Научный архив: статьи

 Авторы рассматривают тенденции и особенности развития нормативного регулирования проведения геномных исследований в контексте цифровизации на уровне глобальных и региональных международных организаций, включая интеграционные объединения. Проанализированы действующие в современном международном и интеграционном праве источники правового регулирования применения технологий искусственного интеллекта в сфере геномных исследований, выявлены основные тенденции развития глобальной и региональной регуляторики. Обращено внимание на то, что ключевые международные акты, принятые как на глобальном, так и на региональном уровне и регулирующие те или иные аспекты проведения геномных исследований, представляют собой так называемые акты мягкого права, которые являются рекомендательными и составляют своего рода «предправо». В заключение представлены рекомендации по усовершенствованию релевантного правового регулирования в рамках интеграционных объединений с участием Российской Федерации.

Развитие технологий, позволяющих собирать и обрабатывать большие массивы данных в медицинских целях, а также развитие цифровых инструментов и рост объема медицинской информации, собираемой как частными, так и государственными медицинскими учреждениями, определяют научный интерес к проблематике, рассматриваемой в настоящей статье. Одним из эффективных инструментов сбора таких данных являются данные реальной клинической практики и доказательства реальной клинической практики, которые позволяют обеспечивать сбор сведений о состоянии здоровья граждан, безопасности и эффективности лекарственных средств и медицинских изделий, а также иных данных о пациенте. Вместе с тем понятийно-категориальный аппарат, необходимый для формирования и реализации регуляторной политики в данной сфере, начал формироваться сравнительно недавно. Анализ российского и зарубежного законодательства и практики его применения позволяет сделать вывод о том, что данный элемент отраслевого правового регулирования находится в начальной стадии формирования и характеризуется использованием несогласованной терминологии и разностью подходов к пониманию источника и предмета таких данных.

До настоящего времени ни в академических кругах, ни в медицинском и ИТ сообществах не сформировано единого мнения, какой должна быть архитектура медицинской экосистемы. В связи с ориентированностью медицинских экосистем, в отличие от иных бизнес-экосистем, в первую очередь на удовлетворение потребностей пациентов в здоровье-сбережении, а также в связи с постоянными изменениями в мире ИТ и современном бизнесе, работа по согласованию бизнеса и ИТ в интересах пациентов в медицинской экосистеме приобретает особое значение. Предлагается использовать подход, основанный на концепции архитектуры предприятия (АП), которая уже в течение достаточно длительного времени использовалась для разработки информационных систем, в сочетании с подходом, основанном на управлении ИТ-сервисами. В данной статье при- водится обоснование использования концепции АП совместно с управлением ИТ-сервисами для согласования потребности бизнеса и информационных технологий при разработке архитектуры медицинской экосистемы. Цель данной статьи – дать общее представление об использовании АП для решения проблем совместного создания ценностей в рамках медицинской экосистемы средствами информационных технологий. Также в статье представлен фреймворк TOGAF как один из наиболее перспективных общих фреймворков для разработки архитектуры медицинской экосистемы. В качестве экосистемного продукта описан массив медицинских услуг экосистемы, также описаны основные артефакты и система управления экосистемы. Настоящая статья может стать отправной точкой для разработки архитектуры медицинской экосистемы с использованием существующих архитектурных фреймворков или для разработки специализированных фреймворков для применения в этой области.

Усилия медицины постепенно смещаются от борьбы с конкретным заболеванием к обеспечению индивидуального благополучия пациентов с одновременным ростом информационной емкости медицины. Информационно-коммуникационные технологии рассматриваются как ключевой фактор любой стратегии повышения качества и экономической эффективности медицинской помощи. Развитие систем электронных медицинских карт, интеллектуального здравоохранения, мобильной медицины, искусственного интеллекта открыли новые возможности для сотрудничества и взаимодействия между поставщиками медицинских услуг и пациентами в рамках цифровой экосистемы медицинской помощи, стимулируя технологические инновации. Медицинская экосистема призвана реализовать системный подход к обработке клинических данных, как основы повышения эффективности медицинской помощи за счет цифровой трансформации сквозных медицинских технологических процессов. Она сфокусирована на интеграции работы разных поставщиков и потребителей медицинской помощи, обмене между ними данными и информацией для оказания комплексной медицинской помощи пациентам некоторого объединения МО. Медицинские экосистемы рассматриваются как системы, которые фокусируются на данных и генерировании новых знаний о здоровье сбережении, то есть как открытые и слабосвязанные системы, которые позволяют участникам использовать полученные знания по-своему, например, в отдельных экосистемах МО участников.

Цифровая трансформация здравоохранения происходит в фарватере цифровой экономики. Мы имеем дело с трансфером инновационных решений бизнес-экосистем в медицину, что предполагает необходимость учета особенностей предметной области. Ключевой технологией цифровой трансформации медицины вслед за многими отраслями экономики считается метод цифрового двойника, применение которого невозможно без использования и развития других экосистемных технологий: ЭМК, аналитики больших данных, ИИ, интернета вещей и блокчейна. Эффективная и всеобъемлющая реализация концепции цифровых двойников для такой предметной области, как медицина, возможна, если решена проблема объединения по- ставщиков и потребителей медицинской помощи в цифровую медицинскую экосистему, способную предоставить целостные и однородные первичные данные.

Реализация концепции совместного управления здоровьем пациента в рамках цифровых экосистем медицинской помощи сталкивается с препятствиями, в первую очередь, из-за сложных проблем, связанных с интероперабельностью, конфиденциальностью, безопасностью и эффективным управлением данными. Решение возможных проблем находится в обеспечении приоритета научных исследований для усиления объективизации выбора экосистемных технологий и определения этапности в достижении поставленных целей. Развитие экосистемы необходимо рассматривать в виде строительных блоков, которые со временем накладываются один на другой. Первые, нижние блоки призваны расширить возможности имеющихся технологий, а более поздние потребуют специальных исследований в области информационных технологий в широком смысле, а также медицинской информатики, в частности. Необходимы и упреждающие изменения в регулировании отрасли с учетом вызовов цифровой экономики и динамики изменений в социальной сфере.

Применение современных методов машинного обучения (МО) для статистического анализа больших выборок пациентов существенно превышает возможности традиционных способов обработки информации в клинической медицине.

Цель. Разработать алгоритм применения рекуррентных нейронных сетей при анализе набора клинических данных пациентов с субарахноидальным кровоизлиянием (САК).

Материалы и методы. Регистр по типу «больших данных» содержал ретроспективные данные 2631 пациента с артериальными аневризмами. Из них для данного исследования было отобрано 390 человек, у которых САК потребовало лечения в условиях отделения интенсивной терапии, анестезии и реанимации (ИТАР). Исходный набор данных содержал 7290 признаков, из которых было отобрано 12 для обучения следующих моделей МО: логистическая регрессия, метод опорных векторов, метод случайного леса, градиентный бустинг, многослойный перцептрон, рекуррентная сеть с архитектурой долгой краткосрочной памяти (LSTM). Все этапы предобработки и моделирования данных выполнены на языке Python (версия 3.11.4) с использованием библиотек scikit-learn, tensorflow, keras и hyperopt. Вычислены значения и 95% доверительные интервалы (ДИ) AUROC и AURPC, прогностическая ценность, специфичность и чувствительность.

Результаты. В выборке было 246 (63%) женщин и 144 (37%) мужчины, средний возраст всех пациентов составил 54 ± 12,9 года. Летальный исход зарегистрирован у 133 (34%) пациентов, в том числе у 33 в течение 24 часов после поступления. Лучшей моделью, предсказывающей летальный исход, была рекуррентная нейронная сеть LSTM. При сравнении с другими моделями LSTM характеризовалась наибольшей предиктивной силой (AUROC – 0,83; 95% ДИ: 0,72–0,92, AURPC – 0,62; 95% ДИ 0,39–0,81) в отношении госпитальной летальности. Для периода времени нахождения в ИТАР с 3-х по 6-е сутки положительная прогностическая ценность модели составила 0,83, чувствительность – 0,95 и специфичность – 0,58.

Заключение. Рекуррентная нейронная сеть LSTM может быть адаптирована к разработке автоматизированных алгоритмов ведения пациентов с САК в критическом состоянии.

Данная работа является дискуссионной и посвящена раскрытию методологических ошибок научных исследований, часто наблюдаемых в русскоязычной научной периодике. C заключением эффективного контракта профессорско-преподавательский состав университетов искусственно стимулируется к научно-публикационной деятельности, что повышает актуальность исследования ментальных действий, которые совершают молодые ученые для получения нового научного знания. В этом контексте остро встает вопрос о том, не получилось ли новое научное знание у исследователя результатом совершенных методологических ошибок, допущенной исследовательской небрежности. На примере отдельно взятой статьи, посвященной применению системного подхода к промышленному Интернету вещей, автор подчеркивает ряд методологических ошибок и раскрывает важность глубины обзора литературы как ключевой характеристики накопления базовых знаний. Также автор подчеркивает значимость четкого определения предмета и объекта исследования и рекомендует расписывать методологию исследования не только в отдельно взятом параграфе, а более конкретно, применительно к каждому этапу и разделу исследования. Для того чтобы раскрыть методологические ошибки научного исследования, автору приходится вернуться к определению научной методологии, системного анализа и промышленного Интернета вещей. На примере конкретной работы автор подчеркивает необходимость строгого и четкого применения общенаучных методов исследования, а также важность глубины обзора литературы, который не должен отражать субъективное незнание ученого. Также автор подчеркивает опасность смены направления научного исследования относительно специальности высшего образования молодого ученого, что может привести к путанице субъективного и объективного незнания из-за поверхностного обзора литературы.

Статья посвящена определению перспективы совершенствования управления конкурентоспособностью бизнеса через расширение использования технологий искусственного интеллекта и больших данных для его устойчивого развития в России. Методология исследования базируется на применении метода регрессионного анализа, с помощью которого осуществляется моделирование влияния факторов использования цифровых технологий в бизнесе на конкурентоспособность экономики. Временной период исследования охватывает границы Десятилетия науки и технологий: используется статистика за 2022 г. и составляется прогноз на период до 2031 г. В результате на основе опыта топ-30 стран с наиболее активным использованием цифровых технологий в бизнесе в 2022 г. авторами составлена эконометрическая модель конкурентоспособности экономики. С опорой на эту модель раскрыта перспектива использования искусственного интеллекта и больших данных в управлении конкурентоспособностью бизнеса России для его устойчивого развития в Десятилетие науки и технологий. Главный авторский вывод по итогам проведенного исследования сводится к тому, что перспектива укрепления конкурентоспособности и устойчивого развития бизнеса в России в Десятилетие науки и технологий связана с ростом активности использования бизнес-структурами технологий искусственного интеллекта и больших данных. Авторами обоснована целесообразность активной технологической модернизации бизнеса для укрепления технологических конкурентных преимуществ, обладающих большой ценностью в современной рыночной среде. Авторами приведена научная аргументация того, что технологии искусственного интеллекта и больших данных более предпочтительны (вносят гораздо больший вклад в конкурентоспособность), чем технологии Интернета вещей и облачные сервисы. Практическая значимость полученных авторами результатов связана с тем, что составленные рекомендации по повышению активности использования искусственного интеллекта и больших данных в российском бизнесе позволят наиболее полно раскрыть потенциал роста его конкурентоспособности. Предложенные контрольные значения соответствующих показателей послужат для этого ориентирами в поддержку устойчивого развития бизнеса России.

Современные информационные технологии внесли изменения в способ сбора, хранения и обработки данных. В таких условиях традиционные подходы к обработке информации становятся малоэффективными. Для удобства работы с большими данными реализовано большое количество фреймворков и распределенных хранилищ данных. Одним из известных методов для поддержки выполнения крупномасштабных распределенных прикладных программ является MapReduce. В статье представлен обзор современных технологий, применяемых в области обработки больших данных, анализ рынка, а также сравнение современных аналитических систем управления базами данных.

В данной статье рассматривается вопрос применения технологий блокчейн с целью повышения прозрачности и эффективности инвестиционных процессов в региональном контексте. Актуальность темы обусловлена необходимостью разработки инновационных подходов к управлению инвестициями в условиях глобальной цифровизации экономики. Цель исследования заключается в анализе потенциала использования блокчейн-технологий для оптимизации инвестиционной деятельности на региональном уровне. Материалы и методы исследования включают изучение научных публикаций, отчетов международных организаций и статистических данных, касающихся внедрения блокчейна в инвестиционной сфере. Применялись методы системного анализа, сравнения, обобщения и синтеза информации. Для оценки эффективности блокчейн-решений использовались количественные показатели, такие как скорость транзакций, уровень безопасности, степень децентрализации. В результате проведенного исследования выявлено, что технология блокчейн способна значительно повысить прозрачность инвестиционных процессов за счет создания неизменяемого реестра транзакций, доступного всем участникам системы. Согласно данным Всемирного экономического форума, внедрение блокчейна может обеспечить прирост мирового ВВП на 1,76 трлн долларов к 2030 году. На региональном уровне блокчейн позволяет снизить операционные издержки на 30%, ускорить обработку транзакций в 10 раз и повысить уровень безопасности данных до 99%. Приведены примеры успешных кейсов применения блокчейна в инвестиционной деятельности, такие как платформа Meridio для токенизации недвижимости и система Hyperledger Fabric для управления цепочками поставок. Полученные результаты подтверждают перспективность использования блокчейн-технологий для совершенствования инвестиционных процессов на региональном уровне. Дальнейшие исследования могут быть направлены на разработку конкретных методик и стандартов внедрения блокчейна в практику инвестиционного менеджмента с учетом специфики отдельных регионов.

Эффективный строительный контроль и технический надзор критически важны для успешной реализации инвестиционно-строительных проектов (ИСП). Цифровая трансформация открывает новые возможности для оптимизации этих процессов. Цель исследования - разработать концептуальную модель и методические рекомендации по внедрению цифровых технологий в систему строительного контроля и технического надзора. Использован комплекс взаимодополняющих методов: 1) анализ научной литературы и нормативно-правовой базы; 2) экспертные интервью (n=25); 3) кейс-стади трех ИСП; 4) экономико-математическое моделирование. Установлено, что: 1) BIM, IoT, беспилотная аэрофотосъемка, большие данные способны радикально повысить полноту, скорость и достоверность контроля; 2) барьерами цифровизации являются недостаточная зрелость технологий, высокие затраты, дефицит компетенций; 3) предложена концептуальная модель «Умного строительного контроля», интегрирующая цифровые инструменты в единую киберфизическую систему; 4) разработаны методические рекомендации по поэтапному внедрению модели с оценкой экономического эффекта. Значимость. Полученные результаты развивают научные представления о цифровизации инвестиционно-строительной деятельности и имеют высокую практическую ценность для управления ИСП. Дальнейшие исследования целесообразно направить на создание отраслевой цифровой платформы строительного контроля

Применение технологий больших данных открывает новые возможности для оптимизации рецептур хлебобулочных изделий. Цель данного исследования - разработать методологию анализа больших данных для совершенствования рецептур хлеба и улучшения его потребительских свойств. В работе использованы методы интеллектуального анализа данных (data mining), машинного обучения и статистического моделирования. Эмпирическую базу составили структурированные данные о 2500 образцах хлеба, включающие подробную информацию об ингредиентах, режимах приготовления и результатах лабораторных испытаний. Применение алгоритмов кластеризации позволило выделить 5 устойчивых сочетаний ингредиентов, обеспечивающих оптимальные органолептические и физико- химические показатели готовой продукции. С помощью регрессионного анализа получены математические модели, описывающие влияние ключевых рецептурных факторов на объем и пористость хлеба. Метод опорных векторов использован для прогнозирования реологических характеристик теста в зависимости от состава смеси. Результаты исследования имеют значение для оперативной корректировки параметров технологического процесса и создания инновационных продуктов с заданными свойствами. В перспективе планируется масштабировать разработанную методологию на широкий спектр мучных изделий.

В статье исследуется влияние качества данных на эффективность моделей машинного обучения на предприятиях хлебопекарной отрасли в условиях больших данных. Актуальность темы обусловлена растущей ролью аналитики данных в оптимизации хлебопекарного производства и необходимостью обеспечения надежности используемых предиктивных моделей. Цель работы - выявить ключевые параметры качества данных, определяющие точность и практическую применимость моделей машинного обучения в хлебопекарной индустрии. В исследовании использован комплекс методов, включающий статистический анализ массивов производственных данных хлебозаводов, экспертные интервью (n=20) и сравнительное тестирование моделей на разных по качеству обучающих выборках. Установлено, что: 1) полнота, точность и согласованность данных являются ключевыми факторами, влияющими на обобщающую способность моделей; 2) использование предобработки данных (очистка, трансформация) позволяет повысить точность предсказаний выхода хлебобулочных изделий в среднем на 10-15%; 3) модели, обученные на качественных данных, демонстрируют втрое более высокую стабильность на тестовой выборке; 4) качество прогнозирования ключевых показателей процесса хлебопечения у адаптивных моделей может превосходить существующие нормативы на 8-12%. Результаты подтверждают критическую значимость управления качеством данных для реализации потенциала машинного обучения в хлебопекарной индустрии. Предложена методика аудита качества технологических данных хлебозаводов, ориентированная на специфику задач моделирования и оптимизации. Дальнейшие исследования связаны с разработкой инфраструктурных и управленческих решений по обеспечению качества данных в условиях цифровизации хлебопекарного производства.