Использование открытых баз данных в анестезиологии и интенсивной терапии: систематический обзор и практические рекомендации

Читать метаданные

Открытые базы данных (БД) пациентов, находившихся в отделениях реанимации и интенсивной терапии (ОРИТ), пока не получили широкого распространения в Российской Федерации, несмотря на глобальный рост интереса к их использованию.

ЦЕЛЬ ИССЛЕДОВАНИЯ

Выполнить систематический обзор открытых баз данных пациентов реанимационного профиля, включая идентификацию доступных баз данных в области интенсивной терапии, сравнительный анализ их характеристик, в том числе ключевых особенностей, преимуществ и недостатков, и формирование практических рекомендаций по их использованию.

МАТЕРИАЛ И МЕТОДЫ

Исследование выполнено в соответствии с рекомендациями PRISMA и руководствами Кокрановского сообщества. Проведен систематический поиск литературы в базах данных PubMed и Google Scholar, а также дополнительный поиск с использованием инструмента LitMaps. Включены исследования БД, содержащих данные о пациентах 18 лет и старше, с доступной информацией о витальных параметрах в ОРИТ. Извлечение данных осуществлялось с использованием DB Browser for SQLite и DBeaver.

РЕЗУЛЬТАТЫ

В исследование включено 6 открытых БД: MIMIC-IV, eICU-CRD, HiRID, SICdb, AmsterdamUMCdb и RICD. Базы данных различаются по численности пациентов (от 5115 до 139 367), длительности мониторинга и частоте сбора данных. Различаются также категории пациентов, показатели тяжести состояния и доступность данных. Представлены рекомендации об использовании открытых БД с учетом их уникальных особенностей, достоинств и ограничений.

ЗАКЛЮЧЕНИЕ

Открытые базы данных пациентов реанимационного профиля являются ценным инструментом для решения исследовательских задач. Предложенные рекомендации будут способствовать повышению осведомленности и интереса исследователей к использованию этих инструментов.

Ключевые слова:

база данных

анестезиология

интенсивная терапия

анализ данных

Авторы:

Ядгаров М.Я.

ФГБНУ «Федеральный научно-клинический центр реаниматологии и реабилитологии» Минобрнауки России

ORCID: 0000-0003-3792-1682

Берикашвили Л.Б.

ФГБНУ «Федеральный научно-клинический центр реаниматологии и реабилитологии» Минобрнауки России

ORCID: 0000-0001-9267-3664

Яковлев А.А.

ФГБНУ «Федеральный научно-клинический центр реаниматологии и реабилитологии» Минобрнауки России

ORCID: 0000-0002-8482-1249

Лихванцев В.В.

ФГБНУ «Федеральный научно-клинический центр реаниматологии и реабилитологии» Минобрнауки России

ORCID: 0000-0002-5442-6950

Дата поступления:

16.12.2024

Дата принятия в печать:

21.02.2025

Список литературы:

Mao Z, Liu C, Li Q, Cui Y, Zhou F. Intelligent intensive care unit: current and future trends. Intensive Care Research. 2023;3(2):182-188. https://doi.org/10.1007/s44231-023-00036-5
Moody GB, Mark RG. A database to support development and evaluation of intelligent intensive care monitoring. Computers in Cardiology. 1996;23:657-660. https://doi.org/10.1109/CIC.1996.542622
Johnson AEWW, Bulgarelli L, Shen L, Gayles A, Shammout A, Horng S, Pollard TJ, Hao S, Moody B, Gow B, Lehman L wei H, Celi LA, Mark RG. MIMIC-IV, a freely accessible electronic health record dataset. Scientific Data. 2023;10(1):1. https://doi.org/10.1038/s41597-022-01899-x
Pollard TJ, Johnson AEWW, Raffa JD, Celi LA, Mark RG, Badawi O. The eICU Collaborative Research Database, a freely available multi-center database for critical care research. Scientific Data. 2018;5(1):1-13. https://doi.org/10.1038/sdata.2018.178
Hyland SL, Faltys M, Hüser M, Lyu X, Gumbsch T, Esteban C, Bock C, Horn M, Moor M, Rieck B, Zimmermann M, Bodenham D, Borgwardt K, Rätsch G, Merz TM. Early prediction of circulatory failure in the intensive care unit using machine learning. Nature Medicine. 2020;26(3):364-373. https://doi.org/10.1038/s41591-020-0789-4
Thoral PJ, Peppink JM, Driessen RH, Sijbrands EJG, Kompanje EJO, Kaplan L, Bailey H, Kesecioglu J, Cecconi M, Churpek M, Clermont G, Van Der Schaar M, Ercole A, Girbes ARJ, Elbers PWG. Sharing ICU Patient Data Responsibly Under the Society of Critical Care Medicine/European Society of Intensive Care Medicine Joint Data Science Collaboration: The Amsterdam University Medical Centers Database (AmsterdamUMCdb) Example. Critical Care Medicine. 2021;49(6):E563-577. https://doi.org/10.1097/CCM.0000000000004916
Chen H, Zhu Z, Zhao C, Guo Y, Chen D, Wei Y, Jin J. Central venous pressure measurement is associated with improved outcomes in septic patients: an analysis of the MIMIC-III database. Critical Care. 2020;24(1):433. https://doi.org/10.1186/S13054-020-03109-9
Robles Arévalo A, Maley JH, Baker L, da Silva Vieira SM, da Costa Sousa JM, Finkelstein S, Mateo-Collado R, Raffa JD, Celi LA, DeMichele F. Data-driven curation process for describing the blood glucose management in the intensive care unit. Scientific Data. 2021;8(1):80. https://doi.org/10.1038/s41597-021-00864-4
Liu P, Li S, Zheng T, Wu J, Fan Y, Liu X, Gong W, Xie H, Liu J, Li Y, Jiang H, Zhao F, Zhang J, Wu L, Ren H, Hong Z, Chen J, Gu G, Wang G, Zhang Z, Wu X, Zhao Y, Ren J. Subphenotyping heterogeneous patients with chronic critical illness to guide individualised fluid balance treatment using machine learning: a retrospective cohort study. EClinicalMedicine. 2023;59:101970. https://doi.org/10.1016/j.eclinm.2023.101970
Tyler PD, Du H, Feng M, Bai R, Xu Z, Horowitz GL, Stone DJ, Celi LA. Assessment of Intensive Care Unit Laboratory Values That Differ From Reference Ranges and Association with Patient Mortality and Length of Stay. JAMA Network Open. 2018;1(7):e184521-e184521. https://doi.org/10.1001/JAMANETWORKOPEN.2018.4521
Sun Y, He Z, Ren J, Wu Y. Prediction model of in-hospital mortality in intensive care unit patients with cardiac arrest: a retrospective analysis of MIMIC -IV database based on machine learning. BMC Anesthesiology. 2023;23(1):178. https://doi.org/10.1186/S12871-023-02138-5
Likhvantsev V V, Berikashvili LB, Yadgarov MY, Yakovlev AA, Kuzovlev AN. The Tri-Steps Model of Critical Conditions in Intensive Care: Introducing a New Paradigm for Chronic Critical Illness. Journal of Clinical Medicine. 2024;13(13):3683. https://doi.org/10.3390/jcm13133683
Astanin PA, Ronzhin LV, Borisov AA, Usova AV, Potapova II, Budykina AV. Knowledge Base Prototype Creating with Using Interdisciplinary Metathesaurus. Studies in Health Technology and Informatics. 2024;316:1487-491. https://doi.org/10.3233/SHTI240695
Демченко М.В., Каширина И.Л., Фирюлина М.А. Кластеризация состояний пациентов для модели назначения схем лечения атеросклероза. Вестник ВГУ. Серия: системный анализ и информационные технологии. 2021;(2):126-137. https://doi.org/10.17308/sait.2021.2/3509
Sauer CM, Dam TA, Celi LA, Faltys M, de la Hoz MAA, Adhikari L, Ziesemer KA, Girbes A, Thoral PJ, Elbers P. Systematic Review and Comparison of Publicly Available ICU Data Sets-A Decision Guide for Clinicians and Data Scientists. Critical Care Medicine. 2022;50(6):e581-588. https://doi.org/10.1097/CCM.0000000000005517
Гречко А.В., Ядгаров М.Я., Яковлев А.А., Берикашвили Л.Б., Кузовлев А.Н., Поляков П.А., Кузнецов И.В., Лихванцев В.В. Российская база данных реанимационных пациентов — RICD. Общая реаниматология. 2024;20 (3):22-31. https://doi.org/10.15360/1813-9779-2024-3-22-31
Rodemund N, Wernly B, Jung C, Cozowicz C, Koköfer A. Harnessing big data in critical care: Exploring a new European dataset. Scientific Data. 2024;11(1):320. https://doi.org/10.1038/s41597-024-03164-9
Liberati A, Altman DG, Tetzlaff J, Mulrow C, Gøtzsche PC, Ioannidis JPAA, Clarke M, Devereaux PJ, Kleijnen J, Moher D. The PRISMA statement for reporting systematic reviews and meta-analyses of studies that evaluate health care interventions: explanation and elaboration. Journal of Clinical Epidemiology. 2009;62(10):e1-34. https://doi.org/10.1016/j.jclinepi.2009.06.006
Higgins JPTT, Thomas J, Chandler J, Cumpston M, Li T, Page MJ, Welch VA. Cochrane Handbook for Systematic Reviews of Interventions. John Wiley & Sons; 2019.
Literature Map Software for Lit Reviews & Research. Accessed November 24, 2023. https://www.litmaps.com/
Zeng X, Yu G, Lu Y, Tan L, Wu X, Shi S, Duan H, Shu Q, Li H. PIC, a paediatric-specific intensive care database. Scientific Data. 2020;7(1):14. https://doi.org/10.1038/s41597-020-0355-4
Hou N, Li M, He L, Xie B, Wang L, Zhang R, Yu Y, Sun X, Pan Z., Wang K. Predicting 30-days mortality for MIMIC-III patients with sepsis-3: a machine learning approach using XGboost. Journal of Translational Medicine. 2020;18(1):462. https://doi.org/10.1186/s12967-020-02620-5
Li X-D, Li M-M. A novel nomogram to predict mortality in patients with stroke: a survival analysis based on the MIMIC-III clinical database. BMC Medical Informatics and Decision Making. 2022;22(1):92. https://doi.org/10.1186/s12911-022-01836-3
Zhang Y, Hu J, Hua T, Zhang J, Zhang Z, Yang M. Development of a machine learning-based prediction model for sepsis-associated delirium in the intensive care unit. Scientific Reports. 2023;13(1):12697. https://doi.org/10.1038/s41598-023-38650-4
Song Y-F, Huang H-N, Ma J-J, Xing R, Song Y-Q, Li L, Zhou J, Ou C-Q. Early prediction of sepsis in emergency department patients using various methods and scoring systems. Nursing in Critical Care. 2025;30(3):e13201. https://doi.org/10.1111/nicc.13201
Zhang X, Fei N, Zhang X, Wang Q, Fang Z. Machine Learning Prediction Models for Postoperative Stroke in Elderly Patients: Analyses of the MIMIC Database. Frontiers in Aging Neuroscience. 2022;14:897611. https://doi.org/10.3389/fnagi.2022.897611
Yue S, Li S, Huang X, Liu J, Hou X, Zhao Y, Niu D, Wang Y, Tan W, Wu J. Machine learning for the prediction of acute kidney injury in patients with sepsis. Journal of Translational Medicine. 2022;20(1):215. https://doi.org/10.1186/s12967-022-03364-0
Gu W-J, Duan X-J, Liu X-Z, Cen Y, Tao L-Y, Lyu J, Yin H-Y. Association of magnesium sulfate use with mortality in critically ill patients with sepsis: a retrospective propensity score-matched cohort study. British Journal of Anaesthesia. 2023;131(5):861-870. https://doi.org/10.1016/j.bja.2023.08.005
Sun W, Yan Y, Hu S, Liu B, Wang S, Yu W, Li S. The effects of midazolam or propofol plus fentanyl on ICU mortality: a retrospective study based on the MIMIC-IV database. Annals of Translational Medicine. 2022;10(4):219. https://doi.org/10.21037/atm-22-477
Yang Q, Kong T, Bao Z, Yang S, Chen X, Zheng J, Xiong X, Wen D, Zhang Z. Association between the β-blocker use and patients with sepsis: a cohort study. Frontiers in Medicine. 2023;10:1272871. https://doi.org/10.3389/fmed.2023.1272871
Chan L, Beers K, Yau AA, Chauhan K, Duffy Á, Chaudhary K, Debnath N, Saha A, Pattharanitima P, Cho J, Kotanko P, Federman A, Coca SG, Van Vleck T, Nadkarni GN. Natural language processing of electronic health records is superior to billing codes to identify symptom burden in hemodialysis patients. Kidney International. 2020;97(2):383-392. https://doi.org/10.1016/j.kint.2019.10.023
Lu J, Huang Z, Wang J, Zhao X, Yang Y, Wu B, Kang Y, Xiu J, Tu J, Pan Y, Chen W, Bao K, Chen L, Liu J, Liu Y, Chen S, Fang Y, Chen K. Prevalence and Prognostic Impact of Malnutrition in Critical Patients with Acute Myocardial Infarction: Results From Chinese CIN Cohort and American MIMIC-III Database. Frontiers in Nutrition. 2022;9:890199. https://doi.org/10.3389/fnut.2022.890199
Goldberger AL, Amaral LA, Glass L, Hausdorff JM, Ivanov PC, Mark RG, Mietus JE, Moody GB, Peng CK, Stanley HE. PhysioBank, PhysioToolkit, and PhysioNet: components of a new research resource for complex physiologic signals. Circulation. 2000;101(23):E215-220. https://doi.org/10.1161/01.cir.101.23.e215
Kurniati AP, Rojas E, Hogg D, Hall G, Johnson OA. The assessment of data quality issues for process mining in healthcare using Medical Information Mart for Intensive Care III, a freely available e-health record database. Health Informatics Journal. 2019;25(4):1878-1893. https://doi.org/10.1177/1460458218810760
Van den Boom W, Hoy M, Sankaran J, Liu M, Chahed H, Feng M, See KC. The Search for Optimal Oxygen Saturation Targets in Critically Ill Patients: Observational Data from Large ICU Databases. Chest. 2020;157(3):566-573. https://doi.org/10.1016/j.chest.2019.09.015
Lim L, Lee H, Jung C-W, Sim D, Borrat X, Pollard TJ, Celi LA, Mark RG, Vistisen ST, Lee H-C. INSPIRE, a publicly available research dataset for perioperative medicine. Scientific Data. 2024;11(1):655. https://doi.org/10.1038/s41597-024-03517-4
Samad M, Angel M, Rinehart J, Kanomata Y, Baldi P, Cannesson M. Medical Informatics Operating Room Vitals and Events Repository (MOVER): a public-access operating room database. JAMIA Open. 2023;6(4):ooad084. https://doi.org/10.1093/jamiaopen/ooad084

Закрыть метаданные

Введение

В последние десятилетия в области интенсивной терапии наблюдаются значительные изменения, связанные с внедрением концепции цифровой реанимации и автоматизированных систем мониторинга [1]. Интеграция аппаратов искусственной вентиляции легких (ИВЛ), мониторов, инфузоматов и другого оборудования в медицинские информационные системы привела к формированию непрерывных потоков данных, отражающих методы лечения и динамику показателей пациентов. Эта информация не только необходима для ежедневной клинической практики, но и создает основу для разработки систем поддержки принятия клинических решений (СППКР), основанных в том числе на использовании методов искусственного интеллекта (ИИ). Несмотря на важность СППКР в практической медицине, данные системы приобретают особую актуальность в отделениях реанимации и интенсивной терапии (ОРИТ), где непрерывный контроль жизненно важных показателей играет ключевую роль для своевременной диагностики и лечения пациентов.

С конца 90-х годов XX века началось формирование первых открытых баз данных (БД) пациентов реанимационного профиля, что стало возможным благодаря национальным и международным инициативам. Одним из первых проектов стала база данных Medical Information Mart for Intensive Care (MIMIC), созданная в 1996 г. Массачусетским технологическим институтом (MIT) в сотрудничестве с Beth Israel Deaconess Medical Center (США), включавшая всего 90 пациентов [2]. Современная версия этой базы, MIMIC-IV, представленная в 2023 г., охватывает данные уже более 60 000 госпитализаций в ОРИТ за период с 2008 по 2019 г. [3]. Успех проекта MIMIC послужил катализатором для создания других открытых БД, таких как многоцентровая eICU-CRD (США) в 2018 г. [4], HiRID (Швейцария) в 2020 г. [5] и AmsterdamUMCdb (Нидерланды) в 2021 г. [6]. Эти открытые БД предоставляют исследователям доступ к детализированной информации о пациентах, их лечении, мониторируемых витальных параметрах, лабораторных показателях и клинических исходах.

Научное сообщество быстро осознало потенциал открытых БД пациентов, получавших помощь в ОРИТ. До 2024 г. опубликовано более 2200 описаний исследований, основанных на данных базы PubMed, в том числе в ведущих журналах Critical Care [7], Nature [8], Lancet [9], JAMA [10], BMC Anesthesiology [11] и др. Эти работы охватывают широкий спектр задач: от построения прогностических моделей до анализа эффективности разных методов лечения. Тем не менее, несмотря на активное развитие открытых БД, их применение в российской науке остается крайне ограниченным. Лишь несколько работ российских авторов опубликованы в международных журналах [12, 13], а в отечественной медицинской науке открытые БД практически не используются, за редким исключением [14]. Данный факт подчеркивает необходимость повышения осведомленности о возможностях применения открытых БД в исследовательской практике.

В систематическом обзоре, опубликованном в 2022 г., представлен первый обобщенный анализ открытых БД пациентов реанимационного профиля [15]. Однако в этой работе не рассмотрены такие ключевые показатели, как частота дыхания, температура тела, уровни лейкоцитов, тромбоцитов и некоторые другие параметры [15]. Кроме того, в обзор не включены представленные в 2024 г. наборы данных RICD (Россия) [16] и SICdb (Австрия) [17].

Цель исследования — выполнить систематический обзор открытых баз данных пациентов реанимационного профиля, включая идентификацию доступных баз данных в области интенсивной терапии, сравнительный анализ их характеристик, в том числе ключевых особенностей, преимуществ и недостатков, и формирование практических рекомендаций по их использованию.

Материал и методы

Исследование проведено в соответствии с рекомендациями для систематических обзоров и метаанализов (Preferred Reporting Items for Systematic Reviews and Meta-Analyses — PRISMA) [18] и руководствами Кокрановского сообщества [19]. Протокол систематического обзора проспективно зарегистрирован на Международной платформе для регистрации протоколов систематических обзоров и метаанализов (INPLASY) под регистрационным номером (ID) 2024120049 (https://doi.org/10.37766/inplasy2024.12.0049).

Стратегия поиска

Для идентификации релевантных публикаций, описывающих открытые БД пациентов реанимационного профиля, проведен систематический поиск, который охватывал статьи до 1 декабря 2024 г. Поиск осуществляли два независимых исследователя с использованием базы данных PubMed и платформы Google Scholar.

Для обеспечения максимального охвата дополнительно применяли семантический анализ на основе ИИ и методы прямого и обратного «снежного кома» (snowballing) с использованием веб-приложения Litmaps по трем направлениям: 1) наиболее часто цитируемые источники и ссылки; 2) общие авторские шаблоны; 3) схожесть содержания аннотаций и заголовков [20]. Ограничений по языку публикации не было. Применена стратегия поиска в PubMed, аналогичная той, которую использовали C.M. Sauer и соавт. (2022) [15].

Критерии соответствия и отбор исследований

После исключения дублирующих записей два исследователя независимо проводили скрининг оставшихся публикаций на предмет соответствия цели исследования, ориентируясь на их названия и аннотации. Для включения публикации должны были удовлетворять всем следующим условиям: 1) представлены БД реанимационных пациентов, к которым может быть получен доступ (открытые); 2) в БД представлены преимущественно пациенты в возрасте 18 лет и старше; 3) в БД доступны данные о витальных параметрах, мониторируемых в ОРИТ.

Окончательное решение о включении публикации принималось на основании полнотекстового анализа и изучения БД. Доступ к БД запрошен авторами, и все необходимые юридические и этические согласования получены для доступа к БД MIMIC IV v. 3.1, eICU-CRD v. 2.0, HiRID v. 1.1.1, и RICD v. 1.0 (номера сертификатов PhysioNet 56653575, 56653561, действительны до 21 июня 2026 г.). Исключены исследования, представляющие БД пациентов только педиатрического профиля.

Извлечение данных и анализ

Для анализа извлечены следующие данные: год публикации, количество центров, период охвата, количество пациентов и случаев госпитализации, возраст, пол, длительность пребывания в ОРИТ, летальность, категории пациентов, оценка тяжести состояния при поступлении, в том числе с использованием прогностических шкал, частота использования вазопрессоров, инотропов, ИВЛ и заместительной почечной терапии, а также доступность данных анамнеза и других параметров.

Дополнительно оценивались частота мониторинга данных жидкостного баланса и медикаментозной терапии, а также частота регистрации ряда витальных и лабораторных показателей. Для этого рассчитывали: 1) среднее количество (M) оценок в час или в сутки (общее количество записей по параметру, деленное на продолжительность пребывания в ОРИТ в часах/сутках) с указанием стандартного отклонения (SD); 2) среднее количество оценок на пациента (общее количество записей по параметру, деленное на общее количество пациентов в базе данных) за весь период госпитализации.

Характеристики БД при их наличии извлекались с официальных веб-сайтов наборов данных или из сопровождающих публикаций. При отсутствии таких данных информацию извлекали непосредственно из самих БД. Для SICdb и AmsterdamUMCdb анализ проводили исключительно на основе открытых доступных данных об этих БД, так как доступ к самим данным предоставлен не был.

Данные из БД извлекались с использованием инструментов DB Browser for SQLite (версия 3.13.0) и DBeaver (версия 21.1.3). Графики построены с использованием библиотек Python (версия 3.10.0) matplotlib (версия 3.5.1), seaborn (версия 0.11.2) и pandas (версия 1.3.3).

Результаты

При первоначальном поиске выявлено 210 публикаций, описывающих открытые БД пациентов реанимационного профиля. После удаления дублирующихся записей и первичного скрининга по заголовкам и аннотациям отобрано 7 статей для полнотекстового анализа. В процессе детального изучения полнотекстовых статей исключена одна работа из БД PIC [21], содержащая информацию о пациентах исключительно педиатрического профиля.

В итоге в систематический обзор вошло 6 исследований, представляющих 6 открытых БД пациентов реанимационного профиля: MIMIC-IV [3], eICU-CRD [4], HiRID [5], SICdb [17], AmsterdamUMCdb [6] и RICD [16]. Блок-схема, иллюстрирующая процесс отбора статей, представлена на рис. 1.

Рис. 1. Блок-схема отбора исследований.

Характеристика открытых баз данных пациентов реанимационного профиля

Из 6 включенных БД 2 разработаны в США (MIMIC-IV и eICU-CRD), 3 — в странах Европейского союза (HiRID, SICdb, AmsterdamUMCdb) и 1 создана в Российской Федерации (RICD). Общее число пациентов варьирует от 5115 (RICD) до 139 367 (eICU-CRD), а наибольшая суммарная продолжительность мониторинга (количество пациенто-дней) отмечена в eICU-CRD (538 153 сут), MIMIC-IV (252 616 сут) и RICD (202 660 сут).

Структура представленных когорт также существенно различается. В базе данных eICU-CRD доминируют пациенты терапевтического профиля (72,5%), тогда как HiRID, SICdb и AmsterdamUMCdb ориентированы в основном на пациентов хирургического профиля. В RICD представлена уникальная когорта пациентов, находящихся преимущественно в продленном и хроническом критическом состоянии [12].

Летальность в ОРИТ варьирует от 5,2% (SICdb) до 9,9% (AmsterdamUMCdb). Длительность госпитализации в ОРИТ максимальная в RICD (медиана 32 дня) и минимальная в HiRID (медиана 1 день). Уровень тяжести состояния пациентов при поступлении также существенно различается: наибольшее количество баллов (медиана) по шкале APACHE отмечено в eICU-CRD, а максимальная оценка по шкале SOFA в баллах (медиана) и частота использования ИВЛ — в AmsterdamUMCdb. Все ключевые характеристики открытых БД пациентов реанимационного профиля систематизированы и представлены в табл. 1.

Таблица 1. Сравнение ключевых характеристик открытых наборов данных реанимационных пациентов

Характеристика	MIMIC-IV v. 3.1 [3]	eICU-CRD v 2.0 [4]	HiRID v. 1.1.1 [5]	SICdb v. 1.0.8 [17]	AmsterdamUMCdb v. 1.0.2 [6]	RICD v. 1.0 [16]
Год публикации статьи	2023	2018	2020	2024	2021	2024
Журнал	Nature Sci Data	Nature Sci Data	Nature Med	Nature Sci Data	Crit Care Med	Общая реаниматология
Страна	США	США	Швейцария	Австрия	Нидерланды	Россия
Количество центров	1	208	1	1	1	1
Период охвата	2008—2019	2014—2015	2005—2016	2013—2021	2003—2016	2017—2023
Общее количество пациентов	180 733	139 367	33 905	21 583	20 109	5115
Количество пациентов ОРИТ	50 920	139 367	33 905	21 583	20 109	2562
Госпитализации ОРИТ/число пациентов	1,39	1,21	1	1,27	1	1,28
Возраст пациентов, годы, Me (IQR)	64 (51—70)	65 (53—76)	65 (55—75)	66 (55—75)	64 (54—74)	61 (48—70)
Пол пациентов, мужской, %	56,1	54,0	64,2	62,0	63,6	56,6
Категории пациентов, %	Хир: 27,9 Терап: 50,0	Хир: 15,3 Терап: 72,5	Хир: 54,1 Терап: 45,9	В основном хир профиль	Хир: 48,9 Терап: 25,2	В основном продленное и хроническое КС
Использование вазопрессоров/инотропов, %	31,0	12,0	39,4	81,9	69,0	13,7
Использование ИВЛ, %	33,8	21,0	57,2	26,1	83,0	32,0
Использование ЗПТ, %	5,9	4,0	5,4	НД	5,6	НД
Летальность в ОРИТ, %	8,6	5,5	6,1	5,2	9,9	7,9
Госпитальная летальность, %	14,8	9,0	НД	9,9	13,3	7,9
Длительность госпитализации в ОРИТ, сут, Me (IQR)	2,0 (1,1—3,9)	1,6 (0,8—3,0)	1,0 (0,8—2,2)	1,5 (1,0—3,3)	1,0 (0,8—3,1)	32,0 (22,0—50,0)
Длительность мониторинга, пациенто-дни	252 616	538 153	45 195	41 655	32 777	202 660
Оценка тяжести состояния пациентов	APACHE III, SOFA	APACHE IV, APACHE IVa	APACHE II	SAPS III	APACHE II, SOFA	SOFA, FOUR, SAPS II
по шкале APACHE при поступлении, Me (IQR)	41 (30—57)	51 (37—68)	16 (12—22)	НД	17 (13—22)	НД
по шкале SOFA при поступлении, Me (IQR)	2 (1—5)	НД	НД	НД	7 (4—9)	3 (2—5)
Данные анамнеза пациентов
Используемое издание МКБ	9, 10	9, 10		10		10
Данные по медикаментозным назначениям
Данные о режимах ИВЛ/респираторных параметрах
Данные о посевах/оценке АБ-резистентности
Данные о медицинских изображениях
Текстовые документы

Таблица 1. Сравнение ключевых характеристик открытых наборов данных реанимационных пациентов *(Окончание)*
Характеристика	MIMIC-IV v. 3.1 [3]	eICU-CRD v 2.0 [4]	HiRID v. 1.1.1 [5]	SICdb v. 1.0.8 [17]	AmsterdamUMCdb v. 1.0.2 [6]	RICD v. 1.0 [16]
Требования для доступа	PhysioNet: сертификаты DSOR, COI	PhysioNet: сертификаты DSOR, COI	PhysioNet: сертификаты DSOR, COI. Дополнительный запрос с обоснованием	PhysioNet: сертификаты DSOR, COI. Дополнительный запрос с обоснованием	Сертификаты DSOR, COI или BROK (платный). Дополнительный запрос с обоснованием	Запрос с обоснованием (https://fnkcrr-database.ru) Лицензионный договор или участие в проекте*

Примечание. * — можно принять участие в проекте для получения доступа к данным; МКБ — международная классификация болезней; ОРИТ — отделение реанимации и интенсивной терапии; НД — нет данных; RICD — Russian Intensive Care Dataset; КС — критическое состояние; АБ-резистентность — антибиотикорезистентность; ИВЛ — искусственная вентиляция легких; ЗПТ — заместительная почечная терапия; Хир — пациенты хирургического профиля; Терап — пациенты терапевтического профиля; APACHE — Acute Physiology and Chronic Health Evaluation; AmsterdamUMCdb — Amsterdam University Medical Center Database; BROK — Basic course on Regulations and Organization of Clinical Trials; COI — Conflict of Interest; DSOR — Data or Specimens Only Research; eICU-CRD — eICU Collaborative Research Database; FOUR — Full Outline of UnResponsiveness score; HiRID — High-Resolution Intensive Care Dataset; IQR — межквартильный размах; MIMIC-IV — Medical Information Mart for Intensive Care version IV; Me — медиана; SAPS — Simplified Acute Physiology Score; SICdb — Salzburg Intensive Care Database; SOFA — Sequential Organ Failure Assessment.

Сравнительный анализ открытых баз данных пациентов реанимационного профиля

Данные анамнеза представлены в MIMIC-IV, eICU-CRD, SICdb и RICD, тогда как HiRID и AmsterdamUMCdb эту информацию не предоставляют. Все исследуемые БД включают информацию о медикаментозных назначениях и режимах ИВЛ. Данные о посевах и антимикробной резистентности приведены в MIMIC-IV, eICU-CRD и RICD; о медицинских изображениях — только в MIMIC-IV. Текстовые документы доступны в MIMIC-IV и eICU-CRD (см. табл. 1).

Наибольшая интенсивность регистрации витальных параметров отмечена в SICdb и HiRID, где этот показатель превышает 30 оценок в час (табл. 2). Частота регистрации витальных показателей в RICD при пересчете на час сопоставима с MIMIC-IV, однако при пересчете на пациента превышает показатели MIMIC-IV (рис. 2).

Таблица 2. Интенсивность оценки основных показателей в открытых базах данных пациентов реанимационного профиля

Характеристика			MIMIC-IV v. 3.1 [3]	eICU-CRD v 2.0 [4]	HiRID v. 1.1.1 [5]	SICdb v. 1.0.8* [17]	Amsterdam UMCdb v. 1.0.2 [6]	RICD v. 1.0 [16]
Медикаментозная терапия		в час: на пациента:	0,9 (0,6) 107	0,8 (1,1) 74	6,6 (5,3) 211	НД	1,8 (4,5) 70	0,4 (0,3) 212
Данные жидкостного баланса		в час: на пациента:	1,2 (0,5) 143	0,7 (0,8) 65	1,3 (0,9) 42	НД	7,0 (12,6) 273	0,1 (0,2) 75
Витальные показатели, количество оценок, Mean (SD) в час; кколичество на пациента	ЧСС	в час: на пациента:	1,1 (0,4) 131	11,9 (2,7) 1102	31,7 (10,2) 1014	56,8 (52,9) 5802	17,0 (29,8) 665	2,4 (2,1) 2083
	ЧД	в час: на пациента:	1,1 (0,3) 131	9,9 (1,8) 922	31,7 (10,2) 1014	43,1 (26,7) 4593	15,2 (25,5) 595	0,9 (1,5) 378
	SpO₂	в час: на пациента:	1,1 (0,3) 131	1,1 (0,8) 102	30,2 (9,9) 966	52,3 (29,3) 5251	16,0 (28,5) 626	1,8 (1,9) 1567
	САД	в час: на пациента:	1,0 (0,3) 119	4,3 (4,2) 398	29,7 (10,2) 950	46,2 (25,5) 4924	14,3 (24,9) 559	0,6 (0,6) 465
	ДАД	в час: на пациента:	1,0 (0,3) 119	4,3 (4,2) 398	29,7 (10,2) 950	46,2 (25,5) 4923	14,3 (24,9) 559	0,6 (0,6) 465
	Температура	в час: на пациента:	0,3 (0,1) 29,7	1,0 (0,8) 95	30,8 (9,8) 982	43,1 (0,1) 4955	0,1 (0,1) 3,9	0,8 (1,1) 532
Лабораторные показатели, количество оценок, Mean (SD) в день; количество на пациента	WBC	в сутки: на пациента:	1,4 (1,3) 6,9	1,5 (1,4) 5,8	7,2 (5,2) 9,6	4,1 (1,3) 8,0	1,1 (0,5) 1,8	0,2 (0,2) 6,7
	Hb	в сутки: на пациента:	1,4 (1,3) 6,9	1,6 (1,4) 6,2	7,2 (5,2) 9,6	4,1 (1,7) 8,0	1,5 (0,9) 2,4	0,2 (0,2) 6,7
	Тромбоциты	в сутки: на пациента:	0,5 (0,3) 2,5	1,5 (1,4) 5,8	7,2 (5,2) 9,6	4,1 (1,4) 8,0	4,2 (2,7) 6,8	0,2 (0,2) 6,7
	Креатинин	в сутки: на пациента:	1,8 (0,9) 8,9	1,5 (1,2) 5,8	2,8 (2,0) 3,7	4,0 (1,3) 7,7	1,1 (0,5) 1,8	0,2 (0,2) 6,2
	СРБ	в сутки: на пациента:	1,4 (1,3) 6,9	0,5 (1,0) 1,9	2,7 (1,8) 3,6	4,0 (1,2) 7,6	0,3 (0,4) 0,5	0,2 (0,2) 6,9
	Кальций	в сутки: на пациента:	1,1 (1,0) 5,5	1,6 (1,5) 6,2	5,1 (3,4) 6,8	3,9 (4,7) 7,5	4,2 (2,7) 6,8	0,2 (0,2) 6,0
	Натрий	в сутки: на пациента:	1,2 (1,0) 6,0	1,6 (1,5) 6,2	5,1 (3,4) 6,8	3,7 (4,7) 7,2	4,2 (2,7) 6,8	0,2 (0,2) 6,4
	Лактат	в сутки: на пациента:	1,5 (1,5) 7,4	1,2 (1,7) 4,6	5,2 (3,4) 6,9	НД	4,2 (2,7) 6,8	0,1 (0,2) 3,2
	АлАТ	в сутки: на пациента:	0,9 (0,7) 4,5	0,9 (1,0) 3,5	2,5 (2,2) 3,3	НД	0,4 (0,5) 0,7	0,2 (0,2) 6,1

Примечание. * — исключены случаи повторной госпитализации; ЧСС — частота сердечных сокращений; ЧД — частота дыхания; SpO₂ — сатурация; САД — систолическое артериальное давление; ДАД — диастолическое артериальное давление; НД — нет данных; WBC — количество лейкоцитов; Hb — уровень гемоглобина; СРБ — концентрация C-реактивного белка; АлАТ — активность аланинаминотрансферазы; SD — стандартное отклонение.

Рис. 2. Интенсивность регистрации витальных показателей в открытых базах данных пациентов реанимационного профиля (в пересчете на пациента).

ЧСС — частота сердечных сокращений; ЧД — частота дыхания; SpO₂ — сатурация в периферической крови; САД — систолическое артериальное давление; ДАД — диастолическое артериальное давление.

Частота оценки лабораторных показателей в пересчете на пациента в целом сопоставима во всех рассматриваемых БД (рис. 3).

Рис. 3. Интенсивность регистрации лабораторных показателей в открытых базах данных пациентов реанимационного профиля (в пересчете на пациента).

WBC — количество лейкоцитов; Hb — уровень гемоглобина; СРБ — концентрация C-реактивного белка; АлАТ — активность аланинаминотрансферазы.

Основные преимущества и недостатки открытых БД обобщены в табл. 3.

Таблица 3. Преимущества, недостатки и особенности открытых баз данных пациентов реанимационного профиля

База данных	Преимущества и особенности	Недостатки
MIMIC-IV v. 3.1 [3]	Наиболее известная открытая БД пациентов реанимационного профиля; большой репозиторий кодов на GitHub; наличие данных медицинской визуализации; доступность текстовых документов; наличие данных об оценке АБ-резистентности и посевов	Одноцентровая БД; относительно низкая плотность мониторинга витальных показателей; недостаточная стандартизация справочников; записи охватывают период до 2019 г., что ограничивает актуальность
eICU-CRD v. 2.0 [4]	Крупнейшая на 2024 г. открытая БД пациентов реанимационного профиля; многоцентровая БД; доступность текстовых документов; наличие данных об оценке АБ-резистентности и посевов	Качество данных варьирует в зависимости от центра; записи охватывают период до 2015 г., что ограничивает актуальность
HiRID v. 1.1.1 [5]	Высокая частота измерения лабораторных и витальных показателей	Одноцентровая БД; отсутствуют данные анамнеза пациентов; не используется МКБ; высокая требовательность к пользователю, обусловленная сложностью обработки данных с высоким временным разрешением; записи охватывают период до 2016 г., что ограничивает актуальность
SICdb v. 1.0.8 [17]	Преимущественно пациенты хирургического профиля; наивысшая частота измерения витальных показателей	Одноцентровая БД; отсутствуют данные об оценке по клиническим шкалам (кроме SAPS); длительное предоставление доступа
Amsterdam UMCdb v. 1.0.2 [6]	Первая в Европейском союзе открытая БД пациентов реанимационного профиля	Одноцентровая БД; не полностью переведена на английский язык; отсутствуют данные анамнеза пациентов; не используется МКБ; длительное предоставление доступа; записи охватывают период до 2016 г., что ограничивает актуальность
RICD v. 1.0 [16]	Первая в Российской Федерации открытая БД пациентов реанимационного профиля; наибольшая продолжительность мониторинга; значительная доля пациентов в продленном и хроническом критическом состоянии; наличие данных об оценке АБ-резистентности и посевов	Одноцентровая БД; относительно низкая плотность мониторинга витальных показателей; относительно малое количество пациентов

Примечание. БД — база данных; SAPS — Simplified Acute Physiology Score; МКБ — Международная классификация болезней; АБ-резистентность — антибиотикорезистентность.

Практические рекомендации по работе с открытыми базами данных пациентов реанимационного профиля

Направления использования

Проведение собственных проспективных исследований, в особенности рандомизированных контролируемых испытаний, представляет собой сложную задачу, для решения которой необходимо привлечение значительных ресурсов. Это особенно актуально в условиях ограниченного финансирования и дефицита кадровых ресурсов, что делает реализацию таких проектов зачастую невозможной для многих исследовательских групп. В этих условиях открытые БД реанимационных пациентов предоставляют уникальную возможность для проверки гипотез на обширных выборках данных, собранных в условиях реальной клинической практики.

Направления, реализуемые в настоящее время:

— разработка прогностических моделей (в том числе с использованием методов ИИ [22]) и изучение факторов риска (летальный исход [23], делирий [24], сепсис [25], инсульт [26], острое почечное повреждение [27] и прочее);

— исследования с историческим контролем (как правило, с использованием метода псевдорандомизации — PSM [28]), в этом случае основная группа может быть набрана в рамках собственного исследования или из открытой БД, а группа контроля — из открытой БД; метод PSM позволяет добиться сопоставимости групп по основным характеристикам;

— отдельные ретроспективные когортные исследования (например, влияние метода анестезии [29] или проводимой терапии [30] на исходы лечения);

— изучение текстовых документов (NLP) [31];

— эпидемиологические исследования [32].

Таким образом, исследование, в том числе диссертационное, в области анестезиологии и интенсивной терапии может быть выполнено исключительно или преимущественно с использованием данных из открытых БД.

Получение доступа

Большинство рассматриваемых БД размещены на платформе PhysioNet [33], для доступа к которой необходимо прохождение установленной процедуры регистрации, успешное завершение бесплатных обучающих курсов и получение соответствующих сертификатов DSOR (Data or Specimens Only Research) и COI (Conflict of Interest). Эти требования относятся, в частности, к MIMIC-IV и eICU-CRD, причем получение доступа к ним обычно осуществляется в течение нескольких дней. Для всех открытых БД необходимо четко указать исследовательскую тематику и принять условия использования данных.

Для HiRID и SICdb помимо стандартных требований PhysioNet, требуется подача дополнительного запроса с обоснованием, который подвергается отдельному рассмотрению командой разработчиков. Для доступа к AmsterdamUMCdb кроме DSOR и COI может понадобиться сертификат BROK (платный), а также дополнительное обоснование и указание поручителя — специалиста в области интенсивной терапии. При этом сроки рассмотрения заявок для AmsterdamUMCdb и SICdb могут быть длительными; в ходе данного исследования доступ к этим БД получить не удалось даже спустя 3 мес с момента подачи запроса.

Для RICD доступ предоставляется при наличии запроса с детальным обоснованием и последующим заключением лицензионного договора или путем участия исследовательского центра в проекте, в рамках которого предполагается обмен данными. Проект RICD реализован без привлечения внешнего финансирования, и авторы RICD декларируют открытость к присоединению других центров для совместной работы, объединения и дальнейшего использования накопленных данных пациентов реанимационного профиля. Для всех открытых БД обязательным условием является цитирование публикаций, в которых представлялись соответствующие БД, и указание сертификатов доступа к ним.

Выбор базы данных: что необходимо учесть

Выбор подходящей БД для решения конкретных исследовательских задач определяется основной научной гипотезой и целями исследования. Авторы подчеркивают, что при выборе БД следует тщательно рассмотреть значительные различия в размерах когорт, тяжести состояния пациентов и интенсивности мониторинга. В связи с многоцентровым характером и удобством работы с данными БД eICU-CRD, по мнению авторов, является вариантом выбора для большинства исследований. Важно, что HiRID и AmsterdamUMCdb, несмотря на высокую частоту измерений, не предоставляют информацию об анамнезе пациентов, что делает невозможным анализ сопутствующей патологии и факторов риска. Кроме того, необходимо учитывать объем предоставляемых данных (например, в результате применения специфического алгоритма анонимизации в MIMIC-IV нет информации о том, в каком году поступил пациент, что может ограничивать временной анализ).

Следует отметить, что все рассматриваемые БД основаны на ретроспективном сборе данных и это может влиять на репрезентативность выборок и надежность результатов. Во всех открытых БД некоторые данные пропущены и регистрируются только рутинно собираемые лабораторные параметры. Кроме того, невозможно оценить исходы после выписки пациентов. Отмечена проблема со стандартизацией справочников в MIMIC-IV. Например, показатель натрия (Sodium) в крови имеет несколько уникальных кодов (itemid 50983, 52623), а обозначения эпинефрина с точкой (Epinephrine.) и без точки (Epinephrine), согласно справочнику, относятся к различным назначениям. Кроме того, встречаются некорректные показатели [34], такие как отрицательная длительность госпитализации или значения FiO₂ в eICU-CRD, равные 0 или 9900, что явно указывает на ошибки при вводе или обработке данных. Эти ограничения подлежат тщательному учету и корректировке при анализе данных. Открытые репозитории кодов на GitHub также могут содержать ошибки. Например, в статье W. Van den Boom и соавт. [35] использован открытый доступный код для оценки SOFA, в котором обнаружена ошибка: показатели PaO₂ и другие параметры собраны из разных временных периодов (включая значения за 24 ч до поступления в ОРИТ, в том числе интраоперационные данные пациентов хирургического профиля, а также данные до 24 ч после госпитализации в ОРИТ), тогда как все параметры должны быть собраны исключительно в период пребывания пациента в ОРИТ. Кроме того, при оценке соотношения PaO₂/FiO₂ ошибочно выбраны минимальный показатель PaO₂ и максимальный показатель FiO₂, в то время как правильным вариантом был бы поиск минимального соотношения PaO₂/FiO₂. Такие ошибки подчеркивают необходимость проверки и верификации используемых алгоритмов и кода для обеспечения достоверности получаемых результатов, что является возможным только при участии клинических специалистов.

Авторы также рекомендуют по возможности использовать более одной БД для увеличения мощности и внешней валидности исследования, учитывая различия в популяциях пациентов и клинических протоколах.

Работа с данными

Для работы с открытыми БД необходимо использовать специализированные инструменты ввиду большого объема данных и сложности их организации. Например, база данных MIMIC-IV после разархивирования занимает более 75,6 Гб и содержит значительное количество таблиц, объединенных ключевыми полями, а таблица labevents включает более 300 млн записей. Для эффективного управления такими объемами данных применяются системы управления БД (СУБД) PostgreSQL, SQLite, приложения для работы с БД, например DBeaver, а также программные среды для анализа данных, включая Python и BI-системы. Кроме того, необходим высокопроизводительный компьютер с достаточными вычислительными ресурсами для обработки и анализа данных.

Помимо технических инструментов для работы с открытыми БД пациентов необходимы специальные навыки в области обработки данных и программирования. Важно также участие клинических специалистов, поскольку их знания нужны для правильной интерпретации данных и предотвращения ошибок, связанных с клиническими аспектами исследований. Только совместная работа специалистов по работе с данными и клиницистов позволяет избежать ошибок в интерпретации данных и обеспечить их корректное использование в исследовательских целях.

Обсуждение

Проведен систематический обзор 6 исследований, охватывающих все доступные на 2024 г. открытые БД пациентов реанимационного профиля. Анализ включенных БД выявил значительную гетерогенность как по характеристикам и тяжести состояния пациентов, так и по объему собираемых данных и частоте мониторинга. В отличие от систематического обзора, опубликованного в 2022 г. [15], в котором представлен обобщенный анализ БД, в наше исследование включены дополнительные и обновленные данные и рассмотрены новые наборы данных, представленные в 2024 г., такие как RICD и SICdb.

Несмотря на растущий глобальный интерес к открытым БД пациентов реанимационного профиля, их использование в отечественной науке остается крайне ограниченным. Мы рассмотрели направления использования открытых БД, процесс получения доступа, а также ключевые аспекты выбора БД для исследовательских задач. На основании полученных данных сформулированы практические рекомендации по работе с БД.

В настоящее время в мире представлены две открытые БД пациентов хирургического профиля: INSPIRE [36] и MOVER [37]. Авторы данных проектов не концентрируются на пациентах ОРИТ (INSPIRE — 11,4% пациентов поступили в ОРИТ) и уделяют внимание периоперационному периоду без требования к переводу пациентов в ОРИТ. Данные проекты не включены в наше исследование, однако мы считаем, что эти БД могут быть интересны ряду исследователей. К примеру, в БД INSPIRE представлены данные, получаемые с наркозно-дыхательных аппаратов, а также данные интраоперационной электроэнцефалографии [36].

Мы надеемся, что результаты нашей работы повысят осведомленность и интерес исследователей к использованию открытых БД и будут способствовать более широкому их использованию. Для создания и поддержки открытых баз БД пациентов реанимационного профиля требуются значительные ресурсы, включая разработку инфраструктуры хранения данных, обеспечение их безопасности и анонимизации, а также поддержку доступности для исследовательского сообщества. Одним из ключевых факторов, мотивирующих разработчиков к созданию и поддержке открытых БД, является признание научного сообщества и высокий уровень цитируемости, поскольку публикации, представляющие новые БД, привлекают значительное внимание исследователей, работающих в области интенсивной терапии и медицинской информатики.

Следует отметить, что наше исследование имеет определенные ограничения. Процесс отбора и анализа БД ограничен доступностью информации и возможностью получения доступа к самим базам данных, в связи с этим данные о SICdb и AmsterdamUMCdb получены только из открытых источников.

Заключение

В данной работе проанализированы открытые базы данных пациентов, получавших помощь в отделениях реанимации и интенсивной терапии, а также основные подходы к их применению для решения исследовательских задач. Представлены рекомендации по выбору и использованию этих инструментов в клинических исследованиях, учитывающие их особенности и ограничения. Ожидается, что предложенные рекомендации повысят интерес исследователей к использованию открытых баз данных пациентов реанимационного профиля, что, в свою очередь, может способствовать развитию научных исследований в области интенсивной терапии.

Конфликт интересов. Авторы настоящей статьи являются разработчиками базы данных RICD. Однако авторы заявляют, что их участие в разработке базы данных не оказало влияния на результаты исследования и выводы, представленные в настоящей статье.

Регистрация: INPLASY 2024120049.

Участие авторов:

Концепция и дизайн исследования — Ядгаров М.Я., Яковлев А.А.

Сбор и обработка материала — Ядгаров М.Я.

Статистический анализ данных — Ядгаров М.Я.

Написание текста — Ядгаров М.Я., Берикашвили Л.Б.

Редактирование — Берикашвили Л.Б., Лихванцев В.В.

Авторы заявляют об отсутствии конфликта интересов.