Организация контроля качества радиотерапии путем автоматизации процессинга больших массивов данных

Обложка

Цитировать

Полный текст

Аннотация

Введение. Организация сбора и анализа данных по профилю «онкология» в Москве все чаще осуществляется путем применения новейших автоматизированных систем. Различные аспекты науки о данных становятся востребованными в области радиационной онкологии. Открываются новые пути к расширению массивов показателей, предназначенных в том числе для мониторинга качества и безопасности медицинской деятельности.

Цель исследования - краткий обзор ключевых структурных элементов автоматизированной обработки больших массивов данных и перспектив использования науки о данных в свете организации внутреннего контроля качества и безопасности лучевой терапии онкологических больных.

Материал и методы. Для поиска источников литературы были использованы базы данных PubMed и eLibrary. В основном отбирались работы, опубликованные за последние 2-3 года. Проанализировано более 20 публикаций.

Результаты. В статье кратко сообщается о текущих перспективах использования науки о больших массивах данных в свете организации контроля качества и безопасности лучевой терапии в крупной онкологической сети. Рассмотрены структурные элементы автоматизированной обработки больших массивов данных, связанных с функционированием радиотерапевтических отделений. Применение технологий процессинга больших массивов медицинских данных позволяет улучшить надзор за качеством на всех этапах лучевой терапии. Детализированные данные по лучевой нагрузке могут быть «привязаны» к показателям исходов, интегрированным в более крупные регистры.

Обсуждение. Процедуры контроля качества лучевой терапии могут быть в определенной степени автоматизированы путем дальнейшего совершенствования программных инструментов анализа и сравнения характеристик проводимого лечения с цифровыми показателями минимальных норм/стандартов. Создание автоматизированных систем раннего предупреждения и быстрого реагирования врачей в случае серьезных расхождений в актуальных показателях качества онкологической помощи позволит эффективно контролировать внутренние медицинские процессы.

Заключение. Значение технологий анализа больших массивов данных для организации внутреннего контроля качества и безопасности медицинской деятельности, в том числе по профилю «радиология», в перспективе возрастет.

Об авторах

А. А. Завьялов

ГБУ «Научно-исследовательский институт организации здравоохранения и медицинского менеджмента Департамента здравоохранения города Москвы»

Автор, ответственный за переписку.
Email: noemail@neicon.ru
ORCID iD: 0000-0003-1825-1871
Россия

Дмитрий Анатольевич Андреев

ГБУ «Научно-исследовательский институт организации здравоохранения и медицинского менеджмента Департамента здравоохранения города Москвы»

Email: dmitry.email08@gmail.com
ORCID iD: 0000-0003-0745-9474

Вед. науч. сотр.; ученая степень «доктор», присужденная в Erasmus University Medical Center (Erasmus MC), г. Роттердам, Нидерланды; научно-клинический отдел, ГБУ «Научно-исследовательский институт организации здравоохранения и медицинского менеджмента Департамента здравоохранения города Москвы», 115088, Москва.

e-mail: dmitry.email08@gmail.com

Россия

Список литературы

  1. Минаков С.Н., Левина Ю.В., Простов М.Ю. Популяционный раковый регистр. Функциональные возможности, задачи и существующие проблемы. Злокачественные опухоли. 2019; 9(1): 6-9. https://doi.org/10.18027/2224-5057-2019-9-1-6-9
  2. Погонин А.В., Тяжельников А.А., Юмукян А.В. ЕМИАС - инструмент эффективного управления медицинскими учреждениями. Здравоохранение. 2015; (4): 52-7.
  3. Meyer P., Noblet V., Mazzara C., Lallement A. Survey on deep learning for radiotherapy. Comput. Biol. Med. 2018; 98: 126-46. https://doi.org/10.1016/j.compbiomed.2018.05.018
  4. Matuszak M.M., Fuller C.D., Yock T.I., Hess C.B., McNutt T., Jolly S., et al. Performance/outcomes data and physician process challenges for practical big data efforts in radiation oncology. Med. Phys. 2018; 45(10): e811-e9. https://doi.org/10.1002/mp.13136
  5. Андреев Д.А., Хачанова Н.В., Степанова В.Н., Башлакова Е.Е., Евдошенко Е.П., Давыдовская М.В. Стандартизация моделирования прогрессирования хронических заболеваний. Проблемы стандартизации в здравоохранении. 2017; (9-10): 12-24. https://doi.org/10.26347/1607-2502201709-10012-024
  6. Chiesa S., Tolu B., Longo S., Nardiello B., Capocchiano N.D., Rea F., et al. A new standardized data collection system for brain stereotactic external radiotherapy: the PRE.M.I.S.E project. Future Sci. O.A. 2020; 6(7): FSO596. https://doi.org/10.2144/fsoa-2020-0015
  7. Андреев Д.А., Хачанова Н.В., Кокушкин К.А., Давыдовская М.В. Стандартизованные регистры пациентов с рассеянным склерозом - важный инструмент при переходе на ценностно-ориентированное здравоохранение. Проблемы стандартизации в здравоохранении. 2018; (3-4): 35-45. https://doi.org/10.26347/1607-2502201803-04035-045
  8. McNutt T.R., Bowers M., Cheng Z., Han P., Hui X., Moore J., et al. Practical data collection and extraction for big data applications in radiotherapy. Med. Phys. 2018; 45(10): e863-e9. https://doi.org/10.1002/mp.12817
  9. Hauth F., Bizu V., App R., Lautenbacher H., Tenev A., Bitzer M., et al. Electronic Patient-Reported Outcome Measures in Radiation Oncology: Initial Experience After Workflow Implementation. JMIR mHealth uHealth. 2019; 7(7): e12345. https://doi.org/10.2196/12345
  10. Lewis G.D., Hatch S.S., Wiederhold L.R., Swanson T.A. Long-Term Institutional Experience With Telemedicine Services for Radiation Oncology: A Potential Model for Long-Term Utilization. Adv. Radiat. Oncol. 2020; 5(4): 780-2. https://doi.org/10.1016/j.adro.2020.04.018
  11. Zhang B., Chen S., D’Souza W.D., Yi B. A systematic quality assurance framework for the upgrade of radiation oncology information systems. Phys. Med. 2020; 69: 28-35. https://doi.org/10.1016/j.ejmp.2019.11.024
  12. Clunie D., Hosseinzadeh D., Wintell M., De Mena D., Lajara N., Garcia-Rojo M., et al. Digital imaging and communications in medicine whole slide imaging connectathon at Digital Pathology Association Pathology Visions 2017. J. Pathol. Inform. 2018; 9: 6. https://doi.org/10.4103/jpi.jpi_1_18
  13. Teng D., Kong J., Wang F. Scalable and flexible management of medical image big data. Distrib. Parallel Databases. 2019; 37(2): 235-50. https://doi.org/10.1007/s10619-018-7230-8
  14. Nikiema J.N., Jouhet V., Mougin F. Integrating cancer diagnosis terminologies based on logical definitions of SNOMED CT concepts. J. Biomed. Inform. 2017; 74: 46-58. https://doi.org/10.1016/j.jbi.2017.08.013
  15. McNutt T.R., Moore K.L., Wu B., Wright J.L. Use of Big Data for Quality Assurance in Radiation Therapy. Semin. Radiat. Oncol. 2019; 29(4): 326-32. https://doi.org/10.1016/j.semradonc.2019.05.006
  16. Киселев К.В., Ноева Е.А., Выборов О.Н., Зорин А.В., Потехина А.В., Осяева М.К. и др. Разработка алгоритма работы логического решателя интеллектуальной системы поддержки принятия врачебных решений для инструментальной диагностики стенокардии. Медицинские технологии. Оценка и выбор. 2019; 1(35): 32-42. https://doi.org/10.31556/2219-0678.2019.35.1.032-042
  17. Метельская А.В., Камынина Н.Н. Развитие концепции “бережливой поликлиники”. Проблемы социальной гигиены, здравоохранения и истории медицины. 2020; 28(S): 785-90. https://doi.org/10.32687/0869-866X-2020-28-s1-785-790
  18. Cai B., Altman M.B., Reynoso F., Garcia-Ramirez J., He A., Edward S.S., et al. Standardization and automation of quality assurance for high-dose-rate brachytherapy planning with application programming interface. Brachytherapy. 2019; 18(1): 108-114.e1. https://doi.org/10.1016/j.brachy.2018.09.004
  19. Stervik L., Pettersson N., Scherman J., Behrens C.F., Ceberg C., Engelholm S., et al. Analysis of early respiratory-related mortality after radiation therapy of non-small-cell lung cancer: feasibility of automatic data extraction for dose-response studies. Acta Oncol. 2020; 59(6): 628-35. https://doi.org/10.1080/0284186X.2020.1739331
  20. Vogelius I.R., Petersen J., Bentzen S.M. Harnessing data science to advance radiation oncology. Mol. Oncol. 2020; 14(7): 1514-28. https://doi.org/10.1002/1878-0261.12685
  21. Ronneberger O., Fischer P., Brox T. U-Net: convolutional networks for biomedical image segmentation. In: Navab N., Hornegger J., Wells W., Frangi A., eds. Medical Image Computing and Computer-Assisted Intervention - MICCAI 2015. Cham: Springer International Publishing; 2015: 234-41. https://doi.org/10.1007/978-3-319-24574-4_28

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Завьялов А.А., Андреев Д.А., 2021

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.
СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ:  ПИ № ФС77-50668 от 13.07.2012 г.