A clinical decision support system used at a dental appointment

Abstract

Conducting an initial examination of patients is a critical step necessary for the provision of professional dental services. In this paper, the possibilities and limitations of the clinical decision support system (CDSS) during the examination of dental patients are investigated, and directions for further scientific research are proposed. The methodology for the development and integration of CDSS into everyday practice is also presented.

Full Text

Введение. В современной медицине имеет большое значение осмотр пациентов в начале стоматологического обслуживания. Осведомленность врачей-стоматологов об оптимальных стратегиях лечения и возможных диагнозах необходима для правильного выбора курса действий по каждому случаю. С ростом баз данных и искусственного интеллекта становится актуальной внедрение в стоматологию систем поддержки принятия врачебных решений (СППВР), которые помогут увеличить эффективность работы стоматологов [1].

Исследования данных указывают, что применение новых технологий в сфере стоматологии может значительно улучшить обслуживание пациентов и сократить время на рутинные задачи. Анализ больших объемов информации в реальном времени позволяет точнее поставлять диагнозы и оптимизировать лечение, делая его более персонализированным и предотвращая осложнения. Системы обработки данных в стоматологии позволяют сфокусироваться на качественном медицинском уходе, обеспечивая более эффективные процессы обслуживания пациентов. Этот подход открывает новые перспективы для будущих исследований в области стоматологии.

Цель работы разработать СППВР для использования врачами-стоматологами во время диагностического приема.

Материалы и методы исследования. В процессе исследования были выполнены следующие этапы:

1) Первое действие состояло в том, чтобы собрать необходимую информацию. Это включало в себя данные, такие как ID пациента, дата его рождения, основной диагноз при выписке (код и текст), а также жалобы, которые он предъявлял.

2) Вторым шагом была предобработка собранных данных. Это позволило обеспечить их высокое качество. Процесс включал в себя группировку информации по пациентам и приемам, а также очистку и нормализацию данных для удобства оценки влияния различных симптомов на обучение модели.

3) Была применена логистическая модель регрессии для проведения обучения и проверки. Модель получила оптимизацию с использованием методов кросс-валидации и настройки гиперпараметров, учитывала дисбаланс классов в данных и применяла методы сэмплирования, взвешивания классов и изменения порога классификации для устранения проблемы.

4) Во имя более детального анализа информации была разработана нейросетевая модель, которая функционировала в параллели с ML-моделью. Из-за недостатка данных была подобрана схема с одним внутренним полносвязным слоем, содержащим 64 нейрона.

5) Интерфейс, созданный в виде чат-бота на платформе Telegram, обеспечивает комфортное взаимодействие с пользователями. Позволяя врачам вводить список жалоб пациентов и получать решения моделей, чат-бот также реализовал алгоритм поиска наиболее близкой целевой переменной из перечня жалоб. Если не удалось найти достаточно схожих с известными моделями жалоб, пользователь получает соответствующее уведомление.

Результаты исследования. Описана система поддержки принятия решений в стоматологии, включая методы и алгоритмы, применяемые в диагностических процедурах для зубов.

Наша команда объединяет врачей стоматологов, разработчиков цифровых медицинских сервисов и специалистов по анализу медицинских данных. Мы получили обезличенные данные из анкет пациентов и создали обучающие датасеты для нейросетевой модели. Данные были обработаны в соответствии с требованиями для обучения нейросетей. Мы разработали модели машинного обучения и нейросетевую модель. Также мы создали чат-бот для пользователей на платформе Telegram. Преимущества использования такой системы включают увеличение точности диагностики, ускорение процесса принятия решений, повышение эффективности лечения, снижение риска ошибок и улучшение качества ухода за пациентами.

В использовании СППВР есть недостатки и ограничения, такие как ограниченность системы в обнаружении редких и сложных патологий, зависимость от качества данных и потенциальные этические и законодательные проблемы. Для оценки безопасности системы проводится определение степени риска для пациентов и использование методов анализа ошибок.

По результатам исследования, логистическая регрессия и нейросетевая модель показали значения метрики accuracy 58% и 57% соответственно. Авторы ставили перед собой задачу доказать перспективность данного прототипа.

Более 12 уникальных диагнозов обнаружены в предварительно обработанных данных, поэтому при небольшом дисбалансе классов важной метрикой остается accuracy. Значение данной метрики свыше 50% при ограниченном объеме информации (не более 600 различных пациентов) считается важным показателем и убедительно подтверждает жизнеспособность разрабатываемого прототипа. Дальнейшая стратегия направлена на увеличение значимости F1-score с учетом как правильных ответов модели, так и всех возможных ошибочных вариантов.

Заключение. В современной медицине ключевое значение имеет СППВР при первичном осмотре стоматологических пациентов. Уровень профессионализма врачей повышается за счет внедрения этой системы, качество медицинской помощи улучшается, а удовлетворенность как медицинских работников, так и пациентов растет. Возможность реализации такого решения доказывается разработанным авторами прототипом СППВР. Интеграция с цифровыми технологиями, увеличение точности модели и скорости анализа данных, а также расширение области применения системы будут перспективами развития прототипа. Для достижения наилучших результатов необходимо, чтобы любая СППВР была гибкой, персонализированной и соответствовала специфике конкретной клинической практики [2].