обработка и анализ медицинских данных
MedicBK

При разработке сервиса использованы инструменты для автоматизированного распознавания, машинного перевода и анализа медицинских текстов.

Обработка статистических и регистровых данных выполнена с применением network-meta-analysis.

Библиотеки и БД анализа текстовых данных
Apache PDFBox, Tabula;

cTAKES , RxNorm_index, OrangeBook, UMLS, LVG;

OpenNLP
Network-meta-analysis
Расчет выполняется в среде языка программирования R (https://www.R-project.org/).

Делаются как прямые, так и непрямые попарные сравнения интересующих вмешательств, предусмотрена возможность выбора рефферентного вмешательства (группы контроля), а также подгруппы пациентов по факторам риска (например, пациенты со снижением расчетной скорости клубочковой фильтрации почек).

Критерии включения данных:
  • рандомизированные контролируемые исследования (РКИ) и проверенные регистровые данные, имеющее как минимум 2 группы (плацебо, или активный контроль);
  • наличие данных по клиническим точкам лечения для расчета меры эффективности/безопасности вмешательства (effect size);

В зависимости от формата данных, в качестве меры эффективности/безопасности вмешательства, используются incidence rate ratio (IRR), или odds ratio (OR), с соответствующим 95% доверительным интервалом (95% confidence interval, CI).
Технологический стек
Основные языки программирования: Java, Kotlin, Javascript, R.

Back-end
Фреймворк Spring в качестве сервера приложений. Хранение и обработка данных: СУБД Postgresql.

Все базовые компоненты ПО разрабатываются с использованием микросервисной архитектуры. Взаимодействие обеспечивается через обмен сообщениями по протоколу AMQP c использованием RabbitMQ. Компоненты запакованы в Docker-контейнеры и управляются через Swarm.

Front-end

Интерфейс React.js + Material-UI.

Обмен данными: GraphQL.

Аутентификации и авторизация: JSON Web Token(JWT).
Интеграция с МИС Лечебного Учреждения (ЛУ) (JSON, XML)
Быстрый доступ сотрудника ЛУ по ссылке на сайт http://console.medicbk.com/ из МИС ЛУ на шаге после выбора заболевания по пациенту.

Экспорт файла с данными из заключительного шага по каждому сохраненному в http://console.medicbk.com/ профилю пациента. ЛУ на стороне МИС обеспечивает возможность импорта файла и его привязки к профилю пациента в МИС.

Для автоматического сохранения данных в структуре БД МИС выполняется согласование идентификаторов препаратов и заболеваний.
Интерпретируемость результатов машинного обучения — далеко не тривиальный вопрос, важен для научного сообщества и разработчиков, для практикующих специалистов. Без ответа на него невозможно говорить о полноценном применении ИИ в доказательной медицине.

В сервисе MedicBK у каждого эксперта есть возможность проверить достоверность информации.

Дерево принятия решений проверяется по клиническим рекомендациям (прямое цитирование ESC & AHA), дата сеты - по данным из опубликованных исследований (ссылки на статьи).
Если остались вопросы
или планируете стать участником MedicBK, пожалуйста, заполните и отправьте форму

Made on
Tilda