне. Это ежедневный помощник врача, свободный от влияния заинтересованных лиц и «агрессивного» маркетинга фармацевтических компаний, повышающий его уровень образования в области доказательной медицины, позволяющий экономить время специалиста и знакомящий его с актуальными результатами клинической практики в заданной области. Система также повышает участие врача в практике фармаконадзора, позволяет сравнивать клиническую и экономическую эффективность применения различных медицинских технологий, в т. ч. оригинальных и генерических лекарственных препаратов. Такая информационная технология должна моментально предоставлять врачу результат аналитической обработки большого массива информации, который формируется из историй болезни в формате электронного регистра клинических данных по заданному вопросу (выбор диагностических инструментов, методов лечения, пр.). На основании результатов анализа клинической практики система формирует рекомендации по подбору диагно-
стических инструментов и/или методов лечения, наиболее приемлемых для данного пациента с учетом его диагноза и клинической картины, а также прогнозирует клинический исход терапии. Анализ применения той или иной медицинской технологии должен проводиться за весь период ее существования — с первого упоминания в клинических материалах. Таким образом, становится возможным объединение и усиление доказательности данных о рациональности и безопасности применения медицинских технологий в редких клинических случаях, ^к например при орфанных за- Я болеваниях. Обязательным условием работы интеллек- У туальной системы является Т|П интеграция в медицинскую ™ > информационную систему и наличие машинного модуля анализа медицинских текстов, что обеспечивает фоновый мониторинг действий врача и «чтение» электронной истории болезни без участия пользователя и его дополнительных усилий по вводу данных.
Помимо этого, каждой интегрированной электронной медицинской карте должен соответствовать уникальный идентификационный код пациента, который хранится в лечебно-профилактическом учреждении и/или у самого пациента. Этот код, позволяющий получить информацию о статусе пациента, его медицинской истории и индивидуальных особенностях, может быть использован при получении пациентом медицинской помощи в другом учреждении (в перспективе — в учреждении другой страны, имеющей соглашение с РФ о сотрудничестве в области оказания медицинской помощи) для принятия врачами клинического решения, а также для регистрации данных очередного клинического наблюдения и промежуточных результатов назначенной ранее терапии. Дополнительно для пациента в описываемой системе должен быть создан особый модуль, выполняющий следующие функции:
1) напоминание пациенту о визитах к врачу, о приеме лекарственных препаратов;
2) предоставление пациенту адаптированной информации о назначенных
методах диагностики и лечения, в т. ч. фармакотерапии;
3) информирование пациента о требованиях к проведению назначенных медицинских процедур и условиях, способах и режиме приема лекарственных средств;
4) поиск аптек, имеющих в наличии назначенный лекарственный препарат с функцией ранжирования по критериям цены и местонахождения аптеки;
5) возможность дистанционного контроля функционального состояния пациента. Як^ Развитие искусственного Ж интеллекта в медицине Н может существенно по-V высить качество оказа-^^ ния медицинской помощи. Благодаря специальным технологиям становится возможным:
1. Рациональное (с оптимальным соотношением эффективности и затрат) и максимально безопасное использование медицинских технологий:
4 контроль эффективности диагностических методов с формированием уровня доказательности и рекомендаций по применению при определенной нозологии у конкретной категории пациентов,
4 контроль клинической эффективности различных методов лечения с формированием уровня доказательности и рекомендаций по применению при определенной нозологии у конкретной категории пациентов, 4 анализ соотношения экономической эффективности применения диагностических методов и различных терапевтических подходов при определенной нозологии у конкретной категории пациентов.
2. Прогнозирование клинических исходов, развития осложнений и побочных эффектов терапии с учетом индивидуального профиля пациента.
3. Формирование предложений для оптимизации ограничительных формулярных перечней лекарственных средств.
4. Выявление побочных эффектов лекарственных препаратов и автоматическое информирование о них регулирующих органов, повышение качества системы спонтанных сообщений о побочных эффектах и неэффективности ле-
карственных препаратов на пострегистрационном этапе их применения. Последнее также позволит РФ как крупному участнику пострегистрационного мониторинга эффективности и безопасности применения лекарственных препаратов в рутинной клинической практике выйти на активные позиции в мировой системе фармаконадзора. Использование такого «разумного» помощника избавит врача от работы по заполнению дополнительных бумажных форм (при формировании заявок на включение лекарственного препарата в формулярный перечень, оформлении спонтанных сообщений) и освободит дополнительное время для лечебного процесса, что также приведет к улучшению качества медицинской помощи.
• ЗАДАЧИ И РЕШЕНИЯ
Для качественной работы экспертных медицинских систем необходимо создание в их структуре функционального ядра в виде базы, где будут объединены знания из всех областей медицины — от клинического опыта врачей до молекулярной биологии. При этом от качества и объема накопленных формализованных знаний напрямую будет зависеть эффективность всей системы. При создании системы разработчик сталкивается с рядом задач [2].
Задача №1. Модель представления знаний, способная описать слабофор-мализованные и зачастую противоречивые знания из разных областей медицины.
Мнения экспертов обычно формируются интуитивно с нечеткой оценкой фактов, которые необходимо привести к общему знаменателю с объективными данными, полученными в результате клинических исследований. Не менее проблематично
ния медицинских знаний, которая может описывать любую область медицины. В отличие от традиционных моделей представления знаний, где используются семантические сети, основанные на теории графов, предлагаемая модель основана на концепции, где используются боковые соединения. То есть допускается возможность соединения вершин с ребрами и ребер между собой, схема модели изображена на рисунке 1.
рисунок Модель представления медицинских знаний
(боковые отношения между элементами графа как дополнение к теории графов)
- —
(ъ )
V J V,
е\
V V »1 v2 и V3 — вершины графа
е1 e2 — ребра графа [ Vi
-—-
объединение знаний с формированием комплементарности фактов из разных областей медицины и биологии, представленных множеством разнообразных по структуре онтологий. Еще сложнее формализовать патологические процессы, когда требования к выбору модели представления знаний резко возрастают [3]. Специально для решения этих задач разработана новая модель представле-
Вершины графа V1 и V, соединяются ребром e1, которое одновременно формирует новую сущность или отношение e1 = (V, V,}. Ребро e1 может соединяться с другой вершиной Vз, формируя новое ребро е2 = (е1, Vз}, которое, в свою очередь, также является сущностью или отношением.
Это всего лишь один из элементов многогранной модели, которая дает огром-
рисунок Модель представления медицинских знаний (принципы многофакторного влияния на отношения между концептами)
Type ties — тип связи ==> — направление связи Q — вес связи или значение связи
а — достоверность веса или значения связи D — дата актуализации связи Person — персонализации отношения, веса или значения связи
Impact — допускается мультифакторное влияние на вес или значение связи. Множество элементарных и промежуточных признаков, которые влияют на вес.
T-start and Duration — момент актуальности связи (для моделирования динамики процесса)
ные преимущества при моделировании медицинских знаний. Использование в новой модели принципов нечеткой логики дало возможность представлять сложные слабофор-мализованные медицинские знания, максимально точно моделировать факторы риска, этиологию, патогенез заболевания (вероятность, время проявления и последовательность патологических признаков на каждом этапе развития болезни), методы лечения и профилактики. Концепция предоставляет возможность уточнять множество условий формирования патологических и компенсаторных механизмов, например признаки, характеризующие персональные особенности организма (пол, возраст, иммунный статус, хронические заболевания и др.), множество внешних и внутренних патогенных факторов, каждый из которых в той или иной степени оказывает влияние на развитие болезни. Также легко можно моделировать структурно-функциональные особенности организма и их взаимоотношения, например компенсаторные механизмы, рефлексы, сложные анатомические структуры, все особенности вариантной анатомии и другие признаки, на основании которых формируются реактивность и резистентность организма. Все это очень важно для работы системы в режиме персонифицированной медицины. Более подробное описание модели представлено в статье [4]. Данная модель представления медицинских знаний разработана компанией «Соцмедика», являющейся резидентом кластера информационных технологий фонда «Сколково».
Задача №2. Краудсорсинг для сбора и формализации большого объема знаний экспертов из разных областей медико-биологических наук, что необходимо для эффективного старта и функционирования экспертной системы даже в одной узкоспециализированной области медицины.
Особенно большие сложности возникают на этапе передачи знаний, которыми обладают эксперты. Большинство экспертов, успешно используя в повседневной деятельности свои обширные знания, испытывают затруднения при их формализации и систематизации. Для
решения данной проблемы необходим определенный стиль мышления, сочетающий склонность к анализу и систематизации, который в большей мере присущ программистам, нежели медикам. Таким образом, для разработки экспертной системы требуется привлечение специалистов, обладающих определенной совокупностью знаний и выполняющих функции «посредников» между экспертами в предметной области и программистами, или необходимо наличие особого технологического решения, при помощи которого можно распределять задачи среди экспертов, а эксперты, отвечая на конкретный вопрос, смогут обучать систему [2]. Сегодня данная проблема в основном решается методами краудсорсинга. Например, для эффективного сбора и формализации знаний в области медицины и смежных дисциплин можно использовать специальную технологию, которая применяет принципы краудсорсинга для сбора знаний непосредственно от экспертов. Система распределяет задачи среди экспертов (врачей, провизоров и биологов) и из поступающих фрагментов информации формирует семантическую сеть. Информация в систему вводится не только в текстовом виде на разных языках, но и в виде логических связей с той или иной вероятностью. Возможность построения нейронных сетей в концепции нечеткой логики позволяет системе объединять мнения неограниченного количества врачей, создавая коллективный разум. Наличие в системе модуля «конструктора онтологий» предоставляет возможность создания необходимых онто-логий для формализации знаний в любой области медицины и биологии [5]. Система моделирования базы медицинских знаний (свидетельство о государственной регистрации программы для ЭВМ №2014618583).
Задача №3. Медицинские онтологии. Для представления (хранения) знаний в предметной области в виде связей и максимально точного описания явлений разработаны специальные онтологии. Медицинские онтологии разделены на две большие группы: 1. Онтологии формирования медицинских признаков из элементарных терминов (правила формирования струк-
турных, функциональных, параметрических, патологических и других медико-биологических признаков). 2. Онтологии описания патологических процессов и других медицинских явлений (правила моделирования факторов риска, распространенности, этиологии, патогенеза, клинической картины, диагностики, дифференциальной диагностики, лечения, профилактики, исхода патологических процессов, лекарственных взаимодействий, ограничений к применению и т. п.). Большинство онто-логий допускают моделирование динамики процесса и персонификации отношений.
Онтологии являются краеугольным камнем для основных модулей разрабатываемой экспертной системы. Например, они используются машиной при извлечении фактов из теста, структурировании знаний, формировании классификаторов и в работе алгоритмов экспертной системы.
Задача №4. Гибкая система классификаторов, способная автоматически расширяться в процессе ее использования. Неотъемлемой частью любой базы знаний, лежащей в основе экспертной системы, являются классификаторы. Классификаторы — это не что иное, как каркас базы знаний, а его элементы — это «точки кристаллизации» для всей семантической сети.
Медицина постоянно развивается, а вместе с ней эволюционирует медицинская терминология и совершенствуются классификаторы. Построенные в базе знаний классификаторы нозологий постоянно приходится реконструировать и расширять вслед за развитием фундаментальной и прикладной медицины. При реконструкции классификаторов приходится реорганизовывать огромную часть семантической сети. Обычный формат иерархического представления классификаторов порой бывает недостаточным для детального описания всех этапов развития болезни. Возникает необходимость создания динамических классификаторов, способных развиваться автоматически в рамках более низовых правил. Детальные медицинские классификаторы необходимы для автоматического извлечения фактов из медицинских текстов.
Для решения этой проблемы разработан специальный классификатор медицинских концептов (терминов), способный автоматически расширяться в процессе его использования в клинической работе [6].
Классификатор медицинских терминов Socmedica МТ (свидетельство о государственной регистрации базы данных №2015620304). Л
Это каркас создаваемой базы знаний, представляющий аЯ^^ собой развернутый систе- 41 матизированный класси- нН фикатор медицинских * концептов, терминов и их ^И синонимов на русском языке. ^ЧЯ Ключевые концепты имеют связи с часто используемыми атрибутами (архетипами). Сложные концепты разделены на простые элементы по принципу бинарного деления, что повышает эффективность поиска. Преимуществом классификатора является возможность формирования концептов по правилам медицинских онтологий. Это позволяет создавать необходимые медицинские концепты в процессе использования классификатора в клинической работе. Предусмотрена возможность создания комплементарнос-ти с другими классификаторами клинических терминологий. Данный классификатор позволяет максимально формализовать и индексировать текстовую информацию во время ее ввода в медицинскую карту пациента. Он имеет целый ряд преимуществ перед зарубежными аналогами:
а) формирование новых концептов происходит в режиме реального времени при использовании классификатора в клинической работе;
б) поиск концептов осуществляется по ключевым фразам, при этом используются медицинские онтологии;
в) классификатор представлен на русском языке (платформа мультиязыч-ная и может поддерживать комплемен-тарность с зарубежными классификаторами);
г) сегодня классификатор содержит самое большое количество уникальных концептов (терминов, не считая синонимов), используемых в медицине, количество которых превышает 2,5 млн. Но это ничто по сравнению с тем, что
может автоматически создаваться в процессе его использования; д) для многих ключевых концептов сформированы связи с возможными часто используемыми атрибутами (т. н. архетипы). В основном это относится к симптомам, типовым патологическим процессам и параметрическим признакам.
^ Задача №5. Технология ма-^^^ шинного обучения путем ^^^^ анализа медицинских текстов. Извлечение инфор-Н мации из медицинских щ текстов является сложной технологической задачей.
Сегодня технологий лингвистического анализа текстов очень много [7], но, как показала практика, анализа текста на уровне только лингвистических правил недостаточно для правильного извлечения фактов из медицинской литературы. Для этого в основе системы должны лежать необходимые базовые знания в области медицины. Чтобы лучше представить проблему, можно привести простой пример. Если попросить специалиста в области лингвистики, не имеющего медицинского образования, прочитать о какой-нибудь патологии в учебнике внутренних болезней, то даже общей картины заболевания у него не сформируется, не говоря уже о правильном толковании этиологии, патогенеза и клинической картины заболевания. Для правильного понимания смысла лингвисту нужны как минимум базовые знания в области медицины, физиологии, патофизиологии человека и фармакологии.
Именно поэтому экспертную систему нужно обучать шаг за шагом, наполнять базу знаний слой за слоем, подобно тому, как учат студента в медицинском вузе. Поскольку вся основная информация находится в учебниках, система должна научиться читать и понимать медицинскую литературу. Для эффективного извлечения фактов из текста база знаний должна быть наполнена минимальной основной информацией, включающей медицинские онтологии, классификаторы, систематизированные знания в области анатомии, физиологии и патофизиологии человека.
Задача №6. Модуль формирования степени доказательности и достоверность данных. Острой остается проблема качества знаний, передаваемых системе, и их достоверности, а также гибкости системы и ее способности к самообучению [2]. Согласно принципам доказательной медицины, главным мерилом доказательности данных являются рандомизированные контролируемые клинические исследования [8]. Однако в результатах подобных исследований не все так очевидно и прозрачно, как может показаться на первый взгляд. Существует множество ограничений для экстраполяции данных, полученных в ходе клинических испытаний, в условия клинической практики. Они определяются рядом проблем:
1. Проблемы трансфера результатов, полученных в ходе клинических исследований (рандомизированных контролируемых исследований, которые считаются «золотым стандартом» методологии клинических испытаний и, соответственно, результаты которых оцениваются высоко по шкале уровней доказательности):
а) несоответствие стандартов ведения и лечения пациентов «по протоколу» реалиям клинической практики;
б) относительно «чистая» выборка пациентов — участников исследования с точки зрения сопутствующих заболеваний, стадии основного заболевания, клинического состояния на момент включения в исследование;
в) большая комплаентность пациентов по сравнению с «обычными» пациентами.
2. Проблемы публикации результатов:
а) неудовлетворительные результаты исследования могут не сообщаться широкому медицинскому сообществу;
б) достоверность и качество опубликованных данных должны быть очень строго проанализированы для определения степени доказательности;
в) незаявленный конфликт интересов не всегда позволяет авторам объективно подходить к интерпретации результатов исследования при их публикации. Вышеописанные проблемы нивелируются при условии дополнительного анализа данных, полученных в процессе лечения пациентов, т. е. на пострегистрационном этапе, после выхода лекарственного препарата в широкое потребле-
ние. Степень доказательности данных, подтвержденная «реальной» клинической практикой, более достоверна и применима.
Разработан модуль определения степени доказательности и достоверности данных. Одной из особенностей представления данных в системе является то, что любые знания, поступающие в базу, всегда содержат информацию об их источнике. В системе есть инструмент учета репутации и авторитета эксперта. Имея возможность хранить мнения неограниченного количества экспертов относительно одного факта, система может объединять точки зрения различных специалистов. При анализе знаний, сконцентрированных вокруг одного факта, система, используя методы статистического анализа, выявляет вероятные ошибки, отклонения от общего мнения, затем отправляет их на модераторную проверку. В процессе клинического применения базы данных формируется рейтинг эксперта, который в дальнейшем используется для оценки значимости мнения, вводимого им в систему. Степень доверия и значимость мнения эксперта прямо пропорциональны количеству его правильных ответов.
Задача №7. Объединенная база медицинских знаний как общее ядро для разрабатываемых экспертных систем в области медицины. На основе представленных технологий создана Объединенная база медицинских знаний — United Medical Knowledge Base (UMKB), в которой собраны знания из всех областей медицины, начиная с клинического опыта врачей и заканчивая молекулярной биологией. Знания представлены в виде семантической сети, структурированы на основе медицинских онтологий и нечеткой логики связей. Это облачное решение для разработки экспертных систем в медицинской сфере. Наполнение UMKB осуществляется различными специалистами из научных центров и институтов страны. По сути, UMKB представляет собой «живой организм», т. к. знания постоянно будут пополняться и обновляться с развитием медицины и эволюцией болезней.
Задача №8. Обслуживание базы знаний и постоянная актуализация информации. Сложности, возникающие при обслуживании базы знаний, заключаются в необходимости постоянной актуализации информации вслед за бурным развитием медицины что требует привлечения большого количества экспертов из разных областей медицинской науки и разработки специальных технологий анализа и сбора данных из первичных источников. В итоге это выливается в большие финансовые и временные затраты. По мнению большинства экспертов, именно эта проблема обусловливает высокий инвестиционный риск подобных проектов [9]. Для решения этой проблемы необходимо разработать интеллектуальную систему, которая должна анализировать архив электронных медицинских карт, систематизировать истории болезни (в т. ч. слабоформализованные текстовые поля), проводить статистическую обработку клинического материала и создавать регистры клинической практики согласно поставленным задачам. В систему загружаются обезличенные электронные медицинские карты пациентов, или она интегрируется в МИС лечебно-профилактического учреждения любого формата. Далее с помощью интерак-
тивного интерфейса моделируются задачи и дизайн ретроспективного исследования, критерии включения и исключения, первичные и вторичные конечные точки и т. п.
В итоге выдается результат в виде отчета с возможностью подробной визуализации этапов анализа, а также в виде оригинальных регистров, построенных в соответствии с поставленными задачами. Данная технология решит не только проблему постоянной актуализации базы знаний, но и в перспективе позволит справиться со следующими задачами:
4 сформировать регистры эффективности методов диагностики, лечения и профилактики различных заболеваний и выработать оптимальные стандарты лечения для конкретных клинических случаев;
ф выявить глубину причинно-следственных связей между факторами риска и патологическими процессами на основании мультифакторного корреляционного анализа большого объема медицинских данных; 4 проводить ретроспективный эпидемиологический анализ с выявлением закономерностей возникновения и распространения заболеваний различной этиологии.
ИСТОЧНИКИ
1. Жарко В.И., Цыбин А.К., Малахова И.В. Вопросы организации и информатизации здравоохранения. 2006. 4.
2. Гречин И.В. Разработка экспертной системы на основе эволюционных методов: дис. канд. техн. наук (05.13.12). Таганрог, 2003. 200 с. РГБ ОД: 61:04-5/614-8.
3. Дюк В.А., Эмануэль В.Л. Информационные технологии в медико-биологических исследованиях. СПб.: Питер, 2003.
4. Модель представления медицинских знаний. Режим доступа: http://umkb.ru/model.
5. Технология моделирования медицинских знаний. Режим доступа: http://www.umkb.com/ #!technology/jh7q2.
6. Классификатор медицинских терминов. UMKB. Режим доступа: http://www.umkb.com/ #!classifier-umkb/qylev.
7. Shelmanov AO, Smirnov IV, Vishneva EA. Information extraction from clinical texts in Russian. Computational Linguistics and Intellectual Technologies: Papers from the Annual International Conference Dialogue (2015). Issue 14 (21). 2015. 1: 560-572.
8. Основы доказательной медицины. Учебное пособие для системы послевузовского и дополнительного профессионального образования врачей. Под общ. ред. акад. РАМН, профессора Р.Г. Оганова. М.: Силицея-Полиграф, 2010.
9. Лихварев А.С., Асеева Н.В. Оценка инвестиционной привлекательности IT-проектов с учетом особенностей современных подходов к архитектуре программных комплексов. Бизнес — информатика. 2008. 4: 3-12.
