Извлечение информации о случаях послеоперационной тромбоэмболии легочной артерии в нейрохирургии: исследования с помощью технологий искусственного интеллекта

Тромбоэмболия легочной артерии (ТЭЛА) является одним из наиболее опасных, но относительно редко встречающихся и потенциально предотвратимых осложнений в нейрохирургии. Надежная оценка частоты и факторов риска ТЭЛА в нейрохирургии требует анализа значительного количества случаев, накопленных за длительный период времени.

ЦЕЛЬ ИССЛЕДОВАНИЯ: оценить качество извлечения информации о развитии госпитальной ТЭЛА после нейрохирургических операций на основании полуавтоматического исследования неструктурированных текстовых записей электронной истории болезни ФГАУ «НМИЦ нейрохирургии им. ак. Н. Н. Бурденко» Минздрава России за период 18 лет с помощью технологий искусственного интеллекта.

МАТЕРИАЛЫ И МЕТОДЫ: Для решения данной задачи был применен разработанный нами комплекс технологий с использованием методов искусственного интеллекта (патент RU 2751993C1). Проанализированы текстовые медицинские записи, первично внесенные врачами с помощью клавиатуры в электронную медицинскую карту «E-med» ФГАУ «НМИЦ нейрохирургии им. ак. Н.Н. Бурденко» Минздрава России в период с 2000 г. по 2017 г. Для верификации работы алгоритмов машинного обучения привлекали трех независимых экспертов-нейрохирургов.

РЕЗУЛЬТАТЫ. В исследовании была проанализирована 621 история болезни, в которой информация о ТЭЛА содержалась с наибольшей вероятностью. мы наблюдали умеренное согласие (неполное — в 32,4 % случаев) между 3 экспертами (коэффициент каппа Лайта = 0,568, p < 0,0001). Разногласия были разрешены с привлечением третьего эксперта и введением формальных правил разметки текстов. Предложенный нами алгоритм извлечения информации продемонстрировал высокое качество извлечения информации о ТЭЛА по данным электронных историй болезни (чувствительность = 0,996; специфичность = 0,974; точность = 0,936; F1-мера = 0,921).

ЗАКЛЮЧЕНИЕ. Минимизация субъективного фактора с помощью компьютерных технологий при извлечении информации из текстов позволяет повысить качество и надежность результатов ретроcпективных исследований, проводимых по данным медицинской документации большого объема.

1. Khan NR, Patel PG, Sharpe JP, Lee SL, Sorenson J. Chemical venous thromboembolism prophylaxis in neurosurgical patients: an updated systematic review and meta-analysis. J Neurosurg. 2018;129(4):906–915. doi:10.3171/2017.2.jNS162040

2. Light RJ. Measures of response agreement for qualitative data: Some generalizations and alternatives. Psychol Bull. 1971;76(5):365–377. doi:10.1037/h0031643

3. Данилов Г.В., Шифрин М. А., Потапов А. А., et al. Способ извлечения информации из неструктурированных текстов, написанных на естественном языке (патент rU 2751993C 1). Опубликовано в сети 21 июля 2021 г. По состоянию на 27 декабря 2021 г. https://www.fips.ru/registers-doc-view/fips_servlet?dB=rUpaT&docNumber=2751993&TypeFile=html

4. Danilov G, Ishankulov T, Kosyrkova A, et al. Semiautomatic Identification of pulmonary embolism in electronic Health records Through Sentence labeling. Stud Health Technol Inform. 2022;289:69–72. doi:10.3233/SHTI210861

5. Danilov G, Kosyrkova A, Shults M, et al. Inter-rater reliability of Unstructured Text labeling: artificially vs. Naturally Intelligent approaches. Stud Health Technol Inform. 2021;281:118–122. doi:10.3233/SHTI210132