Статьи с темой: «здравоохранение»
-
2017 № 3 Реинжиниринг общественного здравоохранения, основанный на персоноцентрированной модели, гибридных проектных подходах и методах искусственного интеллекта
В работе рассмотрена модель общественного здравоохранения нового типа, возникающая на платформе технологической революции информационных систем. Авторами приведено описание ключевых методов управленческого, технологического и математического взаимодействия с коллективной информационной инфраструктурой системы здравоохранения, которые окажут наибольшее влияние на происходящие изменения и составят основу цифрового общества, цифровой экономики и общественного здравоохранения нового типа. Методы рассмотрены с точки зрения их влияния на формирование новых подходов в процессе трансформации укладов экономики и общества. Представлена модель персоноцентрированной системы здравоохранения, обобщены ее ключевые преимущества, изложены подходы к гибкой проектной реализации процесса перехода к новой модели
-
2017 № 3 Организационная телемедицина
Разработаны научные основы организационной телемедицины как нового направления применения информационно-телекоммуникационных технологий в системе охраны здоровья граждан. Определена терминология, принципы и роль телемедицины в области организации здравоохранения и общественного здоровья. Показаны преимущества использования организационной телемедицины для совершенствования организации оказания медицинской помощи в системе национального и ведомственного здравоохранения РФ. Предлагается новый взгляд на телемедицину, как на инструмент маневра ресурсами здравоохранения для оперативного изменения объема и уровня оказания медицинской помощи в интересах широких контингентов населения. Показана интеграционная роль организационной телемедицины в комплексном применении различных информационных технологий в здравоохранении
-
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. -
2011 № 3 О возможности снижения затрат на защиту персональных данных в медицинских организациях
Аннотации. Рассмотрены основные способы и методы снижения расходов на защиту персональных данных в медицинских организациях. Даны определения основных понятий и терминов. Приведены ссылки на основные нормативные и методические документы и стандарты.
-
2016 № 3 Технология Больших Данных в медицине и здравоохранении России и мира
Рассмотрена траектория научно-технологического развития и коммерческие перспективы технологий «Большие Данные» (англ. Big Data) в области здравоохранения в мире и России. Выполнен патентно-конъюнктурный анализ направлений Big Data в медицине. Показан высокий потенциал формирования новых рынков и рыночных ниш для услуг и сервисов в данной области. Выявлены основные тренды эволюции технологических решений Big Data в области здравоохранения. Дана оценка глобальной конкурентоспособности российских разработок Big Data в области медицины.
-
2013 № 1 Расчет затрат на выполнение медицинской услуги на основе ресурсной модели
Описана методика расчета нормативных затрат на выполнение медицинской услуги, разработанная в соответствии с новыми правилами обязательного медицинского страхования. Приведены основные формулы расчета затрат на основе ресурсной модели медицинской услуги. Перечислены основные проблемы, связанные с идентификацией и классификацией ресурсов.
-
2013 № 1 Опыт организации информационной системы в центре высоких медицинских технологий
В статье рассматривается опыт построения информационной системы в Центре высоких медицинских технологий, особое внимание уделяется применению комплексного подхода к построению информационной системы решения задачи автоматизации лечебного учреждения, подводятся итоги и рассматривается эффективность использования медицинской информационной системы в Федеральном центре травматологии, ортопедии и эндопротезирования.
-
2011 № 5 Инструментальные средства управления, мониторинга и оценки программ в здравоохранении Российской Федерации.
С использованием методов семантического моделирования и реляционной алгебры была разработана модель предметной области мониторинга и оценки (МиО) программ в здравоохранении для построения web-ориентированной информационной системы управления программами (ИСУП) с функциями МиО. Приведены методические подходы к МиО программ, описаны состав, функции и алгоритмы разработанного программного обеспечения (ПО). Показаны результаты внедрения систем управления для ряда программ в здравоохранении России.
-
2015 № 3 Опыт формализации процессов и формирования функциональных требований к медицинским информационным системам учреждений здравоохранения в области трансфузиологии ИТ и диагностические системы.
В статье приведены основные задачи и тенденции развития информационных технологий в здравоохранении. Описан международный и российский опыт стандартизации и систематизации требований к уровню формализации и качеству как процессов оказания медицинской помощи, так и внедрения в них информационных систем. В качестве примера реализации подхода к формализации процессов и формирования функциональных требований к медицинским информационным системам приводится реализация и формализация требований отделения трансфузиологии ФГБУ «ФНКЦ ДГОИ им. Дмитрия Рогачева» Минздрава России.
-
2019 № 1 Интеллектуальная информационно-аналитическая система Maximus для медицины и здравоохранения
статье рассмотрены актуальность, назначение, функции и возможности интеллектуальных информационно-аналитических модулей систем управления лечебно-диагностическими процессами на основе использования системы Maximus в региональной сети клиник концерна Нефросовет, а также применительно к медицине и здравоохранению России в целом.Обоснована важность автоматизации сбора информации, начиная от процесса диагностики и лечения и до среднего и верхнего уровней анализа и отчётности. Представлена линейка программных сервисов бизнес-аналитики и системы поддержки принятия решений на примере нефрологической службы с гемодиализом, осложнениями и сопутствующими заболеваниями:
центр управления процессами, визуальный аналайзер параметров ЛДП и репортинг, аналитический регистр пациентов, диагностическая машина, причинно-следственная модель пациента, программы диагностики и лечения и др. Архитектура системы является сервис-ориентированной, многоплатформенной. Описаны структуры подсистем BI и СППР Maximus, а также архитектура одного из основных сервисов – программ диагностики и лечения. Приведены используемые современные информационные технологии для управления бизнес-процессами, показаны некоторые пользовательские интерфейсы и решения. -
2013 № 3 Расчет затрат на выполнение стандарта медицинской помощи
Описана методика расчета нормативных затрат на выполнение стандарта медицинской помощи, разработанная в соответствии с новыми правилами обязательного медицинского страхования. Приведены основные формулы расчета затрат на основе ресурсной модели стандарта.
-
2017 № 3 pdf Перспективы нейронных сетей и глубокого машинного обучения в создании решений для здравоохранения
В работе приведен обзор перспектив применения нейронных сетей и глубокого машинного обучения в создании систем искусственного интеллекта для здравоохранения. Приводится определение и пояснения по технологиям машинного обучения и нейронных сетей. Представлен обзор уже реализованных проектов применения искусственного интеллекта, а также дается прогноз наиболее перспективных, по мнению автора, направлений развития в ближайшее время
-
2018 № 3 pdf Основные рекомендации к созданию и развитию систем на базе искусственного интеллекта
Искусственный интеллект становится одним из основных драйверов в решении серьезных проблем медицины и здравоохранения, таких как недостаточность ресурсов, дальнейшее повышение эффективности, качества и скорости работы. Во всем мире создаются все новые и новые решения в этой области. Однако, чем больше появляется новых продуктов, тем больше вопросов и проблем поднимается.
В работе проанализированы некоторые зарубежные публикации и результаты исследований, в которых изучались основные проблемы, связанные с созданием и внедрением систем искусственного интеллекта в здравоохранении. В результате анализа был сформулирован ряд практических рекомендаций, которые помогут повысить вероятность успешного создания и внедрения таких продуктов в практическом звене здравоохранения. -
2020 № 2 pdf Технологии искусственного интеллекта в медицине и здравоохранении: позиции России на глобальном патентном и публикационном ландшафте
Представлен обзор мер государственной политики, направленных на развитие технологий искусственного интеллекта (ИИ) в мире и в России. С целью оценить конкурентоспособность отечественных разработок, созданных для использования технологий ИИ в медицине и здравоохранении, выполнен наукометрический и патентный анализ направления за период 2010–2019 гг. На основе анализа фронтов исследований по методологии Essential science indicators выявлены наиболее перспективные на сегодняшний день исследовательские стратегии. Показано, что на глобальном публикационном ландшафте Россия занимает 27-ую позицию в мире по числу публикаций, посвященных применению ИИ в здравоохранении: на долю российских исследователей приходится менее 1% публикаций, проиндексированных в Web of science. Для вхождения в топ 5 стран по публикационной активности в этом тематическом кластере России необходимо увеличить число публикаций более, чем в 6 раз. Из 16 компаний, аффилиации которых указаны в публикациях с участием российских авторов, 13 являются зарубежными. В целом, только 14% публикаций в тематической категории «Сomputer science, artificial intelligence», выполнены в коллаборации с индустриальным сектором.
На ландшафте, сформированном патентными документами, защищающими технические решения в области ИИ в медицине, Рос сия занимает позиции, не подтверждающие ее намерения вступить в борьбу за перспективные рынки товаров и услуг, созданные на базе этих технологий. В области разработок ИИ медицинского назначения число патентов РФ, выданных нерезидентам страны, существенно превосходит число отечественных правообладателей. Обнаружены всего 12 патентов российских разработчиков технологий ИИ для здравоохранения, выданные зарубежными патентными ведомствами. -
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.
-
2015 № 1 Использование формата Open UMS для формализации медицинского документооборота.
В статье рассматривается вопрос формирования медицинских документов средствами медицинской информационной системы UMS Аврора с использованием формата OPENUMS. Предложенный подход позволяет при сохранении возможности правильной интерпретации данных обеспечить хранение таких сведений в электронном виде, пригодном для формирования необходимой статистической отчетности и проведения различного рода исследований, и быстро адаптировать конфигурацию для нужд медицинского учреждения различной специализации.