Для раннего выявления заболеваний необходимо построение системы, мониторирующей изменения в состояния здоровья в условиях воздействия окружающей среды. В настоящее время применяются различные подходы для интеграции данных об образе жизни и состоянии здоровья людей. В интернет-системе «Мед@архив» собирается информация о состоянии здоровья пользователей в домашних условиях и из лечебных учреждений в виде персональных электронных медицинских карт [1]. При этом возможен удаленный мониторинг состояния здоровья с информированием лечащего врача в случае ухудшения состояния его пациента. Наиболее крупным в мире сервисом по сбору данных является Welltok, который интегрирует информацию о состоянии здоровья пользователей, в том числе о физической активности, болезнях, биоданных и т. д. [2]. В качестве модели в настоящей работе рассмотрены факторы, угрожающие развитием инфарктов и инсультов.

Активное развитие мобильных портативных устройств, так называемое мобильное здравоохранение (mHealth), позволило обеспечить мониторинг или дискретное получение объективных данных о частоте сердечных сокращений, артериальном давлении (АД), уровне глюкозы в крови, двигательной активности и т. д. [3]. Кроме того, используя приложения (программы, которые можно загружать на смартфоны, планшеты и другие мобильные устройства), например для заказа еды, можно оценивать рацион питания конкретного человека.

С учетом оперативно получаемой информации можно формировать персонифицированную систему протекторов, включающих широкий комплекс мероприятий. Для оперативного анализа и управления сложной многозвеньевой системой предикторов и протекторов могут использоваться методы искусственного интеллекта, а коррекция возникающих угрожающих ситуаций может опираться на теорию адаптивного реагирования [4, 5]. Такой подход основан на том, что человек — в высшей степени саморегулирующаяся и даже самосовершенствующаяся система, что было подчеркнуто И.П. Павловым еще в 1932 г. [6]. Современная система персонализированных профилактических мероприятий должна способствовать коррекции образа жизни и выявляющихся первичных нарушений. Примером может служить многофакторная система, в рамках которой выявлено, что у лиц с высоким нормальным АД (ВНАД), не получающих медикаменты, уровни общего холестерина, липопротеидов низкой плотности (ЛПНП) и глюкозы значимо выше, чем у лиц с нормальным АД, и ниже, чем у гипертоников, между тем как связи между наличием ВНАД и ишемической болезнью сердца (ИБС) не выявлено [7].

Принципиально важным при создании аналитических систем является предоставление рекомендательной информации в удобной и понятной для пользователя форме. Изложенное выше определяет актуальность создания персонализированной профилактической системы с использованием интеллектуальных технологий.

С целью разработки научных основ профилактики наиболее распространенных заболеваний во второй половине прошлого века возникает так называемая концепция факторов риска (ФР). Термин «факторы риска» определяется врожденными или унаследованными особенностями, определенными аспектами поведения или образа и условий жизни, экспозицией условий среды, повышающими вероятность заболевания [8].

Одной из основных причин высокой смертности населения в России является большая распространенность (68,5%) ФР хронических неинфекционных заболеваний (ХНИЗ). Ведущие позиции занимают сердечно-сосудистые заболевания (ССЗ) — 50,1%, в первую очередь инфаркт миокарда и инсульт [9].

Континуальная модель развития человеческого организма характеризуется отсутствием четких границ между нормой и патологией, т. е. в математическом смысле речь идет о непрерывной функции, определяющей состояние здоровья и зависящей от множества аргументов, в частности ФР [10]. Система здоровьесбережения путем динамического контроля предикторов болезней должна учитывать многочисленные характеристики состояния организма и возникающие в процессе жизни ситуации. В период перехода к электронному здравоохранению (e-Health) основой для получения полноценной, динамически изменяющейся информации о здоровье людей являются электронные медицинские карты (Electronic healthcare record), заполняемые с рождения и пополняемые в каждой медицинской организации, которая осуществляет профилактику, наблюдение, обследование и лечение пациентов [11, 12]. Большое значение имеет хранящаяся в них наследственная информация, позволяющая формировать персонально для каждого пациента карту его предрасположенности.

Для каждой патологии имеют значение специфические факторы, являющиеся предикторами этих болезней. Так, для оценки риска повторных инфарктов предлагают учитывать возраст старше 60 лет, сахарный диабет (СД), наличие в анамнезе более одного инфаркта миокарда, инсульт в анамнезе, поражение периферических артерий, почечную недостаточность, сердечную недостаточность, поражение коронарных артерий [13].

В отношении роли «классических» ФР инсульта в исследованиях последнего периода имеются расхождения. Так, А. Price и соавт. [14] отмечают, что физическая активность и потребление алкоголя не жестко связаны с риском любого из трех типов инсульта. СД значительно повышал риск ишемического инсульта, незначительно — вероятность внутримозгового кровоизлияния и не влиял на риск субарахноидального кровоизлияния. Курение являлось ФР любого типа инсульта, а ожирение повышало риск ишемического инсульта сильнее, чем риск геморрагического. Результаты проведенного в Японии исследования показали, что артериальная гипертензия постоянно ассоциируется с повышенным риском инсульта, в то время как вклад остальных «традиционных» ФР не подтвердился [15]. СД, например, является ФР инсульта для лиц в возрасте 60—74 лет, но не для более старших возрастных групп. Исследование жителей Эстонии в возрасте 18—54 лет выявило связь гипертонии, дислипидемии, курения, мерцательной аритмии и атеросклероза крупных артерий с риском и первого, и последующих инсультов. Однако атеросклероз был выявлен в 14,3% случаев первого инсульта, в том числе в 8% случаев в возрасте до 35 лет, в то время как при повторных инсультах частота данного фактора возросла до 24%, а вклад остальных ФР снизился [16].

В последнее время исследователи наряду с общепринятыми ФР ССЗ (курение, повышенное АД, дислипидемия, СД, ожирение) обращают особое внимание на биомаркеры (БМ), даже такие, значимость которых еще не полностью доказана [17]. К БМ относят липидные (холестерин липопротеидов высокой плотности, триглицериды, липопротеин «а», аполипопротеины А1 и В, липопротеин-ассоциированная фосфолипаза-а2); воспалительные БМ (С-реактивный белок, интерлейкины-1, -6, -18, фактор некроза опухоли-α (ФНО-α), матричная металлопротеиназа-9, растворимый лиганд CD40, молекула сосудистой и клеточной адгезии, лейкоциты); БМ гемостаза, тромбоза и эндотелиальной функции (фибриноген, факторы свертывания крови II, V и VIII, антиген фактора Виллебранда, тканевой активатор плазминогена, ингибитор активатора плазминогена-1, D-димер, оксид азота и т. д.); БМ, связанные с сердечной деятельностью (тропонин, мозговой натрийуретический пептид); с почками (креатинин, микроальбуминурия, цистатин С, кальций, фактор роста фибробласт 23, мочевая кислота) и ряд других БМ.

В разработанной интеллектуальной системе здоровьесбережения ФР получены на основе знаний, включающих данные отечественной, мировой литературы и личный опыт экспертов. На основе знаний сформулированы и уровни потенциального риска возникновения инфаркта и инсульта. В процессе структуризации ФР было введено понятие «атрибут» (лат. attributio — свойство), демонстрирующее характеристики и значения каждого фактора (табл. 1).

ФР включают модифицируемые (управляемые), в том числе медикаментозно, условно управляемые (при невозможности полноценной терапевтической коррекции) и неуправляемые (например, наследственно обусловленные). Примеры их сочетаний приведены ниже при описании построения семантической сети.

В соответствии с ФР, выделенными экспертами, и на основании ранее проведенных разработок, были сформированы анкеты-опросники о состоянии здоровья и образе жизни для определения у пользователей ФР инсульта или инфаркта миокарда, их значений и уровня риска [18, 19]. Анкеты включают 8 блоков: возрастно-половой, анамнестический (включая родословную), физиологический (частота пульса, артериальное давление и т. д.), данные лабораторных и функциональных исследований, характер питания, образ жизни (работа, отдых и т. д.), среда и социальный статус, ситуации в процессе жизни.

Разработанные анкеты-опросники о состоянии здоровья и образе жизни для выявления ФР у пользователей содержат 150 вопросов. В качестве примера ниже представлен фрагмент анкеты (табл. 2).

Информация о значениях физиологических ФР поступает на основе заполняемых пользователями анкет или с мобильных/носимых портативных устройств/гаджетов. Периодичность проверки ФР по анкете в целом должна осуществляться не менее 2 раз в год, а по трем ФР (частая или некупирующаяся головная боль, повторные головокружения и частые или некупирующиеся боли в сердце) на основе анкеты периодического опроса 1 раз в квартал. При необходимости пациент получает напоминание о неполучении новых данных. При использовании гаджетов возможно получение данных о частоте сердечных сокращений и АД (4 раза в месяц, при необходимости чаще) с выделением пиковых значений и анализом средних за измеряемый период.

Наследственная информация в сочетании с другими ФР позволяет формировать персонально для каждого пациента карту его предрасположенности. Поступающие в базу данных новые сведения позволяют мониторировать и учитывать критически важные отклонения параметров (например, отношение текущего АД к рабочему) и различные потенциально опасные для здоровья пациента ситуации, например смерть близкого человека. Схематически это представлено на рис. 1.

В настоящее время для работы с данными широкое применение нашли методы интеллектуального анализа, машинного обучения, онтологический подход, что позволяет строить базы знаний для решения различных задач диагностики, формирования режима питания и т. д. [20—22].

Настоящая база знаний реализована в виде неоднородной семантической сети (НСС) и состоит из узлов НСС, свойств узлов и связей между узлами [23]. Узлы НСС — основные составляющие базы знаний. Узлами могут быть ФР заболеваний, ситуации, результаты наблюдений, характеристики состояния пользователя, факты об образе жизни, личностные факторы, рекомендации по профилактике [24]. В качестве примеров узлов можно назвать следующие ФР: «Избыточная масса тела», «Частота стресса», «Инсульты в раннем возрасте у родственников 1 степени родства», «Бессонница» и т. д. Это так называемые явные узлы, представленные атрибутами ФР с их значениями. В системе имеются также скрытые узлы, которые отвечают за реализацию операций «И» и «ИЛИ». Принцип построения семантической сети базы знаний можно видеть на рис. 2 и 3.

Следует отметить, что представленная на рисунке связь типа TRA указывает на совместное наличие ФР или обязательное наличие риска определенного уровня, RS показывает возможность или увеличение вероятности гипотезы риска определенного уровня.

На схемах фрагментов базы знаний узлы типа «И» обозначены цифрами, а узлы типа «ИЛИ» — буквами. При обработке входящих и исходящих связей алгоритм решателя системы учитывает типы таких узлов. Связь «TRA» означает, что узел с входящей связью наблюдается всегда, когда есть узел с исходящей связью. Таким образом, узел «И» активируется тогда, когда активны все узлы, которые имеют входящую связь «TRA» от него. Узел «ИЛИ» срабатывает тогда, когда имеется хотя бы один узел с исходящей связью для него. Связь «RS» между двумя узлами означает, что узел с входящей связью такого типа может наблюдаться, когда имеется узел с исходящей связью. Связь типа «RS» показывает возможность или увеличение вероятности гипотезы риска определенного уровня. На рис. 3 скрытый

Узлы И/ИЛИ объединяют или противопоставляют Ф.Р. Также имеются связи, указывающие на исключение какого-либо узла, соответствующего определенному фактору или ситуации. Наиболее важны связи между узлами-данными и узлами-гипотезами. Для каждого заболевания используются пять узлов, характеризующих гипотезы его риска: «очень высокий», «высокий», «средний», «низкий», «очень низкий».

Узел характеризуется свойствами/атрибутами ФР и их значениями. В качестве свойств также могут выступать другие узлы, связанные с данным. Например, свойствами узла «Злоупотребление алкоголем более 10 лет» являются его имя, значения «Да», «Нет», «Неизвестно» (в случае отсутствия сведений в анкете) и связанные с ним узлы — «Злоупотребление алкоголем в настоящее время» с различными вариантами значений.

Узлы подразделяются на две категории. В первую попадают узлы-данные — знания о здоровье и образе жизни, которые определяют ход рассуждения; во вторую — узлы-гипотезы, т. е. узлы, которые участвуют в формировании решений. В базе знаний системы в качестве узлов-данных выступают ФР, ситуации в жизни пользователя, характеристики пользователя, а в качестве гипотез выступают риски заболеваний и оздоровительно-профилактические рекомендации.

Вся поступающая в базу данных информация (включая аргументы отрицательного характера) каждого пользователя системы передается на вход базы знаний и актуализирует явные узлы, данные по которым изменились. Это позволяет выявить вновь возникшие или изменившиеся отклонения в состоянии здоровья, указывающие на повышение уровня риска конкретного заболевания. Наличие контраргументов, соответствующих в данном случае информации положительного типа, указывающей на улучшение в состоянии здоровья (например, устойчивое снижение АД) или образе жизни, понижает уровень риска.

В соответствии с гипотезой о риске заболевания формируются рекомендации, учитывающие индивидуальные особенности человека и включающие коррекцию образа жизни, на основе чего врач может корректировать общий план профилактических мероприятий. Описанная процедура повторяется с необходимой периодичностью.

Система персональных рекомендаций основана на алгоритме аргументационных рассуждений, включающем выдвижение, подтверждение, уменьшение или отвержение гипотез [25].

В основе рассмотренной системы здоровьесбере-жения заложен принцип медицины 4Р: предсказание (predictive) обеспечивает прогноз или риск заболеваний, предупредительные мероприятия (preventive) позволяют формировать рекомендации, основанные на учете личностных (personalize) особенностей проявления возможной патологии, а соучастие (participant) предполагает вовлечение человека в заботу о собственном здоровье, его активное участие в коррекции образа жизни [26]. Именно решению этих задач посвящена разработанная на основе модели персонального риска ХНИЗ (на примере цереброваскулярной и кардиопатологии) интеллектуальная система здоровьесбережения, направленная на помощь пациентам и врачам.

Система прошла первый этап тестирования на случайной выборке работающего населения разного возраста. На основе поступившей информации для каждого индивидуума автоматически сформированы персональные рекомендации, учитывающие выявленные Ф.Р. Эти рекомендации, как предусмотрено, направляются лечащим врачам-терапевтам (врачам общей практики или менеджерам здоровья) для коррекции. Это необходимо на настоящем этапе ввиду недоучета данных о других возможных заболеваниях пациента. Такой подход позволяет обеспечить полноценный контроль спектра патологических отклонений и их динамики с учетом характера, образа жизни индивидуума и возможно получаемого им лечения.

Интеллектуальный анализ мониторируемых физиологических показателей при использовании мобильных медицинских устройств позволит обеспечить дистанционный контроль и оперативную выдачу рекомендаций по своевременному обращению к врачу.

Интеллектуальные системы позволяют контролировать различные ситуации в состоянии пациентов, осуществлять поиск аналогов с заданными свойствами, обеспечивать информационную поддержку при подборе методов оздоровления организма, профилактических мероприятий. Принцип выработки рекомендаций основан на имеющихся экспертных знаниях в комбинации с существующими подходами удаленного мониторинга и сбора данных об образе жизни человека. Разработанная база знаний системы позволяет адаптировать персональные рекомендации с учетом изменяющихся характеристик здоровья пользователей системы.

Рассмотренная в настоящем исследовании интеллектуальная система здоровьесбережения на основе неоднородной семантической сети и системы аргументов обеспечивает мониторинг изменений ФР и возможность предупредительных воздействий (на примере инфаркта миокарда и инсульта) путем персонализированных рекомендаций, осуществляемых в процессе профилактических мероприятий непосредственно или путем косвенных воздействий на определенные ФР.

Работа выполнена при частичной поддержке Министерства высшего образования и науки Российской Федерации МОН № 14.604.21.0194.

Участие авторов:

Концепция и дизайн исследования, редактирование — Б.К.

Сбор и обработка материала (знаний) — А.К., М.П.

Структуризация и формализация знаний, наполнение базы знаний — Н.Б., М.К.

Написание текста — Б.К., А.К., М.П., Н.Б., М.К.

Авторы заявляют об отсутствии конфликта интересов.

The authors declare no conflict of interest.

Сведения об авторах

CВЕДЕНИЯ ОБ АВТОРАХ:

Кобринский Б.А. — https://orcid.org/0000-0002-3459-8851; e-mail: kba_05@mail.ru

Кадыков А.С. — https://orcid.org/0000-0001-7491-7215; e-mail: dr.askad@yandex.ru

Полтавская М.Г. — https://orcid.org/0000-0003-4463-2897; e-mail: m.poltavskaya@yandex.ru

Благосклонов Н.А. — https://orcid.org/0000-0002-5293-8469; e-mail: nblagosklonov@gmail.com

Ковелькова М.Н. — https://orcid.org/0000-0002-7442-6819; e-mail: kovelkova_m@mail.ru

Автор, ответственный за переписку: Кобринский Борис Аркадьевич — e-mail: kba_05@mail.ru

КАК ЦИТИРОВАТЬ:

Кобринский Б.А., Кадыков А.С., Полтавская М.Г., Благосклонов Н.А., Ковелькова М.Н. Принципы функционирования интеллектуальной системы динамического контроля факторов риска и формирования рекомендаций по здоровьесбережению. Профилактическая медицина. 2019;22(5):78-85. https://doi.org/10.17116/profmed20192205178