Актуальность работы обусловлена высокой когнитивной нагрузкой на врача-реаниматолога при выборе режима искусственной вентиляции легких (ИВЛ) из‑за наличия десятков режимов и более 50 параметров настройки. Отсутствие формализованных критериев и прозрачных систем поддержки принятия решений приводит к вариабельности терапии и повышению риска вентилятор-ассоциированных осложнений. Цель работы – разработка методологии, алгоритма и программного прототипа интеллектуальной системы поддержки принятия врачебных решений для выбора режимов ИВЛ, обеспечивающей объяснимость рекомендаций. В работе использованы методы формализации клинических параметров, построения классификатора состояний, создания продукционных правил, объектно-ориентированного программирования на Python, а также апробации на литературных клинических сценариях. Формализованы четыре группы параметров (механика дыхания, газообмен, активность пациента, гемодинамика). Построен классификатор состояний (апноэ, слабость дыхательной мускулатуры, обструктивные и рестриктивные нарушения). Создана база из 30 продукционных правил «ЕСЛИ–ТО», сгруппированных по шести клиническим ситуациям с приоритетным перебором. Разработан алгоритм, включающий модуль объяснения, формирующий текстовое обоснование каждой рекомендации. Программный прототип реализован на Python (библиотеки tkinter, experta). Апробация на 20 литературных клинических сценариях показала полное совпадение рекомендаций с эталонными протоколами в 85 % случаев, частичное – в 10 %, несовпадение (требовалась экстракорпоральная элиминация CO₂) – в 5 %. Среднее время формирования рекомендации составило 0,42 секунды. Полученные результаты подтверждают работоспособность предложенной методологии и позволяют использовать систему как автономное рабочее место врача или встраиваемый модуль в аппараты ИВЛ.
The relevance of this study is due to the high cognitive load on the intensivist when choosing a mechanical ventilation mode because of dozens of modes and more than 50 adjustable parameters. The lack of formalized criteria and transparent decision support systems leads to variability in therapy and an increased risk of ventilator-associated complications. The aim of this work is to develop a methodology, algorithm and software prototype of an intelligent clinical decision support system for choosing mechanical ventilation modes, providing explainability of recommendations. The methods used include formalization of clinical parameters, construction of a state classifier, creation of production rules, object-oriented programming in Python, and testing on literature-based clinical scenarios. Four groups of parameters (respiratory mechanics, gas exchange, patient activity, hemodynamics) are formalized. A state classifier (apnea, respiratory muscle weakness, obstructive and restrictive disorders) is built. A knowledge base of 30 "IF–THEN" production rules grouped into six clinical situations with priority selection is created. An algorithm with an explanation module that generates a textual justification for each recommendation is developed. The software prototype is implemented in Python (tkinter, experta). Testing on 20 literature‑based clinical scenarios showed complete agreement of recommendations with reference protocols in 85 % of cases, partial agreement in 10 %, and disagreement (a scenario requiring extracorporeal CO₂ removal) in 5 %. The average recommendation generation time was 0.42 seconds. The obtained results confirm the feasibility of the proposed methodology and allow the system to be used as a standalone physician’s workstation or as an embeddable module in ventilators.
The authors declare that there are no conflicts of interest present.