rfhealthЗдравоохранение Российской ФедерацииHealth care of the Russian Federation0044-197X2412-0723Federal Scientific Center of Hygiene named after F.F. Erisman10.46563/0044-197X-2020-64-6-368-372rfhealth-240Research ArticleОБЗОРЫ ЛИТЕРАТУРЫLITERATURE REVIEWSОрганизация контроля качества радиотерапии путем автоматизации процессинга больших массивов данныхManagement of the radiotherapy quality control using automated Big Data processinghttps://orcid.org/0000-0003-1825-1871ЗавьяловА. А.ZavyalovAleksandr A.noemail@neicon.ruhttps://orcid.org/0000-0003-0745-9474АндреевДмитрий АнатольевичAndreevDmitry A.

Вед. науч. сотр.; ученая степень «доктор», присужденная в Erasmus University Medical Center (Erasmus MC), г. Роттердам, Нидерланды; научно-клинический отдел, ГБУ «Научно-исследовательский институт организации здравоохранения и медицинского менеджмента Департамента здравоохранения города Москвы», 115088, Москва.

e-mail: dmitry.email08@gmail.com

М.D., Ph.D., Leading Research Fellow, Scientific - Clinical Department, the State Research Institute for Healthcare Organization and Medical Management of Moscow Healthcare Department, Moscow, 115088, Russia.

e-mail: dmitry.email08@gmail.com

dmitry.email08@gmail.comГБУ «Научно-исследовательский институт организации здравоохранения и медицинского менеджмента Департамента здравоохранения города Москвы»РоссияResearch Institute for Healthcare Organization and Medical Management of Moscow Healthcare DepartmentRussian Federation202001012021646368372Copyright © Завьялов А.А., Андреев Д.А., 20212021Завьялов А.А., Андреев Д.А.Zavyalov A.A., Andreev D.A.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.rfhealth.ru/jour/article/view/240Введение

Введение. Организация сбора и анализа данных по профилю «онкология» в Москве все чаще осуществляется путем применения новейших автоматизированных систем. Различные аспекты науки о данных становятся востребованными в области радиационной онкологии. Открываются новые пути к расширению массивов показателей, предназначенных в том числе для мониторинга качества и безопасности медицинской деятельности.

Цель исследования - краткий обзор ключевых структурных элементов автоматизированной обработки больших массивов данных и перспектив использования науки о данных в свете организации внутреннего контроля качества и безопасности лучевой терапии онкологических больных.

Материал и методы

Материал и методы. Для поиска источников литературы были использованы базы данных PubMed и eLibrary. В основном отбирались работы, опубликованные за последние 2-3 года. Проанализировано более 20 публикаций.

Результаты

Результаты. В статье кратко сообщается о текущих перспективах использования науки о больших массивах данных в свете организации контроля качества и безопасности лучевой терапии в крупной онкологической сети. Рассмотрены структурные элементы автоматизированной обработки больших массивов данных, связанных с функционированием радиотерапевтических отделений. Применение технологий процессинга больших массивов медицинских данных позволяет улучшить надзор за качеством на всех этапах лучевой терапии. Детализированные данные по лучевой нагрузке могут быть «привязаны» к показателям исходов, интегрированным в более крупные регистры.

Обсуждение

Обсуждение. Процедуры контроля качества лучевой терапии могут быть в определенной степени автоматизированы путем дальнейшего совершенствования программных инструментов анализа и сравнения характеристик проводимого лечения с цифровыми показателями минимальных норм/стандартов. Создание автоматизированных систем раннего предупреждения и быстрого реагирования врачей в случае серьезных расхождений в актуальных показателях качества онкологической помощи позволит эффективно контролировать внутренние медицинские процессы.

Заключение

Заключение. Значение технологий анализа больших массивов данных для организации внутреннего контроля качества и безопасности медицинской деятельности, в том числе по профилю «радиология», в перспективе возрастет.

Introduction

Introduction. In Moscow, the state-of-the-art information technologies for cancer care data processing are widely used in routine practice. Data Science approaches are increasingly applied in the field of radiation oncology. Novel arrays of radiotherapy performance indices can be introduced into real-time cancer care quality and safety monitoring.

The purpose of the study

The purpose of the study. The short review of the critical structural elements of automated Big Data processing and its perspectives in the light of the internal quality and safety control organization in radiation oncology departments.

Material and methods

Material and methods. The PubMed (Medline) and E-Library databases were used to search the articles published mainly in the last 2-3 years. In total, about 20 reports were selected.

Results

Results. This paper highlights the applicability of the next-generation Data Science approaches to quality and safety assurance in radiation oncological units. The structural pillars for automated Big Data processing are considered. Big Data processing technologies can facilitate improvements in quality management at any radiotherapy stage. Simultaneously, the high requirements for quality and integrity across indices in the databases are crucial. Detailed dose data may also be linked to outcomes and survival indices integrated into larger registries.

Discussion

Discussion. Radiotherapy quality control could be automated to some extent through further introduction of information technologies making comparisons of the real-time quality measures with digital targets in terms of minimum norms / standards. The implementation of automated systems generating early electronic notifications and rapid alerts in case of serious quality violation could drastically improve the internal medical processes in local clinics.

Conclusion

Conclusion. The role of Big Data tools in internal quality and safety control will dramatically increase over time.

онкологиярадиологиялучевая терапияорганизация здравоохраненияконтроль качества и безопасностинаука о данныхавтоматизированная обработкаинформационные системыобзорradiation oncologydata science and big dataquality and safety controlcancer carehealthcare organizationinformation systemsreviewautomated data processingReferencesМинаков С.Н., Левина Ю.В., Простов М.Ю. Популяционный раковый регистр. Функциональные возможности, задачи и существующие проблемы. Злокачественные опухоли. 2019; 9(1): 6-9. https://doi.org/10.18027/2224-5057-2019-9-1-6-9Minakov S.N., Levina Yu.V., Prostov M.Yu. Population-based cancer register. functionality, challenges, and existing problems. Zlokachestvennye opukholi. 2019; 9(1): 6-9. ­ https://doi.org/10.18027/2224-5057-2019-9-1-6-9 (in Russian)Погонин А.В., Тяжельников А.А., Юмукян А.В. ЕМИАС - инструмент эффективного управления медицинскими учреждениями. Здравоохранение. 2015; (4): 52-7.Pogonin A.V., Tyazhel’nikov A.A., Yumukyan A.V. United Medical Information and Analytical System of Moscow (UMIAS) is a tool for effective management of medical institutions. Zdravookhranenie. 2015; (4): 52–7. ­ (in Russian)Meyer P., Noblet V., Mazzara C., Lallement A. Survey on deep learning for radiotherapy. Comput. Biol. Med. 2018; 98: 126-46. https://doi.org/10.1016/j.compbiomed.2018.05.018Meyer P., Noblet V., Mazzara C., Lallement A. Survey on deep learning for radiotherapy. Comput. Biol. Med. 2018; 98: 126–46. ­ https://doi.org/10.1016/j.compbiomed.2018.05.018Matuszak M.M., Fuller C.D., Yock T.I., Hess C.B., McNutt T., Jolly S., et al. Performance/outcomes data and physician process challenges for practical big data efforts in radiation oncology. Med. Phys. 2018; 45(10): e811-e9. https://doi.org/10.1002/mp.13136Matuszak M.M., Fuller C.D., Yock T.I., Hess C.B., McNutt T., Jolly S., et al. Performance/outcomes data and physician process challenges for practical big data efforts in radiation oncology. Med. Phys. 2018; 45(10): e811-e9. ­ https://doi.org/10.1002/mp.13136Андреев Д.А., Хачанова Н.В., Степанова В.Н., Башлакова Е.Е., Евдошенко Е.П., Давыдовская М.В. Стандартизация моделирования прогрессирования хронических заболеваний. Проблемы стандартизации в здравоохранении. 2017; (9-10): 12-24. https://doi.org/10.26347/1607-2502201709-10012-024Andreev D.A., Khachanova N.V., Stepanova V.N., Bashlakova E.E., Evdoshenko E.P., Davydovskaya M.V. Standardized modeling of the chronic disease progression (review). Problemy standartizatsii v zdravookhranenii. 2017; (9-10): 12–24. ­ https://doi.org/10.26347/1607-2502201709-10012-024 (in Russian)Chiesa S., Tolu B., Longo S., Nardiello B., Capocchiano N.D., Rea F., et al. A new standardized data collection system for brain stereotactic external radiotherapy: the PRE.M.I.S.E project. Future Sci. O.A. 2020; 6(7): FSO596. https://doi.org/10.2144/fsoa-2020-0015Chiesa S., Tolu B., Longo S., Nardiello B., Capocchiano N.D., Rea F., et al. A new standardized data collection system for brain stereotactic external radiotherapy: the PRE.M.I.S.E project. Future Sci. O.A. 2020; 6(7): FSO596. ­ https://doi.org/10.2144/fsoa-2020-0015Андреев Д.А., Хачанова Н.В., Кокушкин К.А., Давыдовская М.В. Стандартизованные регистры пациентов с рассеянным склерозом - важный инструмент при переходе на ценностно-ориентированное здравоохранение. Проблемы стандартизации в здравоохранении. 2018; (3-4): 35-45. https://doi.org/10.26347/1607-2502201803-04035-045Andreev D.A., Khachanova N.V., Kokushkin K.A., Davydovskaya M.V. Multiple sclerosis registries as a vital element in the transition to the value-based healthcare. Problemy standartizatsii v zdravookhranenii. 2018; (3-4): 35–45. ­ https://doi.org/10.26347/1607-2502201803-04035-045 (in Russian)McNutt T.R., Bowers M., Cheng Z., Han P., Hui X., Moore J., et al. Practical data collection and extraction for big data applications in radiotherapy. Med. Phys. 2018; 45(10): e863-e9. https://doi.org/10.1002/mp.12817McNutt T.R., Bowers M., Cheng Z., Han P., Hui X., Moore J., et al. Practical data collection and extraction for big data applications in radiotherapy. Med. Phys. 2018; 45(10): e863-e9. ­ https://doi.org/10.1002/mp.12817Hauth F., Bizu V., App R., Lautenbacher H., Tenev A., Bitzer M., et al. Electronic Patient-Reported Outcome Measures in Radiation Oncology: Initial Experience After Workflow Implementation. JMIR mHealth uHealth. 2019; 7(7): e12345. https://doi.org/10.2196/12345Hauth F., Bizu V., App R., Lautenbacher H., Tenev A., Bitzer M., et al. Electronic Patient-Reported Outcome Measures in Radiation Oncology: Initial Experience After Workflow Implementation. JMIR mHealth uHealth. 2019; 7(7): e12345. ­ https://doi.org/10.2196/12345Lewis G.D., Hatch S.S., Wiederhold L.R., Swanson T.A. Long-Term Institutional Experience With Telemedicine Services for Radiation Oncology: A Potential Model for Long-Term Utilization. Adv. Radiat. Oncol. 2020; 5(4): 780-2. https://doi.org/10.1016/j.adro.2020.04.018Lewis G.D., Hatch S.S., Wiederhold L.R., Swanson T.A. Long-Term Institutional Experience With Telemedicine Services for Radiation Oncology: A Potential Model for Long-Term Utilization. Adv. Radiat. Oncol. 2020; 5(4): 780–2. ­ https://doi.org/10.1016/j.adro.2020.04.018Zhang B., Chen S., D’Souza W.D., Yi B. A systematic quality assurance framework for the upgrade of radiation oncology information systems. Phys. Med. 2020; 69: 28-35. https://doi.org/10.1016/j.ejmp.2019.11.024Zhang B., Chen S., D’Souza W.D., Yi B. A systematic quality assurance framework for the upgrade of radiation oncology information systems. Phys. Med. 2020; 69: 28–35. ­ https://doi.org/10.1016/j.ejmp.2019.11.024Clunie D., Hosseinzadeh D., Wintell M., De Mena D., Lajara N., Garcia-Rojo M., et al. Digital imaging and communications in medicine whole slide imaging connectathon at Digital Pathology Association Pathology Visions 2017. J. Pathol. Inform. 2018; 9: 6. https://doi.org/10.4103/jpi.jpi_1_18Clunie D., Hosseinzadeh D., Wintell M., De Mena D., Lajara N., Garcia-Rojo M., et al. Digital imaging and communications in medicine whole slide imaging connectathon at Digital Pathology Association Pathology Visions 2017. J. Pathol. Inform. 2018; 9: 6. https://doi.org/10.4103/jpi.jpi_1_18Teng D., Kong J., Wang F. Scalable and flexible management of medical image big data. Distrib. Parallel Databases. 2019; 37(2): 235-50. https://doi.org/10.1007/s10619-018-7230-8Teng D., Kong J., Wang F. Scalable and flexible management of medical image big data. Distrib. Parallel Databases. 2019; 37(2): 235–50. ­ https://doi.org/10.1007/s10619-018-7230-8Nikiema J.N., Jouhet V., Mougin F. Integrating cancer diagnosis terminologies based on logical definitions of SNOMED CT concepts. J. Biomed. Inform. 2017; 74: 46-58. https://doi.org/10.1016/j.jbi.2017.08.013Nikiema J.N., Jouhet V., Mougin F. Integrating cancer diagnosis terminologies based on logical definitions of SNOMED CT concepts. J. Biomed. Inform. 2017; 74: 46–58. ­ https://doi.org/10.1016/j.jbi.2017.08.013McNutt T.R., Moore K.L., Wu B., Wright J.L. Use of Big Data for Quality Assurance in Radiation Therapy. Semin. Radiat. Oncol. 2019; 29(4): 326-32. https://doi.org/10.1016/j.semradonc.2019.05.006McNutt T.R., Moore K.L., Wu B., Wright J.L. Use of Big Data for Quality Assurance in Radiation Therapy. Semin. Radiat. Oncol. 2019; 29(4): 326–32. ­ https://doi.org/10.1016/j.semradonc.2019.05.006Киселев К.В., Ноева Е.А., Выборов О.Н., Зорин А.В., Потехина А.В., Осяева М.К. и др. Разработка алгоритма работы логического решателя интеллектуальной системы поддержки принятия врачебных решений для инструментальной диагностики стенокардии. Медицинские технологии. Оценка и выбор. 2019; 1(35): 32-42. https://doi.org/10.31556/2219-0678.2019.35.1.032-042Kiselev K.V., Noeva E.A., Vyborov O.N., Zorin A.V., Pote­khina A.V., Osyaeva M.K., et al. Development of a reasoning solver algorithm for instrumental diagnostics of angina pectoris in intelligent clinical decision support system. Meditsinskie tekhnologii. Otsenka i vybor. 2019; 1(35): 32–42. https://doi.org/10.31556/2219-0678.2019.35.1.032-042 (in Russian)Метельская А.В., Камынина Н.Н. Развитие концепции “бережливой поликлиники”. Проблемы социальной гигиены, здравоохранения и истории медицины. 2020; 28(S): 785-90. https://doi.org/10.32687/0869-866X-2020-28-s1-785-790Metel’skaya A.V., Kamynina N.N. Development of the concept of «lean polyclinics». Problemy sotsial’noy gigieny, zdravookhraneniya i istorii meditsiny. 2020; 28(S): 785–90. https://doi.org/10.32687/0869-866X-2020-28-s1-785-790 (in Russian)Cai B., Altman M.B., Reynoso F., Garcia-Ramirez J., He A., Edward S.S., et al. Standardization and automation of quality assurance for high-dose-rate brachytherapy planning with application programming interface. Brachytherapy. 2019; 18(1): 108-114.e1. https://doi.org/10.1016/j.brachy.2018.09.004Cai B., Altman M.B., Reynoso F., Garcia-Ramirez J., He A., Edward S.S., et al. Standardization and automation of quality assurance for high-dose-rate brachytherapy planning with application programming interface. Brachytherapy. 2019; 18(1): 108-114.e1. ­ https://doi.org/10.1016/j.brachy.2018.09.004Stervik L., Pettersson N., Scherman J., Behrens C.F., Ceberg C., Engelholm S., et al. Analysis of early respiratory-related mortality after radiation therapy of non-small-cell lung cancer: feasibility of automatic data extraction for dose-response studies. Acta Oncol. 2020; 59(6): 628-35. https://doi.org/10.1080/0284186X.2020.1739331Stervik L., Pettersson N., Scherman J., Behrens C.F., Ceberg C., Engelholm S., et al. Analysis of early respiratory-related mortality after radiation therapy of non-small-cell lung cancer: feasibility of automatic data extraction for dose-response studies. Acta Oncol. 2020; 59(6): 628–35. ­ https://doi.org/10.1080/0284186X.2020.1739331Vogelius I.R., Petersen J., Bentzen S.M. Harnessing data science to advance radiation oncology. Mol. Oncol. 2020; 14(7): 1514-28. https://doi.org/10.1002/1878-0261.12685Vogelius I.R., Petersen J., Bentzen S.M. Harnessing data science to advance radiation oncology. Mol. Oncol. 2020; 14(7): 1514–28. ­ https://doi.org/10.1002/1878-0261.12685Ronneberger O., Fischer P., Brox T. U-Net: convolutional networks for biomedical image segmentation. In: Navab N., Hornegger J., Wells W., Frangi A., eds. Medical Image Computing and Computer-Assisted Intervention - MICCAI 2015. Cham: Springer International Publishing; 2015: 234-41. https://doi.org/10.1007/978-3-319-24574-4_28Ronneberger O., Fischer P., Brox T. U-Net: convolutional networks for biomedical image segmentation. In: Navab N., Hornegger J., Wells W., Frangi A., eds. Medical Image Compu­ting and Computer-Assisted Intervention – MICCAI 2015. Cham: Springer International Publishing; 2015: 234–41. ­ https://doi.org/10.1007/978-3-319-24574-4_28

The authors declare that there are no conflicts of interest present.