Портал ригла обучение: Портал обучения и развития

Содержание

У аптечной сети Ригла стартовал новый курс обучения сотрудников

В начале марта в рамках корпоративного проекта «Карьера» аптечной сети «Ригла» (ГК «Протек») начала обучение новая группа сотрудников, претендующих в дальнейшем на вакансии директоров аптек в компании.

Требования к соискателям – необходимый стаж работы в компании и общий фармацевтический стаж, успешное прохождение первичного теста и вводного интервью с HR и представителем бизнеса.

Первый этап обучения проводится в режиме онлайн на корпоративном портале обучения и развития. Для изучения предоставлены презентации и курсы, закрепить результаты позволяет online-тестирование. Второй этап – очное обучение, вебинары. Кандидат проходит функциональные, профессиональные и личностные тренинги и семинары, обучение ведут штатные бизнес-тренеры или ключевые сотрудники компании. Далее предстоит стажировка в аптеке и итоговое собеседование с управляющими. При успешном прохождении всех этапов сотрудник зачисляется в кадровый резерв, а при наличии вакансии рекомендуется для назначения на вышестоящую должность.

Всего в компании «Ригла» выпускается четыре группы участников проекта «Карьера» в год.

Программа стартовала в пилотном режиме в Московском регионе, затем охватила все региональные филиалы сети «Ригла».

Проект «Карьера» состоит из трех ступеней. Первая предназначена для первостольников – после прохождения курса они могут быть назначены на имеющиеся в компании вакансии директоров аптек. Вторая ступень – возможность для руководителей аптек стать управляющими директорами (2-3 аптеки в управлении). Третья ступень – для управляющих директоров, планирующих возглавить объединение в 25 и более аптек.

«В 2017 мы запустили проект с акцентом на развитии первостольников, готовили их к следующему карьерному шагу – должности директора аптеки. Уже по итогам года доля внутренних переводов на позицию «директор аптеки» составила без малого 43% от общего числа зачисленных на данную вакансию. С 2018 года возможности принять участие в проекте появились у директоров и управляющих директоров. Благодаря проекту «Карьера» компания компенсирует острый дефицит специалистов, который испытывает фармрозница. Кроме того, управленческие позиции занимают кандидаты, знающие особенности бизнес-процессов компании, обладающие необходимыми знаниями и умениями, продемонстрировавшие свою эффективность и горячо поддерживающие ее ценности. В будущем мы планируем активно развивать вторую и третью ступени проекта, автоматизировать ряд процессов. Возможности карьерного роста для наших сотрудников – одна из приоритетных задач работы с персоналом и одно из важных преимуществ работы в нашей компании», – отметила

заместитель генерального директора по работе с персоналом аптечной сети «Ригла» Ольга Котельникова.

Источник: ГК Протек

Вакансия Фармацевт-провизор в Санкт-Петербурге, работа в компании Ригла, сменный график работы

Наша компания представляет собой крупную федеральную аптечную сеть под брендами «Ригла», «Живика» и «Будь Здоров».

На данный момент мы открыли более чем 3300 аптек в 62 регионах Российской Федерации. Ригла — это команда профессионалов, передовые технологии аптечного бизнеса, широкий ассортимент и только качественные товары.

В связи с открытием новых аптек требуются фармацевты/провизоры.

Обязанности:

• Продажи лекарственных средств и изделий медицинского назначения;
• Профессиональная консультация клиентов;
• Соблюдение фармацевтического порядка.

Требования:

• среднее специальное или высшее фармацевтическое образование;
• наличие сертификата специалиста и действующей медицинской книжки;
• навыки работы с кассовым аппаратом;
• знание ассортимента лекарственных препаратов;
• ответственность;
• опыт работы в аптеке (для выпускников предоставляется возможность оплачиваемой стажировки).

Условия:

Федеральная аптечная сеть «Ригла» — лидер фармацевтического рынка: компания 1 по выручке и товарообороту, 3 бренда: «Ригла», «Будь здоров», «Живика», 20 лет на рынке — 20 лет зарплата вовремя, сегодня более 13300 сотрудников выбрали «Риглу», приглашает присоединиться к команде профессионалов.

• Оформление по ТК РФ
• Полностью официальная заработная плата (своевременность всех выплат, пенсионные отчисления в полном объеме)
• Продление сертификатов и медицинских книжек
• Помощь и обучение наставника
• Адекватное и понимающее руководство
• Зарплата всегда вовремя
• Программа карьерного роста
• График работы 2/2
• Бесплатная медицинская спецодежда
• Корпоративный учебный портал по всему ассортименту лекарственных препаратов и не только
• Ротация по программе «Работа рядом с домом»
• Работа в крупнейшей развивающейся фармацевтической сети аптек на территории РФ

Автоматизация документооборота. Аптечная сеть «Ригла»

Ситуация

ООО «Ригла» – межрегиональная аптечная сеть, являющаяся одним из крупнейших и перспективных лидеров розничного фармацевтического рынка – входит в группу компаний «Протек», численность персонала которой превышает десять тысяч человек. За годы своего существования компания добилась уникальных результатов в построении сетевой структуры, открыв более четырехсот аптечных учреждений в Москве, Волгограде, Санкт-Петербурге, Нижнем Новгороде, Краснодаре, Саратове и других городах России.

В связи с наличием сложной территориальной структуры в компании «Ригла» для обеспечения нормального функционирования и контроля использования денежных средств были стандартизованы бизнес-процессы по утверждению заявок на выполнение различных работ внутри компании, в том числе, в департаменте IT. Для этого были разработаны типовые бумажные формы, определены маршруты их согласования и утверждения и формализованы политики их хранения.

По мере дальнейшего развития компании, использование бумажных документов становилось все менее эффективным. Процессы утверждения затягивались вследствие отсутствия уполномоченных лиц на рабочем месте, либо их загруженности, невозможности параллельного выполнения несвязанных задач; часть заявок утрачивалась в процессе утверждения; бумажное хранилище пополнялось новыми документами. Все это приводило к простоям, непроизводительным потерям времени руководителей, рядовых работников и IТ-специалистов, увеличению затрат на обработку и хранение заявок, что в конечном счете снижало эффективность деятельности компании в целом.

В результате руководством компании было принято решение о переводе внутреннего документооборота в электронный вид. Реализации такого проекта в значительной степени препятствовала сложность бизнес-процессов ООО «Ригла»: сочетание последовательного и параллельного согласования, наличие большого количества возвратов и условных переходов – что делало невозможным использование коробочных решений по автоматизации документооборота.

Решение

После детальных консультаций со специалистами Microsoft и Softline в качестве платформы для автоматизации был выбран продукт компании Microsoft – Microsoft Office SharePoint Server 2007, позволяющий реализовать систему электронного документооборота в масштабах предприятия с использованием набора программных компонентов и инструментов для построения workflow-приложений – Windows Workflow Foundations.

В рамках первого этапа перед специалистами Softline Consulting Services – консалтингового подразделения компании Softline – была поставлена задача реализовать пилотный проект по автоматизации процесса утверждения заявок в IТ-департамент компании на предоставление доступа к информационным ресурсам, тем самым, повысить скорость их согласования и снизить трудозатраты на данном процессе.

В ходе проекта длительностью около двух месяцев было проведено предпроектное обследование с целью описания существующих бизнес-процессов и их оптимизации и подготовлено техническое задание на разработку и внедрение электронной системы управления заявками на базе Microsoft Office SharePoint Server 2007.

В результате анализа был автоматизирован рабочий процесс по утверждению заявки с распределением до 10 ролей, привязанных к Active Directory, а физическая форма самой заявки была переведена в электронный вид. Были созданы приложения и справочники, доступ к которым предоставляется пользователям, участвующим в процессе согласования. В справочнике операций прописаны все варианты доступа и полномочия пользователей (чтение, запись, выполнение), а также роли сотрудников, участвующих в процессе утверждения заявки.

Результаты

Реализованная система согласования заявок обладает следующими очевидными преимуществами:

Cуществует мониторинг всех рабочих процессов, а также система отчетности, позволяющая отследить ход выполнения процесса, статус выполнения задач всеми участниками; увидеть, на каком этапе процесс остановился.
Предусмотрена возможность выгрузки отчета в Microsoft Excel для анализа и оценки длительности процесса на каждом этапе (в настоящее время согласование занимает от недели до одного месяца) и применения необходимых мер для его продолжения в случае остановки.
Предусмотрен режим оповещения о назначении задачи по согласованию заявки в Outlook.
Предусмотрена возможность переназначения задачи на другого участника (например, в случае отсутствия ответственного лица на рабочем месте (по болезни, нахождении в командировке, отпуске и т. п.).

Независимость работы системы от конкретного сотрудника: все задачи назначаются с учетом роли пользователя в системе, что обеспечивает работоспособность системы в случае увольнения/перемещения сотрудника, ответсвенного за выполнение определенной задачи.
Сокращены физические потери документов.

На следующем этапе проекта по автоматизации документооборота в компании «Ригла» запланировано использование электронных форм в режиме оффлайн для сети аптек впромышленном масштабе и их последующая синхронизация. В случае успешного результата работы системы планируется автоматизировать процесс согласования служебных записок, нормативных документов и договоров.

«В последнее время отмечается тенденция, при котором постоянный рост компаний обуславливает увеличивающуюся сложность бизнес-процессов, делая невозможным применение коробочных решений для их автоматизации. В данном случае, разработка специализированной системы для автоматизации процессов, сопряженных с документооборотом, на платформе SharePoint является, на наш взгляд, оптимальным решением», –

Роман Романцов, руководитель отдела продаж SoftlineConsulting Services.

Работа в аптечной сети Ригла

Что самое сложное и самое приятное в работе первостольника?

Я бы говорила не о сложностях, а о нюансах, которые необходимо учитывать в нашей работе. Первый нюанс — первостольник постоянно общается с покупателями. Поэтому он должен уметь слушать и слышать, «делать перевод» с языка потребностей на язык рекомендаций Другой нюанс заключается в том, что нужно уметь держать в голове большой объем информации и быстро в нем ориентироваться.

Например, клиент может попросить подробно рассказать о том или ином препарате. И провизор должен в этом помочь. А препаратов у нас очень много, регулярно появляются новые. Все их необходимо запомнить, не перепутать. Третий нюанс специфический — работа на ногах. Иногда бывает тяжело чисто физически Но мы справляемся! Если же говорить о бонусах, то это возможность самому влиять на свой доход, удобный график работы два через два, аеще — выбрать аптеку рядом с домом.

На нашем корпоративном портале работает уникальный сервис: можно указать свой адрес, интересующую должность в аптеке, время, которое ты готов потратить на дорогу (на транспорте или пешком), и увидеть на карте имеющиеся вакансии и откликнуться на них. Или подписаться на уведомления в случае, если подходящих предложений на данный момент нет. Внутри нашей сети широко практикуются переходы сотрудников из одной аптеки в другую. А самое приятное в моей работе — осознавать, что я помогаю людям. Это окупает и сложности, и неудобства. Становится тепло, когда человек через какое-то время приходит к тебе с благодарностью.

«Протек» открыл университет

Каждому работнику аптеки важно постоянно повышать уровень своих знаний: разбираться в законодательных нововведениях, знакомиться с выходящими на рынок препаратами, осваивать тонкости общения с покупателями.

Но как это сделать без отрыва от работы?

Университет «Протека» в цифрах:

✔ 5 лекций в месяц
✔ От 1500 просмотров каждой лекции аптеками
✔ Количество просмотров во 2-м полугодии 2016 года выросла в 3 раза по сравнению с 1-м полугодием

Выход есть! ЦВ «Протек» разработал проект дистанционного обучения Университет «Протека» для фармацевтов и предлагает заведующим и первостольникам получить бесплатное дополнительное образование на рабочем месте. Дистанционное обучение проходит в формате видеолекций, которые размещаются на Портале клиента ЦВ «Протек». То есть аптеке для получения знаний нужно просто зайти на Портал!

Лекции размещаются в виде контента, поэтому к ним есть доступ постоянно, их можно посмотреть в любое удобное время и пересмотреть при необходимости.

Темы видеолекций носят прикладной характер. В них работники аптеки найдут все, что может пригодиться в ежедневной практике. Первостольники смогут разобраться в тонкостях выбора лекарственных средств, обновят навыки общения с клиентами, раскроют секреты аптечного мерчендайзинга. Заведующие аптекой также найдут в видеолекциях на Портале клиента много интересного: эффективные приемы ценообразования, управление персоналом, выгодное сотрудничество с поставщиками, получат разъяснения по актуальным юридическим вопросам и т.д. После просмотра лекций можно проверить свои знания с помощью тестирования.

Лекции читают авторитетные спикеры: эксперты фармрынка, представители отраслевых ассоциаций, лидеры мнений врачебного сообщества. Планируется цикл лекций совместно с союзом «Национальная фармацевтическая Палата» и ассоциацией «Союзфарма». В марте пройдут две видеолекции, экспертами в которых выступят исполнительный директор союза «Национальная фармацевтическая Палата» Елена Неволина и исполнительный директор ААУ «Союзфарма» Дмитрий Целоусов. Спикеры раскроют наиболее актуальные для аптек темы «Надлежащая аптечная практика» и «Что такое СОП аптечной организации».

Почему лучше обучаться с «Протеком»?

Удобно: в любое время, в любом месте
Эффективно: профессионально изложенный материал
Полезно: информация, необходимая для ежедневной работы
Бесплатно: нужен только доступ в Интернет
Выгодно: мотивационные программы по результатам прохождения теста

Как посмотреть лекцию?

Зарегистрируйтесь на Портале клиента webzakaz.protek.ru
Выберите интересующую вас видеолекцию в разделе «Дистанционное обучение»
Пройдите тестирование и участвуйте в мотивационной программе

Присоединяйтесь к Университету «Протека»!

«Ригла» назначила новых руководителей форматов фарммаркетов и дискаунтеров

С 1 июня на должность директора формата фарммаркетов «Ригла» назначена Яна Андреева. В этой должности она сменила Галину Новикову, которая возглавляла сеть фарммаркетов с конца 2011 года.

С мая 2019 года Яна Андреева руководила форматом дискаунтеров «Живика» (исключая аптеки «Живика» в г. Екатеринбурге). В зону ее ответственности входило операционное управление и управление персоналом, стратегическое планирование. По итогам работы в 2020 году аптеки «Живика» продемонстрировали максимальный прирост операционной прибыли среди всех форматов столичного региона.

На должность руководителя формата дискаунтеров назначена Юлия Фирсова. Начав карьеру с позиции провизора, Юлия Фирсова за шесть лет работы в компании прошла путь до управляющего директора и менеджера по управлению аптеками в региональных подразделениях сети «Ригла».

С апреля 2017 года она занимала должность управляющей группой аптек «Будь здоров!» в московском регионе. По итогам 2020 года учреждения под управлением Юлии Фирсовой продемонстрировали максимальный прирост операционной прибыли среди аптечных объединений формата «Будь здоров!» региона.

«Одна из составляющих бизнес-стратегии аптечной сети — многоформатность, позволяющая внедрять самые разносторонние механики взаимодействия с клиентом и предлагать новые условия взаимодействия с партнерами. По сути, каждый из форматов «Риглы» — самостоятельная аптечная сеть со своей бизнес-стратегией, программой лояльности, e-commerce-каналами.

Благодаря отлаженной эффективной системе профессионального и карьерного роста сотрудников наши специалисты получают возможность при поддержке компании реализовать свой потенциал. Самые достойные занимают руководящие позиции, получая возможность оценить свои силы в разных форматах классической фармацевтической розницы», — отметил генеральный директор аптечной сети «Ригла» Александр Филиппов.

С апреля 2021 года в московском регионе стартовал процесс ребрендинга дискаунтеров «Живика» в аптеки «Здравсити». Поэтапное перебрендирование столичных розничных точек завершится весной 2022 года. С июня 2021 года к проекту постепенно подключатся дискаунтеры сети в регионах — в Центральной России, Архангельской области, Калининграде и Сибири.

Читайте также:
«Ригла» запустила собственный единый контакт-центр для клиентов

***

Самые интересные новости читайте в наших группах в Facebook и VKontakte, а также на канале Яндекс.Дзен.

Больше новостей и возможность поделиться своим мнением в комментариях на нашем канале в Telegram.

И подписывайтесь на итоговую рассылку самых важных новостей.

New Retail

2010.11.18. Связной. Лудковски Деннис. Заявление для Генерального директора.

В последний день отпуска, утром, в районе 11 часов, я приехал в офис моего адвоката, чтобы распечатать и сшить обращение к Генеральному директору компании Связной Деннису Лудковски.

Почти все документы, которые я хотел передать, были представлены в электронном виде, за исключением одного нотариально заверенного документа, из которого Деннису Лудковски предназначалось только два ксерокопированных листа. В обращение я включил:

1. Собственно обращение.

2. Копии двух трудовых договоров (с одинаковыми номерами, но разными суммами).

3. Первый и последний лист нотариально заверенной внутренней переписки.

4. Распечатанную из Word переписку между мной и руководителем отдела ОРИС компании Связной Валерией Молокановой.

5. Копии расчетных листов из 1С, в которых видно, как после переподписания трудового договора задним числом из моей зарплаты стали вычитать деньги, чтобы скомпенсировать разницу.

Сшил два экземпляра обращения и с волнением поехал к Деннису Лудковски в офис компании Связной на Ленинской слободе.

Секретарь, через которого можно передать документы Деннису, находится на шестом этаже, собственно, как и сам Лудковски. Но об этом я узнал не сразу, а только после посещения секретариата на пятом этаже.

На шестом этаже секретариат также состоит из столика и девушек – это секретари высшего руководства компании Связной. У Денниса Лудковски секретарь отдельный. Она сидит в глубине коридора, за общим секретариатом.

Я подошел к секретарю Денниса и обменялся с ней приветствиями.

— Я хочу передать Деннису Лудковскому заявление. У меня два экземпляра, Вы сможете поставить на втором экземпляре отметку о том, что мое обращение приняли?

— А Вы кто? – девушка заметно офигела.

— Сотрудник компании Связной. Программист отдела разработки информационных систем.

После этих слов секретарь облегченно выдохнула и с нескрываемым любопытством принялась читать мое заявление. Прочтя где-то половину титульной страницы документа, сотрудница существенно изменилась в лице. Весь ее облик проникся таким изумлением, как будто она дворянская девица из восемнадцатого века, и только что ей показали половой член, рассказав, как его можно использовать.

Мне стало неловко.

— Деннис пишется с двумя «н». Это раньше, когда он не был гражданином США, его имя писалось с одной буквой «н». Я не могу принять заявление с неправильно написанным именем. Вам нужно исправить.

— Хорошо, — вежливо согласился я. – Но проблем с тем, чтобы поставить отметку о принятии заявления, не возникнет?

— Нет, я поставлю Вам подпись и печать.

На этом я удалился.

Через какое-то время я вновь отправился в офис своего адвоката. Внес изменения в имя Генерального директора, распечатал измененные листы, заново сшил два экземпляра обращения и поехал к секретарю Денниса Лудковски.

Путь лежал по серой асфальтом и людьми осенней улице Мастеркова, прямо под голыми деревьями, мимо кафе, до светофора и налево. Ленинская слобода. Прямо мимо желтого здания, мимо тополей, растущих слева, через дорогу, вот уже угол офисного здания, еще несколько шагов, вверх по мраморной лестнице в двери офисного здания. Дом 19. На лифте доехал до третьего этажа, прошел по коридору мимо 12 кабинета отдела разработки информационных систем, не встретив никого из своих коллег и не отвечая на расспросы о том, что я делаю на работе во время отпуска. Зашел в лифт, идущий на 6-й этаж. Секретаря Денниса Лудковски на месте не было.

Я поинтересовался у двух других девушек относительно секретаря Лудковского. И узнал, что она вернется минут через сорок, а если я хочу ей что-то передать, могу дождаться ее возвращения либо оставить бумаги на столе. Забрать свой экземпляр заявления с отметкой о принятии я смогу несколько позже, т.к. у секретарши есть другие дела, а мое обращение не является делом наивысшего приоритета.

Ожидать возвращения девушки, просиживая на диванчике возле кабинета высших руководителей Связного, я не хотел. Представил, как, проходя на свое рабочее место, Карен Алексеевич Хачиян увидит меня и поинтересуется моим праздным времяпрепровождением. А после, узнав, что гнусность его любимого сотрудника Евгения может стать известна кому-нибудь из людей, не находящихся в его подчинении, может потрудиться, чтобы обращение не дошло до Генерального директора, а моя проблема осталась без удовлетворяющего меня решения. Кроме того, прославившийся своей хитростью Карен Алексеевич мог попробовать уговорить меня отдать ему все документы. Благо у меня хватило ума сделать так, что любое давление на меня не приведет к ухудшению моих позиций. Все документы находились в банковском сейфе, единственный ключ от которого я отдал адвокату. А заявление директору я отнес в то время, когда меня нельзя уволить — во время отпуска.

Так что я положил два экземпляра Обращения на стол и вышел из офисного здания. Чем заняться в ближайшее время в этом районе? Мне было чем.

Первым делом я пошел в налоговую инспекцию. Нужно было получить информацию по налоговым вычетам. Потом посидел в кафе.

Затем, как вы уже догадались, пошел в логово Связного еще раз, чтобы забрать из заточения второй экземпляр Заявления с отметкой принятии. Иначе меня могли бы уволить из Связного в понедельник, и мне бы не удалось в суде связать свое увольнение с Обращением.

Я в очередной раз подошел к секретарю Денниса.

— Второй экземпляр Обращения я Вам выдать не могу, – твердо ответила девушка.
— ???
— У меня его нет.
— Один экземпляр Вы отдали Деннису, а второй где?
— Один экземпляр находится у Карена, другой в отделе кадров.
— А Деннис видел мое Обращение?
— Нет, он уехал, будет в конце следующей недели.
— Хорошо, но Вы можете дать мне какое-нибудь подтверждение того, что я это заявление подал?
— Не могу, но Вы не волнуйтесь, все в курсе вашего Обращения и все стоят на ушах. И Карен, и отдел кадров.

Деннис Лудковски: — Извини, брат, я уехал.

Я попрощался и пошел к лифту, а про себя подумал: «Во дела, мое обращение попало в отдел Поповой, подпись которой стоит на одном из трудовых договоров, и к Карену, который даже умирая будет выгораживать Сизова»

Подойдя к лифту, я услышал тихий женский голос одного из секретарей:
— Вот, это он.
— Этот? – переспросил тихий мужской голос.
— Ага, в черном.

Боковым зрением я увидел, как кто-то на бегу снял верхнюю одежду с вешалки за рецепцией. В этот момент я уже заходил в лифт с пожилым хорошо одетым мужчиной, который, видимо, только что общался с кем-то из руководства компании.

Я уже собирался нажимать третий этаж, как в лифт вбежал лысый мужчина. Это был руководитель одной из групп Службы безопасности Связного, которая приглядывает за работой программистов. Он же в 2008 году играл в футбол в Черкизово. Там для сотрудников Связного раз в неделю арендовалось футбольное поле.

— Можно я с вами поеду? – поинтересовался он
— Конечно, — ответил я.
— Вам какой этаж? – спросил он.
— Первый, — ответил пожилой мужчина.
— И мне на первый, — сказал лысый и нажал первый этаж.

Я молча нажал на третий. Вышел. Видя, что лысый идет за мной на третьем этаже, я в шутку сказал ему:

— Это не первый этаж, а третий. Вы вышли не на том этаже, который вам нужен.
— Я передумал и решил выйти с вами.

«Прикольно, за мной начали следить», — подумал я. Вышел из офисного здания и спустился в метро.

Читать далее ->>

Содержание

Фармрынок России заявили о своей технической готовности к маркировке лекарственных средств

Компании, в частности, присутствовали на нагрузочном тестировании системы маркировки лекарственных средств, которое проводил оператор маркировки Центр развития передовых технологий (ЦРПТ) в конце мая в г. для того, чтобы опробовать процесс в условиях повышенного спроса на лекарственные препараты.

По заключениям оператора, при тестировании система показала работоспособность при нагрузке в 10 раз превышающей годовой оборот медикаментов в России.«Представители компании« ПРОТЕК »присутствовали при тестировании системы, и по полученным результатам можно сделать вывод, что система выдерживает плановую нагрузку», — сказал Дмитрий Погребинский, генеральный директор центра «ПРОТЕК», добавив, что компания готов приступить к маркировке в сроки, установленные правительством.

Александр Филиппов , генеральный директор аптечной сети «Ригла», также подтвердил, что сегодня аптечная сеть технологически готова к работе с маркированными товарами.«Приобретены 2D и 3D сканеры, обновлено программное обеспечение, организовано обучение персонала», — сказал он. Филиппов также отметил необходимость навыков работы с маркировкой, что, по его словам, возможно только в условиях масштабного внедрения маркировки лекарственных средств. «Думаю, рынку пора начать работать с маркировкой, но в тестовом режиме, без применения санкций за нарушения, чтобы позволить компаниям всех трех сегментов фармацевтического рынка отладить все необходимые бизнес-процессы», — пояснил он.Продажа лекарств в обычном режиме Как отмечается в CRPT, для потребителей технологическая готовность компаний к маркировке указывает на то, что даже в условиях ажиотажа на фармацевтическом рынке из-за пандемии, маркированные лекарства продаются в обычном режиме.

«Более того, маркировка позволяет в режиме онлайн видеть движение лекарств по цепочке — сколько они закупили, когда отгружены со склада, когда их приняли у дистрибьютора и, соответственно, когда они поступят в аптеку или больница », — сообщил Сергей Холкин , руководитель Фармгруппы ЦРПТ.Под контролем властей Представители правительства, в свою очередь, отметили, что 2 июня межфракционная рабочая группа по совершенствованию законодательства в области лекарственного обеспечения граждан проведет совещание по системе маркировки лекарственных средств. «Вся сессия будет посвящена этой теме. Мы будем слушать CRPT, мы будем слушать Минпромторг, Минздрав и производителей, аптеки, аптечные сети», — сказал первый замглавы США. Фракция Россия в Госдуме, Андрей Исаев .Депутат отметил важность пиковых испытаний.

«Мы — Госдума — рекомендовали им это сделать», — сказал он, отметив, что на встрече будут заслушаны все стороны и будет выработана согласованная общая позиция. О маркировке лекарственных средств Обязательная маркировка препаратов для лечения «семи нозологий» в России началась 1 октября 2019 года. Согласно постановлению правительства, обязательная маркировка всех лекарственных средств планируется с 1 июля 2020 года.

Объяснимый искусственный интеллект в эндокринологических медицинских исследованиях | Журнал клинической эндокринологии и метаболизма

Искусственный интеллект (ИИ) был частью медицинского сообщества на протяжении десятилетий в виде систем поддержки принятия клинических решений, помогающих врачам в диагностике и классификации пациентов (1).В последние годы произошел переход от моделей, полученных от экспертов, к предлагаемым моделям машинного обучения (ML) в системы поддержки клинических решений из-за способности моделей ML делать прогнозы более точно за счет использования многомерных и часто сложных данных. Во многих случаях модели машинного обучения получают преимущество в точности за счет фиксации сложных и часто нелинейных взаимосвязей между функциями, используемыми для прогнозирования. Однако ажиотаж и ажиотаж вокруг этих методов сдерживаются ограниченной полезностью зачастую «черных ящиков» в клинических условиях.Это вызвано скептицизмом в отношении результатов, которые практикующим врачам трудно не только интерпретировать, но и объяснять своим пациентам (1-3). Этот скептицизм небезоснователен, поскольку многочисленные примеры решений черного ящика, выявляющие случайные корреляты, поскольку ключевые предикторы выявили потенциальную предвзятость в обучающем наборе или системе вознаграждения, которую может использовать модель машинного обучения; Примером этого является модель, отличающая волков от хаски по снегу на заднем плане, а не по особенностям собак (1, 4, 5).

Искусственный интеллект и машинное обучение — это развивающаяся область эндокринологии (6), которая уже широко используется в лечении диабета (7). Эндокринология особенно хорошо позиционируется, чтобы воспользоваться ростом работы по машинному обучению, сфокусированной на интерпретируемости и объяснимости, которая сосредоточена на разработке моделей, основанных на компромиссе между точностью модели и прозрачности, а не только на точности (5). В своей недавней статье в The Journal of Clinical Endocrinology & Metabolism, Shmoish et al.(8), демонстрируют силу объяснимой модели машинного обучения для прогнозирования роста взрослого на основе измерений роста детей до и в возрасте 6 лет. В этой работе они не только демонстрируют превосходную производительность в контексте точности, но и используют объяснимую модель, чтобы обеспечить понимание факторов, лежащих в основе этой производительности, а также понять потенциальные недостатки модели, которые могут быть устранены в будущих разработках.

Прогнозирование роста взрослого человека производилось с помощью набора алгоритмов машинного обучения и сравнивалось с тремя общими показателями, полученными экспертами: высотой цели, условной высотой цели и методом «бабушки».В целом, не было большой разницы между тремя методами, разработанными экспертами: первые два подхода используют рост родителей, а последний — удвоение длины ребенка в указанном возрасте. Однако во всех случаях модель ML значительно улучшает общее прогнозирование роста взрослого человека.

Обобщение — важный компонент моделей машинного обучения, что означает, что модель может правильно адаптироваться к ранее невидимым данным. Использование данных, которые были собраны независимо от обучающих данных, но предполагается, что они будут взяты из одного и того же распределения, является одной из лучших стратегий для этого (5).Шмоиш и др. (8), демонстрируют, что их модель устойчива к тому, где и как собираются измерения. Результаты модели, которая показала корреляцию Пирсона между прогнозируемым и наблюдаемым ростом взрослого человека R = 0,87 в проверочном наборе, связанном с данными обучения (шведская когорта детей, родившихся в 1974 году), были примерно одинаковыми, R = 0,88, в другой шведской когорте, начатой в 1990 г., и в отдельной когорте в Эдинбурге с детьми, родившимися между 1972 и 1976 г., R = 0,88.

Объясняемость модели основана на показателях важности признаков, которые могут быть напрямую извлечены из выбранной модели машинного обучения, случайного леса, что является преимуществом подхода машинного обучения случайного леса в дополнение к часто высокой точности прогнозирования.Наиболее важными характеристиками модели были средний рост ребенка в возрасте 3,4–4 лет и пол, при этом второстепенные характеристики, такие как скорость роста и вес, не играли важной роли в прогнозе. Затем авторы исследовали результаты модели, чтобы выявить потенциальные ошибки и сделать вывод о причинах, основываясь на своем опыте в этой области. Один интересный пример заключается в том, что модель более точна для девочек, чем для мальчиков, с возможной привязкой ко времени, когда девочки достигают взрослого роста по сравнению с мальчиками, что может указывать на то, что 6-летний возраст слишком молод для высокоточного прогноза для мальчиков.Также, похоже, наблюдается сдвиг в прогнозе в сторону среднего, что означает, что низкие и высокие испытуемые либо переоценены, либо недооценены, соответственно, что может быть связано либо с подходом случайного леса, либо с потенциально отсутствием адекватных данных по крайним значениям. . Эти идеи, а также включение потенциальных экологических воздействий на рост предлагают прочную фундаментальную модель для будущих исследователей.

В заключение Shmoish et al. (8) представляют модель ML для прогнозирования роста взрослого человека на основе измерений роста, легко достигаемых в любой клинической обстановке, демонстрируя точные прогнозы, основанные исключительно на данных наблюдений.Кроме того, они углубляются в модель, чтобы определить наиболее важные особенности, что помогает понять, почему модель так хорошо работает при проверке и независимых данных, и почему она может быть оспорена в определенных группах населения, таких как очень низкие или высокие люди. . Эти типы объяснимых моделей искусственного интеллекта хорошо подходят для использования легко получаемых данных о пациентах в клинике и, таким образом, могут изменить методы диагностики и лечения эндокринных заболеваний.

» data-legacy-id=»s0101″> Дополнительная информация

Раскрытие информации : Автору нечего раскрывать.

» data-legacy-id=»r1″> Список литературы

Amann

Blasimme

Vayena

Frey

Madai

;

Консорциум Precise4Q

Объясняемость искусственного интеллекта в здравоохранении: мультидисциплинарная перспектива

BMC Med Inform Decis Mak.

2020

;

(

310

. 2.

Афанасьев

Berghout

Brenner

и др.

Вычислительные задачи и искусственный интеллект в точной медицине

Pac Symp Biocomput.

2021

;

166

—

171

. 3.

Эль-Саппаг

Алонсо

Islam

SMR

Sultan

Kwak

Многослойная мультимодальная модель обнаружения и прогнозирования болезни Альцгеймера на основе объяснимого искусственного интеллекта

Sci Rep.

2021

;

(

2660

. 4.

Lapuschkin

Wäldchen

Binder

Montavon

Samek

Müller

Разоблачение умных предикторов Ганса и оценка того, что машины действительно обучаются

Nat Commun.

2019

;

(

1096

. 5.

Wilkinson

Arnold

Murray

и др.

Время в реальность Проверьте перспективы точной медицины на основе машинного обучения

Ланцет Цифра Здоровье.

2020

;

(

e677

—

e680

.6.

Gubbi

Hamet

Tremblay

Koch

Hannah-Shmouni

Искусственный интеллект и машинное обучение в эндокринологии и метаболизме: начало новой эры

Фронт эндокринол (Лозанна).

2019

;

185

.7.

Rigla

García-Sáez

Pons

Hernando

Методологии искусственного интеллекта и их применение при диабете

J Diabetes Sci Technol.

2018

;

(

303

—

310

. 8.

Шмоиш

Немецкий

Devir

и др.

Прогнозирование роста взрослого человека методом машинного обучения

J Clin Endocrinol Metab.

2021

. DOI: 10.1210 / clinem / dgab093.

Это статья в открытом доступе, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License (http://creativecommons.org/licenses/by/4.0/), которая разрешает неограниченное повторное использование, распространение и воспроизведение на любом носителе при условии, что оригинал работа правильно цитируется.

Иммунорецепторов врожденной и адаптивной системы. PI: Francisco Lozano Soto

Для получения дополнительной информации о публикациях PI щелкните ссылку:
ORCID: https://orcid.org/0000-0003-1119-4368

PD-L1 сверхэкспрессируется в макрофагах печени при хронических заболеваниях печени. и его блокада улучшает антибактериальную активность против инфекций.Pose E, Coll M, Zeng Z, Surewaard BGJ, Fuster D, Pavía J, Graupera, Muñoz É, Català C, Velasco-De Andrés M, Lozano JJ, Lozano F, Sancho-Bru P, Kubes P, Ginès P. Гепатология 2021 2020 20 ноября, DOI: 10.1002 / hep.31644. Интернет впереди печати. (*) Старшее соавторство. PMID: 33219516

Вклад эволюционно отобранного иммунного полиморфизма гена в связанные с иммунной системой расстройства: случай рецепторов поглотителей лимфоцитов CD5 и CD6. Casadó-Llombart S, Velasco-de Andrés M, Català C, Leyton-Pereira A, Lozano F *, Bosch E *.В J Mol Sci 2021, 18 мая; 22 (10): 5315, DOI: 10.3390 / ijms22105315. (*) Старшее соавторство. PMID: 34070159

Рецептор поглотителя лимфоцитов CD5 играет неизбыточную роль в грибковой инфекции. Веласко-де Андрес М., Катала С., Касадо-Лломбарт С., Симойнс I, Сарагоса О, Каррерас Е., Лозано Ф. Cell Mol Immunol 2021 февраля; 18 (2): 498-500, DOI: 10,1038 / s41423-020-0434 -7. Ep. PMID: 32332900

Рецептор лимфоцитарного скавенджера CD5 демонстрирует терапевтический потенциал на мышиных моделях грибковой инфекции.Веласко-де-Андрес М., Катала С, Касадо-Лломбарт С., Мартинес-Флоренса М., Симоес I, Мурглиа-Эттлин Г., Сарагоса О, Каррерас Э., Лозано Ф. Антимикробные агенты Chemother 2020 16 декабря; 65 (1): e01103 -20, DOI: 10.1128 / AAC.01103-20. Печать 2020 Dec 16. PMID: 33046489

Растворимые CD5 и CD6: лимфоцитарные рецепторы скавенджеров класса I в качестве иммунотерапевтических агентов. Веласко-де Андрес М., Касадо-Лломбарт С, Катала С, Лейтон-Перейра А, Лозано Ф *, Аранда Ф *. Cells 2020 3 декабря; 9 (12): 2589. DOI: 10.3390 / cell

89.(*) Старшее соавторство. PMID: 33287301

Капельки липидов млекопитающих — это узлы врожденного иммунитета, интегрирующие клеточный метаболизм и защиту хозяина. Bosch M, Sánchez-Alvarez M, Fajardo A, Kapetanovic R, Steiner B, Dutra F, Moreira L, López JA, Campo R, Marí M, Morales-Paytuví F, Tort O, Gubern A, Templin RM, Curson JEB, Martel Н., Катала С., Лозано Ф, Тебар Ф, Энрих К., Васкес Дж., Дель Посо М.А., Свит М.Дж., Бозза П.Т., Гросс С.П., Партон Р.Г., Пол А. Наука 2020, 16 октября; 370 (6514): eaay8085, DOI: 10.1126 / science.aay8085. PMID: 33060333

Интерактомный анализ эктодоменов CD5 и CD6 с тегументальными антигенами паразита гельминтов Echinococcus granulosus sensu lato. Майлз С., Веласко-де-Андрес М., Лозано Ф *, Мурглиа-Эттлин G *. Int J Biol Macromol 2020 1 декабря; 164: 3718-3728. DOI: 10.1016 / j.ijbiomac. 2020.08.219. Epub 2020 4 сентября. (*) Старшее соавторство. PMID: 328

CD5 и CD6 как иммунорегуляторные биомаркеры немелкоклеточного рака легкого. Морено-Мануэль А., Янтус-Левинтре Э, Симоэс I, Аранда Ф, Калабуиг-Фариньяс С., Каррерас Э, Суньига С., Сенгер Y, Роселл Р., Кэмпс С., Лозано Ф *, Сирера Р. *.Перевод Lung Cancer Res 2020 Aug; 9 (4): 1074-1083, DOI: 10.21037 / tlcr-19-445. (*) Старшее соавторство. PMID: 32953486

Многогранные эффекты растворимого CD6 в экспериментальных моделях рака. Simões I, Aranda F, Casadó-Llombart S, Velasco-de Andrés M, Català C, Álvarez P, Consuegra-Fernández M, Orta-Mascaró M, Merino R, Merino J, Alberola-Ila J, González-Asereguinoloza G, Carreguinoloza G E, Мартинес В.Г., Лозано Ф.Д. Другой иммунный рак 2020 Мар; 8 (1): e000172, DOI: 10.1136 / jitc-2019-000172. PMID: 32217757

Исследование биосовместимости мембран при онлайн-гемодиафильтрации.Охеда Р., Ариас М., Гомес М., Вера М., Фонцере Н., Родас Л. М., Филелла Х, Ревертер Дж. К., Лозано Ф., Вилламор Н., Мадуэль Ф. Blood Purif. 2020; 49 (4): 400-408, DOI: 10,1159 / 000504954. Epub 2019, 19 декабря. PMID: 31865336

Внеклеточные гистоны NK способствуют противоопухолевой активности иммунных клеток, индуцируя кластеры клеток посредством связывания с рецептором CD138. Мартин-Антонио Б., Сунье Г., Наджар А., Перес-Амилл Л., Антоньяна-Вильдосола А, Кастелла М., Леон С., Веласко-де Андрес М., Лозано Ф, Лозано Е., Буэно С, Эстаньол Дж. М., Муньос-Пинедо С., Робинсон С.Н., Урбано-Испизуа А.J ImmunoTher Cancer 7 (1): 259, 2019, DOI: 10.1186 / s40425-019-0739-1. PMID: 31619273

Лечение экспериментального аутоиммунного энцефаломиелита путем длительной доставки низких доз интерферона альфа. Васкес М., Консуэгра-Фернандес М., Аранда Ф., Хименес А., Тенесака С., Фернандес М., Гомар С., Ардаис Н., Касарес Н., Ласарте Дж. Дж., Лозано Ф., Берраондо П. Дж. Иммунол. 2019 Aug 1; 203 (3): 696-704 DOI: 10.4049 / jimmunol. 1801462. Epub 2019, 17 июня. PMID: 31209101

Дискордантная восприимчивость инбредных мышей C57BL / 6 по сравнению с аутбредными мышами CD1 к экспериментальному грибковому сепсису.Carreras E, Velasco de Andrés M, Orta-Mascaró M, Simões IT, Català C, Zaragoza O, Lozano F. Cell Microbiol. 2019 Май; 21 (5): e12995. DOI: 10,1111 / cmi.12995. Epub 2019, 9 января. PMID: 30577088

Эктодомены рецепторов лимфоцитов CD5 и CD6 взаимодействуют с тегументальными антигенами Echinococcus granulosus sensu lato и защищают мышей от вторичного кистозного эхинококкоза. Mourglia-Ettlin G, Miles S, Velasco-De-Andrés M, Armiger-Borràs N, Cucher M, Dematteis S, Lozano F.PLoS Negl Trop Dis. 2018 30 ноября; 12 (11): e0006891. DOI: 10.1371 / journal.pntd.0006891. eCollection 2018 ноябрь PMID: 30500820

Консервированные бактериально-связывающие пептиды скавенджера рецептора лимфоцитов человека CD6 защищают от экспериментального сепсиса мышей. Мартинес-Флоренса М., Катала С., Веласко-де Андрес М., Каньядас О., Фрайле-Агреда В., Касадо-Лломбарт С., Армигер-Боррас Н., Консуэгра-Фернандес М., Касальс С., Лозано Ф. Фронт Иммунол. 12 апреля 2018 г .; 9: 627. DOI: 10.3389 / fimmu.2018.00627. eCollection 2018.PMID: 29706953

Клинические и экспериментальные доказательства воздействия на CD6 при иммунных расстройствах. Консуэгра-Фернандес М., Лин Ф., Фокс Д. А., Лозано Ф. Аутоиммунная версия. Ред. 2018 мая; 17 (5): 493-503. DOI: 10.1016 /j.autrev.2017.12.004. Epub 2018 9 марта. Обзор. PMID: 29526637

Иммуномодулирующие эффекты растворимого CD5 на экспериментальных моделях опухолей. Симоэс ИТ, Аранда Ф., Каррерас Э., Андрес М.В., Касадо-Лломбарт С., Мартинес В.Г., Лозано Ф.

Oncotarget. 2017 20 ноября; 8 (64): 108156-108169.DOI: 10.18632 / oncotarget. 22564. eCollection 2017, 8 декабря. PMID: 29296231

Исправление: Комментарий: Рецептор мусорщика SSc5D физически взаимодействует с бактериями через SRCR-содержащий N-концевой домен. Lozano F, Martínez-Florensa M. Front Immunol. 2017 29 ноября; 8: 1660. DOI: 10.3389 / fimmu.2017. 01660. eCollection 2017. PMID: 29234322

Генетические и экспериментальные доказательства участия рецептора лимфоцитов CD6 в псориазе. Консуэгра-Фернандес М., Хулиа М., Мартинес-Флоренса М., Аранда Ф., Катала С, Армигер-Боррас Н., Ариас МТ, Сантьяго Ф., Гилабер А., Эстев А., Муньос С., Феррандис С., Карраскоса Дж. М., Педроса Э, Романи Дж. , Альсина М., Маскаро-Гали Ю.М., Лозано Ф.Cell Mol Immunol. 2018 Октябрь; 15 (10): 898-906. DOI: 10,1038 / cmi.2017.119. Epub 2017, 11 декабря. PMID: 29225340

Цитокины как терапевтические мишени при первичном синдроме Шегрена. Retamozo S, Flores-Chavez A, Consuegra-Fernández M, Lozano F, Ramos-Casals M, Brito-Zerón P. Pharmacol Ther. 2018 Апрель; 184: 81-97. DOI: 10.1016 / j.pharmthera.2017. 10.019. Epub 2017 29 октября. Обзор. PMID: 2

Опечатка для Martínez-Florensa et al., «Защитные эффекты человеческого и мышиного растворимого скавенджера рецептора лимфоцитов CD6 в летальной модели полимикробного сепсиса».Мартинес-Флоренса М., Консуэгра-Фернандес М., Аранда Ф., Армигер-Боррас Н., Ди Скала М., Карраско Е., Пачон Дж., Вила Дж., Гонсалес-Асегинолаза Г., Лозано Ф. Противомикробные агенты Химотер. 2017 24 октября; 61 (11). pii: e01997-17. DOI: 10.1128 / AAC. 01997-17. Распечатать 2017 Ноябрь. Рефераты отсутствуют. PMID: 256

Метаболиты кишечной микробиоты для подслащивания диабета I типа. Алджутали Т., Консуэгра-Фернандес М., Аранда Ф., Лозано Ф., Уарте Э. Cell Mol Immunol. 31 июля 2017 г. doi: 10.1038 / cmi.2017.65. [Epub перед печатью].PMID: 28757611

Маннозо-связывающие лектин-дефицитные доноры повышают риск бактериальной инфекции и смертности, связанной с бактериальной инфекцией, после трансплантации печени. Lombardo-Quezada J, Sanclemente G, Colmenero J, Español-Rego M, Arias MT, Ruiz P, Mauro E, Sastre L, Crespo G, Rimola A, Moreno A, Lozano F, Navasa M. Am J Transplant. 26 июня 2017 г. doi: 10.1111 / ajt.14408. [Epub перед печатью]. PMID: 28649744

Понижающая модуляция человеческого CD6 после активации Т-клеток снижает выживаемость лимфоцитов и пролиферативные ответы.Carrasco E, Escoda-Ferran C, Climent N, Miró-Julià C, Simões IT, Martínez-Florensa M, Sarukhan A, Carreras E, Lozano F. Front Immunol. 30 июня 2017 г .; 8: 769. PMID: 28713387

Комментарий: CD6 как потенциальная цель для лечения рассеянного склероза. Консуэгра-Фернандес М., Исамат М., Лозано Ф. Фронт иммунол. 2017 29 сентября; 8: 1217. PMID: 2

Актуальность CD6-опосредованных взаимодействий в регуляции периферических Т-клеточных ответов и толерантности. Консуэгра-Фернандес М., Мартинес-Флоренса М., Аранда Ф., де Сальорт Дж., Армигер-Боррас Н., Лозано Т., Касарес Н., Ласарте Дж. Дж., Энгель П., Лозано Ф.Фронт Иммунол. 30 мая 2017; 8: 594. PMID: 28611770

Маннозо-связывающие лектин-дефицитные генотипы как фактор риска пневмококкового менингита у младенцев. Баутиста-Родригес С., Лаунес С., Джордан I, Андрес М., Ариас М.Т., Лосано Ф., Гарсия-Гарсия Дж.Дж., Муньос-Альмагро К. PLoS One. 2017 31 мая; 12 (5): e0178377. PMID: 28562692

Использование рецепторов поглотителей в иммунотерапии рака: уроки CD5 и SR-B1. Vasquez M, Simões I, Consuegra-Fernández M, Aranda F, Lozano F, Berraondo P. Eur J Immunol.2017 июл; 47 (7): 1108-1118. PMID: 28504304

Комментарий: Рецептор-мусорщик SSc5D физически взаимодействует с бактериями через SRCR-содержащий N-концевой домен. Lozano F, Martínez-Florensa M. Front Immunol. 2017 28 марта; 8: 366. PMID: 28396672

Защитные эффекты человеческого и мышиного растворимого скавенджер-подобного рецептора лимфоцитов CD6 в летальной модели полимикробного сепсиса. Мартинес-Флоренса М., Консуэгра-Фернандес М., Аранда Ф., Армигер-Боррас Н., Ди Скала М., Карраско Е., Пачон Дж., Вила Дж., Гонсалес-Асегиноласа Г., Лозано Ф.Антимикробные агенты Chemother. 2016 27 декабря; 61 (1). pii: e01391-16. PMID: 27895015

Пероральное введение пентоксифиллина снижает количество поражений, подобных эндометриозу, на модели «голой мыши». Perelló M, González-Foruria I, Castillo P, Martínez-Florensa M, Lozano F, Balasch J, Carmona F. Reprod Sci. 2017 июн; 24 (6): 911-918. PMID: 27738175

CD6 модулирует отбор тимоцитов и гомеостаз периферических Т-клеток. Орта-Маскаро М., Консуэгра-Фернандес М., Каррерас Э., Ронкагалли Р., Каррерас-Суреда А., Альварес П., Жирар Л., Симоэс I, Мартинес-Флоренса М., Аранда Ф., Мерино Р., Мартинес В. Г., Висенте Р., Мерино Дж., Сарухан А., Малиссен М., Малиссен Б., Лозано Ф.J Exp Med. 2016 25 июля; 213 (8): 1387-97. PMID: 27377588

Унаследованные функциональные варианты рецептора лимфоцитов CD5 влияют на выживаемость меланомы. Potrony M, Carreras E, Aranda F, Zimmer L, Puig-Butille JA, Tell-Martí G, Armiger N, Sucker A, Giménez-Xavier P, Martínez-Florensa M, Carrera C, Malvehy J, Schadendorf D, Puig S, Лозано Ф. Международный Рак. 2016 15 сентября; 139 (6): 1297-302. PMID: 27169428

Влияние функционального полиморфизма CD5 A471V на реакцию хронического лимфолейкоза на стандартные схемы химиотерапии.Delgado J, Bielig T, Bonet L, Carnero-Montoro E, Puente XS, Colomer D, Bosch E, Campo E, Lozano F. Br J Haematol. 2017 Апрель; 177 (1): 147-150. PMID: 269

Функциональная потребность в остатке тирозина 429 в цитоплазматическом домене CD5 для регуляции активации и выживания Т-клеток. Mier-Aguilar CA, Vega-Baray B, Burgueño-Bucio E, Lozano F, García-Zepeda EA, Raman C, Soldevila G. Biochem Biophys Res Commun. 2015 23 октября; 466 (3): 381-7. PMID: 26363459

CD5 как мишень для иммунной терапии.Консуэгра-Фернандес М., Аранда Ф., Симоес I, Орта М., Сарухан А., Лозано Ф. Crit Rev Immunol. 2015; 35 (2): 85-115. PMID: 26351145

Структура растворимых рецепторов лимфоцитов CD5 и CD6 у тяжелобольных пациентов с септическими синдромами. Айбар Дж., Мартинес-Флоренса М., Кастро П., Карраско Э., Эскода-Ферран К., Фернандес С., Бутхоса М., Эрнандес С., Ринаудо М., Лозано Ф., Николас Дж. М.. J Crit Care. 2015 Октябрь; 30 (5): 914-9. PMID: 26031813

Восстановление иммунитета у пациентов с тяжелой иммуносупрессией, не инфицированных ВИЧ-1 антиретровирусными препаратами, начинающих эфавиренц, лопинавир-ритонавир или атазанавир-ритонавир плюс тенофовир / эмтрицитабин: окончательные результаты за 48 недель.Miro JM, Manzardo C, Ferrer E, Loncà M, Guardo AC, Podzamczer D, Domingo P, Curran A, Clotet B, Cruceta A, Lozano F, Pérez I, Plana M, Gatell JM; Группа изучения Адванз-3. J Acquir Immune Defic Syndr. 2015 1 июня; 69 (2): 206-15. PMID: 25831464

Распознавание образов по CD6: рецептор лимфоцитов, подобный мусорщику. Сарухан А., Мартинес-Флоренса М., Эскода-Ферран С., Карраско Е., Каррерас Е., Лозано Ф. Цели наркотиков. 2016; 17 (6): 640-50. PMID: 25777272

Полиморфизм промотора Toll-подобного рецептора 9 как прогностический фактор ответа на фототерапию узкополосным УФВ-излучением у пациентов с псориазом.Романи Дж., Хулиа М., Лозано Ф., Муньос-Сантос С., Гилабер А., Карраскоса Дж. М., Ригла М., Луельмо Дж. Фотодерматол, Фотоиммунол, Photomed. 2015 Март; 31 (2): 98-103. PMID: 25561051

Анализ наследственных и функционально значимых вариантов CD5 у пациентов с системной красной волчанкой. Сенит MC, Мартинес-Флоренса М., Консуэгра М., Бонет Л., Карнеро-Монторо Е., Армигер Н., Кабальеро-Баньос М., Ариас М. Т., Бенитес Д., Ортего-Сентено Н., де Рамон Е., Сабио Д. М., Гарсиа-Эрнандес Ф. Дж., Толоса К., Суарес А., Гонсалес-Гей М.А., Бош Э., Мартин Дж., Лозано Ф.PLoS One. 2014 17 ноября; 9 (11): e113090. PMID: 25402503

Этиопатогенная роль сурфактантного протеина d в клиническом и иммунологическом проявлении первичного синдрома Шегрена. Сото-Карденас MJ, Gandía M, Brito-Zerón P, Arias MT, Armiger N, Bové A, Bosch X, Retamozo S, Akasbi M, Pérez-De-Lis M, Gueitasi H, Kostov B, Pérez-Alvarez R, Siso -Almirall A, Lozano F, Ramos-Casals M. J Rheumatol. 2015 Янв; 42 (1): 111-8. PMID: 25362659

Генетические варианты рецепторов врожденного иммунитета и инфекции после трансплантации печени.Sanclemente G, Moreno A, Navasa M, Lozano F, Cervera C. World J. Gastroenterol. 2014 28 августа; 20 (32): 11116-30. PMID: 25170199

Модуляция функции CD6 посредством взаимодействия с галектином-1 и -3. Escoda-Ferran C, Carrasco E, Caballero-Baños M, Miró-Julià C, Martínez-Florensa M, Consuegra-Fernández M, Martínez VG, Liu FT, Lozano F. FEBS Lett. 2014 25 августа; 588 (17): 2805-13. PMID: 24945728

Медиаторы иммунитета и стресса в ответ на двустороннюю аднексэктомию: сравнение однопортового доступа и традиционной лапароскопии на модели свиньи.Грасиа М., Сисо С., Мартинес-Замора М.А., Сармиенто Л., Лозано Ф., Ариас М.Т., Бельтран Дж., Балаш Дж., Кармона Ф. Дж. Минимальный инвазивный гинекол. 2014 сентябрь-октябрь; 21 (5): 837-43. PMID: 24681233

Экспрессия рецептора врожденной защиты S5D-SRCRB в урогенитальном тракте. Миро-Хулиа С., Эскода-Ферран С., Карраско Е., Мёллер Дж. Б., Вадекаер Д. Ф., Гао Х, Парагас Н., Оливер Дж., Холмсков Ю., Аль-Авкати К., Лозано Ф. Тканевые антигены. 2014 Апрель; 83 (4): 273-85. PMID: 24641504

Высокая распространенность генетически обусловленного дефицита связывающего маннозу лектина у детей раннего возраста с инвазивным пневмококковым заболеванием.Муньос-Альмагро С., Баутиста С., Ариас М. Т., Бойшеда Р., Дель Амо Е., Боррас К., Армигер Н., Гарсия Л., Саука Г., Сельва Л., де Севилья М. Ф., Сируэла П., Йебенес Дж. С., Палларес Р., Лосано Ф. Клин. Microbiol Infect. 2014 Октябрь; 20 (10): O745-52. PMID: 24602163

Растворимый рецептор макрофагов AIM / Api6 / CD5L демонстрирует широкий спектр распознавания патогенов и участвует в раннем ответе на агрессию микробов. Мартинес В.Г., Эскода-Ферран К., Тадеу Симоэс I, Араи С., Орта Маскаро М., Каррерас Э., Мартинес-Флоранса М., Еламос Дж., Миядзаки Т., Лозано Ф.Cell Mol Immunol. 2014 июл; 11 (4): 343-54. PMID: 24583716

Трансгенная экспрессия растворимого CD5 человека усиливает экспериментально индуцированные аутоиммунные и противоопухолевые иммунные ответы. Фенутрия Р., Мартинес В.Г., Симойнс I, Постиго Дж., Хиль В., Мартинес-Флоренса М., Синтес Дж., Нейвс Р., Кашман К.С., Альберола-Ила Дж., Рамос-Казальс М., Сольдевила Г., Раман С., Мерино Дж., Мерино Р. , Энгель П., Лозано Ф. PLoS One. 2014 15 января; 9 (1): e84895. PMID: 24454761

Нацеливание на ключевые патогенные факторы грамположительных бактерий растворимым эктодоменом рецептора CD6, подобного скавенджеру лимфоцитов.Мартинес-Флоренса М., Консуэгра-Фернандес М., Мартинес В.Г., Каньядас О, Армигер-Боррас Н., Бонет-Росельо Л., Фарран А., Вила Дж., Касальс С., Лозано Ф. Дж. Инфекция. 2014 1 апреля; 209 (7): 1077-86. PMID: 24265437

Роль полиморфизмов рецептора Fcγ в ответе на терапию противоопухолевым фактором некроза при псориазе. Фармакогенетическое исследование. Julià M, Guilabert A, Lozano F, Suarez-Casasús B, Moreno N, Carrascosa JM, Ferrándiz C, Pedrosa E, Alsina-Gibert M, Mascaró JM Jr. JAMA Dermatol. 2013 сентябрь; 149 (9): 1033-9.PMID: 24048425

Идентификация функционально релевантных фосфорилируемых сериновых кластеров в цитоплазматической области поверхностного рецептора лимфоцитов CD6 человека. Бонет Л., Фарнос М., Мартинес-Флоренса М., Мартинес В.Г., Лосано Ф. FEBS Lett. 2013 г. 11 июля; 587 (14): 2205-13. PMID: 23711376

Карбокси-концевая область CD5 необходима для опосредованной c-CBL передачи сигнала TCR в тимоцитах. Роа Н.С., Ордоньес-Руэда Д., Чавес-Риос-младший, Раман С., Гарсия-Сепеда Е.А., Лозано Ф., Сольдевила Г.Biochem Biophys Res Commun. 2013 1 марта; 432 (1): 52-9. PMID: 23376399

Эндометриома яичника, но не глубоко инфильтрирующий эндометриоз, ассоциируется с повышенными уровнями интерлейкина-8 и интерлейкина-6 в сыворотке крови. Кармона Ф., Шапрон С., Мартинес-Замора М.А., Сантулли П., Рабанал А., Мартинес-Флоренса М., Лозано Ф., Балаш Дж. Дж. Репрод Иммунол. 2012 сентябрь; 95 (1-2): 80-6. PMID: 22819248

Варианты FCGR2A / CD32A и FCGR3A / CD16A и ответ EULAR на блокаторы фактора некроза опухоли-α при псориатическом артрите: продольное исследование с 6-месячным периодом наблюдения.Рамирес Дж., Фернандес-Суэйро Ю.Л., Лопес-Мехиас Р., Монтилья С., Ариас М., Молл С., Альсина М., Санмарти Р., Лозано Ф., Каньете Д. Д.. J Rheumatol. 2012 Май; 39 (5): 1035-41. PMID: 22467926

Ассоциация синтенина-1 с M-RIP поляризует активацию Rac-1 во время хемотаксиса и иммунных взаимодействий. Сала-Вальдес М., Гордон-Алонсо М., Техера Э., Ибаньес А., Кабреро Дж. Р., Урса А., Миттельбрунн М., Лозано Ф., Санчес-Мадрид Ф., Яньес-Мо М. J Cell Sci. 2012 1 марта; 125 (Pt 5): 1235-46. PMID: 22349701

Случай агрессивного буллезного пемфигоида, связанный с дефектным функциональным вариантом Fc-гамма-рецептора IIb: последствия для патогенеза? Гилабер А., Лозано Ф., Иранзо П., Суарес-Касасус Б., Мартинес-де Пабло И., Хулиа М., Маскаро Дж. М. мл.J Am Acad Dermatol. 2011 ноя; 65 (5): 1062-3. PMID: 22000875

Эволюционные и функциональные доказательства положительного отбора по гену иммунного рецептора CD5 человека. Карнеро-Монторо Э, Бонет Л., Энгелькен Дж., Белиг Т., Мартинес-Флоренса М., Лозано Ф., Бош Э. Мол Биол Эвол. 2012 Февраль; 29 (2): 811-23. PMID: 21998275

Суперсемейство консервативных рецепторов скавенджеров, богатое цистеином, в терапии и диагностике. Мартинес В.Г., Моэструп С.К., Холмсков Ю., Молленхауэр Дж., Лозано Ф. Pharmacol Rev.2011 декабрь; 63 (4): 967-1000.PMID: 21880988

Новый путь опосредованного гликопротеином CD5 ингибирования Т-клеток, зависящий от ингибирующего фосфорилирования киназы Fyn. Бамбергер М., Сантос А.М., Гонсалвес С.М., Оливейра М.И., Джеймс Дж. Р., Морейра А., Лозано Ф., Дэвис С. Дж., Кармо А. М.. J Biol Chem. 2 сентября 2011 г .; 286 (35): 30324-36. PMID: 21757751

Базофилы, IgE и опосредованная аутоантителами болезнь почек. Bosch X, Lozano F, Cervera R, Ramos-Casals M, Min B.J Immunol. 1 июня 2011 г .; 186 (11): 6083-90. PMID: 21597041

Иммуномодулирующие свойства рецептора лимфоцитов CD5 при здоровье и болезни.Soldevila G, Raman C, Lozano F. Curr Opin Immunol. 2011 июн; 23 (3): 310-8. Epub 2011, 7 апреля. PMID: 21482089

Х-рецепторы печени подавляют пролиферацию макрофагов за счет подавления циклинов D1 и B1 и циклин-зависимых киназ 2 и 4. Паскуаль-Гарсия М., Карбо Дж. М., Леон Т., Маталонга Дж., Аут Р., Ван Беркель Т., Сарриас М.Р., Лозано Ф., Селада А., Валледор А.Ф. J Immunol. 2011 15 апреля; 186 (8): 4656-67. PMID: 21398609

Терапевтическое воздействие на В-клетки при ревматических аутоиммунных заболеваниях.Энгель П., Гомес-Пуэрта Дж. А., Рамос-Казальс М., Лозано Ф, Bosch X. Pharmacol Rev.2011, март; 63 (1): 127-56. PMID: 21245206

Молекулярная и функциональная характеристика мышиного S5D-SRCRB: новый член группы B суперсемейства, богатого цистеином, рецепторов скавенджеров. Миро-Хулиа С., Росельо С., Мартинес В.Г., Финк Д.Р., Эскода-Ферран С., Падилья О, Васкес-Эчеверрия С., Эспиналь-Марин П., Пухадес С., Гарсия-Пардо А., Вила J, Серра-Пагес С., Холмсков Ю. , Йеламос Дж., Лозано Ф. Дж. Иммунол. 2011 15 февраля; 186 (4): 2344-54. PMID: 21217009

PD-L1 сверхэкспрессируется в макрофагах печени при хронических заболеваниях печени, и его блокада улучшает антибактериальную активность против инфекций.Pose E, Coll M, Zeng Z, Surewaard BGJ, Fuster D, Pavía J, Graupera, Muñoz É, Català C, Velasco-De Andrés M, Lozano JJ, Lozano F, Sancho-Bru P, Kubes P, Ginès P. Гепатология 2021 2020 20 ноября, DOI: 10.1002 / hep.31644. Интернет впереди печати. (*) Старшее соавторство. PMID: 33219516

89.(*) Старшее соавторство. PMID: 33287301

Питательные вещества | Бесплатный полнотекстовый | Использование смартфонов для персонализации питания во время глобальной пандемии

1. Эпоха информации о пандемии

Владение смартфонами оценивается в 45% населения мира к 2020 году, и ожидается, что в ближайшие годы эта цифра будет только увеличиваться, особенно в развивающиеся нации. Поскольку мобильные устройства широко распространены, они носят с собой пользователи в течение всей их повседневной жизни и предлагают различные способы восприятия, они являются убедительными целями для сбора, мониторинга и взаимодействия данных, что позволяет не только облегчить обратную связь с пользователями, но и предложить доступные индивидуальные вмешательства.

Пандемия COVID-19 уникальна в том смысле, что в ней использовались технологии на базе смартфонов в эпидемиологических целях. Наблюдение за населением и скрининг на болезнь проводились в Соединенных Штатах с помощью приложения, которое собирало данные SmartWatch и трекера активности, а также опросы о симптомах, о которых сообщают сами люди [1,2]. Таким образом, исследование, проведенное на больших когортах из США и Великобритании, основанное на самооценке симптомов через приложение для смартфона, показало, что потеря обоняния и вкуса может быть включена в рутинный скрининг на COVID- 19 [3,4].В Китае данные о геолокации мобильных телефонов используются для отображения распределения подтвержденных случаев, чтобы помочь в принятии решений по снижению скорости передачи [5]. Точно так же контакты зараженных пользователей отслеживались с помощью данных GPS или сигналов Bluetooth (ближнего радиосвязи) [6,7]. Кроме того, в идентификации случая могут помочь технологии на базе смартфонов и дополнительные подключаемые устройства. Вирусная РНК может быть обнаружена путем тестирования в месте оказания медицинской помощи с использованием портативного анализатора и считывающего устройства на смартфоне [8]. Голосовой анализ — это развивающаяся область, которая стремится обнаруживать определенные вокальные «биомаркеры», такие как одышка и кашель, связанные с COVID-19, из записей, полученных с мобильных устройств [9].Другие цифровые технологии, разработанные для диагностики или сдерживания распространения COVID-19, широко освещаются в других источниках [10].

2. Появление приложений для смартфонов в надзоре за диетой

Приложения для питания предоставляют пользователю простой способ регистрировать приемы пищи и другие повседневные действия, получать информацию о питании продуктов и получать автоматические push-уведомления на основе заранее установленных пороговых значений и условий. Они позволяют диетологам и другому медицинскому персоналу оценивать соблюдение пользователями режима питания и нарушения диеты, отслеживать их поведение, ставить цели, отправлять мотивационные сообщения и анализировать данные.Эти функции сделали эти приложения привлекательным средством удаленного диетического обслуживания пользователей, независимо от их статуса в отношении COVID-19. Здесь мы выделим различные варианты использования приложений по питанию, а затем сосредоточимся на особых соображениях, касающихся пандемии COVID-19.

В последнее десятилетие наблюдается всплеск приложений по питанию, что сделало смартфоны проверенным инструментом оценки питания [11,12]. В нескольких исследованиях было высказано предположение, что пользователи были более внимательны к отслеживанию питания с помощью приложений для смартфонов по сравнению с традиционными бумажными и карандашными дневниками питания [13], хотя эти результаты были противоречивыми [14].Кроме того, недавний международный опрос, проведенный специалистами в области здравоохранения (включая диетологов, врачей и медсестер), показал, что 45,5% рекомендуют своим пациентам приложения по питанию [15]. Приложения по питанию широко используются для пропаганды диетических вмешательств, таких как увеличение потребления фруктов и овощей. или уменьшение потребления насыщенных жиров и сахаросодержащих напитков [16,17,18,19]. Они также служат инструментом в вооружении для предотвращения или борьбы с ожирением у детей [20], подростков [21] и взрослых с особыми заболеваниями, такими как беременность [22] и сахарный диабет 2 типа (T2DM) [23] .Что касается последнего, простое вмешательство в виде отправки текстовых сообщений, содержащих информацию, мотивацию, поддержку и напоминания, относящиеся к управлению диабетом, улучшило гликемический контроль у плохо контролируемых лиц с СД2 [24]. Приложения по питанию использовались в исследованиях по другим показаниям, включая соблюдение диеты с низким содержанием соли у пациентов, страдающих сердечно-сосудистыми заболеваниями [25], оптимизацию выбора продуктов питания для пациентов, страдающих нефролитиазом [26], а также мониторинг потребления энергии и пищевого поведения у элитных спортсменов. [27,28].Однако следует отметить, что многие исследования, которые показали многообещающие результаты для стратегий на основе смартфонов, были ограничены периодами краткосрочного вмешательства и не были достаточно методологически строгими. пандемия способствовала увеличению количества приложений для смартфонов, альтернативных социальным взаимодействиям. Различные услуги, в том числе розничная торговля и здравоохранение, адаптировались к меняющейся реальности с помощью телекоммуникаций. Точно так же рекомендации по диете и питанию сталкиваются с острой необходимостью перейти от физических клинических встреч к дистанционным взаимодействиям.Пациенты с COVID-19, особенно пожилые люди, люди с низким социально-экономическим и образовательным статусом или лица с сопутствующими заболеваниями, нуждаются в постоянном диетическом уходе, что представляет собой более сложные и сложные проблемы для медицинских работников, включая повышенный катаболизм, недостаточность питания или измененную физиологию [29, 30,31,32]. Даже людям без COVID-19, которые страдают хроническими заболеваниями или недоеданием, может потребоваться адаптация, чтобы уменьшить отсутствие продовольственной безопасности во время пандемии [33].Кроме того, здоровым людям, которые испытали изменения в образе жизни и стали вести малоподвижный образ жизни из-за введенных ограничений, могут потребоваться изменения в питании, а другим может быть полезно дистанционное консультирование по вопросам питания, чтобы противодействовать психологическому стрессу из-за чрезвычайной ситуации со здоровьем [34,35]. В следующих разделах мы проиллюстрируем роль приложений для смартфонов в области питания как средства решения этих проблем.

3. Требования к приложениям по питанию

Создание эффективного приложения для смартфонов по питанию — это задача, требующая множества размышлений и включающая междисциплинарные усилия и сотрудничество менеджеров по продуктам, инженеров-программистов, медицинского персонала, ученых и аналитиков данных.Приложения должны соответствовать стандартизированному процессу питания (NCP) и, следовательно, следовать структуре оценки питания, диагностики, вмешательства, мониторинга и оценки для обеспечения эффективного и надежного дистанционного непрерывного ухода [36]. Все приложения должны предлагать быстрые и упрощенные средства ведения журнала или отчета о приеме пищи, а многие должны реализовывать дополнительные функции планирования, напоминания, обучения, повышения мотивации и предоставления информации (рис. 1). Опыт пользователя имеет первостепенное значение.Поскольку приверженность пользователей имеет тенденцию к снижению со временем [37] и напрямую связана с эффективностью приложения [38], большой упор следует делать на его целевую аудиторию, например, в то время как яркий интерфейс может понравиться детям, пожилым пользователям может потребоваться расширенное доступность. Дизайн должен быть привлекательным, приятным и простым в использовании, а навигация должна быть быстрой и плавной. Наиболее распространенными методами записи, используемыми на платформах мобильных телефонов, являются электронные дневники питания (с помощью текстовых или графических баз данных), круглосуточное напоминание, сканеры штрих-кода и анализ фотографий еды.Использование технологий анализа изображений в приложениях по питанию в качестве альтернативы письменным записям значительно изменилось за последние годы. Первоначально оценка углеводов требовала длительной перерисовки продуктов питания [39]. Впоследствии искусственный интеллект позволил определять калорийность, углеводы или макроэлементы изображений еды, которые превосходили или не уступали оценке опытных диетологов [40,41]. Технологии анализа изображений могут быть автономными или дополнены голосовой записью, чтобы объяснить содержание фотографии, а затем проанализировать ее диетолог [42].Новые технологии предлагают распознавание изображений продуктов питания с увеличивающейся точностью, используя архитектуру глубоких нейронных сетей [43]. Базы данных продуктов питания должны быть не только всеобъемлющими и актуальными, но и адаптированными к местным условиям пользователей. Таким образом, таблицы состава пищевых продуктов должны быть привязаны к конкретной стране, чтобы обеспечить надежную и точную отчетность о приемах пищи. Кроме того, новорожденные, пациенты в стационаре или люди, страдающие хроническими заболеваниями, должны иметь возможность регистрировать формулы питания и пищевые добавки.Принятие решений должно опираться на проверенные методы, например, недавнее исследование предложило инструмент дистанционного скрининга питания во время пандемии COVID-19 на основе Универсального инструмента скрининга недоедания (MUST) и анкеты SARC-F [44]. Наконец, в каждом приложении для питания должны быть обеспечены принципы конфиденциальности и защиты данных, как это предусмотрено Общим регламентом защиты данных (GDPR). А именно, данные, сообщаемые пользователями, должны собираться и храниться анонимным (или псевдонимизированным) способом, что обеспечивает полную прослеживаемость при обеспечении защиты участников.Разработчики приложений должны проводить тщательный аудит безопасности, включая тесты на проникновение и оценку уязвимостей, чтобы предотвратить утечку данных. Данные не должны передаваться или передаваться сторонним компаниям без информированного согласия, которое должно раскрывать все методы обмена данными. Кроме того, в приложениях по питанию, предназначенных для несовершеннолетних, должен применяться Закон о защите конфиденциальности детей в Интернете (COPPA).

4. Научные приложения приложений по питанию и их подводные камни

Данные, собранные приложениями по питанию, обычно обрабатываются отдельными лицами и их поставщиками медицинских услуг для отслеживания соблюдения ими режима питания и оценки эффекта вмешательств в области питания.Тем не менее, эта информация, если она получена надлежащим образом на больших популяциях, может служить в качестве реальных данных, дополнительного источника к рандомизированным контрольным испытаниям для выявления статистически значимых тенденций в отношении здоровья и получения надежных и значимых выводов в управлении питанием. Эти исследования особенно важны во времена изменения социального и экономического поведения, такого как пандемия COVID-19. Кроме того, данные о питании, перемежающиеся с результатами анализов крови, считаются потенциально ценными и требуют дальнейших исследований у пациентов с COVID-19 в качестве косвенного доказательства, связанного между дефицитом некоторых пищевых компонентов и тяжестью заболевания [45,46].Как предполагалось ранее, хотя и эффективные для увеличения «внимательного приема пищи», а также для продвижения определенных диетических изменений среди пользователей, страдающих заболеваниями (например, снижение потребления соли [47]), приложения по питанию часто не более действенны или надежны, чем традиционные методы [48 [ 49].Эти обескураживающие результаты заслуживают переоценки универсальных диетических рекомендаций и требуют более индивидуального подхода при разработке вмешательств по питанию.

5. Соблюдение персонализированной диеты с помощью приложений для питания

Большое количество доказательств продемонстрировало, что существует большая вариативность реакции на одинаковую пищу у разных людей [52]. Эта изменчивость обусловлена множеством факторов, в том числе личными параметрами, а также окружающей средой потребителя.Следовательно, оптимальное диетическое планирование должно осуществляться в контексте индивидуума и его уникальных особенностей, что делает понятие «одна диета для всех» устаревшим (рис. 2). Вариабельность, присущая хозяину, проистекает из генетических и эпигенетических факторов. Таким образом, метилирование адипогенных генов коррелирует с инсулинорезистентностью после определенного пищевого вмешательства [53]. Факторы окружающей среды, которые влияют на реакцию на диетические вмешательства, включают режимы питания, время приема пищи и их связь с физической активностью и психологическим стрессом [54].Эти факторы, называемые диетическим поведением, могут быть смоделированы на основе данных смартфона и диктуют меры вмешательства [55], поскольку расширенные сенсорные возможности, встроенные в мобильные устройства, позволяют оценивать ежедневные затраты энергии с помощью акселерометрии телефона и выяснять закономерности питания во времени и местоположении с использованием данных GPS [55]. 55]. Методы машинного обучения, применяемые к этим данным, могут помочь в отслеживании и прогнозировании диетических отклонений во время диетических вмешательств, и было показано, что они приводят к большей точности при применении к индивидуально разделенным данным, а не к данным, объединенным по группе людей [55,56].Из многих факторов, формирующих индивидуальную реакцию на пищу, все большее внимание привлекает микробиом желудочно-кишечного тракта. Микробиом, состоящий из триллионов бактерий и других микроорганизмов, играет важную роль в переваривании пищи и оказывает глубокое метаболическое воздействие на хозяина. Исследования показали, что определенные особенности микробиома могут объяснять измененную реакцию на конкретное диетическое вмешательство, например, высокое соотношение между двумя видами бактерий, Prevotella и Bacteroides, в стуле было связано с большей потерей веса [57] и улучшением метаболизма глюкозы [58]. .Наша лаборатория профилировала большую группу людей с точки зрения антропометрических показателей, анализов крови, состава и функций микробиома кала, а также отслеживала их уровни глюкозы в крови с помощью непрерывных мониторов глюкозы в течение одной недели, пока им было дано указание соблюдать еду и активность. дневник через специальное приложение для смартфона. Мы обнаружили, как и другие, высокую индивидуальную вариабельность реакции глюкозы на одну и ту же пищу после еды. Затем мы связали эти различия с индивидуальными особенностями и построили алгоритм машинного обучения на основе дерева решений для прогнозирования реакции глюкозы после еды.В конце концов, мы провели небольшое интервенционное исследование, чтобы доказать, что индивидуализированные меню, разработанные на основе нашего алгоритма, могут эффективно поддерживать нормогликемию [59]. Точно так же недавнее исследование предложило использовать приложение SmartPhone для управления гестационным сахарным диабетом во время COVID-19. Приложение включает в себя нарушения диеты, уровень глюкозы в крови и кетонурию, чтобы давать рекомендации по корректировке диеты и лечения инсулином [60]. Таким образом, персонализированное питание — это целостная многогранная концепция, которая зависит от различных факторов организма, микробиома и окружающей среды.Повсеместное использование приложений для смартфонов по питанию, дополненных биомаркерами и расширенным комплексным анализом, заложило основу для изучения, практики и точной настройки индивидуальной диеты.

6. Перспективы на будущее

Мы предполагаем, что коммерциализация и быстрое развитие мобильных технологий, а также недавние прорывы в анализе больших данных приведут к грядущему прорыву в области персонализированного питания. Включение многомерного профилирования данных о хозяине и микробиоме с отслеживанием приема пищи и пищевого поведения даст высококачественные индивидуальные диетические рекомендации, которые можно оптимизировать для конкретных целей или медицинских условий.

Исследования будут дополнительно изучать детерминанты внутрииндивидуальных различий, такие как добавление или отсутствие питательных микроэлементов [61], влияние предшествующих приемов пищи на реакцию на последующие приемы пищи [62] или влияние циркадной фазы на реакцию на пищу [62] 63]. Что касается последнего, было показано, что ограничение ежедневных часов приема пищи было связано со снижением массы тела и долгосрочным улучшением различных симптомов [64]. Продолжающиеся изменения индивидуальных особенностей потребуют периодической корректировки диетических рекомендаций.Эта и вышеупомянутая связь между уровнями нескольких микронутриентов и тяжестью COVID-19 может потребовать частых анализов крови или профилирования микробиома, или разработки дополнительных тестов для количественной оценки дефицита питательных веществ в месте оказания медицинской помощи, таких как сывороточное железо, витамин A и витамин B12. [65,66]. Более того, приложения для смартфонов будут выходить за рамки предоставления рекомендаций по питанию и обеспечивать активные модификации поведения, поэтому пользователи будут косвенно делать выбор в пользу более здорового образа жизни. Интересный пример этого понятия был засвидетельствован у пользователей мобильного приложения Pokémon GO, которые увеличили количество шагов после установки игры [67].Нестандартное мышление может помочь улучшить соблюдение режима питания и вызвать мотивацию к изменению режима питания и образа жизни. Например, в одном исследовании была предложена интегративная система для подростков, которая состоит из одежды, в которую встроены устройства мониторинга, трекеры активности, веб-портал и несколько приложений для смартфонов с модулями вознаграждения и геймификации [68]. Точно так же интерфейс между приложениями по питанию и веб-сайтами социальных сетей может повысить приверженность некоторых пользователей.

Принимая во внимание эти идеи, наблюдение за питанием и принятие решений в это время глобальной пандемии может создать множество проблем; однако приложения для смартфонов потенциально могут их преодолеть и проложить путь к расширенному и более эффективному персонализированному питанию.

% PDF-1.4 % 1 0 объект > >> эндобдж 4 0 объект > эндобдж 2 0 obj > транслировать 2020-10-12T19: 16: 02 + 05: 302020-10-28T05: 23: 25-07: 002020-10-28T05: 23: 25-07: 00Adobe InDesign CS6 (Windows) uuid: 7fcb6adf-1dd2-11b2- 0a00-8100389a9effxmp.did: EB7F9A58C012E71191E295D4435D7F45xmp.id: 568F183C910CEB118E40FFC2674172E3proof: pdfxmp.iid: 558F183C910CEB118E40FFC2674172E3xmp.did: D8CF362AF641E811ABDAF06189B321DCxmp.did: EB7F9A58C012E71191E295D4435D7F45default

convertedfrom применение / х-InDesign к применению / pdfAdobe InDesign CS6 (Windows) / 2020-10-12T19: 16: 02 + 05: 30

application / pdf Библиотека Adobe PDF 10.0,1 Ложь конечный поток эндобдж 3 0 obj > эндобдж 5 0 объект > эндобдж 6 0 объект > эндобдж 7 0 объект > / XObject> >> / Аннотации [27 0 R 28 0 R 29 0 R] / Родитель 5 0 R / MediaBox [0 0 595 842] >> эндобдж 8 0 объект > / ExtGState> / Шрифт> / ProcSet [/ PDF / Text] / Свойства> / Затенение> / XObject> >> / Повернуть 0 / TrimBox [0,0 0,0 595,276 793,701] / Тип / Страница >> эндобдж 9 0 объект > / Шрифт> / ProcSet [/ PDF / Text] / XObject> >> / Повернуть 0 / TrimBox [0,0 0,0 595.276 793.701] / Тип / Страница >> эндобдж 10 0 объект > / Шрифт> / ProcSet [/ PDF / Text] >> / Повернуть 0 / TrimBox [0,0 0,0 595,276 793,701] / Тип / Страница >> эндобдж 11 0 объект > / Шрифт> / ProcSet [/ PDF / Text] / XObject> >> / Повернуть 0 / TrimBox [0,0 0,0 595,276 793,701] / Тип / Страница >> эндобдж 12 0 объект > / Шрифт> / ProcSet [/ PDF / Text] >> / Повернуть 0 / TrimBox [0,0 0,0 595,276 793,701] / Тип / Страница >> эндобдж 13 0 объект > / Шрифт> / ProcSet [/ PDF / Text] / XObject> >> / Повернуть 0 / TrimBox [0.0 0,0 595,276 793,701] / Тип / Страница >> эндобдж 14 0 объект > / Шрифт> / ProcSet [/ PDF / Text] >> / Повернуть 0 / TrimBox [0,0 0,0 595,276 793,701] / Тип / Страница >> эндобдж 15 0 объект > / Шрифт> / ProcSet [/ PDF / Text] / XObject> >> / Повернуть 0 / TrimBox [0,0 0,0 595,276 793,701] / Тип / Страница >> эндобдж 16 0 объект > / Шрифт> / ProcSet [/ PDF / Text] / Свойства> >> / Повернуть 0 / TrimBox [0,0 0,0 595,276 793,701] / Тип / Страница >> эндобдж 17 0 объект > / Шрифт> / ProcSet [/ PDF / Text] / XObject> >> / Повернуть 0 / TrimBox [0.0 0,0 595,276 793,701] / Тип / Страница >> эндобдж 18 0 объект > / Шрифт> / ProcSet [/ PDF / Text] >> / Повернуть 0 / TrimBox [0,0 0,0 595,276 793,701] / Тип / Страница >> эндобдж 19 0 объект > / Шрифт> / ProcSet [/ PDF / Text] / XObject> >> / Повернуть 0 / TrimBox [0,0 0,0 595,276 793,701] / Тип / Страница >> эндобдж 20 0 объект > / Шрифт> / ProcSet [/ PDF / Text] / XObject> >> / Повернуть 0 / TrimBox [0,0 0,0 595,276 793,701] / Тип / Страница >> эндобдж 21 0 объект > / Шрифт> / ProcSet [/ PDF / Text] / XObject> >> / Повернуть 0 / TrimBox [0.0 0,0 595,276 793,701] / Тип / Страница >> эндобдж 22 0 объект > транслировать xVr6} WSIY7u & iG @ $$! &

Расширение прав и возможностей пациентов посредством прогнозируемой персонализированной поддержки принятия решений (PEPPER) — валидационное исследование. — Просмотр полного текста

Алгоритм поддержки принятия решений: Алгоритм поддержки принятия решений основан на аргументации на основе случая (CBR). CBR — это метод искусственного интеллекта, который пытается решить вновь возникшие проблемы, применяя решения, извлеченные из решенных проблем, встречавшихся в прошлом.Комбинация параметров составляет задачу случая, представленную алгоритму CBR. Используя эту информацию, алгоритм найдет аналогичный сценарий случая из пула ранее встречавшихся случаев и порекомендует улучшенное решение (доза инсулина) для достижения наилучшего возможного результата (уровень глюкозы в крови после приема пищи). Каждый новый случай включает информацию о проблеме (например, уровень глюкозы в капиллярной крови, информация о приеме пищи и т. Д.), Решении (рекомендуемая доза инсулина) и исходе (уровень глюкозы в крови после приема пищи).

PEPPER предлагает двойную архитектуру для терапии как многократных ежедневных инъекций (MDI), так и непрерывной подкожной инфузии инсулина (CSII). В обоих случаях пользователь периодически носит монитор глюкозы непрерывного действия (CGM) и монитор активности.

Handset CSII version: Телефон представляет собой портативное устройство с сенсорным экраном, которое напрямую обменивается данными с инсулиновой помпой с запущенным приложением PEPPER. Его основная функция в PEPPER — позволить пользователю точно управлять инсулиновой терапией, принимая или отклоняя рекомендации по дозировке болюсного инсулина. , вычисляется алгоритмом поддержки принятия решений на основе CBR через графический интерфейс.Кроме того, он автоматически записывает уровень глюкозы и позволяет регистрировать потребление пищи и другие параметры.

Версия MDI: эта трубка представляет собой коммерчески доступный смартфон с приложением для рекомендации инсулина, работающим локально в стандартной операционной системе, такой как операционная система iPhone (iOS) или Android. Он имеет те же функции, что и телефонная трубка в версии CSII, за исключением того, что он не подключен к инсулиновой помпе, и пациенты должны вводить инсулин с помощью инсулиновых шприцов.

Версия защищенного веб-сервера: телефон по беспроводной связи передает историю болезни пользователя на защищенный портал, веб-сайт, который позволяет врачу добавлять новых пациентов и просматривать случаи, чтобы решить, какие из них следует сохранить. Случай включает множество параметров, таких как потребление углеводов, показания уровня глюкозы крови, состав еды, физическая активность и гормональный цикл.

Personal Health Record на защищенном портале позволяет пациентам и врачам просматривать и обновлять выбранные компоненты подробной истории болезни.

Система доставки инсулина:

MDI: будет поставляться инсулиновая ручка с 0,5 МЕ инсулина. CSII: будет использоваться инсулиновая помпа Cellnovo. Система непрерывного мониторинга уровня глюкозы. Датчик глюкозы, который будет использоваться во время клинических исследований, — это датчик Dexcom (с маркировкой CE, производство Dexcom) . Этот ток пропорционален концентрации глюкозы в интерстициальной жидкости и калибруется по глюкозе в крови минимум каждые 12 часов. Данные Dexcom CGM автоматически передаются на защищенный веб-сервер и защищенный веб-портал PEPPER.Участники смогут видеть свои данные CGM в любое время, и они будут постоянно использоваться на протяжении всего исследования.

Функции безопасности: Будут включены сигналы тревоги по низкому и высокому уровню глюкозы, чтобы предупреждать пользователя об обнаружении гипо- и гипергликемии, чтобы пользователь мог действовать соответствующим образом, чтобы вернуть уровни глюкозы в целевой диапазон.

Алгоритм предсказания уровня глюкозы для предсказания гипогликемии. Алгоритм прогнозирования гипогликемии позволит системе автоматически активировать функцию суспензии с низким содержанием глюкозы у участников помпы (приостановка подачи инсулина до тех пор, пока уровень глюкозы не окажется в пределах целевого диапазона) и / или активировать адаптивный советник по углеводам, который порекомендует персонализированный углеводный перекус.

Ограничения безопасности инсулина. Для предотвращения передозировки инсулина будут включены индивидуальные пороговые значения максимальной дозы инсулина.

Обнаружение неисправностей. Инсулиновые помпы и CGM — это хорошо зарекомендовавшие себя технологии, но в этих устройствах могут возникать неисправности (например, закупорка помпы, потеря чувствительности датчика). Система обнаружения неисправностей идентифицирует такие неисправности и предупреждает пользователя, чтобы он рекомендовал соответствующие действия для возврата в нормальное состояние.

Клиническое исследование Набор.Это многоцентровое исследование, и набор участников для клинического исследования будет проводиться в диабетических клиниках Института биомедицинских исследований Жироны (IdIBGi) (Испания) и Имперского колледжа Лондона (ICL) (Великобритания) из зарегистрированных исследовательских баз данных и из заинтересованные участники, которые обращаются к нам.

Цель: продемонстрировать безопасность, осуществимость и удобство использования системы PEPPER по сравнению со стандартным калькулятором болюса.

Стандартная система калькулятора болюса будет включать стандартные сигналы тревоги низкого и высокого уровня глюкозы RT-CGM.

Методология: Рандомизированное открытое перекрестное исследование Популяция: 50 взрослых с СД1 (25 на MDI и 25 на CSII). Рандомизация: участники, соответствующие критериям включения, будут рандомизированы в группу PEPPER / контроль или контроль / PEPPER в соотношении 1: 1. соотношение. Группы будут разделены насосом или MDI. Обе группы будут использовать CGM. Через 3 месяца каждая группа вернется к своей стандартной терапии на 4 недели (период вымывания), а затем перейдет к другой группе.

Шкала времени: Каждый участник будет участвовать в исследовании в течение 7 месяцев.Предполагается, что для завершения этого этапа потребуется 12 месяцев.

2.1 Оценка удобства использования в ходе клинических испытаний

Тестирование на основе задач с пользователями с использованием стандартных показателей эффективности и удовлетворенности. Для сбора данных об удобстве использования и удовлетворенности будут использоваться смешанные методы, в том числе:

A. Структурированные проверенные и непроверенные анкеты удовлетворенности и приемлемости лечения B. Полуструктурированные интервью C. Автоматический сбор количественных данных из системы PEPPER о времени, затраченном на получение рекомендаций по болюсу инсулина для пользователей, и времени, затраченном на внесение изменений клиническими специалистами. следователи.

D. Аудиозапись E. Видеозапись — тренировочное занятие, во время которого участнику будет предложено выполнить задания в системе PEPPER. Этот процесс будет наблюдаться, чтобы определить общие проблемы и недопонимания, а также аспекты, которые успешно сработали. Во время обучения телефон будет снимать на видео, чтобы увидеть, какой аспект описывается.

PEPPER корпус доработки. База случаев PEPPER будет пересматриваться каждые 2 недели в течение всего периода вмешательства (PEPPER с CBR), и это будет полуавтоматический процесс, выполняемый удаленно через защищенный веб-сервер.Любые новые кейсы будут одобрены исследовательской группой до включения в базу кейсов. Это обеспечивает удаленный контроль и предотвращает любые потенциальные сбои в системе, несмотря на меры безопасности. Участникам не нужно будет посещать отдел клинических исследований для пересмотра. Обычное лечение диабета будет поддерживаться на протяжении всего исследования. Будет предложена поддержка всем участникам, обеспокоенным лечением диабета.

Участники как группы вмешательства, так и контрольной группы будут иметь возможность вызывать врача для медицинской поддержки и инженера для технической поддержки 24 часа в сутки на протяжении всего исследования.

Статистика Это 7-месячное рандомизированное контролируемое перекрестное пилотное исследование для оценки безопасности и удобства использования системы PEPPER по сравнению со стандартным калькулятором болюсов. 50 участников (25 участников MDI и 25 участников CSII) будут включены в исследование. Чтобы учесть процент отсева 10%, мы проверим 55 участников. Первичный результат — это процент времени в целевых и вторичных результатах, как указано в разделе «Конечные результаты».

С 50 участниками разница 0,57 SD может быть продемонстрирована как значимая при α 0,05 и 80% степени (двусторонний). На основании среднего (стандартное отклонение)% времени достижения цели (3,9-10 ммоль / л) в пилотном исследовании, равное 61,6 (18,8), разница в% времени достижения цели в 10,7 (= 0,57×18,8) может быть продемонстрирована как значимая между вмешательством и контроль в этом исследовании.

Размер выборки сопоставим с другими исследованиями передачи технологий, это реалистичное число для набора персонала и обеспечивает надежную дату безопасности новой технологии.

Первичный анализ в рандомизированном перекрестном исследовании будет следовать принципу назначения лечения. Изменение первичного результата между двумя группами лечения будет сравниваться с использованием дисперсионного анализа (ANOVA). Модель ANOVA будет включать последовательность периодов и субъект в последовательности как фиксированные эффекты. Недостающие данные будут вменяться с использованием метода Рубина, если это возможно. Для всех результатов CGM будет использоваться многоуровневая модель повторных измерений (MMRM). Подобные анализы будут проводиться отдельно для дневного и ночного времени.Данные CGM будут объединены, дав равный вес каждому часу дня.

Анализы безопасности будут включать тяжелую гипогликемию, диабетический кетоацидоз и все зарегистрированные нежелательные явления. Частота событий будет рассчитана на 100 человеко-лет. Число событий будет сравниваться между двумя группами лечения с использованием надежной регрессии Пуассона, а процент субъектов, у которых есть хотя бы одно событие, будет сравниваться с использованием точного критерия Фишера. Сравнения групп лечения по общему суточному инсулину и весу будут проводиться с использованием анализа ковариационных моделей, скорректированных на соответствующее исходное значение.

Для каждого вопросника средние значения ± стандартное отклонение или процентили, соответствующие распределению, будут предоставлены группой рандомизации для общего балла и каждой подшкалы. Сравнение групп лечения будет проводиться с использованием аналогичных линейных моделей, описанных выше для основных исходов.

Следующие таблицы будут составлены в соответствии с группой лечения без статистического тестирования: исходные демографические и клинические характеристики, блок-схема, учитывающая всех субъектов для всех посещений, отклонения протокола, неисправности устройства и другие сообщения о проблемах с устройством, принятые рекомендации по болюсу, просмотры экранов и Приложение использует время в день.

Данные В ходе ознакомительных поездок некоторые данные будут храниться на портативных компьютерах, не подключенных к Интернету, для последующего статистического анализа. Эти данные будут закодированы, и их невозможно будет идентифицировать. Портативные компьютеры можно использовать во время посещений для мобильности и удобства. В конце каждого посещения анонимные данные будут немедленно переданы на защищенный веб-сервер (подробности ниже) и будут удалены с портативного компьютера.

Любые идентифицируемые данные об участниках будут храниться в запертом картотеке в защищенном помещении в каждом исследовательском центре.Только группа клинических исследований будет иметь доступ к данным, позволяющим идентифицировать этого участника.

5.1 Конфиденциальность данных, собранных во время интервью Для обеспечения безопасности данные, полученные в ходе интервью, будут зашифрованы и надежно храниться, с доступом только для исследователей. Данные будут деидентифицированы, так что только исследователи смогут связать данные с вовлеченным участником, используя обратимые коды. Это делается исключительно с целью сравнения и оценки отдельных интервью.Любые итоговые публикации, использующие данные, не будут идентифицировать участников, и любые цитаты будут анонимными, если участники согласятся на это. Все данные будут надежно храниться в течение 10 лет после завершения проекта.

Во всех аудио- или видеозаписях не используются имена или другие легко идентифицируемые утверждения. Любые записи, которые нарушают это, будут отредактированы, чтобы опустить заявление, а оригинал уничтожен. Аудио- и видеозаписи будут храниться 10 лет.

Все данные будут храниться в анонимной форме с использованием номеров исследования для идентификации участников.

Будет созван комитет по мониторингу данных для оценки данных, собранных в ходе исследования. Этот комитет будет состоять из главного исследователя на каждом участке, непрофессионала, независимого диабетолога и независимого ученого.

5.2 Электронное хранение данных на защищенном веб-сервере Безопасность и конфиденциальность данных будут приоритетом при работе с медицинскими данными, такими как данные, хранящиеся в системе PEPPER.Во время клинического исследования анонимные клинические данные будут вводиться и храниться на защищенном веб-сервере. Анонимные данные, собранные телефоном PEPPER (такие как глюкоза, информация о еде, физическая активность, алкоголь, упражнения) и системой Dexcom CGM, будут автоматически передаваться на защищенный веб-сервер. Для этого будут соблюдаться нормативные процедуры ЕС (Директивы 95/46 / EC и 2002/58 / EC). Медицинские данные будут храниться и защищены от несанкционированного доступа; передача данных будет защищена; только авторизованные пользователи будут иметь доступ к услугам и сохраненным данным.Для использования приложения и синхронизации данных потребуется аутентификация. PEPPER будет работать в соответствии со стандартными руководящими принципами взаимодействия (например, HL7), так что информация может беспрепятственно обмениваться между различными компонентами. Авторизованные пользователи будут включать членов исследовательской группы из сотрудников PEPPER. Соавторы смогут просматривать только анонимные данные телефона PEPPER.

Данные, полученные в ходе исследования, будут проанализированы совместной исследовательской группой PEPPER на своих участках.Анализ будет проводиться на основе анонимных данных, которые будут агрегированы во время совместных встреч в любом клиническом центре.

Отсутствующие, неиспользованные или ложные данные будут оцениваться на индивидуальной основе и могут быть проигнорированы, отозваны или посещение может быть исключено из анализа с соответствующим обоснованием, вынесенным ответственным исследователем.

Процедуры отчетности о нежелательных явлениях (НЯ). Обо всех нежелательных явлениях будет сообщено. В зависимости от характера события будут соблюдаться приведенные ниже процедуры отчетности.Любые вопросы, касающиеся сообщения о нежелательных явлениях, будут в первую очередь адресованы главному исследователю.

Несерьезные НЯ: все такие события будут записаны. Серьезные нежелательные явления (СНЯ): форма СНЯ будет заполнена и отправлена по факсу главному исследователю в течение 24 часов. Однако госпитализации для планового лечения ранее существовавшего состояния не требуют регистрации как СНЯ.

Отчеты о связанных и неожиданных СНЯ будут представлены в течение 15 дней после того, как главный следователь узнает о происшествии.Главный исследователь также будет уведомлять спонсора обо всех SAE, где, по мнению главного исследователя, событие:

Электронные журналы Thieme — методы информации в медицине / Полный текст

Разрешения на скачивание и перепечатки в формате PDF

Аннотация

Цели. Искусственный интеллект (ИИ), включая прогнозную аналитику, имеет большой потенциал для улучшения лечения распространенных хронических состояний с высокой заболеваемостью и смертностью. Однако на пути к достижению этого видения все еще есть много проблем.Целью этого проекта была разработка и применение методов улучшения лечения хронических заболеваний с использованием ИИ.

Методы Используя набор данных из 27 904 пациентов с диабетом, был разработан и проверен аналитический метод для создания графика пути лечения, который состоит из моделей, которые прогнозируют вероятность достижения целей лечения альтернативными стратегиями лечения. Управляемая искусственным интеллектом система поддержки принятия клинических решений (CDSS), интегрированная с электронной историей болезни (EHR), была разработана путем инкапсуляции моделей прогнозирования в модуль веб-службы OpenCDS и доставки результатов модели через SMART на FHIR (заменяемые медицинские приложения и повторно используемые технологии). на ресурсах Fast Healthcare Interoperability Resources) на веб-панели управления.Этот CDSS позволяет клиницистам и пациентам просматривать соответствующие параметры пациента, выбирать цели лечения и анализировать альтернативные стратегии лечения на основе результатов прогнозов.

Результаты. Предложенный аналитический метод превзошел предыдущие алгоритмы машинного обучения по точности прогнозов. CDSS была успешно интегрирована с Epic EHR в Университете Юты.

Заключение CDSS, основанный на прогнозной аналитике, был разработан и успешно интегрирован с EHR с помощью основанных на стандартах структур взаимодействия.Используемый подход потенциально может быть применен ко многим другим хроническим состояниям, чтобы довести CDSS, управляемую искусственным интеллектом, до точки оказания медицинской помощи.

# Ключевые слова
искусственный интеллект — система поддержки принятия клинических решений — информационные технологии здравоохранения — лечение заболеваний — хроническое заболевание
Введение
Прогностическое моделирование и искусственный интеллект (ИИ) имеют большой потенциал для улучшения помощи в широком спектре клинических областей [1] [2] [3] включая диагноз, [3] [4] [5] [6] оценка риска, [7] [8] [9] управление образом жизни, [10] и домашний мониторинг.[11] [12] Такие основанные на искусственном интеллекте подходы к улучшению медицинской помощи могут иметь значительное влияние, если их эффективно применять при лечении распространенных хронических заболеваний с высокой заболеваемостью и смертностью, таких как сахарный диабет. [13] В частности, поддержка принятия клинических решений (CDS) является многообещающим подходом к информированию о лечении хронических заболеваний с использованием ИИ. [14] [15] [16] Действительно, инструменты CDS на основе машинного обучения (ML) были изучены для предоставления рекомендаций по фармакотерапии [17] [18] и прогнозирование риска осложнений [19] [20] в контексте хронического заболевания.Стандарты функциональной совместимости также изучались как средство облегчения распространения инструментов CDS для общих хронических заболеваний [21], в том числе для предоставления рекомендаций по уходу на основе искусственного интеллекта.
Несмотря на большие перспективы, CDS на основе искусственного интеллекта для улучшения лечения хронических заболеваний, особенно в целях поддержки выбора лечения, все еще находится на начальной стадии. Чтобы выполнить это обещание, необходимо преодолеть по крайней мере две важные проблемы.
Первая задача — точное и надежное прогнозирование ожидаемых результатов лечения на основе реальных данных.Несмотря на их успешное применение в других клинических областях, алгоритмы машинного обучения, такие как Random Forest [22] (RF) и Gradient Boosting Tree [23] (GBT), могут приводить к необъективным оценкам в контексте прогнозирования результатов лечения [24]. Кроме того, подходы машинного обучения способны изучать только шаблоны, встречающиеся в обучающем наборе данных. Таким образом, модели, созданные с использованием подходов машинного обучения, могут дать неожиданные результаты в новых клинических условиях и, следовательно, могут быть неприемлемыми для практикующих врачей в этих условиях.
Вторая важная задача — интегрировать управляемую ИИ CDS в клинические рабочие процессы. Даже когда базовые компоненты, такие как прогностические модели, эффективны и точны, управляемая ИИ система поддержки принятия клинических решений (CDSS) может не подходить для использования в загруженных клинических условиях, если они не интегрированы эффективно с клиническими рабочими процессами. Эта интеграция с клиническими рабочими процессами и электронной историей здоровья (EHR) в идеале должна использовать техническую архитектуру, которая обеспечивает масштабное развертывание.

#
Цели
В этой статье предлагаются методы CDS на основе искусственного интеллекта для лечения хронических заболеваний, чтобы помочь клиницистам выбирать стратегии лечения более рационально и с уверенностью во время рабочего процесса. Эта статья вносит следующие вклады:
Мы предлагаем новый метод прогнозирования, оценку на основе графика пути лечения (TPG), в котором TPG используется для прогнозирования вероятности достижения целей лечения с помощью альтернативных стратегий лечения.Наш подход превосходит базовые модели машинного обучения в задачах прогнозирования результатов лечения в контексте реальных наборов данных EHR.
Мы описываем основанный на стандартах подход к интеграции прогнозных моделей с EHR с использованием широко принятых стандартов взаимодействия и инструментов с открытым исходным кодом. Этот CDSS, интегрированный в EHR, облегчает совместное принятие решений врачами и пациентами, поскольку они выбирают оптимальную стратегию лечения, которая учитывает результаты прогнозного моделирования в сочетании с другими соответствующими данными, такими как профили затрат и побочных эффектов.
В этом исследовании мы выбрали сахарный диабет 2 типа (СД2) в качестве целевого заболевания из-за его значительной заболеваемости и смертности, а также из-за того, что нынешний стандарт оказания помощи в отношении фармакотерапии основан на методе проб и ошибок. Установленное клиническое руководство в этой области — Стандарты медицинской помощи при диабете Американской диабетической ассоциации (ADA). [25] — представляет собой научно обоснованное руководство по режимам фармакотерапии. [26] [27] Однако около половины пациентов с СД2 не могут достичь цели лечения по контролю уровня гемоглобина A1c (HbA1c) до уровня менее 7%, [25] [28] из-за отсутствия приверженности пациентов, [25] [29] клиническая инерция, [29] [30] [31] [32] [33] и подход к выбору лечения методом проб и ошибок.[26] [27] Наша цель заключалась в разработке CDSS, интегрированного в EHR, который преодолевает проблемы, описанные выше, и поддерживает персонализированную фармакотерапию с использованием искусственного интеллекта для лечения СД2.

#
Методы
В этом исследовании мы разработали новый подход к прогнозному моделированию, применили этот подход TPGE для разработки моделей прогнозирования результатов лечения СД2, оценили эффективность этих моделей и интегрировали их с EHR, используя подход, основанный на стандартах и ориентированный на пользователя. .Используемые методы описаны ниже. Это исследование было одобрено экспертными советами Университета штата Юта и группой исследований и разработок Hitachi, Ltd.
.
Оценка на основе графика пути лечения
Недавно Metalearners были предложены в качестве основы для оценки условных средних эффектов лечения с использованием машинного обучения. [34] Один из подходов Metalearners, известный как T-Learner, оценивает условные ожидания результатов отдельно для единиц, находящихся под контролем, и тех, которые проходят лечение, а затем принимает различия между ними как условные средние эффекты лечения.Оценка результатов проводится с помощью двух моделей ML, независимо построенных на основе данных группы лечения и контрольной группы, соответственно. Это контрастирует с другими подходами, основанными на машинном обучении, такими как Причинное дерево [35], которые строят единую модель на основе комбинированных данных лечения и контроля для прогнозирования ожидаемого эффекта. Эта функция T-ученика позволяет ему одновременно прогнозировать два типа результатов для контрольной группы и группы лечения. Основываясь на идее T-Learner, мы предлагаем TPGE для прогнозирования результатов лечения несколькими руками для выбора лечения.
Ключевая идея состоит в том, чтобы построить TPG, представляющую структуру перехода лечения из реальных данных, и построить модели прогнозирования, стратифицированные переходами графа. Структура графика может предоставить возможные стратегии лечения пациента эмпирическим путем. Каждая модель прогнозирования может оценить результат лечения для перехода к лечению. Кроме того, каждая модель может предсказать влияние одновременной потери веса на результат лечения. Метод TPGE состоит из трех процессов: формирование данных, построение графа и построение модели.

#
Формирование данных
Этот процесс генерирует готовые к аналитике векторные данные из накопленных записей EHR для построения графика и моделей. Каждые векторные данные соответствуют одному случаю и содержат типы лечения, уровни HbA1c до и после изменения лечения и другую важную информацию.
Для начала извлекаются записи для пациентов с двумя или более измерениями HbA1c. Во-вторых, для каждого пациента строятся наборы векторов, состоящие из базовых и задних значений HbA1c.Два измерения HbA1c должны быть выполнены в течение 90 ± 30 дней для 3-месячного прогноза и в течение 180 ± 30 дней для 6-месячного прогноза, поскольку пациенты с СД2 обычно наблюдаются каждые 3–6 месяцев. В-третьих, для каждой пары HbA1c извлекается информация о трех типах лекарств: доля дней, покрываемых для первоначально прописанных лекарств (PDC-OPD), доля дней, покрываемых для вновь прописанных лекарств (PDC-NPD), и общее количество дней, покрываемых для лекарств, прописанных в прошлое (TDC-PPD). PDC-OPD — это доля дней, покрытых лекарствами от диабета (PDC) за 90 дней до базового измерения HbA1c.PDC-NPD — это PDC для лекарств от диабета между исходным и задним измерениями HbA1c. TDC-PPD — это общее количество дней приема лекарств от диабета до 90 дней до базового измерения HbA1c. Эти расчеты проводятся для классов лекарств, приведенных в [Табл. 1]. Наконец, извлекается другая важная информация, включая демографические данные пациентов (возраст и пол), результаты лабораторных анализов (например, натрий, триглицериды, расчетная скорость клубочковой фильтрации), жизненно важные признаки (масса тела, индекс массы тела и артериальное давление) и диагнозы. в качестве дополнительных функций.Дополнительные характеристики, такие как страховой статус пациента, были оценены, но не были включены в окончательную модель из-за их ограниченного вклада в объяснительную силу прогностических моделей.
Таблица 1
Классы лекарств
Класс
Аббревиатура
Метформин
МЕТ
Сульфонилмочевина
SUL
Ингибитор дипептидилпептидазы-4
ДПП-4
Ингибитор ко-транспортера 2 натрия и глюкозы
SGLT2
Тиазолидиндионы
TZD
Агонисты рецептора глюкагоноподобного пептида-1
ГПП-1
Инсулины длительного действия
INS
Последние результаты лабораторных анализов и последние показатели жизненно важных функций перед измерением исходного уровня HbA1c извлекаются и преобразуются в клинически значимые категориальные значения (например,g., низкий, нормальный и высокий). Когда применимое значение отсутствует, оно выражается как одно категориальное значение (т. Е. «Отсутствует»). Коды ICD9 / ICD10, связанные с посещениями в течение прошлого года, извлекаются как признаки диагноза. Коды диагнозов подразделяются на 135 категорий с использованием категорий второго уровня Программного обеспечения клинической классификации [36] (CCS), а затем преобразуются в двоичные векторы, где каждый элемент представляет наличие или отсутствие соответствующего CCS в прошлом году.[Таблица 2] показывает пример готовых к аналитике векторных данных. Соответствующие функции прогнозирования включают две демографические данные, восемь результатов лабораторных анализов, четыре основных показателя жизнедеятельности и 135 кодов CCS.
Таблица 2
Формат векторных данных для построения модели прогнозирования результатов лечения
Задний HbA1c
Исходный уровень HbA1c
PDC-OPD
PDC-NPD
Лабораторные исследования
Знаки жизнедеятельности
Диагностика / проблемы
MET
SUL
…
МЕТ
SUL
…
рСКФ
…
ИМТ
…
…
7,5
8,3
0
0
…
0
1.0
…
…
…
…
8,8
9,7
0,7
0
…
1,0
1,0
…
…
…
…
9,5
10,3
0,6
0
…
1,0
1,0
…
…
…
…
Сокращения: ИМТ, индекс массы тела; рСКФ — расчетная скорость клубочковой фильтрации; HbA1c, гемоглобин A1c; МЕТ, метформин; НПД, вновь прописанные препараты; OPD, первоначально прописанные препараты; PDC — доля охваченных дней; SUL, сульфонилмочевины.

#
Построение графика
TPG состоит из узлов и направленных ребер. Каждый узел описывает одну стратегию лечения (т. Е. Комбинацию препаратов), а каждое направленное ребро описывает переход лечения от одного к другому. [Инжир. 1] показывает пример TPG. В этом примере узел «без лекарств» имеет два направленных края: одно возвращается к самому себе, а другое продвигается к узлу «метформин». График описывает ситуацию, когда пациент без каких-либо лекарств от диабета, вероятно, либо: (1) останется в том же состоянии, либо (2) перейдет к следующему этапу, принимая метформин в качестве первого рецепта.Построение TPG выполняется путем стратификации векторных данных, готовых к аналитике, по их переходам обработки, состоящим из OPD и NPD. OPD и NPD с PDC, равным или превышающим 80%, извлекаются и используются для стратификации.
Рис. 1 График пути лечения.
Для каждого перехода частота перехода и допустимый диапазон уровней HbA1c рассчитываются и регистрируются на основе распределения данных. Эта информация используется, чтобы помочь определить, является ли переход возможным вариантом для пациента на основе его / ее OPD и исходного уровня HbA1c при создании персонализированных прогнозов результатов лечения для пациента.[Инжир. 2] показывает, как рассчитывается допустимый диапазон HbA1c для варианта лечения. Распределение HbA1c, принадлежащее переходу, сглаживается путем применения среднего фильтра, который суммирует количество записей. После сглаживания интервалы, в которых размер выборки превышает 10, объединяются в допустимый диапазон. Размер ядра усреднения установлен на 10, если уровень HbA1c меньше 10%, и 20, когда уровень HbA1c больше или равен 10%. Действительными считаются только ячейки размером не менее 10.
Рис. 2 Процесс расчета допустимого диапазона HbA1c. HbA1C, гемоглобин A1c.
#
Конструкция модели
Модели прогнозирования результатов лечения построены для каждого перехода лечения на графике ([Рис. 3]). Каждая модель построена из векторных данных, принадлежащих одному и тому же переходу. Модели одного цвета можно рассматривать как сопоставимые, поскольку эти модели имеют общие OPD. Целевая переменная каждой модели — это вероятность достижения целевых показателей лечения, таких как снижение HbA1c до уровня ниже 7.0% в течение 3 или 6 месяцев. В качестве цели прогноза мы выбрали вероятность, а не непрерывный уровень HbA1c, потому что дисперсия точечных оценок уровней HbA1c очень велика. Кроме того, мы чувствовали, что для пациентов будет легче понять вероятность достижения цели лечения, чем расчетное среднее значение с доверительным интервалом, особенно при параллельном сравнении нескольких альтернативных вариантов лечения.
Рис. 3 Построение модели на графике пути лечения.
Чтобы обеспечить надежные прогнозы даже при небольшом размере выборки, модели строятся как составные модели машинного обучения, которые состоят из опорной векторной регрессии [37] (SVR) и логистической регрессии [38] (LR) ([Рис.4]). SVR моделирует нелинейную взаимосвязь между исходным уровнем HbA1c и задним HbA1c, поскольку исходный уровень HbA1c является доминирующим предиктором результата лечения. LR учитывает влияние других вспомогательных предикторов результата лечения. LR также преобразует выходные данные в вероятности.
Рис. 4 Модель с накоплением.
Чтобы предсказать влияние потери веса, а также фармакотерапии, вероятное влияние потери веса на 5% заложено в каждую модель между двумя моделями. Эффект рассчитывается по следующему уравнению, которое было введено на основе систематического обзора проспективных исследований по снижению веса у пациентов с СД2 [39]:
ΔHbA1c = á + â · ΔWeight + ã · (Базовый уровеньHbA1c — 7.7) · ΔВес
, где á = -0,084, â = 0,101, ã = 0,025, а ΔWeight представляет изменение в процентах.

#
Персонализированное прогнозирование
Когда TPGE выполняет прогнозы, OPD целевого пациента используются для определения положения пациента в TPG. На основе набора ребер, подключенных к узлу пациента, извлекаются допустимые варианты лечения. Затем алгоритм прогнозирования выполняет прогнозирование результатов для каждого варианта лечения, указанного в параметрах прогнозирования.Если указанный параметр не включен в допустимые переходы или уровень HbA1c пациента выходит за пределы допустимого диапазона, соответствующего параметру, возвращается исключение, чтобы указать, что прошлых записей недостаточно для выполнения действительного прогноза для параметра. Этот подход разработан для предотвращения чрезмерных экстраполяций, которые могут привести к умозрительным и неточным прогнозам.
В то время как общий подход T-ученика фокусируется на различии ожидаемых результатов между лечебными и контрольными отделениями, TPGE в основном фокусируется на ожидаемом результате каждого варианта лечения и использует его в качестве выходного значения.Причина в том, что сравнимые переходы к лечению на TPG принадлежат одной и той же контрольной группе и сохраняют взаимосвязь между их ожидаемыми результатами со сравнением или без сравнения с результатом контрольного условия.

#
Оценка модели
Мы применили TPGE к фактическим данным по уходу за пациентами из Университета здравоохранения штата Юта и сравнили его эффективность с другими базовыми методами машинного обучения. Набор данных содержал информацию о 27 904 пациентах с СД2, которые лечились в клиниках первичной медико-санитарной помощи Университета здравоохранения штата Юта.Критерии включения данных и процессы оценки показаны на [Рис. 5]. Набор данных охватывает период с января 2012 года по июнь 2017 года.
Рис. 5 Процесс обучения, тестирования и валидации модели.
В общей сложности 30 364 и 30 109 записей, принадлежащих 10 921 пациенту, удовлетворяющему критериям, были извлечены для прогнозов на 3 и 6 месяцев соответственно. Они были случайным образом разделены на набор для обучения и набор для тестирования в соотношении 7: 3, при этом записи от одного и того же пациента были распределены только по одному из наборов данных.[Таблица 3] показывает характеристики данных для 14 проанализированных признаков, помимо диагнозов и лекарств. Эти характеристики были выбраны на основе (1) корреляционного анализа между характеристиками и задними уровнями HbA1c, (2) обзора и обсуждения выборочных случаев пациентов командой проекта, в которую входят два практикующих врача первичной помощи (MF и FHS) и практикующий врач. клинический фармацевт (KMT) и (3) доступность поддержки данных в стандартных интерфейсах EHR – FHIR.
Таблица 3
Характеристики данных для функций модели, помимо диагнозов и лекарств
Категория
Товар
Стоимость [a]
Демографические данные
Возраст
60.7 лет
Пол
Мужчины 46,6%,
Женщины 53,4%
Знаки жизнедеятельности
Масса тела
95,5 кг
Индекс массы тела
33,7 кг / м ²
Систолическое артериальное давление
127,9 мм рт. Ст.
Диастолическое артериальное давление
74.6 мм рт. Ст.
Лабораторные испытания
HbA1c
7,4%
Натрий
138,6 ммоль / л
Аспартаттрансаминаза (AST)
27,7 Ед / л
Липопротеины низкой плотности (ЛПНП)
90,8 мг / дл
Общий белок
7.3 г / дл
Глюкоза натощак
143,5 мг / дл
Триглицериды
182,4 мг / дл
Расчетная скорость клубочковой фильтрации (рСКФ)
71,0 мл / мин / 1,73 м ²
^a Среднее значение для числовых элементов, соотношение для категориальных элементов.

В качестве качественной оценки мы провели пятикратную перекрестную проверку настройки гиперпараметров в наборе обучающих данных, а затем провели окончательную оценку с использованием набора данных тестирования.Оценка Бриера [40] (BS) использовалась для оценки точности предсказанных вероятностей как для валидации, так и для окончательной оценки. В качестве базовых моделей машинного обучения RF и GBT оценивались с использованием одного и того же процесса оценки. Оба алгоритма были применены непосредственно к вектору, готовому к аналитике. Гиперпараметры всех моделей доступны в [Дополнительная таблица S1] (доступна только в онлайн-версии). Чтобы преобразовать выходные данные RF и GBT в распределения вероятностей, два типа моделей, один без каких-либо калибровок, а другой с калибровкой Платта, [41] были обучены одновременно в процессе проверки.Затем для каждого алгоритма была выбрана более эффективная модель. Для обобщенной оценки производительности мы оценили общие BS для всех поддерживаемых переходов. В этом процессе оценки, когда количество записей при каждом переходе к лечению было меньше 10, мы не строили соответствующую модель для этого перехода и исключили эти записи из структуры оценки. Как описано ниже, это означает, что все возможные переходы не охватываются этой оценкой. Переходы обработки, поддерживаемые TPGE, исследуются с точки зрения потенциальных переходов и связанного количества записей.
В дополнение к качественной оценке, мы провели имитационное исследование, чтобы оценить потенциальное преимущество TPGE в отношении надежности прогнозов. Мы создали моделируемые записи пациентов для каждого перехода к лечению в наборе данных тестирования, установив для них значения медианы населения каждого перехода к лечению, продублировав эти записи и установив базовый уровень HbA1c на значения в диапазоне от 6,5 до 10,5% с шагом 0,1%. Мы применили все модели для прогнозирования вероятности достижения HbA1c менее 7.0% в течение 3 месяцев. Затем мы сравнили результаты прогноза с фактической скоростью достижения цели для пациентов с аналогичными характеристиками в наборе данных тестирования.

#
Интеграция EHR
Наше видение состояло в том, чтобы интегрировать инструмент CDS с EHR, чтобы беспрепятственно поддерживать решения о фармакотерапии T2DM, которые используют опыт прошлых пациентов с помощью прогнозной аналитики. Мы разработали CDSS, интегрированный в EHR и управляемый ИИ, который инкапсулирует модели прогнозирования. CDSS был разработан на основе заменяемых медицинских приложений Health Level Seven International (HL7) и технологий многократного использования в Fast Healthcare Interoperability Resources [42] (SMART на FHIR), которая представляет собой структуру для интеграции веб-приложений в собственный пользователь EHR. интерфейс, который получает широкое распространение среди поставщиков электронных медицинских карт.[43] [44]
[Инжир. 6] предоставляет обзор CDSS, который состоит из трех основных компонентов: модуля прогнозирования на основе Python, веб-службы на основе OpenCDS для инкапсуляции модуля прогнозирования и предоставления рекомендаций и веб-панели управления SMART on FHIR, построенной на базе Ratpack. [45] Модуль прогнозирования был построен на Flask [46], фреймворке веб-приложений на основе Python.
Рис. 6 Обзор системы поддержки принятия клинических решений.
OpenCDS — это стандартная структура веб-сервисов для CDS, которая включает интерфейс CDS Hooks [47] для получения данных о пациентах в качестве ресурсов FHIR, обработки данных с использованием дискретных модулей знаний и предоставления рекомендаций CDS обратно в EHR.[48] В этом исследовании мы инкапсулировали модуль прогнозирования как модуль знаний OpenCDS. CDSS использует эту веб-службу CDS для обработки ресурсов пациента FHIR, которые служат в качестве параметров прогноза через интерфейс ловушек CDS.
Панель управления использует интерфейс прикладного программирования (API) HAPI-FHIR [49] для получения и обработки данных проекта стандарта FHIR для пробного использования версии 2 (DSTU2) из EHR, а SMART используется для интеграции CDSS с пользовательским интерфейсом EHR. . Панель управления может предоставить релевантную важную информацию ([Таблица 4]), а также результаты прогнозов, чтобы помочь клиницистам и пациентам выбрать индивидуальную стратегию лечения по взаимному согласию.Информация о страховке пациента берется из EHR в качестве ресурса покрытия FHIR. Список покрываемых лекарств был составлен клиническим фармацевтом. Информация о преимуществах и рисках была взята из Стандартов лечения диабета ADA [25]. Указанная стоимость лекарств представляет собой среднюю национальную стоимость приобретения лекарств (NADAC), предоставляемую Центром услуг Medicare и Medicaid [50].
Таблица 4
Информация на приборной панели
Категория
Информация предоставлена
Текущее состояние
Соответствующие лабораторные результаты (e.g., HbA1c) и показатели жизнедеятельности (например, вес) [a]
История лечения медикаментами [a]
Аллергия на лекарства от диабета [a]
Цель лечения
Целевой уровень HbA1c через 3 или 6 мес. [B]
Варианты лечения
Показатель успешности лечения [c]
Преимущества и побочные эффекты различных лекарств [d]
Рекомендации по выбору лекарств на основе правил [d]
Информация о стоимости лекарств, включая покрытие страховой компанией пациента [d]
Обзор
Предыдущая цель лечения [a]
Краткое изложение плана лечения
Сокращения: CDS, поддержка принятия клинических решений; EHR, электронная медицинская карта; HbA1c, гемоглобин A1c.

^a Извлечено из EHR.

^b Вход на приборной панели.

^c Результат прогноза.

^d Рассчитано с использованием данных EHR и базы знаний CDS.

Используемая EHR была Epic. Обычно использовалась собственная инфраструктура EHR для SMART на FHIR, за исключением дополнительных интерфейсов FHIR, которые были реализованы командой проекта для поддержки ресурсов FHIR цели и страхового покрытия на прокси-сервере, который дополнял интерфейсы FHIR, изначально предоставляемые EHR.Используемые стандартные ресурсы FHIR, поддерживаемые EHR, включали ресурсы для пациентов, лекарств, порядка приема лекарств, наблюдения и непереносимости аллергии.

#
Процесс проектирования, ориентированный на пользователя
Методы, использованные для разработки информационной панели, были многократными и проводились в течение многих месяцев. Команда состояла из двух врачей, двух фармацевтов, двух когнитивных психологов, а также технической группы. Методы начинались с группового обзора прототипов, за которым следовала формальная эвристическая проверка дисплея и, наконец, формальное пользовательское исследование на основе виньеток с участием шести пользователей.Исследование моделирования было сосредоточено на трех уровнях: (1) простота использования, включая наглядность, ясность, навигацию и понятность; (2) оценка полезности и адекватной функциональности для принятия клинических решений, включая информационные потребности, последовательность задач, восстановление после ошибок и инструменты запросов; и (3) воспринимаемое удовлетворение, обучаемость и усилия. На каждом этапе дашборд модифицировался по результатам. В настоящее время проводится более полный обзор пользовательского опыта, дизайна и формативная оценка.

#
#
Результаты
Оценка модели
Благодаря построению TPG было извлечено 67 переходов лечения для трехмесячных прогнозов. Тридцать два перехода были связаны с добавлением или заменой лекарств, а 35 переходов — с сохранением OPD. Для 6-месячных прогнозов был извлечен 61 переход к лечению. Двадцать восемь переходов были связаны с добавлением или заменой лекарств, а 33 перехода — с сохранением OPD. Покрытия путей лечения для прогнозов на 3 и 6 месяцев составили 93.7 и 95,1% по количеству записей соответственно. Все переходы, их допустимый диапазон HbA1c и количество записей доступны в [дополнительных таблицах S2] и [S3] (доступны только в онлайн-версии).
[Таблицы 5] и [6] показывают эффективность всех методов для прогнозов на 3 и 6 месяцев соответственно. Благодаря набору данных проверки TPGE обеспечила наилучшую производительность для всех целей лечения и продолжительности прогноза. С тестовым набором данных TPG привел к наилучшим результатам для всех пяти целей лечения для 3-месячных прогнозов и для трех из пяти целей для 6-месячных прогнозов.TPGE привел к наилучшей производительности для среднего из всех целевых показателей лечения для обоих значений прогнозируемой продолжительности.
Таблица 5
Прогнозирование результатов лечения через 3 месяца. Круглые скобки обозначают стандартные отклонения при перекрестной проверке
Цель
Модель
Проверка BS
Тестирование BS
<6.5%
РФ
0,2294 (0,0256)
0,1634
ГБТ
0,1684 (0,0198)
0,1430
TPGE
0,1315 (0,0025)
0,1389
<7,0%
РФ
0,1949 (0,0237)
0.1939
ГБТ
0,1961 (0,0243)
0,1616
TPGE
0,1437 (0,0032)
0,1576
<7,5%
РФ
0,2741 (0,0569)
0,1682
ГБТ
0,1727 (0.0067)
0,1448
TPGE
0,1319 (0,0027)
0,1405
<8,0%
РФ
0,2197 (0,0828)
0,1307
ГБТ
0,1317 (0,0102)
0,1121
TPGE
0.1059 (0,0022)
0,1098
<8,5%
РФ
0,0944 (0,0040)
0,1030
ГБТ
0,0945 (0,0040)
0,0854
TPGE
0,0809 (0,0018)
0,0850
Среднее значение
РФ
0.2025 (0,0386)
0,1518
ГБТ
0,1527 (0,0130)
0,1294
TPGE
0,1188 (0,0025)
0,1264
Сокращения: BS, Brier Score; GBT, Gradient Boosting Tree; РФ, Случайный лес; TPGE, Оценка на основе графика пути лечения.

Таблица 6
Прогнозирование результатов лечения через 6 месяцев
Цель
Модель
Проверка BS
Тестирование BS
<6.5%
РФ
0,2042 (0,0308)
0,1612
ГБТ
0,1886 (0,0320)
0,1587
TPGE
0,1532 (0,0026)
0,1560
<7,0%
РФ
0,2842 (0,0869)
0.1896
ГБТ
0,1912 (0,0330)
0,1645
TPGE
0,1526 (0,0023)
0,1617
<7,5%
РФ
0,1835 (0,0511)
0,1600
ГБТ
0,1841 (0.0518)
0,1387
TPGE
0,1318 (0,0031)
0,1392
<8,0%
РФ
0,1390 (0,0384)
0,1206
ГБТ
0,1390 (0,0384)
0,1066
TPGE
0.1020 (0,0016)
0,1067
<8,5%
РФ
0,2244 (0,1525)
0,0897
ГБТ
0,1077 (0,0436)
0,0792
TPGE
0,0763 (0,0015)
0,0777
Среднее значение
РФ
0.2070 (0,0719)
0,1442
ГБТ
0,1621 (0,0398)
0,1295
TPGE
0,1232 (0,0022)
0,1283
Сокращения: BS, Brier Score; GBT, Gradient Boosting Tree; РФ, Случайный лес; TPGE, Оценка на основе графика пути лечения.

Примечание: круглые скобки обозначают стандартные отклонения при перекрестной проверке.

[Рисунок 7] показывает результаты моделирования для одного перехода лечения от MET к MET + SUL. Кривые прогноза всех моделей существуют в пределах доверительного интервала фактического соотношения «цель-достижение». TPGE показывает наиболее плавную реакцию на изменения исходного уровня HbA1c у пациентов. RF и GBT имеют регионы, в которых вероятность не реагирует на изменения уровней HbA1c, особенно те, которые превышают 8,5%. Эти регионы в моделях RF и GBT могут предоставлять информацию, которая не имеет смысла для клиницистов и пациентов, поскольку увеличение исходных уровней HbA1c должно — но не снижает — вероятность достижения цели лечения в этих моделях.
Рис. 7 Прогнозируемые кривые для моделируемых пациентов. Три метода были применены к моделированным пациентам при переходе от MET к MET + SUL. Вероятность достижения цели прогнозируется для контроля HbA1c ниже 7,0% за 3 месяца. Фактические коэффициенты были рассчитаны путем группировки записей о переходе на 1,0%. Столбики ошибок показывают 95% доверительный интервал фактического отношения. МЕТ, метформин; SUL, сульфонилмочевины.
#
Интеграция с EHR
CDSS, использующий модели прогнозирования, был успешно интегрирован с Epic EHR Университета Юты с использованием SMART на FHIR, и на основе отзывов клиницистов были внесены итерационные улучшения.[Рисунок 8] показывает вкладку «Сравнение параметров» на панели инструментов. Эта вкладка позволяет клиницистам и пациентам сравнить до трех возможных вариантов лечения, а также потерю веса в отношении: (1) прогнозируемого показателя успеха в достижении целей лечения, (2) рисков, преимуществ и затрат на лекарства и (3) соответствующие лекарства из класса лекарств, включенного в формуляр страхового плана пациента. Целью лечения может быть 3 или 6 месяцев для целевого значения HbA1c 6,5, 7,0, 7,5, 8,0 или 8.5%. Соответствующие данные берутся из EHR, такие как пациент FHIR, наблюдение, порядок приема лекарств и целевые ресурсы.
Рис. 8 Вкладка «Сравнение вариантов» на панели управления. В этом представлении врач и пациент могут подробно просмотреть возможные варианты лечения. Приведены сравнительные данные для трех вариантов лечения. «Коэффициент успеха» показывает прогнозируемую вероятность успеха лечения для каждой потенциальной схемы лечения. Эффект потери 5% веса тела также показан для текущего режима приема лекарств.Прогнозы специфичны для текущего пациента и основаны на различных точках данных, полученных из EHR. Клиницисты и пациенты также могут ознакомиться с преимуществами и рисками каждого варианта лечения. Кроме того, предоставляется информация о стоимости, включая среднюю национальную стоимость приобретения лекарств. Информация о страховке пациента берется из EHR, и предоставляется информация о покрытии, относящаяся к страховке пациента (все синтетические данные). EHR, электронная медицинская карта.
CDSS доступен в производственной системе EHR в Университете здравоохранения штата Юта. В период с 1 октября 2018 г. по 31 декабря 2020 г. к приложению обратились 70 пользователей для 554 пациентов.

#
#
Обсуждение
Краткое изложение выводов. Чтобы облегчить серьезное бремя, связанное с ведением пациентов с СД2, в рамках этого проекта была предпринята попытка разработать методы CDS на основе искусственного интеллекта. Новый аналитический метод, который мы называем TPGE, был разработан для прогнозирования результатов лечения.Используя набор данных из 27 904 пациентов с диабетом, были разработаны модели для прогнозирования исхода фармакотерапии СД2, и было обнаружено, что эти модели превосходят базовые модели ML с использованием методов GBT и RF. Мы также успешно интегрировали модели прогнозирования в EHR с помощью панели управления SMART on FHIR, которая дополняет модели прогнозирования знаниями, основанными на правилах, и использует платформу OpenCDS с открытым исходным кодом и стандартизированную платформу.
Сильные стороны: ключевая сила этого исследования заключается в том, что мы описали новый подход к разработке прогностических моделей для прогнозирования результатов лечения, который имеет ряд преимуществ по сравнению с традиционными подходами ML, такими как GBT и RF.Эти преимущества включают улучшенную прогностическую эффективность; прогнозы, которые больше соответствуют клинической интуиции о том, как успех лечения должен изменяться с исходными значениями пациентов; высокий охват схем лечения, встречающихся в реальной клинической практике; и систематический подход к выявлению недостатков данных для точного прогноза. Во-вторых, насколько нам известно, эта рукопись представляет собой первое описание приложения, интегрированного с крупной коммерческой системой EHR, которая напрямую поддерживает выбор лечения при ведении хронических заболеваний с помощью прогнозного моделирования.В частности, использование SMART на FHIR увеличивает потенциал распространения приложения, учитывая значительную степень, в которой основные коммерческие поставщики EHR, включая Epic и Cerner, поддерживают этот подход, чтобы создать экосистему на основе приложений для инноваций и улучшения обслуживания. В-третьих, хотя использование машинного обучения для лечения распространенных хронических состояний, несомненно, дает значительные потенциальные преимущества, не всегда ясно, как лучше всего интегрировать идеи, полученные с помощью этих вычислительных методов, в интенсивную практику первичной медико-санитарной помощи.Таким образом, это исследование предоставляет полезную информацию о том, как такие идеи на основе машинного обучения могут быть переплетены с другой информацией, которую врачи первичной медико-санитарной помощи считают ценной.
Ограничения: Одним из ограничений этого исследования является то, что вмешивающиеся факторы могут существовать за пределами объясняющих переменных, включенных в модели. Тем не менее, мы включили много переменных, модели обладают сильной предсказательной силой, и изначально были исследованы дополнительные переменные, даже если в конечном итоге они не были включены в окончательные модели. Мы также рассматриваем, но еще не использовали такие методы, как оценка предрасположенности [51], чтобы учесть это смешение.Второе ограничение этого исследования заключается в том, что наш CDSS в настоящее время не может предсказать влияние изменений дозировки, изменений терапевтических агентов в пределах класса лекарств или редких схем фармакотерапии с небольшим размером выборки. Решением этих ограничений будет увеличение объема набора данных, используемого для разработки модели, и в настоящее время прилагаются активные усилия для этого. В качестве третьего ограничения не вся информация, которая требуется клиницистам и пациентам для принятия решения о ведении СД2, доступна в CDSS.Например, пользователи запрашивали дополнительную информацию, в частности, фактические затраты пациента на совместную оплату различных лекарств, а не оценки затрат. Мы планируем включать этот тип информации по мере того, как API-интерфейсы подходят для получения такой финансовой информации по месту оказания помощи. В качестве четвертого ограничения, все последствия предоставления результатов ML клиницистам и пациентам не были полностью изучены. Возможна предвзятость в интерпретации информации, клиницисты могут быть не уверены в том, как применить информацию, и могут возникнуть проблемы с сопоставлением данных с клиническим вопросом, которые не были полностью прояснены.Чтобы оценить фактическую эффективность наших методов, в Университете штата Юта была проведена формирующая оценка нашего CDSS посредством проспективной оценки. В-пятых, необходима внешняя валидация для подхода к обучению моделей, а также для результирующих прогнозных моделей, а также необходима оценка того, в какой степени модели, обученные таким образом, требуют местной адаптации перед использованием. В этом направлении сейчас ведутся активные работы. В-шестых, модели, инструменты для обучения моделей и приложение SMART on FHIR в настоящее время публично недоступны.Мы изучаем возможные варианты распространения этих артефактов. Наконец, мы еще не развернули приложение SMART on FHIR в системах здравоохранения и на платформах EHR. Хотя многие из требований приложения широко поддерживаются в системах здравоохранения и платформах EHR (например, подход SMART on FHIR к интеграции приложений, ресурсы FHIR включены в основные данные США для взаимодействия), а также некоторые основные данные FHIR, такие как лекарства и условия уже сопоставлены со стандартными кодами в системах EHR, есть несколько областей, где могут потребоваться дополнительные локальные адаптации.Например, ресурс FHIR Coverage не является частью Core Data США для взаимодействия, поэтому предоставление финансовых рекомендаций на основе страхования потребует широкого внедрения ресурса FHIR на платформах EHR или расширения платформы EHR для поддержки этой информации. , как это было сделано в нашей реализации. Такое расширение может быть технически возможным не на всех платформах EHR. Кроме того, локальные данные (например, лабораторные данные), возможно, потребуется сопоставить со стандартной терминологией, такой как имена и коды логических идентификаторов наблюдений (LOINC), если это еще не сделано.Однако точки данных, требующие сопоставления, являются конечными, и с соответствующими инструментами и процессами такие сопоставления могут быть выполнены эффективно и точно. Таким образом, хотя проблемы, безусловно, существуют, мы сохраняем оптимизм в отношении того, что основные функции приложения SMART on FHIR CDSS, описанные в этой рукописи, могут быть широко использованы.
Последствия: это исследование показывает, что идеи машинного обучения могут быть применены к месту оказания медицинской помощи с использованием подходов, включая моделирование результатов лечения, SMART on FHIR для интеграции EHR, удобный для пациента пользовательский интерфейс и включение дополнительной информации, важной для принятия решений. обработка.Если индивидуальные прогнозы не совпадают с популяционными рекомендациями стандартных руководств по клинической практике, важно, чтобы клиницисты и пациенты получали всю информацию, необходимую для совместного принятия обоснованного решения.
Направления на будущее: Двигаясь вперед, мы находимся в процессе проведения перспективной оценки наших методов. Более того, мы стремимся использовать более крупные наборы данных, чтобы делать прогнозы на основе отдельных лекарств (а не классов лекарств), истории дозировок и реже назначаемых схем приема лекарств.

#
Заключение
Был предложен новый подход к разработке моделей прогнозирования результатов лечения хронических заболеваний, который превосходит традиционные подходы машинного обучения. Затем эти прогностические модели были успешно интегрированы с EHR через SMART на FHIR CDSS для T2DM. Используемый подход потенциально может быть применен ко многим другим хроническим состояниям, чтобы довести CDSS, управляемую искусственным интеллектом, до точки оказания медицинской помощи. В настоящее время проводится формальная проспективная оценка воздействия разработанной системы на результаты лечения пациентов.

#
#
Конфликт интересов
S.T., W.T., G.C., J.K. и H.B. являются сотрудниками Hitachi, Ltd. Исследователи из Университета Юты провели исследование при спонсорском финансировании исследований Hitachi, Ltd. Hitachi может использовать результаты исследования для предоставления коммерческого решения CDS и подала заявку на патент, связанный с методологией TPGE. К.К. сообщает о гонорарах, консультациях, спонсируемых исследованиях, лицензировании или совместных разработках помимо представленных работ за последние 3 года с McKesson InterQual, Hitachi, Pfizer, Premier, Klesis Healthcare, RTI International, Mayo Clinic, Университет Вандербильта, Университет Вашингтона, Университет Калифорнии в Сан-Франциско, MD Aware и U.S. Офис национального координатора по ИТ в здравоохранении (через ESAC и Security Risk Solutions) в области информационных технологий в области здравоохранения. К.К. также был неоплачиваемым членом совета директоров некоммерческой организации по разработке стандартов информационных технологий здравоохранения Health Level Seven International, он является неоплачиваемым членом Консультативного комитета по информационным технологиям в области здравоохранения США, а также участвовал в разработке нескольких ИТ-инструментов здравоохранения, которые могут быть коммерциализированы для обеспечения более широкого воздействия. . У других авторов нет потенциальных конкурирующих интересов, о которых можно было бы заявить.
Ссылки
1 Контрерас I, Вехи Дж. Искусственный интеллект для управления диабетом и поддержки принятия решений: обзор литературы. J Med Internet Res 2018; 20 (05) e10775
2 Ригла М, Гарсиа-Саес Дж., Pons B, Hernando ME. методологии искусственного интеллекта и их применение при диабете. J Diabetes Sci Technol 2018; 12 (02) 303-310
3 Баттинени Г, Сагаро Г.Г., Чинаталапуди Н, Амента Ф.Применение прогностических моделей машинного обучения в диагностике хронических заболеваний. J Pers Med 2020; 10 (02) E21
4 Полат Н, Данай Мехр Х, Цетин А. Диагностика хронической болезни почек на основе машины опорных векторов методами выбора признаков. J Med Syst 2017; 41 (04) 55
5 Mcheick H, Салех Л., Аджами Х, Мили Х. Контекстно-релевантная модель прогнозирования для домена ХОБЛ с использованием байесовской сети убеждений. Сенсоры (Базель) 2017; 17 (07) 1486
6 Джайн Д, Сингх В.Системы отбора признаков и классификации для прогнозирования хронических заболеваний: обзор. Egypt Inform J 2018; 19 (03) 179-189
7 Хуанг GM, Хуанг К.Ю., Ли Т.Ю., Вен Дж. Интерпретируемая диагностическая классификация диабетической нефропатии у пациентов с диабетом 2 типа, основанная на правилах. BMC Bioinformatics 2015; 16 01, Приложение 1): S5
8 Контрерас I, Quirós C, Хименес М, Конге I, Вехи Дж. Профилирование поведения пациентов с диабетом I типа.Программы вычислительных методов Biomed 2016; 136: 131-141
9 Даглиати А, Марини С, Сакки Л. и другие. Методы машинного обучения для прогнозирования осложнений диабета. J Diabetes Sci Technol 2018; 12 (02) 295-302
10 Дебон Р, Coleone JD, Беллей Э.А., De Marchi ACB. Мобильные приложения для здравоохранения при хронических заболеваниях: систематический обзор функций для улучшения образа жизни. Синдр диабета и метаболизма 2019; 13 (04) 2507-2512
11 Санчес-Морильо Д, Фернандес-Гранеро MA, Леон-Хименес А.Использование прогностических алгоритмов домашнего мониторинга хронической обструктивной болезни легких и астмы: систематический обзор. Chron Respir Dis 2016; 13 (03) 264-283
12 Forlenza GP, Ли З, Бакингем Б.А. и другие. Прогнозирующая суспензия с низким содержанием глюкозы снижает гипогликемию у взрослых, подростков и детей с диабетом 1 типа в домашнем рандомизированном перекрестном исследовании: результаты исследования PROLOG. Уход за диабетом 2018; 41 (10) 2155-2161
13 Миллер Д.Д., Браун EW.Искусственный интеллект в медицинской практике: вопрос к ответу ?. Am J Med 2018; 131 (02) 129-133
14 Montani S, Стриани М. Искусственный интеллект в поддержке принятия клинических решений: специализированный обзор литературы. Годб Мед Информ 2019; 28 (01) 120-127
15 Лурдусами Р, Маттам XJ. Системы поддержки клинических решений и прогнозная аналитика. В: Джайн V, Чаттерджи Дж. М.. ред. Машинное обучение с точки зрения здравоохранения.Чам: Спрингер; 2020: 317-355
16 О’Коннор П.Дж., Сперл-Хиллен Дж. М., Фацио CJ, Авербек Б.М., Ранг BH, Марголис К.Л. Поддержка принятия клинических решений при амбулаторном диабете: текущее состояние и направления на будущее. Диабет Мед 2016; 33 (06) 734-741
17 Берцимас Д, Каллус Н, Вайнштейн А.М., Zhuo YD. Персонализированное ведение диабета с использованием электронных медицинских карт. Уход за диабетом 2017; 40 (02) 210-217
18 Ван И, Ли П.Ф., Тиан И, Рен JJ, Li JS.Совместная система принятия решений по выбору лекарства от диабета с использованием данных электронной истории болезни. IEEE J Biomed Health Inform 2017; 21 (05) 1280-1287
19 Сеганьи Д, Сакки L, Даглиати А. и другие. Улучшение клинических решений по пациентам с СД2 с учетом клинических, административных и экологических данных. Stud Health Technol Inform 2015; 216: 682-686
20 Даглиати А, Сакки L, Тиболло В. и другие. Система на основе приборной панели для поддержки лечения диабета.J Am Med Inform Assoc 2018; 25 (05) 538-547
21 Курран Р.Л., Кухарева П.В., Тафт Т. и другие. Интегрированные дисплеи для улучшения ведения хронических заболеваний в амбулаторных условиях: приложение SMART on FHIR, полученное в результате пользовательского тестирования с использованием смешанных методов. J Am Med Inform Assoc 2020; 27 (08) 1225-1234
22 Брейман Л. Случайные леса. Mach Learn 2001; 45 (01) 5-32
23 Фридман Дж. Аппроксимация жадной функции: машина для повышения градиента.Ann Stat 2000; 29: 1189-1232
24 Фанг G, Аннис И.Е., Эльстон-Лафата Дж, Цикерт С. Применение машинного обучения для прогнозирования реальных индивидуальных эффектов лечения: выводы из виртуальной когорты пациентов. J Am Med Inform Assoc 2019; 26 (10) 977-988
25 Американская диабетическая ассоциация. Стандарты медицинской помощи при сахарном диабете — 2018. Уход за диабетом 2018; 41 (Дополнение 01) S1-S2
26 Эдельман С.В., Полонский WH.Диабет 2 типа в реальном мире: неуловимый контроль гликемии. Уход за диабетом 2017; 40 (11) 1425-1432
27 Кхунти К, Гомеш МБ, Покок С. и другие. Терапевтическая инерция в лечении гипергликемии у пациентов с диабетом 2 типа: систематический обзор. Диабет, ожирение, метаболизм 2018; 20 (02) 427-437
28 Старк Касагранде С, Фрадкин Ю.Е., Сайдах Ш. Руст КФ, Cowie CC. Распространенность достижения целей по A1C, артериальному давлению и ЛПНП среди людей с диабетом, 1988-2010 гг.Уход за диабетом 2013; 36 (08) 2271-2279
29 Киркман М.С., Роуэн-Мартин М.Т., Левин Р. и другие. Детерминанты приверженности к лечению диабета: результаты большой базы данных по заявкам на аптеки. Уход за диабетом 2015; 38 (04) 604-609
30 Окема Дж, Пэн Дж, Киньонес М. Устранение клинической инерции сахарного диабета 2 типа: обзор. Adv Ther 2018; 35 (11) 1735-1745
31 Достичь G, Печтнер V, Джентилелла Р, Коркос А, Чериелло А.Клиническая инерция и ее влияние на интенсификацию лечения больных сахарным диабетом 2 типа. Диабет Метаб 2017; 43 (06) 501-511
32 Штамм WD, Блюхер М, Палданиус П. Клиническая инертность в индивидуальном подходе к лечению диабета: есть ли время сделать больше при диабете 2 типа ?. Диабет Тер 2014; 5 (02) 347-354
33 Кхунти К, Миллар-Джонс Д. Клиническая инерция к началу и усилению инсулина в Великобритании: специализированный обзор литературы.Prim Care Diabetes 2017; 11 (01) 3-12
34 Кюнцель С.Р., Сехон JS, Бикель ПиДжей, Ю. Б. Metalearners для оценки неоднородных эффектов лечения с помощью машинного обучения. Proc Natl Acad Sci U S A 2019; 116 (10) 4156-4165
35 Этей С, Имбенс Г. Рекурсивное разделение для гетерогенных причинно-следственных связей. Proc Natl Acad Sci U S A, 2016; 113 (27) 7353-7360
36 HCUP. Поддержка пользователей HCUP. По состоянию на октябрь 2020 г. по адресу: https: // www.hcup-us.ahrq.gov/
37 Друкер Х, Burges CJC, Кауфман Л, Смола А, Вапник В. Поддержка машин векторной регрессии. Adv Neural Inf Process Syst 1997; 9: 155-161
38 Кокс DR. Регрессионный анализ бинарных последовательностей (с обсуждением). J R Stat Soc B 1958 г .; 20: 215-242
39 Гуммессон А, Найман Э, Кнутссон М, Карпефорс М. Влияние снижения веса на гликированный гемоглобин в испытаниях по снижению веса у пациентов с диабетом 2 типа.Диабет, ожирение, метаболизм 2017; 19 (09) 1295-1305
40 Brier GW. Проверка прогнозов, выраженных с точки зрения вероятности. Mon Weather Rev 1950; 78: 1-3
41 Платт Дж. Вероятностные выходные данные для опорных векторных машин и сравнения с регуляризованными методами правдоподобия. Adv Классификаторы большой маржи 1999; 10 (03) 61-74
42 HL7 FHIR. Добро пожаловать в FHIR®. По состоянию на декабрь 2020 г. по адресу: https://www.hl7.org/fhir/
.
43 Мандель JC, Креда Д.А., Мандл К.Д., Кохан И.С., Рамони РБ.SMART on FHIR: основанная на стандартах платформа совместимых приложений для электронных медицинских карт. J Am Med Inform Assoc 2016; 23 (05) 899-908
44 Мандл К.Д., Мандель JC, Мерфи С.Н. и другие. Платформа SMART: первый опыт создания заменяемых приложений для электронных медицинских карт. J Am Med Inform Assoc 2012; 19 (04) 597-603
45 Ratpack. По состоянию на декабрь 2020 г. по адресу: https://ratpack.io/
.
46 Колба.Руководство пользователя. По состоянию на декабрь 2020 г. по адресу: http://flask.pocoo.org/
.
47 Крючки CDS. . По состоянию на декабрь 2020 г. по адресу: https://cds-hooks.hl7.org/
.
48 OpenCDS. . По состоянию на декабрь 2020 г. по адресу: http://www.opencds.org/
.
49 HAPI-FHIR. Глобальное благо: обеспечение интероперабельности во всем мире в течение 18 лет. По состоянию на декабрь 2020 г. по адресу: http://hapifhir.io/
.
50 Центры услуг Medicare и Medicaid.Data.CMS.GOV. По состоянию на декабрь 2020 г. по адресу: https://data.cms.gov/
.
51 Розенбаума PR, Рубин ДБ. Центральная роль шкалы предрасположенности в обсервационных исследованиях причинных эффектов. Биометрика 1983; 70: 41-55

Адрес для корреспонденции
Синдзи Таруми, MS
Отдел исследований в области интеллектуальной обработки данных, Центр инновационных технологий и искусственного интеллекта, Hitachi Ltd.
1-280, Хигаси-Койгакубо Кокубунджи-ши, Токио 185-8601
Япония

История публикаций
Получено: 10 декабря 2020 г.
Принято: 21 февраля 2021 г.
Дата публикации:
11 мая 2021 г. (онлайн)
© 2021.Авторы). Это статья в открытом доступе, опубликованная Thieme в соответствии с условиями лицензии Creative Commons Attribution-NonDerivative-NonCommercial, разрешающей копирование и воспроизведение при условии, что оригинальная работа имеет соответствующую ссылку.

У аптечной сети Ригла стартовал новый курс обучения сотрудников

Вакансия Фармацевт-провизор в Санкт-Петербурге, работа в компании Ригла, сменный график работы

Автоматизация документооборота. Аптечная сеть «Ригла»

Ситуация

Решение

Результаты

Работа в аптечной сети Ригла

«Протек» открыл университет

«Ригла» назначила новых руководителей форматов фарммаркетов и дискаунтеров

2010.11.18. Связной. Лудковски Деннис. Заявление для Генерального директора.

Фармрынок России заявили о своей технической готовности к маркировке лекарственных средств

Объяснимый искусственный интеллект в эндокринологических медицинских исследованиях | Журнал клинической эндокринологии и метаболизма

» data-legacy-id=»s0101″> Дополнительная информация

» data-legacy-id=»r1″> Список литературы

Иммунорецепторов врожденной и адаптивной системы. PI: Francisco Lozano Soto

Питательные вещества | Бесплатный полнотекстовый | Использование смартфонов для персонализации питания во время глобальной пандемии

1. Эпоха информации о пандемии

2. Появление приложений для смартфонов в надзоре за диетой

3. Требования к приложениям по питанию

4. Научные приложения приложений по питанию и их подводные камни

5. Соблюдение персонализированной диеты с помощью приложений для питания

6. Перспективы на будущее

Электронные журналы Thieme — методы информации в медицине / Полный текст

Аннотация

Ключевые слова

Введение

Цели

Методы

Оценка на основе графика пути лечения

Формирование данных

Классы лекарств

Формат векторных данных для построения модели прогнозирования результатов лечения

Построение графика

Конструкция модели

Персонализированное прогнозирование

Оценка модели

Характеристики данных для функций модели, помимо диагнозов и лекарств

Интеграция EHR

Информация на приборной панели

Процесс проектирования, ориентированный на пользователя

Результаты

Оценка модели

Прогнозирование результатов лечения через 3 месяца. Круглые скобки обозначают стандартные отклонения при перекрестной проверке

Прогнозирование результатов лечения через 6 месяцев

Интеграция с EHR

Обсуждение

Заключение

Конфликт интересов

Ссылки

Адрес для корреспонденции

История публикаций

alexxlab

Comments

Добавить комментарий Отменить ответ