Пациент-ориентированные системы для цифровой профилактики хронических неинфекционных заболеваний (обзор литературы)

Введение. Развитие цифровизации здравоохранения на основе цифровых и информационных технологий обеспечило рост систем, ориентированных на пациентов для профилактики хронических неинфекционных заболеваний. В этом аспекте пациент-ориентированные системы (ПОС) выступают средством управления здоровьем человека и инновационным инструментом цифровой профилактики заболеваний. Под цифровой профилактикой заболеваний будем понимать область цифрового здравоохранения, сфокусированную на применении информационных и коммуникационных технологий, а именно цифровых устройств и приложений, для решения задач профилактической помощи населению.

Цель — систематизировать публикации, посвящённые ПОС для профилактики хронических неинфекционных заболеваний и представить их многоаспектную классификацию.

Выбор публикаций выполняли с помощью поисковых систем и информационных ресурсов elibrary.ru, sciencedirect, BMJ, MEDLINE/PubMed, Elsevier, Springer, MDPI, Sage journals, JMIR за 2013–2023 гг. В результате экспертного анализа в обзор были включены 54 публикации.

Даны определения понятий «Цифровая профилактика», «Пациент-ориентированные системы», приведена многоаспектная классификация публикаций в области ПОС: по основному назначению (28%), контенту (13%), используемым цифровым технологиям (39%), виду решаемых задач в области профилактики заболеваний (41%). Также проанализированы публикации, в которых применялись технологии искусственного интеллекта в рамках ПОС (13%) и готовые к использованию цифровые решения (20%).

Заключение. Результаты будут способствовать дальнейшему исследованию, оптимальному внедрению и эффективному использованию цифровых технологий в виде ПОС для улучшения результатов профилактических мероприятий у пациентов с хроническими неинфекционными заболеваниями и развития цифровой профилактики заболеваний.

Участие авторов:
Афанасьева Т.В. — концепция и дизайн исследования, поиск и классификация публикаций, написание текста, составление списка литературы;
Замашкин Ю.С. — написание текста, обработка и анализ публикаций, редактирование.
Все соавторы — утверждение окончательного варианта статьи, ответственность за целостность всех частей статьи.

Финансирование. Исследование выполнено в рамках государственного задания в сфере научной деятельности Министерства науки и высшего образования РФ на тему «Модели, методы и алгоритмы искусственного интеллекта в задачах экономики для анализа и стилизации многомерных данных, прогнозирования временных рядов и проектирования рекомендательных систем», номер проекта FSSW-2023-0004.

Конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов в связи с публикацией данной статьи.

Поступила: 04.10.2023 / Принята к печати: 20.12.2023 / Опубликована: 30.06.2025

1. WHO. Global strategy on digital health 2020–2025; 2021. https://who.int/publications/i/item/9789240020924

2. Драпкина О.М., Концевая А.В., Калинина А.М., Авдеев С.Н., Агальцов М.В., Александрова Л.М. и др. Профилактика хронических неинфекционных заболеваний в Российской Федерации. Национальное руководство 2022. Кардиоваскулярная терапия и профилактика. 2022; 21(4): 5–232. https://doi.org/10.15829/1728-8800-2022-3235 https://elibrary.ru/dnbvat

3. ПАСПОРТ Стратегии цифровой трансформации отрасли «Здравоохранение» до 2024 года и на плановый период до 2030 года. 2021. Available at: https://clck.ru/3M5CPf

4. Feigin V.L., Krishnamurthi R., Merkin A., Nair B., Kravchenko M., Jalili-Moghaddam S. Digital solutions for primary stroke and cardiovascular disease prevention: A mass individual and public health approach. The Lancet Regional Health – Western Pacific. 2022;29. https://doi.org/10.1016/j.lanwpc.2022.100511

5. EC. eHealth: Digital health and care. Available at: https://health.ec.europa.eu/ehealth-digital-health-and-care/overview_en

6. WHO Guideline: Recommendations on digital interventions for health system strengthening; 2019. Available at: https://who.int/publications/i/item/9789241550505

7. Проект Роспотребнадзора РФ «Здоровое питание»; 2019. Доступно: https://здоровое-питание.рф

8. Robles-Bykbaev Y., Oyola-Flores C., Robles-Bykbaev V.E., López-Nores M., Ingavélez-Guerra P., Pazos-Arias J.J., et al. A bespoke social network for deaf women in Ecuador to access information on sexual and reproductive health. Int. J. Environ. Res. Public Health. 2019; 16(20): 3962. https://doi.org/10.3390/ijerph16203962

9. Aggarwal A., Chakradar M., Bhatia M.S., Kumar M., Stephan T., Gupta S.K., et al. COVID-19 risk prediction for diabetic patients using fuzzy inference system and machine learning approaches. J. Healthc. Eng. 2022; 2022: 4096950. https://doi.org/10.1155/2022/4096950

10. Leddy J., Green J.A., Yule C., Molecavage J., Coresh J., Chang A.R. Improving proteinuria screening with mailed smartphone urinalysis testing in previously unscreened patients with hypertension: a randomized controlled trial. BMC Nephrol. 2019; 20(1): 132. https://doi.org/10.1186/s12882-019-1324-z

11. Chen J., Li K., Rong H., Bilal K., Yang N., Li K. A disease diagnosis and treatment recommendation system based on big data mining and cloud computing. Inf. Sci. 2018; 435: 124–49. https://doi.org/10.1016/j.ins.2018.01.001

12. Nashif S., Raihan R., Islam R., Imam M.H. Heart disease detection by using machine learning algorithms and a real-time cardiovascular health monitoring system. World J. Eng. Technol. 2018; 6(4): 854–73. https://doi.org/10.4236/wjet.2018.64057

13. Abbas A., Ali M., Khan M.U.S., Khan S.U. Personalized healthcare cloud services for disease risk assessment and wellness management using social media. Pervasive Mob. Comput. 2016; 28: 81–99.

14. Быков А.В., Кореневский Н.А., Родионова С.Н., Цымбал Е.В. Метод и нечеткая модель оценки динамики развития критической ишемии нижних конечностей. Вестник новых медицинских технологий. 2018; (4): 251–7. https://doi.org/10.24411/1609-2163-2018-16227 https://elibrary.ru/yrwkwl

15. Nasiri M., Minaei B., Kiani A. Dynamic recommendation: Disease prediction and prevention using recommender system. Int. J. Basic Sci. Med. 2016; 1(1): 13–7. https://doi.org/10.15171/ijbsm.2016.04

16. Cai Y., Yu F., Kumar M., Gladney R., Mostafa J. Health recommender systems development, usage, and evaluation from 2010 to 2022: A scoping review. Int. J. Environ. Res. Public Health. 2022; 19(22): 15115. https://doi.org/10.3390/ijerph192215115

17. Ferretto L.R., Bellei E.A., Biduski D., Bin L.C.P., Moro M.M., Cervi C.R., et al. A physical activity recommender system for patients with arterial hypertension. IEEE Access. 2020; 8: 61656–64. https://doi.org/10.1109/ACCESS.2020.2983564

18. Афанасьева Т.В., Платов П.В. Системная модель и архитектурное решение системы пациент-ориентированных рекомендаций для управления риском развития сердечно-сосудистых событий. Автоматизация процессов управления. 2023; (1): 15–24. https://doi.org/10.35752/1991-2927_2023_1_71_15 https://elibrary.ru/jtdymi

19. Granda Morales L.F., Valdiviezo-Diaz P., Reátegui R., Barba-Guaman L. Drug recommendation system for diabetes using a collaborative filtering and clustering approach: development and performance evaluation. J. Med. Internet Res. 2022; 24(7): e37233. https://doi.org/10.2196/37233

20. Chiang P.H., Wong M., Dey S. Using wearables and machine learning to enable personalized lifestyle recommendations to improve blood pressure. IEEE J. Transl. Eng. Health Med. 2021; 9: 2700513. https://doi.org/10.1109/jtehm.2021.3098173

21. Sookrah R., Dhowtal J.D., Nagowah S.D. A DASH diet recommendation system for hypertensive patients using machine learning. In: Proceedings of the 2019 7th International Conference on Information and Communication Technology (ICoICT). Kuala Lumpur; 2019. https://doi.org/10.1109/ICoICT.2019.8835323

22. Jung H., Chung K. Knowledge-based dietary nutrition recommendation for obese management. Inf. Technol. Manag. 2016; 17: 29–42. https://doi.org/10.1007/s10799-015-0218-4

23. Emerencia A., van der Krieke L., Sytema S., Petkov N., Aiello M. Generating personalized advice for schizophrenia patients. Artif. Intell. Med. 2013; 58(1): 23–36. https://doi.org/10.1016/j.artmed.2013.01.002

24. Gellert G.A., Orzechowski P.M., Price T., Kabat-Karabon A., Jaszczak J., Marcjasz N., et al. A multinational survey of patient utilization of and value conveyed through virtual symptom triage and healthcare referral. Front. Public Health. 2023; 10: 1047291. https://doi.org/10.3389/fpubh.2022.1047291

25. Валеева Э.Р., Степанова Н.В., Абдуллин Д.Д., Басыйров А.М. Современные информационные технологии в формировании здорового образа жизни населения (программное обеспечение "VALEO LIFE"). Медико-фармацевтический журнал Пульс. 2022; 24(2): 73–80. https://doi.org/10.26787/nydha-2686-6838-2022-24-2-73-80 https://elibrary.ru/cafgbs

26. De Santis K.K., Mergenthal L., Christianson L., Zeeb H. Digital technologies for health promotion and disease prevention in older people: protocol for a scoping review. JMIR Res. Protoc. 2022; 11(7): e37729. https://doi.org/10.2196/37729

27. Santos M.A.G., Munoz R., Olivares R., Filho P.P.R., Del Ser J., de Albuquerque V.H.C. Online heart monitoring systems on the internet of health things environments: A survey, a reference model and an outlook. Inf. Fusion. 2020;53:222–39. https://doi.org/10.1016/j.inffus.2019.06.004

28. Rachata N., Temdee P. Mobile-based self-monitoring for preventing patients with type 2 diabetes mellitus and hypertension from cardiovascular complication. Wireless Pers. Commun. 2021; 117: 151–75. https://doi.org/10.1007/s11277-020-07440-w

29. Clarke S., Jaimes L.G., Labrador M.A. MStress: A mobile recommender system for just-in-time interventions for stress. In: Proceedings of the 2017 14th IEEE Annual Consumer Communications & Networking Conference (CCNC). Las Vegas; 2017: 1–5.

30. Gómez J., Oviedo B., Zhuma E. Patient monitoring system based on internet of things. Procedia Comput. Sci. 2016; 83: 90–7. https://doi.org/10.1016/j.procs.2016.04.103

31. Hors-Fraile S., Schneider F., Fernandez-Luque L., Luna-Perejon F., Civit A., Spachos D., et al. Tailoring motivational health messages for smoking cessation using an mHealth recommender system integrated with an electronic health record: a study protocol. BMC Public Health. 2018; 18(1): 698. https://doi.org/10.1186/s12889-018-5612-5

32. Sana F., Isselbacher E.M., Singh J.P., Heist E.K., Pathik B., Armoundas A.A. Wearable devices for ambulatory cardiac monitoring: JACC state-of-the-art review. J. Am. Coll. Cardiol. 2020; 75(13): 1582–92. https://doi.org/10.1016/j.jacc.2020.01.046

33. Duncker D., Ding W.Y., Etheridge S., Noseworthy P.A., Veltmann C., Yao X., et al. Smart wearables for cardiac monitoring-real-world use beyond atrial fibrillation. Sensors (Basel). 2021; 21(7): 2539. https://doi.org/10.3390/s21072539

34. Сон Д.А., Турдалиева Б.С., Аимбетова Г.Е. Применение современных информационных технологий для охраны здоровья населения и профилактики хронических неинфекционных заболеваний. Наука о жизни и здоровье. 2019; (3): 82–7. https://doi.org/10.24411/2415-7414-2019-10042 https://elibrary.ru/szmhio

35. Tran T.N.T., Felfernig A., Trattner C., Holzinger A. Recommender systems in the healthcare domain: state-of-the-art and research issues. J. Intell. Inf. Syst. 2021; 57: 171–201. https://doi.org/10.1007/s10844-020-00633-6

36. Chaix B., Guillemassé A., Nectoux P., Delamon G., Brouard B. Vik: a chatbot to support patients with chronic diseases. Health. 2020; 12(07): 804–10. https://doi.org/10.4236/health.2020.127058

37. Куликова М.С., Калинина А.М., Концевая А.В., Драпкина О.М. Дистанционный контроль процесса снижения избыточной массы тела с помощью мобильного приложения «Доктор ПМ»: мнение пациентов и медицинских работников. Профилактическая медицина. 2022; 25(10): 35‑43. https://doi.org/10.17116/profmed20222510135 https://elibrary.ru/oyksmy

38. Su D., Michaud T.L., Estabrooks P., Schwab R.J., Eiland L.A., Hansen G., et al. Diabetes management through remote patient monitoring: the importance of patient activation and engagement with the technology. Telemed. J.E. Health. 2019; 25(10): 952–9. https://doi.org/10.1089/tmj.2018.0205

39. Котельникова Е.В., Сенчихин В.Н., Липчанская Т.П. Возможности телемедицинского мониторинга факторов риска у пациентов с кардиоваскулярными заболеваниями: опыт использования пациент-ориентированной модели дистанционной реабилитационной помощи. Здравоохранение Российской Федерации. 2021; 65(6): 549–56. https://doi.org/10.47470/0044-197X-2021-65-6-549-556 https://elibrary.ru/nfzmia

40. Haleem A., Javaid M., Singh R.P., Suman R. Telemedicine for healthcare: Capabilities, features, barriers, and applications. Sens. Int. 2021; 2: 100117. doi: https://doi.org/10.1016/j.sintl.2021.100117

41. Foster C., Schinasi D., Kan K., Macy M., Wheeler D., Curfman A. Remote monitoring of patient- and family-generated health data in pediatrics. Pediatrics. 2022; 149(2): e2021054137. https://doi.org/10.1542/peds.2021-054137

42. Alian S., Li J., Pandey V.A A personalized recommendation system to support diabetes self-management for American Indians. IEEE Access. 2018; 6: 73041–51. https://doi.org/10.1109/ACCESS.2018.2882138

43. Huygens M.W., Swinkels I.C., de Jong J.D., Heijmans M.J., Friele R.D., van Schayck O.C., et al. Self-monitoring of health data by patients with a chronic disease: does disease controllability matter? BMC Fam. Pract. 2017; 18(1): 1–10. https://doi.org/10.1186/s12875-017-0615-3

44. Agapito G., Simeoni M., Calabrese B., Caré I., Lamprinoudi T., Guzzi P.H., et al. DIETOS: A dietary recommender system for chronic diseases monitoring and management. Comput. Methods Programs Biomed. 2018; 153: 93–104. https://doi.org/10.1016/j.cmpb.2017.10.014

45. Орнамент. Персональный коуч по здоровью; 2022. Доступно: https://ornament.health/ru

46. Власова А. Виртуальные ассистенты в медицине. Альманах «Искусственный интеллект». 2022; (11): 94–101.

47. Virtual assistant Medwhat; 2019. Available at: https://medwhat.com

48. Калькулятор SCORE. Available at: https://cmphmao.ru/node/234

49. Willis V.C., Thomas Craig K.J., Jabbarpour Y., Scheufele E.L., Arriaga Y.E., Ajinkya M., et al. Digital health interventions to enhance prevention in primary care: scoping review. JMIR Med. Inform. 2022; 10(1): e33518. https://doi.org/10.2196/33518

50. Widmer R.J., Collins N.M., Collins C.S., West C.P., Lerman L.O., Lerman A. Digital health interventions for the prevention of cardiovascular disease: a systematic review and meta-analysis. Mayo Clin. Proc. 2015; 90(4): 469–80. https://doi.org/10.1016/j.mayocp.2014.12.026

51. Кобринский Б.А. Интеллектуальные рекомендательные системы для медицины: особенности и ограничения. Искусственный интеллект и принятие решений. 2022; (3): 51–62. https://doi.org/10.14357/20718594220304 https://elibrary.ru/hhpfqw

52. Chen Y., Perez-Cueto F.J.A., Giboreau A., Mavridis I., Hartwell H. The promotion of eating behaviour change through digital interventions. Int. J. Environ. Res. Public Health. 2020; 17(20): 7488. https://doi.org/10.3390/ijerph17207488/

53. Stark A.L., Geukes C., Dockweiler C. Digital health promotion and prevention in settings: scoping review. J. Med. Internet Res. 2022; 24(1): e21063. https://doi.org/10.2196/21063

54. Clephas P.R.D., Aydin D., Radhoe S.P., Brugts J.J. Recent advances in remote pulmonary artery pressure monitoring for patients with chronic heart failure: current evidence and future perspectives. Sensors (Basel). 2023; 23(3): 1364. https://doi.org/10.3390/s23031364