Аннотация результатов, полученных в 2017 году
В ходе выполнения проекта в 2017 г. было проведено исследование возможностей по реализации процедур усвоения и предсказательного моделирования для моделей сложных систем (СС) со слабоформализованной структурой (С4) с использованием возможностей моделей, методов и алгоритмов интеллектуального анализа процессов (process mining, PM). В ходе исследований были проанализированы и систематизированы возможности PM по построению моделей СС. Разработан общий метод усвоения данных и построения прогностических ансамблей для моделей С4, обеспечивающий динамическую идентификацию количественных характеристик, структуры связей средствами PM. В частности, была разработана общая схема построения моделей С4, в которой учтена возможность автоматизации работы с количественными, структурными и функциональными параметрами системы в части идентификации моделей и усвоения данных. Также была разработана общая формальная структура сложных моделей (СМ). Разработан общий метод усвоения данных, расширяющий реализованные ранее в рамках данного проекта решения за счет введения обобщенного метода представления и анализа пространства структурных параметров СС в форме графовой структуры, формируемой на основании анализа прецедентов. Разработан параллельный алгоритм усвоения данных на основе коэволюционного (иерархического) МПГА, осуществляющего одновременно настройку параметров и структуры связей по ходу наблюдения эволюции самой СС. В составе данного алгоритма разработан метод на основе совместной (ко)эволюции графового представления пространства возможных структур модели С4 и популяции экземпляров моделей. В качестве рабочего примера были реализованы экспериментальные решения, демонстрирующие на примере моделей PM для анализа процессов оказания медицинской помощи пациентам с острым коронарным синдромом (ОКС) в специализированном медицинском центре. Реализована процедура ансамблевого прогнозирования динамики С4 на основе механизмов усвоения данных, реализуемых на основе интеграции методов PM и интеллектуального анализа данных (data mining, DM). В качестве рабочего примера был реализован механизм предсказательного моделирования для оперативного предсказания кластера в рамках эпизода ОКС. Разработана архитектура программной системы усвоения данных в С4, включающая модули сбора и агрегации данных, PM, моделирования, усвоения данных, ансамблевого прогнозирования и визуализации. В рамках расширения архитектуры, разработанной на предыдущих этапах проекта, на этом этапе была детализована и структурирована архитектура модулей обработки знаний в контексте методов PM и DM. Для проведения дальнейших экспериментальных исследований были разработаны прототипы нескольких модулей и баз для использования в рамках задач моделирования процессов оказания медицинской помощи (используемых в качестве основных рабочих примеров для данного проекта). Проведены экспериментальные исследования, демонстрирующие эффективность использования разработанного подхода (на примере медицинских данных по оказанию помощи пациентам с острым коронарным синдромом). Для проведения экспериментальных исследований была использована база медицинской информационной системы (МИС) НМИЦ им. В.А. Алмазова. Используемая копия базы содержит электронные медицинские карты с данными о лечении пациентов с 2009 по 2016 год (490 тыс. пациентов). База содержит ретроспективные данные о лечении пациентов более чем 4873 нозологий. В частности, с использованием сформированного набора данных был разработан прототип экспериментального средства интерактивной визуализации графовых структур с возможной интерпретацией процессов и характеристик отдельных пациентов и их групп. Кроме того, с использованием разработанных подходов, методов и средств были выявлены, проанализированы и интерпретированы 10 кластеров пациентов с ОКС, полученные в результате анализа клинических путей с идентификацией типовых клинических путей (моделей процессов) для каждого кластера и медицинским обоснованием специфики каждого из них. По результатам идентификации кластеров была построена имитационная дискретно-событийная модель для анализа процесса обслуживания потока пациентов с ОКС группой ключевых отделений (отделения кардиологии (стационар), реанимации и хирургии). В рамках исследования идентификации структуры моделей С4 был реализован ряд экспериментальных исследований, направленных на идентификацию имитационных моделей клинических процессов.

Аннотация результатов, полученных в 2018 году
В ходе выполнения проекта в 2018 г. была разработана процедура оценки качества прогнозов и качества восстановления связей (структуры) СС посредством сочетания технологий PM и усвоения данных, основанная на композиции вероятностных критериев по точности, заблаговременности и реактивности прогнозов. В рамках процедуры задействованы методы интеллектуального анализа данных (data mining, DM) и процессов (process mining, PM), машинного обучения и эволюционных вычислений для построения и применения моделей СС со слабоформализованной структурой (С4). В рамках предложенной процедуры, совмещенной с разработанными ранее принципами иерархического контроля сложных моделей (на уровне моделирования, настройки моделей, решения прикладных задач), была предложена общая схема, обеспечивающая контроль моделирования на уровнях модели, данных и системы. Был разработан экспериментальный образец программной системы усвоения данных в модели СС со слабоформализованной структурой, включающий модули сбора и агрегации данных, собственно PM, моделирования, усвоения данных, ансамблевого прогнозирования и визуализации (включая комплект программной и эксплуатационной документации). Архитектура системы усвоения данных представляет собой схему взаимодействия элементов информационного процесса с целью выявления классов и подклассов моделей и кластеров с внедрением результатов анализа в информационный цикл. В рамках разработки дополнительных компонентов программной системы были реализованы системные и прикладные компоненты. Системные компоненты призваны расширить функциональность программной системы или повысить качество решения стоящих перед ней задач. Прикладные компоненты ориентированы на реализацию отдельных решений в рамках моделирования процессов оказания медицинской помощи как основного рабочего примера в рамках продолжения проекта в 2017-2018 гг. Были проведены экспериментальные исследования, демонстрирующие функциональные возможности и производительность программной системы на выбранных тестовых примерах. Использовано несколько прикладных тестовых задач, принципиально выбранных из различных областей и имеющих различную степень проработки в рамках проекта, а именно: А) Задача ансамблевого моделирования в гидрометеорологии в качестве плановой использовалась на протяжении базовой части проекта и его продолжения. Б) Задача предсказательного моделирования комплексных процессов оказания медицинской помощи и течения заболеваний на данных НМИЦ им. В.А. Алмазова на примере острых и хронических заболеваний кардиологического профиля. Данная задача была выбрана в качестве базового примера для продолжения проекта как характерный пример процесса в С4. В) Задача моделирования судопроизводства выбрана в качестве экспериментальной в рамках оценки перспектив трансляции полученных решений в другие области. Для исследуемых процессов, несмотря на жесткую регламентированность, характерна высокая вариабельность в деталях и времени протекания отдельных этапов процесса. В рамках предварительного анализа была выявлена потенциальная возможность персонификации и влияния региональной специфики, и пр. Была разработана методика практического применения разработанных методов и технологий в современных задачах управления здравоохранением. Методика основана на взаимодействии программной системы, формализации эмпирических знаний, процессов анализа, управления моделями (в т.ч. усвоения данных). На основе важности предикторов, полноты данных МИС и результатов анализа данных разработаны индикаторы качества оказания помощи (на примере острым пациентам с сердечно-сосудистыми заболеваниями). Для корректной оценки, предсказания и прогнозирования индикаторов используется разработанный в рамках данного проекта двухфазный эволюционный алгоритм. В итоге, в рамках предложенной методики возможно мониторирование данных количественных показателей индикаторов качества оказания медицинской помощи в задачах управления здравоохранением.