Информационные технологии и математическое моделирование в эпидемиологии ожирения и других хронических неинфекционных заболеваний
Вы здесь
В работе рассматриваются современные информационные технологии и математические модели, применяемые в эпидемиологических исследованиях хронических неинфекционных заболеваний, с акцентом на ожирение. Описываются возможности автоматизированных систем сбора и анализа медико-статистических данных, геоинформационных систем, телемедицины и мобильных приложений для эпидемиологического мониторинга. Представлены различные типы математических моделей, используемых для прогнозирования бремени хронических заболеваний и оценки эффективности профилактических вмешательств. Обсуждаются перспективные направления развития, включая интеграцию ИТ-решений в единую экосистему эпидемиологического надзора, применение технологий больших данных и искусственного интеллекта. Сделан вывод о ключевой роли информационных технологий и математического моделирования в совершенствовании управления хроническими неинфекционными заболеваниями на популяционном уровне.
Комментарии - 4
Спасибо за доклад! Вами освещена очень интересная и увлекательная тема! Уважаемые авторы, существуют ли ограничения в использовании информационных технологий и математического моделирования в эпидемиологии ХНИЗ? Если да, то какие?
Уважаемая Дарья Геннадьевна, благодарим за вопрос! Использование информационных технологий и методов математического моделирования в эпидемиологии ХНИЗ действительно имеет ряд ограничений
Ограничения, связанные с информационными технологиями:
1) Качество данных:
а) Неполные данные: Не все случаи ХНИЗ регистрируются, что приводит к недооценке заболеваемости.
б) Неточные данные: Информация о факторах риска, образе жизни и генетических предрасположенностях может быть неточной или отсутствовать.
в) Несоответствие данных: Разные системы сбора данных могут использовать различные определения и классификации болезней, что затрудняет сравнение информации.
2) Доступность данных:
а) Конфиденциальность: Доступ к персональным данным может быть ограничен из-за соображений конфиденциальности.
б) Отсутствие стандартизированных форматов данных: Децентрализованные системы сбора данных могут затруднять интеграцию и анализ информации.
3) Технологические ограничения:
а) Вычислительная мощность: Сложные модели могут требовать значительной вычислительной мощности, которая может быть недоступна.
б) Скорость обработки: Анализ больших объемов данных может занимать много времени.
Ограничения, связанные с математическим моделированием:
1) Сложность систем: ХНИЗ часто имеют сложную этиологию, включающую множество факторов риска, которые взаимодействуют между собой. Моделирование этих взаимодействий является сложным.
2) Неполное понимание механизмов заболевания: Механизмы развития многих ХНИЗ не до конца понятны, что затрудняет создание точных моделей.
3) Прогнозные модели: Модели могут давать неточные прогнозы, особенно если они основаны на неполных или неточных данных.
4) Интерпретация результатов: Результаты моделирования необходимо тщательно интерпретировать, чтобы избежать неправильных выводов.
5) Вариабельность: ХНИЗ демонстрируют значительную вариабельность в популяциях, что затрудняет создание моделей, которые могут быть применимы ко всем.
Добрый день, коллеги!
В ходе прочтения материалов возникло несколько вопросов. Какие преимущества предоставляют автоматизированные системы и геоинформационные технологии в исследовании хронических заболеваний, таких как ожирение? Знаете ли вы конкретные примеры мобильных приложений или автоматизированных систем, которые уже применяются в мониторинге хронических неинфекционных заболеваний? И какие вызовы и ограничения существуют при интеграции различных информационных технологий в единую экосистему эпидемиологического надзора?
Уважаемый Владимир Михайлович, благодарим за вопрос!
Автоматизированные системы в исследовании хронических заболеваний позволяют собирать большие объемы данных о пациентах, что позволяет проводить более глубокие и точные исследования. Автоматизация анализа данных позволяет быстрее получать результаты и выявлять закономерности, которые могут быть незаметны при ручном анализе. Добавление функционала отслеживания изменений в состоянии пациентов в реальном времени (например, потерю или набор веса) позволяет своевременно сигнализировать о необходимости вмешательства.
Геоинформационные технологии позволяют анализировать пространственные данные о распространении ХНИЗ (например, ожирения), выявлять факторы риска и зоны риска. ГИС могут помочь определить группы населения с наибольшим риском развития ХНИЗ, что позволяет оптимизировать программы профилактики. Анализируя изменения в пространственном распределении заболеваемости, можно отслеживать эффективность программ по борьбе с ХНИЗ, в частности, ожирением. По поводу мобильных приложений - можем привести именно применимые к мониторингу ожирения: различные программы для контроля калорийности питания и составления планов питания вроде Calorie Counter (Lose It!), для отслеживания калорий и физической активности типа MyFitnessPal, фитнес-трекеры вроде Fitbit. Уже 10 лет на различных устройствах Apple работает платформа Health, которая собирает данные о здоровье от разных приложений и устройств этой марки. Аналогично с того же 2014 года активно развивается и прямой конкурент системы - Google Fit, предоставляющий единый набор API-интерфейсов для приложений и производителей устройств для хранения и доступа к данным об активности из фитнес-приложений и датчиков на Android и других устройствах, а в 2021 Google целиком приобрёл специализирующуюся в этой области компанию Fitbit. Обратная сторона медали - скандалы вокруг сбора техногигантом персональных медицинских данных миллионов американцев без их ведома. Кроме Google активно проводят исследования и создают новые разработки в сфере здравоохранения и другие IT-компании, такие как Apple, Amazon и Microsoft. Информации о существовании систем подобного масштаба в РФ у нас нет. Вызовы и ограничения при интеграции различных информационных технологий в единую экосистему эпидемиологического надзора мы видим следующие:
1) Совместимость данных: Интеграция данных из разных источников может быть затруднена из-за различий в форматах, структурах и стандартах.
2) Конфиденциальность и безопасность данных: Необходимо обеспечить конфиденциальность и безопасность личной информации пациентов.
3) Разработка единой платформы: Создание единой платформы для сбора и анализа данных от различных источников требует значительных ресурсов и времени.
4) Отсутствие единого стандарта: Отсутствие единого стандарта для сбора и анализа данных может затруднить сравнение и интерпретацию информации.
5) Отсутствие стандартов для медицинских данных: Необходимы стандарты для сбора и анализа медицинских данных, чтобы обеспечить их качество и точность.
6) Проблема "цифрового разрыва": Не все люди имеют доступ к цифровым технологиям, что может создавать неравенство в доступе к информации и услугам.