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.

Numeric:


{
  "factorName": "total_cholesterol",
  "systemCode": "metabolic",
  "interpretation": "normal",
  "rawSource": "Холестерин общ. 4.75 (3.0-5.2) ммоль/л",
  "performer": "Клинико-диагностическая лаборатория «Хромас»",
  "measurement": {
    "unit": "ммоль/л",
    "value": 4.75
  },
  "referenceRange": {
    "low": 3,
    "high": 5.2,
    "text": "3.0-5.2"
  },
  "mapping": [
    {
      "system": "LOINC",
      "code": "2093-3",
      "display": "Cholesterol [Mass/volume] in Serum or Plasma",
      "confidence": 1.0
    }
  ]
}


Composite:


{
  "factorName": "blood_pressure",
  "systemCode": "cardiovascular",
  "interpretation": "normal",
  "rawSource": "АД 125/85 мм рт. ст.",
  "primaryMeasurement": { "value": 125, "unit": "mm[Hg]", "type": "systolic" },
  "components": [
    { "value": 85, "unit": "mm[Hg]", "type": "diastolic", "code": "8462-4" }
  ],
  "mapping": [
    {
      "system": "LOINC",
      "code": "85354-9",
      "display": "Blood pressure panel with all children optional",
      "confidence": 1.0
    },
    {
      "system": "LOINC",
      "code": "8480-6",
      "display": "Systolic blood pressure",
      "confidence": 1.0
    }
  ]
}


Finding:


{
  "factorName": "gallstones",
  "systemCode": "hepatobiliary",
  "organCode": "gallbladder",
  "clinicalFinding": {
    "present": true,
    "anatomicalLocation": "желчный пузырь",
    "observation": "одиночный конкремент"
  },
  "interpretation": "positive",
  "rawSource": "В желчном пузыре обнаружен камень.",
  "mapping": [
    {
      "system": "SNOMED",
      "code": "56594002",
      "display": "Cholelithiasis (disorder)",
      "confidence": 1.0
    },
    {
      "system": "LOINC",
      "code": "96452-8",
      "display": "Gallstones [Presence] in Gallbladder by US",
      "confidence": 0.9
    }
  ]
}


List:


{
  "value": "A (II)",
  "options": ["A", "B", "AB", "O"],
  "interpretation": "normal",
  "mapping": [
    {
      "system": "LOINC",
      "code": "883-9",
      "display": "ABO group [Type] in Whole blood",
      "confidence": 1.0
    },
    {
      "system": "SNOMED",
      "code": "112144000",
      "display": "Blood group A (finding)",
      "confidence": 0.95
    }
  ],
  "rawSource": "Группа крови: A (II) Rh+"
}


Textual:


{
  "value": "синусовый правильный",
  "observation": "правильный, синусовый, без значимых пауз",
  "interpretation": "normal",
  "mapping": [
    {
      "system": "LOINC",
      "code": "8867-4",
      "display": "Heart rate and rhythm",
      "confidence": 0.9
    },
    {
      "system": "SNOMED",
      "code": "426761007",
      "display": "Normal sinus rhythm (finding)",
      "confidence": 0.85
    }
  ],
  "notes": "Частота 72 уд/мин включена в описание",
  "rawSource": "Ритм синусовый, правильный, ЧСС 72 уд/мин"
}

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 ^[1]
TG: lissahealth ^[2]