Система поддержки принятия решений как инструмент развития цифровых технологий в медицине

Аннотация

Системы поддержки принятия клинических решений (СППР, CDSS) активно внедряются в цифровое сопровождение деятельности медицинских организаций, предоставляя врачам оперативный доступ к научно-методической доказательной базе знаний и медицинских данных на всех этапах оказания медицинской помощи. Опыт применения СППР показал улучшение результатов лечения пациентов, снижение количества медицинских ошибок и повышение клинической и экономической эффективности в целом. Изучение потенциальных возможностей СППР продолжается, ими определяются перспективы будущих разработок в этой области. В то же время существует ряд проблем, связанных с внедрением СППР, из которых приоритетными являются проблемы безопасности медицинских данных, системной интеграции и одобрения программного продукта медицинскими специалистами. СППР продемонстрировали значительный потенциал, но их внедрение и оптимизация остаются сложной задачей. В статье представлен обзор публикаций по результатам исследований по теме развития и внедрения СППР в медицине, роли искусственного интеллекта (ИИ, AI) и машинного обучения (ML) в разработке новых моделей лечения. Системы поддержки принятия решений для медицинских работников и пациентов вошли в число приоритетов прикладных научных исследований в интересах медицины и здравоохранения, предложенных Минздравом России. Эти разработки включены в раздел инновационных технологий цифрового управления в здравоохранении. 

Литература

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.

Реброва О.Ю. Эффективность систем поддержки принятия врачебных решений: способы и результаты оценки // Клиническая и экспериментальная тиреоидология, 2019. Т. 15. № 4. DOI: 10.14341/ket12377

Bates D.W., Kuperman G.J., Wang S., et al. Ten commandments for effective clinical decision support: making the practice of evidence-based medicine a reality // J Am Med Inform Assoc 2003.10: P. 523–30. DOI: 10.1197/jamia.M1370

Belard A., Buchman T., Forsberg J., et al. Precision diagnosis: a view of the clinical decision support systems (CDSS) landscape through the lens of critical care // J Clin Monit Comput 2017. 31: P. 261–71. DOI: 10.1007/s10877-016-9849-1

Binkley C.E., Green B.P. Does intraoperative artificial intelligence decision support pose ethical issues // JAMA Surg 2021. 56: P. 809–10. DOI: 10.1001/jama-surg.2021.2055

Bonney W. Impacts and risks of adopting clinical decision support systems. In: Efficient decision support systems: practice and challenges in biomedical related domain. 2011. P. 21–30. DOI: 10.5772/16265

Chen Z., Zhao Chen, Ning Liang, Haili Zhang, et al. Harnessing the power of clinical decision support systems: challenges and opportunities // Open Heart 2023. P. 1–11, 10: e002432. DOI: 10.1136/openhrt-2023-002432

Collins F.S., Varmus H. A new initiative on precision medicine // N Engl J Med 2015. 372: P. 793–5. DOI: 10.1056/NEJMp1500523

Gao S., Tibiche C., Zou J., et al. Identifi cation and construction of combinatory cancer hallmark-based gene signature SETS to predict recurrence and chemotherapy benefit in stage II colorectal cancer // JAMA Oncol. 2016. 2: P. 37–45. DOI: 10.1001/jamaoncol.2015.3413

Garg A.X., Adhikari N.K.J., McDonald H., et al. Effects of computerized clinical decision support systems on practitioner performance and patient outcomes: a systematic review // JAMA 2005. 293: P. 1223–38. DOI: 10.1001/jama.293.10.1223

Gordon L., Grantcharov T., Rudzicz F. Explainable artifi cial intelligence for safe intraoperative decision support // JAMA Surg 2019. 154: P. 1064–5. DOI: 10.1001/jamasurg.2019.2821

Grechuta K., Shokouh P., Alhussein A., Müller-Wieland D. et al. Benefi ts of Clinical Decision Support Systems for the Management of Noncommunicable Chronic Diseases // Targeted Literature Review Interact J Med Res 2024. Vol. 13. Is. e58036. Р. 1–16. DOI: 10.2196/58036

Helmons P.J., Grouls R.J., Roos A.N., et al. Using a clinical decision support system to determine the quality of antimicrobial dosing in intensive care patients with renal insuffi ciency // Qual Saf Health Care 2010. 19: P. 22–6. DOI: 10.1136/qshc.2007.025700

Hu S. Scalable hypertension management tools in communities based on novel technologies in China // Lancet Reg Health West Pac 2022. 29:100619. DOI: 10.1016/j.lanwpc.2022.100619

Kanwal S., Khan F., Alamri S., et al. COVID‐Opt‐aiNet: a clinical decision support system for COVID‐19 detection // Int J Imaging Syst Technol 2022. 32: P. 444–61. DOI: 10.1002/ima.22695

Kleppe A., Skrede O-J., De Raedt S., et al. A clinical decision support system optimising adjuvant chemotherapy for colorectal cancers by integrating deep learning and pathological staging markers: a development and validation study // Lancet Oncol 2022. 23: P. 1221–32. DOI: 10.1016/S1470-2045(22)00391-6 

Kwan J.L., Lo L., Ferguson J., et al. Computerised clinical decision support systems and absolute improvements in care: meta-analysis of controlled clinical trials // BMJ 2020. 370:m3216. DOI: 10.1136/bmj.m3216

Manning C.L. Artifi cial intelligence could bring relevant guidelines into every consultation // BMJ 2019. 366:l4788. DOI: 10.1136/bmj.l4788

Moja L., Kwag K.H., Lytras T., et al. Eff ectiveness of computerized decision support systems linked to electronic health records: a systematic review and meta-analysis // Am J Public Health 2014. 104:e P. 12–22. DOI: 10.2105/AJPH.2014.302164

Nagendran M., Chen Y., Lovejoy C.A., et al. Artifi cial intelligence versus clinicians: systematic review of design, reporting standards, and claims of deep learning studies // BMJ 2020. 368:m689. DOI: 10.1136/bmj.m689

Ploug T., Holm S. Th e four dimensions of contestable AI diagnostics — a patient-centric approach to explainable // AI. Artif Intell Med 2020. 107:101901. DOI: 10.1016/j.artmed.2020.101901

Purcell G.P. What makes a good clinical decision support system // BMJ 2005. 330: P. 740–1. DOI: 10.1136/bmj.330.7494.740

Reed T. Sutton, David Pincock, Daniel C. Baumgart, et al. An overview of clinical decision support systems: benefi ts, risks, and strategies for success // npj Digital Medicine 2020. P. 1–10, 3:17; https://doi.org/10.1038/s41746-020-0221-y

Roshanov P.S., Fernandes N., Wilczynski J.M., et al. Features of eff ective computerised clinical decision support systems: meta-regression of 162 randomised trials // BMJ 2013. 346:f657. DOI: 10.1136/bmj.f657

Shah N.R., Khetpal V., Erqou S. Anticipating and addressing challenges during implementation of clinical decision support systems // JAMA Netw Open 2022. 5:e2146528. DOI: 10.1001/jamanetworkopen.2021.46528

Sittig D.F., Wright A., Osheroff J.A., et al. Grand challenges in clinical decision support // J Biomed Inform 2008. 41: P. 387–92. DOI: 10.1016/j.jbi.2007.09.003

Topol E.J. High-performance medicine: the convergence of human and artificial intelligence // Nat Med 2019. 25: P. 44–56. DOI: 10.1038/s41591-018-0300-7

Vivek K., M.D., FASGE, Sarah Enslin, PA-C, Seth A. Gross, MD, FASGE, History of artifi cial intelligence in medicine // Gastrointestinal Endoscopy 2020. Volume 92. No. 4: P. 807–812, DOI: 10.1016/j.gie.2020.06.040;

Yao W., Kumar A. Confl exfl ow: integrating fl exible clinical pathways into clinical decision support systems using context and rules // Decision Support Systems 2013. 55: P. 499–515. DOI: 10.1016/j.dss.2012.10.008

Zhang X., Svec M., Tracy R., Ozanich G. Clinical decision support systems with team-based care on type 2 diabetes improvement for Medicaid patients: A quality improvement project. // Int J Med Inform. 2021. Nov. 18. 158:104626. DOI: 10.1016/j.ijmedinf.2021.104626

Zikos D., DeLellis N. CDSS-RM: a clinical decision support system reference model // BMC Med Res Methodol 2018.18:137. DOI: 10.1186/s12874-018-0587-6