Способ отслеживания приема препаратов и соблюдения пациентом курса рекомендованной врачом терапии по их приему, реализуемый через цифровую платформу

Способ отслеживания приема препаратов и соблюдения пациентом курса рекомендованной врачом терапии по их приему, реализуемый через цифровую платформу

Выданный патент: RU2870987C1 Дата публикации: 2026-09-29 Заявитель / патентообладатель: ОБЩЕСТВО С ОГРАНИЧЕННОЙ ОТВЕТСТВЕННОСТЬЮ "ЦЕНТР ФАРМАЦЕВТИЧЕСКИХ КОММУНИКАЦИЙ" (RU) Классификация: G16H20/00 G06N3/02 G16H20/00 G06N3/02

Реферат [90] Изобретение относится к области информационных технологий и касается способа контроля соблюдения пациентом назначенного врачом курса лекарственной терапии. Предложен способ, который реализуется через цифровую платформу и включает регистрацию врачей и пациентов с использованием индивидуальных идентификаторов, формирование и заполнение адаптируемых опросников, а также сбор информации о приобретении и приёме лекарств. Цифровая платформа использует технологии искусственного интеллекта и машинного обучения для автоматического сопоставления приобретённых пациентом препаратов с назначениями врача по составу, дозировке и срокам, включая частичные замены и эквиваленты, а также для прогнозирования риска несоблюдения терапии на основании поведенческих и медицинских данных пациента. При выявлении нарушений система формирует уведомление врачу. Пациент получает возврат части стоимости препаратов при соблюдении всех условий. Изобретение обеспечивает автоматизированный контроль соблюдения терапии за счёт интеллектуального анализа аптечных транзакций и медицинских данных.

Описание [1] Изобретение относится к области информационных технологий и касается способа контроля соблюдения пациентом назначенного врачом курса лекарственной терапии. [2] Технический результат [3] Обеспечение автоматизированного контроля соблюдения пациентом назначенного врачом курса лекарственной терапии за счёт сопоставления данных аптечных транзакций с медицинскими назначениями. [4] Из уровня техники известны цифровые платформы и решения, обеспечивающие мониторинг приёма лекарств пациентами и взаимодействие с лечащими врачами. Например, из публикации US20190018932A1 описана система анализа транзакций потребления, позволяющая на основе данных из платёжной сети оценивать покупки лекарств и предоставлять рекомендации. Также в US20150324525A1 представлена система управления медицинскими данными, где пациенты самостоятельно вносят информацию, включая прохождение опросов и загрузку документов. [5] Однако в известных решениях отсутствует механизм интеллектуального сопоставления аптечных транзакций с назначениями врача, особенно в случаях частичного совпадения, подбора аналогов или замены препаратов. Также не реализовано предиктивное прогнозирование риска несоблюдения терапии на основе анализа поведенческих и медицинских данных пациента, применяются статичные алгоритмы анализа без использования машинного обучения, не адаптируемые под индивидуальные шаблоны поведения пациента. Оценка выполнения терапии не сопровождается автоматическим оповещением врача на основе отклонений, рассчитанных интеллектуальными методами. Таким образом, известные решения не обеспечивают надёжного, адаптивного и автоматизированного контроля за соблюдением пациентом рекомендаций врача на основе технологий ИИ, что ограничивает их применимость в задачах динамического фармаконадзора и цифровой клинической поддержки. [6] Раскрытие изобретения [7] Изобретение относится к области медицинских цифровых технологий и предназначено для контроля соблюдения пациентом назначенного курса лекарственной терапии с использованием платформы, реализующей методы искусственного интеллекта и машинного обучения. Технический результат заключается в обеспечении автоматизированного контроля соблюдения терапии за счёт интеллектуального сопоставления данных аптечных транзакций с назначениями врача, а также прогнозирования риска несоблюдения рекомендаций. [8] Цифровая платформа, на которой реализуется способ, включает: [9] - модули регистрации врачей и пациентов, [10] - механизм выдачи и активации опросников, [11] - блок сбора данных о приобретении лекарств (через сканирование QR-кодов чеков и API аптек), [12] - компонент ИИ-анализа, включающий модель сопоставления приобретённых препаратов с назначениями, [13] - модель прогнозирования риска несоблюдения терапии на основе поведенческих и медицинских шаблонов. [14] Система автоматически сопоставляет данные приобретённых препаратов с параметрами назначения: действующее вещество, дозировка, кратность приёма и длительность курса. В случае расхождений (например, покупка аналога, неполного объёма, отклонение по срокам) активируется интеллектуальный модуль оповещения врача. Кроме того, на основе истории опросов, пропусков покупок, скорости реакции и других факторов платформа прогнозирует вероятность несоблюдения терапии конкретным пациентом. Это позволяет врачу скорректировать курс до появления клинических осложнений. Платформа мотивирует пациента к соблюдению терапии через систему поощрений: при выполнении всех условий (покупка, опросы, срок), пациент получает возврат части стоимости лекарств. [15] Осуществление изобретения [16] Реализация способа осуществляется через облачную цифровую платформу, содержащую мобильное приложение и чат-бот (например, в Telegram). Серверная часть размещается в облаке. Программная реализация построена на PHP и Python (сервер), Flutter (клиент). [17] 1. Регистрация врачей. Врач получает уникальный QR-код (на основе штампа времени), выданный представителем платформы. После регистрации врач получает доступ к формированию профиля и выбору опросников. [18] 2. Формирование опросников. Опросники подбираются из набора, сформированного профильными медицинскими экспертами. Они разделяются на этапы: до терапии, во время терапии, после терапии. Вопросы могут быть с вариантами ответов, шкалами и открытым вводом. [19] 3. Регистрация пациента. Пациент вводит цифровой код или сканирует QR-код, выданный врачом. Это подтверждает очный визит. Пациент получает доступ к опроснику и списку назначенных препаратов. [20] 4. Покупка препаратов. Пациент сканирует QR-код кассового чека либо система получает информацию через API аптечной сети. Состав, дозировка, форма выпуска и количество препарата анализируются. [21] 5. Сопоставление назначения и покупки с применением ИИ. Платформа использует модель ИИ (например, на основе дерева решений или простой нейросети), обученную на истории транзакций и назначений, для определения: [22] - полной или частичной замены препарата, [23] - соответствия дозировки, [24] - длительности курса, [25] - максимально эффективных торговых наименований в рамках назначенных МНН, [26] - допустимых отклонений. [27] Модель учитывает возможные эквиваленты МНН, терапевтические группы и аналоги. При расхождении система классифицирует степень отклонения. [28] 6. Прогноз риска несоблюдения. На основе поведенческих данных (задержки, пропуски, неполное заполнение опросов, история прошлых курсов) и медицинских характеристик (нозология, возраст, пол, тяжесть состояния) используется алгоритм машинного обучения (например, логистическая регрессия или градиентный бустинг) для прогнозирования вероятности несоблюдения терапии. [29] 7. Уведомление врача. При превышении порогов риска или отклонениях в соблюдении рекомендаций врач автоматически получает уведомление с деталями нарушения и прогноза риска. [30] 8. При полном соблюдении условий пациенту начисляется возврат части стоимости препаратов, это реализуется через бонусную систему, интегрированную в приложение. [31] В заявляемом способе используются технологии искусственного интеллекта и машинного обучения для реализации двух ключевых интеллектуальных функций автоматического сопоставление аптечных транзакций с назначениями врача, прогнозирования риска несоблюдения пациентом терапии и автоматического сопоставление приобретённых препаратов с медицинскими назначениями [32] На этапе получения данных о приобретении препаратов (через сканирование QR-кода кассового чека или через API аптечной сети), система должна установить, соответствует ли приобретённое пациентом лекарственное средство ранее назначенному врачом. [33] Модель основана на дереве решений, обученном на выборке аптечных транзакций и их соответствия назначениям (классификационная задача). Для более сложных случаев может использоваться градиентный бустинг (например, XGBoost). [34] Входные параметры: [35] • МНН (международное непатентованное наименование) [36] • Торговое наименование [37] • Дозировка (мг или мг/мл) [38] • Форма выпуска (таблетки, капсулы, раствор и т.п.) [39] • Количество упаковок [40] • Назначенная кратность и длительность приёма [41] • Дата назначения и дата покупки [42] Пример логики: [43] • Если назначено: ибупрофен 200 мг, 3 раза в день, 7 дней [44] • Приобретено: ибупрофен 400 мг × 10 таблеток [45] • Модель сравнивает МНН совпадает, дозировка превышает назначенную - допустимо, если общая суточная доза в пределах нормы, количество - недостаточно для полного курса [46] • Вывод: частичное совпадение, предупреждение врачу [47] Результат: [48] Модель присваивает транзакции статус: [49] • "Полное совпадение" [50] • "Частичное совпадение" [51] • "Не соответствует" [52] • "Замена препаратом-синонимом" [53] Используемые данные и источники: [54] • Номенклатура препаратов (ФармРегистр, РЛС, ГРЛС) [55] • Модуль синонимов и эквивалентов (формируется вручную или на основе онтологий) [56] • История назначения и покупок пациента [57] Предсказание вероятности того, что пациент нарушит терапию (не приобретёт препарат, не заполнит опросник, прервёт курс и т.д.) [58] Тип модели [59] Используется модель логистической регрессии или слегка обученная нейросеть (MLP) с ограниченной архитектурой. Возможны также реализация на основе случайного леса или CatBoost, в зависимости от доступности обучающей выборки. [60] Формула логистической регрессии (пример): [61] КопироватьРедактировать [62] P(нарушение) = 1 / (1 + e^-(β0 + β1⋅X1 + β2⋅X2 + … + βn⋅Xn)) [63] где [64] X1, X2 … Xn - признаки пациента, [65] β0, β1 … βn - обученные веса модели [66] Признаки (features): [67] • Возраст, пол, диагноз [68] • История предыдущих отклонений [69] • Частота посещения врача [70] • Количество опросников, пройденных вовремя [71] • Время между назначением и покупкой [72] • Пропущенные или задержанные покупки [73] • История кэшбэков [74] • Количество взаимодействий с системой (чат-бот, приложение) [75] Результат: [76] • Значение вероятности от 0 до 1 [77] • Классификация на основе порога (например, 0.75): низкий риск, средний риск, высокий риск несоблюдения [78] • При превышении порога врач получает автоматическое уведомление [79] Обучающая выборка формируется на реальных анонимизированных данных пользователей, которые уже использовали платформу: история взаимодействий, анкеты, покупки, нарушения. Модели обучаются вне системы, затем выгружаются в продакшн как предобученные модели (.pkl,.joblib,.onnx). Предсказания выполняются на сервере при каждом новом событии (опрос, транзакция, визит). [80] Пример применения на практике [81] 1. Пациент получил назначение: лоратадин 10 мг 1 раз в день, 10 дней [82] 2. Через 3 дня приобрёл: цетиризин 10 мг, 5 таблеток [83] 3. Модель сопоставления ИИ: [84] • МНН: не совпадает → проверка на терапевтический аналог [85] • Распознано: частичная замена [86] • Недостаточная продолжительность [87] • Классификация: "частичное соблюдение" [88] 4. Модель прогноза - Пациент ранее уже прерывал терапию. Признаки: задержка в покупке, недостающий объём. Предсказание: риск несоблюдения - высокий (0.82) [89] 5. Система уведомляет врача с деталями

Формула Способ отслеживания приема препаратов и соблюдения пациентом курса рекомендованной врачом терапии по их приему, осуществляемый с использованием цифровой платформы, заключающийся в том, что - регистрируют врача в цифровой платформе с помощью идентифицирующего кода, сформированного цифровой платформой; - регистрируют пациента в цифровой платформе с помощью идентифицирующего кода, выданного врачом; - формируют в цифровой платформе назначение врача, включающее информацию о перечне рекомендованных препаратов и параметры назначенной терапии, содержащее по меньшей мере идентификационные данные препарата, дозировку, количество препарата, кратность приема, длительность курса и срок приобретения препарата; - получают цифровые данные, подтверждающие приобретение пациентом препарата; - извлекают из указанных цифровых данных параметры приобретенного препарата, содержащие по меньшей мере идентификационные данные приобретенного препарата, дозировку, количество препарата и дату приобретения; - с использованием модели машинного обучения, обученной на данных о соответствии аптечных транзакций врачебным назначениям, автоматически сопоставляют параметры приобретенного препарата с параметрами назначенной терапии и формируют статус соответствия приобретенного препарата назначенной терапии; - получают поведенческие и медицинские признаки пациента, характеризующие по меньшей мере историю взаимодействия пациента с цифровой платформой, историю приобретения препаратов и медицинские характеристики пациента; - с использованием модели машинного обучения рассчитывают значение риска несоблюдения пациентом назначенной терапии на основании статуса соответствия приобретенного препарата назначенной терапии и указанных поведенческих и медицинских признаков пациента; - формируют результат контроля соблюдения пациентом назначенной терапии на основании статуса соответствия приобретенного препарата назначенной терапии и значения риска несоблюдения терапии; - предоставляют врачу в личном кабинете результат контроля соблюдения пациентом назначенной терапии; - формируют автоматическое уведомление врачу по результату применения заданного в цифровой платформе правила уведомления к статусу соответствия приобретенного препарата назначенной терапии и значению риска несоблюдения терапии.