Health Сare of the Russian FederationHealth Сare of the Russian FederationЗдравоохранение Российской Федерации0044-197X2412-0723Federal Scientific Center for Hygiene F.F.Erisman69131610.47470/0044-197X-2025-69-3-289-294aunowjDISCUSSIONSДИСКУССИИReview ArticlePatient-oriented systems for digital prevention of chronic non-communicable diseasesПациент-ориентированные системы для цифровой профилактики хронических неинфекционных заболеваний (обзор литературы)AfanasievaTatyana V.АфанасьеваТатьяна Васильевнаafanaseva.tv@rea.ruZamashkinIurii S.ЗамашкинЮрий Сергеевичyzamashkin@gmail.comPlekhanov Russian University of EconomicsФГБОУ ВО «Российский экономический университет им. Г.В. Плеханова»Global Medical SystemООО «Глобал медикал систем»30062025693VOL 69, NO3 (2025)ТОМ 69, №3 (2025)289294240920252025https://journals.eco-vector.com/0044-197X/article/view/691316

Introduction. The development of digitalization in healthcare based on digital information technologies has ensured the growth of patient-oriented systems for the prevention of chronic non-communicable diseases. In this aspect, patient-oriented systems act as a means of managing the health in each person and an innovative tool for digital disease prevention. With digital prevention of the disease we understand the field of digital health, focused on the use of information and communication technologies, namely digital devices and applications, to solve problems of preventive care for the population.The purpose of the article is to systematize publications devoted to patient-oriented systems for the prevention of chronic non-communicable diseases and to present their multidimensional classification.The selection of publications was carried out using search engines and information resources elibrary.ru, ScienceDirect, BMJ, MEDLINE/PubMed, Elsevier, Springer, MDPI, Sage Journals, JMIR for the period from 2013 to 2023. As a result of expert analysis, fifty four publications were included in the review. Definitions of the concepts “Digital Prevention”, “Patient-oriented Systems” are given, a multidimensional classification of reports in the field of patient-oriented systems is given: by main purpose (28%), by content (13%), by digital technologies used (39%), by type of tasks being solved in the field of disease prevention (41%). We also analyzed reports that used artificial intelligence technologies within patient-oriented systems (13%) and ready-to-use digital solutions (20%).Conclusion. The results will contribute to further research, optimal implementation and effective use of digital technologies in the form of patient-oriented systems to improve the results of preventive measures for patients with chronic non-communicable diseases and the development of digital disease prevention.Contribution of the authors: Afanasieva T.V. — concept and design of the study, search and synthesis of publications, writing the text, compiling a list of references; Zamashkin Iu.S. — text writing, processing and analysis of publications, editing. All authors are responsible for the integrity of all parts of the manuscript and approval of the manuscript final version.Conflict of interest. The authors declare no conflict of interest.Funding. This research was performed within the framework of the state task in the field of scientific activity of the Ministry of Science and Higher Education of the Russian Federation, project “Models, methods, and algorithms of artificial intelligence in the problems of economics for the analysis and style transfer of multidimensional datasets, time series forecasting, and recommendation systems design”, grant no. FSSW-2023-0004.Received: October 4, 2023/ Accepted: December 20, 2023 / Published: June 30, 2025

Введение. Развитие цифровизации здравоохранения на основе цифровых и информационных технологий обеспечило рост систем, ориентированных на пациентов для профилактики хронических неинфекционных заболеваний. В этом аспекте пациент-ориентированные системы (ПОС) выступают средством управления здоровьем человека и инновационным инструментом цифровой профилактики заболеваний. Под цифровой профилактикой заболеваний будем понимать область цифрового здравоохранения, сфокусированную на применении информационных и коммуникационных технологий, а именно цифровых устройств и приложений, для решения задач профилактической помощи населению.Цель — систематизировать публикации, посвящённые ПОС для профилактики хронических неинфекционных заболеваний и представить их многоаспектную классификацию.Выбор публикаций выполняли с помощью поисковых систем и информационных ресурсов elibrary.ru, sciencedirect, BMJ, MEDLINE/PubMed, Elsevier, Springer, MDPI, Sage journals, JMIR за 2013–2023 гг. В результате экспертного анализа в обзор были включены 54 публикации.Даны определения понятий «Цифровая профилактика», «Пациент-ориентированные системы», приведена многоаспектная классификация публикаций в области ПОС: по основному назначению (28%), контенту (13%), используемым цифровым технологиям (39%), виду решаемых задач в области профилактики заболеваний (41%). Также проанализированы публикации, в которых применялись технологии искусственного интеллекта в рамках ПОС (13%) и готовые к использованию цифровые решения (20%).Заключение. Результаты будут способствовать дальнейшему исследованию, оптимальному внедрению и эффективному использованию цифровых технологий в виде ПОС для улучшения результатов профилактических мероприятий у пациентов с хроническими неинфекционными заболеваниями и развития цифровой профилактики заболеваний.Участие авторов: Афанасьева Т.В. — концепция и дизайн исследования, поиск и классификация публикаций, написание текста, составление списка литературы; Замашкин Ю.С. — написание текста, обработка и анализ публикаций, редактирование. Все соавторы — утверждение окончательного варианта статьи, ответственность за целостность всех частей статьи.Финансирование. Исследование выполнено в рамках государственного задания в сфере научной деятельности Министерства науки и высшего образования РФ на тему «Модели, методы и алгоритмы искусственного интеллекта в задачах экономики для анализа и стилизации многомерных данных, прогнозирования временных рядов и проектирования рекомендательных систем», номер проекта FSSW-2023-0004.Конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов в связи с публикацией данной статьи.Поступила: 04.10.2023 / Принята к печати: 20.12.2023 / Опубликована: 30.06.2025

digital preventiondigital technologiespatient-oriented systemsclassificationreviewцифровая профилактикацифровые технологиипациент-ориентированные системыклассификацияобзорWHO. Global strategy on digital health 2020–2025; 2021. https://who.int/publications/i/item/9789240020924Драпкина О.М., Концевая А.В., Калинина А.М., Авдеев С.Н., Агальцов М.В., Александрова Л.М. и др. Профилактика хронических неинфекционных заболеваний в Российской Федерации. Национальное руководство 2022. Кардиоваскулярная терапия и профилактика. 2022; 21(4): 5–232. https://doi.org/10.15829/1728-8800-2022-3235 https://elibrary.ru/dnbvatПАСПОРТ Стратегии цифровой трансформации отрасли «Здравоохранение» до 2024 года и на плановый период до 2030 года. 2021. Available at: https://clck.ru/3M5CPfFeigin V.L., Krishnamurthi R., Merkin A., Nair B., Kravchenko M., Jalili-Moghaddam S. Digital solutions for primary stroke and cardiovascular disease prevention: A mass individual and public health approach. The Lancet Regional Health – Western Pacific. 2022;29. https://doi.org/10.1016/j.lanwpc.2022.100511EC. eHealth: Digital health and care. Available at: https://health.ec.europa.eu/ehealth-digital-health-and-care/overview_enWHO Guideline: Recommendations on digital interventions for health system strengthening; 2019. Available at: https://who.int/publications/i/item/9789241550505Проект Роспотребнадзора РФ «Здоровое питание»; 2019. Доступно: https://здоровое-питание.рфRobles-Bykbaev Y., Oyola-Flores C., Robles-Bykbaev V.E., López-Nores M., Ingavélez-Guerra P., Pazos-Arias J.J., et al. A bespoke social network for deaf women in Ecuador to access information on sexual and reproductive health. Int. J. Environ. Res. Public Health. 2019; 16(20): 3962. https://doi.org/10.3390/ijerph16203962Aggarwal A., Chakradar M., Bhatia M.S., Kumar M., Stephan T., Gupta S.K., et al. COVID-19 risk prediction for diabetic patients using fuzzy inference system and machine learning approaches. J. Healthc. Eng. 2022; 2022: 4096950. https://doi.org/10.1155/2022/4096950Leddy J., Green J.A., Yule C., Molecavage J., Coresh J., Chang A.R. Improving proteinuria screening with mailed smartphone urinalysis testing in previously unscreened patients with hypertension: a randomized controlled trial. BMC Nephrol. 2019; 20(1): 132. https://doi.org/10.1186/s12882-019-1324-zChen J., Li K., Rong H., Bilal K., Yang N., Li K. A disease diagnosis and treatment recommendation system based on big data mining and cloud computing. Inf. Sci. 2018; 435: 124–49. https://doi.org/10.1016/j.ins.2018.01.001Nashif S., Raihan R., Islam R., Imam M.H. Heart disease detection by using machine learning algorithms and a real-time cardiovascular health monitoring system. World J. Eng. Technol. 2018; 6(4): 854–73. https://doi.org/10.4236/wjet.2018.64057Abbas A., Ali M., Khan M.U.S., Khan S.U. Personalized healthcare cloud services for disease risk assessment and wellness management using social media. Pervasive Mob. Comput. 2016; 28: 81–99.Быков А.В., Кореневский Н.А., Родионова С.Н., Цымбал Е.В. Метод и нечеткая модель оценки динамики развития критической ишемии нижних конечностей. Вестник новых медицинских технологий. 2018; (4): 251–7. https://doi.org/10.24411/1609-2163-2018-16227 https://elibrary.ru/yrwkwlNasiri M., Minaei B., Kiani A. Dynamic recommendation: Disease prediction and prevention using recommender system. Int. J. Basic Sci. Med. 2016; 1(1): 13–7. https://doi.org/10.15171/ijbsm.2016.04Cai Y., Yu F., Kumar M., Gladney R., Mostafa J. Health recommender systems development, usage, and evaluation from 2010 to 2022: A scoping review. Int. J. Environ. Res. Public Health. 2022; 19(22): 15115. https://doi.org/10.3390/ijerph192215115Ferretto L.R., Bellei E.A., Biduski D., Bin L.C.P., Moro M.M., Cervi C.R., et al. A physical activity recommender system for patients with arterial hypertension. IEEE Access. 2020; 8: 61656–64. https://doi.org/10.1109/ACCESS.2020.2983564Афанасьева Т.В., Платов П.В. Системная модель и архитектурное решение системы пациент-ориентированных рекомендаций для управления риском развития сердечно-сосудистых событий. Автоматизация процессов управления. 2023; (1): 15–24. https://doi.org/10.35752/1991-2927_2023_1_71_15 https://elibrary.ru/jtdymiGranda Morales L.F., Valdiviezo-Diaz P., Reátegui R., Barba-Guaman L. Drug recommendation system for diabetes using a collaborative filtering and clustering approach: development and performance evaluation. J. Med. Internet Res. 2022; 24(7): e37233. https://doi.org/10.2196/37233Chiang P.H., Wong M., Dey S. Using wearables and machine learning to enable personalized lifestyle recommendations to improve blood pressure. IEEE J. Transl. Eng. Health Med. 2021; 9: 2700513. https://doi.org/10.1109/jtehm.2021.3098173Sookrah R., Dhowtal J.D., Nagowah S.D. A DASH diet recommendation system for hypertensive patients using machine learning. In: Proceedings of the 2019 7th International Conference on Information and Communication Technology (ICoICT). Kuala Lumpur; 2019. https://doi.org/10.1109/ICoICT.2019.8835323Jung H., Chung K. Knowledge-based dietary nutrition recommendation for obese management. Inf. Technol. Manag. 2016; 17: 29–42. https://doi.org/10.1007/s10799-015-0218-4Emerencia A., van der Krieke L., Sytema S., Petkov N., Aiello M. Generating personalized advice for schizophrenia patients. Artif. Intell. Med. 2013; 58(1): 23–36. https://doi.org/10.1016/j.artmed.2013.01.002Gellert G.A., Orzechowski P.M., Price T., Kabat-Karabon A., Jaszczak J., Marcjasz N., et al. A multinational survey of patient utilization of and value conveyed through virtual symptom triage and healthcare referral. Front. Public Health. 2023; 10: 1047291. https://doi.org/10.3389/fpubh.2022.1047291Валеева Э.Р., Степанова Н.В., Абдуллин Д.Д., Басыйров А.М. Современные информационные технологии в формировании здорового образа жизни населения (программное обеспечение "VALEO LIFE"). Медико-фармацевтический журнал Пульс. 2022; 24(2): 73–80. https://doi.org/10.26787/nydha-2686-6838-2022-24-2-73-80 https://elibrary.ru/cafgbsDe Santis K.K., Mergenthal L., Christianson L., Zeeb H. Digital technologies for health promotion and disease prevention in older people: protocol for a scoping review. JMIR Res. Protoc. 2022; 11(7): e37729. https://doi.org/10.2196/37729Santos M.A.G., Munoz R., Olivares R., Filho P.P.R., Del Ser J., de Albuquerque V.H.C. Online heart monitoring systems on the internet of health things environments: A survey, a reference model and an outlook. Inf. Fusion. 2020;53:222–39. https://doi.org/10.1016/j.inffus.2019.06.004Rachata N., Temdee P. Mobile-based self-monitoring for preventing patients with type 2 diabetes mellitus and hypertension from cardiovascular complication. Wireless Pers. Commun. 2021; 117: 151–75. https://doi.org/10.1007/s11277-020-07440-wClarke S., Jaimes L.G., Labrador M.A. MStress: A mobile recommender system for just-in-time interventions for stress. In: Proceedings of the 2017 14th IEEE Annual Consumer Communications & Networking Conference (CCNC). Las Vegas; 2017: 1–5.Gómez J., Oviedo B., Zhuma E. Patient monitoring system based on internet of things. Procedia Comput. Sci. 2016; 83: 90–7. https://doi.org/10.1016/j.procs.2016.04.103Hors-Fraile S., Schneider F., Fernandez-Luque L., Luna-Perejon F., Civit A., Spachos D., et al. Tailoring motivational health messages for smoking cessation using an mHealth recommender system integrated with an electronic health record: a study protocol. BMC Public Health. 2018; 18(1): 698. https://doi.org/10.1186/s12889-018-5612-5Sana F., Isselbacher E.M., Singh J.P., Heist E.K., Pathik B., Armoundas A.A. Wearable devices for ambulatory cardiac monitoring: JACC state-of-the-art review. J. Am. Coll. Cardiol. 2020; 75(13): 1582–92. https://doi.org/10.1016/j.jacc.2020.01.046Duncker D., Ding W.Y., Etheridge S., Noseworthy P.A., Veltmann C., Yao X., et al. Smart wearables for cardiac monitoring-real-world use beyond atrial fibrillation. Sensors (Basel). 2021; 21(7): 2539. https://doi.org/10.3390/s21072539Сон Д.А., Турдалиева Б.С., Аимбетова Г.Е. Применение современных информационных технологий для охраны здоровья населения и профилактики хронических неинфекционных заболеваний. Наука о жизни и здоровье. 2019; (3): 82–7. https://doi.org/10.24411/2415-7414-2019-10042 https://elibrary.ru/szmhioTran T.N.T., Felfernig A., Trattner C., Holzinger A. Recommender systems in the healthcare domain: state-of-the-art and research issues. J. Intell. Inf. Syst. 2021; 57: 171–201. https://doi.org/10.1007/s10844-020-00633-6Chaix B., Guillemassé A., Nectoux P., Delamon G., Brouard B. Vik: a chatbot to support patients with chronic diseases. Health. 2020; 12(07): 804–10. https://doi.org/10.4236/health.2020.127058Куликова М.С., Калинина А.М., Концевая А.В., Драпкина О.М. Дистанционный контроль процесса снижения избыточной массы тела с помощью мобильного приложения «Доктор ПМ»: мнение пациентов и медицинских работников. Профилактическая медицина. 2022; 25(10): 35‑43. https://doi.org/10.17116/profmed20222510135 https://elibrary.ru/oyksmySu D., Michaud T.L., Estabrooks P., Schwab R.J., Eiland L.A., Hansen G., et al. Diabetes management through remote patient monitoring: the importance of patient activation and engagement with the technology. Telemed. J.E. Health. 2019; 25(10): 952–9. https://doi.org/10.1089/tmj.2018.0205Котельникова Е.В., Сенчихин В.Н., Липчанская Т.П. Возможности телемедицинского мониторинга факторов риска у пациентов с кардиоваскулярными заболеваниями: опыт использования пациент-ориентированной модели дистанционной реабилитационной помощи. Здравоохранение Российской Федерации. 2021; 65(6): 549–56. https://doi.org/10.47470/0044-197X-2021-65-6-549-556 https://elibrary.ru/nfzmiaHaleem A., Javaid M., Singh R.P., Suman R. Telemedicine for healthcare: Capabilities, features, barriers, and applications. Sens. Int. 2021; 2: 100117. doi: https://doi.org/10.1016/j.sintl.2021.100117Foster C., Schinasi D., Kan K., Macy M., Wheeler D., Curfman A. Remote monitoring of patient- and family-generated health data in pediatrics. Pediatrics. 2022; 149(2): e2021054137. https://doi.org/10.1542/peds.2021-054137Alian S., Li J., Pandey V.A A personalized recommendation system to support diabetes self-management for American Indians. IEEE Access. 2018; 6: 73041–51. https://doi.org/10.1109/ACCESS.2018.2882138Huygens M.W., Swinkels I.C., de Jong J.D., Heijmans M.J., Friele R.D., van Schayck O.C., et al. Self-monitoring of health data by patients with a chronic disease: does disease controllability matter? BMC Fam. Pract. 2017; 18(1): 1–10. https://doi.org/10.1186/s12875-017-0615-3Agapito G., Simeoni M., Calabrese B., Caré I., Lamprinoudi T., Guzzi P.H., et al. DIETOS: A dietary recommender system for chronic diseases monitoring and management. Comput. Methods Programs Biomed. 2018; 153: 93–104. https://doi.org/10.1016/j.cmpb.2017.10.014Орнамент. Персональный коуч по здоровью; 2022. Доступно: https://ornament.health/ruВласова А. Виртуальные ассистенты в медицине. Альманах «Искусственный интеллект». 2022; (11): 94–101.Virtual assistant Medwhat; 2019. Available at: https://medwhat.comКалькулятор SCORE. Available at: https://cmphmao.ru/node/234Willis V.C., Thomas Craig K.J., Jabbarpour Y., Scheufele E.L., Arriaga Y.E., Ajinkya M., et al. Digital health interventions to enhance prevention in primary care: scoping review. JMIR Med. Inform. 2022; 10(1): e33518. https://doi.org/10.2196/33518Widmer R.J., Collins N.M., Collins C.S., West C.P., Lerman L.O., Lerman A. Digital health interventions for the prevention of cardiovascular disease: a systematic review and meta-analysis. Mayo Clin. Proc. 2015; 90(4): 469–80. https://doi.org/10.1016/j.mayocp.2014.12.026Кобринский Б.А. Интеллектуальные рекомендательные системы для медицины: особенности и ограничения. Искусственный интеллект и принятие решений. 2022; (3): 51–62. https://doi.org/10.14357/20718594220304 https://elibrary.ru/hhpfqwChen Y., Perez-Cueto F.J.A., Giboreau A., Mavridis I., Hartwell H. The promotion of eating behaviour change through digital interventions. Int. J. Environ. Res. Public Health. 2020; 17(20): 7488. https://doi.org/10.3390/ijerph17207488/Stark A.L., Geukes C., Dockweiler C. Digital health promotion and prevention in settings: scoping review. J. Med. Internet Res. 2022; 24(1): e21063. https://doi.org/10.2196/21063Clephas P.R.D., Aydin D., Radhoe S.P., Brugts J.J. Recent advances in remote pulmonary artery pressure monitoring for patients with chronic heart failure: current evidence and future perspectives. Sensors (Basel). 2023; 23(3): 1364. https://doi.org/10.3390/s23031364