Формирование набора больших данных для клинических исследований на примере аневризм сосудов головного мозга

Изменчивость и неоднородность цифровой медицинской информации требует разработки современных алгоритмов по структурированию массивов данных с целью их дальнейшей статистической обработки. Цель исследования – определить ход работы по созданию набора данных (НД) при исследовании аневризм сосудов головного мозга от этапа формирования технического задания до получения финального НД.
Материал и методы. Процесс создания, обработки и анализа НД пациентов с аневризмами проводился на базе университетской клиники города Турку, Финляндия. В течение последних 20 лет клиника осуществляет медицинский документооборот в цифровом формате, что позволило создать на ее базе отдел хранения цифровых данных с целью максимального сохранения любой доступной цифровой информации. Автоматизированное получение данных пациентов проводилось дата-инженером с использованием языка программирования «R» на основании кодов Международной классификации болезней (МКБ-10).
Результаты и их обсуждение. В период с января 2000 г. по май 2018 г. в ходе первичного получения данных выявлено 3850 пациентов. После независимой перекрестной проверки электронных историй болезни отсеяно 1218 (32 %) ложноположительных случаев. Данные по оставшимся пациентам были разделены на клинический и реанимационный блоки. Каждое событие, относящееся к конкретной временной дате в НД, определено как инфо-единица. Вся информация в обоих блоках структурирована в формате Excel и представлена в хронологическом порядке для каждого отдельного больного. В целом весь набор данных состоял из более чем 70 000 000 рядов инфо-единиц, выявленных у 2632 пациентов.
Заключение. Автоматизированный поиск данных позволил создать многокомпонентный структурированный набор данных пациентов с аневризмами сосудов головного мозга. Выработанный алгоритм автоматизированного получения данных имел ограничение в отношении ложнопозитивных случаев, выявленных в 32 % случаев. Таким образом, анализ клинического материала, полученного с помощью цифровых алгоритмов, требует тщательной перекрестной проверки членами исследовательской группы.

1. Aue G., Biesdorf S., Henke N. How healthcare systems can become digital-health leaders. McKinsey and Company Healthcare Systems and Services. Available at: https://www.mckinsey.com/industries/healthcare/our-insights/how-healthcare-systems-canbecome-digital-health-leaders

2. Faggella D. Where healthcare’s big data actually comes from. Available at: https://www.techemergence.com/where-healthcares-big-dataactually-comesfrom

3. Huesch M., Mosher T. Using it or losing it? The case for data scientists inside health care. NEJM catalyst. Available at: https://catalyst.nejm.org/doi/full/10.1056/CAT.17.0493

4. Gopal G., Suter-Crazzolara C., Toldo L., Eberhardt W. Digital transformation in healthcare - architectures of present and future information technologies. Clin. Chem. Lab. Med. 2019;57(3):328–335. doi: 10.1515/cclm-2018-0658

5. Backes D., Rinkel G., Greving J., Velthuis B., Murayama Y., Takao H., Ishibashi T., Igase M., ter-Brugge K., Agid R.,… Vergouwen M. ELAPSS score for prediction of risk of growth of unruptured intracranial aneurysms. Neurology. 2017;88(17):1600–1606. doi: 10.1212/WNL.0000000000003865

6. Chang K., Bai H., Zhou H., Su C., Bi W., Agbodza E., Kavouridis V., Senders J., Boaro A., Beers A., … Kalpathy-Cramer J. Residual convolutional neural network for the determination of IDH status in low- and high-grade gliomas from MR imaging. Clin. Cancer Res. 2018;24(5):1073–1081. doi: 10.1158/1078-0432.CCR-17-2236

7. Malhotra A., Wu X., Forman H., Matouk C., Gandhi D., Sanelli P. Management of tiny unruptured intracranial aneurysms: a comparative effectiveness analysis. JAMA Neurol. 2018;75(1):27–34. doi: 10.1001/jamaneurol.2017.3232

8. McKenna B. SAP banks on “intelligent enterprise” at Sapphire 2018. Available at: https://www.computerweekly.com/news/252442802/SAP-bankson-intelligent-enterprise-at-Sapphire-2018

9. Quinn J.B. Strategic outsourcing: leveraging knowledge capabilities. MIT Sloan Management Review. Summer 1999. Available at: https://sloanreview.mit.edu/article/strategic-outsourcing-leveragingknowledge-capabilities/

10. What is value-based healthcare? NEJM Catalyst. Available at: https://catalyst.nejm.org/doi/full/10.1056/CAT.17.0558

11. Shirer M., Daquilla M. IDC spending guide forecasts worldwide spending on cognitive and artificial intelligence systems to reach $57.6 Billion in 2021. IDC. Available at: https://www.idc.com/getdoc.jsp?containerId=prUS43095417

12. Laranjo L., Dunn A., Tong H., Kocaballi A., Chen J., Bashir R., Surian D., Gallego B., Magrabi F., Lau A., Coiera E. Conversational agents in healthcare: a systematic review. J. Am. Med. Inform. Assoc. 2018;25(9):1248–1258. doi: 10.1093/jamia/ocy072

13. Perrin D. Lessons from the data: applying machine learning for clinical decision support. Vector medicine, Boston Children’s Hospital. Available at: https://vector.childrenshospital.org/2017/04/machinelearning-clinical-decision-support/

14. Rajkomar A., Dean J., Kohane I. Machine learning in medicine. N. Engl. J. Med. 2019;380(14):1347–1358. doi: 10.1056/NEJMra1814259

15. Madhavan R. Machine translation – 14 current applications and services. Available at: https://emerj.com/ai-sector-overviews/machine-translation-14-current-applications-and-services/

16. Gillies J.C., Baird A.G., Gillies E.M. Balancing proactive and reactive care. Occasional Paper in Royal College of General Practitioners. 1995;71(71):15–28.

17. Aoe J., Fukuma R., Yanagisawa T., Harada T., Tanaka M., Kobayashi M., Inoue Y., Yamamoto S., Ohnishi Y., Kishima H. Automatic diagnosis of neurological diseases using MEG signals with a deep neural network. Sci. Rep. 2019;9(1):5057. doi: 10.1038/s41598-019-41500-x

18. Salimi Ashkezari S.F., Mut F., Slawski M., Cheng B., Yu A.K., White T.G., Woo H.H., Koch M.J., Amin-Hanjani S., Charbel F. T., … Cebral J.R. Prediction of bleb formation in intracranial aneurysms using machine learning models based on aneurysm hemodynamics, geometry, location, and patient population. J. Neurointerv. Surg. 2022;14(10):1002–1007. doi: 10.1136/neurintsurg-2021-017976

19. Gulshan V., Peng L., Coram M., Stumpe M., Wu D., Narayanaswamy A., Venugopalan S., Widner K., Madams T., Cuadros J., … Webster D. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA. 2016;316(22):2402–2410. doi: 10.1001/jama.2016.17216

20. Hitchcock E., Gibson W. A Review of the genetics of intracranial berry aneurysms and implications for genetic counseling. J. Genet. Couns. 2017;26(1):21–31. doi: 10.1007/s10897-016-0029-8

21. Sing D., Metz L., Dudli S. Machine learningbased classification of 38 years of spine-related literature into 100 research topics. Spine. 2017;42(11):863–870. doi: 10.1097/BRS.0000000000002079

22. Senders J., Arnaout O., Karhade A., Dasenbrock H., Gormley W., Broekman M., Smith T. Natural and artificial intelligence in neurosurgery: a systematic review. Neurosurgery. 2018;83(2):181–192. doi: 10.1093/neuros/nyx384