Рис. 8 – Преобразование импортированных данных Иными словами, способ импортирования данных и их последующее
представление должны быть удобны не только разработчикам, но и самим пользователям, а также врачам. Для достижения поставленной задачи в своем веб-приложении мною был написан программный скрипт, импортирующий данные по почте в виде «никнейм_пользователя».xlsx файла, содержащего в себе листы, названные по заполняемым в ходе использования веб-приложения разделам: приемы пищи, физическая нагрузка и сон, предсказание сахара,
список полных дней, удаленные записи. Помимо этого, реализована возможность скачать итоговый файл на собственный ПК или мобильное устройство с возможностью последующего открытия средствами мобильного просмотра, MS Office 365/Liber Office или отправки файла в мессенджере,
например, по WhatsApp. Внешний вид таблицы и ее функциональные особенности разрабатывались в соответствии врачами Института Эндокринологии НМИЦ им. В.А. Алмазова.
Аналогично своему конкуренту Apple Health предлагает экспортировать данные из приложения напрямую в формате xml, также требующим дополнительных манипуляций с файлом перед просмотром. Для большинства пользователей наиболее простым методом будет использовать стороннее приложение (оператор) QS Access для формирования и отправки читаемой
21
сводки данных. Все операторы, в том числе занимающиеся,
автоматизированной обработкой персональных данных, т.е. обработкой персональных данных с помощью средств вычислительной техники; должны следовать условиям и принципам обработки персональных данных согласно гл. 2 Федерального закона от 27 июля 2006 г. N 152-ФЗ «О персональных данных» [11]. Хотя проверить честность каждого отдельно взятого приложения-компаньона к Apple Health нельзя, можно с уверенностью утверждать, что усложнение системы и наращивание большого числа внутренних связей в системах реального времени пагубно отразится на надежности хранения и передачи информации пользователя. В связи с этим было решено реализовать в веб-приложении полный внутренний цикл обработки и передачи данных.
22
6. ПЛАНИРУЕМЫЕ ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ
На базе ФГБУ «НИМЦ им. В.А. Алмазова», г. Санкт-Петербург была проведена первичная апробация разработанного приложения. Совместно с врачами в течении недели разбирались особенности программной реализации и технические ограничения. Процесс регистрации и авторизации пользователей отметили, как удобный. Также было высказано несколько пожеланий по расположению формы добавления приемов пищи. Обсуждалась возможность добавления нескольких завтраков для людей с четырехразовым питанием. В ближайшее время планируется провести основной этап апробации на пациентах. Среди пациентов будут как больные сахарным диабетом, так и здоровые люди, поддерживающие правильный образ жизни.
Пациенты будут распределены случайным образом на две группы в соответствии с их гликемическими ограничениями: первая группа имеет строгие границы: ГК натощак <5,1 ммоль / л и <7,0 ммоль / л через два часа после еды, вторая же группа придерживается нормы в ГК натощак <5,3 ммоль
/ л и <7,8 ммоль / л через два часа после еды . Всего в исследовании примут участие 100 человек (47 с диабетом 1 типа, 28 с диабетом 2 типа и 25 из контрольной группы).
Участников пригласят принять участие в недельном сеансе записи, в
ходе которого они будут отслеживать информацию о потреблении еды в веб – приложении, а также записывать результаты экспресс тестов на уровень глюкозы в крови. Помимо этого, будет выслан электронный опросник и открыт форум для отладки приложения на основе отзывов. Выполним прогноз для набора предикторов тестовой выборки и оценим точность модели по двум критериям: коэффициент корреляции Пирсона (R >= 0,7), средняя абсолютная ошибка (MAE <= 0,5 ммоль\л).
23
7.ВЫВОД ПО РАБОТЕ
К2045 году число больных диабетом во всем мире станет сравнимо с населением Европы. Но диабет излечим, а мониторинг диеты, поддержание активной физической формы и здорового сна снижает риск возникновения заболевания или отсрочивает его симптомы. Хотя стоит помнить, что телемедицинские платформы являются не заменой существующей системы здравоохранения, а лишь ее дополнением.
Предлагаемый нами вариант системы удаленного мониторинга диеты и физической активности интегрирует отечественную базу данных продуктов питания в комплексный отчет жизнедеятельности пользователя,
отправляемый врачу по электронной почте в виде Excel-файла, а также доступный для самостоятельного анализа. Используемая модель машинного обучения соответствует установленным критериям точности, а эргономика и функциональные возможности многократно улучшались в соответствии с требованиями врачей в ходе апробации на базе ФГБУ «НИМЦ им. В.А.
Алмазова». На сегодняшний день, интерфейс платформы выполнен на основе гибких Bootstrap шаблонов, что повышает число поддерживаемых устройств.
Мы также снимаем ограничения, накладываемые фреймворком Python Flask за счет использования JavaScript библиотек. Особое внимание было уделено семантике тегов внутри разметки, таким образом разрешая использование сторонних скрин-ридеров, людьми с ограниченными возможностями. Для людей со слабым зрением или сниженной способностью различать некоторые цвета веб-платформа предоставляет широкий спектр браузерных дополнений.
Веб-приложение ждут дальнейшие изменения, и все же уже сейчас оно решает поставленные перед ним задачи, а именно: оптимизация процедуры мониторинга хронических заболеваний, анализ динамики сегодняшнего состояния пациента и предупреждение обострений. В будущем планируется реализовать систему обмена сообщениями для прямой связи между пациентом и врачом/исследователем, а также интегрировать базы данных по стандарту
24
RESTful API с мобильным приложением ДиаКомпаньон. С ростом количества пользователей и расширением функционала веб-приложения возможен переход на MySQL архитектуру баз данных.
25
8.СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
1.Golics C.J. et al. The impact of patients' chronic disease on family quality of life: an experience from 26 specialties // IJGM. Dove Press, 2013. Vol. 6. P. 787–798.
2.Noncommunicable diseases: Mortality [Electronic resource]. URL: https://www.who.int/data/gho/data/themes/topics/topic-details/GHO/ncd- mortality (accessed: 14.03.2021).
3.WHO | World report on ageing and health [Electronic resource] // WHO. World Health Organization. URL: http://www.who.int/ageing/publications/world- report-2015/en/ (accessed: 14.03.2021).
4.Beard J.R. et al. The World report on ageing and health: a policy framework for healthy ageing // The Lancet. 2016. Vol. 387, № 10033. P. 2145–2154.
5.Smyth S., Heron A. Diabetes and obesity: the twin epidemics: 1 // Nature
Medicine. Nature Publishing Group, 2006. Vol. 12, № 1. P. 75–80.
6.Prevalence of overweight among adults, BMI >= 25 (crude estimate) (%)
[Electronic resource]. URL: https://www.who.int/data/gho/data/indicators/indicator- details/GHO/prevalence-of-overweight-among-adults-bmi-greaterequal-25- (crude-estimate)-(-) (accessed: 14.03.2021).
7.WHO Group Consultation on Health Telematics (1997: Geneva, Switzerland). (1998). A health telematics policy in support of WHO’s Health-for-all strategy for global health development: report of the WHO Group Consultation on Health Telematics, 11-16 December, Geneva, 1997. World Health Organization.
8.Institutions that support health records on iPhone and iPod touch [Electronic
resource]. URL: https://support.apple.com/ru-ru/HT208647 (accessed: 21.02.2021).
9.FatSecret REST API - Storable Data [Electronic resource]. URL: https://platform.fatsecret.com/api/Default.aspx?screen=rapisd (accessed: 04.04.2021).
10.Диабет [Electronic resource]. URL: https://www.who.int/ru/news-room/fact- sheets/detail/diabetes (accessed: 22.02.2021).
11.Федеральный закон от 27 июля 2006 г. N 152-ФЗ “О персональных данных” (с изменениями и доп... | Система ГАРАНТ [Electronic resource]. URL: http://ivo.garant.ru/#/document/12148567/paragraph/4:0 (accessed: 23.02.2021).
12.Vegesna A. et al. Remote Patient Monitoring via Non-Invasive Digital Technologies: A Systematic Review // Telemedicine and e-Health. 2016. Vol. 23.
13.Block V.A.J. et al. Remote Physical Activity Monitoring in Neurological
Disease: A Systematic Review // PLoS ONE / ed. Liang P. 2016. Vol. 11, № 4.
P. e0154335.
26
14.Pustozerov E.A. et al. Machine Learning Approach for Postprandial Blood Glucose Prediction in Gestational Diabetes Mellitus // IEEE Access. 2020. Vol. 8. P. 219308–219321.
27