Медицинский контекст
Острый коронарный синдром (ОКС) — наиболее опасная форма ишемической болезни сердца, объединяющая нестабильную стенокардию и инфаркт миокарда. Пациенты, которые перенесли ОКС, автоматически попадают в группу крайне высокого риска последующих сердечно-сосудистых осложнений: повторных инфарктов, инсультов, внезапной сердечной смерти.
Смертность в этой категории больных достигает 20% в течение четырёх лет после эпизода. Это означает, что системный мониторинг таких пациентов — задача не административная, а клинически критическая: без непрерывного наблюдения риски остаются невидимыми вплоть до следующего острого события.
Цифровой регистр
Меня зовут Евгений Попов, в Yandex Cloud я руковожу проектами по направлению «Медицина». НМИЦ кардиологии им. ак. Е. И. Чазова Минздрава России при поддержке Центра технологий для общества Yandex Cloud запустил цифровой регистр пациентов, перенёсших ОКС.
До появления регистра работа с историями болезней велась вручную: врачи и исследователи разбирали бумажные и разрозненные электронные документы, что замедляло как клинические исследования, так и оперативный мониторинг. Переход к структурированной цифровой базе даёт кардиологам доступ к консолидированным данным для анализа исходов, оценки эффективности терапии и раннего выявления пациентов из группы риска.
Для решения этой задачи мы обеспечили безопасную обработку более 13 тысяч медицинских документов с помощью больших языковых моделей (LLM) и дали кардиологам максимум информации для исследований, мониторинга и предотвращения риска.
Нетривиальная задача: обезличивание
Одна из ключевых инженерных проблем проекта — деперсонализация медицинских записей перед передачей в языковые модели. Медицинские документы содержат персональные данные пациентов: ФИО, даты рождения, адреса, номера полисов. Их передача во внешние системы без обезличивания нарушает требования законодательства о защите персональных данных.
Сегодня я расскажу об этапах разработки решения и остановлюсь подробнее именно на этой нетривиальной задаче — как мы выстроили pipeline обезличивания, сохранив при этом клиническую ценность данных для последующего анализа LLM.
