Алгоритм прикрепления к медицинской организации: Алгоритм прикрепления к медицинской организации

Содержание

Алгоритм прикрепления к медицинской организации

Алгоритм прикрепления к лечебному учреждению

Каждый пациент, имеющий постоянную регистрацию вне территории обслуживания поликлиники, может воспользоваться правом выбора медицинской организации и прикрепиться к выбранной поликлинике. Для того чтобы вам оказывали медицинские услуги в выбранном вами учреждении необходимо подать письменное заявление на имя главного врача учреждения. Форму заявления предоставят в регистратуре. В этой же медицинской организации, подав соответствующее заявление также на имя руководителя поликлиники,   вы можете выбрать и участкового врача – педиатр или терапевта.

«Стоит помнить, что выбранный вами врач будет оказывать услуги только в поликлинике, — комментирует Роман Туранов, заведующий информационно — аналитическим отделением.   В случае вызова врача на дом, вас посетит врач, работающий на участке к которому вы прикреплены.

И еще одно важное дополнение: пациент вправе менять поликлинику НЕ ЧАЩЕ одного раза в год, за исключением случаев смены места жительства. Лечащий врач назначается руководителем медицинской организации или выбирается гражданином с учетом согласия врача. Врач имеет право отказать в прикреплении, если у него превышение нагрузки на участке»

Для прикрепления к медицинскому учреждению необходимо иметь ряд документов, а именно: детям старше 14 лет – паспорт (оригинал), СНИЛС и полис ОМС. На детей от 0 до 14 лет: — оригиналы свидетельства о рождении ребенка, паспорт законных представителей ребенка, полис ОМС и СНИЛС ребенка.

СНИЛС ребенка также необходимо предоставить в детскую поликлиник в случае льготного лекарственного обеспечения пациента.

В данный момент БУ «Няганская городская детская поликлиника» обслуживает свыше 14 тысяч 800 детей, прикрепленных к медицинской организации. Есть среди них и жители соседних населенных пунктов: Уньюгана, Приобье, Сергино.

Этим пациентам, как и жителям Нягани, предоставляется вся необходимая медицинская помощь,   включая физиопроцедуры и лечение в дневном стационаре.  

.


Инструкция о порядке прикрепления

В соответствии с требованиями вступившего в силу Приказа Министерства здравоохранения и социального развития РФ от 26 апреля 2012г.№406Н «Об утверждении порядка выбора гражданином медицинской организации при оказании ему медицинской помощи в рамках программы государственных гарантий бесплатного оказания гражданам медицинской помощи определен следующий порядок прикрепления граждан для медицинского обслуживания:

1. Пациент или его законный представитель выбравший поликлинику для получения первичной медико-санитарной помощи в объеме государственных гарантий оформляет заявление на имя главного врача ГУЗ «Агинская окружная больница» с просьбой о прикреплении для медицинского обслуживания.

2. Заявление проверяется и регистрируется в регистратуре в течение двух рабочих дней для подтверждения информации, указанной в заявлении направляется запрос в медицинскую организацию, в которой гражданин находится на медицинском обслуживании или был прикреплен на момент подачи заявления
3. В течение двух рабочих дней после подтверждения медицинской организацией , в которой гражданин находится на медицинском обслуживании или прикреплен на момент подачи заявления, информации, указанной в заявлении, оператор информирует гражданина( его представителя) в письменной или устной форме (лично или посредством почтовой связи, телефонной связи) о принятии решения по медицинскому обслуживанию гражданина.
4. В течение трех рабочих дней после даты информирования гражданина о принятии заявления на медицинское обслуживание медицинская организация, принявшая заявление, направляет в медицинскую организацию, в которой гражданин находится на учете или обслуживается на момент подачи заявления, и в страховую медицинскую организацию, выбранную гражданином, уведомление о принятии гражданина на медицинское обслуживание.
5. После получения уведомлений из страховой медицинской организации и медицинской организации, в которой гражданин находится на медицинском обслуживании на момент подачи заявления о снятия с учета и получения медицинской документации из поликлиники, где гражданин обслуживался ранее, пациент приглашается в регистратуру , где ему проставляют штамп о прикреплении .
6. Заявления и прилагаемые документы подшиваются в дело в хронологическом порядке и хранятся в регистратуре.
7. Сводная ведомость о прикрепленных еженедельно проверяется регистраторам.
8. Утвержденные главным врачом списки на прикрепление граждан посредством закрытой электронной связи и определенным порядком документооборота отправляются в Территориальный фонд ОМС и страховую медицинскую организацию.
9. При обращении граждан для прикрепления, регистратура дает пациенту следующие разъяснения:

  • пациент будет прикреплен и сможет получать медицинскую помощь в объеме первичной медико-санитарной помощи в поликлинике как прикрепленный ,только после выполнения всех требований предусмотренных Приказом Министерства здравоохранения № 406Н от26 апреля 2012г.
  • при нуждаемости в экстренной медицинской помощи и необходимости в оказании больному неотложных медицинских мероприятий больной направляется из регистратуры на прием к врачу без прикрепления. После оформления краткой карты амбулаторного пациента больной отправляется на прием как экстренный больной.
  • при замене медицинского страхового полиса пациент по умолчанию приписывается к государственному лечебно-профилактическому учреждению, ближайшему к месту регистрации, указанной в паспорте. Если пациент не проживает по месту регистрации, то для прикрепления по месту фактического проживания может выбрать ЛПУ ближайшее к дому и подать установленным порядком заявление на прикрепление.

Заявление о прикреплении

Посмотреть Скачать


Как прикрепиться к поликлинике и выбрать участкового врача? — Информация для пациентов

Закон «Об обязательном медицинском страховании в Российской Федерации» установил приоритеты в пользу граждан: застрахованным гражданам предоставляется право на выбор медицинского учреждения и выбор врача.
Каждый застрахованный может выбрать поликлинику, в которой ему удобнее обслуживаться. И для этого не обязательно проживать рядом с ней. Амбулаторно-поликлиническое учреждение может находиться и рядом с местом работы или учёбы.

Гражданин может быть прикреплен только к одной медицинской организации. Для прикрепления к выбранной поликлинике достаточно написать заявление на имя главного врача лечебного учреждения. Выбрать поликлинику можно один раз в год. Исключение составляют случаи, когда человек переезжает на новое место жительства.

Важно! Гражданин может быть прикреплен только к одной медицинской организации.
По заявлению в поликлинике можно выбрать один раз в год и участкового врача-терапевта, врача-педиатра, врача общей практики с их согласия.
Важно! Именно заявление о выборе медицинской организации подтверждает факт прикрепления к той или иной поликлинике.
Реализовать право выбора медицинской организации можно в любое время в течение всего календарного года.
Граждане, имеющие регистрацию места жительства (согласно сведениям в паспорте гражданина Российской Федерации) на территории обслуживания медицинской организации, прикрепляются автоматически к поликлинике, которая обслуживает этот участок, и заявление о выборе медицинской организации не подают.


Каждое медицинское учреждение заинтересовано в пациентах, потому что за каждым из них придет оплата за качественное лечение по полному тарифу, предусмотренному ОМС. Конкуренция за пациента мотивирует к повышению качества обслуживания.
Но случается, что в связи с высокой загруженностью поликлиника или врач могут отказать пациенту в прикреплении.
Бывают случаи, когда граждане не могут определить, к какой поликлинике или к какому участку относится их место проживания.
Содействие окажут, прежде всего, в регистратуре ближайшего амбулаторно-поликлинического учреждения здравоохранения, а жители села могут получить интересующую их информацию в ближайшей участковой больнице, фельдшерско-акушерском пункте или у врача общей практики.
Кроме того, информацию о прикреплении к амбулаторно-поликлиническому учреждению можно узнать и на сайте Территориального фонда обязательного медицинского страхования Краснодарского края kubanoms.ru в разделе «Проверка полиса ОМС». Для этого надо ввести данные о полисе обязательного медицинского страхования и осуществить запрос через кнопку «Поиск».
Если в регистратуре вам отказывают в прикреплении к поликлинике или врачу, обратитесь к главному врачу или в страховую медицинскую организацию, выдавшую вам полис обязательного медицинского страхования, или в Территориальный фонд обязательного медицинского страхования Краснодарского края на телефон «горячей линии» (861)215-24-52.

Право на выбор медицинской организации и врача

10 июня 2014 года вступил в силу приказ Минздравсоцразвития России, утвердивший Порядок выбора гражданином медицинской организации при оказании ему медицинской помощи в рамках программы государственных гарантий бесплатного оказания гражданам медицинской помощи. Право на выбор медицинской организации при оказании гражданину медицинской помощи в рамках территориальной программы государственных гарантий бесплатного оказания гражданам медицинской помощи установлено статьей 21 Федерального закона «Об основах охраны здоровья граждан в Российской Федерации» и теперь регламентированы механизмы его реализации.

Выбираем поликлинику

Первичная медицинская помощь, включающая динамическое наблюдение за состоянием здоровья прикрепленного контингента, является важным этапом организации охраны здоровья населения. В настоящее время амбулаторно-поликлиническое медицинское обслуживание осуществляется по территориально-участковому принципу прикрепления детского или взрослого населения, проживающего на обслуживаемом участковым (семейным) врачом участке. При этом застрахованный гражданин вправе прикрепиться для обслуживания к другому поликлиническому учреждению, например, если он фактически проживает в другом, нежели зарегистрирован, населенном пункте или по иным причинам.

Как оформить прикрепление?

Для этого необходимо с заявлением о выборе обратиться в ту медицинскую организацию, к которой гражданин хочет прикрепиться для обслуживания, и представить указанные в Порядке документы. Это документ, удостоверяющий личность (паспорт или свидетельство о рождении ребенка), и полис обязательного медицинского страхования. Для иностранных граждан и лиц без гражданства постоянно или временно проживающих в России требуется предоставить документы, подтверждающие легитимность нахождения на территории Российской Федерации. В отношении граждан, не достигших совершеннолетия, или недееспособных лиц выбор делают родители или другие законные представители.

В дальнейшем поликлиника сама проинформирует медицинскую организацию, в которой застрахованный гражданин наблюдался ранее, и страховую компанию о принятии пациента на обслуживание.

Важно: гражданам, которые не намерены изменять прикрепление, и хотят обслуживаться в той же поликлинике, в которой они обслуживались ранее, нет необходимости тратить время на оформление прикрепления. Они считаются прикрепленными к тому амбулаторному учреждению и врачу, у которого уже обслуживаются. Изменить прикрепление можно не чаще чем один раз в год, кроме случаев изменения места жительства или места пребывания гражданина.

Выбираем участкового врача

При осуществлении выбора медицинской организации, оказывающей первичную медико-санитарную помощь, застрахованный должен быть ознакомлен с перечнем врачей-терапевтов, врачей-педиатров и врачей общей (семейной практики) или фельдшеров, работающих в этой поликлинике. Гражданина должны проинформировать о количестве пациентов, уже выбравших того или иного врача и о территориях обслуживания (врачебных участках) указанных медицинских работников при оказании медицинской помощи на дому, чтобы он мог сделать обоснованный выбор.

Как реализуется право выбора на последующих этапах лечения?

Выбор для получения первичной специализированной медико-санитарной помощи, то есть оказываемой «узкими» специалистами поликлиники, например, кардиологом, окулистом, хирургом и другими или в дневном стационаре осуществляется по направлению участкового (семейного) врача, фельдшера или врача-специалиста, а также по самообращению. 

Для получения плановой специализированной медицинской помощи в стационарных условиях и в условиях дневного стационара выбор медицинской организации осуществляется по направлению лечащего врача. В случае, если в реализации территориальной программы принимают участие несколько медицинских организаций, оказывающих медицинскую помощь по соответствующему профилю, лечащий врач обязан проинформировать гражданина о возможности выбора медицинской организации. Выдавая направление, пациенту предоставляется информация об очередности и сроках ожидания медицинской услуги или госпитализации. Территориальной программой ОМС на 2012 год установлен срок ожидания — 14 календарных дней. Если пациент выбирает медицинскую организацию, в которой срок ожидания превышает установленный, направивший врач делает об этом отметку в медицинской документации и медицинская помощь будет оказана пациенту в порядке очередности.

Экстренная или неотложная медицинская помощь оказывается гражданам с учетом соблюдения установленных требований к срокам ее оказания.

Выбор врача осуществляется с учетом его согласия. Право выбора медицинской организации не является безусловным и абсолютным, его реализация осуществима только в определенных условиях (территориальное расположение медицинской организации, возможности коечного фонда стационара, нагрузка врача и т. д.). Для того чтобы избежать конфликтов, необоснованных обвинений, необходимо обсудить возможность выбора с лечащим врачом, администрацией медицинской организации, обратиться за разъяснением в свою страховую медицинскую организацию.

 

(PDF) Разработка и валидация алгоритма с использованием административных данных здравоохранения для определения привязанности пациента к поставщикам первичной медико-санитарной помощи С., Рейд С., Джаббур М., Пуарье С.,

Моро, К.А. и Барроумен, Н. (2015), «Понимание визитов в педиатрическое отделение неотложной помощи

в условиях низкой остроты», Plos One [Электронный ресурс], Vol. 10 № 6, с. e0128927.

Фернандес, К.М., Маклеод, С., Краузе Дж., Шах А., Джуэлл Дж., Смит Б. и Роллинз Л. (2013 г.), «Надежность

Канадской шкалы сортировки и остроты зрения: межэкспертное и внутриэкспертное соглашение от сообщества

и академическое отделение неотложной помощи», CJEM, Vol. 15 № 4. С. 227-232. doi: 10.

2310/8000.2013.130943.

Стекольщик Р.Х., Загорский Б.М. и Рейнер, Дж. (2012 г.), Сравнение моделей первичной медико-санитарной помощи в Онтарио по

Демография, сочетание случаев и использование отделений неотложной помощи, 2008/09–2009/10 ICES

Отчет о расследовании, Институт клинических оценочных наук, Торонто.

Правительство Канады (nd), «Система здравоохранения Канады», доступно по адресу: https://www.canada.ca/en/

health-canada/services/health-care-system/reports-publications/health -care-system/canada.html.

Гуттманн А., Шипман С.А., Лам К., Гудман Д.К. и Штукель Т.А. (2010), «Первичная медико-санитарная помощь

снабжение врачей и использование, доступ и результаты медицинского обслуживания детей: данные из Канады»,

Pediatrics, Vol. 125 № 6, стр. 1119-1126.

Хэй, К., Пейси М., Бейнс Н. и Ардал С. (2010 г.), «Понимание незамужней популяции в

Онтарио: данные исследования доступа к первичной медицинской помощи (PCAS)», Healthcare Policy 5Politiques

de sante, Vol. . 6 № 2, стр. 33-47.

ICES, Privacy at ICES (n.d.), доступно по адресу: https://www.ices.on.ca/Data-and-Privacy/Privacy-at-ICES

(по состоянию на 20 апреля 2020 г.).

Jaakkimainen, L., Schultz, S.E., Klein-Geltink, J.E., Thiruchelvam, D. и Kopp, A. (2006), «Амбулатория

, врачебная помощь взрослым и гутман A, schultz SE, Jaakkimainen L.Первичная медико-санитарная помощь для

детей», в Яаккимайнен Л., Апшур Р., Кляйн-Гельтинк Дж.Э., Леонг А., Маатен С., Шульц С.Е.

и Ван, Л. (редакторы), Первичная помощь в Онтарио: Атлас ICES, Институт клинической оценки

Науки, Торонто.

Джи, С.Х. и Кабана, доктор медицины (2006 г.), «Показатели непрерывности медицинской помощи: систематический обзор литературы

», Исследование и обзор медицинской помощи, Vol. 63 № 2, с. 158-188, doi: 10.1177/

1077558705285294.

Кац А., Де Костер К., Богданович Б., Судин Р.А. и Шато, Д. (2004), Использование административных данных

для разработки показателей качества в семейной практике, Центр политики здравоохранения Манитобы,

Университет Манитобы, Виннипег.

Краль, Б. (2000), «Измерение «сельской местности» для целей планирования здравоохранения: эмпирический показатель для

Онтарио», Ontario Medical Review, Vol. 67, стр. 33-5219.

Ласко, Т. А., Атлас, С. Дж., Барри, М. Дж. и Чуэ, Х.C. (2006), «Автоматическая идентификация

первичных пациентов врача», Журнал Американской ассоциации медицинской информатики, Vol. 13 № 1, стр. 74-79.

Марчилдона, Г.П. и Хатчисон Б. (2016 г.), «Первичная медико-санитарная помощь в Онтарио, Канада: новые предложения после 15

лет реформ», Health Policy, Vol. 120, стр. 732-738.

Марилиса Тидеманн (2020 г.), отдел по правовым и социальным вопросам. Парламент и информационные исследования

Услуги. Обзор Закона о здравоохранении Канады (справочный документ), публикация No.2019-54-E,

Парламентская библиотека, Оттава (по состоянию на 17 декабря 2019 г.).

Маклеод Л., Бакли Г. и Свитман А. (2016 г.), «Модели первичной медико-санитарной помощи Онтарио: описательное исследование»,

CMAJ Open, ноябрь, том. 114 № 4, стр. E679-E688, doi: 10.9778/cmajo.20160069.

Ассоциация практикующих медсестер Онтарио (без даты), доступно по адресу: https://npao. org/about-npao/clinics/.

Оле, Р., Оле, М. и Перри, Дж.Дж. (2017), «Факторы, связанные с выбором отделения неотложной помощи

в качестве основного пункта доступа к медицинской помощи: перекрестное исследование населения Канады», CJEM,

Can., Том. 19 № 4, стр. 271-276.

Olsen, CG, Boltri, JM, Amerine, J. and Clasen, ME (2017), «Отсутствие врача первичной медико-санитарной помощи связано с усилением

страданий пациентов с тяжелыми психическими заболеваниями», Journal of Primary

Prevention, Том. 38 № 6, стр. 583-596.

Пациент

приложение

к основному лечащему врачу

Как сделать программные алгоритмы для справедливого здравоохранения

Алгоритмы машинного обучения и программное обеспечение искусственного интеллекта помогают организациям анализировать большие объемы данных для улучшения процесса принятия решений, и эти инструменты все чаще используются в больницах для принятия решений о лечении и повышения эффективности. Алгоритмы «обучаются», выявляя закономерности в данных, собранных за многие годы. Итак, что происходит, когда анализируемые данные отражают историческую предвзятость в отношении уязвимых групп населения? Могут ли эти алгоритмы способствовать дальнейшей предвзятости, ведущей к неравенству в здравоохранении?

Маршалл Чин, доктор медицины, магистр здравоохранения, семейный профессор этики здравоохранения Ричарда Паррильо в Медицинском университете Чикаго, работает над обеспечением справедливости во всех областях системы здравоохранения, включая анализ данных.В течение трех десятилетий он работал над изучением и разработкой решений, направленных на устранение различий в состоянии здоровья. Чин недавно объединился с группой специалистов по данным из Google, чтобы написать статью в Annals of Internal Medicine , в которой обсуждается, как поставщики медицинских услуг могут сделать эти мощные новые алгоритмы более справедливыми и равноправными. Мы поговорили с ним об использовании машинного обучения в здравоохранении и о том, как врачи и пациенты могут обеспечить справедливость на каждом этапе процесса принятия решений.

Насколько широко такие алгоритмы сейчас используются в здравоохранении?

В разных условиях они различаются, но они все чаще используются для клинической помощи, например для чтения рентгеновских снимков и изображений для диагностики таких заболеваний, как заболевания глаз или рак кожи. Они также используются с точки зрения бизнеса для анализа медицинских карт и страховых случаев, чтобы повысить эффективность организации и снизить затраты.

Как вы думаете, люди понимают, как программное обеспечение и алгоритмы используются для определения их ухода?

Фраза «большие данные» популярна, потому что о нас всех собрано так много данных, будь то данные о здоровье или в Интернете.Большие данные — мощный инструмент, но нам необходимо четко и ясно обсудить этические последствия того, как программное обеспечение может анализировать и использовать большие данные. Эти проблемы до сих пор скрыты от большинства людей.

Приведите пример того, как алгоритмы могут создать неравенство в сфере здравоохранения?

Приведу пример, который мы включили в нашу статью. В Чикагском медицинском университете есть выдающаяся группа по анализу данных, и одна из их задач — создание алгоритмов для анализа данных в электронных медицинских записях.Один из проектов, над которым они работают, заключается в том, чтобы помочь сократить продолжительность пребывания пациентов в стационаре, потому что в интересах каждого, чтобы пациенты отправлялись домой, как только они будут готовы уйти. Мысль заключалась в том, что если мы сможем определить пациентов, которые, скорее всего, будут выписаны раньше, мы можем назначить куратора, чтобы убедиться, что нет дополнительных препятствий или барьеров, которые могли бы помешать им своевременно покинуть больницу.

Мы должны сделать равенство и улучшение здоровья каждого явными целями, а затем строить системы для достижения этих целей.

Группа аналитики данных сначала разработала алгоритмы на основе клинических данных, а затем обнаружила, что добавление почтового индекса, по которому проживает пациент, повысило точность модели, определяющей тех людей, у которых был бы более короткий срок пребывания. Проблема в том, что когда вы добавляете почтовый индекс, если вы живете в бедном районе или районе с преобладанием афроамериканцев, у вас, скорее всего, будет более длительный срок пребывания. Таким образом, алгоритм привел бы к парадоксальному результату: больница предоставила бы дополнительные ресурсы для ведения пациентов преимущественно белому, более образованному и состоятельному населению, чтобы выписать их из больницы раньше, а не более социально уязвимым группам населения, которые действительно должны быть теми, кто получает больше помощи.

Что произошло после того, как они это обнаружили?

К их чести, когда группа анализа данных увидела это, они были в ужасе от последствий того, что могло произойти. В итоге они работали с Джеймсом Уильямсом, директором по разнообразию, инклюзивности и справедливости, и нашим комитетом по разнообразию и справедливости в UCM. Они стали сторонниками разработки формальных систем, чтобы обеспечить четкое рассмотрение этих вопросов справедливости при разработке алгоритмов, а также то, как они могут активно использовать машинное обучение для повышения справедливости.

Итак, на том местном примере стало ясно, что это не просто абстрактный теоретический вопрос. Это происходит здесь и, вероятно, во многих других местах, находящихся под радаром. Я думаю, что многие организации здравоохранения не пытаются преднамеренно делать вещи, которые усугубят неравенство, но очевидно, что может произойти много непреднамеренных плохих вещей. Вероятно, очень немногие организации активно используют эти инструменты для улучшения результатов для всех.

Как неравенство проникает в алгоритмы? Это потому, что входные данные не являются репрезентативными для разных групп людей? Или это отражает историческую предвзятость?

Вы можете подумать о трех сегментах, вызывающих проблемы.Одним из них являются сами данные. Второе — это алгоритмы, а третье — как эти алгоритмы используются.

Вы упомянули, что данные могут быть необъективными. Например, бедные слои населения могут иметь более разбросанную, фрагментарную помощь. Они могут приезжать сюда для госпитализации и обращаться в больницу округа Строгер-Кук для чего-то другого, в отличие от некоторых более состоятельных пациентов, которые имеют здесь постоянный источник ухода. Таким образом, если вы строите алгоритмы только на основе данных UCM, у вас будет более полный набор данных для более состоятельных пациентов.Вполне вероятно, что любые прогнозы, которые вы делаете на основе неполных данных, не столь точны.

Существует также проблема сохранения исторических предубеждений. Например, у пациентов из числа расовых и этнических меньшинств могут быть иные, чем в учебнике, психиатрические определения психических заболеваний. Итак, если вы с самого начала используете ошибочные критерии, вы закрепляете неверные диагнозы. Другим примером может быть что-то вроде ишемической болезни сердца, когда женщины, как правило, диагностируются реже, чем мужчины.Если вы используете критерии недодиагностики женщин, возможно, вы встраиваете в свою формулу постоянно предвзятую недодиагностику женщин.

Как предотвратить эти несправедливые исходы?

Вспомните эти три блока данных, сами формулы и то, как эти формулы используются. Во-первых, имейте в виду, что данные могут быть проблемой. Вы работаете с достоверными наборами данных? У вас есть неполные данные о группах риска? Используете ли вы данные, основанные на ошибочных диагнозах и ошибочных этикетках? Это важный первый шаг.

Вторым шагом будет изучение того, как на самом деле разрабатываются модели. Здесь есть технические способы разработки алгоритмов для продвижения определенных принципов этической справедливости. Вы можете создавать алгоритмы, которые обеспечат одинаковые результаты для двух популяций, и вы можете убедиться, что технические характеристики модели справедливы. Таким образом, если есть проблема, когда алгоритмы диагностируют афроамериканцев по какому-либо заболеванию, вы можете изменить параметры формул, чтобы сделать их более точными.

Еще один способ обеспечить справедливость — скорректировать формулы так, чтобы у вас было равное распределение ресурсов. Предыдущий пример о назначении кураторов, помогающих людям быстрее вернуться домой из больницы, является хорошим примером. Вы можете изменить пороговые значения для тех, кто соответствует этим формулам, чтобы уравнять распределение фактических ресурсов между различными группами.

Откуда вы знаете, что это работает?

Вы можете сделать все возможное, пытаясь разработать хорошую формулу, но вам все равно придется следить за тем, что происходит в реальной жизни, третье ведро для предотвращения несправедливых результатов.Это включает в себя мониторинг данных на предмет неравенства, а также общение с поставщиками медицинских услуг, пациентами и администраторами, чтобы определить, видят ли они какие-либо проблемы со справедливостью. Одна вещь, которую мы рекомендуем, — это иметь пациентов за столом, поскольку мы разрабатываем эти алгоритмы, которые в конечном итоге повлияют на их жизнь.

Программное обеспечение

отражает людей, которые его пишут, поэтому важно помнить об этих проблемах справедливости. На каждом этапе пути мы должны проверять, не приведет ли алгоритм к несправедливому результату.Какие плохие вещи могут произойти непреднамеренно и как мы можем заранее выпекать так, чтобы это принесло пользу всем? И это требует пристального внимания к каждому шагу: выбору данных, разработке формулы, а затем развертыванию алгоритма и отслеживанию того, как он используется.

Мы должны сделать равенство и улучшение здоровья каждого явными целями, а затем строить системы для достижения этих целей. Мы должны строить конкретные шаги, где есть шанс для саморефлексии: то, что мы делаем, способствует справедливости для всех, или мы непреднамеренно ухудшили ситуацию?

10 АЛГОРИТМОВ, МЕНЯЮЩИХ ЗДРАВООХРАНЕНИЕ

Основное определение алгоритма простое: пошаговый набор инструкций для решения проблемы или выполнения задачи.Рецепт печенья с шоколадной крошкой — это алгоритм. Методы «дробления» или «десятичной автобусной остановки» для выполнения деления в длину — это алгоритмы. За некоторыми из величайших достижений в мировой истории стоят гораздо более сложные алгоритмы.

Сегодня алгоритмы повсюду. Они являются мозгом, стоящим за смартфонами, электронной почтой и Wi-Fi. Без них не было бы онлайн-покупок или скачивания MP3 — не говоря уже о Facebook или Google. Незаметно работая в фоновом режиме, они могут предсказывать преступления и курсы акций, предлагать фильмы, которые могут нам понравиться, и связывать нас с людьми, которых мы знаем. Они даже привели к открытию новых планет. Фактически, Кристофер Штайнер, автор книги «Автоматизируйте это: как алгоритмы стали править нашим миром», называет тех, кто разрабатывает алгоритмы, «выдающимися предпринимателями этого поколения».

Имея это в виду, мы задались вопросом: какие алгоритмы меняют правила игры в здравоохранении? Ни один рейтинг не идеален. Наши обязательно вызовут инакомыслие. Но не позволяйте нам быть судьей. Расскажите, что у вас в топ-10?

Преобразование Фурье называют одним из важнейших алгоритмов нашего времени.Это математический метод разбиения сложных сигналов на основные компоненты. Это позволяет техническим специалистам, например, видеть колебания напряжения в проводе, соединяющем микрофон с громкоговорителем. Поскольку он сводит сигнал к короткому списку чисел, он также используется для сжатия аудиофайлов и файлов изображений в портативные пакеты (MP3 и JPEG). Без него не было бы медицинской визуализации. Магнитно-резонансные и ультразвуковые аппараты не могли превратить необработанные данные в изображения, которые позволили бы врачам заглянуть внутрь нашего тела, чтобы диагностировать и лечить кровотечения и переломы костей, разрывы, опухоли и многое другое.

Почти невозможно представить мир без Интернета или описать множество способов, которыми Интернет изменил здравоохранение. Но не было бы Интернета без TCP/IP или протокола управления/интернет-протокола. Это лингва-франка для компьютеров. Еще в конце 60-х не было настольных компьютеров, только массивные мэйнфреймы, большинство из которых принадлежало университетам и военным. Поскольку они не были построены по общему стандарту, данные можно было передавать только вручную и в согласованном формате.Протокол TCP/IP был создан правительством США, чтобы заставить системы говорить.

Если бы не RSA, аббревиатура, основанная на именах трех ее изобретателей, медицинские записи до сих пор могли бы быть заперты в картотеках, отправлены по почте и факсу. Этот алгоритм, разработанный в 1970-х годах военными для защиты от хакеров, обеспечивает безопасную передачу цифровых данных. Это был один из первых реальных алгоритмов шифрования, а шифрование является ключом к безопасному обмену электронными медицинскими картами.

Массачусетская многопрофильная больница Utility Multi-Program System, или M, была разработана в лаборатории животных в конце 1960-х годов. Это язык компьютерного программирования, созданный для отрасли здравоохранения и до сих пор используемый во многих больницах и банках. Это был один из первых языков, на котором компьютеры могли запускать несколько программ одновременно. Сегодня на нем работает вся система управления медицинскими картами Управления здравоохранения ветеранов и Epic, крупнейшая в Америке компания по разработке программного обеспечения для электронных медицинских карт.

Если вы врач, лечащий Джона Сильвера, какая вам польза от электронных медицинских карт Джона Сильвера? Многие компьютерные поиски являются детерминированными, побайтовое сравнение с нулевой терпимостью к типографским ошибкам или ошибкам ввода данных. Вероятностные алгоритмы ищут различные фрагменты информации в медицинских записях, а затем ранжируют их в соответствии с вероятностью их принадлежности Джону. Они используются для получения клинических данных и помощи в исследованиях. Например, вероятностный алгоритм, классификатор Ниаве Байеса, используется для обновления оценки вероятности — или предоставления дополнительных доказательств — для исследовательской гипотезы.В сочетании с генетическим секвенированием это позволяет биологам лучше понять эволюционные отношения между видами или популяциями — проследить филогенетические отношения в основных ветвях дарвиновского древа жизни

.

Высокопроизводительное секвенирование открыло новую эру генетических открытий, позволив дешево и быстро находить мутации среди 3 миллиардов пар оснований человеческого генома. Однако выявление мутаций — это только первый шаг. На долю биологов выпадает задача с помощью компьютерных алгоритмов разобраться в растущем массиве данных, выяснить, какие гены и белки вызывают болезни и как.Главным среди этих алгоритмов является инструмент поиска BLAST (Basic Local Alignment Search Tool). Алгоритм поиска BLAST выполняет это, сравнивая последовательность с библиотекой или базой данных последовательностей и соответствующими научными статьями. По данным журнала Nature, публикации о BLAST занимают 12-е и 14-е места в списке 100 самых цитируемых научных статей всех времен. Однако BLAST превосходит Clustal, аналогичную программу для одновременного выравнивания нескольких последовательностей, согласно Nature.

№ 20 в списке самых цитируемых научных работ журнала Nature — это исследование, объясняющее алгоритм «присоединения к соседям», который в сочетании с генетическим секвенированием позволяет биологам лучше понять эволюционные отношения между видами или популяциями — проследить филогенетические отношения внутри основных ветвей древа жизни. Филогенетические деревья используются при разработке лекарств, чтобы, например, идентифицировать близкородственные природные химические соединения, предположительно обладающие лечебной ценностью.Филогенетические деревья патогенов помогают ученым понять адаптивную эволюцию бактерий, вирусов и паразитов — то, как они заражают хозяев, подрывают иммунную систему и сопротивляются лечению.

Каждый день мы выполняем десятки поисковых запросов в Интернете с помощью Google или Bing. Независимо от платформы, это сложный алгоритм, известный как «ранг страницы», который выполняет работу, просматривая Интернет в поисках страниц, содержащих введенные вами ключевые слова, а затем ранжируя их на основе таких факторов, как их местоположение или частота использования.«Гугление» отвечает на наши животрепещущие вопросы или, по крайней мере, дает нам начало. Но помогло ли это или повредило здравоохранению? Это, безусловно, демократизировало его и сделало больше информации доступной для пациентов.

Пилоты самолетов используют контрольные списки для защиты от ошибок и полагаются на формулы, чтобы проложить правильную скорость и траекторию, чтобы безопасно доставить самолет к месту назначения. С ростом осведомленности о врачебных ошибках, которые, как считается, являются причиной более 100 000 смертей в год, медицинские работники теперь используют те же стратегии для оказания помощи. Медицинский алгоритм может быть таким же простым, как справочная таблица или дерево решений (если симптомы A, B и C очевидны, тогда используйте лечение X). Или это может быть так же сложно, как программирование механических вентиляторов. Медицинские алгоритмы устраняют некоторую неопределенность при принятии медицинских решений и повышают эффективность и точность команд поставщиков медицинских услуг. Они разрабатываются провайдерами для провайдеров, основаны на фактах и ​​данных.

Системы подсчета баллов, такие как Apgar для оценки состояния новорожденного при рождении или APACHE для определения тяжести состояния пациентов в реанимации, помогают врачам контролировать и прогнозировать прогноз пациента на основе множества факторов, от частоты сердечных сокращений и уровня кислорода до неврологических рефлексов.Это система целостного наблюдения за пациентом, прогноз или измеритель состояния здоровья.

Автор: Kirsten Stewart

Кирстен Стюарт — автор медицинских статей в Университете медицинских наук штата Юта

Большие медицинские данные: обеспечение безопасности и конфиденциальности | Journal of Big Data

Изменения — это новая норма для глобального сектора здравоохранения. На самом деле оцифровка данных о здоровье и пациентах претерпевает кардинальные и фундаментальные изменения в клинических, операционных и бизнес-моделях и в целом в мире экономики в обозримом будущем.Этот сдвиг вызван старением населения и изменением образа жизни; распространение программных приложений и мобильных устройств; инновационные методы лечения; повышенное внимание к качеству и ценности ухода; и доказательная медицина в отличие от субъективных клинических решений — все это приводит к значительным возможностям для поддержки клинических решений, улучшения оказания медицинской помощи, управления и разработки политики, наблюдения за заболеванием, мониторинга нежелательных явлений и оптимизации лечения заболеваний, поражающих несколько органов. системы [1, 2].

Как отмечалось выше, аналитика больших данных в здравоохранении несет в себе множество преимуществ, обещаний и открывает большой потенциал для преобразования здравоохранения, но при этом возникает множество барьеров и проблем. Действительно, опасения по поводу безопасности и конфиденциальности больших медицинских данных растут с каждым годом. Кроме того, организации здравоохранения обнаружили, что реактивный, восходящий, ориентированный на технологии подход к определению требований безопасности и конфиденциальности недостаточен для защиты организации и ее пациентов [3].

Исходя из этого, необходимы новые информационные системы и подходы для предотвращения утечек конфиденциальной информации и других инцидентов безопасности, чтобы эффективно использовать большие медицинские данные.

В этом документе мы обсуждаем некоторые интересные связанные работы и представляем риски для безопасности больших данных о здоровье, а также некоторые новые технологии для устранения этих рисков. Затем мы сосредоточимся на проблеме конфиденциальности больших данных в здравоохранении, упомянув различные законы и правила, установленные различными регулирующими органами, и указав на некоторые возможные методы, используемые для обеспечения конфиденциальности пациентов. После этого мы представляем некоторые предлагаемые методы и подходы, о которых сообщалось в литературе, для борьбы с рисками безопасности и конфиденциальности в здравоохранении, а также определяем их ограничения. Наконец, мы предлагаем выводы и выделяем будущие направления.

Успешные сопутствующие работы

Бесшовная интеграция самых разнообразных технологий обработки больших данных в здравоохранении может не только позволить нам получить более глубокое представление о клинических и организационных процессах, но также ускорить и повысить безопасность обслуживания пациентов, повысить эффективность и улучшить поток пациентов, безопасность, качество обслуживания и общее впечатление о пациенте независимо от того, насколько это дорого.

Так было в случае с South Tyneside NHS Foundation Trust, поставщиком неотложных и общественных медицинских услуг на северо-востоке Англии, который понимает важность предоставления высококачественной, безопасной и сострадательной помощи пациентам в любое время, но нуждается в лучшем понимании как его больницы работают, чтобы улучшить распределение ресурсов и время ожидания, а также обеспечить раннее выявление любых проблем и принятие мер [4].

Другим примером является UNC Health Care (UNCHC), некоммерческая интегрированная система здравоохранения в Северной Каролине, которая внедрила новую систему, позволяющую врачам быстро получать доступ и анализировать неструктурированные данные о пациентах с использованием обработки естественного языка.Фактически, UNCHC получил доступ и проанализировал огромное количество неструктурированного контента, содержащегося в медицинских картах пациентов, для извлечения информации и предикторов риска повторной госпитализации для своевременного вмешательства, обеспечения более безопасного ухода за пациентами с высоким риском и сокращения повторных госпитализаций [5].

Кроме того, в Соединенных Штатах некоммерческая организация Indiana Health Information Exchange обеспечивает безопасную и надежную технологическую сеть медицинской информации, связывающую более 90 больниц, общественных клиник, реабилитационных центров и других поставщиков медицинских услуг в Индиане. .Это позволяет медицинской информации следить за пациентом, размещенным в одном кабинете врача или только в больничной системе [6].

Еще одним примером является медицинская сеть Kaiser Permanente, базирующаяся в Калифорнии. Он насчитывает более 9 миллионов членов, которые, по оценкам, могут управлять большими объемами данных размером от 26,5 петабайт до 44 петабайт. [7].

Аналитика больших данных используется также в Канаде, напр. детская больница Торонто. В этой больнице удалось улучшить исходы для новорожденных, склонных к серьезным внутрибольничным инфекциям.Другим примером является проект Artemis, который представляет собой платформу для мониторинга новорожденных, разработанную благодаря сотрудничеству между IBM и Технологическим институтом Онтарио. Он поддерживал сбор и хранение физиологических данных пациентов и данных клинической информационной системы для целей онлайн-анализа и анализа в реальном времени, ретроспективного анализа и интеллектуального анализа данных [8].

В Европе и именно в Италии итальянское агентство лекарственных средств собирает и анализирует большой объем клинических данных о дорогих новых лекарствах в рамках национальной программы повышения рентабельности. По результатам он может провести переоценку цен на лекарства и условий доступа на рынок [9].

В области мобильного здравоохранения Всемирная организация здравоохранения запустила проект «Будь здоров, будь мобильным» в Сенегале и в рамках инициативы mDiabetes поддерживает страны в создании крупномасштабных проектов, использующих мобильные технологии, в частности обмен текстовыми сообщениями и приложения. , для контроля, профилактики и лечения неинфекционных заболеваний, таких как диабет, рак и болезни сердца [10]. mDiabetes — это первая инициатива, использующая широко распространенные мобильные технологии для предоставления миллионам сенегальцев медицинской информации и расширения доступа к знаниям и уходу.Инициатива, запущенная в 2013 году в Коста-Рике, которая была официально выбрана в качестве первой страны, работает над программой mCessation for Tab для предотвращения курения и помощи курильщикам в отказе от курения, программой mCervical Cancer в Замбии и планирует развернуть mHypertension и mWellness. программы в других странах.

После Европы, Канады, Австралии, России и Латинской Америки компания Sophia Genetics [11], мировой лидер в области медицины, основанной на данных, объявила на недавнем ежегодном собрании Американского колледжа медицинской генетики и геномики (ACMG) в 2017 г., что ее Искусственный интеллект был принят африканскими больницами для улучшения ухода за пациентами по всему континенту.

В Марокко, например, PharmaProcess в Касабланке, ImmCell, Онкологический центр Аль-Азхар и Биологический центр Риад в Рабате — это медицинские учреждения, находящиеся в авангарде инноваций, которые начали интегрировать Sophia для ускорения и анализа геномных данных для выявления болезнетворных мутации в геномных профилях пациентов и принять решение о наиболее эффективном лечении. Как новые пользователи SOPHIA, они становятся частью более крупной сети из 260 больниц в 46 странах, которые обмениваются клиническими знаниями о случаях заболевания и популяциях пациентов, что пополняет базу знаний биомедицинских результатов для ускорения диагностики и лечения [12].

В то время как автоматизация привела к улучшению рабочего процесса ухода за пациентами и снижению затрат, она также увеличивает объем медицинских данных, что увеличивает вероятность нарушений безопасности и конфиденциальности. В 2016 году CynergisTek выпустила седьмой ежегодный отчет Redspin о нарушениях: Защищенная медицинская информация (PHI) [13], в котором сообщается, что хакерские атаки на поставщиков медицинских услуг увеличились на 320% в 2016 году и что 81% записей взломаны в 2016 году. конкретно от хакерских атак. Кроме того, программы-вымогатели, определяемые как тип вредоносных программ, которые шифруют данные и удерживают их в заложниках до тех пор, пока не будет удовлетворен запрос о выкупе, считаются наиболее серьезной угрозой для больниц.Дополнительные выводы этого отчета включают:

  • 325 крупных нарушений PHI, скомпрометировавших 16 612 985 индивидуальных записей пациентов.

  • 3 620 000 взломанных записей пациентов в результате самого крупного инцидента в году.

  • 40% инцидентов с крупными нарушениями были связаны с несанкционированным доступом/раскрытием.

Эти данные указывают на острую необходимость того, чтобы поставщики услуг применяли гораздо более активный и комплексный подход к защите своих информационных ресурсов и борьбе с растущей угрозой, которую кибератаки представляют для здравоохранения.

Появилось несколько успешных инициатив, призванных помочь отрасли здравоохранения постоянно улучшать свои возможности по защите информации о пациентах.

Например, в январе 2014 года Белый дом во главе с советником президента Обамы Джоном Подестой провел 90-дневную проверку больших данных и конфиденциальности.Обзор дал конкретные рекомендации по максимизации преимуществ и минимизации рисков больших данных [14, 15], а именно:

  • Внимание политики должно быть больше сосредоточено на фактическом использовании больших данных и меньше на их сборе и анализе. Такие существующие политики вряд ли приведут к эффективным стратегиям улучшения конфиденциальности или масштабируемости с течением времени.

  • Политика, касающаяся защиты конфиденциальности, должна решать цель, а не предписывать механизм.

  • Необходимы исследования в области технологий, которые помогают защитить конфиденциальность, социальных механизмов, влияющих на поведение, направленное на сохранение конфиденциальности, и правовых вариантов, устойчивых к изменениям в технологиях и создающих надлежащий баланс между экономическими возможностями, национальными приоритетами и защитой конфиденциальности.

  • Расширение возможностей для образования и обучения в области защиты конфиденциальности, включая возможности карьерного роста для профессионалов. Программы, которые обеспечивают образование, ведущее к экспертным знаниям в области конфиденциальности, необходимы и нуждаются в поощрении.

  • Защита конфиденциальности должна быть распространена на неграждан США, поскольку конфиденциальность является всемирной ценностью, которая должна отражаться в том, как федеральное правительство обрабатывает личную информацию от неграждан США [16].

Проект ОЭСР «Показатели качества здравоохранения» (HCQI) отвечает за план на 2013/2014 гг. по разработке инструментов, помогающих странам сбалансировать риски, связанные с конфиденциальностью данных, и риски, связанные с неразработкой и использованием медицинских данных.Этот план включает в себя разработку классификации рисков для различных типов и способов использования данных, а также перспективных практик, которые страны могут использовать для снижения рисков, непосредственно влияющих на повседневную жизнь каждого человека, и обеспечения возможности использования данных [17].

Вопросы конфиденциальности и безопасности больших данных

Безопасность и конфиденциальность больших данных являются важными вопросами. Конфиденциальность часто определяется как возможность защитить конфиденциальную информацию о медицинской информации, позволяющей установить личность. Он фокусируется на использовании и управлении личными данными отдельных лиц, таких как разработка политик и установление требований авторизации, чтобы гарантировать, что личная информация пациентов собирается, передается и используется правильным образом.В то время как безопасность обычно определяется как защита от несанкционированного доступа, причем некоторые из них включают явное упоминание о целостности и доступности. Основное внимание уделяется защите данных от пагубных атак и краже данных с целью получения прибыли. Хотя безопасность жизненно важна для защиты данных, ее недостаточно для обеспечения конфиденциальности. В таблице 1 основное внимание уделяется дополнительным различиям между безопасностью и конфиденциальностью.

Таблица 1 Различия между безопасностью и конфиденциальностью

Безопасность больших медицинских данных

В то время как организации здравоохранения хранят, поддерживают и передают огромные объемы данных для оказания эффективной и надлежащей помощи, их недостатками являются отсутствие технической поддержки и минимальная безопасность.Ситуацию усложняет то, что отрасль здравоохранения по-прежнему остается одной из наиболее уязвимых для публично раскрытых утечек данных. Фактически, злоумышленники могут использовать методы и процедуры интеллектуального анализа данных, чтобы обнаружить конфиденциальные данные и опубликовать их, и, таким образом, происходит утечка данных. В то время как реализация мер безопасности остается сложным процессом, ставки постоянно повышаются по мере того, как способы обхода средств контроля безопасности становятся все более изощренными.

Соответственно, очень важно, чтобы организации внедрили решения для обеспечения безопасности данных в сфере здравоохранения, которые защитят важные активы, а также удовлетворят требования соответствия требованиям здравоохранения.

A. Жизненный цикл безопасности больших данных

С точки зрения безопасности и конфиденциальности Kim et al. [18] утверждают, что безопасность больших данных относится к трем аспектам: безопасность данных, контроль доступа и информационная безопасность. В связи с этим организации здравоохранения должны внедрять меры и подходы к обеспечению безопасности для защиты своих больших данных, связанного с ними аппаратного и программного обеспечения, а также клинической и административной информации от внутренних и внешних рисков. В начале проекта необходимо установить жизненный цикл данных, чтобы гарантировать принятие соответствующих решений о сохранении, рентабельности, повторном использовании и аудите исторических или новых данных [19].

Язан и др. [20] предложили модель жизненного цикла безопасности больших данных, расширенную из Xu et al. [21]. Эта модель предназначена для рассмотрения фаз жизненного цикла больших данных и сопоставления угроз и атак, с которыми сталкивается среда больших данных, в рамках этих фаз, в то время как [21] рассматривается жизненный цикл больших данных с точки зрения роли пользователя: поставщик данных, сборщик данных, интеллектуальный анализ данных и принимающий решения. Модель, предложенная в [20], состоит из четырех взаимосвязанных фаз: фазы сбора данных, фазы хранения данных, обработки и анализа данных и создания знаний.

Кроме того, CCW (Хранилище данных о хронических заболеваниях) следует формальной модели жизненного цикла информационной безопасности, состоящей из четырех основных этапов, которые служат для выявления, оценки, защиты и мониторинга угроз безопасности данных пациентов. Эта модель жизненного цикла постоянно совершенствуется с упором на постоянное внимание и непрерывный мониторинг [21].

В этой статье мы предлагаем модель, которая сочетает этапы, представленные в [20], и этапы, упомянутые в [21], для обеспечения всеобъемлющих политик и механизмов, обеспечивающих устранение угроз и атак на каждом этапе жизненного цикла больших данных.На рис. 1 представлены основные элементы жизненного цикла больших данных в здравоохранении.

Рис. 1

Жизненный цикл безопасности больших данных в здравоохранении

  • Фаза сбора данных Это очевидный первый шаг. Он включает в себя сбор данных из разных источников в различных форматах. С точки зрения безопасности защита технологии больших медицинских данных является необходимым требованием на первом этапе жизненного цикла. Поэтому важно собирать данные из надежных источников, сохранять конфиденциальность пациентов (не должно быть попыток идентифицировать отдельных пациентов в базе данных) и обеспечивать безопасность и защиту этого этапа.Действительно, необходимо использовать некоторые зрелые меры безопасности, чтобы гарантировать, что все данные и информационные системы защищены от несанкционированного доступа, раскрытия, модификации, дублирования, утечки, уничтожения, потери, неправомерного использования или кражи.

  • Этап преобразования данных Когда данные доступны, первым шагом является фильтрация и классификация данных на основе их структуры и выполнение любых необходимых преобразований для проведения значимого анализа. В более широком смысле, фильтрация, обогащение и преобразование данных необходимы для повышения качества данных перед этапом аналитики или моделирования, а также для удаления или надлежащей обработки шума, выбросов, пропущенных значений, дублирующих экземпляров данных и т. д. С другой стороны, собранные данные могут содержать конфиденциальную информацию, поэтому крайне важно принимать достаточные меры предосторожности при преобразовании и хранении данных. Чтобы гарантировать безопасность собранных данных, данные должны оставаться изолированными и защищенными за счет обеспечения безопасности на уровне доступа и контроля доступа (с использованием обширного списка каталогов и баз данных в качестве центрального хранилища для учетных данных пользователей, шаблонов входа в систему, политик паролей). и настройки клиента) [22], а также определение некоторых мер безопасности, таких как подход к анонимизации данных, перестановка и разделение данных.

  • Этап моделирования данных После того, как данные собраны, преобразованы и сохранены в защищенных решениях для хранения, выполняется анализ обработки данных для получения полезных знаний. На этом этапе для выбора признаков и прогнозного моделирования можно использовать контролируемые методы интеллектуального анализа данных, такие как кластеризация, классификация и ассоциация. Кроме того, также существует несколько наборов методов обучения, которые повышают точность и надежность окончательной модели.С другой стороны, крайне важно обеспечить безопасную среду обработки. Фактически, на этом этапе основное внимание майнеров данных уделяется использованию мощных алгоритмов интеллектуального анализа данных, которые могут извлекать конфиденциальные данные. Следовательно, процесс интеллектуального анализа данных и сетевые компоненты в целом должны быть настроены и защищены от атак на основе интеллектуального анализа данных и любых нарушений безопасности, которые могут произойти, а также убедитесь, что на этом этапе работает только уполномоченный персонал. Этот процесс помогает устранить некоторые уязвимости и смягчить другие до более низкого уровня риска.

  • Этап создания знаний Наконец, на этапе моделирования появляется новая информация и ценные знания, которые должны использоваться лицами, принимающими решения. Эти созданные знания считаются конфиденциальными данными, особенно в конкурентной среде. Действительно, организации здравоохранения знают, что их конфиденциальные данные (например, личные данные пациентов) не должны публиковаться. Соответственно, соблюдение требований безопасности и проверка являются основной задачей на этом этапе.

На всех этапах жизненного цикла больших данных требуется хранение данных, целостность данных и контроль доступа к данным.

B. Используемые технологии

Для обеспечения безопасности и конфиденциальности больших медицинских данных используются различные технологии. Наиболее широко используемыми технологиями являются:

1) Аутентификация Аутентификация – это действие по установлению или подтверждению заявлений, сделанных субъектом или о нем, истинных и достоверных.Он выполняет жизненно важные функции в любой организации: обеспечивает доступ к корпоративным сетям, защищает личность пользователей и гарантирует, что пользователь действительно является тем, за кого себя выдает.

Аутентификация информации может создавать особые проблемы, особенно атаки типа «человек посередине» (MITM). Большинство криптографических протоколов включают ту или иную форму аутентификации конечной точки специально для предотвращения атак MITM. Например [23], безопасность транспортного уровня (TLS) и его предшественник, уровень защищенных сокетов (SSL), представляют собой криптографические протоколы, которые обеспечивают безопасность связи в таких сетях, как Интернет.TLS и SSL шифруют сегменты сетевых подключений на транспортном уровне от начала до конца. Несколько версий протоколов широко используются в таких приложениях, как просмотр веб-страниц, электронная почта, интернет-факс, обмен мгновенными сообщениями и передача голоса по IP (VoIP). Можно использовать SSL или TLS для аутентификации сервера с помощью взаимно доверенного центра сертификации. Методы хэширования, такие как SHA-256 [24] и механизм Kerberos, основанный на билете предоставления билета или сервисном билете, также могут быть реализованы для аутентификации. Кроме того, алгоритм Bull Eye можно использовать для мониторинга всей конфиденциальной информации на 360°. Этот алгоритм использовался для обеспечения безопасности данных и управления отношениями между исходными данными и реплицированными данными. Кроме того, только уполномоченному лицу разрешено читать или записывать важные данные. В статье [25] предлагается новая и простая модель аутентификации с использованием алгоритма одного блокнота. Это обеспечивает удаление передачи паролей между серверами. В системе здравоохранения как медицинская информация, предлагаемая поставщиками, так и личности потребителей должны проверяться при каждом доступе.

2) Шифрование Шифрование данных является эффективным средством предотвращения несанкционированного доступа к конфиденциальным данным. Его решения защищают и сохраняют право собственности на данные на протяжении всего их жизненного цикла — от центра обработки данных до конечной точки (включая мобильные устройства, используемые врачами, клиницистами и администраторами) и в облаке. Шифрование полезно, чтобы избежать таких взломов, как перехват пакетов и кража устройств хранения.

Организации или поставщики медицинских услуг должны гарантировать, что схема шифрования эффективна, проста в использовании как пациентами, так и медицинскими работниками и легко расширяема для включения новых электронных медицинских карт.Кроме того, количество ключей, которыми владеет каждая сторона, должно быть сведено к минимуму.

Хотя различные алгоритмы шифрования были разработаны и развернуты относительно хорошо (RSA, Rijndael, AES и RC6 [24, 26, 27], DES, 3DES, RC4 [28], IDEA, Blowfish…), правильный выбор подходящего шифрования алгоритмы обеспечения безопасного хранения остаются сложной проблемой.

3) Маскирование данных Маскирование заменяет конфиденциальные элементы данных неидентифицируемым значением. Это не настоящий метод шифрования, поэтому исходное значение не может быть возвращено из замаскированного значения.Он использует стратегию обезличивания наборов данных или маскировки личных идентификаторов, таких как имя, номер социального страхования, и подавления или обобщения квази-идентификаторов, таких как дата рождения и почтовый индекс. Таким образом, маскирование данных является одним из самых популярных подходов к анонимизации данных в реальном времени. k-анонимность, впервые предложенная Суони и Самрати [29, 30], защищает от раскрытия личности, но не защищает от раскрытия атрибутов. Трута и др. [31] представили p-чувствительную анонимность, которая защищает как от раскрытия личности, так и от раскрытия атрибутов.Другие методы анонимизации относятся к классам добавления шума к данным, замены ячеек в столбцах и замены групп из k записей k копиями одного представителя. Эти методы имеют общую проблему сложности анонимизации наборов данных большой размерности [32, 33].

Существенным преимуществом этого метода является снижение затрат на обеспечение безопасности при развертывании больших данных. Поскольку безопасные данные переносятся из безопасного источника на платформу, маскирование снижает потребность в применении дополнительных мер безопасности к этим данным, пока они находятся на платформе.

4) Контроль доступа После аутентификации пользователи могут войти в информационную систему, но их доступ по-прежнему будет регулироваться политикой контроля доступа, которая обычно основана на привилегиях и правах каждого практикующего врача, уполномоченного пациентом или доверенной третьей стороной. Это мощный и гибкий механизм для предоставления разрешений пользователям. Он предоставляет сложные элементы управления авторизацией, гарантирующие, что пользователи могут выполнять только те действия, на которые у них есть разрешения, такие как доступ к данным, отправка заданий, администрирование кластера и т. д.

Было предложено несколько решений для решения проблем безопасности и контроля доступа. Управление доступом на основе ролей (RBAC) [34] и управление доступом на основе атрибутов (ABAC) [35, 36] являются наиболее популярными моделями для EHR. RBAC и ABAC показали некоторые ограничения, когда они используются в медицинской системе по отдельности. В статье [37] также предлагается эффективная схема динамического контроля доступа для облачных хранилищ, основанная на CP-ABE и алгоритме симметричного шифрования (например, AES). Чтобы удовлетворить требования точного контроля доступа, но при этом сохранить безопасность и конфиденциальность, мы предлагаем использовать технологии в сочетании с другими методами безопасности, например. грамм. шифрование и методы контроля доступа.

5) Мониторинг и аудит Мониторинг безопасности собирает и исследует сетевые события для обнаружения вторжений. Аудит означает запись действий пользователей системы здравоохранения в хронологическом порядке, например, ведение журнала каждого доступа к данным и их модификации. Это две необязательные метрики безопасности для измерения и обеспечения безопасности системы здравоохранения [38].

Процедуры обнаружения и предотвращения вторжений для всего сетевого трафика довольно сложны.Для решения этой проблемы была разработана архитектура мониторинга безопасности путем анализа DNS-трафика, записей IP-потока, HTTP-трафика и данных приманки [39]. Предлагаемое решение включает в себя хранение и обработку данных в распределенных источниках посредством схем корреляции данных. На этом этапе были рассчитаны три показателя вероятности, чтобы определить, является ли доменное имя, пакет или поток вредоносным. В зависимости от оценки, полученной в результате этого расчета, в системе обнаружения возникает предупреждение или процесс завершается системой предотвращения. Согласно анализу производительности платформ больших данных с открытым исходным кодом в отношении электронных платежей компании, Spark и Shark дают более быстрые и стабильные результаты, чем Hadoop, Hive и Pig [40].

Системы безопасности сетей больших данных должны быстро находить аномалии и выявлять правильные предупреждения из разнородных данных. Поэтому была предложена модель системы мониторинга событий безопасности больших данных, состоящая из четырех модулей: сбор данных, интеграция, анализ и интерпретация [41].Сбор данных включает журналы безопасности и сетевых устройств, а также информацию о событиях. Процесс интеграции данных осуществляется путем фильтрации и классификации данных. В модуле анализа данных определяются корреляции и правила ассоциации для улавливания событий. Наконец, интерпретация данных предоставляет визуальные и статистические данные для базы данных знаний, которая принимает решения, прогнозирует поведение сети и ответные события.

Конфиденциальность больших медицинских данных

Вторжение в частную жизнь пациентов вызывает растущую озабоченность в области анализа больших данных в связи с появлением современных постоянных угроз и целенаправленных атак на информационные системы. В результате организации сталкиваются с проблемой решения этих различных дополнительных и критических вопросов. Инцидент, о котором сообщается в журнале Forbes, вызывает тревогу по поводу конфиденциальности пациентов [42]. В отчете упоминается, что Target Corporation отправила купоны на уход за ребенком девочке-подростку без ведома ее родителей. Этот инцидент побуждает аналитиков и разработчиков задуматься о конфиденциальности больших данных. Они должны иметь возможность убедиться, что их приложения соответствуют соглашениям о конфиденциальности и что конфиденциальная информация остается конфиденциальной независимо от изменений в приложениях и/или правилах конфиденциальности.

Конфиденциальность медицинских данных является важным фактором, который необходимо серьезно учитывать. В следующем абзаце мы приводим некоторые из законов о защите конфиденциальности во всем мире.

Законы о защите данных

Как никогда важно, чтобы организации здравоохранения управляли и защищали личную информацию, а также учитывали свои риски и юридические обязанности в связи с обработкой личных данных, чтобы справиться с растущим количеством применимого законодательства о защите данных. В разных странах действуют разные политики и законы в отношении конфиденциальности данных.Правила и законы о защите данных в некоторых странах, а также основные функции перечислены в Таблице 2 ниже.

Таблица 2 Законы о защите данных в некоторых странах

Методы сохранения конфиденциальности в больших данных

Здесь кратко описаны несколько традиционных методов сохранения конфиденциальности в больших данных. Хотя эти методы традиционно используются для обеспечения конфиденциальности пациента [43,44,45], их недостатки привели к появлению новых методов.

A. Деидентификация

Деидентификация — это традиционный метод запрета раскрытия конфиденциальной информации путем отклонения любой информации, которая может идентифицировать пациента, либо первым методом, требующим удаления определенных идентификаторов пациента, либо путем второй статистический метод, при котором пациент сам проверяет, что удалено достаточное количество идентификаторов. Тем не менее, злоумышленник может получить дополнительную внешнюю информационную помощь для деидентификации в больших данных. В результате деидентификации недостаточно для защиты конфиденциальности больших данных. Это может быть более осуществимо за счет разработки эффективных алгоритмов сохранения конфиденциальности, которые помогут снизить риск повторной идентификации. Понятия k-анонимности [46, 47, 48], l-разнообразия [47, 49, 50] и t-близости [46, 50] были введены для улучшения этой традиционной техники.

  • k анонимность В этой методике, чем выше значение k, тем ниже будет вероятность повторной идентификации.Однако это может привести к искажению данных и, следовательно, к большей потере информации из-за k-анонимизации. Кроме того, чрезмерная анонимность может сделать раскрываемые данные менее полезными для получателей, поскольку некоторые анализы становятся невозможными или могут давать предвзятые и ошибочные результаты. В k-анонимизации, если квазиидентификаторы, содержащие данные, используются для связи с другими общедоступными данными для идентификации людей, тогда будет раскрыт чувствительный атрибут (например, болезнь) как один из идентификаторов. Таблица 3 представляет собой неанонимную базу данных, состоящую из историй болезни пациентов какой-то вымышленной больницы в Касабланке.

    Таблица 3. Неанонимная база данных, состоящая из записей пациентов .

Эти данные содержат шесть атрибутов и пять записей. Есть два обычных метода достижения k-анонимности для некоторого значения k.

Первый — это подавление: в этом методе звездочка «*» может замещать определенные значения атрибутов.Все или некоторые значения столбца могут быть заменены знаком «*». В анонимизированной таблице 4 заменили каждое значение атрибута «Имя» и все значения атрибута «Религия» на «*».

Таблица 4 2-анонимность в отношении атрибутов «Рождение», «Пол» и «Почтовый индекс»

Второй метод — обобщение: в этом методе отдельные значения атрибутов заменяются более широкой категорией. Например, поле «Рождение» было обобщено до года (например, значение «21. 11.1972» атрибута «Рождение» может быть заменено годом «1972»).Поле почтового индекса также было обобщено для обозначения более широкой области (Касабланка).

Таблица 4 имеет 2-анонимность в отношении атрибутов «Рождение», «Пол» и «Почтовый индекс», поскольку для любого сочетания этих атрибутов, найденного в любой строке таблицы, всегда есть не менее двух строк с точно такими же атрибуты. Каждый кортеж «квазиидентификатора» встречается как минимум в k записях для набора данных с k-анонимностью. k-анонимные данные все еще могут быть беспомощны против таких атак, как атака с несортированным сопоставлением, временная атака и атака с дополнительным освобождением [50, 51].С другой стороны, сложность придания отношениям частных записей k-анонимности при минимизации объема неразглашаемой информации и одновременном обеспечении анонимности отдельных лиц вплоть до группы размером k и удержании минимального объема информации для достичь этого уровня конфиденциальности, и эта проблема оптимизации является NP-сложной [52].

Были предложены различные меры для количественной оценки потери информации, вызванной анонимизацией, но они не отражают фактическую полезность данных [53, 54].Поэтому мы движемся к L-разнообразной стратегии анонимизации данных.

  • L разнообразие Это форма групповой анонимизации, которая используется для защиты конфиденциальности в наборах данных за счет уменьшения детализации представления данных. Эта модель (различная, энтропийная, рекурсивная) [46, 47, 51] является расширением k-анонимности, в котором используются методы, включающие обобщение и подавление, для уменьшения детализации представления данных таким образом, чтобы любая заданная запись отображалась как минимум на k различные записи в данных.Модель l-разнообразия устраняет некоторые недостатки модели k-анонимности, в которой защищенные идентичности до уровня k-индивидуумов не равносильны защите соответствующих чувствительных ценностей, которые были обобщены или подавлены. Проблема с этим методом заключается в том, что он зависит от диапазона чувствительного атрибута. Если вы хотите сделать данные L-разнообразными, хотя чувствительный атрибут имеет не так много разных значений, необходимо вставить фиктивные данные. Эти фиктивные данные повысят безопасность, но могут привести к проблемам при анализе.В результате метод L-разнообразия также подвергается атакам асимметрии и подобия [51] и, следовательно, не может предотвратить раскрытие атрибутов.

  • T близость Является дальнейшим усовершенствованием анонимизации на основе групп l-разнообразия. Модель t-близости (равное/иерархическое расстояние) [46, 50] расширяет модель l-разнообразия, рассматривая значения атрибута отдельно, принимая во внимание распределение значений данных для этого атрибута.Основное преимущество этого метода заключается в том, что он перехватывает раскрытие атрибутов, а его проблема заключается в том, что по мере увеличения размера и разнообразия данных шансы на повторную идентификацию также возрастают.

B. HybrEx

Гибридная модель исполнения [55] — это модель обеспечения конфиденциальности и приватности в облачных вычислениях. Он использует общедоступные облака только для неконфиденциальных данных и вычислений организации, классифицируемых как общедоступные, т. е. когда организация заявляет об отсутствии риска для конфиденциальности и конфиденциальности при экспорте данных и выполнении вычислений с использованием общедоступных облаков, тогда как для конфиденциальных данных организации , частные данные и вычисления, модель выполняет их частное облако.Более того, когда приложению требуется доступ как к частным, так и к общедоступным данным, само приложение также разделяется и работает как в частном, так и в общедоступном облаке. Он учитывает конфиденциальность данных перед выполнением задания и обеспечивает интеграцию с безопасностью.

Четыре категории, в которых HybrEx MapReduce позволяет использовать новые виды приложений, использующих как общедоступные, так и частные облака, показаны на рис.  2:

Рис. 2

Четыре категории выполнения для HybrEx MapReduce [62]. Карта Гибрид. b Горизонтальное разбиение. c Вертикальное разделение. d Гибрид

  1. 1.

    Гибридное сопоставление (1a) Фаза сопоставления выполняется как в общедоступном, так и в частном облаке, а фаза сокращения выполняется только в одном из облаков.

  2. 2.

    Вертикальное разбиение (1b) Задачи сопоставления и сокращения выполняются в общедоступном облаке с использованием общедоступных данных в качестве входных данных, перемешивание промежуточных данных между ними и сохранение результата в общедоступном облаке. Та же работа выполняется в частном облаке с частными данными. Задания обрабатываются изолированно.

  3. 3.

    Горизонтальное разбиение (1c) Этап сопоставления выполняется только в общедоступных облаках, а этап сокращения выполняется в частном облаке.

  4. 4.

    Hybrid (1d ) Фаза сопоставления и фаза сокращения выполняются как в общедоступных, так и в частных облаках. Также возможна передача данных между облаками.

Проблема с HybridEx заключается в том, что он не работает с ключом, генерируемым в общедоступных и частных облаках на этапе сопоставления, и работает только с облаком как противником [55].

C. Анонимизация на основе идентификации

Это тип обеззараживания информации, целью которого является защита конфиденциальности. Это процесс либо шифрования, либо удаления личной информации из наборов данных, чтобы люди, которых описывают данные, оставались анонимными. Основная трудность этого метода заключается в сочетании анонимизации, защиты конфиденциальности и методов больших данных [56] для анализа данных об использовании при защите личности.

Инженерной группе Intel Human Factors требовалось защитить конфиденциальность сотрудников Intel с помощью журналов доступа к веб-страницам и инструментов обработки больших данных, чтобы повысить удобство интенсивно используемого внутреннего веб-портала Intel.От них требовалось удалить личную информацию (PII) из репозитория журналов использования портала, но таким образом, чтобы это не влияло на использование инструментов больших данных для проведения анализа или на возможность повторной идентификации записи журнала для расследования необычного поведения. .

Чтобы реализовать значительные преимущества облачного хранилища [57], Intel создала открытую архитектуру для анонимизации [56], которая позволяла использовать различные инструменты как для деидентификации, так и для повторной идентификации записей веб-журналов. В процессе реализации архитектуры корпоративные данные обладают свойствами, отличными от стандартных примеров в литературе по анонимизации [58]. Intel также обнаружила, что, несмотря на маскировку очевидной личной идентификационной информации, такой как имена пользователей и IP-адреса, анонимные данные были беззащитны против корреляционных атак. Изучив компромиссы, связанные с исправлением этих уязвимостей, они обнаружили, что информация об агенте пользователя сильно коррелирует с отдельными пользователями. Это тематическое исследование внедрения анонимизации на предприятии, описывающее требования, реализацию и опыт, возникающие при использовании анонимизации для защиты конфиденциальности корпоративных данных, проанализированных с использованием методов больших данных.В этом исследовании качества анонимизации использовались показатели, основанные на k-анонимности. Intel использовала Hadoop для анализа анонимных данных и получения ценных результатов для аналитиков человеческого фактора [59, 60]. В то же время выяснилось, что анонимизация должна быть чем-то большим, чем просто маскирование или обобщение определенных полей — анонимизированные наборы данных необходимо тщательно анализировать, чтобы определить, уязвимы ли они для атаки.

Краткое изложение последних подходов, используемых в конфиденциальности больших данных

В этом документе мы исследовали проблемы безопасности и конфиденциальности в больших данных, обсуждая некоторые существующие подходы и методы обеспечения безопасности и конфиденциальности, в которых организации здравоохранения, вероятно, будут крайне заинтересованы. выгодный.В этом разделе мы сосредоточились на цитировании некоторых подходов и методов, представленных в разных статьях, с акцентом на их направленность и ограничения (таблица 5). В документе [61], например, предложены методы интеллектуального анализа данных с сохранением конфиденциальности в Hadoop. В статье [67] также представлен эффективный и сохраняющий конфиденциальность протокол вычисления косинусного сходства, а в статье [68] обсуждается, как существующий подход «дифференциальная конфиденциальность» подходит для больших данных. Более того, в статье [69] предложен масштабируемый подход к анонимизации крупномасштабных наборов данных.В документе [70] предложены различные вопросы конфиденциальности, связанные с приложениями для работы с большими данными, а в документе [71] предложен алгоритм анонимизации для ускорения анонимизации потоков больших данных. Кроме того, в документе [72] предложена новая структура для достижения машинного обучения с сохранением конфиденциальности, а в документе [73] предложенная методология обеспечивает конфиденциальность данных и безопасный обмен данными. Все эти методы и подходы показали некоторые ограничения.

Таблица 5. Сводка последних подходов, используемых в обеспечении конфиденциальности больших данных

Из-за повышенной сложности и ограничений интерпретация новых моделей становится сложнее, а их надежность труднее оценить по сравнению с предыдущими моделями.

Клинические рекомендации (сестринское дело): Кардиотелеметрия

Введение

Телеметрия — это инструмент наблюдения, который позволяет осуществлять непрерывный мониторинг ЭКГ, ЧДД, SpO2, пока пациент остается активным, без ограничения возможности подключения к прикроватному кардиомонитору. Группа пациентов, которым требуется телеметрия, — это дети с диагнозом известной/неизвестной аритмии, дети с риском развития аритмии или дети с предполагаемым риском внезапного ухудшения сердечной деятельности. Телеметрия не заменяет визуализацию и оценку состояния пациента.
Точность телеметрии зависит от подготовки кожи, размещения электродов и отведений, технического обслуживания оборудования, наблюдения за пациентом и обучения. Исследования показали, что при соответствующем обучении пациента и его семьи повышается безопасность пациента и снижается тревога, связанная с мониторингом. Медсестры, способные выявлять аномалии на ЭКГ, находятся в лучшем положении, чтобы подсказать немедленные действия и уменьшить осложнения для пациента.

Цель

Руководство безопасным и компетентным сестринским делом и медицинской практикой, связанной с использованием сердечного телеметрического мониторинга.

Определение терминов

  • Телеметрия – Портативное устройство, которое непрерывно контролирует ЭКГ пациента, частоту дыхания и/или насыщение кислородом, автоматически передавая информацию на центральный монитор.
  • ЭКГ — Электрокардиограмма — это диагностический инструмент, который измеряет и записывает электрическую активность сердца с помощью электродов, размещенных на коже.
  • Электрод — Пластырь, который надевается на пациента и прикрепляется к проводу отведения
  • Провод отведения — Отвод, соединяющий электроды с блоком телеметрии
  • Аритмия — Ритм, при котором бьется сердце при нерегулярном или аномальном ритме
  • Внешняя кардиостимуляция – Временные средства кардиостимуляции пациента.Это может произойти при чрескожной стимуляции или внешних проводниках, идущих от предсердия/желудочка
  • Коллапс – Для целей данного руководства коллапс относится к циркуляторному/гемодинамическому коллапсу

Оценка

Пациентов следует ежедневно обследовать на предмет целесообразности сердечной телеметрии. Пациенты с острым недомоганием и риском угрожающих жизни аритмий должны находиться на строгом постельном режиме и находиться под постоянным наблюдением на прикроватном мониторе и рядом с оборудованием для оказания неотложной помощи. AUM будет участвовать во всех аспектах ухода, от оценки пациентов до ежедневных проверок на предмет соответствия телеметрии.

Пациентам в возрасте 2 лет и младше проведение телеметрии не рекомендуется. Размер электродов, как правило, слишком велик для пациентов этого возраста, что может привести к неверным показаниям и проблемам с целостностью кожи. Алгоритм недостаточно силен для поддержки младенцев и новорожденных (по указанию Philips).

Показания для телеметрии включают, но не ограничиваются этим, после консультации с кардиологом;

Индикация телеметрии  Продолжительность/критерии прекращения
Неопасная для жизни аритмия без нарушения гемодинамики  Наблюдать до тех пор, пока аритмия не станет контролируемой
Постэлектрофизиологическое исследование и катетерная абляция  Монитор, указанный Cardiac Team
Стабильные пациенты с диагнозом (и не только) кардиомиопатией, перикардитом, эндокардитом, перикардиальным выпотом или другими состояниями, которые могут вызывать аритмию    Продолжайте наблюдение на протяжении всего лечения, пока риск аритмии не будет устранен.
Синусовая брадикардия без нарушения гемодинамики  Контролировать, пока не будет устранена обратимая причина
Фармакотерапия проаритмическими препаратами, вызывающими реальное или потенциальное удлинение интервала QT или желудочковые аритмии, например, начало приема рисперидона  Продолжительность на основе стратификации риска 
Необъяснимый внезапный коллапс или другие неврологические признаки/симптомы, которые могут быть связаны с сердечными аритмиями  Наблюдать до тех пор, пока причина не будет выявлена, вылечена и/или пациент не будет подвергаться дальнейшему риску


Для каждого пациента, подключенного к телеметрии. Должна проводиться ежедневная медицинская и медсестринская оценка необходимости постоянного кардиомониторинга, и это должно ежедневно документироваться.

Критерии исключения для телеметрии, по согласованию с кардиологами;

  • Послеоперационные пациенты, все еще находящиеся под послеоперационным наблюдением
  • Пациенты с любой опасной для жизни аритмией в предыдущие 24 часа
  • Пациенты в плохом самочувствии с риском угрожающей жизни аритмии (ФЖ, СВТ, ЖТ, трепетание предсердий)
  • Пациенты, получающие инотропную терапию
  • Пациенты, находящиеся на внешнем кардиостимуляторе
  • Пациенты/семьи, которые не могут/не желают следовать инструкциям медсестры и оставаться в палате
  • Частые необъяснимые эпизоды внезапного коллапса

Ведение


Ведение


    • Перед началом телеметрического мониторинга следует снять исходную ЭКГ в 12 или 15 отведениях в соответствии с кардиологической бригадой.Дополнительные ЭКГ следует выполнять, если ЭКГ отличается от исходного уровня пациента.
    • Медсестры, ухаживающие за пациентами с помощью телеметрии, должны иметь следующие компетенции медсестер: Мониторинг (базовый) и Мониторинг — расширенный ЭКГ
    • Пациент на телеметрии должен визуализироваться ежечасно. При каждом сигнале тревоги по ЭКГ пациент должен визуализироваться и оцениваться (см. Клинические рекомендации по оценке медсестер). Медицинский персонал обязан постоянно знать местонахождение своего пациента
    • Дети с определенными аритмиями по сердечной телеметрии не должны запирать двери туалета, однако вместо этого на дверях можно использовать ламинированные таблички.
    • Точное размещение электрода и хорошая подготовка кожи снизят количество ложных показаний. Чистая и сухая кожа обеспечивает лучшее прилегание электродов и более точную ЭКГ.
    • Ежедневный осмотр кожи важен для предотвращения раздражения кожи и/или повреждения области давления в месте установки электродов.
    • Медсестры должны обучать пациентов телеметрии и документированию в EPIC

    Роли и обязанности

    Специальные навыки мониторинга 
    • Способность «сопрягать» и «отсоединять» телеметрическое устройство с прикроватным монитором пациента
    • Способен управлять пациентом с постоянным кардиостимулятором
    • Поддерживать ежегодную обязательную базовую компетентность в области жизнеобеспечения
    • Понимать алгоритм дефибрилляции
    • Оценен как компетентный в навыках дефибрилляции 209

      1

      1 Выявление и вмешательство при специфических детских аритмиях;

      • Брадикардия (синусовая брадикардия, узловой ритм, асистолия)
      • Тахикардия (синусовая тахикардия, типы СВТ, ЖТ, ФЖ)
      • Блокада сердца (1-я, 2-я, 3-я степень)

      Подготовка кожи

      1. Промойте кожу водой с мылом
      2. Хорошо промойте, чтобы удалить все остатки мыла
      3. Протрите кожу тампоном, смоченным спиртом, если кожа жирная, подвержена потоотделению (если целостность кожи нарушена, не используйте спирт) 
      4. Протрите кожу с марлей, чтобы увеличить капиллярный кровоток и удалить клетки кожи и кожный жир

      Расположение электродов

      • Электроды следует заменять ежедневно, чтобы предотвратить повреждение кожи и обеспечить оптимальную проводимость. Электроды для конечностей размещаются на туловище, чтобы уменьшить мышечные артефакты во время движения конечностей. Необходимо использовать вспененные электроды Covidien Kendall 130
        . Электроды для новорожденных Coviden Kendall 1050NPSM не рекомендуются для телеметрии и не поддерживаются Philips.
      • Функции телеметрии с 5 отведениями (см. рисунок 1):
        Белый — правая рука ( RA ) помещается в подключичную ямку рядом с правым плечом
        Черный — левая рука ( LA ) помещается в подключичную ямку ямка рядом с левым плечом
        Красный — левая нога ( LL ) помещается ниже грудной клетки в левом верхнем квадранте живота
        Зеленый — правая нога ( RL ) размещается под грудной клеткой в ​​правом верхнем квадранте квадрант живота
        Коричневый- ( V1 ) расположен ниже грудной клетки между (RL) и мечевидным отростком
      • Если у пациента есть постоянный кардиостимулятор:
        Убедитесь, что в настройках монитора установлено значение «Стимулированный», если он не улавливает импульсы стимуляции, переместите правый электрод вниз к 5-му межреберью, а электрод LL поднялся до 5-го межреберья.
      • Неправильное размещение отведений может привести к ошибочному диагнозу, например. Если РА смещается на 1 межреберье, ЖТ может быть ошибочно диагностирована как СВТ или наоборот.
        Пациентам с диагнозом декстрокардия необходимо поменять местами отведения на противоположную сторону тела, иначе на ЭКГ будут показаны перевернутые зубцы P и T.

        Рисунок 1 – правильное размещение электродов


      Настройка и прекращение телеметрии

      • Текущее устройство телеметрии, используемое в RCH (в настоящее время только в отделении Коала), — это Philips IntelliVue MX40.Чтобы понять элементы управления устройством для MX40, см. руководство.
      • Убедитесь, что пациент находится под централизованным и прикроватным мониторингом.
      • Вставьте батарею в устройство телеметрии.
      • Добавьте телеметрию в качестве оборудования для централизованного наблюдения и убедитесь, что она отображается на прикроватном мониторе. Имя пациента будет отображаться в верхней части экрана телеметрии.
      • Подсоедините отведения и датчик SpO2 (если применимо) к пациенту, убедившись, что кожа хорошо подготовлена ​​перед установкой свежих электродов ЭКГ.
      • При необходимости отрегулируйте параметры ЭКГ.
      • При прекращении мониторинга снимите электроды с пациента.
      • Извлеките аккумулятор и протрите его перед тем, как вернуть его обратно в порт зарядки.
      • Протрите кабели и устройство телеметрии перед тем, как вернуть его на хранение.
      • Удалите телеметрическое оборудование из центра наблюдения.

      Техническое обслуживание

      • Проверяйте состояние батареи на телеметрическом устройстве каждую смену. Устройство подает сигнал тревоги, когда необходимо заменить батареи
      • Электроды следует менять ежедневно
      • Необходимость телеметрии следует проверять ежедневно, это совместная ответственность лечащей бригады, прикроватной медсестры и AUM

      Уход за больными

      • Мониторинг телеметрии происходит в отделении Коала вплоть до зеленых подъемников.
      • Все медицинские работники, участвующие в уходе за пациентом, будут знать, насколько пациенту разрешено двигаться во время телеметрии. Пациент должен оставаться в пределах границ сигнала больничной телеметрии. Если пациенту требуется процедура или лечение за пределами границ телеметрии, ему потребуется подходящее портативное устройство для кардиомониторинга, такое как Philips Intellivue MP2 или Philips Intellivue X2.
      • Родитель или медсестра будут постоянно наблюдать за пациентом во время движения, это необходимо для обеспечения безопасности пациента.
      • Главная медсестра всегда будет в курсе местонахождения пациента.
      • SpO 2 Датчики следует проверять и заменять каждые 4 часа
      • Следует проконсультироваться с ANUM, если у пациентов с ухудшением состояния вследствие аритмии в анамнезе необходимо прекратить телеметрический мониторинг в целях личной гигиены. В этом случае пациент должен постоянно находиться под наблюдением, а медицинская бригада должна быть проинформирована.

      Особые указания

      • Если пациент внезапно становится нестабильным во время телеметрии, его необходимо перевести на постоянный прикроватный мониторинг и тщательно оценить +/- быстрый обзор или МЕТ.
      • При сильном раздражении кожи снимите электроды и сообщите кардиологу. Анафилаксия возникает редко, но регулярно проводите оценку состояния кожи, органов дыхания, кровообращения и инвалидности, чтобы убедиться, что пациент стабилен. При возникновении анафилаксии используйте рекомендации по анафилаксии.

      Звенья

      Ссылки

      Эриксен, А. (2011). Телеметрические путешествия. Healthcare Traveler, 18(10), стр. 35-38

      Estrada et al. (2000). Оценка рекомендаций по использованию телеметрии в условиях не интенсивной терапии.J мед интерн мед. 15(1), стр. 51-55

      Дресслор.Р., Драйер М., Коллетти С., Махони Д., Дори А. (2014). Изменение чрезмерного использования сердечной телеметрии в отделениях не интенсивной терапии путем жесткого закрепления использования Руководящих принципов Американской кардиологической ассоциации. Интерн-мед JAMA, 174(11), стр. 1852-1854

      Ивонье. С, Охуабунво. С, Энрикес-Форсайт. М, Ума. J, Kamuguisha .L, Olejeme .K, Onwuanyi .A (2010). Оценка использования, политики и результатов телеметрии в городском академическом медицинском центре.Журнал национальной медицинской ассоциации, 102(7), стр. 598-605

      Ли. Дж, Лэмб. П, Рэнд. Э, Райан. С, Рубаль. Оптимизация использования телеметрии в академическом медицинском центре. B Original Research, 2008, 15(9), стр. 435 – 439

      Нет автора (2008). Мониторинг аритмии. Американская ассоциация медсестер интенсивной терапии, 28(5), стр. 90-91

      Philips Healthcare (2020). IntelliVue MX40. YouTube видео. https://www.youtube.com/watch?v=wpFvfzqsLRY

      Philips Medical Systems (2012 г.).Инструкция IntelliVue MX40. http://incenter.medical.philips.com/doclib/enc/fetch/2000/4504/577242/577243/577247/582636/582882/MX40_B.0_Service_Guide.pdf%3Fnodeid%3D10668578%26ver

      Таблица доказательств

      Просмотрите таблицу доказательств этого руководства здесь.

      Пожалуйста, не забудьте прочитать отказ от ответственности.

      Разработку этого руководства по сестринскому делу координировали Аннабель Сантос, CSN Nursing Education, и Эмили Мохд-Фейзал, RN Koala, и оно было одобрено Комитетом по клинической эффективности сестринского дела.Обновлено в ноябре 2021 г.  

      Рекомендательные системы в сфере здравоохранения: современное состояние и проблемы исследований

    • Аберг, Дж. (2006). Борьба с недоеданием: система планирования питания для пожилых людей. На симпозиуме AAAI Spring: аргументация потребителей медицинских услуг (стр. 1–7). АААИ .

    • Ачананупарп, П., и Вебер, И. (2016). Извлечение заменителей пищи из дневника питания через дистрибутивное сходство. В Трудах.10-я конференция ACM по системам рекомендаций, (стр. 1–5) .

    • Али С.И., Амин М.Б., Ким С. и Ли С. (2018). Гибридная структура для комплексной системы рекомендаций по физической активности и диете. В Mokhtari, M., Abdulrazak, B., & Aloulou, H. (Eds.) Умные дома и телематика для здоровья, проектирование лучшего будущего: проживание в городах с помощью (ICOST 2018), (стр. 101–109). Springer International Publishing, Cham .

    • Атас М., Тран Т.Н.Т., Фельферниг А., Полат-Эрдениз С., Самер Р. и Штеттингер М. (2019). На пути к рекомендациям, основанным на ограничениях, учитывающих сходство. В Достижения и тенденции в области искусственного интеллекта, конспекты лекций по информатике (стр. 287–299). Спрингер .

    • Банкхеле С., Мхаске А. и Бхат С. (2017). Т., с.: система рекомендаций по лечению диабета. Международный журнал компьютерных приложений , 167 , 14–18.

      Артикул Google ученый

    • Бао Ю.и Цзян, X. (2016). Интеллектуальная система рекомендаций по лекарствам. В 2016 г. 11-я конференция IEEE по промышленной электронике и приложениям (ICIEA), (стр. 1383–1388) .

    • Берковский С. и Фрейн Дж. (2010). Рекомендации по групповым рецептам: Анализ стратегий агрегации данных. В материалах Proceedings of the Fourth ACM Conference on Recommender Systems, RecSys ’10 (стр. 111–118). ACM, Нью-Йорк, штат Нью-Йорк, США .

    • Брессо, Э., Гризони, Р., Маркетти, Г., Карабога, А., Суше, М., Девинь, М.Д., и Смаил, М. (2013). Интегративный реляционный подход машинного обучения для понимания профилей побочных эффектов лекарств. BMC биоинформатика , 14 , 207.

      Артикул Google ученый

    • Берк, Р. (2000). Рекомендательные системы, основанные на знаниях. В Энциклопедия библиотечно-информационных систем, вып. 69, (стр. 180–200). Марсель Деккер .

    • Ками, А., Арнольд, А., Манци, С., и Рейс, Б. (2011). Прогнозирование нежелательных явлений при приеме лекарств с использованием моделей фармакологических сетей. Научная трансляционная медицина , 3 , 114–127.

      Артикул Google ученый

    • Кастро, Дж., Кесада, Ф.Дж., Паломарес, И., и Мартинес-Лопес, Л. (2015). Система групповых рекомендаций, основанная на консенсусе. Международный журнал интеллектуальных систем , 30 (8), 887–906.

      Артикул Google ученый

    • Чархат Горгич, Э.А., Барфрошан, С., Горейши, Г., и Ягуби, М. (2015). Изучение причин медицинских ошибок и стратегии их предотвращения с точки зрения медсестер и студентов-медсестер. Global Journal of Health Science , 8 , 220.

      Статья Google ученый

    • Чен Л.и Пу, П. (2012). Рекомендации на основе критики: опрос и новые тенденции. Моделирование пользователей и взаимодействие, адаптированное к пользователям , 22 (1-2), 125–150.

      Артикул Google ученый

    • Чен Л., Ян Ю., Ван Н., Ян К. и Юань К. (2019). Как интуитивная прозорливость повышает удовлетворенность пользователей рекомендациями? масштабная пользовательская оценка. В Всемирная веб-конференция, WWW’19 (стр. 240–250). Ассоциация вычислительной техники, Нью-Йорк, штат Нью-Йорк, США .

    • Чен, Р.К., Чиу, Дж.Ю., и Бау, К.Т. (2011). Рекомендация лекарственных средств на основе принятия решений по множеству критериев и онтологии предметной области — пример противодиабетических лекарственных средств. В The Proceedings of the International Conference on Machine Learning and Cybernetics, vol. 1, (стр. 27–32) .

    • Чен, Р.К., Хуанг, Ю.Х., Бау, К.Т., и Чен, С.М. (2012). Система рекомендаций, основанная на онтологии предметной области и SWRL для выбора противодиабетических препаратов. Экспертные системы с приложениями , 39 (4), 3995–4006.

      Артикул Google ученый

    • Колберг С., Сигал Р., Ярдли Дж., Ридделл М., Данстан Д., Демпси П., Хортон Э., Касторино К. и Тейт Д. ( 2016). Физическая активность/упражнения и диабет: заявление о позиции Американской диабетической ассоциации. Diabetes Care , 39 , 2065–2079.

      Артикул Google ученый

    • Дэвис, Д.А., Чавла, Н.В., Кристакис, Н.А., и Барабаси, А.Л. (2009). Время заботиться: совместный механизм для практического прогнозирования заболеваний. Интеллектуальный анализ данных и обнаружение знаний , 20 , 388–415.

      MathSciNet Статья Google ученый

    • Дешпанде, Т., и Бьютт, А. (2011). Использование взаимосвязей между наркотиками и болезнями для вычислительного репозиционирования лекарств. Брифинги по биоинформатике , 12 , 303–11.

      Артикул Google ученый

    • Дхария С., Джайн В., Патель Дж., Вора Дж., Чавла С. и Эйринаки М. (2016). Pro-fit: персонализированная структура помощника по фитнесу. В SEKE .

    • Дончу, М., Ионита, М., и Даскалу, М. (2011). Траусан-мату, С.: Бегун — рекомендательная система тренировок и питания для бегунов. 2011 13-й Международный симпозиум по символьным и числовым алгоритмам для научных вычислений (SYNASC) , (стр.230–238).

    • Доулаверакис, К., Николаидис, Г., Клеонтас, А., и Компациарис, И. (2012). Galenowl: открытие рекомендаций по лекарствам на основе онтологии. Журнал биомедицинской семантики , 3 , 14.

      Статья Google ученый

    • Доулаверакис, К., Николаидис, Г., Клеонтас, А., и Компациарис, И. (2014). Panacea, семантическая система поиска рекомендаций по лекарствам. Журнал биомедицинской семантики , 5 , 13.

      Артикул Google ученый

    • Дубицкий В. (2009). Основы интеллектуального анализа данных в геномике и протеомике . Берлин: Спрингер.

      МАТЕМАТИКА Google ученый

    • Элахи, М., Ге, М., Риччи, Ф., Массимо, Д., и Берковский, С. (2014). Интерактивные рекомендации по еде для групп. В RECSYS, vol. 1247 .

    • Эльсвейлер, Д., Траттнер, К., и Харви, М. (2017). Использование предубеждений в выборе продуктов для рекомендации более здоровых рецептов. В материалах Proceedings of the 40th Conference on Research and Development in Information Retrieval, SIGIR ’17 (стр. 575–584). Ассоциация вычислительной техники, Нью-Йорк, США .

    • Фаиз И., Мухтар Х. и Хан С. (2014). Комплексный подход к диете и рекомендациям по физическим упражнениям для больных сахарным диабетом. На 16-й международной конференции IEEE по сетям, приложениям и услугам электронного здравоохранения (Healthcom), стр. 537–542 .

    • Фельферниг, А., Атас, М., Хелич, Д., Тран, Т.Н.Т., Стеттингер, М., и Самер, Р. (2018). Системы групповых рекомендаций: введение, гл. Алгоритмы для групповой рекомендации (стр. 27–58). Берлин: Спрингер.

      Книга Google ученый

    • Фельферниг, А., и Берк, Р. (2008). Рекомендательные системы на основе ограничений: технологии и вопросы исследований. В Proceedings of the 10th International Conference on Electronic Commerce, ICEC’08, (стр.3:1–3:10). ACM, Нью-Йорк, штат Нью-Йорк, США .

    • Фельферниг, А., и Гула, Б. (2006). Эмпирическое исследование поведения потребителей при взаимодействии с рекомендательными приложениями, основанными на знаниях. В 8-я международная конференция IEEE по технологиям электронной коммерции и 3-я международная конференция IEEE по корпоративным вычислениям, электронной коммерции и электронным услугам (CEC/EEE’06), (стр. 37–37) .

    • Фельферниг А., Штеттингер М., Нинаус Г., Джеран М., Рейтерер С., Фолкнер, А.А., Лейтнер, Г., и Тиихонен, Дж. (2014). К открытой конфигурации. В материалах Proceedings of the 16th International Configuration Workshop, Нови-Сад, Сербия, 25–26 сентября 2014 г., (стр. 89–94) .

    • Флири, А., Логинг, В., и Тадейо, П. (2006). Анализ моделей эффектов, вызванных лекарствами, для установления связи между структурой и побочными эффектами лекарств. Природохимическая биология , 1 , 389–97.

      Артикул Google ученый

    • Фукудзаки М., Секи, М., Кашима, Х., и Сесе, Дж. (2009). Предсказание побочных эффектов с помощью кооперативных путей. На международной конференции IEEE по биоинформатике и биомедицине (стр. 142–147) .

    • Галеано, Д., и Пакканаро, А. (2018). Рекомендательный системный подход для прогнозирования побочных эффектов лекарств. В IJCNN 2018: Международная совместная конференция по нейронным сетям (стр. 1–7). IEEE исследование .

    • Ге, М., Риччи, Ф., и Массимо, Д. (2015).Система рекомендаций по здоровому питанию. В материалах Proceedings of the 9th ACM Conference on Recommender Systems, RecSys ’15 (стр. 333–334). Ассоциация вычислительной техники, Нью-Йорк, штат Нью-Йорк, США .

    • Гуджар Д., Бияни Р., Брамхане Т., Бхосале С. и Вайдья Т.П. (2018). Система прогнозирования заболеваний и рекомендации врача. International Research Journal of Engineering and Technology (IRJET) , 5 , 3207–3209.

      Google ученый

    • Гурвиц, Дж., Филд, Т., Гаррольд, Л., Ротшильд, Дж., ДеБеллис, К., Сегер, А., Кадорет, К., Фиш, Л., Гарбер, Л., Келлехер, М., и Бейтс, Д. (2003). Частота и возможность предотвращения нежелательных явлений, связанных с приемом лекарств, среди пожилых людей в амбулаторных условиях. JAMA: Журнал Американской медицинской ассоциации , 289 , 1107–16.

      Артикул Google ученый

    • Хан, К., Джи, М., Мартинес де Ритуэрто де Троя, И., Гаур, М., и Зейнилович, Л.(2018). Гибридная рекомендательная система для подбора пациентов и врачей в первичной медико-санитарной помощи. В 5-я международная конференция IEEE по науке о данных и расширенной аналитике (DSAA), (стр. 1–10) .

    • Хоенс, Т.Р., Блантон, М., и Чавла, Н.В. (2010). Надежные системы медицинских рекомендаций с конфиденциальностью пациентов. В материалах Proceedings of the 1st International Health Informatics Symposium ACM, IHI ’10 (стр. 173–182). Ассоциация вычислительной техники, Нью-Йорк, штат Нью-Йорк, США .

    • Хользингер, А., Кэррингтон, А., и Мюллер, Х. (2019). Измерение качества объяснений: Шкала причинности системы (scs) — сравнение объяснений человека и машины. KI — Künstliche Intelligenz (Немецкий журнал искусственного интеллекта), специальный выпуск по интерактивному машинному обучению 24 (2).

    • Хользингер, А., Вальдес, А.С., и Зифле, М. (2016). На пути к интерактивным рекомендательным системам с врачом в петле. В Вейерс, Б., & Dittmar, A. (Eds.) Mensch und computer 2016 – мастерская. Gesellschaft für Informatik e.V., Aachen .

    • Хуанг Л.К., Ву С. и Чен Дж. (2011). Прогнозирование нежелательных побочных эффектов лекарственных средств. BMC genomics 12 Suppl , 5 , S11.

      Артикул Google ученый

    • Хусейн, А.С., Омар, В.М., Ли, X., и Ати, М. (2012). Точная и надежная рекомендательная система для диагностики хронических заболеваний.В г. Первая международная конференция по глобальным проблемам здравоохранения — Глобальное здравоохранение 2012 г., (стр. 113–118) .

    • Яннах, Д. (2011). Рекомендательные системы: введение Cambridge University Press.

    • Каур Х. и Рагхава Г.П.С. (2003). Основанный на нейронных сетях метод предсказания гамма-поворотов в белках на основе множественного выравнивания последовательностей. Protein Society , 12 , 923–929.

      Артикул Google ученый

    • Лафта Р., Чжан Дж., Тао С., Ли Ю. и Ценг В.С. (2015). Интеллектуальная рекомендательная система, основанная на краткосрочном прогнозировании риска для пациентов с сердечными заболеваниями. В 2015 Международная конференция IEEE/WIC/ACM по веб-разведке и технологии интеллектуальных агентов (WI-IAT), vol. 3, (стр. 102–105) .

    • Лопс, П., Геммис, доктор медицины, и Семераро, Г. (2011). Системы рекомендаций на основе контента: современное состояние и тенденции , (стр. 73–105). Бостон: Спрингер.

      Книга Google ученый

    • Махмуд, Н.и Эльбе, Х. (2016). IRS-t2d: Индивидуальная система рекомендаций для лечения диабета типа 2 на основе онтологии и SWRL. В материалах 10-й Международной конференции по информатике и системам, INFOS ’16 (стр. 203–209). Ассоциация вычислительной техники, Нью-Йорк, США .

    • Медведева О., Нокс Т. и Пол Дж. (2007). Diatrack: веб-приложение для помощи в принятии решений при лечении диабета. Журнал компьютерных наук в колледжах , 23 , 154–161.

      Google ученый

    • Мика, С. (2011). Проблемы для систем рекомендаций по питанию. В материалах семинара по контекстно-зависимой интеллектуальной помощи (стр. 25–33). CEUR-WS.org .

    • Мобашер Б., Берк Р., Бхаумик Р. и Уильямс К. (2007). На пути к надежным рекомендательным системам: анализ моделей атак и надежности алгоритмов. ACM Transactions on Internet Technology , 7 (4), 23–es.

      Артикул Google ученый

    • Нардуччи Ф., Мусто К., Полиньяно М., де Геммис М., Лопс П. и Семераро Г. (2015). Рекомендательная система для подключения пациентов к нужным врачам в социальной сети Healthnet. В WWW’2015 Companion, (стр. 81–82) .

    • Насири, М., Минаи, Б., и Киани, А. (2016). Динамическая рекомендация: прогнозирование и профилактика заболеваний с использованием рекомендательной системы.Международный журнал фундаментальных наук в медицине (стр. 13–17).

    • Нгуен, Х., и Мастофф, Дж. (2008). Разработка систем убедительного диалога: используйте аргументацию с осторожностью. В Х. Ойнас-кукконен, п.ф.в. hasle, M. Harjumaa, K. Segerståhl, P. Øhrstrøm (eds.) Технология убеждения, Третья международная конференция, PERSUASIVE 2008, Оулу, Финляндия, 4–6 июня 2008 г. Proceedings, Lecture Notes in Computer Science, vol. 5033, (стр. 201–212). Спрингер .

    • Нгуен Т., Харпер Ф., Тервин Л. и Констан Дж. (2017). Личность пользователя и удовлетворенность пользователей рекомендательными системами. Информационные системы Frontiers , 20 , 1–17.

      Google ученый

    • Нгуен, Т. Н., и Риччи, Ф. (2017). Система групповых рекомендаций для туризма на основе чата. Информационные технологии и туризм , 18 (2), 5–28.

      Google ученый

    • Но, Х.Дж., Квак, М.Дж., и Хан, И.Г. (2003). Решение проблемы неполных данных в системе совместной фильтрации. Журнал интеллектуальных информационных систем , 9 , 51–63.

      Google ученый

    • О’Коннор, М., Косли, Д., Констан, Дж. А., и Ридл, Дж. (2001). Polylens: рекомендательная система для групп пользователей. В Proceedings of the Seventh Conference on European Conference on Computer Supported Cooperative Work, ECSCW’01, (стр.199–218). Kluwer Academic Publishers, Норвелл, США .

    • О’Донован, Дж., и Смит, Б. (2005). Доверьтесь рекомендательным системам. В International Conference on Intelligent User Interfaces, Proceedings IUI, (стр. 167–174) .

    • Оргун Б. и Ву Дж. (2006). Онтология Hl7 и мобильные агенты для взаимодействия в гетерогенных медицинских информационных системах. Компьютеры в биологии и медицине , 36 (7), 817–836. Специальный выпуск по медицинским онтологиям.

      Артикул Google ученый

    • Озцифт, А. (2011). Классификатор ансамбля случайных лесов обучен стратегии повторной выборки данных для улучшения диагностики сердечной аритмии. Компьютеры в биологии и медицине , 41 , 265–71.

      Артикул Google ученый

    • Парк Дж., Тян Х. и Куо К.С.Дж. (2006). Классификация интернет-трафика для предоставления масштабируемого QOS.В 2006 г. Международная конференция IEEE по мультимедиа и выставкам (стр. 1221–1224) .

    • Пинкай, Дж., Теран, Л., и Портманн, Э. (2019). Системы рекомендаций по здоровью: современный обзор. В 2019 Шестая международная конференция по электронной демократии и электронному правительству (ICEDEG), (стр. 47–55) .

    • Пауэрс, Д.М.В. (2011). Оценка: от точности, отзыва и f-меры до ROC, информативности, маркировки и корреляции. Журнал технологий машинного обучения , 2 (1), 37–63.

      MathSciNet Google ученый

    • Кихано-Санчес, Л., Ресио-Гарсия, Х.А., Диас-Агудо, Б., и Хименес-Диас, Г. (2013). Социальные факторы в групповых рекомендательных системах. ACM Transactions on Intelligent Systems and Technology , 4 (1), 8:1–8:30.

      Артикул Google ученый

    • Рехман Ф., Халид О., Хак Н., Хан А.У.Р., Билал К.и Мадани, С. (2017). Diet-right: умная система рекомендаций по питанию. КСИИ по Интернету и информационным системам , 11 , 2910–2925.

      Google ученый

    • Риччи Ф., Рокач Л., Шапира Б. и Кантор П.Б. (2010). Справочник по системам рекомендаций , 1-е изд. Берлин: Спрингер.

      МАТЕМАТИКА Google ученый

    • Робертсон, А., Тирадо М., Лобштейн Т., Джермини М., Кнай К., Дженсен Дж., Ферро-Луцци А. и Джеймс В. (2004). Еда и здоровье в Европе: новая основа для действий. Региональные публикации ВОЗ. Европейская серия (стр. i–xvi), 1.

    • Родригес, А., Хименес, Э., Фернандес, Х., Эччиус, М., Мигель Гомес, Х., Алор-Эрнандес, Г., Посада — Гомес, Р., и Лауфер, К. (2009). Семмед: Применение семантической сети к системам медицинских рекомендаций. 2009 Первая международная конференция по интенсивным приложениям и услугам , (стр.47–52).

    • Рокицки М., Гердер Э. и Демидова Э. (2015). Том Что у меня на тарелке: к рекомендации вариантов рецепта для больных диабетом. In Cristea, A.I., Masthoff, J., Said, A., & Tintarev, N. (Eds.) UMAP Workshops, CEUR Workshop Proceedings, vol 1388. CEUR-WS.org .

    • Саху, А.К., Прадхан, К., Барик, Р.К., и Дубей, Х. (2019). Deepreco: Система рекомендаций по здоровью, основанная на глубоком обучении, использующая совместную фильтрацию. Расчет , 7 , 25.

      Артикул Google ученый

    • Санчес-Боканегра, К.Л., Санчес-Лагуна, Ф., и Севильяно, Х.Л. (2015). Введение в рекомендательные системы здоровья. Методы молекулярной биологии (Клифтон, штат Нью-Джерси) , 1246 , 131–46.

      Артикул Google ученый

    • Шефер, Х., Хорс-Фрайле, С., Карумур, Р.П., Калеро Вальдес, А., Саид, А., Торкамаан, Х., Ульмер, Т., и Траттнер, К. (2017). На пути к здоровым (осведомленным) рекомендательным системам. В материалах Международной конференции по цифровому здравоохранению 2017 г., DH ’17, (стр. 157–161). ACM, Нью-Йорк, штат Нью-Йорк, США .

    • Шефер, Х., и Виллемсен, М. (2019). Индивидуальные цели на основе Rasch для систем помощи в питании. В материалах Proceedings of the 24th International Conference on Intelligent User Interfaces, IUI ’19 (стр. 18–29). Ассоциация вычислительной техники, Нью-Йорк, штат Нью-Йорк, США .

    • Сезгин, Э., и Озкан, С. (2013). Систематический обзор литературы по системам рекомендаций по здоровью. In 2013 Конференция по электронному здравоохранению и биоинженерии, EHB 2013, (стр. 1–4) .

    • Шани Г. и Гунавардана А. (2011). Оценка рекомендательных систем. Ин Риччи Ф., Рокач Л., Шапира Б. и Кантор П.Б. (ред.) Справочник по системам рекомендаций (стр. 257–297). Спрингер .

    • Шимада К., Такада Х., Мицуяма С., Бан, Х., Мацуо, Х., Отаке, Х., Кунисима, Х., Канемицу, К., и Каку, М. (2005). Лекарственно-рекомендательная система для больных инфекционными заболеваниями. Материалы ежегодного симпозиума. Симпозиум AMIA (стр. 11–12).

    • Снукс, М. (2009). Психология здоровья: биологические, психологические и социокультурные перспективы, глава 5: Применение психологии здоровья к пищевому поведению: улучшение здоровья посредством изменений в питании Jones & Bartlett Learning.

    • Старк, Б., Кналь, К., Айдин, М., и Элиш, К. (2019). Обзор литературы по рекомендательным системам медицины. Международный журнал передовых компьютерных наук и приложений 10 (8).

    • Старк Б., Кналь К., Айдин М., Самара М. и Элиш К.О. (2017). Betterchoice: система рекомендаций по лекарствам от мигрени на основе neo4j. В 2017 г. 2-я международная конференция IEEE по вычислительному интеллекту и приложениям (ICCIA), (стр. 382–386) .

    • Штеттингер, М., Тран Т., Прибик И., Лейтнер Г., Фельферниг А., Самер Р., Атас М. и Вундара М. (2020). KNOWLEDGECHECKR: интеллектуальные методы противодействия забыванию. В г.д. Джакомо, А. Катала, Б. Дилкина, М. Милано, С. Барро, А. Бугарин, Дж. Ланг (ред.) ECAI 2020 — 24-я Европейская конференция по искусственному интеллекту, 29 августа — 8 сентября 2020 г., Сантьяго-де-Компостела, Испания, 29 августа — 8 сентября 2020 г. — включая 10-ю конференцию по престижным применениям искусственного интеллекта (PAIS 2020), Frontiers in Artificial Intelligence and Applications, vol.325, (стр. 3034–3039). IOS Пресс .

    • Тан, Т.Ю., и Виното, П. (2016). Я не должен рекомендовать ее вам, даже если она вам понравится: этика рекомендательных систем. Новый обзор гипермедиа и мультимедиа , 22 (1-2), 111–138.

      Артикул Google ученый

    • Тенг, С.Ю., Лин, Ю.Р., и Адамик, Л.А. (2012). Рекомендации по рецептам с использованием сетей ингредиентов. В Proceedings of the 4th Annual ACM Web Science Conference, WebSci ’12, (стр.298–307). Ассоциация вычислительной техники, Нью-Йорк, штат Нью-Йорк, США . (2017) . Адаптация сообщений о здоровом питании к личности. In Технология убеждения: разработка и внедрение персонализированных технологий для изменения отношения и поведения — 12-я международная конференция, PERSUASIVE 2017, Амстердам, Нидерланды, 4–6 апреля 2017 г., Материалы, Конспекты лекций по информатике, том.10171, (стр. 119–132). Спрингер .

    • Тран, Т.Н.Т., Атас, М., Фельферниг, А., Ле, В.М., Самер, Р., и Штеттингер, М. (2019). К объяснениям, основанным на социальном выборе, в системах групповых рекомендаций. В материалах Proceedings of 27th ACM Conference on User Modeling, Adaptation and Personalization, UMAP ’19 (стр. 13–21). Ассоциация вычислительной техники, Нью-Йорк, штат Нью-Йорк, США .

    • Тран, Т.Н.Т., Атас, М., Фельферниг, А., и Штеттингер, М. (2018).Обзор рекомендательных систем в сфере здорового питания. Журнал интеллектуальных информационных систем , 50 (3), 501–526.

      Артикул Google ученый

    • Траттнер, К., и Эльсвейлер, Д. (2017). Системы рекомендаций по еде: важный вклад, проблемы и направления будущих исследований. CoRR абс/1711.02760.

    • Траттнер, К., Саид, А., Боратто, Л., и Фельферниг, А. (2018). Оценка систем групповых рекомендаций , (стр. 59–71). Манхэттен: Springer International Publishing Cham.

      Google ученый

    • Уэта Т., Иваками М. и Ито Т. (2011). Система рекомендаций по рецептам, основанная на автоматическом извлечении информации о питании. В кн. Материалы 5-й международной конференции по науке о знаниях, инженерии и менеджменте, КСЭМ’11, (стр. 79–90). Спрингер: Берлин .

    • Вальдес, А.К., Зифле М., Верберт К., Фельферниг А. и Хольцингер А. (2016). Рекомендательные системы для информатики здравоохранения: современное состояние и перспективы на будущее. Конспект лекций по информатике , 9605 .

    • Верберт, К., Мануселис, Н., Очоа, X., Вольперс, М., Драхслер, Х., Босник, И., и Дюваль, Э. (2012). Контекстно-зависимые рекомендательные системы для обучения: опрос и будущие задачи. IEEE Transactions on Learning Technologies , 5 (4), 318–335.

      Артикул Google ученый

    • Верхарт, Д., Натегизад, М., и Зекерия, Э. (2018). Эффективная рекомендательная система, сохраняющая конфиденциальность, для системы электронного здравоохранения. В Международная конференция по безопасности и криптографии, (стр. 1–12) .

    • Визнер, М., и Пфайфер, Д. (2014). Системы рекомендаций по здоровью: концепции, требования, технические основы и проблемы. Международный журнал экологических исследований и общественного здравоохранения , 11 , 2580–2607.

      Артикул Google ученый

    • Яманиши Ю., Пауэлс Э. и Котера М. (2012). Прогнозирование побочных эффектов лекарств на основе интеграции химического и биологического пространств. Журнал химической информации и моделирования, 52 .

    • Ян, Л., Се, К., Ян, Х., Поллак, Дж., Делл, Н., Белонги, С., Коул, К., и Эстрин, Д. (2017). Yum-me: персонализированная система рекомендаций по приему пищи на основе питательных веществ. Операции ACM в информационных системах 36 (1).

    • Чжан, К., Чжан, Г., Лу, Дж., и Ву, Д. (2015). Структура гибридной рекомендательной системы для персонализированного клинического назначения. В 2015 г. 10-я международная конференция по интеллектуальным системам и инженерии знаний (ISKE), (стр. 189–195) .

    • Чжан В., Цзоу Х., Луо Л., Лю К., Ву В. и Сяо В. (2016). Прогнозирование потенциальных побочных эффектов лекарств рекомендательными методами и ансамблевым обучением. Нейрокомпьютинг , 173 (P3), 979–987.

      Артикул Google ученый

    • Чжан Ю., Чен М., Хуанг Д., Ву Д. и Ли Ю. (2016). idoctor: персонализированные и профессиональные медицинские рекомендации, основанные на гибридной матричной факторизации. Компьютерные системы будущего поколения , 66 , 30–35.

      Артикул Google ученый

    • Приложение М.Пример управляемого медсестрой протокола удаления катетера

      Ниже приведен пример управляемого медсестрой протокола оценки и прекращения использования ненужных мочевых катетеров и оценки потребности в мочеиспускании после удаления катетера. В этом протоколе используется алгоритм оценки, и врачебное предписание не требуется. Это пример, который можно использовать для определения передового опыта для пациентов вашей больницы путем обсуждения с поставщиками медицинских услуг вашего учреждения.

      Медсестра должна каждое утро осматривать пациента на предмет наличия мочевого катетера и его постоянной необходимости, используя следующие шаги:

      1. Есть ли у пациента мочевой катетер? Если нет, повторите оценку на следующий день.Если да, оцените необходимость.
      2. Катетер необходим: Катетер допустим по любой (по крайней мере, одной) из следующих причин:
        • Задержка мочи, включая обструкцию и нейрогенный мочевой пузырь: пациент не может мочиться из-за увеличенной простаты, сгустков крови или отека мошонки/полового члена или не может опорожнить мочевой пузырь из-за неврологического заболевания/эффекта лекарств.
        • Кратковременное периоперационное использование при некоторых операциях (менее 24 часов), а также для урологических исследований или операций на смежных структурах.
        • Размещен урологической службой (уточните план в урологической службе).
        • Требуемые высокоточные измерения мощности в отделениях интенсивной терапии (например, почасовое измерение) .
        • Способствовать заживлению тяжелых ран промежности и крестца у пациентов с недержанием мочи, чтобы избежать дальнейшего ухудшения состояния раны и кожи.
        • Требуется строгая иммобилизация при травмах или хирургических вмешательствах.
        • Хоспис/комфортная помощь или паллиативная помощь по запросу пациента.
      3. При отсутствии соответствующих (приемлемых) показаний к использованию медсестра должна прекратить использование мочевого катетера.
      4. После прекращения лечения наблюдайте за пациентом на основе прилагаемого алгоритма.
      5. Обращайтесь к врачу по любым вопросам, связанным с оценкой состояния пациента.

      Алгоритм наблюдения за больным после снятия катетера

      Блок-схема показывает варианты наблюдения.

      Верхнее текстовое поле: прекратите использование мочевого катетера, если он больше не соответствует критериям.

      Вариант 1: пациент опорожняется в течение 6 часов и не испытывает симптомов.

      ведет к;

      Соблюдать

      Вариант 2: пациент опорожняется в течение 6 часов, но имеет симптомы переполнения или дискомфорта в животе.

      ведет к:

      • Сканирование мочевого пузыря. Если объем <300 см3, наблюдайте. Повторите сканирование мочевого пузыря после опорожнения мочевого пузыря в течение 2 часов, если симптомы сохраняются, и обратитесь к врачу, или;
      • Сканирование мочевого пузыря. Если объем >300-500 мл, периодическая катетеризация. Повторяйте сканирование после опорожнения мочевого пузыря каждые 6 часов, если симптомы не исчезают, и обратитесь к врачу.

      Вариант 3: Пациент не может опорожнить мочевой пузырь в течение 6 часов.

      ведет к:

      • Сканирование мочевого пузыря. Если объем <300 см3, наблюдайте.
  • Добавить комментарий

    Ваш адрес email не будет опубликован.