Системы поддержки принятия решений
  • 2020 № 4 Информационная система добврачебной оценки риска возникновения неинфекционных заболеваний

    В статье представлено описание концептуального подхода к автоматизации алгоритма доврачебной оценки
    факторов риска возникновения неинфекционных заболеваний с целью раннего выявления заболеваний и их последующего мониторинга. Представленная информационная система позволит проводить расчет факторов риска неинфекционных заболеваний, обеспечить динамическое наблюдение, создать единый реестр доврачебных обследований. Информационная система разработана на базе разработанного ранее алгоритма доврачебной оценки риска возникновения неинфекционных заболеваний [6], и позволяет предварительно выявлять факторы риска неинфекционных заболеваний среди широких масс населения без проведения дорогостоящих анализов и без привлечения высококвалифицированных медицинских работников.

    Авторы: Суетина Т. А. [3] Китаева Э. А. [3] Китаев М. Р. [3] Абдулганиева З. А. [2] Бакирова Э. А. [1]

    Темы: динамический мониторинг1 здравоохранение16 информационная система12 неинфекционные заболевания1 раннее выявление1 факторы риска5

    Подробнее >

  • Системы поддержки принятия врачебных решений
  • 2015 № 1 Прогнозирование риска развития послеоперационных осложнений при травматических повреждениях поджелудочной железы.

    Статья посвящена актуальной проблеме хирургического лечения травматических повреждений поджелудочной железы. А именно, выявлению значимых факторов риска послеоперационных осложнений на основе многомерного статического анализа методом логистической регрессии. Авторами составлена модель прогноза специфических послеоперационных осложнений с высокими показателями согласия и клинической значимостью.

    Авторы: Санников. А. Г. [26] Шнейдер В. Э. [1]

    Темы: математическое моделирование4 поджелудочная железа1 послеоперационные осложнения1 прогноз6 система поддержки принятия решений8 травматические повреждения1 факторы риска5

    Подробнее >

  • Региональные проекты информатизации
  • 2017 № 1 Разработка функциональных задач и структуры региональной информационной системы мониторинга родовспоможения Тульской области.

    В статье предложен способ автоматизации мониторинга беременных Тульской области с учётом осо- бенностей организации акушерско-гинекологической помощи региона. Разработаны функциональные задачи для автоматизированный системы мониторинга беременных, позволяющие реализовывать трёхуровневую курацию беременных с учётом исполнения действующих нормативно-правовых аспектов оказания акушерско-гинекологической помощи. Предложена модель структуры системы мониторинга родовспоможения, позволяющая автоматизировать процессы курации беременных на всех уровнях наблюдения, автоматизировать процессы по оценке и мониторингу перинатальных рисков.

    Авторы: Волков В. Г. [1] Аванесян О. А. [1] Козина Е. А. [1] Копырин. И. Ю. [2]

    Темы: акушерско­гинекологическая помощь1 группы риска1 информатизация здравоохранения32 система мониторинга родовспоможения1 факторы риска5

    Подробнее >

  • Искусственный интеллект в здравоохранении
  • 2019 № 3 pdf Перспективы использования методов машинного обучения для предсказания сердечно-сосудистых заболеваний

    Заболеваемость и смертность от сердечно-сосудистых заболеваний (ССЗ) остается лидирующей на протяжении последних десятилетий в всем мире. Методы первичной профилактики, основанные на управлении факторами сердечно-сосудистого риска, являются наиболее эффективными для снижения бремени ССЗ. В профилактической медицине для управления рисками ССЗ используются рискометры – шкалы, полученные в результате длительных проспективных исследований. Но практическое применение разработанных шкал показало ограничения в точности прогнозирования. Машинное обучение дает возможность повысить точность прогнозирования сердечно-сосудистого риска за счет нелинейных взаимосвязей их более глубокой настройки между факторами риска и результатами заболеваний. Используя данные 2236 пациентов, нами была обучена модель по признакам, используемым в построении фрамингемской шкалы. Мы сравнили полученную модель и Фрамингемскую шкалу на точность прогнозасердечно-сосудистого события. Так, по ROC анализу для Фрамингемской шкалы показатели следующие: точность Accuracy: 70,0%, качество AUC: 0.59. При этом для модели, полученной с использованием машинного обучения, аналогичные показатели составили: Accuracy: 78,8%, AUC: 0.84. Таким образом, использование алгоритмов машинного обучения, включая алгоритмы глубокого обучения, могут значительно повысить точность прогнозирования сердечно-сосудистых рисков обученных моделей.

    Авторы: Гусев А. В. [32] Новицкий Р. Э. [5] Гаврилов Д. В. [4] Кузнецова Т. Ю. [2] Корсаков И. Н. [1] Серова Л. М. [2]

    Темы: здравоохранение16 искусственный интеллект13 машинное обучение9 медицина6 оценка рисков развития заболеваний1 сердечно-сосудистые заболевания4 факторы риска5

    Полная версия статьи в формате PDF
    3.7 МБ

    Подробнее >

  • Автоматизированная аналитика в здравоохранении
  • 2016 № 5 Аналитическая обработка баз данных внедренных информационных систем.

    В статье определена возможность использования существующих медицинских информационных систем, внедренных на базе медицинских учреждений Тюменской области в изучении проблем общественного здоровья. На основе баз данных автоматизированной информационной системы «Судебно-психиатрическая экспертиза» проанализированы заключения амбулаторной судебно-психиатрической экспертизы Тюменской области за 2005–2014 годы. Выявлены факторы риска, приводящие больных органическим поражением головного мозга к совершению общественно опасных действий. К таким факторам отнесены: мужской пол, возраст до 30 лет, диагноз «умственная отсталость». Статистически доказано, что лица с данным набором факторов совершают преступления по 159 и 161 статьям Уголовного кодекса Российской Федерации. Впоследствии большинство подэкспертных признаются вменяемыми. В статье предложены возможные меры по первичной профилактике общественно опасных действий больных с органическим поражением головного мозга.

    Авторы: Захаров. С. Д. [5] Свальковский А. В. [2]

    Темы: базы данных3 медицинская информационная система72 общественно опасные действия1 органическое поражение головного мозга1 профилактика3 психиатрия1 судебно-психиатрическая экспертиза1 факторы риска5

    Подробнее >