Чем «умнее» лаборатории, тем лучше медицинское обслуживание: путь цифровой трансформации

Введение

От клинических лабораторий — основы современного здравоохранения — как никогда ранее требуется делать все больше с меньшими затратами. Лабораторная медицина предоставляет данные для принятия более чем 70 % клинических решений

[1]. Но поскольку от лабораторий постоянно требуется повышать скорость выдачи результатов, точность и эффективность работы, традиционные рабочие процессы находятся на пределе своих возможностей. Решение этой проблемы — цифровая трансформация, которая меняет будущее диагностики. В настоящее время наблюдается взрывной рост цифровых технологий в области здравоохранения: ожидается, что их бюджет возрастет более чем вдвое с 347 миллиардов долл. США в 2025 году до 768 миллиардов долл. США к 2030 году

[2]. Лаборатории совершенствуются, чтобы подготовиться к решению возникающих сложностей. Благодаря инструментам, позволяющим повысить точность и оптимизировать процессы, меняется роль лабораторий в оказании прогностической, профилактической и персонализированной медицинской помощи. Вопрос не в том, перейдут ли лаборатории на цифровой формат работы. Эта трансформация уже происходит, и лаборатории все чаще используют этот переход, чтобы заново определить свое место в системе здравоохранения. Давайте рассмотрим, как лаборатории превращаются в «умные» среды на основе технологий, объединяющие инновации и экспертные знания для улучшения диагностики.

Основные технологии, меняющие клинические лаборатории

Современные клинические лаборатории используют широкий спектр технологий — от автоматизации работы лаборатории до передовой аналитики — для оптимизации рабочих процессов, повышения точности и открытия новых диагностических возможностей

1. Автоматизация

Автоматизация уже стала основой работы современных лабораторий, обеспечивая бесперебойные и высокопроизводительные рабочие процессы при минимизации ручного вмешательства. Передовая робототехника, автоматизация работы с образцами и «умные» системы обработки меняют лабораторные операции, снижают вариабельность и повышают воспроизводимость и эффективность в целом

2. Интернет медицинских вещей (IoMT) и интернет лабораторных вещей (IoLT)

Взаимосвязанный характер IoMT и IoLT способствует непрерывному потоку критически важных данных, что позволяет применять более превентивный подход для управления системой здравоохранения и лабораториями. Устройства с поддержкой технологии IoMT передают медицинские данные пациентов в режиме реального времени, тем самым упрощая удаленную диагностику и оказание медицинской помощи на расстоянии. IoLT, в свою очередь, обеспечивает оптимальную работу приборов, сокращая время простоя и повышая эффективность профилактического техобслуживания благодаря анализу данных на основе искусственного интеллекта (ИИ). Использование этих систем в комплексе обеспечивает более точное и своевременное принятие решений на основе данных в клинических условиях. Например, портативные устройства, поддерживающие технологию IoMT, в режиме реального времени передают в лаборатории данные об уровне глюкозы или частоте сердечных сокращений от пациентов, а оборудование с поддержкой технологии IoLT предупреждает руководителей лабораторий о необходимости техобслуживания или нехватке материалов

3. Информационные системы

Информационные системы, такие как лабораторные информационные менеджмент-системы (LIMS) и электронные лабораторные журналы (ELN), представляют собой специализированные программные платформы. Они выступают промежуточным звеном между исходными данными и применимой на практике аналитической информацией и обеспечивают бесперебойную интеграцию данных между отделами. LIMS [3] помогают стандартизировать рабочие процессы и обеспечивают соответствие нормативным требованиям и прослеживаемость образцов. ELN [4], с другой стороны, повышает эффективность научных исследований, поскольку позволяет перевести лабораторную документацию в цифровой формат, способствует сотрудничеству в реальном времени и упрощает поиск и воспроизведение данных

4. Системы управления научными данными (SDMS)

Помимо простого хранения данных, SDMS [5] отличаются интеллектуальным структурированием данных, которое повышает эффективность поиска и интерпретации. Использование этих систем обеспечивает соответствие [6] требованиям надлежащей лабораторной практики (GLP) и нормативным требованиям, поскольку они включают функции автоматизированного журнала аудита, контроля версий и электронных подписей. Поскольку объем данных в лабораториях стремительно увеличивается, SDMS улучшает управление данными, упрощает стандартизацию протоколов, способствует контролю качества и повышает надежность результатов исследований

5. Облачные вычисления

Использование инфраструктуры на основе облачной среды коренным образом меняет способы управления данными и доступа к ним в лабораториях, поскольку вместо обособленных мест хранения позволяет хранить данные в безопасном и масштабируемом пространстве. Облачные платформы облегчают совместную работу групп, находящихся в разных местах, в режиме реального времени, обеспечивают бесперебойный обмен данными в многоцентровых клинических исследованиях, глобальных научно-исследовательских проектах и межфункциональной диагностике. Благодаря расширенным мерам безопасности, таким как шифрование и управление доступом на основе ролей, облачные вычисления также повышают целостность данных и снижают косвенные затраты на ИТ

6. Анализ больших данных

Инструменты для анализа больших данных позволяют обрабатывать огромные объемы лабораторных и клинических данных в целях выявления закономерностей, тенденций и применимой на практике аналитической информации. Для улучшения результатов диагностики и лечения в них используются прогностические модели. Следующий этап эволюции больших данных — клинлабомика [7] — это новая область, которая объединяет клинические лабораторные данные с ИИ для получения более глубоких аналитических данных для диагностики и лечения. Подобно радиомике в области визуальной диагностики, в клинлабомике применяются высокопроизводительные методы и машинное обучение для анализа данных, полученных при исследовании крови, физиологических жидкостей и других образцов. Этот подход позволяет выявить скрытые закономерности и информацию в результатах лабораторных исследований, что способствует постановке более точных диагнозов и оказанию персонализированной помощи

7. Искусственный интеллект (ИИ) и машинное обучение

В ходе недавнего опроса было обнаружено, что 60 % компаний в медико-биологической отрасли [8] планируют инвестировать в технологии ИИ и машинного обучения в течение следующих двух лет. Это связано со способностью ИИ оптимизировать процессы, выявлять аномалии и выполнять прогностический анализ данных. Машинное обучение дополнительно увеличивает эти возможности, поскольку позволяет системам непрерывно совершенствоваться на основе входных данных. Как эти инструменты, получившие большое распространение в последние годы, помогли на практике? Давайте рассмотрим подробнее.

Реальное влияние перехода клинических лабораторий на цифровые технологии

Цифровая трансформация меняет работу клинических лабораторий за счет совершенствования рабочих процессов, повышения точности и повышения эффективности принимаемых решений. Эти достижения распространяются на всю экосистему здравоохранения, от чего выигрывают пациенты, опекуны и лабораторные специалисты. Автоматизация значительно сократила время выполнения исследований: в результате общей автоматизации работы высокочувствительный анализ на сердечный тропонин I смогли выполнять более чем на 25 % быстрее [9] как в отделении неотложной помощи, так и в других отделениях. Кроме того, использование автоматизированных систем позволяет одному лаборанту управлять несколькими процессами, например высокопроизводительным иммунохроматографическим анализом и молекулярными диагностическими исследованиями. Технологии IoT обеспечивают мониторинг оборудования и оповещают о нехватке реактивов в режиме реального времени, что помогает предотвратить сбои в работе даже при ограниченном количестве сотрудников в лаборатории. Помимо эффективности, цифровизация помогает решать кадровые сложности, поскольку сокращает количество повторяющихся задач, уменьшает «выгорание» и позволяет лабораторным специалистам сосредоточиться на особо важных задачах, таких как диагностика на основе ИИ и управление роботизированным рабочим процессом. В периоды высокого спроса, например во время пандемии COVID-19 [10], благодаря автоматизации лаборатории смогли выполнять больше работы без непосредственного увеличения численности персонала. Кроме того, повысилась точность, поскольку использование ИИ и автоматизация помогают сократить количество лабораторных ошибок и практически устранить воздействие биологических рисков [11]. Например, применение автоматизированных систем для определения группы крови и исследования на антитела уменьшило вероятность возникновения ошибок на 98 % [12]. В результате улучшения как автоматизированного, так и ручного процесса количество событий типа «неверный образец крови в пробирке» снизилось в 10 раз, а частота ошибок при маркировке образцов — на 47 % [13]. Еще одно важное преимущество — рентабельность, поскольку автоматизация помогает оптимизировать использование ресурсов и исключить ненужные процессы. Проведение исследования на реагирование на основе автоматизированных алгоритмов позволяет избежать ненужных контрольных исследований и, таким образом, гарантирует, что дорогостоящие подтверждающие диагностические исследования выполняются только в случае необходимости. За счет автоматизации и внедрения технологий ИИ и IoT клинические лаборатории не только улучшают текущие рабочие процессы, но также готовятся к более гибкой, направленной в будущее экосистеме здравоохранения.

Следующий этап развития лабораторий: «умнее», быстрее, лучше

Использование портативных и имплантируемых устройств для непрерывного мониторинга и медицинских ботов для диагностики под руководством пациента переносит лаборатории на стадию 4.0 в развитии диагностики — следующий рубеж в области медицинских исследований [15]. За счет объединения передовых цифровых технологий, автоматизации и ИИ на стадии 4.0 в развитии диагностики создаются взаимосвязанные системы, направленные на пациента и работающие в режиме реального времени. Они меняют способ принятия решений в области здравоохранения. По мере того как лаборатории превращаются из «скрытых чемпионов» в центральных игроков в принятии решений, сотрудничество между клиницистами, пациентами и лабораторными специалистами будет становиться все сильнее.

Основные тезисы

• • • Три аспекта — поток образцов, поток данных и поток людей — требуют тонкого баланса. К этому балансу необходимо подходить с точки зрения управления противоположностями, поскольку мы продолжаем искать пути внедрения инноваций, сохраняя при этом хорошие источники управления.

• • • По мере возрастания требований к скорости, точности и эффективности лаборатории начинают быстро внедрять цифровые технологии, такие как автоматизация, ИИ и IoT. Этот переход способствует улучшению рабочих процессов, оптимизации ресурсов и принятию более эффективных клинических решений.

• • • Автоматизированные системы позволяет уменьшить время выполнения исследований, минимизировать вероятность возникновения ошибок и оптимизировать рабочие процессы в лаборатории. Благодаря этому лабораторные специалисты вместо выполнения рутинных задач могут сосредоточиться на сложных диагностических проблемах, что повышает общую производительность.

• • • Анализ данных на основе ИИ, мониторинг с помощью технологии IoT и наработки на основе больших данных позволяют повысить эффективность предиктивной диагностики, предотвратить сбои оборудования и обеспечить доступность данных в реальном времени. Использование этих инструментов помогает повысить эффективность принятия решений с меньшими затратами и потерями ресурсов.

• • • За счет автоматизации повторяющихся задач лаборатории снижают уровень «выгорания» персонала и создают возможности для повышения квалификации в области диагностики на основе ИИ и робототехники. Это гарантирует наличие квалифицированного персонала, готового управлять лабораторными технологиями нового поколения.

• • • Лаборатории составляют основу стадии 4.0 в развитии диагностики, поскольку используют портативные устройства, ИИ и облачные вычисления для диагностики, направленной на пациента, в реальном времени. Эта эволюция усиливает сотрудничество между клиницистами, лабораториями и пациентами и готовит почву для более «умного», быстрого и персонализированного здравоохранения.

Список литературы

[1] Lewandrowski, K.B., Makar, R.S. & Dighe, A.S., 2007. Medicolegal liability in laboratory medicine. Seminars in diagnostic pathology, 24(2), pp. 98–107.

[2] Intelligence, M., n.d. Digital Health Market – Growth, Trends, COVID-19 Impact, and Forecasts (2024–2030). [Онлайн] Доступ по ссылке: https://www.mordorintelligence.com/industry-reports/digital-health-market [Дата доступа: 18 февраля 2025 г.].

[3] Timóteo, M. et al., 2021. Digital Management Systems in Academic Health Sciences Laboratories: A Scoping Review. Healthcare, 9(6), p. 739, https://doi.org/10.3390/healthcare9060739.

[4] Vandendorpe, Justine, et al. Ten Simple Rules for Implementing Electronic Lab Notebooks (ELNs). PLOS Computational Biology, vol. 20, no. 6, 2024, p. e1012170, https://doi.org/10.1371/journal.pcbi.1012170.

[5] Machina, Hari K., and David J. Wild. Laboratory Informatics Tools Integration Strategies for Drug Discovery. Journal of Laboratory Automation, 2012, https://doi.org/10.1177/2211068212454852.

[6] Doddapaneni, Jagan Mohan Rao. Enhancing Laboratory Efficiency and Compliance: A Comprehensive Approach to Scientific Data Management System (SDMS) Integration with LIMS. International Journal of Innovative Research and Creative Technology, vol. 10, no. 5, 2024, pp. 1–10. IJIRCT, ISSN: 2454-5988.

[7] Wen, X., Leng, P., Wang, J. et al. Clinlabomics: leveraging clinical laboratory data by data mining strategies. BMC Bioinformatics 23, 387 (2022). https://doi.org/10.1186/s12859-022-04926-1 [8]Alliance, P., 2024. Lab of the Future Survey Results 2024. [Онлайн] Доступно по ссылке: https://marketing.pistoiaalliance.org/hubfs/Lab%20Of%20The%20Future%20Reports/Lab%20Of%20The%20Future%20Survey%20Results%202024%20.pdf [Дата доступа: 18 февраля 2025 г.].

[9] Ialongo, Cristiano, et al. Total Automation for the Core Laboratory: Improving the Turnaround Time Helps to Reduce the Volume of Ordered STAT Tests. SLAS Technology, vol. 21, no. 3, 2016, pp. 451–458, https://doi.org/10.1177/2211068215581488.

[10] Lu, J., Fan, W., Huang, Z. et al. Automatic system for high-throughput and high-sensitivity diagnosis of SARS-CoV-2. Bioprocess Biosyst Eng 45, 503–514 (2022). https://doi.org/10.1007/s00449-021-02674-9

[11] Da Rin G. Pre-analytical workstations: a tool for reducing laboratory errors. Clin Chim Acta. 2009;404(1):68–74. doi:10.1016/j.cca.2009.03.024

[12] South, Susan F., et al. Exponential Error Reduction in Pretransfusion Testing with Automation. Transfusion, vol. 52, no. 8, 2012, pp. 81S-87S, https://doi.org/10.1111/j.1537-2995.2012.03816.x. [13] Passwater, M. et al., 2022. Adding Automation and Independent Dual Verification to Reduce Wrong Blood in Tube (WBIT) Events. American Journal of Clinical Pathology, 158(2), pp. 212–215. doi:10.1093/ajcp/aqac031

[14] Huang, Wenjie, et al. Clinical Application of Intelligent Technologies and Integration in Medical Laboratories. ILABMED, vol. 1, no. 1, 2023, pp. 82–91, https://doi.org/10.1002/ila2.9

[15] Neumaier M. Diagnostics 4.0: the medical laboratory in digital health. Clinical Chemistry and Laboratory Medicine (CCLM). 2019;57(3):343–348. doi:10.1515/cclm-2018-1088