Разработка информационной системы для диагностики заболеваний пациентов в организациях здравоохранения с применением искусственного интеллекта

Дата изготовления: февраль 2024 года. 

Целью данной работы является повышение качества аналитики данных в организациях здравоохранения посредством разработки информационной системы интеллектуального анализа данных для диагностики заболеваний пациентов.

Для достижения указанной цели в работе были поставлены и решены следующие задачи:

1. Исследовать возможности применения систем интеллектуального анализа данных в области здравоохранения;

2. Провести сравнительный анализ существующих информационных систем и решений, применяемых в сфере здравоохранения;

3. Выполнить анализ существующих алгоритмов и библиотек искусственного интеллекта, применяемых для решения задач в области здравоохранения;

4. Решить задачи интеграции интеллектуальных информационных систем и технологий в сфере здравоохранения;

5. Разработать функциональные и нефункциональные требования к системе интеллектуального анализа данных для диагностики заболеваний пациентов в организациях здравоохранения;

6. Разработать функциональную модель системы интеллектуального анализа данных для диагностики заболеваний пациентов в организациях здравоохранения; 

7. Разработать архитектуру системы интеллектуального анализа данных для диагностики заболеваний пациентов в организациях здравоохранения;

8. Смоделировать базу данных системы интеллектуального анализа данных для диагностики заболеваний пациентов в организациях здравоохранения; 

9. Разработать прототип системы интеллектуального анализа данных для диагностики заболеваний пациентов в организациях здравоохранения;

10. Оценить экономическую эффективность внедрения разработанной системы интеллектуального анализа данных для диагностики заболеваний пациентов в организациях здравоохранения.

Есть приложения.

ВВЕДЕНИЕ 4

1 Исследование диагностики заболеваний пациентов в организациях здравоохранения и разработка требований к информационной системе 9

1.1 Исследование возможностей применения систем интеллектуального анализа данных в области здравоохранения 9

1.2 Сравнительный анализ существующих информационных систем и решений, применяемых в сфере здравоохранения 12

1.3 Анализ существующих алгоритмов и библиотек искусственного интеллекта, применяемых для решения задач в области здравоохранения 14

1.4 Задачи интеграции интеллектуальных информационных систем и технологий в сфере здравоохранения 26

1.5 Разработка функциональных и нефункциональных требований к системе интеллектуального анализа данных для диагностики заболеваний пациентов в организациях здравоохранения 30

1.6 Выводы по первой главе 34

2 Моделирование, проектирование и реализация информационной системы искусственного интеллекта для диагностики заболеваний пациентов в организациях здравоохранения 36

2.1 Разработка функциональной модели системы интеллектуального анализа данных для диагностики заболеваний пациентов в организациях здравоохранения 36

2.2 Разработка архитектуры системы интеллектуального анализа данных для диагностики заболеваний пациентов в организациях здравоохранения 50

2.3 Моделирование базы данных системы интеллектуального анализа данных для диагностики заболеваний пациентов в организациях здравоохранения 71

2.4 Выводы по второй главе 83

3 Оценка экономической эффективности внедрения разработанной системы интеллектуального анализа данных для диагностики заболеваний пациентов в организациях здравоохранения 85

3.1 Оценка экономической эффективности внедрения разработанной системы интеллектуального анализа данных 85

3.2 Выводы по третьей главе 90

Заключение 92

Приложения 103

Приложение А 103

Приложение Б 108

1. Цифровые технологии в здравоохранении [Электронный ресурс]: https://ncmu.hse.ru/chelpoten_trends/digital_healthcare (дата обращения: 12.02.2024)

2. Применение ИИ в здравоохранении: законы, стандарты, этические проблемы [Электронный ресурс]: https://cdto.ranepa.ru/sum-of-tech/materials/134 (дата обращения: 12.02.2024)

3. Иванов А.А., Петров Б.В. Применение искусственного интеллекта в медицине: новые возможности и риски / А.А. Иванов, Б.В. Петров // Медицинская информатика и инженерия. – 2020. – 215 с.

4. Тимербулатов В.М., Тимербулатов М.В. Здравоохранение во время и после пандемии / DOI: 10.24411/1728-5283-2020-10209 – Текст: электронный // cyberleninka.ru: [сайт]. – 2020. – URL: https://cyberleninka.ru/article/n/zdravoohranenie-vo-vremya-i-posle-pandemii-covid-19/viewer (дата обращения: 22.02.2024)

5. Shimizu H., Nakayama K. Artifact intelligence in oncology / DOI 10.1111/cas.14337 – Текст: электронный // nih.gov: [сайт]. – 2020. – URL: https://pubmed.ncbi.nlm.nih.gov/32133724/ (дата обращения: 10.07.2023)

6. An ensemble learning approach for brain cancer detection exploiting radiomic features / L. Brunese, F. Mercaldo, A. Reginelli [и др.] – Текст: электронный // researchgate.net : [сайт]. – 2019. – URL: https://www.researchgate.net/publication/336737685_An_Ensemble_Learning_Approach_for_Brain_Cancer_Detection_exploiting_Radiomic_Features (дата обращения: 10.07.2023)

7. Brain tumor segmentation using an ensemble of 3D U-Nets and overall survival prediction using radiomic features / X. Feng, N.J. Tustion, S.H. Patel [и др.] – Текст: электронный // nih.gov : [сайт]. – 2020. – URL: https://pubmed.ncbi.nlm.nih.gov/32322196/ (дата обращения: 10.07.2023)

8. Artificial intelligence in medicine and healthcare: a review and classification of current and near-future applications and their ethical and social Impact / G.E. Gomez, E. Gomez, R.E. Marquez [и др.] – Текст: электронный // arhiv.gov: [сайт]. – 2020. – URL: https://arxiv.org/ftp/arxiv/papers/2001/2001.09778.pdf (дата обращения: 10.07.2023)

9. Experiments that led to the first gene-edited babies: the ethical failings and the urgent need for better governance / JR. Li, S. Walker, JB. Nie [и др.] – Текст: электронный // nih.gov : [сайт]. – 2019. – URL: https://pubmed.ncbi.nlm.nih.gov/30614228/ (дата обращения: 10.07.2023)

10. Do H.J., Moon K.M., Jin H.S. Machine Learning Models for Predicting Mortality in 7472 Very Low Birth Weight Infants Using Data from a Nationwide Neonatal Network / Текст: электронный // nih.gov : [сайт]. – 2022. – URL: https://pubmed.ncbi.nlm.nih.gov/35328178/ (дата обращения: 10.07.2023)

11. Machine Learning Models for Predicting Neonatal Mortality: A Systematic Review / H. Mangold, S. Zoretic, K. Thallapureddy [и др.] – Текст: электронный // nih.gov : [сайт]. – 2021. – URL: https://pubmed.ncbi.nlm.nih.gov/34261070/ (дата обращения: 10.07.2023)

12. Nascimento, L.F., Ortega N.R. Fuzzy linguistic model for evaluating the risk of neonatal death / Текст: электронный // nih.gov : [сайт]. – 2002. – URL: https://pubmed.ncbi.nlm.nih.gov/12488934/ (дата обращения: 10.07.2023)

13. Davenport T., R. Kalakota. The potential for artificial intelligence in healthcare / Текст: электронный // nih.gov : [сайт]. – 2019. – URL: https://pubmed.ncbi.nlm.nih.gov/31363513/ (дата обращения: 10.07.2023)

14. Four Principles of Explainable Artificial Intelligence (Draft) / P.J. Philips, A.C. Hahn, P.C. Fontana [и др.] – Текст: электронный // nist.gov : [сайт]. – 2020. – URL: https://www.nist.gov/publications/four-principles-explainable-artificial-intelligence-draft (дата обращения: 02.09.2023)

15. The clinical data management and acquisition platform of choice. [Электронный ресурс]: https://www.merative.com/clinical-development (дата обращения: 16.10.2023)

16. Zebra Technologies Completes Acquisition of Matrox Imaging [Электронный ресурс]: https://www.zebra.com/us/en/about-zebra/newsroom/press-releases/2022/zebra-technologies-completes-acquisition-of-matrox-imaging.html (дата обращения: 23.10.2023)

17. Botkin A.I. Для государственных органов в системе здравоохранения [Электронный ресурс]: https://botkin.ai/government (дата обращения: 19.10.2023)

18. Медицинские решения с использованием ИИ [Электронный ресурс]: https://sbermed.ai/diagnostic-center/our-algorithms/ (дата обращения: 06.09.2023)

19. Schober P., Vetter T.R. Logistic Regression in Medical Research / Текст: электронный // nih.gov : [сайт]. – 2021. – URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7785709/ (дата обращения: 10.07.2023)

20. Hsu D., Mazundar A. On the sample complexity of estimation in logistic regression / Текст: электронный // arxiv.org : [сайт]. – 2023. – URL: https://arxiv.org/pdf/2307.04191.pdf (дата обращения: 10.07.2023)

21. Schober P., Vetter T.R. Linear Regression in Medical Research / Текст: электронный // nih.gov: [сайт]. – 2020. – URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7717471/ (дата обращения: 10.07.2023)

22. A zero altered Poisson random forest model for genomic-enabled prediction / O.A. Montesinos, L.A. Montesinos, G.B. Mosqueda [и др.] – Текст: электронный // nih.gov : [сайт]. – 2021. – URL: https://pubmed.ncbi.nlm.nih.gov/33693599/ (дата обращения: 10.07.2023)

23. Faithful and customizable explanations of black box models / H. Lakkaraju, E. Kamar, R. Caruana [и др.] – Текст: электронный // acm.org : [сайт]. – 2019. – URL: https://dl.acm.org/doi/10.1145/3306618.3314229 (дата обращения: 10.07.2023)

24. Капустин, И. С. Моделирование и сравнительный анализ классификаторов на основе быстрого преобразования Фурье и вейвлет-преобразования в задаче детектирования эпилептических припадков: сб. ст. / редкол. : Л. А. Пономаревой, О. В. Федосеевой. – Москва, 2024 – С. 156-153.

25. Park Y., Ho. J.C. CaliForest: Calibrated Random Forest for Health Data / Текст: электронный // him.gov : [сайт]. – 2020. – URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8299436/ (дата обращения: 10.07.2023)

26. Research on the Auxiliary Classification and Diagnosis of Lung Cancer Subtypes Based on Histopathological Images / M. Li, X. Ma, C. Chen [и др.] – Текст: электронный // ieee.org : [сайт]. – 2023. – URL: https://ieeexplore.ieee.org/document/9395071 (дата обращения: 11.07.2023)

27. Капустин И.С., Ромашкова О.Н. Методы оценки интерпретации моделей компьютерного зрения / И.С. Капустин, О.Н. Ромашкова // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и Технические Науки.– 2024. –№1-2. ‒ С. 29 – 34.

28. Sousa I.P., Vellasco M.M., Silva E.C. Local Interpretable Model-Agnostic Explanations for Classification of Lymph Node Metastases / Текст: электронный // nih.gov: [сайт]. – 2019. – URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6651753/ (дата обращения: 11.07.2023)

29. Lundbers S.M., Lee S.I. A unified approach to interpreting model predictions / Текст: электронный // neurips.cc : [сайт]. – 2017. – URL: https://proceedings.neurips.cc/paper_files/paper/2017/file/8a20a8621978632d76c43dfd28b67767-Paper.pdf (дата обращения: 11.07.2023)

30. Wachter S., Mittelstadt B., Russel C. Counterfactual explanations without opening the black box: Automated decisions and the GDPR / Текст: электронный // arxiv.org : [сайт]. – 2017. – URL: https://arxiv.org/abs/1704.02685 (дата обращения: 11.07.2023)

31. Xplique [Электронный ресурс]: https://deel-ai.github.io/xplique/ (дата обращения: 11.07.2023) 

32. Biecek P.L. Explainers for Complex Predictive Models in R / Текст: электронный // arxiv.org : [сайт]. – 2018. – URL: https://arxiv.org/pdf/1806.08915.pdf (дата обращения: 11.07.2023)

33. GitHub – slundberg/shap [Электронный ресурс]: https://github.com/slundberg/shap (дата обращения: 11.07.2023)

34. From local explanations to global understanding with explanations to global understanding with explainable AI for trees / S.M. Lundberg, G. Erion, H. Chen [и др.] – Текст: электронный // nature.com : [сайт]. – 2020. – URL: https://www.nature.com/articles/s42256-019-0138-9.epdf?shared_access_token=RCYPTVkiECUmc0CccSMgXtRgN0jAjWel9jnR3ZoTv0O81kV8DqPb2VXSseRmof0Pl8YSOZy4FHz5vMc3xsxcX6uT10EzEoWo7B-nZQAHJJvBYhQJTT1LnJmpsa48nlgUWrMkThFrEIvZstjQ7Xdc5g%3D%3D (дата обращения: 12.07.2023)

35. Lundberg S.M., Erion G.G., Lee S.I. Consistent Individualized Feature Attribution for Tree Ensembles / Текст: электронный // botrado.net : [сайт]. – 2019. – URL: https://www.botrado.net/?_=%2Fpdf%2F1802.03888%23KJWqMdlUlBnqOfUcRlPvlYw%3D (дата обращения: 12.07.2023)

36. GitHub – marcotcr/lime [Электронный ресурс]: https://github.com/marcotcr/lime (дата обращения: 11.07.2023)

37. Ribeiro M.T., Singh S., Guestrin C. Why Should I Trust you? Explaining the Predictions of Any Classifier / Текст: электронный // arxiv.org : [сайт]. – 2016. – URL: https://arxiv.org/pdf/1602.04938.pdf (дата обращения: 12.07.2023)

38. GitHub – interpretml/interpret [Электронный ресурс]: https://github.com/interpretml/interpret (дата обращения: 12.07.2023)

39. iNNvestigate neural networks! / M. Alber, S. Lapuschkin, P. Seegerer [и др.] – Текст: электронный // arxiv.org : [сайт]. – 2018. – URL: https://arxiv.org/pdf/1808.04260.pdf (дата обращения: 12.07.2023)

40. GitHub – albermax/investigate [Электронный ресурс]: https://github.com/albermax/innvestigate (дата обращения: 12.07.2023)

41. GitHub – tensorflow/licid [Электронный ресурс]: https://github.com/tensorflow/lucid (дата обращения: 12.07.2023)

42. LUCID: A Practical, Lightweight Deep Learning Solution for DDos Attack Detection / R. Doriguzzi-Corin, S. Millar, S. Scott-Hayward [и др.] – Текст: электронный // arxiv.org : [сайт]. – 2020. – URL: https://arxiv.org/pdf/2002.04902.pdf (дата обращения: 12.07.2023)

43. Sonchack J. Lucid: A Language for Control in the Data Plane / Текст: электронный // arxiv.org : [сайт]. – 2021. – URL: https://arxiv.org/pdf/2107.02244.pdf (дата обращения: 12.07.2023)

44. Mazijn C. LUCID: Exposing Algorithmic Bias through Inverse Design / Текст: электронный // arxiv.org : [сайт]. – 2022. – URL: https://arxiv.org/pdf/2208.12786.pdf (дата обращения: 13.07.2023)

45. GitHub – Trusted-AI/AIX360 [Электронный ресурс]: https://github.com/Trusted-AI/AIX360 (дата обращения: 12.07.2023)

46. One Explanation Does Not Fit All: A Toolkit and Taxonomy of AI Explainability Techniques / V. Arya, R.K. Bellamy, P.Y. Chen [и др.] – Текст: электронный // arxiv.org : [сайт]. – 2019. – URL: https://arxiv.org/pdf/1909.03012.pdf (дата обращения: 13.07.2023)

47. Welcome to TorchRay [Электронный ресурс]: https://facebookresearch.github.io/TorchRay/ (дата обращения: 13.07.2023)

48. Fong R., Patrick M., Vedaldi A, Understanding Deep Networks via Extremal Perturbations and Smooth Masks / Текст: электронный // arxiv.org : [сайт]. – 2019. – URL: https://arxiv.org/pdf/1910.08485.pdf (дата обращения: 13.07.2023)

49. Сaptum.ai: сайт, посвященный библиотеки Сaptum [Электронный ресурс]: https://captum.ai/ (дата обращения: 13.07.2023)

50. Captum: A unified and generic model interpretability library for PyTorch / N. Kokhlikyan, V. Miglani, M. Martin [и др.] – Текст: электронный // arxiv.org : [сайт]. – 2020. – URL: https://arxiv.org/pdf/2009.07896.pdf (дата обращения: 13.07.2023)

51. Абрамов Г.В., Медведкова И.Е., Коробова Л.А. Проектирование информационных систем: учебное пособие – М.:ВГУИТ, 2012. – 172 с.

52. Краткое описание нотации BPMN / Хабр [Электронный ресурс]: https://habr.com/ru/companies/auriga/articles/667084/ (дата обращения: 29.01.2024)

53. Business Process Model & Notation [Электронный ресурс]: https://www.omg.org/bpmn/ (дата обращения: 29.01.2024)

54. Федоров И.Г. Моделирование бизнес-процессов в нотации BPMN 2.0 / Научно-практическое издание. – М: МЭСИ, 2013. – С. 264

55. Bizagi. Описание. Пример / Хабр [Электронный ресурс]: https://habr.com/ru/companies/trinion/articles/273017/ (дата обращения: 29.01.2024)

56. Арлоу Д., Нейштадт И. UML и унифицированный процесс. Практический объектно-ориентированный анализ и проектирование, 2-е издание. – М.: «Программирование», 2013. – С. 215.

57. Готовим проект в Sparx Enterprise Architect [Электронный ресурс]: https://habr.com/ru/companies/lanit/articles/352826/ (дата обращения: 29.01.2024)

58. Мацяшек Л.А. Анализ и проектирование информационных систем с помощью UML 2.0. 3-е изд. – М.: Вильямс, 2018. – 816 с.

59. Основы методологии [Электронный ресурс]: https://www.cfin.ru/vernikov/idef/idef1x.shtml (дата обращения: 29.01.2024)

60. ERwin Data Modeler – Википедия – [Электронный ресурс]: https://ru.wikipedia.org/wiki/ERwin_Data_Modeler (дата обращения 29.01.2024).

61. Elisabetta Benevento, MarcoPegoraro, Mattia Antoniazzi, Harry H. Beyel, Viki Peeva, PaulBalfanz Process Modeling and Conformance Checking in Healthcare: A COVID-19 Case Study / Текст: электронный // arxiv.org : [сайт]. – 2022. – URL: https://arxiv.org/pdf/2209.10897.pdf (дата обращения: 12.01.2024).

62. Операционные системы | Astra Linux [Электронный ресурс]: https://astralinux.ru/os/ (дата обращения: 29.01.2024).

63. Александров Д.В. Инструментальные средства информационного менеджмента. CASE-технологии и распределенные информационные системы: учебное пособие – М.: Финансы и статистики, 2011. – 225 с.

64. PostgreSQL: что это за СУБД и как с ней работать [Электронный ресурс]: https://skillbox.ru/media/code/postgresql-vsye-chto-nuzhno-znat-dlya-bystrogo-starta/ (дата обращения: 29.01.2024)

65. Что такое экономическая эффективность [Электронный ресурс]: https://tochka.com/info/glossary/ehkonomicheskaja-ehffektivnost/ (дата обращения: 29.01.2024)

66. Гавриленко Т. Ю., Куренков В. В., Ткаченко Е.К. Экономическая эффективность информационных технологий: современные подходы к оценке и критериям // С.: ООО "Институт управления и социально-экономического развития", 2015. - № 3 (3). - с. 50-54. 

67. Шеболкина Е.П. Аттестационное web-портфолио педагога в Государственной информационной системе «Электронное образование» / Е.П. Шеболкина, Ляшок В.А // ГОУДПО «КИРО». – Сыктывкар, 2014. – С. 28.