Российская база данных реанимационных пациентов — RICD

В эпоху цифровизации здравоохранения научное сообщество сталкивается с потребностью в структурированных и доступных базах данных для научных исследований и технологических проектов в области искусственного интеллекта, связанных с разработкой новых методов диагностики и лечения.

Цель проекта: разработать базу данных, содержащую анонимизированные медицинские данные всех пациентов, проходивших лечение в Федеральном научно-клиническом центре реаниматологии и реабилитологии (ФНКЦ РР), и предоставить врачам и научным сотрудникам ФНКЦ РР и других центров возможность доступа к структурированным данным пациентов для последующего анализа и проведения исследований.

Материалы и методы. Для сбора и представления данных использовали медицинскую информационную систему ФНКЦ РР и инструменты «Асклепиус», PL/SQL, Microsoft Office Excel, Power Query M, Microsoft PowerBI, Open data editor и Python. С целью предоставления возможности открытого доступа к базе данных и защиты персональных данных пациентов их анонимизировали.

Результаты. Представили проект RICD (Russian Intensive Care Dataset, https://fnkcrr-database.ru/) — первую в Российской Федерации базу данных реанимационных пациентов, разработанную в ФНКЦ РР на основе передовых принципов и методов, используемых в международных проектах открытых баз данных — «eICU Program» от Philips Healthcare, «MIMIC-IV» и «MIMIC-III». Созданная база данных представляет информацию о 7730 госпитализациях 5115 пациентов (с учетом повторных госпитализаций), включая данные о 3291 госпитализации в отделения реанимации и интенсивной терапии. Общее число записей в RICD превышает 14 млн. RICD представляет медико-антропометрические данные, информацию о движении пациентов внутри учреждения, диагнозы, сведения о проводимой терапии, результаты лабораторных исследований, оценки по шкалам и исходы госпитализации. RICD также содержит данные ряда витальных параметров, собираемых с прикроватных мониторов и иного оборудования отделений реанимации и интенсивной терапии, с частотой до 10 оценок в час.

Заключение. RICD позволяет проводить глубокий анализ и исследования клинических практик в сфере анестезиологии-реаниматологии и интенсивной терапии, а также разрабатывать инструменты поддержки принятия клинических решений и применять методы машинного обучения для решения задач диагностики и улучшения исходов лечения пациентов. Благодаря доступности и детальной структуризации данных, база станет полезным инструментом решения как научных, так и практических задач в области интенсивной терапии.

1. Johnson A.E.W., Pollard T.J., Shen L., Lehman L.W.H., Feng M., Ghassemi M., Moody B., et al. MIMIC-III, a freely accessible critical care database. Sci Data. 2016; 3: 160035. DOI: 10.1038/sdata.2016.35. PMID: 27219127.

2. Johnson A.E.W., Bulgarelli L., Shen L., Gayles A., Shammout A., Horng S., Pollard T.J., et al. MIMIC-IV, a freely accessible electronic health record dataset. Sci Data. 2023; 10 (1): 1. DOI: 10.1038/s41597-022-01899-x. PMID: 36596836.

3. Pollard T.J., Johnson A.E.W., Raffa J.D., Celi L.A., Mark R.G., Badawi O. The eICU Collaborative Research Database, a freely available multi-center database for critical care research. Sci Data. 2018; 5: 180178. DOI: 10.1038/sdata.2018.178. PMID: 30204154.

4. Chen H., Zhu Z., Zhao C., Guo Y., Chen D., Wei Y., Jin J. Central venous pressure measurement is associated with improved outcomes in septic patients: an analysis of the MIMIC-III database. Crit Care. 2020; 24 (1): 433. DOI: 10.1186/S13054-020-03109-9. PMID: 32665010.

5. Arévalo A.R., Maley J.H., Baker L., da Silva Vieira S.M., da Costa Sousa J.M., Finkelstein S., Mateo-Collado R., et al. Data-driven curation process for describing the blood glucose management in the intensive care unit. Sci Data. 2021; 8 (1): 80. DOI: 10.1038/s41597-021-00864-4. PMID: 33692359.

6. Liu P., Li S., Zheng T., Wu J., Fan Y., Liu X., Gong W., et al. Subphenotyping heterogeneous patients with chronic critical illness to guide individualised fluid balance treatment using machine learning: a retrospective cohort study. EClinicalMedicine. 2023; 59: 101970. DOI: 10.1016/j.eclinm.2023.101970. PMID: 37131542.

7. Tyler P.D., Du H., Feng M., Bai R., Xu Z., Horowitz G.L., Stone D.J., et al. Assessment of intensive care unit laboratory values that differ from reference ranges and association with patient mortality and length of stay. JAMA Netw Open. 2018; 1 (7): e184521. DOI: 10.1001/JAMANETWORKOPEN.2018.4521. PMID: 30646358.

8. Sun Y., He Z., Ren J., Wu Y. Prediction model of in-hospital mortality in intensive care unit patients with cardiac arrest: a retrospective analysis of MIMIC — IV database based on machine learning. BMC Anesthesiol. 2023; 23 (1): 178. DOI: 10.1186/S12871-023-02138-5. PMID: 37231340.

9. Hyland S.L., Faltys M., Hüser M., Lyu X., Gumbsch T., Esteban C., Bock C., et al. Early prediction of circulatory failure in the intensive care unit using machine learning. Nat Med. 2020; 26 (3): 364–373. DOI: 10.1038/s41591-020-0789-4. PMID: 32152583.

10. Thoral P.J., Peppink J.M., Driessen R.H., Sijbrands E.J.G., Kompanje E.J.O., Kaplan L., Bailey H., et al. Sharing ICU patient data responsibly under the Society of Critical Care Medicine/European Society of Intensive Care Medicine Joint Data Science Collaboration: The Amsterdam University Medical Centers Database (AmsterdamUMCdb) example. Crit Care Med. 2021; 49 (6): e563–e577. DOI: 10.1097/CCM.0000000000004916. PMID: 33625129.

11. Zeng X., Yu G., Lu Y., Tan L., Wu X., Shi S., Duan H., et al. PIC, a paediatric-specific intensive care database. Sci Data. 2020; 7 (1): 14. DOI: 10.1038/s41597-020-0355-4. PMID: 31932583.

12. Куликов Е.С., Федорова О.С., Толмачев И.В., Рязанцева У.В., Вражнов Д.А., Губанов А.В., Нестерович С.В., с соавт. Русскоязычный репозиторий открытых клинических данных SibMED Data Clinical Repository. Бюллетень Сибирской Медицины. 2023; 22 (2): 182–184. DOI: 10.20538/1682-0363-2023-2-182-184.

13. Davenport T., Kalakota R. The potential for artificial intelligence in healthcare. Futur Healthc J. 2019; 6 (2): 94–98. DOI: 10.7861/futurehosp.6-2-94. PMID: 31363513.

14. Реброва О.Ю. Жизненный цикл систем поддержки принятия врачебных решений как медицинских технологий. Врач и Информационные Технологии. 2020; (1): 27–37. DOI: 10.37690/1811-0193-2020-1-27-37.

15. Гусев А.В., Зарубина Т.В. Поддержка принятия врачебных решений в медицинских информационных системах медицинской организации. Врач и Информационные Технологии. 2017; (2). УДК 614.2. https://www.frictionlessdata.io/ (accessed 3 March 2024).