О журнале Издательская этика Редколлегия Редакционный совет Редакция Для авторов Контакты
Russian

Экспорт новостей

Журнал в базах данных

eLIBRARY.RU - НАУЧНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА



crossref.org
vak.ed.gov.ru/vak

GoogleАкадемия

Google Scholar

Главная arrow Архив номеров arrow №3 2022 (68) arrow ЦИФРОВЫЕ ТЕХНОЛОГИИ В БОРЬБЕ С COVID-19
ЦИФРОВЫЕ ТЕХНОЛОГИИ В БОРЬБЕ С COVID-19 Печать
05.07.2022 г.

DOI: 10.21045/2071-5021-2022-68-3-13

1Сиротина А.С., 1Созонов А.С., 2Кобякова О.С., 2Деев И.А., 1Бойков В.А., 1Барановская С.В., 2Шибалков И.П., 1Земцов А.А., 1Перфильева Д.Ю., 3Прошутя С.А.
1 ФГБОУ ВО «Сибирский государственный медицинский университет» Министерства здравоохранения Российской Федерации, Томск, Россия
2 ФГБУ «Центральный научно-исследовательский институт организации и информатизации здравоохранения» Министерства здравоохранения Российской Федерации, Москва, Россия
3 Департамент здравоохранения Томской области, Томск, Россия

Резюме

Актуальность. В период распространения новой коронавирусной инфекции (COVID-19) цифровые технологии показали себя как многообещающие организационные решения, открывшие новые возможности по управлению эпидемиологическим процессом и повышению адаптивности систем здравоохранения к возросшей нагрузке. Изучение опыта применения компьютерных технологий в условиях сложной эпидемиологической обстановки необходимо для выявления основных направлений, результатов и проблем реализации цифровой трансформации здравоохранения в период пандемии.

Цель исследования. Обобщить опыт применения современных цифровых технологий для оптимизации работы систем здравоохранения в условиях пандемии COVID-19.

Материалы и методы. Поиск публикаций был проведен в базах данных PubMed, Scopus, ScienceDirect, Google Scholar, Web of Science, eLibrary. В качестве ключевых использовались различные сочетания слов «COVID-19», «digital health», «telemedicine», «artificial intelligence», «machine learning», «internet of things (IoT)», «chatbot». Всего было проанализировано 362 публикации, из которых было отобрано 36 исследований, соответствующих выбранной тематике.

Результаты. Проведенный анализ опыта применения современных цифровых технологий для оптимизации работы систем здравоохранения в условиях пандемии COVID-19 показал, что цифровые решения позволяют снизить нагрузку на учреждения здравоохранения и способствуют организации доступной и качественной медицинской помощи за счет автоматизации процессов диагностики и сортировки. Оказание медицинской помощи с помощью дистанционных технологий позволило не только снизить риск заражения пациентов и врачей за счет исключения личных контактов, но и открыло новые возможности для работы медицинского персонала. Однако многие вопросы использования цифровых технологий в области здравоохранения остаются нерешенными, например, вопрос конфиденциальности данных пациентов, доступности цифровых технологий для населения, правового регулирования, экономической целесообразности применения и т.д.

Выводы. Цифровые технологии в ряде стран оказали значимую поддержку для системы здравоохранения в период пандемии COVID-19. Дальнейшее совершенствование цифровых инструментов для здравоохранения, расширение масштабов и изучение медицинской, социальной и экономической эффективности их применения может сыграть важную роль в оптимизации процессов диагностики, лечения и профилактики не только COVID-19, но и других заболеваний. Для обеспечения широкого распространения и жизнеспособности цифровых технологий в здравоохранении необходимо решение правовых и финансовых вопросов, связанных с их использованием.

Ключевые слова: COVID-19; цифровое здравоохранение; цифровые технологии; телемедицина; искусственный интеллект; машинное обучение; интернет вещей (IoT); чат-бот.

Контактная информация: Сиротина Алина Сергеевна, email: Этот e-mail защищен от спам-ботов. Для его просмотра в вашем браузере должна быть включена поддержка Java-script
Финансирование: Исследование не имело спонсорской поддержки.
Конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов в связи с публикацией данной статьи.
Соблюдение этических стандартов. Данный вид исследования не требует прохождения экспертизы локальным этическим комитетом.
Для цитирования: Сиротина А.С., Созонов А.С., Кобякова О.С., Деев И.А., Бойков В.А., Барановская С.В., Шибалков И.П., Земцов А.А., Перфильева Д.Ю., Прошутя С.А. Цифровые технологии в борьбе с COVID-19. Социальные аспекты здоровья населения [сетевое издание] 2022; 68(3):13. Режим доступа: http://vestnik.mednet.ru/content/view/1383/30/lang,ru/ DOI: 10.21045/2071-5021-2022-68-3-13

DIGITAL TECHNOLOGIES IN THE FIGHT AGAINST COVID-19
1Sirotina AS, 1Sozonov AS, 2Kobyakova OS, 2Deev IA, 1Boykov VA, 1Baranovskaya SV, 2Shibalkov IP, 1Zemtsov AA, 1Perfileva DY, 3Proshutya SA.
1 Siberian State Medical University, Tomsk, Russia
2 Russian Research Institute of Health, Ministry of Health of the Russian Federation, Moscow, Russia, Moscow, Russia
3 Department of Health of the Tomsk region, Tomsk, Russia

Abstract

Significance. During the spread of the new coronavirus infection (COVID-19), digital technologies have proved to be promising organizational solutions, opening up new opportunities for managing the epidemiological process and enhancing adaptability of healthcare systems to the increased workload. Studying the experience of using computer technologies in a difficult epidemiological situation is necessary to identify main directions, results and problems related to the implementation of digital transformation in health during a pandemic.

The purpose of the study is to summarize the experience of using modern digital technologies to optimize performance of healthcare systems in the context of the COVID-19 pandemic.

Material and Methods. The following databases were searched for publications: PubMed, Scopus, ScienceDirect, Google Scholar, Web of Science, eLibrary. Various combinations of the words "COVID-19", "digital health", "telemedicine", "artificial intelligence", "machine learning", "internet of things (IoT)", "chatbot" were used as keywords. A total of 362 publications were analyzed, from which 36 studies corresponding to the chosen topic were selected.

Results. Analysis of the experience of using modern digital technologies to optimize performance of healthcare systems in the context of the COVID-19 pandemic has shown that digital solutions can reduce burden on healthcare institutions and contribute to organizing an accessible and high-quality medical care by automated processes of diagnosis and triage. Care delivery through remote technologies has both reduced the risk of infection for patients and doctors by eliminating personal contacts and opened up new avenues of work of medical personnel. However, many issues related to the use of digital technologies in health remain unresolved, for example, patient data confidentiality, access to digital technologies among population, legal regulation, economic feasibility, etc.

Conclusion. In a number of countries digital technologies have much supported the healthcare system during the COVID-19 pandemic. Further improvement of digital health tools, scale-up and analysis of medical, social and cost-effectiveness of their use can play an important role in optimizing the processes of diagnosis, treatment and prevention of not only the COVID-19, but also other diseases. To ensure a widespread and viability of digital technologies in healthcare, it is necessary to address the legal and financial issues associated with their use.

Keywords: COVID-19; digital health; digital technologies; telemedicine; artificial intelligence; machine learning; Internet of Things (IoT); chatbot

Corresponding author: Alina S. Sirotina, email: Этот e-mail защищен от спам-ботов. Для его просмотра в вашем браузере должна быть включена поддержка Java-script
Information about authors:
Sirotina AS
, https://orcid.org/0000-0003-1882-5038
Sozonov AS, https://orcid.org/0000-0001-6310-0218
Kobyakova OS, https://orcid.org/0000-0003-0098-1403
Deev IA, https://orcid.org/0000-0002-4449-4810
Boykov VA, https://orcid.org/0000-0001-7532-7102
Baranovskaya SV, https://orcid.org/0000-0003-2587-2545
Shibalkov IP, https://orcid.org/0000-0002-4255-6846
Zemtsov AA, https://orcid.org/0000-0002-8034-0560
Perfileva DY, https://orcid.org/0000-0002-1168-7405
Proshutya SA, https://orcid.org/0000-0003-2588-9240
Acknowledgments. The study had no sponsorship.
Competing interests. The authors declare the absence of any conflicts of interest regarding the publication of this paper.
Compliance with ethical standards. Sirotina AS, Sozonov AS, Kobyakova OS, Deev IA, Boykov VA, Baranovskaya SV, Shibalkov IP, Zemtsov AA, Perfileva DY, Proshutya SA. Digital technologies in the fight against COVID-19. Social'nye aspekty zdorov'a naselenia [serial online] 2022; 68(3):13. Available from: http://vestnik.mednet.ru/content/view/1383/30/lang,ru/. (In Rus). DOI: 10.21045/2071-5021-2022-68-3-13

Введение

Пандемия новой коронавирусной инфекции COVID-19 (COVID-19) создала серьезную угрозу общественному здоровью во всем мире. Системы здравоохранения многих стран оказались не готовы к работе в условиях неблагоприятной эпидемиологической обстановки. Высокая скорость распространения вируса и рост числа инфицированных пациентов привели к нехватке койко-мест, средств индивидуальной защиты и тест-систем, а также к дефициту кадровых ресурсов [1].

Для сдерживания пандемии COVID-19 многие страны применяли классические меры контроля инфекции, аналогичные тем, что использовались при эпидемии атипичной пневмонии — тяжелого острого респираторного синдрома (ТОРС) — в 2003 году. Однако из-за масштабности COVID-19 данные меры оказались неэффективны [2,3]. Потребовался мультидисциплинарный подход, в котором цифровые технологии показали себя как многообещающие организационные решения, открывшие новые возможности по управлению эпидемиологическим процессом и повышению адаптивности систем здравоохранения к возросшей нагрузке.

Цель данного обзора: обобщить опыт применения современных цифровых технологий для оптимизации работы систем здравоохранения в условиях пандемии COVID-19.

Материалы и методы

Поиск публикаций был проведен в базах данных PubMed, Scopus, ScienceDirect, Google Scholar, Web of Science, eLibrary. В качестве ключевых использовались различные сочетания слов «COVID-19», «digital health», «telemedicine», «artificial intelligence», «machine learning», «internet of things (IoT)», «chatbot». Всего проанализировано 362 публикации, из которых было отобрано 36 исследований, соответствующих выбранной тематике.

Результаты

Искусственный интеллект

Искусственный интеллект (ИИ), как инструмент анализа данных и прогнозирования, помогает клиницистам и другим участникам системы здравоохранения принимать решения на основе результатов наблюдений за развитием различных процессов. В молекулярных исследованиях ИИ применялся для оценки структуры белков, связанных с SARS-CoV-2, поиска и разработки лекарственных средств, вакцин, изучения структуры вируса. В направлении общественного здоровья ИИ использовался для прогнозирования числа случаев заболевания при различных вариантах противоэпидемических мер, выявления сходств и различий развития пандемии в разных регионах, а также отслеживания распространения информации о коронавирусе [4].

В клинической практике применение методов искусственного интеллекта было направлено на диагностику COVID-19 с помощью данных медицинской визуализации, создание альтернативных способов диагностики и отслеживания состояния пациентов, составление прогнозов тяжелого течения заболевания и смертности [3].

Так, на базе Пекинского национального исследовательского центра информационных наук и технологий было проведено исследование применения свёрточной нейронной сети для диагностики COVID-19. Для разработки и оценки системы использовалось более 10 тысяч томов КТ-снимков пациентов с COVID-19, гриппом A, гриппом B, внебольничной пневмонией и здоровых пациентов. Чувствительность и специфичность модели для диагностики COVID-19 составили 87% и 96,6% соответственно. Также в ходе исследования была проведена сравнительная оценка точности диагностики и скорости чтения КТ-снимков системой искусственного интеллекта и врачами-рентгенологами. В результате было установлено, что система ИИ позволяет дифференцировать COVID-19 от внебольничной пневмонии и гриппа лучше, чем врачи-рентгенологи. При этом КТ-снимки при пневмонии и снимки здоровых пациентов ИИ различает хуже. Среднее время чтения снимков врачами-рентгенологами составило 6,5 минут, а искусственным интеллектом — 2,73 секунды [5].

В г. Москве (Россия) в 2020 году было разработано, валидировано и внедрено программное обеспечение на основе технологий ИИ «Гамма Мультивокс Ковирус», которое в автоматическом режиме позволяет получить качественные и количественные данные о патологических изменениях в легких, регистрируемых на КТ-изображениях. В ходе оценки эффективности алгоритмы ИИ, лежащие в основе работы программы, продемонстрировали высокий уровень качества дифференциальной диагностики COVID-19, бактериальной пневмонии и злокачественных новообразований по данным КТ [6,7]. Внедрение технологий ИИ, направленных на диагностику изменений в легких при COVID-19 по данным КТ органов грудной клетки, позволило сократить длительность формирования описания исследования в стационарном звене здравоохранения на 55,3% (со 103 до 46 минут) [8].

Сравнительный анализ эффективности применения ИИ для диагностики COVID-19 по данным рентгенологических исследований также был проведен в Нидерландах в рамках разработки и внедрения нейронной сети CAD4COVID-XRay. Данная нейронная сеть была обучена на 24 678 рентгенограммах грудной клетки, из которых 1 540 использовались для проверки во время обучения. Параллельно с этим рентгенограммы, предназначенные для проверки модели, были независимо проанализированы шестью врачами-рентгенологами. Нейронная сеть распознавала рентгенограммы грудной клетки с пневмонией, вызванной COVID-19, с высокой чувствительностью на уровне 85%, но достаточно низкой специфичностью (61%), т.е. система хуже идентифицировала отсутствие патологии, чем ее наличие. Эффективность системы искусственного интеллекта в диагностике пневмонии, вызванной COVID-19, была сопоставима с результатами диагностики, проведенной независимыми врачами-рентгенологами [9].

В клинической лабораторной диагностике предпринимались попытки использования моделей машинного обучения как альтернативных методов диагностики COVID-19. Несомненно, золотым стандартом лабораторной диагностики коронавирусной инфекции является обнаружение вирусной РНК с помощью полимеразной цепной реакции (ПЦР). Однако длительное время выполнения, потенциальная нехватка реагентов, потребность в сертифицированных лабораториях, дорогостоящем оборудовании и обученном персонале диктует необходимость поиска альтернативных методов диагностики. В качестве одного из таких методов в США было предложено использовать модели машинного обучения, позволяющие выявлять пациентов с COVID-19 на основании показателей состояния крови. В обучающую выборку вошли данные 279 пациентов, госпитализированных с симптомами COVID-19. В качестве анализируемых показателей были выбраны: количество лейкоцитов, уровень тромбоцитов, С-реактивного белка, аспартатаминотрансферазы, аланинаминотрансферазы, гамма‑глутамилтранспептидазы и лактатдегидрогеназы. В результате точность диагностики COVID-19 с помощью моделей машинного обучения составила 82-86 %, а чувствительность 92-95% [10]. Совершенствование подобных моделей и подтверждение их эффективности в более масштабных исследованиях могут сделать такой метод диагностики применимым в клинической практике в качестве альтернативы в условиях, когда проведение ПЦР-теста невозможно.

Использование ИИ в клинической практике как инструмента формирования прогноза риска тяжелого течения заболевания и смертности позволяло проводить эффективную сортировку пациентов с COVID-19 и грамотно распределять имеющиеся ресурсы. В США была проведена оценка эффективности алгоритмов машинного обучения для прогнозирования возникновения потребности в инвазивной механической вентиляции легких в течение 24 часов у пациентов с COVID-19. Данные 197 пациентов были включены в программу обучения прогностической модели. Высокая чувствительность (90%), достигнутая алгоритмом по сравнению с модифицированной оценкой раннего предупреждения (MEWS — Modified Early Warning Score), демонстрирует его способность точно различать пациентов с COVID-19 по степени риска возникновения необходимости искусственной вентиляции легких [11].

В ходе международного исследования, в которое было включено восемь центров в Китае, Италии и Бельгии, была разработана модель машинного обучения, позволяющая прогнозировать степень риска тяжелого течения заболевания и использовать его для сортировки пациентов с COVID-19 при госпитализации. Для обучения модели использовались данные клинических, лабораторных и рентгенологических исследований 725 пациентов. В результате было отобрано семь признаков, которые наилучшим образом позволяли прогнозировать риск тяжелого течения COVID-19 — это возраст пациента, количество лимфоцитов, уровни C-реактивного белка, лактатдегидрогеназы, кретинкиназы, мочевины и кальция. По значениям данных признаков модель классифицировала пациентов на категории низкого, среднего и высокого риска. Точность прогностической модели, оцененная в ходе проспективного анализа на 5 когортах пациентов, составила 74,4-87,5%, чувствительность — 75,0-96,9%, а специфичность — 55,0-88,0% [12].

В Израиле было проведено исследование применения модели машинного обучения с целью оценки риска развития тяжелого течения COVID-19. Для обучения нейронной сети были взяты клинические данные 162 пациентов. В качестве предикторов риска развития тяжелого течения заболевания использовались переменные шкалы общей оценки тяжести состояния пациентов APACHE II (Acute Physiology, Age, Chronic Health Evaluation II) и время от появления симптомов до госпитализации. Точность прогнозирования риска тяжелого течения COVID-19 с помощью данной модели составила 92%, чувствительность — 88,0%, специфичность — 92,7% [13].

Deep-Neo-V — модель машинного обучения, разработанная в Пакистане для прогнозирования риска смертности пациентов, поступивших с инфекцией COVID-19, подтвержденной с помощью ПЦР-теста. Обучение модели было проведено с использованием клинически значимых переменных (факторов риска и результатов лабораторных исследований), отобранных по результатам одномерного и многомерного регрессионного анализа Кокса. Точность прогноза в сравнении с тестовым набором составила 99,53%, чувствительность — 89,87%, специфичность —95,63%, положительная прогностическая ценность — 50,00%, отрицательная прогностическая ценность — 91,05%. Модель Deep-Neo-V может стать предпочтительным тестом для прогнозирования смертности и сортировки пациентов с COVID-19. Однако данные нуждаются в дальнейшей внешней проверке [14].

Разработанные алгоритмы ИИ показали высокие результаты в точности и скорости диагностики COVID-19, а также прогнозировании тяжелого течения коронавирусной инфекции. Как инструменты скрининга и сортировки пациентов, модели ИИ потенциально могут облегчить нагрузку на систему здравоохранения в критических ситуациях. Для широкого внедрения технологий ИИ в клиническую практику необходимо подтвердить их эффективность в более масштабных исследованиях.

Чат-боты и веб-приложения

Чат-боты, или виртуальные собеседники, осуществляют автоматическое общение с пользователем на естественном языке, используя речь или текст. Можно сказать, что чат-боты являются средством взаимодействия системы ИИ и человека. Они создаются на базе мессенджеров, социальных сетей, веб-сайтов организаций, оказывающих медицинские услуги, или как отдельные приложения.

В период пандемии чат-боты, как инструменты оптимизации работы здравоохранения, использовались для информирования населения по вопросам, связанным с COVID-19, самодиагностики коронавирусной инфекции и осуществления сортировки пациентов по степени тяжести течения заболевания [15].

Информационные чат-боты в ответ на запрос пользователя предоставляли актуальную информацию по вопросам, касающимся COVID-19. Так, многоязычный интерактивный чат-бот Health Alert, разработанный ВОЗ на платформе WhatsApp, использовался для предоставления достоверной информации о СOVID-19. С его помощью пользователи могли узнать о статистике распространения коронавируса, мерах профилактики заболевания, ознакомиться с ответами на популярные вопросы других пользователей и т.д. [16].

В России для информирования и взаимодействия с населением по вопросам COVID-19 весной 2020 года был разработан интернет-ресурс «Стопкоронавирус.рф», а также одноименные чат-боты и каналы в различных популярных социальных сетях и мессенджерах [17].

Медицинские чат-боты, позволяющие на основе ответов пользователей оценить наличие и степень тяжести течения COVID-19, применялись как инструменты сортировки пациентов при определении приоритета оказания медицинской помощи. Основываясь на ответах пользователя, чат-боты выдавали рекомендации относительно дальнейших действий, например, продолжить самоконтроль, обратиться в службу скорой помощи и т.д. Такая сортировка позволяла снизить нагрузку на учреждения здравоохранения за счет уменьшения числа посетителей и повысить доступность колл-центров медицинских учреждений за счет уменьшения количества звонков.

Например, в США некоммерческой сетью больниц и врачей Mass General Brigham с целью снижения нагрузки на горячую линию по вопросам COVID-19 была разработана система догоспитальной цифровой сортировки — интерактивный чат-бот. Изначально чат-бот в форме голосового помощника был размещен на самой горячей линии и пользователи отвечали на вопросы во время ожидания ответа оператора. Позднее система догоспитальной сортировки в форме текстового мессенджера стала доступна на веб-сайте больниц, чтобы пациенты могли им воспользоваться до обращения на горячую линию или вовсе избежать звонка. Чат-бот задавал вопросы пациенту о состоянии его здоровья. В конце серии вопросов пользователи определялись в одну из двух групп: нуждающиеся или не нуждающиеся в медицинской помощи. Первая группа направлялась на горячую линию COVID-19, в центры тестирования, телемедицинских консультаций либо в отделение неотложной помощи для дальнейшей оценки состояния Второй группе предоставлялись общие рекомендации и учебные материалы по профилактике коронавирусной инфекции. В период с марта по апрель 2020 года было зафиксировано достоверное двукратное снижение общего количества звонков на горячую линию и увеличение часов использования чат-бота [18].

Также в США на базе Калифорнийского университета в Сан-Франциско был разработан и внедрен в рабочий процесс чат-бот, позволяющий проводить скрининг медицинских работников на наличие симптомов COVID-19. Такой цифровой скрининг сократил время ожидания на входе в больницу, позволил сотрудникам физически дистанцироваться при входе, а также выявить сотрудников с высоким риском наличия COVID-19. Полученные данные о состоянии здоровья сотрудников в режиме реального времени использовались для оперативного принятия организационных решений [19].

В Японии чат-бот, собирающий информацию о состоянии здоровья пользователей, использовался для оценки текущей эпидемиологической ситуации. Чат-бот COOPERA был доступен для пользователей приложения LINE. Всего были проанализированы данные 206 218 пользователей из трех префектур, зарегистрированные в период с 5 по 30 марта 2020 года. В результате была обнаружена значимая корреляционная связь между долей пользователей с лихорадкой и количеством подтвержденных случаев COVID-19 через 0-3 дня. Учитывая отсутствие такой же связи с количеством подтвержденных случаев гриппа, можно предположить, что опросник отражал фактическую эпидемиологическую ситуацию, связанную с COVID-19 [20].

В период пандемии COVID-19 чат-боты продемонстрировали свою практическую значимость в процессах управления информацией в здравоохранении. С их помощью удалось автоматизировать процессы обмена медицинскими данными и тем самым снизить нагрузку на имеющиеся каналы предоставления и сбора информации, такие как колл-центры медицинских организаций, горячие линии по вопросам COVID-19 и т.д. Дальнейшее совершенствование чат-ботов с учетом накопленных данных и опыта внедрения позволит расширить их функционал и повысить эффективность взаимодействия с пользователями.

Телемедицинские технологии

В условиях карантинных ограничений и недоступности очных медицинских приемов телемедицина стала важным инструментом, обеспечивающим наблюдение и уход за пациентами на расстоянии.

Основными направлениями применения телемедицинских технологий в условиях пандемии COVID-19 стали: наблюдение, лечение и сортировка пациентов с коронавирусной инфекцией, оказание медицинских услуг пациентам c хроническими заболеваниями и другими состояниями, не связанными с коронавирусной инфекцией, а также проведение консультаций между специалистами различных медицинских организаций [21].

По каждому из трех направлений была организована работа телемедицинской системы Huayitong в Западно-Китайской больнице Сычуаньского университета. Система использовалась для оценки состояния пациентов с симптомами COVID-19 и принятия решения о необходимости проведения комплексного обследования и госпитализации. По результатам телемедицинских консультаций из более чем 6 тысяч человек только 487 пациентов были направлены в медицинские учреждения, остальные получили инструкции по соблюдению карантина и симптоматическому лечению. Пациенты, состояние здоровья которых не связано с наличием коронавирусной инфекции, в том числе пациенты с хроническими заболеваниями, использовали телемедицинскую систему для оформления электронных рецептов на получение лекарственных средств, планирования визитов к врачу и получения онлайн-консультаций относительно состояния здоровья. С 1 февраля по 1 апреля 2020 года среднемесячное число пациентов, получающих онлайн-наблюдение, увеличилось почти в пять раз. Также система использовалась для проведения онлайн-консультаций по вопросам лечения пациентов с тяжелой формой коронавирусной инфекции для специалистов больниц, находящихся в подчинении Западно-Китайской больницы Сычуаньского университета. В общей сложности через платформу было проведено 338 совместных телеконсультаций для 150 критически больных пациентов, из которых впоследствии 147 выздоровели и были выписаны. Таким образом, использование телемедицинской системы позволило сократить число личных визитов пациентов в медицинское учреждение и тем самым снизить риск передачи вируса, а также уменьшить нагрузку на врачей. С помощью телемедицинских консультаций было улучшено качество медицинской помощи в отдаленных медицинских организациях [21].

Для удаленного мониторинга состояния пациентов с COVID-19 службой здравоохранения Галисии (Испания) был адаптирован цифровой продукт TELEA, изначально разработанный для мониторинга состояния здоровья пациентов с сердечной недостаточностью. Веб-платформа TELEA является инструментом мониторинга, интегрированным с электронной историей болезни пациента. Любой пациент, имеющий доступ к платформе, может передавать информацию о своем состоянии в заранее установленном формате. Все данные сохраняются в истории болезни пациента. Врач может получить к ним доступ через медицинскую информационную систему и оценить состояние пациента в реальном времени. В исследование эффективности и безопасности системы наблюдения за пациентами с COVID-19 было включено 313 пациентов с высоким риском ухудшения течения заболевания. После включения в исследование пациентам предоставлялся доступ к системе TELEA, письменные инструкции, пульсоксиметр и термометр. Пациенты ежедневно заполняли клинический опросник (1 раз в день) и передавали данные о температуре тела и насыщении крови кислородом (3 раза в день). При наличии значимых отклонений в биометрических данных или изменении клинической картины врач оценивал ситуацию и принимал решение о необходимости направления пациента в отделение неотложной помощи. По результатам исследования установлено, что система TELEA способствовала сокращению количества посещений пунктов неотложной помощи — всего 17% (38 из 313) пациентов были направлены в отделения неотложной помощи по результатам наблюдения. Остальные продолжали лечение на дому и в среднем через 12 дней выздоровели и были выписаны [22].

В России многие учреждения здравоохранения использовали телемедицинские технологии в период пандемии как альтернативные способы проведения консультаций пациентов по вопросам лечения и контроля их состояния здоровья. Дистанционная консультативная медицинская помощь оказывалась пациентам с COVID-19 [23, 24, 25], злокачественными образованиями [26], ревматологическими заболеваниями [27] и т.д.

Томская область стала одним из первых регионов России, организовавшим централизованное дистанционное сопровождение пациентов с COVID-19. С октября 2020 года на базе ОГАУЗ «Станция скорой медицинской помощи» г. Томска был организован Медицинский центр удаленного мониторинга пациентов с COVID-19 и внебольничными пневмониями. Основной задачей центра стало дистанционное консультирование пациентов, уже взятых под наблюдение в амбулаторных условиях или в условиях дневного стационара, с целью снижения нагрузки на поликлиники и службу скорой медицинской помощи. Операторы центра по телефону производили оценку состояния пациента по балльной шкале с использованием стандартизованных речевых модулей для принятия решения о тактике его сопровождения. Работа центра в период “второй волны” COVID-19 привела к статистически значимому снижению уровня показателей нагрузки на систему оказания скорой медицинской помощи и амбулаторно-поликлиническую службу [25].

В Уфе (Россия) телемедицинская система передачи и анализа ЭКГ (теле-ЭКГ) использовалась в качестве инструмента оптимизации работы инфекционного (COVID-19) госпиталя. Внедрение теле-ЭКГ разделило процесс электрокардиографического исследования на две зоны: в «красной зоне» медицинские сестры в средствах индивидуальной защиты производили регистрацию и передачу ЭКГ по локальной сети, в «чистой» зоне врачи функциональной диагностики оценивали и корректировали автоматически сформированное заключение и вносили его в электронную историю болезни пациента. В результате с помощью системы был обеспечен автоматический прием, централизованный анализ и архивирование результатов ЭКГ. Улучшение логистики передачи результатов исследования и оперативное участие врачей отделения функциональной диагностики в работе госпиталя позволило решить вопрос доступности и качества диагностических мероприятий [28].

Также на территории России населению были доступны коммерческие сервисы для проведения телемедицинских консультаций в формате «пациент-врач». Однако качество консультаций, предоставляемых сервисами, оказалось неудовлетворительным. Основными недостатками в работе сервисов стали дефекты сбора анамнеза, отсутствие преемственности оказания медицинской помощи и контроля выполнения рекомендаций [29].

Таким образом, телемедицинские технологии оказали комплексную поддержку системы здравоохранения в период пандемии, обеспечив возможность предоставления качественных медицинских услуг в условиях дефицита ресурсов и необходимости соблюдения противоэпидемических мер. В перспективе использование телемедицинских услуг может решить проблему нехватки врачей и доступности медицинской помощи для пациентов, проживающих в отдаленных районах. Расширение спектра задач, решаемых с помощью телемедицины, позволит предоставить пациентам альтернативные пути получения узкоспециализированной помощи.

Интернет вещей (IoT)

Концепция интернета вещей (IoT) заключается в том, что любые объекты, оснащенные встроенными информационно-коммуникационными технологиями, могут автоматически подключаться к Интернету и друг к другу для обмена данными, формируя взаимосвязанную сеть. Связывая воедино вычислительные, механические и цифровые технологии для передачи данных через Интернет, IoT позволяет собирать и анализировать данные в реальном времени практически без участия человека [30].

Разработка и внедрение технологий с поддержкой IoT в здравоохранении расширяет возможности удаленного мониторинга состояния здоровья пациентов и выстраивания индивидуального плана лечения с использованием данных наблюдения. Также устройства с поддержкой IoT позволяют отслеживать состояние медицинского оборудования, санитарное состояние помещений, контролировать запасы фармацевтических препаратов и параметры окружающей среды, такие как влажность и температура воздуха [31].

В период пандемии технологии IoT использовались для ранней диагностики COVID-19 среди населения, мониторинга пациентов на карантине и контроля соблюдения противоэпидемических мер [32].

Устройства, поддерживающие технологии IoT, позволяли выявлять симптомы COVID-19 быстрее и эффективнее, постоянно собирая информацию с датчиков и анализируя ее. Так, в США сеть умных термометров Kinsa использовалась для выявления пользователей с повышенной температурой и прогнозирования уровня распространенности гриппоподобных заболеваний, в том числе COVID-19, в отдельных районах [33]. В Китае, США, Саудовской Аравии и ряде других стран предпринимались попытки использования дронов, оснащенных тепловизорами, для выявления людей c повышенной температурой тела в толпе. Однако из-за проблем соблюдения конфиденциальности и отсутствия эффективных систем реагирования в случае обнаружения человека с повышенной температурой данные технологии не получили должного распространения [34]. Еще одним инструментом диагностики COVID-19 с использованием IoT стали приложения для смартфонов. Например, разработанное в Китае приложение nCapp позволяло автоматически ставить диагноз на основе данных анкет, заполненных пациентами, проводить онлайн мониторинг состояния здоровья, отслеживать местоположение пациентов [35].

В случаях, когда пациенты с подтвержденным или предполагаемым диагнозом COVID-19 должны были соблюдать карантин, технологии IoT позволяли отслеживать их параметры состояния здоровья и контролировать перемещения. Так, в Гонконге (Китай) для контроля перемещений граждан, находящихся на самоизоляции, использовались приложение StayHomeSafe в комбинации с браслетом, позволяющим отслеживать местоположение [36].

Сделать вывод об эффективности использования цифровых инструментов с поддержкой IoT в период пандемии COVID-19 сложно ввиду отсутствия данных о результатах внедрения. IoT является одной из новейших технологий, достоинства и недостатки которой еще предстоит оценить. Совершенствование цифровых устройств и обеспечение должного уровня конфиденциальности в процессе работы с данными может сделать IoT действительно полезным решением в вопросах управления медицинской информацией и развития персонализированного подхода к лечению.

Обсуждение

Проведенный анализ опыта применения современных цифровых технологий для оптимизации работы систем здравоохранения в условиях пандемии COVID-19 позволяет сделать вывод о перспективности использования данных технологий не только в критических условиях, но и в обычной практике учреждений здравоохранения.

В период пандемии COVID-19 цифровые технологии помогли снизить загруженность учреждений здравоохранения и обеспечить пациентов качественной медицинской помощью. Автоматизация процессов диагностики и сортировки позволила снизить нагрузку на медицинский персонал, уменьшить количество обращений пациентов в медицинские организации.

Скорость анализа больших объемов данных стала одним из основных преимуществ использования цифровых технологий для оптимизации процессов оказания медицинской помощи в условиях роста числа заболевших.

Также использование цифровых технологий в период пандемии позволило улучшить коммуникацию между населением, системой здравоохранения и системой государственного управления. Постоянный обмен проверенными данными позволил снизить уровень дезинформации, а применение неформальных каналов связи, таких как чат-боты, способствовало более эффективному восприятию информации со стороны пользователей.

Возможность удаленного оказания медицинских услуг стала преимуществом использования цифровых технологий в период пандемии. Оказание медицинской помощи с помощью дистанционных технологий позволило не только снизить риск заражения пациентов и врачей за счет исключения личных контактов, но и открыло новые возможности для работы медицинского персонала. Удаленно могли работать медицинские сотрудники, находящиеся на самоизоляции. Это позволило в некоторой степени решить вопрос нехватки кадров и освободить здоровых медицинских работников для борьбы с COVID-19 на передовой.

Однако многие вопросы использования цифровых технологий в области здравоохранения остаются нерешенными. Например, вопрос конфиденциальности данных пациентов, сбор и обработку которых осуществляют различные цифровые инструменты, правового регулирования, экономической целесообразности применения и т.д.

Вопрос доступности цифровых технологий для населения также остается открытым во многих странах. Даже в развитых странах не все представители населения активно используют цифровые решения в повседневной жизни и готовы доверить наблюдение за своим здоровьем различным устройствам. Некоторые вообще не имеют доступа к Интернету. В результате репрезентативность информации об эффективности применения того или иного инструмента для всего населения снижается, как и точность прогнозирования процессов течения заболевания.

Необходима комплексная работа заинтересованных сторон в области внедрения цифровых технологий в здравоохранении и дальнейшее научное обоснование эффективности их применения для организации оказания медицинской помощи.

Заключение

Анализ актуальных научных исследований свидетельствует о том, что цифровые технологии в развитых странах оказали значимую поддержку для системы здравоохранения в период пандемии COVID-19. Дальнейшее совершенствование цифровых инструментов для здравоохранения, расширение масштабов и изучение медицинской, социальной и экономической эффективности их применения может сыграть важную роль в оптимизации процессов диагностики и лечения не только COVID-19, но и других заболеваний. Для обеспечения широкого распространения и жизнеспособности цифровых технологий в здравоохранении необходимо решение правовых и финансовых вопросов, связанных с их использованием.

Библиография

  1. Tanne J.H., Hayasaki E., Zastrow M., Pulla P., Smith P., Rada A.G., et al. Covid-19: how doctors and healthcare systems are tackling coronavirus worldwide. BMJ 2020; 368:m1090.
  2. Wilder-Smith A., Freedman D.O. Isolation, quarantine, social distancing and community containment: pivotal role for old-style public health measures in the novel coronavirus (2019-nCoV) outbreak. Journal of travel medicine. 2020; 1-4.
  3. Ting D.S.W., Carin L., Dzau V., Wong T.Y. Digital technology and COVID-19. Nature Medicine 2020; 26(4):459-461.
  4. Bullock J., Luccioni A., Pham K.H., Lam C.S.N., Luengo-Oroz M. Mapping the landscape of artificial intelligence applications against COVID-19. Journal of Artificial Intelligence Research 2020; 69: 807-845.
  5. Jin C., Chen W., Cao Y., Xu Z., Tan Z., Zhang X., et al .Development and evaluation of an artificial intelligence system for COVID-19 diagnosis. Nature communications. 2020; 11(1): 1-14.
  6. Блохин И.А., Морозов С.П., Чернина В.Ю., Андрейченко А.Е., Шахабов И.В., Смышляев А.В., и др. Использование искусственного интеллекта в здравоохранении: опыт валидации алгоритма искусственного интеллекта в медицинских организациях в условиях пандемии COVID-19. Мониторинг общественного мнения: экономические и социальные перемены 2021; (1): 271—282.
  7. Goncharov M., Pisov M., Shevtsov A., Shirokikh B., Kurmukov A., Blokhin I., et al. CT-Based COVID-19 triage: Deep multitask learning improves joint identification and severity quantification. Medical Image Analysis 2021; 71:102054.
  8. Морозов С.П., Гаврилов А.В., Архипов И.В., Долотова Д.Д., Лысенко М.А., Царенко С.В., и др. Влияние технологий искусственного интеллекта на длительность описаний результатов компьютерной томографии пациентов с COVID-19 в стационарном звене здравоохранения. Профилактическая медицина 2022; 25(1):14–20.
  9. Murphy K., Smits H., Knoops A.J., Korst M.B., Samson T., Scholten E.T., et al. COVID-19 on chest radiographs: a multireader evaluation of an artificial intelligence system. Radiology 2020; 296(3): E166-E172.
  10. Brinati D., Campagner A., Ferrari D., Locatelli M., Banfi G., Cabitza F. Detection of COVID-19 infection from routine blood exams with machine learning: a feasibility study. Journal of medical systems 2020; 44(8): 1-12.
  11. Burdick H., Lam C., Mataraso S., Siefkas A., Braden G., Dellinger R.P., et al. Prediction of respiratory decompensation in Covid-19 patients using machine learning: The READY trial. Computers in biology and medicine. 2020; 124: 103949.
  12. Wu G., Yang P., Xie Y., Woodruff H.C., Rao X., Guiot J., et al. Development of a clinical decision support system for severity risk prediction and triage of COVID-19 patients at hospital admission: an international multicentre study. European Respiratory Journal 2020; 56(2):2001104.
  13. Assaf D., Gutman Y.A., Neuman Y., Segal G., Amit S., Gefen-Halevi S., et al. Utilization of machine-learning models to accurately predict the risk for critical COVID-19. Internal and emergency medicine 2020; 15(8): 1435-1443.
  14. Naseem M., Arshad H., Hashmi S.A., Irfan F., Ahmed F.S. Predicting mortality in SARS-COV-2 (COVID-19) positive patients in the inpatient setting using a novel deep neural network. International journal of medical informatics 2021; 154:104556.
  15. Almalki M., Azeez F. Health Chatbots for Fighting COVID-19: a scoping review. Acta Informatica Medica 2020; 28(4): 241.
  16. Walwema J. The WHO health alert: communicating a global pandemic with WhatsApp. Journal of Business and Technical Communication. 2021; 35(1): 35-40.
  17. Стопкоронавирус.рф — Официальный интернет-ресурс для информирования населения по вопросам коронавируса (COVID-19) [Электронный ресурс]. 2022 [Дата обращения 27.04.2022]. Режим доступа: https://стопкоронавирус.рф/
  18. Lai L., Wittbold K.A., Dadabhoy F.Z., Sato R., Landman A.B., Schwamm L.H., et al. Digital triage: novel strategies for population health management in response to the COVID-19 pandemic. Healthcare 2020; 8(4): 100493).
  19. Judson T.J., Odisho A.Y., Young J.J., Bigazzi O., Steuer D., Gonzales R., Neinstein A.B. Implementation of a digital chatbot to screen health system employees during the COVID-19 pandemic. Journal of the American Medical Informatics Association 2020; 27(9): 1450-1455.
  20. Yoneoka D., Kawashima T., Tanoue Y., Nomura S., Ejima K., Shi S., et al. Early SNS-Based Monitoring System for the COVID-19 Outbreak in Japan: A Population-Level Observational Study. Journal of epidemiology 2020; 30(8): 362-370.
  21. Li P., Liu X., Mason E., Hu G., Zhou Y., Li W., et al. How telemedicine integrated into China's anti-COVID-19 strategies: case from a National Referral Center. BMJ health & care informatics 2020; 27(3):e100164.
  22. Martínez-García M., Bal-Alvarado M., Guerra F.S., Ares-Rico R., Suárez-Gil R., Rodríguez-Álvarez A., et al. Telemedicina con telemonitorización en el seguimiento de pacientes con COVID-19. Revista Clínica Española 2020; 220(8): 472-479.
  23. Драпкина О.М., Шепель Р.Н., Булгакова Е.С., Ваховская Т.В., Жамалов Л.М., Кутчер А.В. Обеспечение качества медицинской помощи с использованием телемедицинских технологий. Опыт ФГБУ “НМИЦ ТПМ” Минздрава России. Кардиоваскулярная терапия и профилактика 2021; 20(S1): 27.
  24. Полунина Н.В., Тяжельников А.А., Погонин А.В., Костенко Е.В. Удовлетворенность пациентов с COVID-19 качеством медицинской помощи, оказанной в форме дистанционных телемедицинских консультаций. Вестник РГМУ 2020; 6: 142-148.
  25. Бойков В.А., Барановская С.В., Деев И.А., Тарануха Е.В., Шибалков И.П., Бабешина М.А. Медицинский центр удаленного мониторинга пациентов с COVID-19: опыт организации и оценка эффективности. Бюллетень сибирской медицины 2021;20(2):12-22.
  26. Измайлов А.А., Аюпов Р.Т., Султанбаев А.В., Мусин Ш.И., Меньшиков К.В., Забелин М.В. Организация работы онкологической службы в Республике Башкортостан в условиях пандемии COVID-19. Современные проблемы здравоохранения и медицинской статистики 2020; (3): 195-208.
  27. Румянцева Д.Г., Лила А.М., Эрдес Ш. Дистанционный мониторинг пациентов с аксиальным спондилоартритом в период пандемии COVID-19: результаты и перспективы использования информационной технологии "Aspine". Научно-практическая ревматология 2020; 58(6):683-690.
  28. Семенова В.В., Хасбиев С.А. Опыт применения госпитальной системы дистанционной передачи ЭКГ в условиях пандемии COVID-19. Журнал телемедицины и электронного здравоохранения 2021; 7(1): 35-38.
  29. Владзимирский А.В., Морозов С.П., Сименюра С.С. Телемедицина и COVID-19: оценка качества телемедицинских консультаций, инициированных пациентами с симптомами ОРВИ. Врач и информационные технологии 2020; (2): 52-63.
  30. Javaid M., Khan I.H. Internet of Things (IoT) enabled healthcare helps to take the challenges of COVID-19 Pandemic. Journal of Oral Biology and Craniofacial Research 2021. 11(2): 209-214
  31. Mukati N., Namdev N., Dilip R., Hemalatha N., Dhiman V., Sahu B. Healthcare assistance to COVID-19 patient using internet of things (IoT) enabled technologies. Materials Today: Proceedings 2021 24 July.
  32. Nasajpour M., Pouriyeh S., Parizi R.M., Dorodchi M., Valero M., Arabnia H.R. Internet of Things for current COVID-19 and future pandemics: An exploratory study. Journal of healthcare informatics research 2020; 4(4): 325-364.
  33. Chamberlain S.D., Singh I., Ariza C., Daitch A., Philips P., Dalziel B.D. Real-time detection of COVID-19 epicenters within the United States using a network of smart thermometers. MedRxiv 2020;
  34. Restás Á. Drone Applications Fighting COVID-19 Pandemic—Towards Good Practices. Drones 2022; 6(1):15.
  35. Bai L., Yang D., Wang X., Tong L., Zhu X., Zhong N., et al. Chinese experts’ consensus on the Internet of Things-aided diagnosis and treatment of coronavirus disease 2019 (COVID-19). Clinical eHealth 2020; 3:7-15.
  36. Hui M. Hong kong is using tracker wristbands to geofence people under coronavirus quarantine. Quartz 2020; 4: 1-9.

References

  1. Tanne J.H., Hayasaki E., Zastrow M., Pulla P., Smith P., Rada A.G., et al. Covid-19: how doctors and healthcare systems are tackling coronavirus worldwide. BMJ 2020; 368:m1090.
  2. Wilder-Smith A., Freedman D.O. Isolation, quarantine, social distancing and community containment: pivotal role for old-style public health measures in the novel coronavirus (2019-nCoV) outbreak. Journal of travel medicine 2020; 1-4.
  3. Ting D.S.W., Carin L., Dzau V., Wong T.Y. Digital technology and COVID-19. Nature Medicine 2020; 26(4):459-461.
  4. Bullock J., Luccioni A., Pham K.H., Lam C.S.N., Luengo-Oroz M. Mapping the landscape of artificial intelligence applications against COVID-19. Journal of Artificial Intelligence Research 2020; 69: 807-845.
  5. Jin C., Chen W., Cao Y., Xu Z., Tan Z., Zhang X., et al .Development and evaluation of an artificial intelligence system for COVID-19 diagnosis. Nature communications 2020; 11(1): 1-14.
  6. Blokhin I.A., Morozov S.P., Chernina V.Yu., Andreychenko A.E., Shakhabov I.V., Smyshlyaev A.V., i dr. Ispol'zovanie iskusstvennogo intellekta v zdravookhranenii: opyt validatsii algoritma iskusstvennogo intellekta v meditsinskikh organizatsiyakh v usloviyakh pandemii COVID-19. [Artificial Intelligence in Healthcare: Validating an AI Algorithm in Health Institutions in the COVID-19 Pandemic (a Use Case). ]. Monitoring obshchestvennogo mneniya: ekonomicheskie i sotsial'nye peremeny 2021; 1: 271—282. (In Russian).
  7. Goncharov M., Pisov M., Shevtsov A., Shirokikh B., Kurmukov A., Blokhin I., et al. CT-Based COVID-19 triage: Deep multitask learning improves joint identification and severity quantification. Medical Image Analysis 2021; 71:102054.
  8. Morozov S.P., Gavrilov A.V., Arkhipov I.V., Dolotova D.D., Lysenko M.A., Tsarenko S.V., i dr. Vliyanie tekhnologiy iskusstvennogo intellekta na dlitel'nost' opisaniy rezul'tatov komp'yuternoy tomografii patsientov s COVID-19 v statsionarnom zvene zdravookhraneniya. [Effect of artificial intelligence technologies on the CT scan interpreting time in COVID-19 patients in inpatient setting]. Profilakticheskaya meditsina. 2022; 25(1):14–20. (In Russian).
  9. Murphy K., Smits H., Knoops A.J., Korst M.B., Samson T., Scholten E.T., et al. COVID-19 on chest radiographs: a multireader evaluation of an artificial intelligence system. Radiology 2020; 296(3): E166-E172.
  10. Brinati D., Campagner A., Ferrari D., Locatelli M., Banfi G., Cabitza F. Detection of COVID-19 infection from routine blood exams with machine learning: a feasibility study. Journal of medical systems 2020; 44(8): 1-12.
  11. Burdick H., Lam C., Mataraso S., Siefkas A., Braden G., Dellinger R.P., et al. Prediction of respiratory decompensation in Covid-19 patients using machine learning: The READY trial. Computers in biology and medicine 2020; 124: 103949.
  12. Wu G., Yang P., Xie Y., Woodruff H.C., Rao X., Guiot J., et al. Development of a clinical decision support system for severity risk prediction and triage of COVID-19 patients at hospital admission: an international multicentre study. European Respiratory Journal 2020; 56(2):2001104.
  13. Assaf D., Gutman Y.A., Neuman Y., Segal G., Amit S., Gefen-Halevi S., et al. Utilization of machine-learning models to accurately predict the risk for critical COVID-19. Internal and emergency medicine 2020; 15(8): 1435-1443.
  14. Naseem M., Arshad H., Hashmi S.A., Irfan F., Ahmed F.S. Predicting mortality in SARS-COV-2 (COVID-19) positive patients in the inpatient setting using a novel deep neural network. International journal of medical informatics 2021; 154:104556.
  15. Almalki M., Azeez F. Health Chatbots for Fighting COVID-19: a scoping review. Acta Informatica Medica 2020; 28(4): 241.
  16. Walwema J. The WHO health alert: communicating a global pandemic with WhatsApp. Journal of Business and Technical Communication 2021; 35(1): 35-40.
  17. Стопкоронавирус.рф — Ofitsial'nyy internet-resurs dlya informirovaniya naseleniya po voprosam koronavirusa (COVID-19). [Official internet resource for informing the population about the coronavirus (COVID-19)]. [Online]. 2022 [cited 2022 Apr 27]. Available from: https://стопкоронавирус.рф/ (In Russian)
  18. Lai L., Wittbold K.A., Dadabhoy F.Z., Sato R., Landman A.B., Schwamm L.H., et al. Digital triage: novel strategies for population health management in response to the COVID-19 pandemic. Healthcare 2020; 8(4): 100493).
  19. Judson T.J., Odisho A.Y., Young J.J., Bigazzi O., Steuer D., Gonzales R., Neinstein A.B. Implementation of a digital chatbot to screen health system employees during the COVID-19 pandemic. Journal of the American Medical Informatics Association 2020; 27(9): 1450-1455.
  20. Yoneoka D., Kawashima T., Tanoue Y., Nomura S., Ejima K., Shi S., et al. Early SNS-Based Monitoring System for the COVID-19 Outbreak in Japan: A Population-Level Observational Study. Journal of epidemiology 2020; 30(8): 362-370.
  21. Li P., Liu X., Mason E., Hu G., Zhou Y., Li W., et al. How telemedicine integrated into China's anti-COVID-19 strategies: case from a National Referral Center. BMJ health & care informatics 2020; 27(3):e100164.
  22. Martínez-García M., Bal-Alvarado M., Guerra F.S., Ares-Rico R., Suárez-Gil R., Rodríguez-Álvarez A., et al. Telemedicina con telemonitorización en el seguimiento de pacientes con COVID-19. Revista Clínica Española 2020; 220(8): 472-479.
  23. Drapkina O.M., Shepel' R.N., Bulgakova E.S., Vakhovskaya T.V., Zhamalov L.M., Kutcher A.V. Obespechenie kachestva meditsinskoy pomoshchi s ispol'zovaniem telemeditsinskikh tekhnologiy. Opyt FGBU “NMITs TPM” Minzdrava Rossii. [Evaluation of the effectiveness of telemedicine consultations conducted by experts of National Medical Research Center for Therapy and Preventive Medicine]. Kardiovaskulyarnaya terapiya i profilaktika 2021; 20(S1): 27. (In Russian).
  24. Polunina N.V., Tyazhel'nikov A.A., Pogonin A.V., Kostenko E.V. Udovletvorennost' patsientov s COVID-19 kachestvom meditsinskoy pomoshchi, okazannoy v forme distantsionnykh telemeditsinskikh konsul'tatsiy. [COVID-19 patients’ satisfaction with quality of medical care provided in the form of telemedicine consultations]. Vestnik RGMU 2020; 6: 142-148. (In Russian).
  25. Boykov V.A., Baranovskaya S.V., Deev I.A., Taranukha E.V., Shibalkov I.P., Babeshina M.A. Meditsinskiy tsentr udalennogo monitoringa patsientov s COVID-19: opyt organizatsii i otsenka effektivnosti [Medical Center for Remote Monitoring of COVID-19 patients: organization experience and efficiency assessment]. Byulleten' sibirskoy meditsiny 2021; 20(2): 12-22. (In Russian).
  26. Izmaylov A.A., Ayupov R.T., Sultanbaev A.V., Musin Sh.I., Men'shikov K.V., Zabelin M.V. Organizatsiya raboty onkologicheskoy sluzhby v Respublike Bashkortostan v usloviyakh pandemii COVID-19. [Work organization of oncology service in republic of bashkortostan in a pandemic of COVID-19]. Sovremennye problemy zdravookhraneniya i meditsinskoy statistiki 2020; (3): 195-208. (In Russian).
  27. Rumyantseva D.G., Lila A.M., Erdes Sh. Distantsionnyy monitoring patsientov s aksial'nym spondiloartritom v period pandemii COVID-19: rezul'taty i perspektivy ispol'zovaniya informatsionnoy tekhnologii “Aspine”. [Remote monitoring of patients with axial spondyloarthritis during the COVID-19 pandemic: results and prospects of using the information technology “Aspine”]. Nauchno-prakticheskaya revmatologiya 2020; 58(6):683-690. (In Russian).
  28. Semenova V.V., Khasbiev S.A. Opyt primeneniya gospital'noy sistemy distantsionnoy peredachi EKG v usloviyakh pandemii COVID-19. [Experience of hospital tele-ECG during the COVID-19 pandemic]. Zhurnal telemeditsiny i elektronnogo zdravookhraneniya 2021; 7(1): 35-38. (In Russian).
  29. Vladzimirskiy A.V., Morozov S.P., Simenyura S.S. Telemeditsina i COVID-19: otsenka kachestva telemeditsinskikh konsul'tatsiy, initsiirovannykh patsientami s simptomami ORVI. [Telemedicine and COVID‑19: quality of patient-initiated teleconsultations in case of acute respiratory disease]. Vrach i informatsionnye tekhnologii 2020; (2): 52-63. (In Russian).
  30. Javaid M., Khan I.H. Internet of Things (IoT) enabled healthcare helps to take the challenges of COVID-19 Pandemic. Journal of Oral Biology and Craniofacial Research 2021. 11(2): 209-214
  31. Mukati N., Namdev N., Dilip R., Hemalatha N., Dhiman V., Sahu B. Healthcare assistance to COVID-19 patient using internet of things (IoT) enabled technologies. Materials Today: Proceedings 2021 24 July.
  32. Nasajpour M., Pouriyeh S., Parizi R.M., Dorodchi M., Valero M., Arabnia H.R. Internet of Things for current COVID-19 and future pandemics: An exploratory study. Journal of healthcare informatics research 2020; 4(4): 325-364.
  33. Chamberlain S.D., Singh I., Ariza C., Daitch A., Philips P., Dalziel B.D. Real-time detection of COVID-19 epicenters within the United States using a network of smart thermometers. MedRxiv 2020;
  34. Restás Á. Drone Applications Fighting COVID-19 Pandemic—Towards Good Practices. Drones 2022; 6(1):15.
  35. Bai L., Yang D., Wang X., Tong L., Zhu X., Zhong N., et al. Chinese experts’ consensus on the Internet of Things-aided diagnosis and treatment of coronavirus disease 2019 (COVID-19). Clinical eHealth 2020; 3:7-15.
  36. Hui M. Hong kong is using tracker wristbands to geofence people under coronavirus quarantine. Quartz 2020; 4: 1-9.

Дата поступления: 25.05.2022


Просмотров: 962

Ваш комментарий будет первым

Добавить комментарий
  • Пожалуйста оставляйте комментарии только по теме.
  • Вы можете оставить свой комментарий любым браузером кроме Internet Explorer старше 6.0
Имя:
E-mail
Комментарий:

Код:* Code

Последнее обновление ( 01.08.2022 г. )
« Пред.   След. »
home contact search contact search