Семантическая декомпозиция медицинских текстов: автоматизированное извлечение клинических находок и биомаркеров

Уже скоро год, как запущена AI-платформа для хранения и аналитики персональных медицинских данных Lissa Health. Недавно в ней появился отчет «Профиль здоровья», который учитывает любую информацию, которую пользователь предоставил о себе. Чтобы его реализовать, пришлось полностью переработать идеологию движка системы.

Мы совершили качественный переход от документо-центрической к фактор-центрической модели данных, где атомом информации о здоровье человека является медицинский факт с уникальным кодом и контекстом.

Ниже - техническое описание новой структуры.

Проблема неструктурированных данных

Если работать только с лабораторными анализами, то извлекать биомаркеры и структурировать их относительно несложно. Совсем другой вопрос, когда перед тобой заключение МРТ, анамнестические данные или сложный протокол осмотра. Как это хранить? Как индексировать? По каким признакам включать в выборки для исследований?

Низкая доступность структурированных данных - главная преграда на пути развития цифрового здравоохранения. Сегодня клинически значимая информация по-прежнему «заперта» внутри неструктурированных текстов. Самым прогрессивным способом решения этой проблемы является извлечение атомарных фактов:

• Для анализов - это биомаркер и его значение.

• Для МРТ - элементарные находки (например, «просветы трахеи свободны», «легочная ткань без инфильтрации»).

• Для витальных параметров - конкретное измерение давления или пульса.

Таком образом, заключение МРТ или анамнез разбиваются на десятки фактов, каждый из которых уже можно измерить и классифицировать.

Чтобы охватить весь спектр данных и не утонуть в хаосе, мы выделили пять типов фактов:

1. Numeric - одиночные измерения (глюкоза 5.6 ммоль/л).

2. Composite - связанные группы значений (АД 125/85 мм рт. ст.).

3. Finding - фиксация присутствия/отсутствия патологий (конкремент в желчном пузыре).

4. Textual - описательные характеристики (ритм синусовый правильный).

5. List - категориальные данные (группа крови, результаты бакпосева, симптомы).

Мы приводим извлеченные данные к подобию международного стандарта FHIR (Fast Healthcare Interoperability Resources). Это гарантирует, что структурированная нами информация будет бесшовно интегрироваться в современные медицинские экосистемы и соответствовать передовым мировым требованиям к обмену медицинскими данными.

Формирование датасета и Pipeline извлечения

Извлечение данных осуществляется через AI-конвейер, состоящий из двух специализированных агентов:

Router

Сегментирует исходный текст на логические блоки и классифицирует тип факта (например, направляет данные об АД к одному специалисту, а описание КТ легких - к другому).

Specialist

Проводит глубокую экстракцию атрибутов. Для численных данных это канонические единицы (UCUM) и референсы, для находок - латеральность (право/лево), анатомическая локализация и статус присутствия (present: true/false).

Общая структура Health Entity

{ "factorCode": "LAB.METABOLIC.CHOLESTEROL.L2093-3", "valueType": "numeric", "systemCode": "metabolic", "organCode": "blood", "payload": { ... } }

Каждая сущность имеет унифицированный заголовок, а специфика данных выносится в поле payload. Это позволяет хранить разнородные данные в одной таблице, обеспечивая высокую скорость поиска и кросс-системную аналитику.

В дополнительных таблицах хранится сопутствующая информация о факте - версия алгоритма экстракции, модель, промпты, саммари всего оригинального документа, confidence, статус верификации (для перепроверки человеком)

Верификация через rawSource

Критически важным элементом архитектуры является сохранение rawSource - дословной цитаты из исходного документа.

Наличие оригинального контекста:

• Обеспечивает возможность аудита данных врачом.

• Позволяет выявлять дубликаты через MD5-хэш.

• Гарантирует юридическую прозрачность (специалист всегда видит оригинал, на основе которого ИИ сделал вывод).

• Создает базу для «работы над ошибками»: дообучения моделей на верифицированных экспертами примерах.

Семантическое сопоставление (mapping)

Фундаментальная проблема медицины - «синонимия». Показатель глюкозы или описание патологии могут быть записаны сотней способов. Мы решаем это через сопоставление с международными онтологиями LOINC и SNOMED CT.

Это превращает изолированную строку в глобально идентифицируемую сущность. Для исследователя это означает переход к концептуальному поиску: можно сразу выбрать всех пациентов с «холелитиазом», даже если в протоколе было написано «камень» или «одиночный конкремент». Интеграция с онтологиями позволяет связывать показатели крови с морфологией органов через иерархию смыслов, открывая путь к глубокой графовой аналитике.

Семантическое кодирование идентификатора

Для удобства разработки и аналитики для идентификатора factorCode мы внедрили структуру:

[TYPE].[SYSTEM].[PARAMETER_NAME].[ISO_CODE]

Пример: LAB.IMMUNE.ENTAMOEBA_HISTOLYTICA_IGG.L13933-0.

Такая кодировка позволяет проводить агрегацию данных (например, «выбрать всю иммунологию» или «все патологии печени») прямым SQL-запросом без ресурсоемкого обращения к внешним справочникам.

Научная ценность и возможности аналитики

Представленный датасет можно использовать в двух режимах:

OLAP (конвенциальная аналитика)

Формирование традиционных отчетов для врачей (анализ трендов, фильтрация по системам органов, мониторинг референсных интервалов).

ML/AI Research

• Предиктивные модели: Предсказание рисков развития патологий на основе динамики биомаркеров.

• Анализ ассоциаций: Поиск неявных корреляций между лабораторными показателями и визуальными находками (например, маркеры воспаления vs изменения в тканях на МРТ).

• Графы знаний: Построение семантических связей между атомарными фактами здоровья.

• Много других интересных штук.

Заключение

Переход от «хранения файлов» к семантическим базам знаний - это необходимый шаг в сторону персонализированной медицины. Новая архитектура Lissa Health способна переводить даже самые сложные медицинские протоколы в структурированный «цифровой след» пациента.

Мы отобрали датасет в несколько десятков тысяч записей и готовы предоставить к нему доступ для научно-исследовательских целей и клинической аналитики.

Доступ бесплатный, как и пользование платформой Lissa Health.

Сайт: Lissa Health
TG: lissahealth