Актуальность. Повсеместное распространение смартфонов и увеличение их технических возможностей стало предпосылкой для развития мобильного здравоохранения. Мобильные приложения для здоровья выполняют множество функций, они помогают заботиться о питании, планируют физическую нагрузку, напоминают о приёме лекарств и многое другое.

Цель. Оценка функциональных возможностей имеющихся приложений для хранения результатов медицинских исследований.

Материалы и методы. Был проведён систематический поиск и анализ мобильных приложений, используемых для хранения результатов медицинских исследований. Поиск осуществлялся в магазинах приложений «App Store» и «Google Play», поиск научных статей проведен в библиографических базах данных PubMed, Embase и eLIBRARY.

Результаты. В данном обзоре описываются мобильные приложения для хранения и анализа результатов медицинских исследований. Подобные программные продукты используются для хранения информации о здоровье в одном месте. Наиболее перспективными являются приложения с возможностью оцифровки данных и их последующим анализом. Динамически отслеживая изменения лабораторных показателей, они помогают контролировать хронические заболевания, отслеживать изменения в организме, диагностировать патологии и прогнозировать исходы. Выводы. Использование медицинских приложений в системе здравоохранения позволит снизить экономические затраты и вместе с тем увеличить доступность медицинской помощи в отделённых районах.

Введение. На сегодняшний день в связи с общемировым трендом старения населения планеты заболевания сердечно-сосудистой системы остаются на первом месте. При этом все большую популярность начинает приобретать программное обеспечение (ПО) в области мобильной медицины — mHealth. В данной работе мы рассматриваем эффективность использования этого ПО в профилактике сердечно-сосудистых заболеваний.

Материалы и методы. Исследование выполнено в соответствии со стандартом PRISMA. В обзор включены оригинальные исследования за период с 2018 по 2022 гг. Поиск материала произведен по 5 базам данных: Еlibrary, PubMed, Scopus, Google Scholar и ResearchGate.

Результаты и обсуждения. В работу были включены 15 оригинальных клинических исследований. Соотношение публикаций по годам составило: 2021 год — 47%, 2020 год — 40%, 2019 год — 13%. Количество участников исследования варьировалось от 28 до 28 189 человек, медиана — 333. Возраст субъектов составил от 45 до 68,5  лет (М±SD = 59,9±2,1 года). Период наблюдения от 1,5 до 36 месяцев (М±SD = 9,4±2,5 лет). Процент достоверности полученных результатов составлял от 0% до 100%, среднее — 69,7%. Доля публикаций, где достоверная эффективность была доказана на уровне 100%, составила 46,7%, менее, чем в 50% — 26,7%, отсутствие эффективности было выявлено в 6,7% исследований. В 13,3% статей эффективность не была оценена. Большинство исследований было проведено в США — 20%, Великобритании — 13,3%, Китае — 13,3%, России, Бельгии, Германии и Австралии — 6,7%. В 13,3% работ были использованы технологии искусственного интеллекта.

Выводы. Выполненное систематическое исследование наглядно показало, что использование mHealth имеет значительные преимущества по сравнению с традиционными методами профилактики сердечно-сосудистых заболеваний.

В работе рассматривается мировой опыт регулирования использования медицинских данных для целей создания систем искусственного интеллекта (СИИ) с помощью методов машинного обучения. Для успешного внедрения СИИ в медицинскую практику и повышения эффективности принятия клинических и управленческих решений необходимы качественные наборы медицинских данных, для формирования которых в свою очередь требуется соответствующая нормативно-правовая база, учитывающая интересы всех участников на каждом из этапов разработки и использования СИИ.

Обзор зарубежных законодательств проводился для стран лидеров макрорегионов, которые были выбраны исходя из метрик рынка ИИ. На сегодняшний день существуют разные подходы к защите медицинских данных. Из них можно выделить отраслевой подход (США) и межотраслевой (ЕС). Для обеспечения надлежащего баланса между безопасностью пациента и возможностью сбора медицинских данных для разработчиков, необходимо формирование нормативно правовой базы как для межотраслевого, так и отраслевого регулирования.

В статье представлены результаты работы по созданию интеллектуальных средств поддержки принятия решений для диагностики предраковых заболеваний и опухолей слизистой оболочки рта.

Актуальность. Актуальность исследования обусловлена необходимостью повышения качества оказания первичной медико-санитарной помощи пациентам с указанным заболеванием.

Целью работы явилось создание методики интеллектуальной поддержки принятия решений при диагностике опухолевых заболеваний слизистой оболочки полости рта.

Методы проведения работы. Методика основана на обобщении опыта практикующих врачей. На первом этапе исследовались диагностические параметры заболевания. На основе анализа все диагностические данные были разбиты на три большие группы: жалобы пациента, данные осмотра, сопутствующие факторы риска и образа жизни пациентов. При последующем анализе каждая группа данных была представлена набором параметров. Каждой группе параметров и каждому из параметров методом экспертных оценок присвоены соответствующие весовые коэффициенты (показатель «значимости» признака). Для удобства, сумма весовых коэффициентов по каждой группе параметров и по каждому параметру равнялась единице. С помощью этих весовых коэффициентов был осуществлен переход к показателям, позволяющим оценивать ожидание подтверждения предполагаемого прогноза.

Результаты работы. На основании весовых данных путем разработки продукционных моделей знаний и реализации методики нечетких множеств созданы модели, позволяющие оценить степень уверенности в диагнозе. Реализация данной методики позволит врачам — практикам получать обоснованные решения, обобщающие коллективные знания врачей-экспертов. Такие интеллектуальные решения можно рассматривать только как некую подсказку специалисту, а не единственный, безальтернативный вариант. По мере функционирования системы, модели будут уточняться, что повысит эффективность работы экспертной системы.

Выводы. На основании выполненного исследования предложены: новый подход к классификации и выявлена структура параметров, позволяющих предполагать онкопатологию у пациентов; новая формальная методика диагностики онкопатологии слизистой оболочки полости рта, предполагающая выработку тактики ведения пациента; продукционная база знаний для автоматизированной диагностики патологий слизистой оболочки полости рта.

Область применения результатов. Результаты работы могут применяться как дополнительный инструмент, позволяющий врачу сверить свою постановку диагноза, либо выбранную тактику ведения пациента.

Актуальность. Разработка и внедрение медицинских информационных систем позволило упростить и автоматизировать множество процессов в медицинских организациях. Вместе с тем, постоянно накапливаемый объём данных о здоровье пациентов позволяет решать множество задач, связанных с прогнозированием и диагностикой заболеваний.

Цель. Исследование подходов к обработке неструктурированных русскоязычных медицинских текстов и прогнозированию групп заболеваний на основе методов машинного обучения.

Материалы и методы. Исходные данные: Массив деперсонализированных данных медицинских организаций Оренбургской области, содержащий 119 780 записей. Исследуются три подхода к вероятностному прогнозированию групп медицинских заболеваний на основе неструктурированных медицинских текстов жалоб пациентов на русском языке: подход на основе правил, подход на основе логистической регрессии и подход с использованием моделей трансформеров BERT.

Результаты. Сравнительный анализ показывает, что подход с использованием логистической регрессии и метода TfidfVectorizer демонстрирует наилучшие результаты по метрикам Precision (0,8296), F1-score (0,8269) и Matthews’s correlation coefficient (0,7695).

Выводы. Традиционный подход на основе правил является наименее эффективным (Precision = 0,7182) среди исследуемых методов, но при этом позволяет интерпретировать результаты работы классификатора в виде визуализации дерева решений. Подход с использованием логистической регрессии (Precision = 0,8296) и подход с использованием предобученных моделей BERT (Precision = 0,8164) показывают лучшие результаты классификации среди исследуемых методов и в дальнейшем могут послужить базисом для построения и развития систем поддержки принятия врачебных решений и найти применение в работе практикующих терапевтов.

Введение. В контексте преодоления бремени хронических неинфекционных заболеваний особое значение приобретает стратегическое управление отраслью здравоохранения, реализуемое в том числе на основе современных цифровых технологий.

Цель исследования. Разработка инструмента для объективизированной оценки и прогнозирования уровня цифровой зрелости здравоохранения с учетом стратегической важности борьбы с хроническими неинфекционными заболеваниями.

Материал и методы. Проведено аналитическое исследование, включавшее систематизацию международного опыта, анализ и адаптацию принципов мониторинга цифровой зрелости. Валидность и надежность разработанного индекса оценена с привлечением международной экспертной группы.

Результаты и обсуждение. Разработан и валидирован пациент-ориентированный индекс цифровой зрелости системы здравоохранения. На его основе впервые проведена оценка состояния, динамики, и осуществлен прогноз развития цифровой трансформации системы здравоохранения Туркменистана. Впервые системно проанализирована зрелость цифровизации системы здравоохранения Туркменистана. Выявлена положительная динамика от статуса «низкий» в 2018 г. к «развивающийся» в 2021 г. Путем прогнозирования определен оптимальный сценарий развития с достижением статусов «зрелый» и «инновационный» к 2026 г.

Выводы. Валидность и надежность пациент-ориентированного индекса цифровой зрелости системы здравоохранения составили 0,92 [95% ДИ 0,88;0,94] и 0,91 [95% ДИ 0,87;0,94], соответственно.

Цель работы разработать и апробировать методологию оценки зрелости программного обеспечения на основе технологии искусственного интеллекта (ТИИ) для сферы здравоохранения.

Материалы и методы. Методология разработки матрицы зрелости программного обеспечения на основе ТИИ для сферы здравоохранения основана на литературных данных и на анализе собственного практического опыта, полученного в ходе «Эксперимента по использованию инновационных технологий в области компьютерного зрения для анализа медицинских изображений и дальнейшего применения в системе здравоохранения города Москвы» в 2021–2022 гг. Изучены результаты работы 35 отдельных программных продуктов на основе ТИИ, охватывающих основные направления лучевой диагностики.

Результаты. Разработана матрица зрелости, учитывающая показатели технической стабильности — удельный вес технологических дефектов, и диагностическую составляющую — площадь под характеристической кривой. Данная модель апробирована на 35 программных продуктах на основе ТИИ. Зрелости достигли 40% рассмотренных программных продуктов. Для 24 программных продуктов на основе ТИИ проведена оценка динамики развития: 15 из них (62%) находятся в зоне диагностической стагнации; 8 (33%) — в зоне высокого диагностического и технического потенциала, 1 (4%) — в зоне низкого диагностического и технического потенциала и 1 (4%) при развитии диагностического потенциала ухудшил техническую составляющую.

Заключение. По результатам оценки качества работы 35 программных продуктов на основе ТИИ разработана методология оценки зрелости ТИИ для здравоохранения, которая включает в себя матрицу зрелости и метод оценки клинико-технической трансформации зрелости, что позволяет проводить оценку программного продукта на основе ТИИ как дискретно (одномоментно), так и в динамике.