HL7 ДЕРЕКТЕРІН ӨҢДЕУ МЕН СЕМАНТИКАЛЫҚ ИНТЕРОПЕРАБЕЛЬДІЛІКТІ ҚАМТАМАСЫЗ ЕТУГЕ АРНАЛҒАН ГИБРИДТІ ЖАСАНДЫ ИНТЕЛЛЕКТ МОДЕЛІ

Қазіргі денсаулық сақтау жүйелері ауруханалар, зертханалар және цифрлық платформалар арасындағы құрылымдалған ақпарат алмасуға барған сайын тәуелді болып отыр. HL7 v2.x стандарты осындай өзара байланыс үшін негіз болып табылады, алайда оның синтаксисінің өзгермелілігі мен міндетті емес сегменттердің болуы машиналық түсіндіруді қиындатады. Осы мәселені шешу мақсатында құрылымдық оқыту мен семантикалық валидацияны біріктіретін HL7 хабарламаларын автоматтандырылған өңдеуге және жіктеуге арналған гибридті жасанды интеллект моделі әзірленді. Эксперименттік жұмыс барысы 3000 пациенттің өмірлік циклі мен 7000-нан астам ADT хабарламасын қамтитын синтетикалық деректер жиынтығын генерациялаудан, кейін оны парсинг, белгілер инженериясы және бақыланатын оқыту кезеңдерінен өткізу арқылы жүзеге асырылды. Бастапқы классификаторлар ретінде логистикалық регрессия, кездейсоқ орман (Random Forest) және градиенттік бустинг модельдері сыналды. Сонымен қатар, атаулы нысандарды тану (Named Entity Recognition) мен тұрақты өрнектерді (Regular Expressions) біріктіретін семантикалық қабат іске асырылды. Бұл дәрігердің аты-жөні, медициналық ұйымның атауы және диагноз индикаторлары сияқты контекстік белгілерді ескеруге мүмкіндік берді. Қайта оқытудан кейін ансамбльдік модельдер айтарлықтай жақсару көрсетті: Random Forest моделінің дәлдігі 9,3%-ға, ал F1 көрсеткіші 7,0%-ға артты. Нәтижелер семантикалық белгілерді қосу модельдің түсіндірілгіштігі мен тұрақтылығын арттыратынын, сондай-ақ құрылымдық хабарламаларды синтаксистік талдау мен олардың мағыналық мазмұнын түсіну арасындағы алшақтықты қысқартатынын дәлелдеді. Ұсынылған гибридті деректерді өңдеу конвейері интероперабельділік саласындағы интеллектуалды шешімдерді әзірлеу мен FHIR стандартымен үйлесімді жаңа буындағы медициналық деректер алмасу жүйелерін құрудың негізі бола алады.

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