СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

Доля больных с патологиями эндокринной системы постоянно увеличивается во всех экономически развитых странах мира. В России за последние 6 лет распространенность заболеваний эндокринной системы выросла на 26?%, а показатели первичной заболеваемости – на 36?%. Одной из главных проблем, усугубляющих эпидемиологическую ситуацию, является дефицит местных терапевтов и неравномерное распределение медицинских специалистов между сельскими и городскими регионами. Жители малонаселенных пунктов вынуждены ездить в соседние города для получения необходимой медицинской помощи, что влечет дополнительные временные и финансовые затраты.

Также стоит отметить, что определение необходимых анализов для сдачи может занять немало времени, а спешка при приеме может привести к сдаче избыточных анализов. Для оптимизации этого процесса важно заранее определить, какие именно анализы нужны пациенту, что требует постановки предварительного диагноза. В этом может помочь система распознавания заболеваний на основе жалоб пациента, которая сможет автоматизировать постановку предварительного диагноза и избежать ненужных исследований. Основу представленного программного решения составляет комбинация использования распознавания именованных сущностей для извлечения симптомов из жалоб пациентов в свободной форме и методов машинного обучения для определения диагноза. Для обучения использован набор данных RuDRec в совокупности с синтетическими данными. Описан алгоритм диалога с пользователем для уточнения симптомов и формирования перечня необходимых анализов.

Такая система поможет сократить случаи самолечения, когда пациенты, не имея точных рекомендаций, следуют советам знакомых. Таким образом, формирование направлений на анализы на основе качественной первичной консультации пациентов, особенно в малонаселенных пунктах, является актуальной задачей. Практическая значимость работы заключается в оптимизации нагрузки на медицинские учреждения, в снижении рисков самолечения и повышении диагностики в удаленных регионах.

Терещенко И.В. Пропедевтика эндокринных заболеваний (методы исследования больных с заболеваниями эндокринной системы): монография. – Чебоксары: Среда, 2022. – 104 с. – ISBN 978-5-907411-89-0. – DOI: 10.31483/a-10348.

Тимофеев Е.В., Парфенова Н.Н., Реева С.В. Обследование эндокринной и кроветворной систем в клинике внутренних болезней: учебное пособие. – СПб.: Изд-во С.-Петерб. гос. педиатр. мед. ун-та, 2022. – 32 с.

Медведева Е.И., Александрова О.А., Крошилин С.В. Телемедицина в современных условиях: отношение социума и вектор развития // Экономические и социальные перемены: факты, тенденции, прогноз. – 2022. – Т. 15, № 3. – С. 200–222. – DOI: 10.15838/esc.2022.3.81.11.

Баранов А.А, Вишнева Е.А., Намазова-Баранова Л.С. Телемедицина – перспективы и трудности перед новым этапом развития // Педиатрическая фармакология. – 2013. – Т. 10, № 3. – С. 6–11. – DOI: 10.15690/pf.v10i3.691.

Хайруллин А.М., Зарипова Р.С. Использование чат-ботов и онлайн-консультации как будущее медицины // Информационные технологии в строительных, социальных и экономических системах. – 2020. – № 3 (21). – С. 74–76.

Аксёнова Е.И., Медведева Е.И., Крошилин С.В. Чат-боты – современная реальность консультирования в медицине // Здравоохранение Российской Федерации. – 2023. – Т. 67, № 5. – С. 403–410. – DOI: 10.47470/0044-197X-2023-67-5-403-410.

Babylon. – URL: https:// www.babylonhealth.com (accessed: 04.02.2025).

Ada Health. – URL: https://ada.com (accessed: 04.02.2025).

ByoHealth. – URL: https://www.buoyhealth.com (accessed: 04.02.2025).

Florence. – URL: https://florencehc.com (accessed: 04.02.2025).

Symptomate. – URL: https://symptomate.com (accessed: 04.02.2025).

Sensely. – URL: https://sensely.com (accessed 04.02.2025).

McMahon G.T. The risks and challenges of artificial intelligence in endocrinology // The Journal of Clinical Endocrinology & Metabolism. – 2024. – Vol. 109 (6). – P. e1468-e1471.

Roles, users, benefits, and limitations of chatbots in health care: rapid review / M. Laymouna, Y. Ma, D. Lessard, T. Schuster, K. Engler, B. Lebouche // Journal of Medical Internet Research. – 2024. – Vol. 26. – P. e56930.

Feature extraction method from electronic health records in Russia / D. Gavrilov, A. Gusev, I. Korsakov, R. Novitskiy, L. Serova // Proceedings of the 26th Conference of FRUCT Association. – 2020. – P. 497–500. – ISBN 978-952-69244-2-7.

The Russian drug reaction corpus and neural models for drug reactions and effectiveness detection in user reviews / E. Tutubalina, I. Alimova, Z. Miftahutdinov, A. Sakhovskiy, V. Malykh, S. Nikolenko // Bioinformatics. – 2020. – Vol. 36 (2). – P. 243–250. – DOI: 10.1093/bioinformatics/btaa675.

Exploring DeepSeek: A survey on advances, applications, challenges and future directions / Z. Deng, W. Ma, Q.-L. Han, W. Zhou, X. Zhu, S. Wen, Y. Xiang // IEEE/CAA Journal of Automatica Sinica. – 2025. – Vol. 12 (5). – P. 872–893.

Chopra S., Hadsell R., LeCun Y. Learning a similarity metric discriminatively, with application to face verification // IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05). – 2005. – Vol. 1 – P. 539–546.

Han J., Morag C. The influence of the sigmoid function parameters on the speed of backpropagation learning // From natural to artificial neural computation / ed. by J. Mira, F. Sandoval. – Springer, 1995. – P. 195–201. – (Lecture Notes in Computer Science; vol. 930).

Maron M.E. Automatic indexing: An experimental inquiry // Journal of the ACM. – 1961. – Vol. 8 (3). – P. 404–417.