CC BY
236УДК 004.8 DOI: 10.29039/2224-6444-2022-12-2-73-85
ЦИФРОВЫЕ РЕШЕНИЯ В МЕДИЦИНЕ
Абдуганиева Ш. Х.1, Никонорова М. Л.2
'Кафедра биофизики и информационных технологий в медицине, Ташкентский государственный стоматологический институт, улица Махтумкули, 103, г. Ташкент, Республика Узбекистан
2Кафедра физики, математики и информатики, ФГБОУ ВО «Первый Санкт-Петербургский государственный медицинский университет имени академика И. П. Павлова» МЗ РФ, 197022, ул. Льва Толстого, д. 6-8, г. Санкт-Петербург, Россия
Для корреспонденции: Никонорова Маргарита Леонидовна, доцент кафедры физики, математики и информатики, ФГБОУ ВО «Первый Санкт-Петербургский государственный медицинский университет имени академика И. П. Павлова» МЗ РФ, e-mail: nikml@yandex.ru
For correspondence: Nikonorova Margarita L., Department of physics, mathematics and computer science, Pavlov First Saint Petersburg State Medical University, e-mail: nikml@yandex.ru
Information about authors:
Abduganieva Sh. Kh., https://orcid.org/0000-0001-6078-9435 Nikonorova M. L., https://orcid.org/0000-0002-4770-4932
РЕЗЮМЕ
В статье представлен обзор возможностей цифровых решений для медицины. Цифровая медицина обладает широким спектром функций при решении таких задач как удаленный обмен информацией, оценка состояния, диагностика, лечение и прогнозирование результатов. Принципы развития определяют ее сегодняшнюю роль в системе здравоохранения. Информированное и уверенное обращение с цифровой медицинской информацией и медицинскими устройствами является «грамотностью в области электронного здравоохранения». Рассмотрено понятие цифровой компетенции, дано определение цифровой информационно-технологической компетенции. Практическое применение цифровых продуктов накладывает определенные обязанности на всех пользователей. Для решения задач, связанных с защитой информации и защитой от нежелательной информации, необходимо внедрять стандарты, которые смогут снизить риски от угроз обусловленных вычислительными и человеческими факторами. В повседневной жизни пациенты и медицинские специалисты широко используют для получения информации мобильные устройства и робототехнику. Показаны современные тенденции развития цифровых медицинских устройств. Облачные хранилища обеспечивают функциональную совместимость всех разрозненных систем, поддерживающих медицинские приборы и специализированные устройства. Проведенный анализ показал, что облачные технологии и рост биомедицинских данных приводит к увеличению применяемых методов искусственного интеллекта и машинного обучения в диагностике и мониторинге состояния пациента. Приведены примеры использования искусственного интеллекта в научных исследованиях. Исследования в области системной биологии и моделирования позволяют создать цифрового пациента. Выделена роль геномной медицины. Знания, полученные из последовательностей генома пациентов, все в большей степени способствуют информированию об диагнозах и клиническом ведении. Обобщен опыт ведущих компьютерных компаний в области медицины. Отражено решение вопросов цифровой медицины в Узбекистане и в России.
Ключевые слова. цифровая медицина, искусственный интеллект, цифровая платформа, цифровая ответственность, цифровые информационно-технологические компетенции.
DIGITAL SOLUTIONS IN MEDICINE Abduganieva Sh. Kh.1, Nikonorova M. L.2
'Department of Biophysics and Information Technologies in Medicine, Tashkent State Dental Institute, Tashkent, Uzbekistan
2Department of physics, mathematics and computer science, Pavlov First Saint Petersburg State Medical University, Saint-Petersburg, Russia
SUMMARY
The article provides an overview of the possibilities of digital solutions for medicine. Digital medicine has a wide range of functions in solving such problems as remote information exchange, assessment of the condition, diagnostics, treatment, and predicting results. The principles of development determine its current role in the health care system. Cloud storage provides interoperability of all disparate systems that support medical devices and specialized devices. The article shows modern trends in the development of digital medical devices. The implementation of digital products imposes certain responsibilities on all users. Standards need to be implemented to ensure information protection and protection against unwanted information which can provide protection against threats caused by computational and human factors. The analysis showed that cloud technologies and the growth of biomedical data lead to an increase in artificial intelligence and machine learning methods used in diagnostics and monitoring of the patient's condition, for the treatment and prediction of the course of diseases. Everyday patients and medical professionals widely use
2022, т. 12, № 2
mobile devices and robotics to obtain information. Informed and confident handling of digital medical information and medical devices is literacy in the field of e-health. The article gives the definition of digital information technology competence, considers the concept of digital competence. Based on the experience of distant learning, it emphasizes the main methods of teaching and control. It also provides examples of artificial intelligence usage in scientific research. Special attention is paid to artificial intelligence software used in medicine. There is a summary of the experience of leading computer companies in the field of medicine. Examples of solving digital medicine issues in Uzbekistan and Russia are given.
Key words: digital medicine, artificial intelligence, digital platform, digital responsibility, digital information technology skills.
Цифровая медицина ставит новые задачи перед системой здравоохранения и приобретает все большее значение. XXI век - век разработки медицинских информационных систем и внедрения цифровой информации во все области медицины и здравоохранения. Жизнь меняется с большой скоростью и без полного задействования информационных технологий трудно представить наши будни. В республике Узбекистан 2020 год был провозглашён «Годом развития науки, просвещения и цифровой экономики». Процесс цифровизации, начавшийся с принятием Стратегии действий по пяти приоритетным направлениям развития Республики Узбекистан в 2017-2021 годах, особенно ускорился за последние два года. Минувший, 2020-й, год прошел под эгидой комплексного развития цифровой экономики. В связи с этим были проведены эффективные меры по широкому применению цифровых технологий, что способствовало повышению информационно-технологичных компетенций всех специалистов, занятых в области медицины. Период пандемии предоставил возможность ощутить важность и целесообразность внедрения современных решений в систему здравоохранения. В соответствием со стратегией создания и развития системы «Электронное здравоохранение» (е-Неа№) в Республике Узбекистан создано «открытое информационное общество», включающее систему «Электронное здравоохранение», состоящую из телекоммуникационной инфраструктуры, интегрированной платформы и внешних приложений. Отраслевыми решениями системы е-Неа№ является подготовленная нормативно-правовая база, введенные стандарты и принятая система безопасности. Понятие цифровая медицина появилось постепенно и в настоящее время в республике принята Стратегия «Цифровой Узбекистан-2030». В области здравоохранения планируется все больше задействовать цифровые технологии. Разработана «дорожная карта», в которой прописан алгоритм намечаемых мероприятий, реализующих 25 различных интегрированных проектов. Каждый проект имеет свою цифровую платформу, но все платформы обязательно связаны между собой [1]. Интегрированная платформа - это Единая электронная
платформа, на которой собирается вся информация и данные о здоровье пациентов, включая сведения, передаваемые скорой медицинской помощью. Доступ к этой информации получают все государственные и частные медицинские учреждения. Для реализации Стратегии внедряются единые стандарты и классификаторы для всех информационных систем, распространенных в республике.
Важное значение принимает обучение специалистов по использованию Единой электронной платформы, и обучение необходимо начинать со знакомства с платформой в профильных медицинских вузах. В таком случае, после окончания высшего образовательного учреждения практические врачи будут работать с системой, которая станет для них необходимостью. В рамках единой платформы планируется создать онлайн-портал для пациентов, каждый пациент будет иметь свой личный кабинет, в котором могут храниться не только результаты лабораторных анализов, прививок, назначения специалистов, результаты диагностических исследований, но и электронные рецепты. Мониторинг здоровья можно будет проводить с помощью мобильного приложения, включающего такие данные как рост, вес, сердцебиение [2]. Мобильное приложение самостоятельно отслеживает основные показатели здоровья и дает соответствующие рекомендации. Поэтапно внедряется система обязательного медицинского страхования, формируется концепция семейного врача и осуществляются онлайн-консультации [3].
Целью настоящей статьи является обзор современного состояния медицинских цифровых решений для профилактики заболеваний, раннего выявления заболеваний, оптимизаций стратегий лечения и актуальности обучения цифровым компетенциям. Для реализации цели были поставлены следующие задачи: рассмотреть цифровые компетенции, определить особенности информационной безопасности медицинских данных, провести классификацию медицинских цифровых устройств, выделить используемые цифровые технологии и инструменты научных исследований, перспективы развития цифровой информации, перечислить основных производителей искусственного интеллекта.
Цифровые компетенции. В ходе развития системы e-Health повышаются цифровые компетенции не только врачей, специалистов технической помощи, населения республики, но и повышается уровень медицинской грамотности всего населения. Следует учитывать разницу между цифровыми компетенциями и профессиональными компетенциями, навыками использования цифровых технологий. Цифровые компетенции или «грамотность в области электронного здравоохранения» описывает информированное и уверенное обращение с цифровой медицинской информацией [4, 5]. Студенты часто используют цифровые технологии в своей повседневной жизни, это узкие знания и компетенции, связанные с конкретными платформами и технологиями, например, социальные сети и мобильные телефоны, но это не означает, что они могут применять их в профессиональных медицинских учреждениях [6]. В период дистанционных занятий удалось сформировать мнение о том, что можно сделать с помощью цифровых технологий. В качестве цифрового метода оценки можно использовать case-study, ситуационные задачи, метод проектов, тестирование уровня знаний и навыков. В настоящее время эффективность обучения тесно связана с сформированными компетенциями. Развитие профессиональных компетенций - это управляемый процесс становления мастерства, и в первую очередь, это образование и самообразование, наличие информационно-коммуникационной компетенции, включающей в себя компетентность в области информационно-технологического образования или информационно-технологическую компетентность. Под цифровой информационно-технологической компетентностью можно понимать готовность использовать средства цифровых технологий для решения профессиональных задач. В настоящее время в России в общие профессиональные компетенции входит понимание принципов работы современных информационных технологий и использование их для решения задач профессиональной деятельности.
Цифровая безопасность. Цифровая медицина включает не только широкий профессиональный опыт, но и обязанности, связанные с использованием различных цифровых продуктов. Цифровая трансформация системы здравоохранения прогрессирует [7]. Будущие врачи не всегда могут критически оценить цифровые инструменты защиты данных и этики в отношении пациентов [8]. Роль пациентов в качестве владельца и хранителя данных об их здоровье существенно изменить и модифицирует профессиональные роли в здравоохранении [9]. Для Узбекистана цифровизация в здравоохранении - это огромная мотивация сделать медицинские услуги лучше,
качественнее, надежнее. Цель цифровизации: создать максимально комфортные условия для работы медицинских специалистов, обеспечить их самыми передовыми технологиями. Однако, пациенты, осознающие эффективность современных информационных систем, все больше обеспокоены увеличением риска незащищенности персональной информации в цифровых базах данных. Одним из последствий использования цифровых технологий в повседневной жизни являются цифровые следы (digital life) [10, 11, 12]. Цифровые следы зависят от видов деятельности человека. В области поддержки принятия решений жизнь человека в цифровой среде может быть одним из источников исторических данных для прогностических решений [13,14,15]. Согласно отчету Critical Insight, количество нарушений кибербезопасности в сфере здравоохранения почти удвоилось с 2018 года и продолжало расти в первой половине 2021 года. Проблема защиты информации и защиты от нежелательной информации имеет небольшое количество научно-технических решений [16] и большинство из них находится на начальной стадии разработки и внедрения. Следует отметить, что проблему хранения больших данных решают облачные хранилища. Для обеспечения безопасности цифровых медицинских данных вносятся изменения в сетевые протоколы обмена и применяется новое шифрование [17]. Технология блокчейна анализирует архитектуру хранения медицинских данных и гарантирует, что данные не могут быть изменены и не поддаются отслеживанию [18].
Цифровые медицинские устройства. В медицинском обществе вызывают большой интерес устройства, проводящие мониторинг безопасности и эффективности. Например, страховые компании собирают информацию о пациентах для того, чтобы в дальнейшем делать прогнозы относительно расходов на здравоохранение, создать «оценки риска для здоровья» в случае заболевания пациента и определить доступ пациентов к различным видам медицинской помощи. Поэтому, по мере развития цифровой медицины необходимо внедрять стандарты, которые смогут обеспечить защиту от известных и неизвестных угроз, связанных, в том числе, с вычислительными и человеческими факторами.
В настоящее время в медицинской практике для решения определенного спектра задач используются чат-боты [19], которые являются виртуальными помощниками и для врачей и для пациентов. Чак-боты создаются на базе искусственного интеллекта (ИИ), при этом для обучения используются обезличенные медицинские электронные карты пациентов. К сожалению,
главным препятствием на пути развития рынка чат-ботов считаются проблемы с безопасностью данных [20].
Медицинские устройства мониторинга здоровья MedCore направлены на комплексное решение задач мониторинга биометрических показателей здоровья в реальном масштабе времени и хронометража состояния человека с медицинской точностью. MedCore используются для построения решений при лечении хронических больных, мониторинга пациентов, уходе за новорожденными, лежачими больными, трекинга показателей, хронометража тренировок, хронометража сна, контроля храпа. В комплекс решаемых задач входят анализ интенсивных производственных процессов, таких как мониторинг работоспособности операторов, диспетчеров [21].
Новые цифровые инструменты, такие как цифровые биомаркеры, могут собирать мегаобъ-ем информации о пациентах, включая детальные поведенческие и физиологические состояния. Многие из этих инструментов неинвазивны и собирают данные пассивно, что сопряжено с риском того, что не всегда понятно, какая часть их цифрового следа собирается или передается.
Цифровые устройства в зависимости от клинической помощи можно классифицировать по применению и использованию в практической медицине:
• восстановление и выбор лечения, применяются носимые датчики с поддержкой приложений. Цифровые измерения позволяют удаленно контролировать прогресс пациента;
• мультимодальная интеграция данных: объединяет удаленно собранные данные в персональную электронную медицинскую карту, порталы пациентов и хранилища клинических данных;
• мониторинг безопасности в режиме реального времени: опирается на носимые датчики, камеры, датчики движения, микрофоны и/или напольные датчики. Такой мониторинг часто используют для ухода за пожилым и слабым группам населения.
• робототехника: задачи сложно стандартизировать. По материалам SPARK «H2020 - Robotics Multi-Annual-Roadmap ICT-2017B» в настоящее время следует выделить роботов для больниц (Clinical Robotics), роботов для реабилитации (Rehabilitation) и вспомогательных роботов (Assistive robotics). В больницах роботы используются для диагностики, лечения, хирургического вмешательства и ввода лекарственных средств, в систе-
мах экстренной помощи. В реабилитации в основном робототехнические системы обеспечивают послеоперационную или посттравматическую помощь. Вспомогательные роботы являются помощниками непосредственно врачей или помощниками пациентов и обеспечивают медицинскую поддержку.
Цифровые технологии. Цифровые технологии все шире используются в наблюдательных исследованиях и варьируются от простых статистических методов, таких как линейная регрессия, до методов обработки сигналов, например, преобразование Фурье, до анализа временных рядов или методов машинного обучения. Машинное обучение разделяется следующие классы моделей: обучение с учителем (supervised learning), обучение без учителя (unsupervised learning), обучение с частичным привлечением учителя (semi-supervised learning) и обучение с подкреплением (reinforcement learning). Основные задачи, решаемые методами обучения с учителем, являются задачи классификации и регрессии. Методами обучения без учителя решаются задачи кластеризации. Большинство сложных процессов, которые включают в себя ту или иною форму прогнозирования, генерируемого на основе большого набора данных, используют метод кластеризации, метод ближайших соседей, метод опорных векторов, сложные архитектуры нейронных сетей и метод лесов решений. Статистические алгоритмы классификации основаны на априорных предположениях о виде плотностей распределения классов (байесовское решающее правило, линейный дискриминант Фишера, ЕМ-алгоритм). Метрические алгоритмы сформированы на формализации понятия сходства между объектами и гипотезе компактности (методы ближайших соседей, потенциальных функций, радиальных базисных функций). Алгоритмы классификации построятся на основании индукции правил (rule induction, rule learning) или индуктивного вывода логических закономерностей [22]. В 2019 г. сегмент машинного обучения (Machine Learning, ML) и глубокого обучения (Deep Learning, DL) занимал почти 65% рынка, но прогнозируется, что применение ML и DL в здравоохранении займет ведущую роль к 2027 году [23]. По словам Стефано Эрмона, доцента кафедры информатики в Стэнфордском университете ведущей конференцией по машинному обучению является конференция ICMLA, International Conference on Machine Learning and Applications, которая предназначена для объединения академических и отраслевых исследователей, ориентирована на
приложения машинного обучения, в том числе в таких областях как медицина и биология.
Платформы цифрового здравоохранения, являются основой медицинских информационных систем, архивом электронных медицинских карт и электронных историй болезни пациентов. Пандемия коронавируса ускорила процесс оцифровки биомедицинских данных, разрабатываются новые эпидемиологические модели для прогнозирования распространения заболевания [24], интерактивные карты и онлайн панели, дающие представление о развитии эпидемической ситуации, созданы новые алгоритмы диагностики, позволяющие обнаружить заболевание при радиологическом сканировании с большой точностью [25]. События, произошедшие за последние два года, усилили потребность людей в получении удаленных биомедицинских данных и обмене ими. Во многих странах начинают все активнее поддерживать телемедицину для снижения рисков, связанных с распространением вируса. В глобальном масштабе спрос к телемедицинским услугам резко увеличился до 15-20 раз [23].
Цифровые научные исследования. Цифровые продукты используются в исследованиях в области здравоохранения для развития знаний о фундаментальных изменениях здоровья и течения болезни путем изучения биологических, экологических факторов и образа жизни. Они являются научно обоснованными инструментами, которые поддерживают исследования в области здравоохранения и практическую медицину, развивают систему научных знаний в области диагностики, лечения и профилактики заболеваний, способствует укреплению здоровья, что приводит к повышению трудоспособности и увеличению жизненного цикла. В качестве примеров можно привести статьи Ивашкевич Я. В., Косач С. А., Жлоба А. А. [26]. В статье Ивашкевич Яны Валерьевны с соавторами [27] рассмотрено влияние комбинированной терапии на лечение пациентов с гипертонической болезнью и сопутствующими заболеваниями. Анализ проводился статистическими методами и были получены статистически значимые результаты в систолических (р<0.001) и диастолических показателях (р<0.001). Описательная статистика для количественных данных состояла из среднего значения и стандартного отклонения для нормально распределенных выборок и медианы с первой и третьей квартилями для других выборок. Статистическую значимость эффекта для парных выборок изучали с помощью парного ^критерия для нормальных выборок и критерия Вилкоксо-на для других. Для независимых выборок применялся ^критерий, когда данные отображали нормальную картину распределения, и критерий
Манна-Уитни, если нет. Нормальность изучалась с помощью теста Колмогорова-Смирнова. Статья Косач Серафима Александровича [28] с соавторами посвящена нахождению факторов, которые могут значимо оказывать влияние на сроки ортодонтического лечения, при анализе использовалась статистическая обработка исходных данных для выявления регрессионной корреляции. Полученные результаты позволят планировать ортодонтическое лечение. Обширные исследования в области системной биологии и многомасштабного моделирования приводят к развитию цифрового пациента (DPs) и к созданию новых приложений в области персонализированного здравоохранения [29]. Цифровой пациент не будет создаваться исключительно на основе информации из всех областей OMIM (NCBI), его создание включает системный анализ, большие данные и моделирование человека по его виртуальному представлению. В некоторых клинических областях уже доказано, что ге-номика обеспечивает более быструю и точную диагностику заболеваний; определяет наиболее эффективное лечение и риск нежелательных явлений. Значительная ценность использования геномики заключается в определении предрасположенности к заболеваниям, обеспечении возможности раннего выявления заболеваний и оптимизации стратегий лечения, профилактики заболеваний [30]. Знания, полученные из последовательностей генома пациентов, будут все в большей степени способствовать информированию пациентов об их диагнозах и клиническом ведении.
Цифровая информация. Компания Accenture Digital Health Technology Vision прогнозирует, что каждый третий визит к врачу в ближайшие 3 года будет виртуальным. Компания прогнозирует развитие цифровой информации по 5 принципам [31]:
1. Искусственный интеллект (ИИ): замена человека при выполнении ряда функций здравоохранения, но без исключения самого человека, так как человек анализирует, какое решение и почему принимается ИИ.
2. «Текучие» трудовые ресурсы: провайдеры медицинских услуг, учитывая растущую виртуализацию и децентрализацию здравоохранения, могут работать на удаленной основе, а медицинские компании - использовать фриланс для опытных работников медицины. По данным компании, примерно 42% сотрудников медицинских организаций являются фрилансерами.
3. Единая платформа с открытым интерфейсом программирования (API): все первичные данные пациентов объединяются в одном информационном пространстве, это позволяет
одновременно снизить затраты трудовых усилий и ресурсов.
4. Реорганизации работы: привлечение инноваций и новых цифровых технологий в традиционную сферу здравоохранения. Эти изменения обеспечат повышение активности всех медицинских компаний.
5. Цифровая ответственность: сотрудники лечебных учреждений с большой ответственностью должны обеспечивать безопасность не только вводимым персональным биомедицинским данным пациентов, но и всем подключаемым устройствам, с которыми они работают.
Стратегия развития здравоохранения, основанная на этих 5 принципах, позволяет освободить врачей от ненужных функций, от решения повторяющихся задач, поэтому они смогут улучшить и более эффективно использовать свои профессиональные знания. Пациенту необходимо иметь оперативный доступ не только к полной информации о себе в личном кабинете, но и к обучающим медицинским материалам в агрегированном мобильном приложении. Системы здравоохранения все чаще используют мобильные устройства для общения с пациентами. Целевая цифровая коммуникация - это передача информации пациентам на основе их состояния здоровья или демографического статуса. Самым распространенным типом целевой коммуникациии являются текстовые сообщения, телефонные звонки, интерактивный голосовой ответ или мультимедийные сообщения, которые предлагают медицинскую информацию, советы, мониторинг и поддержку. Ближайшее будущее ставит задачи в связи с использованием DPs как части практической работы врача [32]. Около 45% пользователей мобильных телефонов имеют цифровые приложения для здоровья или фитнеса на своих устройствах [33]. Благодаря гаджетам, например, смарт-часам, фитнес-браслетам, на облачных хранилищах собирается огромное количество биомедицинских данных Облачное хранилище используется не только для хранения, но и для обмена информацией, медицинскими изображениями и записями, обеспечивает функциональную совместимость всем разрозненным системам, поддерживающим медицинские приборы и специализированные устройства. Разработчики ИТ-решений рекомендовали технологии 5G для обеспечения синхронной работы таких систем [34]. Полностью задействованы в здравоохранении такие облачные инфраструктуры как Google, Microsoft. Amazon Web Services.
Ведущие компании в разработке ИИ для медицины. Отвечая на вопрос «Кто является производителем искусственного интеллекта,
используемого в системе здравоохранения?», можно перечислить несколько компаний [35]:
- Фирма IBM выделяет 4 приоритетеных направления в модернизации здравоохраненияю Основные работы связаны с геномикой (Watson for Genomic), ведется поиск решений в области лечения онкологии (Watson for Oncology). Онкологическим пациентам необходим индивидуальный подход для максимальной эффективности лечения, а Watson за короткое время может изучить историю болезни пациента, записи и комментарии врачей, просмотреть последние исследования по указанной тематике и поставить прогноз. Система принята в Международной больнице Бумрунград в Таиланде, которая обслуживает в год около 1,1 миллиона пациентов из 190 стран. Разработаны программные пакеты: Population Health Management, работающий с клиническими, исследовательскими и медико-социальными данным, Care Management, сочетающий интеграцию данных, аналитику и координацию здравоохранения.
- Корпорация Intel, благодаря своим техно-огиям и инструментам, поддерживает выполнение ключевых задач в области точной медицины, включая анализ генома, молекулярную визуализацию и молекулярную динамику. В том случае, если пациент имеет раковое заболевание, множественные секвенирования опухоли могут произвести около 1 Пб информации на 1000 пациентов. Масштабируемые процессоры Intel Xeon Scalable обеспечивают высокую производительность вычислений, а технологии хранения данных поддерживают эффективные базы данных. Следует отметить робота Akara на базе ИИ (процессор Intel Movidius), который дезинфицирует поверхности в больницах ультрафиолетовым цветом, то есть оказывает помощь клиникам в санитарной обработке помещений и оборудования для борьбы с covid-19.
- Компания Medtronic совместно с IBM разрабатывает приложение для людей, страдающих сахарным диабетом. Приложение может обнаружить критическое снижение уровня сахара в крови за 3 часа до кризиса. Для этого используются данные глюкозомера и инсулиновых помп от 600 анонимных пациентов. Пациенты смогут следить за своим здоровьем с помощью специальных приложений и мобильных медицинских устройств. Компанией подготовлена серия бесплатных вебинаров с обучающими материалами для пациентов.
- Корпорация Microsoft предоставляет для здравоохраненя Microsoft Cloud с возможностями для управления большими объемами биомедицинских данных и облегчения работы по улучшению обслуживания пациентов (личный
кабинет), координации лечения (собирает аналитические сведения о пациентах, предоставляет возможности работы в группах, пользоваться защищенными медицинскими ботами на основе ИИ) и повышению операционной эффективности (позволяет отслеживать восстановление, реабилитацию и прогресс лечения нарушения здоровья и хронических заболеваний). Корпорация обеспечивает целостный подход для предотвращения нарушения конфиденциальности медицинских записей, данных пациентов, соблюдает нормативные требования, подключает сведения о пациентах и биомедицинские данные из различных систем с помощью протокола HL7 FHIR.
- компания DeepMind Technologies [26] в 2020 году разработала программу AlphaFold2, позволяющую решать одну из фундаментальных проблем биологической науки по построению 3-мерных моделей белков. В своей работе DeepMind Health сотрудничает с Национальной службой здравоохранения Великобритании. DeepMind Health планирует предоставлять врачам техническую экспертизу для разработки и совершенствования технологий по уходу за пациентами. Особое внимание будет уделяться безопасности данных пациентов и конфиденциальности.
Цифровые решения. В сентябре 2020 года Национальная палата инновационного здравоохранения Республики Узбекистан организовала научно-практическую видеоконференцию, в которой принимали участие ведущие специалисты здравоохранения и специалисты в области информационно-коммуникационных технологий Индии и Узбекистана. Широкое обсуждение проводилось по инновационной платформе для онлайн-симуляции общения с больными «CyberPatient» (Канада). Национальная палата Узбекистана наладила сотрудничество с командой разработчиков онлайн-симулятора, которую возглавляет региональный директор «Royal College of Physicians and Surgeons of Canada», профессор Карим Каюми. По словам председателя Национальной палаты Ровшана Изамова онлайн-симулятор «CyberPatient» был открыт канадскими разработчиками для свободного доступа с апреля по декабрь 2020 года. В указанный период «CyberPatient» пользователи, в том числе и студенты, могли получить информацию о заболеваниях, что позволяло повысить точность принятия клинических решений, проследить за пациентом с момента первого приема до выписки. По мнению специалистов, при эффективном использовании данной платформы Министерство труда Узбекистана может инициировать официальное введение симулятора в учебную программу подготовки специалистов
здравоохранения. Чрезвычайный и Полномочный Посол Индии в Канаде Аджай Бисариа отметил, что открытия в технологическом пространстве сближают весь мир. Пандемия стала толчком для развития цифровых технологий и их практического применения, научила людей жить, работать, покупать, учиться удаленно, соблюдая дистанцию. В ближайших планах разработчиков «Cyber Patient» обеспечить симулятор субтитрами на разных языках [36].
Эволюцию развития цифровых решений в России можно посмотреть на страничке библиотеки сайта Международного конгресса «Информационные технологии в медицине». Наиболее интересные презентации, обзоры и статьи, а также ежегодные сборники научных публикаций собраны в библиотеке начиная с 2011 года [37].
В сборнике научных статей «Цифровое здравоохранение. Труды участников XIX Международного конгресса «Информационные технологии в медицине» отражены результаты исследований авторов по направлениям, связанными с эффективностью использования медицинских информационных систем в здравоохранении. Следует выделить предлагаемую систему формирования и сопровождения плана мероприятий по здоровье сбережению [38]. Интеллектуальная система основывается на данных экспертной оценки состояния здоровья пациентов из различных источников, таких как гаджеты для мониторинга физиологических показателей, электронные медицинские карты, вопросники и открытые данные из социальных сетей. Особенностью системы является применения методов интеллектуального анализа данных для определения характеристик состояния здоровья пациентов и построения последовательности рекомендаций для перечисленных заболеваний: инфаркт, инсульт и депрессия.
Международный конгресс 2019 года «Информационные технологии в медицине» определил Единый цифровой контур здравоохранения. Выделены направления развития, такие как: медицинская статистика, аналитика, качество и эффективность медицинской помощи [39]; системы поддержки принятия врачебных и управленческих решений [40]; интеллектуальный анализ данных в программах медицинского назначения [41]; электронная медицинская карта, ее элементы, интеграция, развитие [42]; телемедицина и мобильное здравоохранение; кибербе-зопасность.
В июне 2020 года в России была проведена первая онлайн-конференция для врачей и преак-тивных пациентов «Цифровая медицина 2020» [43]. На конференции рассматривались стандарты, инновации и тренды медицины; возможно-
сти и решения для телемедицины; гаджеты для мониторинга здоровья и профилактика здоровья в эпоху коронавируса. Следует отметить выступление Мамонтова Олега Викторовича, который представил аппарат для электростимуляции «АВР-051», предназначенный для без медикаментозного снижения уровня артериального давления. Технически устройство представлено в виде цифрового браслета, который одевается на внутреннюю поверхность левого запястья. Даже небольшое снижение артериального давления приводит к достоверному снижению риска развития инфаркта и инсульта. В дальнейшем, для полученных данных можно применить методы Data Mining [44], выявить скрытые закономерности и взаимосвязи различных факторов.
Производители продуктов цифровой медицины обязуются проходить строгие рандомизированные, контролируемые клинические исследования для своих продуктов. Проводя проверочные оценки точности медицинских устройств, исследователь должен быть уверен, что соответствующее встроенное программное обеспечение, которое генерирует обработанные данные, также является точным и надежным. Кроме того, необходимо, чтобы цифровое измерительное устройство соответствовало своему назначению (валидация), генерировало объективные данные, которые точно отражают концепцию интереса -конкретный способ, которым пациент чувствует, функционирует или измеряет. Например, является ли скорость походки значимой мерой, отражающей индивидуальность пациента.
Главной задачей, которую необходимо решать на пути развития цифровых технологий -это проблема больших данных Big Data. Целью решения этой задачи является определение оптимальной стратегии лечения различных заболеваний и контроля лечения. Так, современные медицинские технологии позволяют сканировать один орган за одну секунду и осуществлять сканирование всего человеческого тела всего за 60 секунд. После подобного обследования в больничный архив будет добавлено около 10 Гб данных в виде необработанных изображений и электронных отчетов. Решить проблему анализа больших данных можно с помощью специальных аналитических инструментов, которые позволят обрабатывать «сырые» медицинские данные и результаты обследований из разных источников, выводить необходимую информацию в виде схем, графиков, таблиц и информационных экранов [45].
Цифровая медицина тесно связана с медицинской информатикой. Смысл изучения информатики медиками и биологами точно такой же, как и математики - инструментальный и поста-
новочный на первом этапе своего образования и системный и общенаучный - в последующей деятельности [46]. В основе цифровой медицины лежит использование для решения медицинских проблем идей и технологий, разработанных в биомедицинской информатике [47].
ВЫВОДЫ
Проведенный обзор цифровых решений в медицине показал, что:
1. Облачные сервисы создают виртуальную среду, единое цифровое пространство, вокруг каждого пользователя (врача, пациента, медицинских сотрудников) с помощью которого возможен оперативный взаимный обмен биомедицинскими данными, мониторинг данных, интеллектуальный и статистических анализ.
2. Цифровые компетенции требуют пересмотра учебных планов и программ и в первую очередь, по медицинской информатике, с целью отбора для изучения разделов, которые имеют наибольшее значение для освоения вопросов, связанных с врачебным профессионализмом. Эффективность образовательного процесса определяется выбором и профессиональной реализацией конкретных образовательных технологий. Введено понятие цифровые информационно-технологические компетенции.
3. Цифровые технологии оптимизируют системы сбора, хранения и визуализации биомедицинской информации, статистических и оперативных отчетов. Разработка клинических рекомендаций для машинной обработки является необходимым условием оценки качества оказания медицинской помощи.
В статье представлен обзор различных цифровых решений в медицине. В ходе подготовки использовались источники информации поисковых систем Google, Yandex, Google scholar, научных ресурсов библиотеки Wiley Online Library, Кокрейновской библиотеки, базы данных медицинских и биологических публикаций PubMed (NCBI). Цифровые технологии связаны с широким внедрением искусственного интеллекта в здравоохранение, для определения хода и прогноза индивидуального лечения, контроля лечения используются методы машинного обучения, создаются новые алгоритмы оценки рисков заболеваний и диагностики. Однако, для успеха реализации цифровых технологий требуются хорошо обученные и квалифицированные специалисты, обладающих необходимыми медицинскими и статистическими знаниями.
Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.
Conflict of interest. The authors have no conflict of interests to declare
ЛИТЕРАТУРА
1. Постановление Президента Республики Узбекистан «О мерах по эффективной организации цифровизации в сфере здравоохранения» -ПП РУз № 500 от 23.02.2021г.
2. Богомолов А. И. Искусственный интеллект и экспертные системы в мобильной медицине. Хроноэкономика. 2018;(3):17-28. doi: 10.18334/9785912922206
3. Азизов А. Цифровизация в здравоохранении: прозрачно, качественно, надежно. UZ DAILY. 2021. 4 марта. URL: https://uzdaily.uz/ ru/post/59394. Дата обращения: 11.09.2021
4. Proposing a Transactional Model of eHealth Literacy: Concept Analysis. J Med Internet Res. 2018;20(10):e10175. doi: 10.2196/10175.
5. Aulenkamp J., Mikuteit M., Loffler T., Schmidt J. Overview of dogotal health teaching courses in medical sducation in Germany in 2020. GMS J Med Educ. 2021; 38(4):Doc80. doi:10.3205/ zma001476
6. Biggins D., Holley D., Zezulkova M. Digital Competence and Capability Frameworks in Higher Education: Importance of Life-long Learning, Self-Development and Well-being. EUDL. 2017;4(13):e1-e7. doi: 10.4108/eai.20-6-2017.152742.
7. Fogel A., Kvedar J. Artificial intelligence powers digital medicine. NPJ Digit Med. 2018. doi: 10.1038/s41746-017-0012-2. eCollection 2018.
8. Kuhn S. Transformation durch Bildung: Medizin im digitalen Zeitalter. Dtsch Arztebl. 2018;115(14):A633-638.
9. Haag M., Igel C., Fisher M. R. Digital Teaching and Digital Medicine: A national initiative is needed. GMS J Med Educ 2018;35(3):Doc43. doi: 10.3205/zma001189
10. Смирнов А. В., Левашова Т. В. Контекстно-управляемый подход к интеллектуальной поддержке принятия решений на основе цифровых следов пользователей. Информатика и автоматизация. 2020;19(5):915-941. doi: 10.15622/ ia.2020.19.5.1.
11. Ayed G. B. Architecting User-centric Privacy-as-a-set-of-services: Digital Identity-related Privacy Framework. Springer. 2014. 177 p.
12. Seeskin Z. H. et al. Uses of Alternative Data Sources for Public Health Statistics and Policymaking: Challenges and Opportunities. Proceedings of 2018 Joint Statistical Meetings. American Statistical Association. 2018:1822-1861.
13. Araujo T., Helberger N., Kruikemeier S., de Vreese C. H. AI We Trust? Perceptions about Automated Decision-Making by Artificial In telligence. AI & SOCIETY. 2020.
14. Han M. L., Kwak B. I., Kim H. K. CBR-Based Decision Support Methodology for Cybercrime Investigation: Focused on the Data-Driven Website Defacement Analysis. Security and Communication Networks. 2019. vol. 2019.
15. Surendro K. Predictive Analytics for Predicting Customer Behavior. 2019 International Conference of Artificial Intelligence and Information Technology (ICAIIT). 2019:230-233.
16. Котенко И. В., Саенко И. Б, Браницкий А. А., Паращук И. Б., Гайфулина Д. А. Интеллектуальная система аналитической обработки цифрового сетевого контента для его защиты от нежелательной информации. Информатика и автоматизация. 2021. Том 20 No 4. Стр. 755-784. ISSN 2713-3192 (печ.) ISSN 2713-3206 (онлайн) www.ia.spcras.ru. doi: 10.15622/ia.2021.20.4
17. Сетевые протоколы нового поколения. JETINFO. № 5-6 (306). 2021. URL: https://www. jetinfo.ru/setevye-protokoly-novogo-pokoleniya/. Дата обращения: 19.09.2021.
18. Cheng X., Chen F., Xie D., Sun H., Huang C. Design of a Secure Medical Data Sharing Scheme Based on Blockchain. J Med Syst. 2020 Jan 8;44(2):52. doi: 10.1007/s10916-019-1468-1. PMID: 31915982.
19. Медицинские чат-боты: история, возможности, современные разработки. FUTURIST. URL: https://futurist.ru/news/5730. Дата обращения: 19.08.2021.
20. Global Healthcare Chatbots Market Projected. ResearchAndMarkets.com: URL: https://www.businesswire.com/news/home/ 20200227005 823 /en/Global-Healthcare-hatbots-Market-Projected-Grow-116.9. Date of application:19.08.2021.
21. Прозоров А. А. Internet of Medical Things - технологическая среда персональной медицины. Лаборатория спецмедтехники и технологий, МФТИ. ИМБП РАН. URL: https://www. osp.ru/netcat_files/userfiles/MSKF_2015/Prozorov. pdf. Дата обращения: 19.09.2021.
22. Никонорова М. Л. Компьютерная модель решения задач классификации в программной среде Rapid Miner. Медицинское образование и профессиональное развитие. № 2-3 (28-29), 2017. Стр. 24-33. DOI: 10.24411/2220-8453-201700003.
23. Искусственный интеллект (мировой рынок). TADVISER. Государство. Бизнес. ИТ. URL: https://clck.ru/YFn3z. Дата обращения: 18.09.2021
24. Wolff M. On build-up of epidemiologic models-Development of a SEI3RSD model for the spread of SARS-CoV-2. Z Angew Math Mech. 2020 Oct 13:e202000230. doi: 10.1002/ zamm.202000230. Epub ahead of print. PMID: 33173245; PMCID: PMC7646042.
25. Цифровая медицина в эпоху пандемии. Обзор. EverCare. URL: https://evercare-ru. turbopages.org/turbo/evercare.ru/s/news/cifrovaya-medicina-v-epokhu-pandemii-obzor. Дата обращения: 19.08.2021.
26. Все о DeepMind. «Цифровая фабрика». URL: https://onff.ru/deepmind/ Дата обращения: 19.08.2021.
27. Ivashkevich Ya., Tishkov A., Churilov L. Therary in outpatients with complicated comorbid hypertensive disease: comparison of fixed combined versus isolated modes. Russian Biomedical Research. Vol. 5, № 3 (2020). Pp. 23-30. URL: http://ojs3.gpmu.org/index.php/ biomedical-research/article/view/2477. Date of application: 25.09.2021. elSSN 2658-6576.
28. Косач С. Ф., Ткаченко Т. Б., Тишков А. В., Зубкова Н. В. Взаимосвязь местных факторов полости рта и сроков ортодонтического лечения при аномалии положения зубов в возрастном аспекте. Проблемы стоматологии. Том 7, № 2. 2021. Стр. 110-114.
29. Combs, C. Donald et al. The Digital Patient: Advancing Healthcare, Research, and Education. 2016. Print ISBN:9781118952757. Online I S BN : 9 7 8 1 1 1 8 9 5 2 7 8 8 . doi:10.1002/9781118952788. Copyright © 2016 John Wiley & Sons, Inc. Рр. 273-288.
30. Hansen D. P, Dinger M. E., Hoftmann O., Thorne N., Boughtwood T. F. Preparing Australia for genomic medicine: data, computing and digital health. MJA The Medical Journal of Australia. Volume 210, Issue 56, 2019. Pр. 530-532.
31. 5 основных трендов в «новом здравоохранении» от Accenture. EverCare. URL: https:// evercare.ru/accenture-trends2016. Дата обращения: 19.08.2021.
32. Ames H. M, Glenton C., Lewin S., Tamrat T., Akama E., Leon N. Clients' perceptions and experiences of targeted digital communication accessible via mobile devices for reproductive, maternal, newborn, child, and adolescent health: a qualitative evidence synthesis. Cochrane Database Syst Rev. 2019 Oct 14;10(10):CD013447. doi: 10.1002/14651858.CD013447. Epub ahead of print. PMID: 31608981; PMCID: PMC6791116.
33. Kunz T., Lange B., Selzer A. Datenschutz und Datensicherheit in Digital Public Health [Digital public health: data protection and data security]. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz. 2020 Feb;63(2):206-214.
German. doi: 10.1007/s00103-019-03083-w. PMID: 31915865.
34. 5G - пятое поколение технологий подвижной связи. Международный союз электросвязи. URL: https://www.itu.int/ru/mediacentre/ backgrounders/Pages/5G-fifth-eneration-of-mobile-technologies.aspx. Дата обращения: 16.09.2021
35. Искусственный интеллект для здоро-вьесбережения и развития личностного потенциала (обзор). Под ред. Крутько В. Н. Труды ИСА РАН. Том 70. 3/2020. Стр. 86-100. doi: 10.14357/20790279200310.
36. Изамов Р. Равшан Изамов о реформах в системе здравоохранения Узбекистана. URL: https://www.youtube.com/embed/ p1IW2K4UZTM. Дата обращения: 24.09.2021.
37. Библиотека Международного конгресса «Информационные технологии в медицине». URL: https://itmcongress.ru/itm2021/library/ Дата обращения: 24.04.2021.
38. Кобринский Б. А., Григорьев О. Г., Смирнов И. В., Молодченков А. И., Благоскло-нов Н. А. Принципы создания интеллектуальной системы формирования и сопровождения плана мероприятий по здоровьесбережению. Цифровое здравоохранение: Труды XIX Международного конгресса «Информационные технологии в медицине» (Москва, 11-12 октября 2018). электронное издание - М.: Консэф, 2018. С.31-33. URL: https://itmcongress.ru/itm2018/proceedings/ Дата обращения: 24.09.2021.
39. Фохт О. А. Применение KPI при информатизации медицинских организаций // Врач и информационные технологии. 2019. № 4. Стр. 27-36.
40. Невзоров В. П., Буланова Т. М. Комплексное использование алгоритмов нейронных сетей для оценки эффективности их работы в меняющихся условиях принятия врачебных решений. Цифровое здравоохранение: Труды XX Международного конгресса «Информационные технологии в медицине»: электронное издание - М.: Консэф, 2019. С.14-17. URL: https:// itmcongress.ru /dl/2019/ proceedings/ Дата обращения: 24.09.2021
41. Толкачев А. Ю., Кулеев Р. Ф. Об опыте применения технологий искусственного интеллекта для автоматического распознавания рентгеновских изображений органов грудной клетки. Цифровое здравоохранение: Труды XX Международного конгресса «Информационные технологии в медицине»: электронное издание. - М.: Консэф, 2019. С.18-22. URL: https:// itmcongress.ru/d l/2019/proceedings/ Дата обращения: 24.09.2021
42. Белышев Д. В., Гулиев Я. И., Михеев А. Е. Цифровая экосистема медицинской помощи. Врач и информационные технологии. 2018. N° 5. Стр. 4-17.
43. Цифровая медицина 2020. URL: https:// evercare.ru/events/onlayn-konferenciya-cifrovaya-medicina-2020, Дата обращения: 24.09.2021.
44. Никонорова М. Л., Алдохина Ю. А., Пи-чугин Ю. А. Об использовании методов интеллектуального анализа данных для диагностики артериальной гипертонии в среде Rapid Miner. Региональная информатика и информационная безопасность. Сборник трудов. Выпуск 9. СПО-ИСУ. - СПб., 2020. - 312 с. Стр. 27-32. ISBN 978-5-907223-89-9
45. Интернет вещей в здравоохранении. SAYMON. URL: https://saymon.info/iot-medicine/. Дата обращения: 19.09.2021.
46. Дюк В., Эмануэль В. Информационные технологии в медико-биологических исследованиях. СПб.: Питер, 2003. 525 с.
47. Дюк В. А., Рудницкий С. Б. Лаборатория биомедицинской информатики СПИРАН. Труды СПИИРАН. 2013. Вып. 26. C. 384-409.
REFERENCES
1. Decree issued by the President of the Republic of Uzbekistan «On measures for the effective organization of digitalization in the field of healthcare» - RP RPUz № 5000 of 2021.02.23.
2. Bogomolov A. I. Artificial intelligence and expert systems in mobile medicine. Chronoeconomics. 2018. № 3. Pp. 17-28. (In Russ). doi: 10.18334/9785912922206
3. Azizov A. Digitalization in healthcare: transparent, high-quality, reliable. UZ DAILY. 2021. 4 March. URL: https://uzdaily.uz/ru/post/59394. (In Russ). Date of application: 11.09.2021
4. Proposing a Transactional Model of eHealth Literacy: Concept Analysis. J Med Internet Res. 2018;20(10):e10175. doi: 10.2196/10175.
5. Aulenkamp J., Mikuteit M., Loffler T., Schmidt J. Overview of dogotal health teaching courses in medical sducation in Germany in 2020. GMS J Med Educ. 2021; 38(4): Doc80. doi: 10.3205/zma001476
6. Biggins D., Holley D., Zezulkova M. Digital Competence and Capability Frameworks in Higher Education: Importance of Life-long Learning, Self-Development and Well-being. EUDL. 2017;4(13):e1-e7. doi: 10.4108/eai.20-6-2017.152742.
7. Fogel A., Kvedar J. Artificial intelligence powers digital medicine. NPJ Digit Med. 2018. doi: 10.1038/s41746-017-0012-2. eCollection 2018.
8. Kuhn S. Transformation durch Bildung: Medizin im digitalen Zeitalter. Dtsch Arztebl. 2018;115(14):A633-638.
9. Haag M., Igel C., Fisher M. R. Digital Teaching and Digital Medicine: A national initiative is needed. GMS J Med Educ 2018;35(3):Doc43. doi: 10.3205/zma001189
10. Smirnov A. V., Levashova T. V. Context-controlled approach to intellectual decision support based on digital traces of users. Informatics and automation. Volume 19, № 5, 2020. Pp. 915-941. (In Russ). doi 10.15622/ia.2020.19.5.1.
11. Ayed G. B. Architecting User-centric Privacy-as-a-set-of-services: Digital Identity-related Privacy Framework. Springer. 2014. 177 p.
12. Seeskin Z. H. et al. Uses of Alternative Data Sources for Public Health Statistics and Policymaking: Challenges and Opportunities. Proceedings of 2018 Joint Statistical Meetings. American Statistical Association. 2018. pp. 18221861.
13. Araujo T., Helberger N., Kruikemeier S., de Vreese C. H. AI We Trust? Perceptions about Automated Decision-Making by Artificial In telligence. AI&SOCIETY. 2020.13 p.
14. Han M. L., Kwak B. I., Kim H. K. CBR-Based Decision Support Methodology for Cybercrime Investigation: Focused on the Data-Driven Website Defacement Analysis. Security and Communication Networks. 2019. vol. 2019.
15. Surendro K. Predictive Analytics for Predicting Customer Behavior. 2019 International Conference of Artificial Intelligence and Information Technology (ICAIIT). 2019. pp. 230-233.
16. Kotenko I. V., Saenko I. B., Branitsky A. A., Paraschuk I. B., Gayfulina D. A. Intelligent system of analytical processing of digital network content for its protection from unwanted information. Informatics and automation. 2021. Vol. 20 No 4. Pp. 755-784. (In Russ). ISSN 2713-3192 (print) ISSN 2713-3206 (online) www.ia.spcras.ru.
17. New generation network protocols. JETINFO. № 5-6 (306). 2021. URL: https://www. jetinfo.ru/setevye-protokoly-novogo-pokoleniya/. (In Russ). Date of application: 19.09.2021.
18. Cheng X., Chen F., Xie D., Sun H., Huang C. Design of a Secure Medical Data Sharing Scheme Based on Blockchain. J Med Syst. 2020 Jan 8;44(2):52. doi: 10.1007/s10916-019-1468-1. PMID: 31915982.
19. Medical chatbots: history, capabilities, modern developments. FUTURIST. URL: https://futurist.ru/news/5730. (In Russ). Date of application: 19.08.2021.
20. Global Healthcare Chatbots Market Projected. ResearchAndMarkets.com: URL: https://www.businesswire.com/news/home/
20200227005 823 /en/Global-Healthcare-hatbots-Market-Projected-Grow-116.9. Date of application:19.08.2021.
21. Prozorov A. A. Internet of Medical Things - technological environment of personal medicine. Laboratory of Special Equipment and Technologies, MIPT. IMBP RAS. URL: https:// www.osp.ru/netcat_files/userfiles/MSKF_20l5/ Prozorov.pdf. (In Russ). Date of application: 19.09.2021.
22. Nikonorova M. L. Computer model for solving classification problems in a software environment Rapid Miner. Medical Education and Professional Development. № 2-3, 2017. Pp. 24-33. (In Russ). doi: 10.24411/2220-8453-2017-00003.
23. Artificial intelligence (global market). TADVISER. State.Business.IT. URL: https:// clck.ru/YFn3z. (In Russ). Date of application: 18.09.2021
24. Wolff M. On build-up of epidemiologic models-Development of a SEI3RSD model for the spread of SARS-CoV-2. Z Angew Math Mech. 2020 Oct 13:e202000230. doi: 10.1002/ zamm.202000230. Epub ahead of print. PMID: 33173245; PMCID: PMC7646042.
25. Digital medicine in the era of the pandemic. Review. EverCare. URL: https://evercare-ru. turbopages.org/turbo/evercare.ru/s/news/cifrovaya-medicina-v-epokhu-pandemii-obzor. (In Russ). Date of application: 19.08.2021.
26. All about DeepMind. Digital Factory Magazine. URL: https://onff.ru/deepmind/ (In Russ). Date of application: 19.08.2021.
27. Ivashkevich Ya., Tishkov A., Churilov L. Therary in outpatients with complicated comorbid hypertensive disease: comparison of fixed combined versus isolated modes. Russian Biomedical Research. Vol. 5, № 3 (2020). Pp. 23-30. URL: http://ojs3.gpmu.org/index.php/ biomedical-research/article/view/2477. Date of application: 25.09.2021. eISSN 2658-6576.
28. Kosach S. F., Tkachenko T. B., Tishkov A. V., Zubkova N. V. Interrelation of local factors of the oral cavity and the timing of orthodontic treatment with anomalies of the position of teeth in the age aspect. Problems of dentistry. Vol. 7, № 2. 2021. Pp. 110-114. (In Russ).
29. Combs C. D., Sokolowski J. A., Banks C. M. The Digital Patient: Advancing Healthcare, Research, and Education. 2016. Print ISBN:9781118952757. Online I S BN : 9 7 8 1 1 1 8 9 5 2 7 8 8 . doi:10.1002/9781118952788. Copyright © 2016 John Wiley & Sons, Inc. Pp. 273-288.
30. Hansen D. P, Dinger M. E., Hoftmann O., Thorne N., Boughtwood T. F. Preparing Australia for genomic medicine: data, computing and digital
health. MJA The Medical Journal of Australia. Volume 210, Issue 56, 2019. Pp. 530-532.
31. 5 main trends in the «new healthcare» from Accenture. EverCare. URL: https://evercare. ru/accenture-trends2016. (In Russ). Date of application: 19.08.2021.
32. Ames H. M, Glenton C., Lewin S., Tamrat T., Akama E., Leon N. Clients' perceptions and experiences of targeted digital communication accessible via mobile devices for reproductive, maternal, newborn, child, and adolescent health: a qualitative evidence synthesis. Cochrane Database Syst Rev. 2019 Oct 14;10(10):CD013447. doi: 10.1002/14651858.CD013447. Epub ahead of print. PMID: 31608981; PMCID: PMC6791116.
33. Kunz T., Lange B., Selzer A. Datenschutz und Datensicherheit in Digital Public Health [Digital public health: data protection and data security]. Bundesgesundheitsblatt Gesundheitsforschung Gesundheitsschutz. 2020 Feb;63(2):206-214. German. doi: 10.1007/s00103-019-03083-w. PMID: 31915865.
34. 5G - the fifth generation of mobile communication technologies. International Telecommunication Union. URL: https://www.itu. int/ru/mediacentre/backgrounders/ Pages/5G-fifth-generation-of-mobile-technologies.aspx. (In Russ). Date of application: 16.09.2021
35. Artificial intelligence for health saving and personal potential development (review). Ed . Krutko V. N. Proceedings of the ISA RAS. Vol.70. 3/2020. Pp. 86-100. (In Russ). doi: 10.14357/20790279200310.
36. Izomov R. Ravshan Izomov on reforms in the healthcare system of Uzbekistan. URL: https:// www.youtube.com/embed/ p1IW2K4UZTM. (In Russ). Date of application: 24.09.2021.
37. Library of the International Congress «Information Technologies in Medicine». URL: https://itmcongress.ru/itm2021/library/ (In Russ). Date of application: 24.04.2021.
38. Kobrinsky B. A., Grigoriev O. G., Smirnov I. V., Molodchenkov A. I., Blagosklonov N. A. Principles of creating an intellectual system for the formation and maintenance of an action plan for health care. Digital healthcare: Proceedings of the XIX International Congress «Information Technologies in Medicine» (Moscow, Oct. 1112, 2018): electronic edition - M.: Consef. 2018. C.31-33. URL: https://itmcongress.ru/itm2018 / proceedings/ (In Russ). Date of application: 24.09.2021.
39. Focht O. A. Application of KPI in informatization of medical organizations. Doctor and information technologies. 2019. № 4. Pp. 2736. (In Russ).
40. Nevzorov V. P., Bulanova T. M. Complex use of neural network algorithms to assess the effectiveness of their work in changing conditions of medical decision-making. Digital healthcare: Proceedings of the XX International Congress «Information Technologies in medicine»: electronic edition - M.: Consef. 2019. C.14-17. URL: https:// itmcongress.ru /dl/2019/ proceedings/ (In Russ). Date of application: 24.09.2021.
41. Tolkachev A. Yu., Kuleev R. F. On the experience of using artificial intelligence technologies for automatic recognition of X-ray images of chest organs. Digital healthcare: Proceedings of the XX International Congress «Information Technologies in Medicine»: electronic edition. - M.: Consef. 2019. C.18-22. URL: https:// itmcongress.ru/d l/2019/proceedings/ (In Russ). Date of application: 24.09.2021.
42. Belyshev D. V, Guliyev Ya. I., Mikheev A. E. Digital ecosystem of medical care. Doctor and information technologies. 2018. № 5. Pp. 4-17. (In Russ).
43. Digital Medicine 2020. URL: https:// evercare.ru/events/ onlayn-konferenciya-cifrovaya-medicina-2020. (In Russ). Date of application: 24.09.2021.
44. Nikonorova M. L., Aldokhina Yu. A., Pichugin Yu. A. On the use of data mining methods for the diagnosis of arterial hypertension in the Rapid Miner environment. Regional informatics and information security. Collection of works. Issue 9 / SPOISU. - SPb., 2020. - 312 p. Pp. 27-32. (In Russ). ISBN 978-5-907223-89-9.
45. Internet of Things in healthcare. SAYMON. - URL: https://saymon.info/iot-medicine/. (In Russ). Date of application: 19.09.2021.
46. Duke V., Emanuel V. Information technologies in biomedical research. St. Petersburg: Peter, 2003. 525 p. (In Russ).
47. Duke V. A., Rudnitsky S. B. Laboratory of biomedical informatics SPIIRAN. Proceedings of SPIIRAN.. 2013. Release 26. Pp. 384-409. (In Russ).
