Моделирование интеллектуального интерфейса взаимодействия аптеки и детской клиники
- Авторы: Курашов М.М.1, Кондрашов А.А.2, Лоскутова Е.Е.1
-
Учреждения:
- Российский университет дружбы народов имени Патриса Лумумбы
- Московский государственный университет имени М.В. Ломоносова
- Выпуск: Том 73, № 7 (2024)
- Страницы: 41-48
- Раздел: Организация и экономика
- URL: https://bakhtiniada.ru/0367-3014/article/view/295988
- DOI: https://doi.org/10.29296/25419218-2024-07-06
- ID: 295988
Цитировать
Открытый доступ
Доступ предоставлен
Только для подписчиков
Аннотация
Введение. Экономические барьеры, неравномерное территориальное распределение аптечных организаций и недостаточная эффективность логистических цепочек поставок лекарственных препаратов (ЛП) затрудняют доступность ЛП и своевременное получение пациентами фармацевтической помощи (ФП) во всем мире. Цифровая трансформация в здравоохранении, ускоренная кризисом COVID-19, обусловливает необходимость адаптации практики оказания ФП под современные потребности пациентов.
Цель исследования. Разработать и валидировать процедуру взаимодействия клиники и аптеки для обеспечения обмена данными через интерфейс, позволяющий аптеке получать данные для формирования ассортимента лекарственных препаратов (ЛП), адаптированного под особенности и тенденции поведения основной целевой аудитории.
Материал и методы. В исследовании использовались обезличенные данные о назначениях ЛП врачами из медицинской информационной системы сети медицинских организаций Москвы за период с января 2018 по декабрь 2023 гг. Проведена предварительная обработка данных, обучение модели машинного обучения с использованием алгоритма LightGBM, оценка ее предсказательной способности с применением метрик MAE и RMSE.
Результаты. Разработан аналитический интерфейс взаимодействия клиники и аптеки, включающий предсказательную модель формирования ассортимента ЛП. Модель эффективно учитывает сезонные тренды, демографические особенности пациентов и другие ключевые факторы, влияющие на спрос на ЛП. Средние значения метрик MAE и RMSE составили 1,27 и 1,68 соответственно, что свидетельствует о высокой точности модели.
Заключение. Внедрение разработанного интерфейса позволяет аптеке формировать ассортимент ЛП, адаптированный к реальным потребностям пациентов, что способствует оптимизации управления запасами, снижению риска дефицита и избыточного накопления препаратов, повышению доступности ФП детям и увеличению экономической эффективности аптеки. Интеграция технологий больших данных и машинного обучения открывает новые перспективы для персонализации медицинской и ФП.
Ключевые слова
Полный текст
Открыть статью на сайте журналаОб авторах
Максим Михайлович Курашов
Российский университет дружбы народов имени Патриса Лумумбы
Email: kurashov-mm@rudn.ru
ORCID iD: 0000-0002-0349-905X
кандидат фармацевтических наук, доцент кафедры управления и экономики фармации
Россия, МоскваАлександр Андреевич Кондрашов
Московский государственный университет имени М.В. Ломоносова
Email: kondrasasha@mail.ru
ORCID iD: 0009-0004-0601-3205
аспирант кафедры фармацевтической химии и организации фармацевтического дела
Россия, МоскваЕкатерина Ефимовна Лоскутова
Российский университет дружбы народов имени Патриса Лумумбы
Автор, ответственный за переписку.
Email: loskutova-ee@rudn.ru
ORCID iD: 0000-0002-1514-0941
доктор фармацевтических наук, профессор, заведующая кафедрой управления и экономики фармации
Россия, МоскваСписок литературы
- Wei X., Yuan H., Sun Y. et al. Health Services Utilization in China during the COVID-19 Pandemic: Results from a Large-Scale Online Survey. Int J Environ Res Public Health. 2022; 19 (23). doi: 10.3390/ijerph192315892.
- Liu S., Luo P., Tang M. et al. Providing pharmacy services during the coronavirus pandemic. Int J Clin Pharm. 2020; 42 (2): 299–304. doi: 10.1007/s11096-020-01017-0.
- Peng Y., Wang H., Fang Q. et al. Effectiveness of Mobile Applications on Medication Adherence in Adults with Chronic Diseases: A Systematic Review and Meta-Analysis. J Manag Care Spec Pharm. 2020; 26 (4): 550–561. doi: 10.18553/jmcp.2020.26.4.550.
- Сибирева А.Д., Желткевич О.В. Концепция информационно-коммуникационной услуги в аптечной организации. Фармация, 2021; 70 (3): 42–49. [Sibireva AD, Zheltkevich OV. The concept of information and communication services in a pharmacy. Farmaciya (Pharmacy) 2021; 70 (3): 42–49. doi: 10.29296/25419218-2021-03-08 (in Russian).]
- Просвиркин Г.А., Дорофеева В.В. Анализ услуги дистанционного консультирования в аптечных онлайн-сервисах. Фармация, 2024; (3): 38–42. [Prosvirkin GA, Dorofeeva VV. Analyzing the Implementation of Remote Consultation in Online Pharmacies. Farmaciya (Pharmacy) 2024; 73 (3): 38–42. doi: 10.29296/25419218-2024-03-06 (in Russian)]
- Esteva A., Robicquet A., Ramsundar B. et al. A guide to deep learning in healthcare. Nat Med 2019; 25 (1): 24–29. doi: 10.1038/s41591-018-0316-z.
- Beam A.L., Kohane I.S. Big Data and Machine Learning in Health Care. JAMA 2018; 319 (13): 1317. doi: 10.1001/jama.2017.18391.
- Bertolotti F., Schettini F., Ferrario L. et al. A prediction framework for pharmaceutical drug consumption using short time-series. Expert Syst Appl 2024; 253: 124265. doi: 10.1016/j.eswa.2024.124265.
- Soumit Roy, Mainak Mitra. Enhancing Efficiency in Healthcare Supply Chains: Leveraging Machine Learning for Optimized Operations. International Journal For Multidisciplinary Research 2021; 3 (6). doi: 10.36948/ijfmr.2021.v03i06.10323.
- Bhat S.S., Srihari V.R., Prabhune A. et al. Optimizing Medication Access in Public Healthcare Centers: A Machine Learning Stochastic Model for Inventory Management and Demand Forecasting in Primary Health Services. In: 2024 International Conference on Intelligent and Innovative Technologies in Computing, Electrical and Electronics (IITCEE) IEEE. 2024; 1–5; doi: 10.1109/IITCEE59897.2024.10467229.
- Ke G., Meng Q., Finley T. et al. LightGBM: A Highly Efficient Gradient Boosting Decision Tree. In: Advances in Neural Information Processing Systems. (Guyon I., Luxburg U. Von, Bengio S. et al. eds) Curran Associates, Inc.; 2017.
- Lokker C., Abdelkader W., Bagheri E. et al. Boosting efficiency in a clinical literature surveillance system with LightGBM. PLOS Digital Health 2024; 3 (9): e0000299. doi: 10.1371/journal.pdig.0000299.
- Chen T., Guestrin C. XGBoost. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining ACM: New York, NY, USA. 2016; 785–794; doi: 10.1145/2939672.2939785.
- Kumar A., Mani V., Jain V. et al. Managing healthcare supply chain through artificial intelligence (AI): A study of critical success factors. Comput Ind Eng 2023; 175: 108815. doi: 10.1016/j.cie.2022.108815.
- Rathipriya R., Abdul Rahman A.A., Dhamodharavadhani S. et al. Demand forecasting model for time-series pharmaceutical data using shallow and deep neural network model. Neural Comput Appl. 2023; 35 (2): 1945–1957. doi: 10.1007/s00521-022-07889-9.
Дополнительные файлы
