Результат интеллектуальной деятельности: Способ передачи информации при воспроизводстве лекарственных средств: "ААП-Прописи"

Изобретение относится к средствам, реализованным при помощи искусственного интеллекта, для передачи и обработки информации, необходимой для проверки совместимости компонентов лекарственных средств и возможности изготовления данных лекарственных средств в заданной форме в выбранном регионе.

Из уровня техники известен ряд способов передачи информации при воспроизводстве лекарственных средств. В качестве аналога заявленного изобретения может быть рассмотрен способ удаленного сбора данных для устройств введения лекарственных средств, раскрытый в заявке WO 2021/059201 A1, опубликованной 01.04.2021. Данный способ включает в себя беспроводную передачу с использованием коммуникационного интерфейса устройства для введения лекарств данных на сервер. Сервер сопоставляет полученные данные, чтобы определить, было ли лекарство доставлено пациенту в соответствии с планом лечения пациента, выявить сбой в введении лекарственного средства, определить, что требуются дополнительные данные от устройства для введения лекарственного средства. Также сервер может инициировать запрос на передачу дополнительных данных по беспроводной сети на устройство для введения лекарственного средства и/или прогнозируемое моделирование процесса лечения пациента. Данное решение позволяет повысить достоверность введения необходимой дозы и типа лекарственного препарата.

Основным недостатком такого способа является то, что он не учитывает совместимость компонент, входящих в лекарственное средство. В ряде случаев отдельные активные и/или вспомогательные компоненты могут быть плохо совместимы между собой и это может привести к тому, что возникнут серьезные сложности при его изготовлении. Как следствие, потребуется множество итераций «подбор - практическое изготовление лекарственного средства из имеющихся в наличии компонентов», что может занять много времени, а в некоторых случаях лекарственное средство с рассчитанном сервером составом может быть и вовсе не изготовлено.

Также из уровня техники известен способ изготовления персонализированных лекарств и/или добавок, раскрытый в US 2019/0371477 A1, опубликованном 05.12.2019. В данном способе пользователи, в частности медицинские работники, фармацевты и пациенты, соединены с облачным сервером через систему доставки для изготовления индивидуальных лекарств и добавок. Система собирает данные о здоровье пациента и создает для него профиль здоровья. Затем система вычисляет надлежащую дозу медицинского препарата для этого пациента на основе профиля здоровья и по меньшей мере одного свойства медицинского препарата, в частности фармацевтического препарата, витамина, лекарства. Обзор данных осуществляется в реальном времени, что позволяет пациенту оперативно получать информацию о приготовленном лекарственном средстве. Описанное выше решение позволяет устранять проблемы, связанные с неправильными дозами и неопределенностью вкусового состава, предлагая персонализированную добавку в лекарственное средство, которая наилучшим образом предназначена для каждого пациента и позволяет улучшить его состояние здоровья.

Основным недостатком такого способа является то, что не обеспечена в должной мере конфиденциальность передачи информации между участниками процесса подбора лекарственного средства для пациента. Помимо информации об изготавливаемом лекарственном средстве производитель данного средства может получить конфиденциальные данные о пациенте, в частности его электронную карту здоровья.

Данная проблема решена в способе производства и доставки персонализированного лекарственного препарата, раскрытый в US 2019/0152663 A1, опубликованном 23.05.2019. Указанный способ является наиболее близким к заявленному и может быть выбран в качестве его прототипа.

В данном способе используется размещенная в облачном хранилище база данных, в которой приведена информация о параметрах компонентов доступных лекарственных средств. Врач имеет доступ к указанной базе и вносит в электронную карту пациента данные, содержащие информацию о здоровье пациента, а также лекарственные средства которые могут быть ему рекомендованы. Система прогнозирует оптимальную комбинацию и дозировку компонентов лекарства на основе электронной карты пациента и имеющейся в базе данных информации, определяющей профиль пациента. Врач может одобрить или модифицировать оптимальный выбор системы, направив информацию о конечной комбинации параметров компонентов лекарства в электронную карту пациента или непосредственно в аптеку. В процессе определения оптимальной комбинации параметров компонентов лекарства также осуществляют проверку, содержит ли носитель лекарств правильную дозировку и комбинацию компонентов, а также возможность совместного использования компонентов в лекарственном средстве. При положительной проверке осуществляется производство лекарственного средства в правильной для определённого пациента дозе. К базе данных, в части сведений о лекарственных средствах и их компонентов, также имеют доступ и производители лекарственных средств, в частности провизоры аптеки. При этом персональные данные пациента, в частности детали его болезни, скрыты от производителей лекарственных средств. Передаваемая информация может быть зашифрована и передана посредством сети Интернет.

Описанное выше решение позволяет подобрать для определённого пациента правильную дозу выбранного лекарственного средства и проверить возможность его воспроизведения. При этом при изготовлении лекарственного средства передаваемая информация может быть зашифрована и передана конфиденциальным и безопасным способом.

Однако описанный выше способ определения производства и доставки персонализированного лекарственного препарата также имеет некоторые недостатки. Одним из основных указанных недостатков является то, что действия, связанные с подбором оптимального лекарственного средства и его последующим изготовлением, реализованы исключительно посредством одного алгоритма машинного обучения, который подбирает как компоненты лекарственного средства, так и определяет возможность совместного использования данных компонентов, а также возможность изготовления данного лекарственного средства в конкретной аптеке. Учитывая, что данный алгоритм машинного обучения является многозадачным, существенно снижается точность и скорость подбора правильного лекарственного средства. Кроме того указанный алгоритм машинного обучения не проводит раздельную проверку активных и вспомогательных компонентов лекарственного средства, которые имеют свои индивидуальные параметры, необходимые для их совместного использования. Это также приводит к тому, что при изготовлении готового лекарственного средства могут возникнуть существенные проблемы, связанные с выбором технологии, которая позволит создать лекарственное средство на базе данных компонентов в требуемой лекарственной форме.

Таким образом, задачей положенной в основу заявленного изобретения, является устранение вышеуказанной проблемы, и как следствие, использование узкоспециализированных алгоритмов машинного обучения, каждый из которых способен быстро и с высокой точностью решать свою индивидуальную задачу и в совокупности обеспечить подбор для пациента наиболее эффективного лекарственного средства, которое может быть воспроизведено, в той аптеке которая доступна пациенту.

В качестве технического результата, достигаемого за счет использования предложенного изобретения, выступает возможность организации такого порядка взаимодействия между пользователями информационной сети, позволяющей получать, хранить и обрабатывать информацию о лекарственных средствах, при котором обеспечен быстрый и точный подбор параметров лекарственных средств, активные и вспомогательные компоненты которых могут совместно использоваться и быть выпущены в выбранной форме.

Указанный технический результат достигается за счет использования взаимодействующих между собой нескольких отдельных моделей машинного обучения, каждая из которых предназначена для выполнения своей индивидуальной задачи: проверки совместимости активных компонентов, проверки совместимости вспомогательных компонентов, проверке совместимости выбранных активных и вспомогательных компонентов между собой, и выборе той аптеки в заданном регионе, которая может изготовить лекарственное средство из данных компонентов в выбранной форме.

Для этого в способе передачи информации при воспроизводстве лекарственных средств, включающем в себя:

размещение параметров компонентов лекарственных средств в облачном хранилище;

создание первого профиля, имеющего доступ к облачному хранилищу и позволяющего создавать по меньшей мере один второй профиль;

активация первого профиля при помощи логина и пароля;

создание по меньшей мере одного второго профиля после активации первого профиля;

создание третьего профиля, имеющего доступ к облачному хранилищу и имеющего параметры;

выбор из первого профиля в облачном хранилище параметров компонентов по меньшей мере одного лекарственного средства по параметрам второго профиля;

сохранение в облачном хранилище выбранных компонентов по меньшей мере одного лекарственного средства для второго профиля;

получение из облачного хранилища третьим профилем параметров компонентов по меньшей мере одного лекарственного средства;

получение из облачного хранилища третьим профилем параметров компонентов по меньшей мере одного лекарственного средства;

сравнение на соответствие выбранных параметров компонентов по меньшей мере одного лекарственного средства, которые могут быть использованы в одном лекарственном средстве, с параметрами третьего профиля на возможность воспроизведения по меньшей мере одного лекарственного средства;

воспроизведение по меньшей мере одного лекарственного средства на основании полученных из облачного хранилища параметров по меньшей мере одного лекарственного средства, соответствующих параметрам третьего профиля;

передачу из третьего профиля статуса окончания производства по меньшей мере одного лекарственного средства в второй профиль, согласно предложенному изобретению производится выбор ближайшего для второго профиля места получения по меньшей мере одного лекарственного средства;

контроль выбранных параметров активных компонентов по меньшей мере одного лекарственного средства на возможность совместного их использования в лекарственном средстве при помощи первой системы машинного обучения;

контроль выбранных параметров вспомогательных компонентов по меньшей мере одного лекарственного средства на возможность совместного их использования в лекарственном средстве при помощи второй системы машинного обучения;

контроль совместимости выбранных при помощи первой и второй моделей машинного обучения активных и вспомогательных компонентов по меньшей мере одного лекарственного средства при помощи третьей системы машинного обучения;

контроль выбранных параметров по меньшей мере одного лекарственного средства на возможность совместного их использования в лекарственном средстве и воспроизведения в выбранном регионе и в выбранной форме выпуска при помощи четвертой системы машинного обучения.

В наиболее предпочтительном варианте реализации предложенного изобретения первый профиль представляет собой профиль врача, второй профиль - профиль пациента, а третий профиль - профиль аптеки, воспроизводящей лекарственное средство.

Кроме того, первая и вторая модели машинного обучения могут работать одновременно в параллельном режиме, а первая, третья и четвертая модели машинного обучения, а также вторая, третья и четвертая модели машинного обучения - в последовательном режиме.

Предложенное изобретение может быть проиллюстрировано следующими графическими изображениями.

На фиг. 1 приведена схема взаимодействия применяемых моделей машинного обучения (MLA).

На фиг. 2 показана схема взаимодействия применяемых веществ в ЛП.

На фиг. 3 показана схема подбора аптеки с возможностью выпуска ЛП.

Предложенный способ передачи информации при воспроизводстве лекарственных средств осуществляется следующим образом.

На текущий момент используется множество баз данных, в которые занесены данные о зарегистрированных в Минздраве РФ и разрешенных к производству медицинских препаратов, например «Государственный реестр лекарственных средств», Справочник лекарственных средств «Видаль» и ряд других государственных и коммерческих баз. Указанные базы данных хранятся, как правило, в облачном хранилище. При занесении в базу данных нового лекарственного средства также указывают те компоненты и их количество, которые входят в состав лекарственного средства, а также противопоказания к его применению. При осуществлении заявленного способа можно либо использовать одну из имеющихся облачных баз данных, либо создать новую базу данных, в которую предварительно необходимо занести совокупность разрешенных к обороту на территории РФ лекарственных средств, достаточную для лечения большинства наиболее распространенных заболеваний.

Для того чтобы получить доступ к такой облачной базе данных, необходимо зарегистрироваться в ней и привести информацию о пользователе, т.е. создать первый профиль. Данный профиль содержит полное имя пользователя, его возраст, специальность, стаж работы и иные данные, непосредственно связанные с его служебной деятельностью. Если в качестве пользователя, к которому относится первый профиль, выступает практикующий врач или лицо, которое в силу своих должностных обязанностей имеет допуск к персональным данным других лиц, то данный пользователь помимо собственного первого профиля, может создать и по меньшей мере один второй профиль, того лица, к персональным данных которого он допущен. Как правило, в качестве такого лица выступает пациент, которого лечит вышеупомянутый практикующий врач.

Для того чтобы активировать первый профиль, использующему его лицу необходимо зарегистрироваться в облачной базе данных лекарственных средств, выбрав уникальный логин и пароль к нему. При этом также необходимо привести идентификатор документа, подтверждающего право на доступ к персональным данным других лиц. Для практикующего врача в качестве такого идентификатора может выступать номер его диплома или свидетельства, на право ведения лечебной деятельности, для администратора медицинского учреждения - номер служебного удостоверения, подтверждающего его право доступа к персональным данных других лиц, в частности пациентов.

После того как лицо, использующее первый профиль, активировало его оно получает возможность создать второй профиль. Если указанный второй профиль принадлежит пациенту, то данный профиль содержит анамнез заболевания, историю лечения, а также иные данные, которые могут использоваться для назначения дальнейшего лечения, в том числе назначения тех лекарственных препаратов, которые следует изготовить.

Помимо указанных выше двух профилей также создается и третий профиль того лица, которое получив информацию из второго профиля, может выполнить действия, которые предписывает указанный второй профиль. В предпочтительном варианте заявленного изобретения третий профиль - это профиль аптеки или иного медицинского производственного предприятия, которое изготавливает лекарственное средство на основании сведений, приведенном во втором профиле, где указаны те лекарственные средства, которые должны быть произведены, используя предписания, приведенные в авторизированном первом профиле. Третий профиль, также как и первый профиль, имеет доступ к облачному хранилищу данных, где содержится реестр разрешенных к применению лекарственных средств. В общем случае аптек, имеющих третий профиль, может быть достаточно много. Их количество зависит от плотности населения, проживающего в соответствующем регионе. Так, например, в одном поселке городского типа, или небольшом городе может быть создан третий профиль двух - трех аптек, в районном центре порядка пяти - десяти, а в крупном городе, например, областном центре, может быть создан третий профиль более пятидесяти аптек.

В процессе медицинского обследования врач определяет те лекарственные средства, которые для пациента будут наиболее эффективны. Соответственно из первого профиля направляется запрос в облачное хранилище, содержащее сведения о компонентах лекарственных средств, используя параметры второго профиля. Этот запрос содержит те компоненты лекарственных средств: активные и вспомогательные, которые входят в состав назначенного пациенту лекарственного средства. Эти данные сохраняются в облачном хранилище.

Перед тем как приступить к воспроизводству лекарственного средства требуется определить будут ли совместимы входящие в его состав активные компоненты, будут ли совместимы вспомогательные компоненты, и насколько данные активные и вспомогательные компоненты будут совместимы между собой. И если анализ компонентов лекарственного средства подтвердил их совместимость, требуется определить аптеки, которые находятся в заданном регионе (как правило, в области, которая находится на небольшом расстоянии от местожительства пациента), и которые располагают данными компонентами для производства лекарственного средства в заданной форме. Все указанные действия выполняет искусственный интеллект. Причем характерной особенностью изобретения является то, что каждую из указанных выше задач выполняет свой индивидуальный алгоритм машинного обучения, который в наибольшей степени настроен и соответственно обучен для выполнения своей индивидуальной задачи. Это позволяет в процессе электронного взаимодействия между пользователями повысить скорость и точность подборки требуемых лекарственных средств.

Как показано на фиг. 1, первая модель машинного обучения (1-я MLA) осуществляет контроль выбранных параметров активных компонентов по меньшей мере одного лекарственного средства на возможность совместного их использования в лекарственном средстве. Вторая модель машинного обучения (2-я MLA) осуществляет контроль выбранных параметров вспомогательных компонентов по меньшей мере одного лекарственного средства на возможность совместного их использования в лекарственном средстве. При этом, поскольку обе указанных выше операции независимы друг от друга, с целью ускорения процесса подборки лекарственного средства они могут выполняться параллельно.

Далее третья модель машинного обучения (3-я MLA) осуществляет контроль совместимости выбранных при помощи первой и второй моделей машинного обучения активных и вспомогательных компонентов по меньшей мере одного лекарственного средства. Получив данные о совместимости всех компонентов изготавливаемого лекарственного средства, четвертая модель машинного обучения (4-я MLA) осуществляет контроль выбранных параметров по меньшей мере одного лекарственного средства на возможность их воспроизведения в выбранном регионе и в выбранной форме выпуска, т.е. определяет те аптеки, которые наиболее географически предпочтительно расположены для пациента и могут воспроизвести лекарственное средство в заданной форме, состоящее из тех компонентов, в отношении которых была проведена проверка.

За счет организации указанного выше порядка взаимодействия между четырьмя узкоспециализированными моделями машинного обучения для решения частных заданий в рамках выполнения комплексной задачи может быть обеспечен гораздо более быстрый и точный подбор параметров лекарственных средств, активные и вспомогательные компоненты которых могут совместно использоваться и быть выпущены в выбранной форме, чем в случае использования одной универсальной модели машинного обучения, которая использовалась в способе-прототипе. Действительно, учитывая, что каждая модель машинного обучения специализируется на выполнении своей индивидуальной задачи, она может быть лучше обучена и дает более высокие результаты.

В качестве первой и второй моделей машинного обучения может быть использована, например, нейронная сеть многослойный Perceptron. На ее вход поступают следующие данные свойства активных компонентов. Для того чтобы определить совместимость активных компонентов в справочник, используемый нейронной сетью, реализующей первый алгоритм машинного обучения, добавлены сведения о соответствии активных веществ путем добавления классификаторов несовместимости. А именно классификация несовместимости по характеру процессов ее вызывающих: фармацевтическая и фармакологическая несовместимость веществ.

Для добавления параметров совместимости в систему специалистом будут загружены необходимые данные по физическим и химическим свойствам активных веществ. Система будет использовать дедуктивный вывод и вычисления данных по заложенным правилам анализа.

Дедуктивный метод анализа заключается в том, что составленная врачом пропись всегда верная и система должна это подтвердить, проведя анализ по загруженным данным физических и химических свойств активных компонентов.

Пример:

1 Врач составил пропись a, выбрал активный компонент b и с, где b это кислота салициловая, c это натрия тетраборат и форму выпуска f, где f это порошок

Компоненты b и с не могут быть собраны между собой в форму выпуска f из-за утраты или снижении фармакологической активности веществ при их совместном измельчении.

Свойство в справочнике наличие твердофазных взаимодействий.

Пример:

2 Врач составил пропись a, выбрал активный компонент b и с, где b это кислота бензойная, c это натрия тетраборат и форму выпуска f, где f это порошок

Компоненты b и с могут быть собраны между собой в форму выпуска f утраты или снижении фармакологической активности веществ при их совместном измельчении не наблюдается.

Свойство в справочнике наличие твердофазных взаимодействий.

Параллельно с первым алгоритмом машинного обучения может использоваться и второй алгоритм машинного обучения. Для того чтобы определить совместимость вспомогательных компонентов в справочник, используемый соответствующей нейронной сетью, реализующей второй алгоритм машинного обучения, добавлена информация о соответствиях вспомогательных веществ путем добавления классификаторов совместимости. А именно классификация совместимости по характеру процессов ее вызывающих: фармацевтическая и фармакологическая совместимость веществ. Для добавления параметров совместимости в систему специалистом будут загружены необходимые данные по физическим (в том числе и изменяемым) и химическим свойствам вспомогательных веществ. Система будет использовать дедуктивный вывод и вычисления данных по заложенным правилам анализа.

Дедуктивный метод анализа заключается в том, что составленная врачом пропись всегда верная и система должна это подтвердить, проведя анализ по загруженным данным физических (в том числе и изменяемых) и химических свойств вспомогательных компонентов.

Пример:

1 Врач составил пропись a, выбрал вспомогательный компонент b и с, где b это рыбий жир, c это глицерин и форму выпуска f, где f это мазь

Компоненты b и с не могут быть собраны между собой в форму выпуска f из-за условий образования неоднородной или расслаивающейся смеси.

Свойство в справочнике растворимость ингредиентов.

Пример:

2 Врач составил пропись a, выбрал вспомогательный компонент b и с, где b это рыбий жир, c это вазелин и форму выпуска f, где f это мазь

Компоненты b и с могут быть собраны между собой в форму выпуска f образуется однородная смесь.

Свойство в справочнике растворимость ингредиентов.

Анализ взаимодействия вспомогательных компонентов между собой отличается от вышеприведенного анализа тем, что вспомогательное вещество может поменять свои физические свойства в процессе приготовления (например вода может быть выпарена или расслоения в суспензиях могут быть устранены взбалтыванием перед употреблением). Таким образом, врач может проигнорировать рекомендацию о несовместимости вспомогательных веществ.

После того как в первой и второй моделях машинного обучения будут проверены активные, а также вспомогательные компоненты на совместимость и произойдет подтверждение, что данные компоненты совместимы, сведения о данных компонентах передаются в третью модель машинного обучения. В качестве третьего алгоритма машинного обучения также может использоваться нейронная сеть многослойный Perceptron. Для того, чтобы определить совместимость активных и вспомогательных компонентов между собой в справочник, используемый соответствующей нейронной сетью, реализующей третий алгоритм машинного обучения, добавлена информация о соответствиях вспомогательных веществ путем добавления трех классификаторов совместимости совместимость при изготовлении, хранении и совместимости протекающие в организме пациента. Для добавления параметров совместимости в систему специалистом будут загружены данные, которые позволяют оценить совместимость отдельных активных и вспомогательных компонентов лекарственного средства между собой. А именно классификация совместимости по характеру процессов ее вызывающих: фармацевтическая и фармакологическая совместимость веществ. Система будет использовать дедуктивный вывод и вычисления данных по заложенным правилам анализа.

Дедуктивный метод анализа заключается в том, что выбранные ранее активные и вспомогательные компоненты совместимы между собой по отдельности и составленная врачом пропись всегда верная, система должна это подтвердить, проведя анализ по загруженным данным физических (в том числе и изменяемых), химических и органолептических(вследствие взаимодействия) свойств активных и вспомогательных компонентов.

Пример:

1 Врач составил пропись a, выбрал вспомогательный компонент b и активный компонент с, где b это вода, c это димедрол и форму выпуска f, где f это порошок

Компоненты b и с не могут быть собраны между собой в форму выпуска f из-за условий образования растворения активного вещества, что не соответствует форме выпуска.

Свойство в справочнике растворимость ингредиентов.

Пример:

2 Врач составил пропись a, выбрал вспомогательный компонент b и активный компонент с, где b это глюкоза, c это димедрол и форму выпуска f, где f это порошок

Компоненты b и с могут быть собраны между собой в форму выпуска f образуется однородная смесь.

Свойство в справочнике растворимость ингредиентов и свойство твердофазных взаимодействий.

Анализ взаимодействия вспомогательных и активных компонентов между собой отличается от вышеприведенного анализа тем, что вспомогательное вещество может поменять свои физические свойства в процессе приготовления (например, вода может быть выпарена или расслоения в суспензиях могут быть устранены взбалтыванием перед употреблением). Таким образом, врач может проигнорировать рекомендацию о несовместимости вспомогательных веществ.

Если же третий алгоритм машинного обучения выявит ошибку, то он выдает описание ошибки врачу, выписывающего лекарственное средство, и предлагает выбрать иное лекарственное средство или изменить компоненты.

Если по результатам всех трех вышеуказанных анализов на совместимость компонентов лекарственного средства между собой установлено, что все компоненты совместимы между собой, то информация о компонентах передается в четвертый алгоритм машинного обучения, который определяет, те аптеки или медицинские производственные предприятия, которые расположены в заданном регионе и могут изготовить лекарственное средство, в той форме в которой указал врач. Четвертый алгоритм машинного обучения, также как и первые три, это также нейронная сеть. Deep Neural Decision Trees (DNDT:NN). Но в отличие от первых трех, она предназначена не для проверки соответствия пар компонентов, а выдает ранжированный по рейтингу список тех аптек или медицинских производственных предприятий, которые могут изготовить назначенное пациенту лекарственное средство с учетом введенных фильтров ограничений. Основным ограничением на выбор аптеки является ее расположение в заданном регионе и степень близости от местожительства пациента. Например, в качестве такого фильтра может быть указано название населенного пункта, или если населенный пункт большой - его отдельный район. Четвертый алгоритм машинного обучения анализирует данные полученные с выхода третьего алгоритма машинного обучения, и подбирает все возможные варианты аптек с наличием компонентов и технологическими возможностями воспроизвести лекарство в заданной форме. Подбор аптеки производится следующим алгоритмом:

Проверка наличия активных профилей аптек в текущем регионе пациента (в каждом профиле аптеки отражен ее регион и адрес)

Проверка наличия у аптеки доступных форм выпуска ЛП (в каждом профиле аптеки отражены возможные формы выпуска, формы выпуска могут быть расширены или уменьшены в зависимости от наличия компонентов ЛП и оборудования)

Проверка наличия на стоке аптеки фармацевтических субстанций (в каждом профиле аптеки или аптечной сети загружены данные о стоке)

Проверка наличия вспомогательных веществ (в каждом профиле аптеки или аптечной сети загружены данные о стоке)

Пример подбора аптеки:

1. Врач составил следующую пропись:

Форма выпуска - a, активное вещество - b, вспомогательное вещество c, d, e, где регион пациента f, ближайший регион t.

Система проверяет наличие связки данных с профилями аптек региона f по признаку a, далее идет подбор по профилям аптек наличия a+b, следующий шаг проверки a+b+c+d+e если результат положительный врачу отражаются все подобранные результаты для выбора врачом оптимального для пациента.

2. Врач составил следующую пропись:

Форма выпуска - a, активное вещество - b, v, вспомогательное вещество c, d, e, где регион пациента f, ближайший регион t.

Система проверяет наличие связки данных с профилями аптек региона f по признаку a, далее идет подбор по профилям аптек наличия a+b+v, следующий шаг проверки a+b+v+c+d+e при проверки данных в регионе f не было обнаружено результата a+b+v+c+d+e, система автоматически проверяет возможность получения результата с ближайших регионов t если результат положительный врачу отражаются все подобранные результаты для выбора врачом оптимального для пациента.

Если подходящих аптек в регионе нет, данный алгоритм предлагает врачу выбрать другой регион или изменить состав или форму изготовления лекарственного средства.

После того как аптека, в которой может быть произведено лекарственное средство, определена, а также подтверждено выполнение заказа именно в данной аптеке, третий профиль, который является профилем данной аптеки, получает из облачного хранилища параметры компонентов по меньшей мере одного лекарственного средства. Как правило, четвертый алгоритм машинного обучения, априори определяет производственные возможности той или иной аптеки с учетом предоставленных ими данных. В систему загружены данные о аптеках региона, доступных формах выпуска, наличие фармацевтических субстанций и вспомогательных веществ, под каждый отдельный профиль аптеки. Однако в ряде случаев могут возникнуть ошибки и может оказаться, что выбранная четвертым алгоритмом машинного обучения аптека не готова выполнить данный заказ. В частности, это может быть связано с тем, что данные, представленные данной аптекой, могли содержать устаревшую о ее производственных возможностях информацию. Поэтому с целью предотвращения возникновения данной ситуации, после того, как пациент выберет аптеку из списка предоставленного четвертым алгоритмом машинного обучения, и аптека получит информацию о данном заказе из облачной среды, она производит собственную проверку возможности выполнения заказа. И если такая проверка произведена с положительным результатом, третий профиль направляет первому и второму профилям подтверждение возможности выполнения заказа с указание срока его выполнения. Если же изготовление заказанного лекарственного средства по какой-либо причине невозможна, третий профиль информирует об этом первый и второй профили, после чего у второго профиля появляется возможность выбрать из списка третий профиль другой аптеки.

После подтверждения выполнения заказа, аптека или производственное медицинское учреждение приступает непосредственно к выполнению заказа. После того как лекарственное средство изготовлено, третий профиль передает информацию второму профилю о том, что заказ выполнен, и соответственно устанавливает статус окончания производства по меньшей мере одного лекарственного средства.

Далее приведен ряд примеров, иллюстрирующих возможность осуществления вышеописанного способа.

Пример 1:

Первый профиль заводит в программу второй профиль, первый профиль составляет пропись для второго профиля:

RP.: Phenobarbitali 0,05

Dibazoli 0,03

Theophyllina 0,12

Rutini 0,1

Acidi ascorbinici 0,2

Misce, fiat pulvis

Da tales doses № 12

Signa: По одному порошку 3 раза в день.

MLA 1, 2, 3 проверила соответствие между собой всех компонентов и передала данные MLA 4 где прошла проверка возможности выпуска в аптеках региона и подобрала 3 доступных варианта. Первый профиль выбрал ближайшую аптеку для профиля 2. Из программы в профиль 3 выгрузилась пропись и профиль 3 вернул в программу и отразил профилю 1 подтверждение готовности производства. Из профиля 3 профилю 2 выгрузился статус готовности ЛП.

Пример 2:

Первый профиль заводит в программу второй профиль, первый профиль составляет пропись для второго профиля:

RP.: Ephedrini hydrochloridi 0,1

Streptocidi 0,03

Norsulfazoli 0,03

Sulfadimezini 0,5

Camphorae 0,03

Ol.Eucalypti 2

Ol.Helianthi 10

Misce eam facere guttae

Da tales doses № 12

Signa: По 2 капли 3 раза в день.

MLA 1, 2, 3 проверила соответствие между собой всех компонентов и передала данные MLA 4 где прошла проверка возможности выпуска в аптеках региона и подобрала 3 доступных варианта. Первый профиль выбрал ближайшую аптеку для профиля 2. Из программы в профиль 3 выгрузилась пропись и профиль 3 вернул в программу и отразил профилю 1 подтверждение готовности производства. Из профиля 3 профилю 2 выгрузился статус готовности ЛП.

Пример 3:

Первый профиль заводит в программу второй профиль, первый профиль составляет пропись для второго профиля:

RP.: Phenobarbitali 0,05

Dibazoli 0,03

Euphyllini 0,03

Rutini 0,1

Acidi ascorbinici 0,2

Misce, fiat pulvis

Da tales doses № 12

Signa: По одному порошку 3 раза в день.

MLA 1, 2, 3 проверила соответствие между собой всех компонентов, при проверке из-за наличия в составе Dibazoli после приготовления порошки отсыревают, образуя липкую массу и не передала данные MLA 4, отразив первому профилю ошибку несовместимости предлагая изменить компоненты или выписать другую пропись.

Предложенный способ может быть эффективно использован в современных цифровых системах в области здравоохранения для обеспечения электронного взаимодействия между врачами, их пациентами и медицинскими производственными учреждениями (аптеками) для подбора и воспроизводства необходимых лекарственных средств.