МЕДИЦИНСКАЯ ИНФОРМАЦИОННАЯ СИСТЕМА С ПРИМЕНЕНИЕМ WEB-ТЕХНОЛОГИЙ ДЛЯ ДИАГНОСТИКИ ОСТРЫХ ЛИМФОБЛАСТНЫХ ЛЕЙКОЗОВ И МИНИМАЛЬНОЙ ОСТАТОЧНОЙ БОЛЕЗНИ

Валентина В. Дмитриева, Николай Н. Тупицын, Евгений В. Поляков, Елена М. Носова, Александра Д. Палладина, Вячеслав И. Цыпляк, Кирилл А. Либерис

Аннотация


В работе раскрыта реализация прототипа медицинской информационной системы (МИС) для диагностики острых лейкозов и минимальной остаточной болезни. В качестве основной рассмотрена задача интеграции систем интеллектуальной компьютерной микроскопии и лазерной проточной цитофлуориметрии – интегрированный метод диагностики гемобластозов с применением технологий искусственного интеллекта. Предлагаемый информационный веб-сайт предоставляет удаленный доступ к тематическому контенту диагностики острых лимфобластных лейкозов и контроля минимальной остаточной болезни через специализированное кроссплатформенное веб-приложение, моделирующее работу различных подсистем при проведении исследований. Одной из проблем при разработке и создании МИС является обеспечение информационной безопасности как в отношении персональных данных о здоровье пациентов и ходе лечебно-диагностического процесса, так и информации, характеризующий реализуемый функционал МИС: компьютерное и сетевое оборудование, программные модули и базы данных. Особенностью медицинской информации является ее конфиденциальность. Безопасность данных в рассматриваемой системе обеспечивается посредствам аутентификации пользователей. Защита информационных ресурсов от внешних и внутренних угроз обеспечивается путем разделения и контроля привилегий доступа для пользователей различного уровня, а также посредствам администрирования веб-сервера.


Ключевые слова


медицинская информационная система, веб-приложение, диагностика острых лейкозов, классификация клеток костного мозга и крови, минимальная остаточная болезнь.

Полный текст:

PDF

Литература


1. Primova H.A., Sakiyev T.R., Nabiyeva S.S. Development of medical information systems //Journal of Physics: Conference Series. IOP Publishing, 2020. Vol. 1441. No. 1. P. 012160.
DOI: http://dx.doi.org/10.1088/1742-6596/1441/1/012160.

2. Bryndin E. Development of Artificial Intelligence by Ensembles of Virtual Agents with Mobile Interaction //Automation, Control and Intelligent Systems. 2020. Vol. 8. P. 1–8.
DOI: http://dx.doi.org/10.11648/j.acis.20200801.11.

3. Shabaniyan T. et al. An artificial intelligence-based clinical decision support system for large kidney stone treatment //Australasian physical & engineering sciences in medicine. 2019. Vol. 42. No. 3. P. 771–779. DOI: http://dx.doi.org/10.1007/s13246-019-00780-3

4. Kindle R. D. et al. Intensive care unit telemedicine in the era of big data, artificial intelligence, and computer clinical decision support systems //Critical care clinics. 2019. Vol. 35. No. 3. P. 483–495.
DOI: http://dx.doi.org/10.1016/j.ccc.2019.02.005.

5. Rathe M. et al. Minimal residual disease monitoring cannot fully replace bone marrow morphology in assessing disease status in pediatric acute lymphoblastic leukemia //Apmis. 2020. Vol. 128. No. 5. P. 414–419. DOI: http://dx.doi.org/10.1111/apm.13037.

6. Dix C. et al. Measurable residual disease in acute myeloid leukemia using flow cytometry: a review of where we are and where we are going //Journal of Clinical Medicine. 2020. Vol. 9. No. 6. P. 1714.
DOI: http://dx.doi.org/10.3390/jcm9061714.

7. Fu Y., Zhang Y., Khoo B. L. Liquid biopsy technologies for hematological diseases //Medicinal Research Reviews. DOI: http://dx.doi.org/10.1002/med.21731.

8. Doan M. et al. Label‐free leukemia monitoring by computer vision //Cytometry Part A. 2020. Vol. 97. No. 4.
P. 407–414. DOI: http://dx.doi.org/10.1002/cyto.a.23987.

9. Lhermitte L. et al. Automated identification of leukocyte subsets improves standardization of database-guided expert-supervised diagnostic orientation in acute leukemia: a EuroFlow study //Modern Pathology. 2020.
P. 1–11. DOI: http://dx.doi.org/10.1038/s41379-020-00677-7.

10. Bibi N. et al. IoMT-based automated detection and classification of leukemia using deep learning //Journal of Healthcare Engineering. 2020. Т. 2020. DOI: http://dx.doi.org/10.1155/2020/6648574.

11. Никитаев В.Г., Тупицын Н.Н., Проничев А.Н., Поляков Е.В., Дмитриева В.В., Чернышева О.А., Серебрякова И.Н., Палладина А.Д. Технологии искусственного интеллекта в диагностике острых
лимфобластных лейкозов и минимальной остаточной болезни // Медицинская техника. 2020. №5.
С. 42–44. DOI: http://dx.doi.org/10.1007/s10527-021-10038-6.

12. Nikitaev V.G., Pronichev A.N., Polyakov E.V., Dmitrieva V. Approach to building knowledge bases in information-measuring systems diagnostics of acute leukemias // Journal of Physics: Conference Series. 2018. No. 945. P. 012007. DOI: http://dx.doi.org/10.1088/1742-6596/945/1/012007.

13. Никитаев В.Г., Проничев А.Н., Поляков Е.В. и др. Модель описания лейкоцитов периферической крови на основе оптических особенностей структуры ядер // Измерительная техника. 2014. № 5. С. 56–58. DOI: http://dx.doi.org/10.1007/s11018-014-0497-x.

14. Chaki J., Dey N. Texture feature extraction techniques for image recognition. – Springer Singapore, 2020.
DOI: https://doi.org/10.1007/978-981-15-0853-0.

15. Поляков Е.В. Анализ эффективности методов и моделей обработки изображений препаратов крови и костного мозга для автоматизированной диагностики острых лейкозов // Системный анализ и управление в биомедицинских системах. 2019. Т. 18, № 2. С. 133–144. DOI: http://dx.doi.org/10.25987/VSTU.2019.18.2.021.




DOI: http://dx.doi.org/10.26583/bit.2021.3.03

Ссылки

  • На текущий момент ссылки отсутствуют.


Лицензия Creative Commons
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.