Моделирование интеллектуального интерфейса взаимодействия аптеки и детской клиники

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

Введение. Экономические барьеры, неравномерное территориальное распределение аптечных организаций и недостаточная эффективность логистических цепочек поставок лекарственных препаратов (ЛП) затрудняют доступность ЛП и своевременное получение пациентами фармацевтической помощи (ФП) во всем мире. Цифровая трансформация в здравоохранении, ускоренная кризисом COVID-19, обусловливает необходимость адаптации практики оказания ФП под современные потребности пациентов.

Цель исследования. Разработать и валидировать процедуру взаимодействия клиники и аптеки для обеспечения обмена данными через интерфейс, позволяющий аптеке получать данные для формирования ассортимента лекарственных препаратов (ЛП), адаптированного под особенности и тенденции поведения основной целевой аудитории.

Материал и методы. В исследовании использовались обезличенные данные о назначениях ЛП врачами из медицинской информационной системы сети медицинских организаций Москвы за период с января 2018 по декабрь 2023 гг. Проведена предварительная обработка данных, обучение модели машинного обучения с использованием алгоритма LightGBM, оценка ее предсказательной способности с применением метрик MAE и RMSE.

Результаты. Разработан аналитический интерфейс взаимодействия клиники и аптеки, включающий предсказательную модель формирования ассортимента ЛП. Модель эффективно учитывает сезонные тренды, демографические особенности пациентов и другие ключевые факторы, влияющие на спрос на ЛП. Средние значения метрик MAE и RMSE составили 1,27 и 1,68 соответственно, что свидетельствует о высокой точности модели.

Заключение. Внедрение разработанного интерфейса позволяет аптеке формировать ассортимент ЛП, адаптированный к реальным потребностям пациентов, что способствует оптимизации управления запасами, снижению риска дефицита и избыточного накопления препаратов, повышению доступности ФП детям и увеличению экономической эффективности аптеки. Интеграция технологий больших данных и машинного обучения открывает новые перспективы для персонализации медицинской и ФП.

Полный текст

Доступ закрыт

Об авторах

Максим Михайлович Курашов

Российский университет дружбы народов имени Патриса Лумумбы

Email: kurashov-mm@rudn.ru
ORCID iD: 0000-0002-0349-905X

кандидат фармацевтических наук, доцент кафедры управления и экономики фармации

Россия, Москва

Александр Андреевич Кондрашов

Московский государственный университет имени М.В. Ломоносова

Email: kondrasasha@mail.ru
ORCID iD: 0009-0004-0601-3205

аспирант кафедры фармацевтической химии и организации фармацевтического дела

Россия, Москва

Екатерина Ефимовна Лоскутова

Российский университет дружбы народов имени Патриса Лумумбы

Автор, ответственный за переписку.
Email: loskutova-ee@rudn.ru
ORCID iD: 0000-0002-1514-0941

доктор фармацевтических наук, профессор, заведующая кафедрой управления и экономики фармации

Россия, Москва

Список литературы

  1. Wei X., Yuan H., Sun Y. et al. Health Services Utilization in China during the COVID-19 Pandemic: Results from a Large-Scale Online Survey. Int J Environ Res Public Health. 2022; 19 (23). doi: 10.3390/ijerph192315892.
  2. Liu S., Luo P., Tang M. et al. Providing pharmacy services during the coronavirus pandemic. Int J Clin Pharm. 2020; 42 (2): 299–304. doi: 10.1007/s11096-020-01017-0.
  3. Peng Y., Wang H., Fang Q. et al. Effectiveness of Mobile Applications on Medication Adherence in Adults with Chronic Diseases: A Systematic Review and Meta-Analysis. J Manag Care Spec Pharm. 2020; 26 (4): 550–561. doi: 10.18553/jmcp.2020.26.4.550.
  4. Сибирева А.Д., Желткевич О.В. Концепция информационно-коммуникационной услуги в аптечной организации. Фармация, 2021; 70 (3): 42–49. [Sibireva AD, Zheltkevich OV. The concept of information and communication services in a pharmacy. Farmaciya (Pharmacy) 2021; 70 (3): 42–49. doi: 10.29296/25419218-2021-03-08 (in Russian).]
  5. Просвиркин Г.А., Дорофеева В.В. Анализ услуги дистанционного консультирования в аптечных онлайн-сервисах. Фармация, 2024; (3): 38–42. [Prosvirkin GA, Dorofeeva VV. Analyzing the Implementation of Remote Consultation in Online Pharmacies. Farmaciya (Pharmacy) 2024; 73 (3): 38–42. doi: 10.29296/25419218-2024-03-06 (in Russian)]
  6. Esteva A., Robicquet A., Ramsundar B. et al. A guide to deep learning in healthcare. Nat Med 2019; 25 (1): 24–29. doi: 10.1038/s41591-018-0316-z.
  7. Beam A.L., Kohane I.S. Big Data and Machine Learning in Health Care. JAMA 2018; 319 (13): 1317. doi: 10.1001/jama.2017.18391.
  8. Bertolotti F., Schettini F., Ferrario L. et al. A prediction framework for pharmaceutical drug consumption using short time-series. Expert Syst Appl 2024; 253: 124265. doi: 10.1016/j.eswa.2024.124265.
  9. Soumit Roy, Mainak Mitra. Enhancing Efficiency in Healthcare Supply Chains: Leveraging Machine Learning for Optimized Operations. International Journal For Multidisciplinary Research 2021; 3 (6). doi: 10.36948/ijfmr.2021.v03i06.10323.
  10. Bhat S.S., Srihari V.R., Prabhune A. et al. Optimizing Medication Access in Public Healthcare Centers: A Machine Learning Stochastic Model for Inventory Management and Demand Forecasting in Primary Health Services. In: 2024 International Conference on Intelligent and Innovative Technologies in Computing, Electrical and Electronics (IITCEE) IEEE. 2024; 1–5; doi: 10.1109/IITCEE59897.2024.10467229.
  11. Ke G., Meng Q., Finley T. et al. LightGBM: A Highly Efficient Gradient Boosting Decision Tree. In: Advances in Neural Information Processing Systems. (Guyon I., Luxburg U. Von, Bengio S. et al. eds) Curran Associates, Inc.; 2017.
  12. Lokker C., Abdelkader W., Bagheri E. et al. Boosting efficiency in a clinical literature surveillance system with LightGBM. PLOS Digital Health 2024; 3 (9): e0000299. doi: 10.1371/journal.pdig.0000299.
  13. Chen T., Guestrin C. XGBoost. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining ACM: New York, NY, USA. 2016; 785–794; doi: 10.1145/2939672.2939785.
  14. Kumar A., Mani V., Jain V. et al. Managing healthcare supply chain through artificial intelligence (AI): A study of critical success factors. Comput Ind Eng 2023; 175: 108815. doi: 10.1016/j.cie.2022.108815.
  15. Rathipriya R., Abdul Rahman A.A., Dhamodharavadhani S. et al. Demand forecasting model for time-series pharmaceutical data using shallow and deep neural network model. Neural Comput Appl. 2023; 35 (2): 1945–1957. doi: 10.1007/s00521-022-07889-9.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Схема распределения врачей по специализациям в прототипируемой клинике

Скачать (255KB)
Метаданные
3. Рис. 2. Архитектура процессов передачи и трансформации данных через прототипируемый интерфейс клиника – «внутренняя» аптека

Скачать (785KB)
Метаданные
4. Рис. 3. Сравнительный анализ соответствия предсказанных значений назначений лекарственных препаратов реальным

Скачать (1MB)
Метаданные

© ИД "Русский врач", 2024