Новицкий Р. Э. - все статьи автора в журнале
-
2009 № 2 Использование технологий Microsoft в реализации Псковского проекта автоматизации системы здравоохранения регионального уровня
-
2008 № 2 Обзор отечественных лабораторных информационных систем
-
2020 № 4 Технологии прогнозной аналитики в борьбе с пандемией COVID‑19
В последнее время новая коронавирусная инфекция или COVID‑19, вызванная возбудителем SARS-CoV‑2,
продолжает быстрое распространение по всему миру. По мнению Всемирной организации здравоохранения (ВОЗ), объявившей эту вспышку пандемией, COVID‑19 является серьезной проблемой для общественного здравоохранения, имеющей международное значение. Из-за отсутствия доказанного эффективного лечения и вакцинации против COVID‑19 меры предосторожности считаются ВОЗ стратегическими целями и основным способом противодействия пандемии. Руководствам стран рекомендовано принять национальные программы медицинского обслуживания, направленные на оценку и снижение риска распространения инфекции. На этом фоне технологии прогнозной аналитики стали активно использоваться для составления популяционных и персональных прогнозов развития заболеваемости, смертности, оценки тяжести течения
болезни и т. д. В данной статье представлен обзор имеющихся разработок и публикаций по теме применения прогнозной аналитики для борьбы с пандемией COVID‑19. -
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.
-
2019 № 2 pdf Тренды и прогнозы развития медицинских информационных систем в России
В настоящее время в России в целом сформирован рынок программных продуктов для медицины и здравоохранения. Требования государства к развитию информационных технологий для медицины постоянно растут. Начиная с 2019 года объем финансирования будет существенно увеличен. Главной статьей затрат в 2019–2024 гг. будет разработка, развитие и внедрение различных информационных систем для регионального здравоохранения, предусмотренных федеральной программой «Создание единого цифрового контура в сфере здравоохранения». В работе систематизированы наблюдения авторов и прогнозы о том, какие же главные тренды окажут наибольшее влияние на изменение рынка медицинских информационных систем (МИС), и к чему это приведет. Среди основных драйверов и прогнозов рынка: концентрация внимания врача и разработчиков МИС не вокруг ведения электронных документов, а вокруг различных аспектов здоровья и жизни пациента. В области управления взаимоотношениями с пациентами начнется внедрение в практику концепции Patient Relationship Management (PRM). К МИС будут расти требования в части оптимизации лечебно-диагностических процессов, поддержки клинических протоколов и непрерывного аудита качества оказания медицинской помощи. Продолжится развитие систем в сторону централизации, перехода на «облачную» модель работы, включая SaaS, а также импортозамещения. Число разработчиков будет постепенно сокращаться, что приведет к консолидации и укрупнению рынка. Будет расти спрос на интеграцию в МИС систем поддержки принятия врачебных решений, построенных с помощью машинного обучения. Все это в комплексе будет способствовать цифровой трансформации отрасли.