ГИБРИДНАЯ МОДЕЛЬ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ОБРАБОТКИ ДАННЫХ HL7 И ОБЕСПЕЧЕНИЯ СЕМАНТИЧЕСКОЙ ИНТЕРОПЕРАБЕЛЬНОСТИ

Современные системы здравоохранения все в большей степени зависят от структурированного обмена информацией между больницами, лабораториями и цифровыми платформами. Стандарт HL7 v2.x служит основой для такой коммуникации, однако его вариативный синтаксис и наличие необязательных сегментов создают сложности для машинной интерпретации. Для решения этой проблемы была разработана гибридная модель искусственного интеллекта, предназначенная для автоматизированной обработки и классификации HL7-сообщений, объединяющая структурное обучение и семантическую валидацию. Экспериментальный рабочий процесс включал генерацию синтетического набора данных, содержащего 3000 жизненных циклов пациентов и свыше 7000 сообщений ADT, с последующим этапом парсинга, инженерии признаков и обучения с учителем. В качестве базовых классификаторов были протестированы модели логистической регрессии, случайного леса и градиентного бустинга. Дополнительно была реализована семантическая надстройка, объединяющая методы распознавания именованных сущностей (Named Entity Recognition) и регулярных выражений, что позволило учитывать контекстные признаки, такие как имена врачей, наименования медицинских учреждений и диагностические индикаторы. После повторного обучения ансамблевые модели продемонстрировали заметное улучшение: точность модели Random Forest увеличилась на 9,3%, а F1мера – на 7,0%. Полученные результаты подтверждают, что добавление семантических признаков повышает интерпретируемость модели и ее устойчивость, устраняя разрыв между синтаксическим разбором структурированных сообщений и пониманием их смыслового содержания. Предложенный гибридный конвейер обработки данных может стать основой для интеллектуальных решений в области интероперабельности и разработки совместимых с FHIR систем обмена медицинскими данными нового поколения.

1. Rigas, E.S., Lagakis, P., Karadimas, M., Logaras, E., Latsou, D., Hatzikou, M., Poulakidas, A., Billis, A., and Bamidis, P.D. Semantic interoperability for an AI-based applications platform for smart hospitals using HL7 FHIR. Journal of Systems and Software, 215, 112093 (2024). https://doi.org/10.1016/j.jss.2024.112093

2. Kiourtis, A., Mavrogiorgou, A., Menychtas, A., Maglogiannis, I., and Kyriazis, D. Structurally mapping healthcare data to HL7 FHIR through ontology alignment. Journal of Medical Systems, 43 (3), 62 (2019). https://doi.org/10.1007/s10916-019-1183-y

3. Nandal, A. Optimizing interoperability in healthcare: AI-driven HL7 and FHIR implementations for seamless data exchange. Health Informatics Journal (2024). https://doi.org/10.63278/jicrcr.vi.3169

4. Nopour, R. Using FHIR for data sharing: A scoping review of challenges and facilitators in healthcare settings. International Journal of Medical Informatics, 106128 (2025). https://doi.org/10.1016/j.ijmedinf.2025.106128

5. Williams, E., Kienast, M., Medawar, E., Reinelt, J., Merola, A., Klopfenstein, S.A.I., Flint, A.R., Heeren, P., Poncette, A.-S., Balzer, F., Beimes, J., von Bünau, P., Chromik, J., Arnrich, B., Scherf, N., and Niehaus, S. A standardized clinical data harmonization pipeline for scalable AI application deployment (FHIR-DHP): Validation and usability study. JMIR Medical Informatics, 11 (3), e43847 (2023). https://doi.org/10.2196/43847

6. Talvik, H.-A., Oja, M., Tamm, S., Mooses, K., Särg, D., Lõo, M., Siimon, Õ.R., Šuvalov, H., Kolde, R., Vilo, J., Reisberg, S., and Laur, S. Repeatable process for extracting health data from HL7 CDA documents. Journal of Biomedical Informatics, 150, 104765 (2024). https://doi.org/10.1016/j.jbi.2024.104765

7. Loh, H.W., Ooi, C.P., Seoni, S., Barua, P.D., Molinari, F., and Acharya, U.R. Application of explainable artificial intelligence for healthcare: A systematic review of the last decade (2011–2022). Computer Methods and Programs in Biomedicine, 227, 107161 (2022). https://doi.org/10.1016/j.cmpb.2022.107161

8. Holzinger, A., Dehmer, M., Emmert-Streib, F., Cucchiara, R., Augenstein, I., Del Ser, J., Samek, W., Jurisica, I., and Díaz-Rodríguez, N. Information fusion as an integrative cross-cutting enabler to achieve robust, explainable, and trustworthy medical artificial intelligence. Information Fusion, 79, 263–278 (2022). https://doi.org/10.1016/j.inffus.2021.10.007