Проект Orion

базой данных

GAIA – система сбора, обработки и интерпретации исследований

AESCULAPIUS – система протоколирования лечебного процесса

HEIMDALL – система контроля функционирования экосистемы организации

ANUBIS – система многоуровневой защиты ядра

Panacea
(a-protocol)

решения:
Пациент – Врач
Пациент – Медицинская организация
Пациент – облачный сервер комплекса AFINA
Врач – Медицинская организация
Врач – сервер комплекса AFINA

нейросетей
(минимально необходимые
мощности памяти)

Мобильное устройство

Персональные медицинские данные
(основной массив данных)

Анализ данных комплексом GAIA в момент подключения

AFINA – система управления центральной базой данных

анализ данных и определение патологии

Глубокий анализ профильными нейросетями и формирование решения о тактике ведения пациента

Острый панкреатит

Сахарный
диабет

Почечная
недостаточность

Panacea

тд (неограниченное число
параметров)

Оценка соответствия
предыдущим случаям:

Состояние:
стабильное/
нестабильное
Прогноз:
благоприятный/
неблагоприятный

Объем дообследования
с учетом сочетанной патологии:

ЭГДС
КТ ОБП с в/в контрастированием

Повторный анализ

Предложение тактики ведения пациента с наибольшей частотой успешного лечения
Предложение наиболее эффективной терапии с учетом индивидуальных особенностей

Оценка тактики врача и проверка соответствия предложениям нейросети
Сохранение исхода лечения для последующего анализа

тд.)
Контроль электроснабжения (уровень освещенности, энергопотребление и тд.)
Контроль вентиляционной системы (определение температуры среды, анализ проб входящего и выходящего из палат воздуха и тд.)
Контроль деятельности персонала в соответствии с должностными инструкциями
Контроль потребления расходных материалов (инструментов, лекарственных препаратов и тд.)
Контроль процесса питания пациентов (сроки годности, режимы обработки продуктов питания и тд.)
Анализ собранных данных и прогноз расходов в будущем с максимальной точностью (зависит от объема накопленных данных)
Сравнение эффективности экосистем разных организаций и вычисление наиболее эффективной системы (зависит от количества доступных организаций для анализа)

для ПК

Сайт в сети Internet

Мобильное приложение

Облачные сервисы позволяют
получать доступ к
актуальной информации
и отслеживать изменения
в режиме реального времени,
что позволит проводить объективную
оценку эффективности терапии, её
автоматическую коррекцию

исследования (КТ, МРТ):

Аналоги – умная камера Яндекса, маски в приложениях Instagram, Tik-Tok

Печень, вероятность 99%
Язык, вероятность 1%

Перстневидно-клеточный рак, вероятность 84%
Аденоматозный полип, вероятность 16%

Пневмоперитонеум, вероятность 100%

–
- Острый билиарный панкреатит–
Острый травматический панкреатит -
Другие этиологические формы причины –
Источник: Клинические рекомендации – Острый панкреатит – 2020 ( .04.2021)

55%.

35%.

2-4%.

60%.

30%

6-8%

2-4%

6-8%

20

21

Преимущества научной компоненты ORION:
Автоматизированный непредвзятый сбор научных и медицинских данных
Предоставление наиболее актуальных медицинских данных в режиме он-лайн
прямо на рабочий стол врача

позволит НЕ назначать ненужные обследования и лабораторные анализы (даже с учетом сочетанной патологии у пациента)
Система автоматизированного учета и планирования расходных материалов в программном комплексе HEIMDALL позволит минимизировать издержки на избыточно приобретенные материалы, утилизируемые по сроку годности при неиспользовании в течение срока эксплуатации.
Исключение «человеческого фактора» при планировании деятельности организации и группировке метаданных
Снижение количества повторных исследований в разных организациях за счет обмена электронными медицинскими картами позволит:
1) ускорить процесс получения медицинской помощи пациентам, что предотвратит развитие осложнений за время переобследования
2) снизить объем лучевой нагрузки (полное отсутствие контроля на данный момент)
3) снизить траты на реактивы и амортизацию дорогостоящего оборудования

минимизация потери

Ytrue – заранее известный результат (на уровне обучения)

Ypred – вывод нейросети (на уровне обучения)

Y – переменные, которые будут предсказаны

n – число рассматриваемых объектов

w1.1), b1, b2, b3 , b4)

Насколько изменится L при изменении W1) ?

Частная производная:

Данные вычисления возможны благодаря дифференцированию сложной функции:
Цепное правило 
(правило дифференцирования сложной функции)
позволяет вычислить производную композиции двух и более функций на основе индивидуальных производных. Если функция f имеет производную в точке 
x_{0},
а функция g имеет производную в точке y_{0} = f(x_{0}),
то сложная функция
h(x)=g(f(x))
также имеет производную в точке
x_{0}.

где:
Ypred = результат (o1) = f(W1.1) * h1)
Уравнение метода обратного
распространения ошибки (backpropagation):

В итоге: изменение w приводит к небольшому изменению L (с учетом общего веса параметра, который нейтрализуется нормализацией данных)