EpiControl: инструмент на основе данных для оптимизации вмешательств в эпидемии и автоматизации планирования сценариев для поддержки оперативного ответа

Фон. Вспышка вируса Бундиbugyo Эбола в Уганде в 2026 году, связанная с текущей эпидемией в Демократической Республике Конго (ДРК), распространилась благодаря человеческой мобильности через границы и внутри страны. Мы ставили цель количественно оценить модели импорта и распространения, чтобы обеспечить целенаправленные интервенции на субнациональном уровне. Методы. Мы построили сеть мобильности с направленным взвешиванием на основе данных Миграционной организации (IOM) о перемещении населения с 15 по 24 мая 2026 года (обнаружено 11,245 перемещений) и данных переписи населения Уганды 2024 года (45.9 миллионов человек). Была смоделирована стохастическая метапопуляционная модель SEIR, учитывающая предсимптоматическую передачу и перемещение контактных и инфекционных лиц, на протяжении 90 дней по 135 округам Уганды и двум провинциям ДРК. Реакцию 7-1-7 было явно смоделировано с динамическим охватом отслеживания контактов (40%[->]70%[->]85%). Мы оценили три сценария соблюдения (20%, 40%, 60%) для ненаркотических интервенций. Глобальный анализ чувствительности Соболя (500 выборок, 200 бутстрэппинг) выявил ключевые параметры, определяющие размер вспышки. Результаты. Сеть мобильности была разреженной (плотность 0.11), очень неравномерной (коэффициент Джини 0.67) и модульной (модулярность 0.5). Округ Кисоро имел наибольший риск импорта (входящая сила 3,823) и риска экспорта (исходящая сила 1,350), в то время как Кампала показала значительную входящую силу (1,290), но меньшую исходящую силу (150). В рамках сценария сдерживания (эффективное R = 0.35) модель прогнозировала медиану 22 кумулятивных случаев (95% CrI: 22-24) и 2 смерти (95% CrI: 2-4) в Кампале за 90 дней. Во всех остальных 134 округах медиана составила 0 случаев. Ненаркотические интервенции при высоком, среднем и низком соблюдении не дали статистически значимого снижения числа случаев (22 случая по всем сценариям). Суперраспространительные события происходили в 34.6-40.6% симуляций. Анализ чувствительности Соболя выявил инфекционный период (первый порядок 0.838), летальность случаев (0.738) и основной коэффициент рождаемости (0.664) как наиболее влиятельные параметры; параметры, связанные с мобильностью, имели значительно более низкие индексы общего порядка. Реакция 7-1-7 сама по себе, как ожидалось, сдержит вспышку вируса Эбола Бундиbugyo до примерно 22 случаев и 2 смерти в Кампале, при этом дополнительные ненаркотические интервенции не обеспечат значимого добавочного эффекта. Ресурсы следует сосредоточить на целенаправленном наблюдении в высокорискованных центрах импорта (Кисоро для пограничного контроля) и внутриэпидемических центрах (Кампала для ресурсов реагирования), а не на ненаправленных национальных интервенциях. Инвестиции в быструю характеристику специфических штаммов биологических параметров могут повысить предсказательную точность. Финансирование. Отсутствует. Контекст исследования. Доказательства перед этим исследованием. Мы искали в PubMed и новостях Всемирной организации здравоохранения (Служба новостей о вспышках заболеваний от 19 мая 2026 года) исследования моделирования вспышек вируса Бундиbugyo с использованием терминов "Bundibugyo", "ebolavirus", "spillover", "cross-border" и "stochastic model". Предыдущие вспышки в Уганде (2007-08; 131 подтвержденный случай, 42 смерти) и в ДРК (2012; 38 подтвержденных случаев, 13 смертей) показывали более низкую восприимчивость и коэффициент летальности, чем в случае вируса Эбола Заира, с оценками основного коэффициента рождаемости от 1.2 до 2.6. Вспышка вируса Эбола Заира в Норте Киву и Итури в 2018-20 годах - вторая по величине вспышка за всю историю, с 3,481 случаем и 2,299 смертями - была значительно осложнена вооруженным конфликтом, недоверием сообществ, плохой инфраструктурой и миграцией населения. Чамба и др. (2026) оценили вероятность импорта для Уганды в 94.2% с использованием стохастической ансамблевой модели, откалиброванной на лабораторно подтвержденные случаи. Однако ни одно опубликованное исследование не интегрировало данные о перемещениях из матрицы отслеживания перемещения (IOM) с эпидемическими прогнозами для предоставления оценок риска импорта и распространения на субнациональном уровне. В реальном времени моделирование сверхвспышек через границу для вируса Бундиbugyo было весьма ограниченным, а отсутствие лицензированной вакцины против вируса Бундиbugyo усложняет стратегии готовности и реагирования. Одновременно Бангелеса и коллеги проводили исследование по картированию мобильности населения в провинции Итури, используя месячные данные из Flowminder (с марта 2025 по март 2026) и вычислили нормализованный индекс интенсивности мобильности (MII) для всех 340 санитарных зон. Их анализ показал, что провинция Итури имела второй по величине средний MII в стране (25.3), уступая лишь Киншасе (26.6), и в 2.4 раза превышала национальную медиану (10.7). Критически важным является то, что три зоны эпицентра вспышки - Рвампара (MII 68.6, ранг 2), Бунья (MII 62.6, ранг 3) и Могбвалу (MII 49.9, ранг 11) - все превышали 95-й национальный перцентиль (41.4), подчеркивая исключительную связанность затронутых зон. Дополнительные преимущества этого исследования. В то время как Бангелеса и др. установили макроуровень интенсивности мобильности провинции Итури относительно остальной части ДРК, наше исследование расширяет эту работу, строя направленную, взвешенную сеть мобильности на уровне округов в Уганде, используя данные о перемещениях из матрицы отслеживания перемещения (IOM) (11,245 наблюдаемых перемещений). Мы демонстрируем, что сеть мобильности крайне неравномерна (Джини 0.67) и модульная (модулярность 0.5), при этом Кисоро выступает в качестве основного порта импорта (входящая сила 3,823), а Кампала - как округ с самой высокой нагрузкой (22 медианных случая). Мы также показываем, что реакция 7-1-7 сама по себе вполне вероятно сдержит вспышку до примерно 22 случаев, а дополнительные ненаркотические интервенции не принесут статистически значимого добавленного эффекта. Анализ чувствительности Соболя выявляет инфекционный период (первый порядок 0.838), летальность случаев (0.738) и основной коэффициент рождаемости (0.664) как наиболее влиятельные параметры, что информирует приоритеты целенаправленного сбора данных. Это первое исследование, предоставляющее оперативные рекомендации на уровне округов для реагирования на вспышку вируса Бундиbugyo с использованием данных о мобильности в реальном времени. Импликации всех доступных доказательств. Планы готовности должны приоритизировать целенаправленное наблюдение в высокорискованных центрах импорта (Кисоро для пограничного контроля) и внутренних эпидемических центрах (Кампала для ресурсов реагирования), а не ненаправленные национальные вмешательства. Исключительная связанность пострадавших зон, обрисованная Бангелеса и др., при том что провинция Итури имеет второй по величине MII в стране, и все три зоны эпицентра превышают 95-й процентиль, делают отслеживание контактов чрезвычайно трудоемким. Отсутствие лицензированной вакцины против вируса Бундиbugyo исключает стратегию вакцинации по кругу, которая была эффективна во всех шести предыдущих вспышках Эболы в ДРК, вызванной вирусом Эбола Заира. Быстрая характеристика специфических штаммов биологических параметров через отслеживание контактов и анализ последовательного интервала может дать большую отдачу, чем уточнение операционных протоколов. Усиленное трансграничное наблюдение в рамках Международных медицинских правил 2005 года и рамок Чрезвычайной общественной безопасности АфриканскогоCDC жизненно важно для гармонизации обнаружения и реагирования по всему тройному границе ДРК-Уганда-Южный Судан.

Быстрые диагностические тесты (БДТ) поддерживают доступную диагностику заболеваний. Машинное обучение (МО) может улучшить интерпретацию БДТ, но часто полагается на большие, собственные и дорогостоящие библиотеки изображений из реального мира. Мы представляем SynSight - конвейер сегментации и классификации БДТ на основе МО, обученный на синтетических данных. Валидация проводилась на БДТ для ВИЧ (98% чувствительность, 99% специфичность) и COVID-19 (до 99% точности), SynSight позволяет быстро обучать МО без использования реальных обучающих изображений, успевая за развитием новых БДТ.

Предпосылки. Задержка роста в infancy остается серьезной проблемой общественного здравоохранения в странах с низким и средним уровнем дохода. Мы исследовали, влияли ли размер при рождении, микробиом кишечника младенца, биомаркеры роста и воспаления, а также макро- и микронутриенты грудного молока на результаты эффективности интегрированного пакета вмешательств в рост младенцев в 6 месяцев жизни. Методы. Этот медиаторный анализ был частью исследования «Интегрированные вмешательства для роста женщин и младенцев» (WINGS), факторного рандомизированного контролируемого испытания, проведенного в городских районах с низким и средним уровнем дохода в Дели, Индия. Пакет вмешательств включал питание, здоровье, воду, санитарные условия и гигиену (WASH), а также психосоциальную поддержку, предоставляемую в период предконцепции, беременности и раннего детства. В анализе участвовали 296 пар «мать-младенец» из группы, получившей вмешательства с предконцепции до конца беременности и раннего детства, и группы, получившей стандартное медицинское обслуживание. Используя контрфактическую причинно-следственную модель медиации, мы оценили медиирующие роли размера при рождении, биомаркеров младенцев в 3 месяца: инсулиноподобный фактор роста-1 [IGF-1], С-реактивный белок [CRP] и вид Bifidobacterium breve, а также биомаркеров грудного молока на третьем месяце (витамин B12 и общий белок). Результаты включали рост по возрастным z-оценкам (LAZ), вес по возрастным z-оценкам (WAZ), вес по длине z-оценкам (WLZ) в 6 месяцев, а также изменения этих антропометрических индексов между 3 и 6 месяцами. Множественные медиаторы оценивались одновременно с использованием параметрических регрессионных моделей, скорректированных по росту матери, индексу массы тела матери, наличию у семьи карты, подтверждающей нахождение ниже черты бедности, и месту рождения. Результаты. Пакет вмешательств значительно улучшил WAZ в 6 месяцев (общий эффект 0.31; 95% ДИ 0.04–0.58). Этот эффект был значительно медиирован через размер при рождении; снижение числа маловесных по гестационному возрасту (SGA) (средний причинно-следственный медиаторный эффект 0.15; 95% ДИ 0.04–0.28), что составляет примерно 44% от общего эффекта. Выводы. Улучшенный рост плода, отраженный снижением SGA, был основным биологическим путем, через который интегрированный пакет вмешательств оказывал влияние на рост младенцев в шесть месяцев.

Цель: Разработать и оценить базу данных о раке простаты, стандартизированную в соответствии с Обсервационным партнерством медицинских исходов (OMOP), из Электронной медицинской карты (ЭМК) Epic Университета Техаса в Медицинском центре (UTMB), и улучшить качество данных с помощью обработки естественного языка (NLP) и алгоритмов на основе антигена простаты (PSA). Материалы и методы: Мы построили конвейер данных для преобразования данных ЭМК UTMB Epic (2010-2021) в Общую модель данных OMOP (CDM) версии 5.4. Качество данных оценивалось путем сравнения стандартизированных данных OMOP с данными Регистра рака Гальвестона с использованием согласия по доступности, коэффициента Каунта и внутриклассовой корреляции. NLP использовалась для извлечения PSA, оценки Глисон и стадии рака из клинического текста, а алгоритмы на основе PSA использовались для выявления отсутствующего лечения и биохимического рецидива. Результаты: Мы извлекли 815 аналитических случаев из ЭМК UTMB. Из них 700 (85,9%) были полными и согласованы с регистром рака. PSA показал отличное согласие значений. Структурированные данные по оценке Глисон и стадии были разряженными (n<20), но NLP значительно улучшила их захват. Согласие по лечению было хорошим по сравнению с регистром рака и незначительно улучшилось для радикальной простатэктомии после применения алгоритма на основе PSA. Используя траектории PSA, мы выявили 60 случаев биохимического рецидива. Обсуждение: Стандартизированные данные OMOP из UTMB показали хорошее согласие с регистром рака. Однако структурированные поля ЭМК неполностью фиксировали данные о диагнозе, патологии и лечении. NLP и алгоритмы на основе PSA существенно улучшили захват данных. Ручной обзор также выявил ошибки в данных регистра, показывая, что стандартизированные данные ЭМК OMOP могут дополнить и помочь улучшить качество регистра рака. Заключение: Стандартизация OMOP в сочетании с NLP и алгоритмами на основе PSA улучшила качество данных о раке простаты и готовность к исследованию.

Фон. Медицинским организациям все чаще требуется принимать стратегические решения о системах искусственного интеллекта (ИИ) до полного понимания их клинической ценности, операционных последствий, требований к управлению и влияния на рабочую force. Пилоты клинического ИИ могут уменьшить эту неопределенность только в том случае, если они генерируют управленческие доказательства, имеющие значение, помимо ретроспективной оценки работы моделей, включая доказательства по интеграции рабочих процессов, архитектуре управления, взаимодействию пользователей, ответственностью и непрерывному обучению. Цель. Это исследование направлено на изучение того, как перспективное внедрение системы поддержки принятия клинических решений (CDSS), основанной на ИИ, в отделении интенсивной терапии (ОИТ), выявило организационные и связанные с управлением неопределенности, а также на выработку переносаемого управленческого инструментария для развертывания клинического ИИ на ранней стадии. Методы. Мы провели перспективную однопортальную оценку внедрения CDSS на основе машинного обучения для прогнозирования продолжительности пребывания в ОИТ в хирургическом отделении ОИТ в немецком университете. Исследование включало 267 подряд пребываний в ОИТ и было одобрено Этическим комитетом ЛМУ Мюнхен (Проект № 24-0336) и зарегистрировано в Немецком реестре клинических испытаний (DRKS00037851). Оценка сочетала пять управленческих областей: интеграция рабочих процессов и операционное принятие, архитектура управления и влияние защиты данных, постоянный бенчмаркинг у постели как механизм непрерывного обучения, встроенная этика и дизайн ответственности, а также взаимодействие человека и ИИ с учетом гетерогенности пользователей, оцененной с помощью инструмента Психологической оценки ИИ-систем поддержки принятия решений. Результаты. Внедрение показало, что неопределенность, связанная с ИИ, генерировалась в основном на стыке между CDSS и ее организационной средой. Небольшая нагрузка "глянуть и оценить" рабочий процесс позволила консультантам и врачам-резидентам регулярно использовать систему, с долями использования 72% (191/267) и 61% (162/267) соответственно. Требования к управлению привели к необходимости архитектуры с раздельными данными, с одним обновлением данных в день, что обеспечивало соблюдение норм, но создавало операционные задержки; устаревшие записи в списках случаев возникли в 4 из 148 отмеченных случаев (2.7%). Живой бенчмаркинг функционировал как обратная связь и поддерживал исследовательское уточнение модели, со средней абсолютной ошибкой CDSS, снижающейся с 5.95 до 4.12 дней после первого обновления модели. Встроенная этика информировала о процессе внедрения, рамках ответственности, формулировках интерфейса и дизайне объяснимости. Оценка взаимодействия человека и ИИ предполагала гетерогенные архетипы пользователей с различными потребностями в управлении изменениями. Заключение. Развертывание клинического ИИ следует рассматривать как процесс организационного обучения, а не как чисто техническую реализацию. Соответствующим объектом управления является развернутая социотехническая система, включая рабочий процесс, архитектуру управления, обратные связи, этику и взаимодействие с пользователем. Мы предлагаем инструментарий управления, учитывающий аспекты управления, который поможет администраторам и специалистам в области цифрового здравоохранения различать разрешимую неопределенность проектирования внедрения от истинного отсутствия клинической ценности и поддерживать поэтапные, основанные на доказательствах решения относительно масштабирования, инвестиций и окончательной оценки.

Цель: Расстройство дефицита внимания и гиперактивности (СДВГ) является клинически и этиологически гетерогенным, и диагностические решения могут выиграть от интеграции нескольких источников информации. Мы разработали подход объяснимого глубокого обучения, чтобы проверить, могут ли генетические, экологические, когнитивные, демографические и темпераментные данные классифицировать диагностику СДВГ и выявить факторы, способствующие принятию решений модели. Метод: Мы проанализировали участников когорты Oregon ADHD-1000, разделенных на тренировочные, валидационные и тестовые подмножества. Мы обучили модульные нейронные сети для классификации статуса случая-контроля СДВГ с использованием данных генотипа на уровне SNP с биологическими аннотациями, полигенных баллов, демографических данных, конфликтов в родительско-семейной среде, стресса и травмы, геокодированных мер, когнитивных задач, баллов темперамента и индикаторов отсутствия данных. Оптимизация гиперпараметров выбрала архитектуру модели и включение блоков признаков. Мы оценили производительность модели, используя AUC, кривые точности и полноты, анализы калибровки и предсказательной определенности, а также анализ кривой решений. Мы использовали интегрированные градиенты для количественной оценки важности на уровне блока, признака и индивидуальной важности признаков. Результаты: Лучшая модель, использующая черты темперамента, показала AUC 0.97 в удержанном тестовом подмножестве, с высокой точностью, чувствительностью и специфичностью и Brier score 0.06. Лучшая модель, исключающая темперамент, имела AUC 0.75. Анализы важности признаков подчеркнули важность темперамента, демографических и когнитивных доменов в модели, включающей темперамент. Индивидуализированные объяснения показали, что факторы предсказания варьировались между участниками и могли помочь выявить противоречивые или поддерживающие доказательства в различных доменах. Заключение: Объяснимые многомодальные классификационные модели могут интегрировать гетерогенную информацию, релевантную СДВГ, и выявлять признаки, которые способствуют индивидуальным прогнозам. Такие модели могут продвинуть исследования риск-моделирования СДВГ и поддерживать принятие решений клиницистами, особенно в сложных или диагностически неопределенных случаях.