Архитектура и реализация программных систем на основе семантических технологий для обработки медицинских данных тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат наук Лапаев, Максим Владимирович

• Лапаев, Максим Владимирович
• кандидат наук
• 2016

Оглавление диссертации кандидат наук Лапаев, Максим Владимирович

Оглавление

Введение

Глава 1. Подходы к разработке семантических систем для обработки и анализа данных. Семантические медицинские информационные системы

1.1 Анализ семантических систем для обработки и анализа данных

1.1.1 Анализ семантических систем для обработки и анализа данных

в прикладных предметных областях

1.1.2 Анализ технологий в семантических системах для обработки и анализа данных

1.1.3 Анализ моделей данных, информации, знаний в семантических системах для обработки и анализа данных

1.1.4 Анализ архитектурных подходов к разработке семантических систем для обработки и анализа данных

1.1.5 Перспективные направления развития семантических систем

для обработки и анализа данных в прикладных предметных областях

1.2 Анализ состояния и направления развития предметной области медицины

1.2.1 Анализ особенностей предметной области медицины

1.2.2 Потребности в информационной поддержки процессов медицинской деятельности

1.2.3 Классификация медицинских информационных систем

и интеллектуальных медицинских информационных систем обработки данных

1.2.4 Перспективные направления развития и проблемы медицинских информационных систем обработки данных

1.3 Анализ онтологий и онтологических платформ для решения задач предметной области медицины

1.3.1 Анализ онтологий для формализации медицинских знаний

1.3.2 Анализ онтологических платформ для формализации медицинских знаний

1.4 Постановка задачи

1.5 Представления предметной области медицины для семантических медицинских информационных систем

1.5.1 Бизнес-модель предметной области медицины

1.5.2 Модель данных предметной области медицины

1.5.3 Процессная модель предметной области медицины

1.6 Выводы по главе 1

Глава 2. Архитектура семантических систем обработки данных для предметной области медицины

2.1 Основные понятия и определения

2.1.1 Понятия области информационных технологий

2.1.2 Понятия семантической системы обработки данных

2.2 Классификация семантических медицинских информационных систем

2.2.1 Семантические медицинские информационные системы как подкласс интеллектуальных систем

2.2.2 Иерархия классов семантических медицинских информационных систем

2.2.3 Требования к классам и подклассам семантических медицинских информационных систем

2.3 Функциональная модель семантической медицинской информационной системы

2.3.1 Общая функциональная модель семантической медицинской информационной системы

2.3.2 Частные функциональные модели семантической медицинской информационной системы

2.4 Информационная модель семантической медицинской информационной системы

2.4.1 Иерархическая структура информационной модели семантической медицинской информационной системы

2.4.2Информационная модель семантической медицинской информационной системы

2.4.3 Онтологическая модель семантической медицинской информационной системы

2.4.3.1Иерархия онтологий семантической медицинской информационной системы

2.4.3.2Структура онтологии семантической медицинской информационной системы

2.4.3.3Спецификация импортируемых онтологий семантической медицинской информационной системы

2.4.3.4Разработка связующей онтологии для семантической медицинской информационной системы

2.4.4 Объектная модель для семантической медицинской информационной системы

2.5 Архитектурная модель семантической медицинской информационной системы

2.5.1 Модель слияния данных для семантической медицинской информационной системы

2.5.2 Архитектурное представление ГОЬ для семантической медицинской информационной системы

2.5.3 Спецификация уровней модели слияния для семантической медицинской информационной системы

2.6 Выводы по главе 2

Глава 3. Организация семантической медицинской информационной системы обработки данных

3.1 Требования к семантической медицинской информационной системе обработки данных

3.2 Процессная модель семантической медицинской информационной системы обработки данных

3.2.1 Процесс создания типовых шаблонов планов лечения

3.2.2 Процесс расчета динамики комплексного показателя состояния пациента

3.3 Сервисная модель семантической медицинской информационной системы обработки данных

3.4 Технологии семантической медицинской информационной системы обработки данных

3.4.1Алгоритмы наполнения модели семантической медицинской информационной системы обработки данных

3.4.2 Алгоритмы обработки данных в семантической медицинской информационной системе

3.5 Реализация семантической медицинской информационной системы обработки данных

3.6Модули семантической медицинской информационной системы обработки данных

3.7 Компоненты и сервисы семантической медицинской информационной системы обработки данных

3.8 Структура платформы семантической медицинской информационной системы

3.9 Методика построения семантической медицинской информационной системы обработки данных

3.9.1 Методика определение и описания сервисов и процессов

3.9.2 Методика разработки модулей взаимодействия с системой

3.9.3 Методика развертывания семантической медицинской информационной системы

3.10 Выводы по главе 3

Глава 4. Реализация семантической медицинской информационной системы обработки данных для ФГБУ «СЗФМИЦ имени Алмазова»

4.1 Инфраструктура и специализация ФГБУ «СЗФМИЦ имени Алмазова»

4.2 Реализация семантической медицинской информационной системы

4.3 Апробация семантической медицинской информационной системы

4.3.1 Сценарий многомерного анализа и вычисления комплексных показателей «боткинский лист»

4.3.2 Сценарий обработки записей врача с применением шаблонов обработки текстовых данных

4.4 Выводы по главе 4

Заключение

Перечень сокращений и условных обозначений

Список литературы

Список рисунков

Список таблиц

Приложение А. Требования к МИС медицинской организации

Приложение Б. Сводная сравнительная таблица медицинских информационных систем

Введение диссертации (часть автореферата) на тему «Архитектура и реализация программных систем на основе семантических технологий для обработки медицинских данных»

Введение

Последние два десятилетия характеризуются активной информатизацией прикладных предметных областей, что обусловлено стремительным увеличением объемов доступных данных, информации и знаний. По существующим исследованиям объем данных составляет единицы зеттабайт, прогнозируется увеличение к 2020 году до десятков зеттабайт. Данные являются в большинстве случаев результатами измерений, кроме того, значимую часть составляют слабоструктурированные текстовые записи. Объективная необходимость использования данных в предметных областях определила актуальность и дала развитие направлению интеллектуальной обработки данных, в частности развитию теории и технологий извлечения признаков, слияния данных. В области информационных технологий был поддержан стек семантических технологий для решения прикладных задач, которые сейчас реализованы в корпоративных информационных системах. В предметных областях используются отдельные информационные системы, основу которых составляют средства искусственного интеллекта.

Актуальность работы. На настоящем этапе область информатизации начинает распространяться на такие консервативные области, как культура, образование, медицина. Наибольший интерес к внедрению новых систем проявляют конечные пользователи предметной области медицины. Повышенный интерес к новым медицинским информационным системам связан с модернизацией системы государственного здравоохранения сопровождающейся: - повышенной интенсификацией работы медицинского персонала как в первичном поликлиническом звене, так и на госпитальном уровне. Согласно руководящим документам на врачебный приём, вне зависимости от состояния пациента отводится не более 14-22 минут [Приказ Министерства здравоохранения Российской Федерации от 2 июня 2015 г. № 290н];

- повышенной информационной нагрузкой на медицинского работника. Увеличение интенсивности информационных потоков вызвано внедрением современного оборудования. В результате объем собираемых диагностических данных возрос в несколько десятков раз и составляет по одному пациенту порядка сотен мегабайт за эпизод;

- повышены требования к качеству и эффективности медицинских услуг, что предполагает использование современных методик лечения: для реализации методик на практике необходимо их информационное сопровождение.

В сложившейся ситуации врачу важно иметь возможность получать «свёртку» многомерной информации по функциональным системам организма и предоставить автоматизированные средства поддержки принятия решений при проведении диагностических и лечебных мероприятий. При этом медицинский работник не должен обладать глубокими знаниями в области математической статистики, обработки и анализа данных.

Существующие медицинские информационные системы, примером которых являются qMS, VS Clinic и др., поддерживают процессы сбора и хранения данных, частично процессы документооборота. В базах данных медицинских информационных систем накоплены терабайты неиспользуемых практических знаний, представленных в виде неформализованных результатов измерений, слабоструктурированных текстовых записей.

Применение существующих МИС ограничено отсутствием возможностей:

- обработки статистических медицинских данных при решении прикладных задач средствами интеллектуальных и семантических технологий;

- применением статистического аппарата, в частности, для работы с временными рядами, методов совместного анализа для обработки и анализа данных, получаемых от диагностических средств

- синтаксической и семантической обработки текстовых записей медицинских работников;

- решения комплексных задач по оценке состояния пациентов в контексте сопутствующих заболеваний и истории болезни в целом. Наличие ограничений определяет существование проблемы применения интеллектуальных технологий в медицинских информационных системах, эксплуатируемых в диагностических и лечебных учреждениях при реализации процессов медицинской деятельности.

Значимым ограничением внедрения интеллектуальных систем является их высокая стоимость, что исключает возможность разработки специализированных МИС для отдельных медицинских учреждений. Требуется разработка нового класса интеллектуальных медицинских информационных систем, средств их разработки и реализации.

Целью настоящей диссертационной работы является обеспечение возможности применения семантических технологий для обработки массивов медицинских данных при решении прикладных задач в медицинских учреждениях.

Для достижения поставленной цели необходимо решить следующие

задачи:

1. провести анализ методов и средств создания интеллектуальных доменно-ориентированных систем обработки данных на основе семантических технологий;

2. разработать информационную модель для информационных систем обработки медицинских данных на основе онтологического подхода и связанные с ней доменные и объектные модели;

3. разработать методологию разработки программных систем, реализующих функциональную модель слияния данных;

4. разработать архитектуру и типовые шаблоны архитектурных решений для информационных систем обработки медицинских данных;

5. разработать программные средства поддержки разработки и реализации программных систем обработки медицинских данных;

6. разработать программную систему обработки медицинских данных для ФГБУ «СЗФМИЦ им. В. А. Алмазова» (Санкт-Петербург) и провести ее апробацию на реальных данных совместно с медицинскими работниками. Объектом исследования являются интеллектуальные системы обработки медицинских данных.

Предметом исследования являются модели и методы разработки и реализации семантических систем обработки медицинских данных. На защиту выносятся:

1. методология разработки семантических систем для обработки медицинских данных;

2. онтологическая модель представления гетерогенных медицинских данных и методы ее наполнения;

3. архитектура интеллектуальных систем обработки медицинских данных, средства и методика ее реализации.

Научная новизна результатов заключается в следующем.

1. Методология разработки основана на реализации многоуровневой модели обработки медицинских данных согласно JDL-модели слияния данных, адаптированной для предметной области медицины. Процессы обработки определяются в соответствии с контекстом в результате поэтапной детализации типовых шаблонов. Методология позволяет разрабатывать МИС для интеллектуальной поддержки медицинской деятельности за счет конфигурирования информационных моделей и моделей бизнес-логики, динамической интеграции готовых библиотек анализа данных.

2. Онтологическая модель предоставляет структуры для формализованного описания «сырых» слабоструктурированных медицинских данных, включающих измерения, полученные с диагностических средств, и записи медицинских сотрудников, а также результаты их обработки в соответствии со стандартами стека технологий Semantic Web. Модель

позволяет согласовать информационное пространство отдельных медицинских учреждений с Linked Open Data.

3. Архитектура систем представляется в виде согласованных архитектурного и онтологического описаний, дополненных совокупностью эталонных архитектурных решений. Онтологическое описание включает описание структуры, функциональных возможностей и основных компонент систем. Предложенное решение позволяет разрабатывать и модифицировать интеллектуальные системы обработки медицинских данных без внесения существенных изменений в программный код. Для формирования архитектурного описания предоставляется фреймворк, реализация систем строится на использовании ядра и компонентов базовой платформой семантической системы обработки медицинских данных. Теоретическая и практическая значимость работы. Разработанная онтологическая модель позволяет дополнить существующее пространство информационных моделей описанием «сырых» медицинских данных и результатов их обработки. Обеспечивается развитие технологии слияния данных, определяемой JDL-моделью, в направлении ее использования в предметных областях, а также развитие методологического аппарата инженерии программного обеспечения в направлении создания адаптивных доменно-ориентированных интеллектуальных систем.

Практическая значимость состоит в следующем:

- разработана платформа для построения готовых интеллектуальных медицинских систем за счет адаптации типовых решений на уровне информационных моделей;

- разработана система интеллектуальной обработки медицинских данных в центре ФГБУ «СЗФМИЦ им. В. А. Алмазова»;

- поддержана возможность публикации и использования медицинских данных за счет их онтологического описания и возможности интеграции с Linked Open Data;

- поддержана возможность использования алгоритмов интеллектуально анализа применительно к «сырым» медицинским данным.

Достоверность результатов подтверждена в ходе опытной эксплуатации семантической системы обработки медицинских данных в Центре им. Алмазова в период с сентября 2015 по октябрь 2016 гг.

Апробация работы. Основные результаты работы докладывались на международных научных конференциях и семинарах: Международная конференция «The 5th International Conference on Analysis of Images, Social Networks and Texts» (Россия, Екатеринбург, 2016), Международный семинар «1st International Workshop on Extraction and Processing of Rich Semantics from Medical Texts» (Греция, Крит, Аниссарас, 2016), Международная конференция «International Conference on Knowledge Engineering and Semantic Web» (Чехия, Прага, 2016), Международная конференция «REAL CORP 2016» (Германия, Гамбург, 2016). Результаты работы принимают участие в «конкурсе грантов для студентов вузов, расположенных на территории Санкт-Петербурга, аспирантов вузов, отраслевых и академических институтов, расположенных на территории Санкт-Петербурга» (Россия, Санкт-Петербург, 2016) - автор включен в перечень претендентов на получение премии.

Личный вклад. Содержание диссертации и основные положения, выносимые на защиту, отражают персональный вклад автора в опубликованные работы. Из работ, выполненных в соавторстве, в диссертацию включены результаты, которые соответствуют личному участию автора.

Публикации. Основные результаты по теме диссертации изложены в 6 печатных изданиях [12, 62, 69, 70, 94, 95], 3 из которых изданы в журналах, рекомендованных ВАК, а также журналах, индексируемых в Scopus. Также автором опубликовано 8 работ в журналах и сборниках докладов конференций [8, 9, 14, 15, 24, 56, 60, 61], 3 из которых индексируются в Scopus, 6 работ посвящены семантическому подходу к обработке данных.

Объем и структура работы. Диссертация состоит из введения, четырёх глав, заключения и двух приложений. Полный объём диссертации составляет 173 страницы, включает 71 рисунок и 20 таблиц. Список литературы включает 102 наименования.

Глава 1. Подходы к разработке семантических систем для обработки и анализа данных. Семантические медицинские информационные системы

В главе рассматриваются интеллектуальные системы обработки и анализа данных, в частности семантические системы, а также основные подходы к реализации интеллектуальных систем. В настоящей работе под интеллектуальными системами понимаются программные системы, способные решать задачи, традиционно считающиеся задачами конкретной предметной области, знания о которых хранятся в памяти такой системы. Под семантической системой понимается интеллектуальная система, основанная на семантическом подходе, при котором система правил, сформулированных на метаязыке, определяет условия истинности для каждого предложения объектного языка.

1.1 Анализ семантических систем для обработки и анализа данных

В состав систем интеллектуальной обработки данных входят системы, основанные на применении семантических технологий. Такие системы нашли широкое применение в различных областях. Семантические технологии -программные технологии, позволяющие выявлять смысл и связь между информацией, а также обрабатывать информацию на основании смысла и связи на этапе выполнения [81]. Семантические технологии, как правило, предполагают применение онтологического подхода.

1.1.1 Анализ семантических систем для обработки и анализа данных в

прикладных предметных областях

Семантические системы обработки и анализа данных нашли применение во многих сферах: в городских инфраструктурах, туризме, образовании. Системы используют для решения задач составления рекомендаций, оптимизации, идентификации, персонализации и многих др. задач.

Для анализа эффективности технологий рассмотрим системы, разработанные для отдельных сфер. Примером такой системы служит система аналитики дорожного движения, описанная Freddy Lécué и соавторами [63, 64]. В работах рассматривается система поддержки задач аналитики и логического вывода информации о дорожном движении на основании данных от датчиков в различных форматах. Система разработана с целью понимания дорожных условий на основании исторических данных и данных, полученных в реальном времени при решении задач эффективного городского планирования. Система позволяет решать задачи анализа, диагностики, обследования и прогнозирования на базе семантического подхода. Прототип системы проходил экспериментальную эксплуатацию в Дублине и показал себя как эффективный и масштабируемый инструмент работы с гетерогенными данными при решении прикладных задач. Другая область применения семантических систем - сфера туризма. Авторы системы e-Tourism [36] описывают её как систему составления рекомендаций путешественникам.

Нашли применение семантические системы в образовании. Maria Sette и соавторы [86] описывают прототип системы обучения с применением подхода, основанного на знаниях. При этом в системе поддержано расширение стандартного языка описания онтологий OWL1 - Knowledge Graph (KG), позволяющего упростить процесс организации знаний экспертами за счёт введения отсутствующих в стандартном OWL отношений между классами.

1 Web Ontology Language (OWL), URL: https://ru.wikipedia.org/wiki/OWL

Система позволяет изучать материал в случайном порядке путём навигации по графу материала от общих к более узким темам и наоборот. Приводятся результаты экспериментальной оценки, доказывающие эффективность подхода. В другой работе [93] описывается система Protus-2.0 - система обучения программированию на языке Java с применением семантических технологий. Особенностью системы является способность идентифицировать стиль изучения с целью предоставления рекомендаций по подбору материала. Это позволяет персонализировать процесс изучения материала.

Таким образом, семантические информационные системы обработки и анализа активно применяются в различных сферах (образование, туризм, документооборот) для решения прикладных задач. Системы оперируют данными, информацией и знаниями, реализуют трансформации между ними для достижения целостности и полноты описания предметной области. При этом используются семантические технологии обработки и анализа.

1.1.2 Анализ технологий в семантических системах для обработки и анализа

данных

Проблемы обработки и анализа данных, извлечения и связывания знаний средствам семантических технологий не являются новыми для науки. Они доказали свою эффективность результатами применения. В настоящее время разработано большое число методов обработки с применением семантических технологий:

- формализации предметных областей;

- агрегации и связывания данных;

- обработки мультимодальных данных;

- извлечения знаний;

- обработка и анализ текстовых документов.

Ниже приведены используемые на сегодняшний момент технологии для решения этих задач с применением семантических систем. Rajagopa и соавторы[82] описывают подход, основанный на графах знаний, позволяющий извлекать концепты из текста на естественном языке и находить между ними сходство для решения задач классификации документов. Подход основан на первичном анализе синтаксического дерева предложений с последующей семантической обработкой результатов анализа. Проблемами кластеризации текстовых данных занимались Wei и др. [96]. Традиционный подход не учитывает семантические отношения между словами, однако авторы предлагают метод, позволяющий преодолеть этот недостаток: в процесс обработки вводится онтология, позволяющая решить проблему синонимии и многозначности концептов. Экспериментальная проверка говорит о значительном повышении эффективности в сравнении с классическими методами. Altinel и соавторы [28] в задачу категоризации вводят семантическое ядро, основанное на своде терминов.

Существуют и методы семантической классификации, не зависимые от языка классифицируемого текста. Kim и др. [55] предлагают метод классификации текстов небольшого объема, позволяющий выявить сходство между небольшим фрагментами текста без использования грамматических признаков и баз данных лексики (которые являются существенным недостатком прочих методов, так как представляют собой тяжеловесные структуры). Нашли применение семантические подходы к классификации текстовых данных и в задачах отбора научных исследований. Предложенный Jian Ma и соавторами [71] метод позволяет сгруппировать большое количество полученных предложений о проведении исследований по признаку сходства.

Семантические технологии и онтологический подход активно применяются в задачах агрегации и связывания данных и знаний. Семантическим технологиям, в частности, связыванию данных, посвятил книгу A. Smith [88]. Mukherjee и соавторы [75] предлагают технологию с применением онтологии

ConceptNet2 для решения задач агрегации мнений о продукции. Авторы исследуют взаимосвязь между качествами продукции и мнениями о нём. ConceptNet при решении этой задачи применяется для автоматического создания онтологии продукта, отражающей иерархическую связь между атрибутами продукции.

-5

Связыванию данных с применением LOD посвящена работа Isabelle Augenstein и соавторов [30]. В работе рассматриваются вопросы извлечения и распознавания сущностей в тексте, разрешение неоднозначности смысла для последующего связывания с DBPedia4.

Нашли семантические технологии применение и в обработке многомерных данных. Alberto Abello и соавторы рассматривают в своей работе [25] новый подход к применению OLAP5-технологий, интегрируя их с семантическими технологиями для поиска и получения данных, требующихся для эффективного анализа информации, поступившей из внешних ресурсов. Таким образом, многомерные данные дополняются контекстом и позволяют осуществить более точную ситуативную аналитику. Khalid Mahmood и Hiro Takahashi [74] для решения аналитических задач в спорте применяют семантический подход к обработке данных большого объема.

Проведённый обзор позволяет установить, что существует множество эффективных методов, позволяющих решать задачи обработки и анализа текстовых, числовых и многомерных данных, а эффективность методов доказана экспериментально. Методы позволяют извлекать концепты из текстов, классифицировать и структурировать их, а также предоставляют возможности для интеллектуального многомерного анализа.

2 ConceptNet, URL: http://alumni.media.mit.edu/~hugo/conceptnet/

3 LOD (Linked Open Data), URL: http://lod-cloud.net/

4 DBPedia, URL: http://wiki.dbpedia.org/

5 OLAP-технологии, URL: https://ru.wikipedia.org/wiki/OLAP

1.1.3 Анализ моделей данных, информации, знаний в семантических системах для обработки и анализа данных

В соответствие с ^О/1ЕС 2382-1:1993 [20] под знаниями понимается «организованное, интегрированное собрание фактов и обобщений».

Информация - «любой факт, понятие или значение, полученные из данных, а также контекст, выбранный из знаний, или контекст, ассоциированный со знаниями»[20].

Данные - «представление информации в некотором формализованном виде, пригодном для передачи, интерпретации или обработки» [20].

Данные, информация и знания могут быть преобразованы одно в другое путём трансформаций. Взаимосвязь данных, информации и знаний в теории принятия решений представлена на рисунке 1.1.

Знания Результаты решений

Данные

Обработка Информация Анализ

Варианты решений

Г

Задача

Рисунок 1.1 - Взаимосвязь данных, информации и знаний

Базы данных (БД) и базы знаний (БЗ) являются хранилищами формализованной информации. Под базой знаний в соответствие со стандартом КОЛЕС/ШЕЕ 24765-2010 [50] понимается база данных, содержащая правила вывода и информацию о человеческом опыте и знаниях в некоторой предметной области. В семантических технологиях преобразования между данными и знаниями осуществляются посредством онтологий. Онтология - формальная и однозначная спецификация общей концептуализации [44].

В качестве модели хранения знаний широкое применение получила КоБрЬ-схема, обладающая следующими свойствами:

1. исключение излишнего усложнения: не всегда требуется строгая консистентность данных;

2. высокая пропускная способность;

3. неограниченное горизонтальное масштабирование;

4. консистентность в жертву производительности, которая, однако, проявляется лишь на сверхмассивных данных.

Среди КоБрЬ-хранилищ, в соответствие с классификацией, предложенной Кейтелем [83], выделяют четыре класса:

1. хранилища «ключ - значение»: простая модель данных, представляющая из себя словарь;

2. документные хранилища: объединяет множество пар «ключ -значение»;

3. колоночные хранилища: число колонок для одной таблицы не ограниченно;

4. хранилища на графах: данные, представляемые графами естественным образом.

Для каждого из классов разработано множество хранилищ. В таблице 1.1 приведены наиболее популярные и производительные хранилища.

Таблица 1.1 - Наиболее популярные хранилища данных большого объема

Тип Хранилище (производительность)

Хранилища «ключ -значение» Scalaris (110 000 запросов SET и 81 000 запросов GET в секунду)

Документные хранилища MongoDB (4004 вставок без использования индекса)

Колоночные хранилища Cassandra (80000 вставок в секунду при использовании SSD)

Хранилища на графах BlazeGraph (30 000 000 000 ребер в секунду)

Знания в информационных системах могут быть представлены различными путями. Среди моделей представления знаний выделяют [11]:

- логическую модель - формальную систему в виде логического исчисления;

- продукционную модель - модель, основанную на правилах;

- фреймовую модель - модель с представлением структуры знаний в виде взаимосвязанных фреймов;

- семантическую модель - модель, в которой структура знаний формализуется в виде ориентированного графа: вершины обозначают понятия, а дуги - отношения между ними.

В качестве хранилища баз знаний в семантических технологиях широкое распространение получила графовая модель хранения, поскольку она позволяет описать знания в виде, наиболее близком к естественному языку в виде троек «субъект» - «предикат» - «объект» [84].

1.1.4 Анализ архитектурных подходов к разработке семантических систем

для обработки и анализа данных

Термин «архитектура» многозначен. Фаулер даёт следующие определения этому понятию [23]: «Термин "архитектура" пытаются трактовать все, кому не лень, и всяк на свой лад. Впрочем, можно назвать два общих варианта. Первый связан с разделением системы на наиболее крупные составные части; во втором случае имеются в виду некие конструктивные решения, которые после их принятия с трудом поддаются изменению».

Существует множество архитектурных подходов, однако в сфере сбора, обработки и представления данных выделяют несколько типовых архитектур. На основании материала [23, 31, 58, 76, 92] проведен анализ достоинств и

недостатков с точки зрения использования в задачах обработки большого объёма слабоструктурированных гетерогенных данных (см. таблицу 1.2).

Таблица 1.2 - Архитектурные подходы к построению интеллектуальных систем

Архитектура Достоинства Недостатки

Многоуровневая - масштабируемость; - низкая надежность сервера;

клиент-серверная - конфигурируемость; - высокие требования к

архитектура - низкие требования к скорости подключения между

скорости подключения для сервером и БД;

удаленного клиента; - в случае отказа сервера

- низкие требования к приложений клиент не имеет

производительности доступа к БД;

машины клиента. - смена бизнес-логики

обработки влечет за собой

переписывание и

перекомпиляцию исходного

кода серверной части.

M2M-архитектура - децентрализованность - при выходе из строя одного

сбора (а в некоторых из шлюзов теряются данные с

случаях и обработки) устройств, топологически

данных привязанных к шлюзу

Internet/Intranet- - связанность гетерогенной - все недостатки клиент-

архитектура информации гипертекстом серверной архитектуры;

- в общем случае слабая

структурированность данных.

Микросервисная - масштабируемость; - сложность развертывания

архитектура - надежность;

- децентрализация

обработки;

- отсутствие зависимости

от платформы для каждого из сервисов.

Распределенная архитектура - децентрализация обработки; - масштабируемость. - недостатки микросервисной архитектуры

1.1.5 Перспективные направления развития семантических систем для

обработки и анализа данных в прикладных предметных областях

Процессы обработки и анализа данных интегрировались во все сферы деятельности. С ростом объёма данных потребовалась разработка новых эффективных методов обработки и анализа. Современные методы позволяют обрабатывать колоссальные объемы статистических данных и в последствие использовать результаты обработки для анализа при решении прикладных задач. Системы с применением интеллектуальных методов применяются в экономической, банковской сфере, в научно-исследовательской деятельности, в производственном секторе. Применение интеллектуальных информационных систем в различных сферах позволяют решать задачи:

Список литературы диссертационного исследования кандидат наук Лапаев, Максим Владимирович, 2016 год

Список литературы

1. Брумштейн Ю. М., Сивер О. В., Кузьмина А. Б. Функционально-стоимостные характеристики медицинских информационных систем: опыт системного анализа //Инженерный вестник Дона. - 2014. - Т. 32. - №. 4-2.

2. Вакалюк А. А. и др. Разработка концептуальной автоматизированной медицинской информационной системы методом функционально-структурного анализа //Современные проблемы науки и образования. - 2013. - №. 6.

3. Виноградов А. Н. и др. Перспективные направления исследований в области клинического моделирования, управления и принятия решений //Врач и информационные технологии. - 2014. - №. 5.

4. Вишнёва Е. А. и др. Первая отечественная информационная система база данных клинических случаев пациентов детского возраста с персистирующей бронхиальной астмой //Педиатрическая фармакология. - 2015. - Т. 12. - №. 1.

5. ГОСТ 34.003-90 Информационная технология. Комплекс стандартов на автоматизированные системы. Автоматизированные системы.

6. Гусев А.В. Обзор рынка комплексных медицинских информационных систем // Журнал "Врач и информационные технологии", №6 2009 г. Стр. 4-17.

7. Елоев М. С. и др. Опыт внедрения медицинской информационной системы в многопрофильном амбулаторно-поликлиническом учреждении //Воен.-мед. журн. - 2014. - Т. 335. - №. 9. - С. 4-13.

8. Карманов А.Г., Конев А.С., Лапаев М.В. Прототип алгоритма посадки мультикоптера в условиях горной местности // Альманах научных работ молодых ученых Университета ИТМО - 2015. - Т. 2. - С. 46-50.

9. Карманов А.Г., Лапаев М.В., Конев А.С.Прототип алгоритма посадки мультикоптера в условиях горной местности//Сборник тезисов докладов конгресса молодых ученых. Электронное издание. - 2015.

10. Кобринский Б.А., Зарубина Т.В. Учебник «Медицинская информатика» // М.: Изд. Центр «Академия», 2009, 192с.

11. Козлов, А.Н. Интеллектуальные информационные системы: учебник /А.Н. Козлов; Мин-во с-х. РФ, ФГБОУ ВПО Пермская ГСХА. - Пермь: Изд-во ФГБОУ ВПО Пермская ГСХА, 2013.- 278 с.

12. Коробов Д.А., Жукова Н.А, Водяхо А.И., Лапаев М.В. Модели представления данных в области медицины // Известия СПбГЭТУ "ЛЭТИ". - 2016. №7. сс. 7-13.

13. Королюк И.П., Медицинская информатика: Учебник / И.П. Королюк. - 2 изд., перераб. и доп. - Самара: ООО "Офорт": ГБОУ ВПО "СамГМУ". 2012. - 244 с.

14. Лапаев М.В., Хайдарова Р.Р. FOODpedia: онтология и семантический граф о продуктах и их ингредиентах // Альманах научных работ молодых ученых Университета ИТМО - 2015. - Т. 2. - С. 101-104.

15. Лапаев М.В., Хайдарова Р.Р. Методы извлечения знаний о пищевых добавках на основе описания состава продукта с применением онтологического подхода // Продовольственная безопасность и научное обеспечение развития отечественной индустрии конкурентоспособных пищевых ингредиентов: материалы Международной научно-практической конференции (Санкт-Петербург, 24-25сентября 2015г.) - 2015. - С. 124-129.

16. Лебедев Г. С., Мухин Ю. Ю. Классификация медицинских информационных систем //Транспортное дело России. - 2012. - №. 6-2.

17. Лушнов А., Лушнов М. Медицинские информационные системы: многомерный анализ медицинских и экологических данных. - Litres, 2014.

18. Массель Л. В., Массель А. Г. Семантические технологии на основе интеграции онтологического, когнитивного и событийного моделирования. - 2013.

19. Мещеряков Р. В., Балацкая Л. Н., Чойнзонов Е. Л. Специализированная информационная система поддержки деятельности медицинского учреждения //Информационно-управляющие системы. - 2012. - №. 5 (60).

20. Стандарт ISO/IEC 2382-1:1993, URL:

http://www.morepc.ru/informatisation/iso2381-1.html , Дата обращения: 13.02.2016.

21. Требования к Медицинской информационной системе медицинской организации | ГАУЗ "ПК МИАЦ". http://site.pkmiac.ru/news/events/76/. Дата обращения: 13 сентября 2016.

22. Трофимова Л.А.,Трофимов В.В. Управление знаниями. Учебное пособие - СПб.: Изд-во СПбГУЭФ. 2012. - 77с.

23. Фаулер М. Архитектура корпоративных программных приложений. - М. и др. : Вильямс, 2007.

24. Чистяков А.О., Лапаев M.B.FOODpedia: онтология и семантический граф о продуктах и их ингредиентах//Сборник тезисов докладов конгресса молодых ученых. Электронное издание. - 2015.

25. Abello A. et al. Using semantic web technologies for exploratory OLAP: a survey //IEEE Transactions on Knowledge and Data Engineering. - 2015. - Т. 27. -№. 2. - С. 571-588.

26. Abu Naser S. S., El-Najjar A. E. L. A. An expert system for nausea and vomiting problems in infants and children //International Journal of Medicine Research. - 2016. - Т. 1. - №. 2. - С. 114-117.

27. Aguilar C. et al. Different multivariate techniques for automated classification of MRI data in Alzheimer's disease and mild cognitive impairment //Psychiatry Research: Neuroimaging. - 2013. - Т. 212. - №. 2. - С. 89-98.

28. Altinel B., Ganiz M. C., Diri B. A corpus-based semantic kernel for text classification by using meaning values of terms //Engineering Applications of Artificial Intelligence. - 2015. - Т. 43. - С. 54-66.

29. Arsene O., Dumitrache I., Mihu I. Expert system for medicine diagnosis using software agents //Expert Systems with Applications. - 2015. - Т. 42. - №. 4. -С. 1825-1834.

30. Augenstein I., Pado S., Rudolph S. Lodifier: Generating linked data from unstructured text //Extended Semantic Web Conference. - Springer Berlin Heidelberg, 2012. - С. 210-224.

31. Bass L., Clements P., Kazman R. Software architecture in practice . - 3rd ed., 2012, ISBN 978-0-321-8153-6.

32. Bender D., Sartipi K. HL7 FHIR: An Agile and RESTful approach to healthcare information exchange //Proceedings of the 26th IEEE International Symposium on Computer-Based Medical Systems. - IEEE, 2013. - C. 326-331.

33. Benson T. Principles of health interoperability HL7 and SNOMED. - Springer Science & Business Media, 2012.

34. Bertel-Paternina L. et al. Search Functional Annotations Genetic Relationships of Coffee through Bio2RDF //7th International Conference on Practical Applications of Computational Biology & Bioinformatics. - Springer International Publishing, 2013. -C. 45-51.

35. Blach C. et al. Use of RxNorm and NDF-RT to normalize and characterize participant-reported medications in an i2b2-based research repository //AMIA Summits on Translational Science Proceedings. - 2014. - T. 2014. - C. 35.

36. Borras J., Moreno A., Valls A. Intelligent tourism recommender systems: A survey // Expert Systems with Applications. - 2014. - T. 41. - №. 16. - C. 7370-7389.

37. Can O. et al. Personalized Vaccination Using Ontology Based Profiling //Research Conference on Metadata and Semantic Research. - Springer International Publishing, 2013. - C. 213-224.

38. Collen M. F. A history of medical informatics in the United States. - New York : Springer, 2015.

39. Courtot M. et al. Controlled vocabularies and semantics in systems biology //Molecular systems biology. - 2011. - T. 7. - №. 1. - C. 543.

40. De Coronado S. et al. NCI Thesaurus: using science-based terminology to integrate cancer research results //Medinfo. - 2004. - T. 11. - №. Pt 1. - C. 33-7.

41. De Meyere D. et al. Automatic annotation of medical reports using SNOMED-CT: a flexible approach based on medical knowledge databases //7th Language & Technology Conference: Human Language Technologies as a Challenge for Computer Science and Linguistics. - 2015.

42. Friedman C., Rindflesch T. C., Corn M. Natural language processing: state of the art and prospects for significant progress, a workshop sponsored by the National

Library of Medicine //Journal of biomedical informatics. - 2013. - T. 46. - №. 5. -C. 765-773.

43. G0eg K. R. et al. Content analysis of physical examination templates in electronic health records using SNOMED CT //International journal of medical informatics. - 2014. - T. 83. - №. 10. - C. 736-749.

44. Gruber R.T., "A translation approach to portable ontology specifications". B: Knowledge Acquisition 5.2 (1993), c. 199—220. DOI: 10.1006/knac.1993.1008.

45. Guo A. et al. Ontology-based collection, representation and analysis of drug-associated neuropathy adverse events //Journal of biomedical semantics. - 2016. -T. 7. - №. 1. - C. 1.

46. Guo J. et al. Smartphone-Based Patients' Activity Recognition by Using a Self-Learning Scheme for Medical Monitoring //Journal of medical systems. - 2016. -T. 40. - №. 6. - C. 1-14.

47. He Y. et al. VO: vaccine ontology //The 1st International Conference on Biomedical Ontology (ICBO 2009) Nature Precedings. - 2009. - T. 2009.

48. He Y., Jiang G. Bridging Vaccine Ontology and NCIt vaccine domain for cancer vaccine data integration and analysis. - 2015.

49. IEEE: IEEE Std 1233-1998 IEEE Guide for Developing System Requirement Specification. IEEE Computer Society, New York, NY (1998).

50. ISO/IEC/IEEE 24765-2010, Systems and software engineering — Vocabulary.

51. ISO/IEC/IEEE 42010:2011 Systems and software engineering — Architecture description.

52. Jiang G. et al. Drug Normalization for Cancer Therapeutic and Druggable Genome Target Discovery //AMIA Summits on Translational Science Proceedings. - 2015. - T. 2015. - C. 72.

53. Josefiok M., Krahn T., Sauer J. A survey on expert systems for diagnosis support in the field of neurology //Intelligent Decision Technologies. - Springer International Publishing, 2015. - C. 291-300.

54. Jung Y. H. et al. UMLS toolbox //International Journal of Applied Engineering Research. - 2014. - T. 9. - №. 21. - C. 9199-9206.

55. Kim K. et al. Language independent semantic kernels for short-text classification //Expert Systems with Applications. - 2014. - T. 41. - №. 2. -C. 735-743.

56. Kolchin M., Chistyakov A., Lapaev M., Khaydarova R. FOODpedia: Russian food products as a Linked Data Dataset // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) - 2015, Vol. 9341, pp. 87-90

57. Korenevskiy N. A. Application of Fuzzy Logic for Decision-Making in Medical Expert Systems //Biomedical Engineering. - 2015. - T. 49. - №. 1. - C. 46-49.

58. Krafzig D., Banke K., Slama D. Enterprise SOA: service-oriented architecture best practices. - Prentice Hall Professional, 2005.

59. Kuperman G. J., Gardner R. M., Pryor T. A. HELP: a dynamic hospital information system. - Springer Science & Business Media, 2013.

60. Lapaev M. Automated extraction of concept matcher thesaurus from semi-structured catalogue-like sources of data on the web //Open Innovations Association and Seminar on Information Security and Protection of Information Technology (FRUCT-ISPIT), 2016 18th Conference of. - FRUCT, 2016. - C. 153-160.

61. Lapaev M., Kolchin M. VODRE: Visualisation of drools rules execution //Open Innovations Association FRUCT, Proceedings of 15th Conference of. - IEEE, 2014. -C. 77-84.

62. Lapaev M., Vodyaho A., Zhukova N. Conceptual Model for Routine Measurements Analyses in Semantic Web Applications // CEUR Workshop Proceedings. 2016. Vol. 1710. p. 1.

63. Lécué F. et al. Smart traffic analytics in the semantic web with STAR-CITY: Scenarios, system and lessons learned in Dublin City //Web Semantics: Science, Services and Agents on the World Wide Web. - 2014. - T. 27. - C. 26-33.

64. Lécué F. et al. Star-city: semantic traffic analytics and reasoning for city //Proceedings of the 19th international conference on Intelligent User Interfaces. -ACM, 2014. - C. 179-188.

65. Lichy K., Ziemecki A. Expert systems in medical rescue //Information Systems in Management. - 2015. - T. 4.

66. Lim C. G., Jeong B. S., Choi H. J. Suggesting biomedical topics for unseen research articles based on MeSH descriptors //2015 International Conference on Big Data and Smart Computing (BIGCOMP). - IEEE, 2015. - C. 51-54.

67. Logeswari S., Premalatha K. Biomedical document clustering using ontology based concept weight //Computer Communication and Informatics (ICCCI), 2013 International Conference on. - IEEE, 2013. - C. 1-4.

68. Lopes L. F. et al. Epidemic marketplace: an information management system for epidemiological data //Information Technology in Bio-and Medical Informatics, ITBAM 2010. - Springer Berlin Heidelberg, 2010. - C. 31-44.

69. Lushnov M., Kudashov V., Vodyaho A., Lapaev M., Zhukova N., & Korobov D. Medical Knowledge Representation for Evaluation of Patient's State Using Complex Indicators //International Conference on Knowledge Engineering and the Semantic Web. - Springer International Publishing, 2016. - C. 344-359.

70. Lushnov M., Safin T., Lapaev M., Zhukova N. Medical text processing for SMDA project // CEUR Workshop Proceedings. 2016. Vol. 1613. pp. 1-13.

71. Ma J. et al. An ontology-based text-mining method to cluster proposals for research project selection //IEEE Transactions on Systems, Man, and Cybernetics. Part A: Systems and Humans. - 2012. - T. 42. - №. 3. - C. 784-790.

72. Machado C. M. et al. The semantic web in translational medicine: current applications and future directions //Briefings in bioinformatics. - 2015. - T. 16. -№. 1. - C. 89-103.

73. Maercker A. et al. Diagnosis and classification of disorders specifically associated with stress: proposals for ICD-11 //World Psychiatry. - 2013. - T. 12. -№. 3. - C. 198-206.

74. Mahmood K., Takahashi H. Cloud based sports analytics using semantic web tools and technologies //2015 IEEE 4th Global Conference on Consumer Electronics (GCCE). - IEEE, 2015. - C. 431-433.

75. Mukherjee S., Joshi S. Sentiment Aggregation using ConceptNet Ontology //IJCNLP. - 2013. - C. 570-578.

76. Nadareishvili I. et al. Microservice Architecture: Aligning Principles, Practices, and Culture. - " O'Reilly Media, Inc.", 2016.

77. Neumann E. K., Quan D. BioDash: a Semantic Web dashboard for drug development //Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing. - 2005. - C. 176-187.

78. Nicodemus K. K. et al. Category fluency, latent semantic analysis and schizophrenia: a candidate gene approach //Cortex. - 2014. - T. 55. - C. 182-191.

79. Nolin M. A. et al. Building an HIV data mashup using Bio2RDF //Briefings in bioinformatics. - 2012. - T. 13. - №. 1. - C. 98-106.

80. Ongenae F. et al. A probabilistic ontology-based platform for self-learning context-aware healthcare applications //Expert Systems with Applications. - 2013. -T. 40. - №. 18. - C. 7629-7646.

81. Polikoff I., and Allemang D. Semantic technology. TopQuadrant Technology Briefing v1.1, September 2003.

82. Rajagopal D. et al. A graph-based approach to commonsense concept extraction and semantic similarity detection //Proceedings of the 22nd International Conference on World Wide Web. - ACM, 2013. - C. 565-570.

83. Rick Cattel. Scalable SQL and NoSQL data stores. ACM SIGMOD Record, 39(4), p. 12-27, ACM New York, NY, USA, December 2010.

84. Robinson, I. and Webber, J. and Eifrem, E. Graph Databases. — O'Reilly Media, 2013. — 178 p. — ISBN 978-1449356262.

85. Schulz S., Boeker M. BioTopLite: An Upper Level Ontology for the Life Sciences Evolution, Design and Application //GI-Jahrestagung. - 2013. - C. 1889-1899.

86. Sette M. et al. A Semantic Approach to Intelligent and Personal Tutoring System //Cyber Security and Cloud Computing (CSCloud), 2016 IEEE 3rd International Conference on. - IEEE, 2016. - C. 261-266.

87. Silva I. et al. Robust detection of heart beats in multimodal data //Physiological measurement. - 2015. - T. 36. - №. 8. - C. 1629.

88. Smith, A., Semantic web: ontology and knowledge base enabled tools, services, and application, 2013. p. 341. ISBN 978-1-4666-3612-5.

89. Song Y. C. et al. A markov logic framework for recognizing complex events from multimodal data //Proceedings of the 15th ACM on International conference on multimodal interaction. - ACM, 2013. - C. 141-148.

90. Strategy markup language (StratML) -- Part 1: StratML core elements (ISO 17469-1), URL: http://www.iso.org/iso/catalogue_detail.htm?csnumber=59859

91. Su K. W., Liu C. L. A mobile Nursing Information System based on humancomputer interaction design for improving quality of nursing //Journal of medical systems. - 2012. - T. 36. - №. 3. - C. 1139-1153.

92. Taylor R. N., Medvidovic N., Dashofy E. M. Software architecture: foundations, theory, and practice. - Wiley Publishing, 2009.

93. Vesin B. et al. Protus 2.0: Ontology-based semantic recommendation in programming tutoring system //Expert Systems with Applications. - 2012. - T. 39. -№. 15. - C. 12229-12246.

94. Vodyaho, A., Zhukova, N., Kolchin, M., & Lapaev, M. Semantic Platform for Building Coherent Net of Smart Services. REAL CORP 2016 Proceedings/Tagungsband 22-24 June 2016. ISBN 978-3-9504173-1-9, pp. 561-568.

95. Vodyaho, A., Zhukova, N., Lapaev, M., & Koltavskiy, A. Semantic Medical Care in Smart Cities. REAL CORP 2016 Proceedings/Tagungsband 22-24 June 2016. ISBN 978-3-9504173-1-9, pp. 551-559.

96. Wei T. et al. A semantic approach for text clustering using WordNet and lexical chains //Expert Systems with Applications. - 2015. - T. 42. - №. 4. - C. 2264-2275.

97. Yang G. et al. Automated classification of brain images using wavelet-energy and biogeography-based optimization //Multimedia Tools and Applications. - 2015. -C. 1-17.

98. Zaki M. J., Meira Jr W. Data mining and analysis: fundamental concepts and algorithms. - Cambridge University Press, 2014.

99. Zhang K. et al. Single image super-resolution with multiscale similarity learning //IEEE transactions on neural networks and learning systems. - 2013. -T. 24. - №. 10. - C. 1648-1659.

100. Zhen Y., Yeung D. Y. Co-regularized hashing for multimodal data //Advances in neural information processing systems. - 2012. - C. 1376-1384.

101. Zheng S. et al. Patient Treatment and Prognosis Information Extraction With Adaptive Self Learning Medical Form Generating System //International Journal of Radiation Oncology Biology Physics. - 2014. - T. 90. - №. 1. - C. S819.

102. Zuccon G. et al. Automatic classification of free-text radiology reports to identify limb fractures using machine learning and the snomed ct ontology //AMIA Summits on Translational Science Proceedings. - 2013. - T. 2013. - C. 300-304.

Список рисунков

Рисунок 1.1 - Взаимосвязь данных, информации и знаний.....................................20

Рисунок 1.2 - Общая классификация МИС по направлениям.................................30

Рисунок 1.3 - Детальная классификация МИС и ИМИС по назначению...............30

Рисунок 1.4 - Ролевая модель ЛПУ............................................................................41

Рисунок 1.5 - Бизнес-модель ЛПУ на концептуальном уровне...............................42

Рисунок 1.6 - Модель данных медицинских учреждений........................................43

Рисунок 1.7 - Верхнеуровневая процессная модель медицинского учреждения .. 45

Рисунок 2.1 - Взаимосвязь понятий ИС и МИС........................................................50

Рисунок 2.2 - Взаимосвязь базовых понятий.............................................................51

Рисунок 2.3 - Классификация информационных систем по различным признакам ......................................................................................................................................... 52

Рисунок 2.4 - Классификация ИИС............................................................................54

Рисунок 2.5 - Классификация СМИС.........................................................................56

Рисунок 2.6 - Классификация типовых архитектур СМИС.....................................60

Рисунок 2.7 - Иерархия функций врачебного и управляющего персонал..............65

Рисунок 2.8 - Иерархия общих функции и функций научно-исследовательского персонала........................................................................................................................67

Рисунок 2.9 - Основные сущности при обработке данных......................................68

Рисунок 2.10 - Структура информационной модели системы.................................70

Рисунок 2.11- Информационная модель объектов в системе семантической обработки данных.........................................................................................................71

Рисунок 2.12 - Уровни детализации предметной области.......................................74

Рисунок 2.13 - Структура онтологии ССОАМД.......................................................75

Рисунок 2.14 - Иерархия импортируемых онтологий..............................................77

Рисунок 2.15 - Граф зависимости онтологии ССОАМД от внешних онтологий .. 78

Рисунок 2.16 - Основные сущности связующей онтологии ССОАМД..................80

Рисунок 2.17 - Алгоритмическая модель онтологии................................................81

Рисунок 2.18 - Онтология ССОАМД..........................................................................82

Рисунок 2.19 - Место объектной и онтологической модели в процессах обработки ......................................................................................................................................... 82

Рисунок 2.20 - Объектная модель персонала учреждения.......................................83

Рисунок 2.21 — Объектная модель средств диагностики........................................84

Рисунок 2.22 - Объектная модель схем лечения.......................................................84

Рисунок 2.23 - Объектная модель типов данных......................................................85

Рисунок 2.24 - Объектная модель подразделений учреждения...............................85

Рисунок 2.25 - Взаимосвязь сущностей объектной модели.....................................87

Рисунок 2.25 (продолжение) - Взаимосвязь сущностей объектной модели..........88

Рисунок 2.26 - Общий вид функциональной ГОЬ-модели.......................................89

Рисунок 2.27 - Согласованное использование моделей...........................................90

Рисунок 2.28 - Логическая структура функции.........................................................91

Рисунок 2.29 - Представления системы.....................................................................92

Рисунок 2.30 - Архитектурное описание ССОАМД на базе JDL-модели слияния данных............................................................................................................................93

Рисунок 2.31 - Организация гибкого процесса обработки.......................................94

Рисунок 3.1 - Пересечение контекстов.....................................................................102

Рисунок 3.2 - Процесс создания типовых шаблонов схем лечения......................103

Рисунок 3.3 - Процесс расчета динамики комплексного показателя....................105

Рисунок 3.4 - Иерархия сервисов: сервисы обработки и анализа данных............107

Рисунок 3.5 - Иерархия сервисов: сервисы работы с данными.............................108

Рисунок 3.6 - Общий алгоритм наполнения информационной модели................109

Рисунок 3.7 - Схема предварительной обработки данных.....................................109

Рисунок 3.8 - Схема нормализации данных.............................................................110

Рисунок 3.9 - Схема аннотирования данных...........................................................110

Рисунок 3.10 - Схема интеграции данных...............................................................111

Рисунок 3.11 - Схема обработки текстовых данных...............................................112

Рисунок 3.12 - Схема обработки числовых данных................................................112

Рисунок 3.13 - Гибридная архитектура ССОАМД..................................................115

Рисунок 3.14 - Модули ССОАМД............................................................................118

Рисунок 3.15 - Компоненты системы и интерфейсы взаимодействия..................121

Рисунок 3.16 - Платформа ССОАМД.......................................................................122

Рисунок 3.17 - Сервисная модель онтологии ССОАМД........................................124

Рисунок 3.18 - Диаграмма развёртывания и резервирования компонентов системы .......................................................................................................................................127

Рисунок 4.1 - Компоненты ССОАМД для Центра..................................................135

Рисунок 4.2 - Сторонние и внутренние микросервисы системы центра им. Алмазова.......................................................................................................................138

Рисунок 4.3 - Динамика состояния пациента 21579/А14.......................................142

Рисунок 4.4 - Динамика состояния пациента 7028/А14.........................................142

Рисунок 4.5 - Динамика состояния пациента 41419/А14.......................................142

Рисунок 4.6 - Динамика состояния пациента 30450/А14.......................................142

Рисунок 4.7 - Динамика состояния пациента 45548М14.......................................143

Рисунок 4.8 - Динамика состояния пациента 50178/А14.......................................143

Рисунок 4.9 - Динамика состояния пациента 5394/А14.........................................143

Рисунок 4.10 - Динамика состояния пациента 5952/А14.......................................144

Рисунок 4.11 - Динамика состояния пациента 47900/А14.....................................144

Рисунок 4.12 - Динамика состояния пациента 6493/А14.......................................144

Рисунок 4.13 - Динамика состояния пациента 34797/А14.....................................145

Рисунок 4.14 - Динамика состояния пациента 23469/А14.....................................145

Рисунок 4.15 - Шаблоны интерпретации медицинских записей...........................147

Список таблиц

Таблица 1.1 - Наиболее популярные хранилища данных большого объема.........21

Таблица 1.2 - Архитектурные подходы к построению интеллектуальных систем 23

Таблица 1.3 - Спецификация потребностей персонала ЛПУ...................................27

Таблица 1.4 - Типы данных, специфичные для предметной области медицины .. 44

Таблица 2.1 - Классы систем по классификационным признакам..........................52

Таблица 2.2 - Перечень классов и их кодов...............................................................54

Таблица 2.3 - Дополнение классов МИС интеллектуальными качествами...........55

Таблица 2.4 - Требования к различным подклассам СМИС....................................56

Таблица 2.5 - Покрытие потребностей пользователя возможностями подклассов58

Таблица 2.6 - Типовые архитектуры СМИС..............................................................58

Таблица 2.7 - Типовые архитектуры для подклассов СМИС..................................60

Таблица 2.8 - Спецификация функциональных требований....................................61

Таблица 2.9 - Назначение информационных моделей..............................................71

Таблица 2.10 - Трансформации информационной модели......................................72

Таблица 2.11 - Области покрытия импортируемых онтологий...............................77

Таблица 2.12 - Уровень 1 функциональной модели.................................................94

Таблица 2.13 - Уровень 2 функциональной модели.................................................95

Таблица 2.14 - Уровень 3 функциональной модели.................................................95

Таблица 3.1 - Функциональные требования к ССОАМД.........................................98

Таблица 4.1 - Состав выборки пациентов................................................................139

Приложение А. Требования к МИС медицинской организации

Таблица А.1 - Требования к МИС

№ Требование Обоснование

1. Гибкость настроек и возможность адаптации МИС к методам организации лечебных процессов, используемым в конкретных МО Обеспечение комфортного перехода на новые инструменты информационной поддержки БП МО с сохранением привычной последовательности задач по их выполнению; оптимизации бизнес-процессов, использующих новые функциональные возможности МИС, и их последовательная автоматизация путем накопления практического опыта эксплуатации системы

2. ЭМК, как основной модуль, должна основываться на единой базе данных с интеграцией дополнительных медицинских модулей Унификация процессов подключения к МИС МО дополнительных информационных модулей с минимизацией интерфейсов обмена

3 МИС МО должна поддерживать модульную архитектуру - состоять из модулей, каждый из которых охватывает отдельный процесс деятельности медицинской организации Обеспечение поэтапного внедрения МИС МО в соответствии с потребностями конкретной медицинской организации. Модули могут использоваться как в рамках комплексной МИС, так и в качестве отдельных компонентов

4 МИС МО должна обеспечивать поддержку обмена электронной Обеспечение семантической интероперабельности с внешними

медицинской информацией на основе общепринятых международных стандартов (НЬ7, 1НЕ, ШСОМ медицинскими информационными системами

5. Наличие в МИС инструментов изменения (расширения, модернизации) состава, форматов и структуры хранения данных при сохранении работоспособности базового варианта ПО Проведение программ модернизации функционала МИС МО (на уровне организации, или региона) без необходимости отказа от используемого ПО; адаптация к процессам пересмотра регламентов передачи данных в структуры управления; возможность уточнения и детализации информации о фрагментах, реализуемых БП, сохраняемой МИС

6. Наличие инструментов выгрузки из хранилища МИС МО (подкачки в хранилище МИС МО) пакетов данных, состав, форматы и структура которых согласованы на федеративном уровне и уровне региона Обеспечение гибкости информационного взаимодействия, синхронизации и актуализации данных МИС МО территории (прямой информационный обмен, использование интеграционной шины и пр.); решение задач обмена данными с федеральными сервисами; обобщение и совместная обработка данных в рамках задач, решаемых региональным сегментом ЕГИСЗ; удаленное сопровождение МИС, централизованное обновление федеральных и региональных

справочников и нормативов

7. Гибкие инструменты разграничения прав доступа к данным и функционалу МИС МО (блокировка полей, электронная подпись, шифрование и пр.) Оптимизация работы специалистов с данными; возможность работы с фрагментами информации

8. Возможность заключения контракта на авторское сопровождение МИС МО Регулярное обновление МИС МО и актуализация форм статистической отчетности; консультирование технических специалистов; целевая модернизация системы по заявке МО

9. Возможность использования функционала МИС в сочетании с каналами связи с приборами (блоками, установками), самостоятельно реализующими удаленное обследование, диагностику, on-line мониторирование состояния пациента с автоматической передачей новых сведений в хранилище данных системы Обеспечение непрерывности и преемственности лечебно-диагностических процессов

10. Комплексная информационная поддержка БП МО Реализация программ постоянного развития функциональных возможностей МИС МО; последовательная автоматизация всех БП МО

Приложение Б. Сводная сравнительная таблица медицинских

информационных систем

Таблица Б.1 - Описание архитектуры систем, участвующих в сравнении

МИС Описание

VS Clinic26 Система с трехуровневой клиент-серверной архитектура Application Object Server (AOS), позволяющая создавать гибкие решения на основе стандартных компьютерных и сетевых технологий. Качества: не требований к дополнительному ПО; низкие накладные расходы на передачу данных; высокий уровень безопасности БД; малые расходы на оборудование; применение облачных технологий.

DocShell27 Онлайн-сервис подготовки документов по ключевым направлениям медицинской деятельности. Качества: разработка документов в соответствие с требованиями РосКомНадзора; актуализация документов.

РИС «КМИС»28 Система автоматизации деятельности подразделений лучевой диагностики ЛПУ. Качества: автоматизация ввода, обработки и хранения результатов диагностических обследований; доступность результатов диагностики с любого рабочего места; интеграция с диагностическим оборудованием; удаленный доступ к архивам результатов диагностики.

26 VS Clinic, URL: http://www.vita-soft.ru/solves/54/

27 DocShell, URL: https://www.docshell.ru/

28 РИС «КМИС», URL: http://www.kmis.ru/site.nsf/pages/ris.htm

Медэксперт «ТФОМС»29 Система с трехуровневой архитектурой (БД, сервер приложений, клиент, представляющий собой АРМ) и модульной системой построения. Качества: работа со счетами на оказание медицинских услуг; работа с базами застрахованного населения; доступ к нормативно-справочной информации; интеграция с другими системами обслуживания.

Эксперт-ЭМ30 Автоматизированная система документооборота. Качества: • работа со счетами; • проведение контроля документов; • организация нормативно-справочного пространства; • поддержка контроля качества оказания услуг; • модуль проведения медико-экономического контроля; • интеграция с базами медицинского страхования.

МИС дМБ31 Сетевая система с постиерархической БД. Качества: работа с регистрационными данными и данными об оказанных услугах; функции работы с лабораторными данными; поддержка всех отделений учреждения; модули работы с данными о донорской крови.

Таблица Б.2 - Критерии сравнения

Код критерия Критерий

КС1 Объем обрабатываемых данных

КС2 Наличие электронной медицинской карты

КС3 Наличие справочников и классификаторов

КС4 Генерация и печать бумажных форм

29 Медэксперт «ТФОМС», URL: http://vitacore.ru/Products/Медэксперт%20ТФОМС

30 Эсперт-ЭМ, URL: http://itm.consef.ru/main.mhtml?Part=124&PubID=653

31 СП.АРМ МИС qMS, URL: http://www.sparm.com/products/Qms

КС5 Поддержка принятия врачебных решений

КС6 Простота в эксплуатации и обучении

КС7 Качество и удобство интерфейса

КС8 Наличие методов интеллектуального анализа данных

Таблица Б.3 - Сравнение систем из таблицы А.1 по критериям из таблицы А.2

КС1 КС2 КС3 КС4 КС5 КС6 КС7 КС8

VS атю 1 V V V V V X X

DocShell 2 X X X X X X X

РИС КМИС 2 V V V V X X X

Медэксперт ТФОМС 1 V V V X V X X

Эксперт- ЭМ 1 X X V V V X X

МИС qMS 1 X X V X X X X