Подход к разработке модульной архитектуры базы данных в области интенсивной терапии и реанимации

   В статье представлено проектирование базы данных, предназначенной для оптимизации хранения и обработки медицинских данных, с акцентом на поддержку принятия решений в области интенсивной терапии и реанимации.

   Целью исследования является разработка логической модели базы данных на основе передовых принципов и методов, используемых в международных проектах открытых баз данных, способной минимизировать ошибки, связанные с человеческим фактором, и улучшить точность прогноза состояния пациентов в реальном времени.

   Методология работы основана на сравнительном анализе существующих международных медицинских баз данных, таких как MIMIC-IV и eICU. Для проектирования новой базы данных применен инновационный модульный подход, который обеспечивает гибкость и масштабируемость системы. Основные результаты работы заключаются в создании логической модели базы данных, которая может быть эффективно использована в российской системе здравоохранения, в том числе в удаленных и малоресурсных регионах. Логическая модель разработана с учётом специфики медицинских данных, включая модули для хранения информации о госпитализациях, показателях состояния пациентов, лабораторных исследованиях, медикаментозных назначениях и других аспектах клинической практики. Важной частью исследования является интеграция базы данных с российскими медицинскими информационными системами и адаптация к национальным стандартам и нормативным требованиям. Созданная архитектура логической модели минимизирует влияние человеческого фактора, автоматизирует анализ данных и может использоваться в разработке систем поддержки принятия врачебных решений. Практическая значимость заключается в повышении качества медицинской помощи и снижении нагрузки на персонал. Система применима в российских учреждениях, включая удаленные регионы, и способствует цифровизации здравоохранения.

1. Указ Президента Российской Федерации от 07. 05. 2024 г. № 309 «О национальных целях развития Российской Федерации на период до 2030 года и на перспективу до 2036 года».

2. Единый план по достижению национальных целей развития Российской Федерации до 2030 года и на перспективу до 2036 года (утв. Правительством РФ).

3. Покида А.Н., Зыбуновская Н.В. Здоровье в восприятии россиян и реальные медицинские практики // Здоровье населения и среда обитания. 2021. — Т. 29. — № 7. — С. 19–27. doi: 10.35627/2219-5238/2021-29-7-19-27.

4. Сычев Е.В., Есауленко И.Э., Петрова Т.Н., Петров И.С. Особенности кадровой политики сельского здравоохранения и пути повышения ее эффективности // Наука молодых (Eruditio Juvenium). — 2023. — Т. 11. — № 4. — С. 535-544. doi: 10.23888/HMJ2023114535-544.

5. Романюк Т.И., Поздняков Д.Ю., Мушенок Ф.Б. Использование возможностей машинного обучения и искусственного интеллекта в отделениях анестезиологии и реанимации // Врач и информационные технологии. — 2021. — № 2. — С. 60-71. doi: 1025881/18110193_2021_2_60.

6. Романюк Т.И., Поздняков Д.Ю., Мушенок Ф.Б. Использование возможностей машинного обучения и искусственного интеллекта в отделениях анестезиологии и реанимации // Врач и информационные технологии. — 2021. — № 2. — С. 60-71. doi: 1025881/18110193_2021_2_60.

7. Горбань В.И., Щеголев А.В., Проценко Д.Н. и др. Цифровизация службы анестезиологии и реаниматологии: многоцентровое анкетное исследование // Вестник интенсивной терапии им. А.И. Салтанова. — 2024. — № 2. — C. 43-53. doi: 10.21320/1818-474X-2024-2-43-53.

8. Гусаров В.Г., Замятин М.Н., Гороховатский Ю.И. и др. Безопасность пациента как основа стратегии развития службы анестезиологии и реаниматологии Пироговского центра // Вестник Национального медико-хирургического Центра им. Н. И. Пирогова. — 2022. — № 4.– С. 4-12. doi: 10.25881/20728255_2022_17_4_2_4.

9. Карпов О.Э., Гусаров В.Г., Замятин М.Н. и др. Интеграция цифровых решений в работу службы анестезиологии и реаниматологии многопрофильной клиники // Вестник НМХЦ им. Н.И. Пирогова. — 2020. — № 15(3-2). — С. 106-113. doi: 10.25881/BPNMSC.2020.33.66.020.

10. Клыков А.И., Фролов Н.С. Особенности приоритетного проекта «Совершенствование процессов организации медицинской помощи на основе внедрения информационных технологий» // Смоленский медицинский альманах. — 2019. — № 3. — С. 78-81.

11. Корчагин Е.Е., Гордеева Н.В., Демко И.В. и др. Использование информационных систем в здравоохранении // Сибирское медицинское обозрение. — 2019. — № 3. — С. 106-111. doi: 10.20333/2500136-2019-3-106-111.

12. Клейменова Е.Б., Яшина Л.П. Hоль медицинских информационных технологий в обеспечении безопасности пациентов // Врач и информационные технологии. — 2020. — №3. — C.13-24. doi: 10.37690/1811-0193-2020-3-13-24.

13. Михеев А.Е. Возможности, проблемы и перспективы информационных технологий в сфере клинической безопасности // Менеджер здравоохранения. — 2023. — № 1. — С. 5-20. doi: 10.21045/1811-0185-2023-S-5-20.

14. Кошечкин К.А. Регулирование искусственного интеллекта в медицине // Пациентоориентированная медицина и фармация. — 2023. — № 1(1). — С. 32-40. doi: 10.37489/2949-1924-0005.

15. Mirskikh I, Mingaleva Z, Kuranov V, Matseeva S. Digitization of Medicine in Russia: Mainstream Development and Potential. In: Antipova, T. (eds) Integrated Science in Digital Age 2020. ICIS 2020. Lecture Notes in Networks and Systems. 2021; 136. Springer, Cham. doi: 10.1007/978-3-030-49264-9_30.

16. Kononova O, Prokudin D, Timofeeva A, Matrosova E. The Digital Era of Healthcare in Russia: Case Study. Lecture Notes in Information Systems and Organization, in: Zaramenskikh E, Fedorova A. (ed.), Digital Transformation and New Challenges. 2021. Р.265-286. Springer.

17. Яновская О., Кулагина Н., Логачева Н., Цифровое неравенство российских регионов // Sustainable Development and Engineering Economics 1. — 2022. — № 5. — С. 77-98. doi: 10.48554/SDEE.2022.1.5.

18. Кром И.Л., Еругина М.В., Еремина М.Г. и др. Оптимизация медицинской помощи в региональном здравоохранении: перспективы и барьеры // Социология медицины. — 2023. — Т. 22. — № 1. — C. 19-27. doi: 10.17816/socm252064.

19. Гречко A.В., Ядгаров M.Я., Яковлев А.А. и др. Российская база данных реанимационных пациентов — RICD // Общая реаниматология. — 2024. — № 20(3). — С. 22-31. doi: 10.15360/1813-9779-2024-3-22-31.

20. Chen C, Ma S, Liao L, Xiao Y, Dai H. Effects of mesenchymal stem cells on postresuscitation renal and intestinal injuries in a porcine cardiac arrest model. Shock. 2023; 59(5): 803-809. doi: 10.1097/SHK.0000000000002107.

21. Kakadiaris A. Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline Algorithm: Application to the ICU Length of Stay Prediction. License: arXiv.org perpetual non-exclusive license arXiv:2401.00902v1 [cs.LG] 31 Dec 2023. doi: 10.48550/arXiv.2401.00902.

22. González-Nóvoa JA, Busto L, Rodríguez-Andina JJ, et al. Using Explainable Machine Learning to Improve Intensive Care Unit Alarm Systems. Sensors. 2021; 21: 7125. doi: 10.3390/s21217125.

23. Alabdulhafith M, Saleh H, Elmannai H, et al. A Clinical Decision Support Systemfor Edge/Cloud ICU Readmission Model Based on Particle Swarm Optimization, Ensemble Machine Learning, and Explainable Artificial Intelligence. IEEE Access. 2023; 11: 100604–100621. doi: 10.1109/ACCESS.2023.3312343.

24. Amico B. Explainable Temporal Data Mining Techniques to Support the Prediction Task in Medicine. S.S.D. INF/01 — Informatics. 2023. Р. 165.

25. Thorsen-Meyer HC, Nielsen AB, Nielsen AP, et al. Dynamic and explainable machine learning prediction of mortality in patients in the intensive care unit: a retrospective study of high-frequency data in electronic patient records. Lancet Digit Health. 2020; 2(4): e179-e191. doi: 10.1016/S2589-7500(20)30018-2.

26. Shishkin S, Sheiman I, Vlassov V, Potapchik E, Sazhina S. Structural changes in the Russian health care system: do they match European trends? Health Econ Rev. 2022; 12(1): 29. doi: 10.1186/s13561-022-00373-z.

27. Ye Z, An S, Gao Y, et al. Association between the triglyceride glucose index and in-hospital and 1-year mortality in patients with chronic kidney disease and coronary artery disease in the intensive care unit. Cardiovasc Diabetol. 2022; 110(2023). doi: 10.1186/s12933-023-01843-2.

28. Xu J, Cai H, Zheng, X. Timing of vasopressin initiation and mortality in patients with septic shock: analysis of the MIMIC-III and MIMIC-IV databases. BMC Infect Dis. 2023; 199(2023). doi: 10.1186/s12879-023-08147-6.

29. Di Martino F, Delmastro F. Explainable AI for clinical and remote health applications: a survey on tabular and time series data. Artif Intell Rev. 2023; 56: 5261-5315. doi: 10.1007/s10462-022-10304-3.

30. Morid AM, Sheng O, Dunbar J. Time series prediction using deep learning methods in healthcare. ACM Trans Manage Info Systs. 2023; 14: 1-29. doi: 10.1145/3531326.

31. Idowu EAA, Teo J, Salih S, Valverde J, Yeung JA. Streams, rivers and data lakes: an introduction to understanding modern electronic healthcare records. Clin Med (Lond). 2023; 23(4): 409. doi: 10.7861/clinmed.2022-0325.

32. Stephany ND, Nan K, Douglas C, et al. HL7 FHIR-based tools and initiatives to support clinical research: a scoping review, Journal of the American Medical Informatics Association. 2022; 29(9): 1642-1653. doi: 10.1093/jamia/ocac105.

33. Dhayne H, Haque R, Kilany R, Taher Y. In Search of Big Medical Data Integration Solutions - A Comprehensive Survey. In IEEE Access. 2019; 7: 91265-91290. doi: 10.1109/ACCESS.2019.2927491.

34. Parciak M, Suhr M, Schmidt C, et al. FAIRness through automation: development of an automated medical data integration infrastructure for FAIR health data in a maximum care university hospital. BMC Med Inform Decis Mak 23. 2023; 94. doi: 10.1186/s12911-023-02195-3.

35. Bernonille S, Nies J, Pedersen HG, et al. Three different cases of exploiting decision support services for adverse drug event prevention. Stud Health Technol Inform. 2011; 166: 180-8.

36. Imran S, Mahmood T, Morshed A, ad Sellis T. Big data analytics in healthcare − A systematic literature review and roadmap for practical implementation, in IEEE/CAA Journal of Automatica Sinica. 2021; 8(1): 1-22. doi: 10.1109/JAS.2020.1003384.

37. Ciampi M, Sicuranza M, Silvestri S. A Privacy-Preserving and Standard-Based Architecture for Secondary Use of Clinical Data. Information 2022; 13(2): 87. doi: 10.3390/info13020087.

38. Jiang J, Hewner S, Chandola V. Explainable Deep Learning for Readmission Prediction with Tree-GloVe Embedding, 2021 IEEE 9th International Conference on Healthcare Informatics (ICHI). 09-12 August 2021. Р. 138-147. doi: 10.1109/ICHI52183.2021.00031.

39. Blinov P, Avetisian M, Kokh V, Umerenkov D, Tuzhilin A. Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-Based Neural Networks. In: Michalowski M, Moskovitch R. (eds) Artificial Intelligence in Medicine. AIME 2020. Lecture Notes in Computer Science,2020; 12299. Springer. Cham. doi: 10.1007/978-3-030-59137-3_11.

40. Kontsevaya A, Bobrova N, Barbarash O, et al. The management of acute myocardial infarction in the Russian Federation: protocol for a study of patient pathways. Wellcome Open Res. 2017; 2: 89. doi: 10.12688/wellcomeopenres.12478.2.

41. Brankovic A, Hassanzadeh H, Good N, et al. Explainable machine learning for real-time deterioration alert prediction to guide pre-emptive treatment. Sci Rep. 2022; 12: 11734. doi: 10.1038/s41598-022-15877-1.

42. Pang K, Li L, Ouyang W, Liu X, Tang Y. Establishment of ICU Mortality Risk Prediction Models with Machine Learning Algorithm Using MIMIC-IV Database. Diagnostics. 2022; 12(5): 1068. doi: 10.3390/diagnostics12051068.

43. Sun Y, He Z, Ren, J, et al. Prediction model of in-hospital mortality in intensive care unit patients with cardiac arrest: a retrospective analysis of MIMIC-IV database based on machine learning. BMC Anesthesiol. 2023; 23: 178. doi: 10.1186/s12871-023-02138-5.

44. Liu W, Tao G, Zhang Y, et al. A Simple Weaning Model Based on Interpretable Machine Learning Algorithm for Patients With Sepsis: A Research of MIMIC-IV and eICU Databases. Front. Med. 2022; 8: 814566. doi: 10.3389/fmed.2021.814566.

45. Kovalchuk SV, Funkner AA, Metsker OG, Yakovlev AN. Simulation of patient flow in multiple healthcare units using process and data mining techniques for model identification. Journal of biomedical informatics, 2018; 82: 128-142. doi: 10.1016/j.jbi.2018.05.004.

46. Cao Y, Li Y, Wang M, et al. Interpretable machine learning for predicting risk of invasive fungal infection in critically ill patients in the intensive care unit: a retrospective cohort study based on MIMIC-IV database. Shock. 2024; 61(6): 817-827. doi: 10.1097/SHK.0000000000002312.

47. Sun Y, He Z, Ren J, et al. Prediction model of in-hospital mortality in intensive care unit patients with cardiac arrest: a retrospective analysis of MIMIC -IV database based on machine learning. BMC Anesthesiol. 2023; 23: 178. doi: 10.1186/s12871-023-02138-5.

48. Pang K, Liang L, Wen O, Xing L, Yongzhong T. Establishment of ICU Mortality Risk Prediction Models with Machine Learning Algorithm Using MIMIC-IV Database. Diagnostics,2022; 12(5): 1068. doi: 10.3390/diagnostics12051068.

49. Shu T, Huang J, Deng J, et al. Development and assessment of scoring model for ICU stay and mortality prediction after emergency admissions in ischemic heart disease: a retrospective study of MIMIC-IV databases. Intern Emerg Med. 2023; 18: 487-497. doi: 10.1007/s11739-023-03199-7.

50. Johnson AEW, Bulgarelli L, Shen L, et al. MIMIC-IV, a freely accessible electronic health record dataset. Sci Data. 2023; 10(1). doi: 10.1038/s41597-022-01899-x.

51. Medical Information Mart for Intensive Care. MIMIC Online Documentation: https://mimic.mit.edu.