Вводная лекция для студентов МФТИ, стоящих перед выбором темы курсового и дипломного проекта.
Очень ценно, когда работа над курсовым проектом является «началом» работ над дипломом. По этому мы предлагаем студентам выбрать одно направление и проявить себя.
Направление "Биофизика и физиология". Мы предлагаем освоение и практическое участие в разработке новых методов диагностики различных патологий на симптоматическом и досимптоматическом этапах их развития.
Направление "Радиоэлектроника". Мы предлагаем освоение и практическое участие в разработке макетов, прототипов и опытных образцов сенсоров или устройств для бесконтактного или неинвазивного снятия биологических сигналов с тела человека. Инструментарий: STM, NXP, Raspberry и т.п.
Направление "Математическое моделирование и сложная визуализация данных". Мы предлагаем освоение и практическое участие в разработке алгоритмов и математических моделей для распознавания «сырых» данных, снятых с сенсоров, систем машинного обучения по прецедентам (Machine Learning), извлечения информации из неструктурированных данных (Information Extraction) и интеллетуального анализа данных (Data Mining). Инструментарий: Spark, R, Java, Scala, Pyton, D3.js (Data-Driven Documents Lib)
Направление "Разработка логики распределенного хранения, параллельной обработки и трансформации данных". Мы предлагаем освоение и практическое участие в разработке программ по извлечению и преобразованию данных (ETL), бизнес-логики, фоновой обработки данных в массивно-параллельной среде Hadoop. Инструментарий: Hadoop, Kafka, Postgres, MySQL, Spark, Java, Scala, Pyton, C++.
Направление "Разработка пользовательского интерфейса медицинских систем". Мы предлагаем освоение и практиче
Персональная медицина: технологии BigData на охране здоровья (вводная лекция для студентов МФТИ)
1. Персональная медицина
Александр Прозоров, #mHealthLab
Отдел неинвазивной диагностики, лаборатория СМТТФ, МФТИ, 12 марта 2015
Технологии BigData на охране здоровья
Время формулировать новые требования к разработчикам медицинских систем
1
ББИ МФТИ
ИМБП РАН
3. Эволюция архитектур информационных системКоличествоисточниковданных
Время
Универ-
сальные ЭВМ
ПК
Клиент
сервер
SOA BigData
(1970-1980) (1980-1990) (1990-2000) (2000-2010) (2010-2020)
1 млн 10 млн 100 млн 1,4 млрд
50 млрд?
2010 Internet of
Things
(2020-...)
Мейнфреймы
(1960-1970)
I II III IV VI VIIV
100 тыс
Системы,
скомпоно-‐
ванные
из
разных
под-‐
программ
(JCL,
Cobol,
Fortran)
Моно-‐
литные
системы
с
термина-‐
льным
доступом
Клиент-‐
сервер
с
«толстым»
клиентом
Клиент-‐
сервер
с
Web-‐
клиентом
Линейно
масшта-‐
бируемые
системы
Динами-‐
ческие
системы,
компонуе-‐
мые
из
отдельных
модулей
под
определен-‐
ные
задачи
Одноранго-‐
вые
сети
из
персональ-‐
ных
приложе-‐
ний
#mHealthLab
Смена парадигмы по причине взрывного роста
количества источников данных
4. Что такое BIG DATA?
#mHealthLab
#BIGDATA – это сверхмодный мем со множеством
смыслов, определяемых контекстом
Рассмотрим основные:
• Это тип архитектуры ИТ-систем, позволяющий решать задачи
по обработке и хранению огромных объёмов данных
(уровень – десятки и более Петабайт)
• Это название нового поколения аналитических систем,
которое позволяет решать вычислительные задачи на основе
различных инструментов ИИ, оперируя на больших объёмах
данных в очень сжатые сроки
• Это множество подходов к решению задач при помощи
определенного ИИ-инструментария на больших объёмах
данных
• Это междометие, которое произносят люди, когда не знают о
чём говорят, но при этом хотят выглядеть умнее
5. ИИ-инструментарий BIG DATA
#mHealthLab
Основные направления ИИ-инструментария:
• Машинное обучение (Machine Learning) – это совокупность подходов,
алгоритмов и инструментов, позволяющих делать модели, способные
обучаться на основе примеров (индуктивное обучение). Машинное обучение
находится на стыке математической статистики, методов оптимизации и
дискретной математики, однако имеет собственную специфику, связанную с
проблемами вычислительной эффективности и переобучения
• Извлечение информации (Information Extraction) – это задача автоматического
построения (извлечения) структурированных данных из
неструктурированных или слабоструктурированных машиночитаемых
документов. Например, обработка текста на естественном языке
• Интеллектуальный анализ данных (Data Mining) – это совокупность методов
обнаружения в данных ранее неизвестных, нетривиальных, практически
полезных и доступных интерпретации знаний. Основу методов Data Mining
составляют методы классификации, моделирования и прогнозирования,
основанные на применении деревьев решений, искусственных нейронных сетей,
генетических алгоритмов, эволюционного программирования, ассоциативной
памяти, нечёткой логики
6. Эволюция аналитических систем
#mHealthLab
Искусственный интеллект – инструмент для
преодоления колоссальной сложности, скрытой
в огромном объёме данных о здоровье!
Сложностьаналитическойсистемы
Время
Взгляд в прошлое
Понимание происходящего
Предвидение
Описательная
аналитика
Диагностическая
аналитика
Предиктивная
аналитика
Предписывающая
аналитика
Что случилось?
Почему это
произошло?
Что случится?
Что необходимо сделать,
чтобы это не произошло?
Совет
6
7. Основная технологическая проблема BIG DATA
#mHealthLab
D A T A
Key
Value
Big
Tables
Graph
Non-Relational DB Relational DB
Spark Oracle IBM DB2 MS SQL JustOneDB
NewSQLData As A Service
NoSQL
Documents
OLAP
OLTP
Streams
VM Images
Device Control
Stream Control
Data
Transfer
VmWare Hyper V Citrix Parallels
File Systems Online
Storages
Dropbox
Yandex.Disk
Files.mail.ru
NFS
SMB
EXT3
NTFS
LotusNotes
FAT32
AppEngine
SimpleDB
Amazon RDS
SQL Asure Database.com
Teradata
EMC
SAP HANA
SAP Sybase IQ
IBM InfoSphere
HP Vertica
Times-Ten
Netezza
Hadapt
MySQL PostgreSQL Sybase ACE Ingres
MySQL Cluster
Clustrix
NimbusDB
SchoonerSQL
Tokutek
ScaleBase
CodeFutures
Continuent
VoltDB
Drizzle
MongoDB
CouchDB
RavenDB
Cassandra
Couchbase
HyperTable
HBase
Cloudant
FlockDB
InfiniteGraph
Neo4j
Membrain
Voldemort
BerkeleyDB
Riak
Redis
InterSystems Progress
AFS
Hadoop
Horton
Cloudera
Zettaset
DCP IPDC
SIPSCTP
Security
Control
SMTP
RTP
SRTP
HTTP
SNMP
FTP
IP
TLS
SSL
UDP
TCP
X10
ICMP
LDAP
DHCP
SSHNetFlow
HTTPS
SFTP
IMAP
Основная сложность – огромное разнообразие форматов,
способов доступа и «времени жизни» данных
9. Что такое персональная медицина (ПМ)?
Первая эра - БОРЬБА С ИНФЕКЦИЯМИ, ТРАВМАМИ И ИХ ПОСЛЕДСТВИЯМИ
Античная медицина - настоящее время
• Развитие хирургии и терапии, контроль инфекционных заболеваний (вакцинация)
Вторая эра - БОРЬБА С ХРОНИЧЕСКИМИ ЗАБОЛЕВАНИЯМИ
50 гг. ХХ века - настоящее время
• Успешное лечение сердечно-сосудистых, онкологических и социально-значимых
заболеваний, расширение фокуса на лечение психосоциальных и психиатрических
заболеваний (ожирение, алкоголизм, наркомания, курение и пр.)
Третья эра - СОХРАНЕНИЕ И ПОДДЕРЖАНИЕ ЗДОРОВЬЯ
Настоящее время
• Технологически, персональная (персонализированная) медицина (ПМ) – это новая
модель организации медпомощи, основанная на выборе диагностических, лечебных и
профилактических средств, которые являются оптимальными для конкретного пациента,
с учётом его генетических, физиологических, биохимических, поведенческих и других
особенностей
• Теоретически, ПМ – это новая парадигма оказания медпомощи, предполагающая
тесное объединение информационных технологий, науки и клинической терапии
для достижения наилучших клинических или профилактических результатов
• Организационно, ПМ предполагает тесное взаимодействие врача и пациента не
только в клинике, но и в обычной жизни
9
#mHealthLab
Персональная медицина – новая эпоха
взаимоотношений клиники и пациента!
10. За что готов платить пациент*?
#mHealthLab
10
Предотвратимые осложнения
Ненужные процедуры
Неэффективность
Ошибки
Положительный
исход
40%
потери
60%
польза
Положительный
исход100%
польза
2020
2015
*
По
данным
американской
компании
HealthCatalyst
на
основе
североамериканской
статистики
11. Чем определяется качество медпомощи?
#mHealthLab
Согласно определению Американской медицинской ассоциации, медицинская помощь высокого
качества – это помощь, которая приводит к улучшению качества жизни или увеличению её
продолжительности
Согласно концепции ВОЗ, различают три взаимосвязанных аспекта качества медицинской помощи:
1. Качество структуры медпомощи (оснащенность, обеспеченность ресурсами)
2. Качество процесса медпомощи
3. Качество результатов (исходов) медпомощи (по оценкам компетентных специалистов)
Результат медицинской помощи формируется в рамках контакта клиники и пациента и её качество
определяется многими факторами. Однако допустимо выделить основные факторы, влияющие на
качество медпомощи:
1. Качество структуры медпомощи в клинике определяется обеспечением медтехникой и архитектурой
Единой госпитальной информационной системы (ЕГИС)
2. Качество процесса медпомощи в клинике определяется практиками управления и работы, а также
степенью автоматизации производственных процессов
3. Качество результатов медпомощи в клинике определяется уровнем подготовки врачей и среднего
медперсонала, а также долей работы, выполненной без участия человека
11
12. Диагноз
Процедура
Препарат
Пациент
Врач
Регулятор
Клиника
ЕГИС
Клинико-‐
статистичес-‐
кие
группы
(DRG)
Категории
диагнозов
(MDC)
Географич.
иерархия
Временная
иерархия
Орг.
структура
Участник
Плательщик
Заявка
• Медицинские ошибки
• Смертность
• Соблюдение требований
• Диагностика/
Госпитализация/
Выписка/ Эпизод
• Оказание услуг, Коды
диагнозов, Коды
процедур, Коды
препаратов
• Продолжительность
лечения
Какой процент возникновения
побочных эффектов после
лечения?
(Плательщик и регулятор)
Каков уровень смертности в
медицинской организации?
(Регулятор)
Каков процент медицинских ошибок
в медицинской организации?
(Регулятор)
Каков уровень соблюдения
требований к оказанию услуг?
(Плательщик и регулятор)
Функциональные
области
Измерения
Каково соотношение
ошибок к количеству
пациентов?
(Плательщик)
Современная ГИС едина и многомерна – 16 измерений
Измерения современной ГИС
#mHealthLab
12
13. Эти данные
необходимы для
точных
предписывающих
моделей по
каждому пациенту
Предписывающее
моделирование
позволит
улучшить
качество лечения
и снизить его
себестоимость
Медицинские
записи и
данные
исследований
Данные
биометричес-
кого монито-
ринга 24х7
Выписки и
заключения из
разных МО
Геномные и
семейные
данные
Данные о
покупках и
потреблении
Данные
социальных
сетей
Система значимых данных о здоровье человека
#mHealthLab
13
14. Источники данных и точность аналитики
#mHealthLab
Точность прогноза растёт вместе
с ростом размерности данных,
доступных для анализа!
Прогнознаяточностьматематическихмоделей
Размерность системы персональных данных
Данные из
истории болезни
Данные об уровне
потребления
Выписки и заключения
из других клиник
Данные биометри-
ческого мониторинга 24х7
Геномные и
семейные данные
Данные из социальных
сетей и коммуникаций
Клиника
Магазины
Тело пациента
Провайдер данных
генома
Другие клиники
Провайдер
социальной сети
14
15. Влияние архитектуры ГИС на возможности клиники
Модель зрелости клиники иллюстрирует качество медицинской помощи. Оно является результатом совершенствования
архитектуры Единой госпитальной информационной системы, автоматизации и оптимизации процессов медпомощи,
совершенствовании практик управления и лечения, подготовки врачей и среднего медперсонала*
№ Название уровня Возможности клиники
9 Персональная медицина и
предписывающая аналитика
Индивидуализация медпомощи каждому пациенту на основе метрик контингента, к которому принадлежит пациент и его генетических данных. Плата за качество – награда за
поддержание здоровья. Аналитика носит предписывающий характер. Вне клиники её фокус смещается на поддержание здорового образа жизни, физического и
поведенческого здоровья, массовой настройки индивидуальной помощи, включая медицинскую. Клиники трансформируются в организации оптимизации здоровья с
прямыми контактами между пациентами и медработниками. Фиксированный подушевой платеж за оптимизацию здоровья предпочтительнее, чем возмещение за
понесенные расходы. ГИС позволяет обрабатывать тексты на естественном языке, имеет предписывающую аналитику и значительную поддержку принятия решений.
Данные о пациенте пополняются за счет биометрического мониторинга в режиме 24х7, данных о геноме и о семье
8 Активный контроль рисков и
прогнозная аналитика
Организационные процессы по нивелированию рисков поддерживаются прогностическими моделями рисков. Плата за качество входит в нормативно-подушевой платеж.
Фокус аналитики смещается с управления конкретными операциями в сторону сотрудничества врачей с плательщиками по управлению эпизодами оказания медпомощи,
включая прогностические модели и прогнозирование рисков
7 Управление здоровьем
контингентов и причинно-
следственная аналитика
Индивидуализация медпомощи каждому пациенту, на основе метрик контингента, к которому принадлежит пациент. Плата за качество входит в платеж по оплате лечения.
Фокус аналитики направлен на понимание хода лечения каждого пациента. Для мониторинга пациента используются прикроватные мониторы, данные домашнего
мониторинга, данные фармацевтических компаний. Для выставления счетов используется биллинг и детальные тарифные планы
6 Повышение устойчивости
качества оказания медпомощи
Подготовка и осуществление ухода от утилитарной внутренней и внешней отчетности к единообразной, основанной на принципах и механизмах workflow. Фокус аналитики
направлен на измерение строгого соблюдения лучших клинических практик, минимизации отходов и снижения вариабельности качества оказания медпомощи
5 Автоматизированная внешняя
отчетность
Эффективное производство согласованной отчетности, адаптированное под изменяющиеся требования вышестоящих инстанций. Фокус аналитики направлен на быстрое и
согласованное создание отчетности для внешних нужд: ТФОМС, Минздрав, ОИВ, специальных баз данных (например, национальный раковый регистр) и т.п.
4 Автоматизированная
внутренняя отчетность
Эффективное производство согласованной отчетности, широко распространенная доступность актуальных данных в виде самостоятельно конфигурируемых панелей
управления и отчетов
3 Стандартизированные НСИ,
нозологии и реестр пациентов
Связывание и организация основных данных клиники. Появление «единой версии правды». Существенное снижение противоречивости данных и количества ошибок в
отчетности
2 Построение единого
хранилища данных
Сбор и интеграция основных данных организации. Облегчение процесса подготовки внешней и внутренней отчетности. Снижение количества ошибок в отчетности
1 Отдельные интегрированные
ИТ-решения
Неполные, противоречивые данные, обрабатываемые в разных ИТ-системах. Тяжелая, обременительная и длительная подготовка внешних и внутренних отчетов. Большое
количество ошибок в отчетности
*
На
основе
модели
зрелости
клиники
американской
компании
HealthCatalyst
#mHealthLab
15
17. Потенциально
собираемые
значимые
данные
Данные
ЭМК
Все
значимые
данные
о
здоровье
пациента
100МБ
в
год
на
пациента
100ТБ
в
год
на
пациента
Каков размер значимых данных о здоровье?
1 млн. раз – разница между объёмом ЭМК и
остальными значимыми данными!
#mHealthLab
17
18. Потребители
медицинской информации Много
потребителей
Какие ИТ-решения необходимы для ПМ?
Устройства, генерирующие
биометрические данные Много
устройств
ХРАНЕНИЕ
Долговременное хранение и пере-
дача данных для использования
ВТОРИЧНАЯ
ОБРАБОТКА
Формирование рабочих наборов и обра-
ботка данных в зависимости от запросов
ВИЗУАЛИЗАЦИЯВзаимодействие с пользователем и
визуализация информации
#mHealthLab
<−
узкое место
ПЛАТФОРМАМАССИВНО-
ПАРАЛЛЕЛЬНОЙ
ОБРАБОТКИДАННЫХ
«Традиционные» ИТ-системы Динамические ИТ-системы
У платформ массивно-параллельных
вычислений нет узкого места! 18
ЗАХВАТ ДАННЫХПриём, фильтрация и передача
данных на первичную обработку
ПЕРВИЧНАЯ
ОБРАБОТКА
Приём, трансформация, очистка
и передача данных на хранение
19. Пример MPP-платформы BigData Warehouse
Перспективный проект МНТК «Микрохирургии глаза» им. Акад. Федорова
#mHealthLab
Управление данными
1 2 3 4 5 6 7 8 ... N9 10 11 12
... 2 3 4 5 6 7 8 ... N9 10 11 12
M 2 3 4 5 6 7 8 ... N9 10 11 12
Линейно масштабируемая вычислительная сеть и хранение данных
(Data + Name + Standby Nodes & HDFS)
Операционная система управления кластером
(YARN)
Интерфейсы доступа к данным (коннекторы)
Управление метаданными
(HCatalog)
Batch Script SQL noSQL Real-Time In-Memory Search
Кластер Hadoop высокой готовности
Map Reduce Pig Hive HBase Storm Spark
Мониторинг операций
(Ambari, Zookeeper)
Витрины
данных
Сложный
анализ
Клиническая
информация
Качество
лечения
Диагнозы
Операции
ЕХД
Импорт
бумажных
документов
Связывание
Загрузка
Стандарти
зация
Обработка
ошибок
Распознавание
Сканирование
Solr
Управление жизненным
циклом данных
(Falcon, Sqoop, Flume)
Планирование
ресурсов
(Oozie)
Управление
доступом
(Knox)
19
Импорт
бумажного
архива:
7 млн.
документов
Пациентопоток:
40 тыс. в год
Кластер из 480
узлов, с учетом
3-х летнего
прироста ХД
Прирост
хранилища:
810 тыс.
документов в год
20. Пример архитектуры динамической системы:
Система по мониторингу здоровья пациентов 24х7
#mHealthLab
20
OK Cancel
Поток
"сырых"
данных
Поток
"чистых"
данных
пациентов
Актуализация
персональных
настроек,
оказание
медпомощи
Обслуживание
системы
Оказание
медпомощи,
анализ данных
пациентов
Оказание медпомощи
Долгосрочное хранение
Сложный анализ данных
Терминальная часть
Серверная часть
АРМ аминистратора
АРМ врача
Администрирование
персональных настроек
Источники биометрических
сигналов
Концентратор данных
(минисервер, смартфон
или часы)
Серверная часть системы
(облако)
ЧСССахар
Сеть биометрических датчиков
21. Используемый инструментарий разработки
#mHealthLab
21
OK Cancel
Поток
"сырых"
данных
Поток
"чистых"
данных
пациентов
Актуализация
персональных
настроек,
оказание
медпомощи
Обслуживание
системы
Оказание
медпомощи,
анализ данных
пациентов
Оказание медпомощи
Долгосрочное хранение
Сложный анализ данных
Терминальная часть
Серверная часть
АРМ аминистратора
АРМ врача
Администрирование
персональных настроек
Источники биометрических
сигналов
Концентратор данных
(минисервер, смартфон
или часы)
Серверная часть системы
(облако)
ЧСССахар
Сеть биометрических датчиков
Концентратор:
CentOS,
SQLite,
R, С++, R-
Studio или Matlab
Смартфон:
Android,
C++,
RAD
Studio
XE7
Часы:
Android,
C++,
RAD
Studio
XE7
Сенсоры,
STM, Arduino, C, R-Studio
или Matlab
Web-‐based:
Pyton,
HTML5,
JavaScript,
D3.js
Mobile:
Android,
iOS,
С++,
HTML5,
RAD
Studio
XE7,
Chart.js
Shell utils (sed, awk, etc), Java, Pyton, Scala, C++, Eclipse
Spark, R/RHIPE, Java/WildFly,
Pyton/Gjango, Scala/Lift, R-Studio,
Eclipse
Hadoop {Hive, HBase, Pig, Storm},
Kafka, Postgres, MySQL
22. Используемый жизненный цикл разработки
#mHealthLab
22
Прототип
«на
бумаге»
Прототип
«на
столе»
Прототип
«на
стенде»
Прототип
«в
клинике»
23. «Алло, мы ищем таланты»
Карта проектов отдела, направления для
курсовых и дипломных проектов
23
ББИ МФТИ
ИМБП РАН
#mHealthLab
24. Карта проектов отдела на 2015-2016 гг
#mHealthLab
24
На 2015-2016 годы мы планируем следующие проекты
1. Разработка системы мониторинга пациентов
• Назначение: отслеживание состояния пациентов при помощи сенсоров, лежащих под матрасом
больничной койки
• Возможности: хронометраж нахождения пациента на больничной койке, времени его переворотов
медсестрой, генерация тревожных событий при выходе пульса, дыхания или двигательной активности за
пределы определенного коридора, информирование ответственной медсестры или врача о наступлении
тревожных событий и т.п.
• Сроки: май 2015 – макет системы «на стенде», июнь 2015 – макет системы «в клинике», конец 2015 –
первая половина 2016 – получение регистрационного удостоверения Росздравнадзора
2. Разработка АРМ врача-терапевта
• Назначение: инструмент врача-терапевта, позволяющий визуализировать звук в широком диапазоне от
прослушиваемого участка грудной клетки, а также генерирующий рекомендации врачу
• Возможности: визуализация звука в широком диапазоне, генерация рекомендации врачу, в зависимости
от характера звука и антропологических параметров пациента
• Сроки: октябрь 2015 – макет системы «на столе», февраль 2016 – макет системы «на стенде», май 2016 –
макет системы «в клинике», вторая половина 2016 – получение регистрационного удостоверения
Росздравнадзора
25. Направления курсовых и дипломных проектов
#mHealthLab
25
Очень ценно, когда работа над курсовым проектом является «началом» работ над дипломом. По этому мы
предлагаем выбрать одно направление и проявить себя
1. Биофизика и физиология
• Освоение и разработка новых методов диагностики различных патологий на симптоматическом и
досимптоматическом этапах их развития
2. Радиоэлектроника
• Освоение и разработка макетов, прототипов и опытных образцов сенсоров или устройств для бесконтактного или
неинвазивного снятия биологических сигналов с тела человека. Инструментарий: STM, NXP, Raspberry и т.п.
3. Математическое моделирование и сложная визуализация данных
• Освоение и разработка алгоритмов и математических моделей для распознавания «сырых» данных, снятых с
сенсоров, систем машинного обучения по прецедентам (Machine Learning), извлечения информации из
неструктурированных данных (Information Extraction) и интеллетуального анализа данных (Data Mining).
Инструментарий: Spark, R, Java, Scala, Pyton, D3.js (Data-Driven Documents Lib)
4. Разработка логики распределенного хранения, параллельной обработки и трансформации данных (back end)
• Освоение и разработка программ по извлечению и преобразованию данных (ETL), бизнес-логики, фоновой обработки
данных в массивно-параллельной среде Hadoop. Инструментарий: Hadoop, Kafka, Postgres, MySQL, Spark, Java, Scala,
Pyton, C++
5. Разработка пользовательского интерфейса (front end)
• Освоение и разработка пользовательского интерфейса для мобильных устройств, а также на основе Web UI.
Инструментарий: Android, iOS, Java, Object C, C++, Pyton, HTML5, JavaScript
28. 1960
Источник
требований
Возможности ИТ Практический
результат
Архитектура
ИТ-систем
Глобальное
централизованное
планирование
(Госплан, страховые
программы)
• Дорогие диски
• Дорогое машинное
время
Общие больничные
системы учёта
основных ресурсов
Системы, скомпоно-
ванные из разных под-
программ (JCL, Cobol,
Fortran)
1-е поколение ГИС
#mHealthLab
28
29. Источник требований Возможности ИТ Практический
результат
Архитектура
ИТ-систем
• Внутрибольничные
коммуникации
• Расширение
функциональности
административных
систем
• Возникновение
ведомственных систем
• Уменьшенные
компьютеры
• Улучшенные
терминалы
• Более надежная
связь
• Административные системы
(кадры, отчеты и т.п.)
• Отчетность с результатами
деятельности
подразделений и врачей
• Автоматизация по
отдельным направлениям
(ЛИС, ЭМК и т.п.)
• Монолитные
системы с
терминальным
доступом
1970
2-е поколение ГИС
#mHealthLab
29
30. Источник
требований
Возможности ИТ Практический
результат
Архитектура
ИТ-систем
• Стандарты
лечения (за счет
введения клинико-
статистических
групп - групп
сходного диагноза/
DRG)
• Телекоммуникационные
сети
• Персональные
компьютеры
• Недорогие диски
• Отдельные прикладные
системы
• Интегрированные
финансовые и
медицинские системы
(ограниченно)
• Ведомственные
медицинские системы
• Работа с изображениями
(ограниченно)
• Одноранговые
сети из систем
персонального
использования
(персональные
приложения)
1980
3-е поколение ГИС
#mHealthLab
30
31. Источник
требований
Возможности ИТ Практический
результат
Архитектура
ИТ-систем
• Конкуренция и
консолидация
медицинских
организаций
• Больница –
поставщик
медицинских услуг
• Распределенные
вычислительные
ресурсы
• Недорогие серверы и
диски
• Дальнейшее развитие
решений на уровне
департаментов
• Возникновение комплексных
ЭМК-решений
• Активное использование
телекоммуникаций
• Системы «клиент-
сервер» с
«толстым»
клиентом
1990
4-е поколение ГИС
#mHealthLab
31
32. Источник
требований
Возможности ИТ Практический результат Архитектура
ИТ-систем
• Более глубокая
интеграция систем
• Начало внедрения
ИТ-решений на
основе
возмещения
расходов
• Мобильные
рабочие места
медицинского
персонала
• Появление
облачных
технологий
• Системы поддержки принятия
решений и анализа данных
• Многофункциональные ИТ-
системы департаментов с
интеграцией посредством ЭМК
• Системы
«клиент-сервер»
с «тонким» (web)
клиентом
2000
5-е поколение ГИС
#mHealthLab
32
33. Источник
требований
Возможности ИТ Практический результат Архитектура
ИТ-систем
• Персональная
медицина
• Низкая стоимость
персональных устройств съема
показателей здоровья
• Глобальные социальные сети
• Низкая стоимость массивно-
параллельных вычислений и
логистики на основе
беспроводных технологий
• Персональная
прогностическая аналитика
• Получение информации из
ЕГИС на основе запросов на
человеческом языке
• Линейно
масшта-
бируемые ИТ-
системы
2010
6-е поколение ГИС
#mHealthLab
33
34. Источник
требований
Возможности ИТ Практический
результат
Архитектура
ИТ-систем
• Персональная
медицина
• Получение биометрических и
поведенческих показателей о
человеке в реальном
времени
• Интеллектуальный потенциал
ИТ-систем выше, чем у
отдельно взятого врача
• Лечение и поведение
пациента корректируется на
основе прогноза ожидаемой
реакции организма
• Частично произведена
замена среднего
медицинского персонала на
безлюдные технологии
• Динамические
ИТ-системы,
компонуемые из
отдельных
модулей под
определенные
задачи
2020
7-е поколение ГИС
#mHealthLab
34
35. 35
Прозоров Александр Александрович
Образование:
• В 1998 году закончил МИРЭА, факультет Вычислительных машин и систем,
специальность «Вычислительные машины, комплексы, системы и сети» (220100)
• Базовые предприятия: Институт системного программирования РАН,
Межведомственный суперкомпьютерный центр РАН
Место работы:
• Научный сотрудник Лаборатории специальной медицинской техники, технологий и
фармакологии ББИ МФТИ
• Научный сотрудник Инновационного центра космической медицины ИМБП РАН
• Генеральный директор ООО «Лаборатория систем реального времени»
Последние значимые результаты работ:
• Руководил проектом разработки Регионального Сегмента ЕГИСЗ в АТ Консалтинг
(2011-12гг). Система введена в пром. эксплуатацию
• Руководил проектом разработки Национальной облачной платформы Ростелекома
(www.o7.com) в АТ Консалтинг (2011-12гг). Система введена в пром. эксплуатацию
• Практический опыт работы в области стратегического маркетинга (направления: SaaS,
разработка ПАК, системная интеграция) – 7 лет
Контакты:
• Email: prozoroff@mail.ru, тел: 8 916 9989619
Есть вопросы? Задавайте!