Коротко: Не каждый AI-проект должен быть витриной технологий. В этом кейсе мы разбираем, как прикладная платформа для анализа лекарственных взаимодействий помогает врачам и пациентам быстрее находить опасные комбинации и принимать более уверенные решения.

• Время чтения: 11 минут
• Формат: практический разбор без лишней теории

AI в бизнесе часто обсуждают слишком абстрактно: «автоматизирует», «ускоряет», «даёт новые возможности». На практике интересны не лозунги, а конкретные сценарии, в которых технология уменьшает риск ошибки и даёт ощутимую пользу.

PharmaChecker — как раз такой кейс. Он вырос не из желания «сделать что-то на AI», а из очень приземлённой проблемы: врачу и пациенту всё сложнее безопасно ориентироваться в комбинациях препаратов.

Где здесь реальная боль

Проблема лекарственных взаимодействий хорошо понятна всем, кто работает с терапией хронических пациентов, пожилыми людьми или сложными схемами лечения. Один человек может одновременно принимать препараты, назначенные разными специалистами, плюс безрецептурные средства и БАДы. Формально каждое назначение выглядит разумно, но в комбинации появляется риск.

Почему эта проблема плохо решается вручную:

• слишком много действующих веществ и торговых наименований;
• взаимодействие зависит не только от пары препаратов, но и от контекста пациента;
• врач почти никогда не работает в полной изоляции, но и полной картины часто не видит;
• ручная проверка занимает время, которого в реальном потоке мало.

Именно здесь AI может быть полезен. Не как «замена врача», а как дополнительный слой проверки и подсказки.

Что мы ставили целью

В этом проекте мы не пытались создать искусственный интеллект, который принимает клиническое решение за человека. Цель была другой:

• быстро собрать профиль пациента и список препаратов;
• проверить потенциальные взаимодействия;
• показать уровень риска на понятном языке;
• подсветить, на что врачу или пациенту стоит обратить внимание;
• сократить время на первичную оценку схемы терапии.

Это важное ограничение проекта. Когда границы сформулированы честно, продукт получается полезнее и безопаснее.

Как устроен прикладной сценарий

У пользователя есть два основных режима работы.

Для пациента

Пациент или его родственник вносит список препаратов, дозировки, сопутствующие состояния и получает структурированный результат:

• где потенциально опасная комбинация;
• где нужен дополнительный вопрос врачу;
• где важно скорректировать время приёма;
• какие эффекты или ограничения требуют внимания.

Здесь особенно важен человеческий язык. Пользовательский интерфейс не должен говорить с человеком как со специалистом по клинической фармакологии.

Для врача

Врач работает в более профессиональном сценарии. Ему важны:

• степень риска;
• источник рекомендации;
• логика взаимодействия;
• сценарии замены или уточнения схемы.

Поэтому для медицинского контура мы делали подачу более глубокой и профессиональной, но без перегрузки интерфейса.

Что здесь делает AI, а что нет

Это принципиальный момент, о котором стоит говорить прямо. В подобных системах AI полезен там, где нужно быстро обработать большой массив данных и выдать релевантную структуру результата. Но клиническая ответственность всё равно остаётся у человека.

В проекте AI помогает:

• сопоставлять и нормализовать данные по препаратам;
• анализировать вероятные комбинации и риски;
• учитывать профиль пациента как набор факторов, а не одну строку в форме;
• выдавать подсказки и приоритизацию рисков.

Но AI не должен:

• «назначать» лечение;
• скрывать уровень уверенности;
• имитировать окончательное медицинское решение.

Такая граница делает продукт не менее, а более ценным. Пользователь понимает, где у него инструмент поддержки, а где ответственность за выбор.

Какие данные пришлось приводить в порядок

Подобные продукты почти всегда выглядят как AI-кейс, но на практике большая доля сложности лежит в данных.

Нужно привести в единый вид:

• справочники препаратов и действующих веществ;
• торговые названия и варианты написания;
• источники по взаимодействиям;
• правила и уровни риска;
• пользовательские сценарии ввода.

Без этой подготовки любая «умная» модель будет выдавать красивые, но плохо применимые ответы.

Где появился реальный эффект

Самый заметный эффект проекта не в том, что система стала «умной». Эффект в том, что время на первичную проверку заметно сокращается, а вероятность пропустить очевидный риск снижается.

Для команды это означает:

• меньше ручной рутинной проверки;
• более быстрый пользовательский сценарий;
• выше воспроизводимость результата;
• возможность масштабировать сервис без пропорционального роста ручного труда.

Для конечного пользователя ценность ещё понятнее: меньше тревоги, быстрее реакция, выше вероятность, что опасная комбинация будет замечена до неприятных последствий.

Что важно учитывать в медицинских AI-проектах

У этой темы высокая цена ошибки, поэтому здесь нельзя позволить себе лёгкий продуктовый оптимизм.

Есть несколько обязательных принципов:

1. Прозрачность логики. Пользователь должен понимать, почему система выдала предупреждение.
2. Ограниченность обещаний. Нельзя продавать систему как полную замену медицинскому решению.
3. Качество данных. Без этого модель бессмысленна.
4. Постоянное обновление базы знаний. Фарма не стоит на месте.
5. Удобный интерфейс. Если система полезна, но ей неудобно пользоваться, она не войдёт в практику.

Почему нам близки именно такие AI-решения

Для нас это пример зрелого AI-подхода. Не «сделать модный прототип», а встроить технологию туда, где она помогает решать реальную прикладную задачу. Именно поэтому мы в целом скептически относимся к AI-инициативам без чёткого сценария, метрики пользы и границ ответственности.

Если AI нельзя привязать к снижению риска, экономии времени, улучшению качества решения или уменьшению стоимости процесса, это плохая инвестиция.

Вывод

PharmaChecker — это не история про то, как AI «побеждает врача». Это история про то, как цифровой инструмент помогает человеку быстрее увидеть риск, лучше структурировать информацию и принять более уверенное решение.

Именно в таких сценариях AI имеет наибольший смысл для бизнеса и пользователей: там, где он не подменяет экспертизу, а усиливает её.

Если вы смотрите на AI как на инструмент для реальных процессов, а не как на презентационный слой, такой подход обычно и даёт наилучший результат.

The post PharmaChecker: как AI помогает проверять лекарственные взаимодействия и снижать риск ошибок first appeared on Portfolio.

Коротко: AI полезен не там, где можно показать эффектную демо-картинку, а там, где он снижает издержки, ускоряет решение и снимает рутинную нагрузку с людей. Разбираем реальные сценарии для бизнеса без футуризма и рекламной пены.

• Время чтения: 10 минут
• Формат: практический разбор без лишней теории

Как только разговор заходит про AI, бизнес быстро делится на два лагеря. Одни уверены, что технология сейчас перевернёт все процессы. Другие устали от шума и относятся к теме как к дорогостоящей моде.

Обе позиции мешают. Полезный взгляд на AI гораздо скучнее и потому продуктивнее: не где технология выглядит эффектно, а где она даёт конкретный экономический или управленческий результат.

Где AI чаще всего приносит пользу

По нашему опыту, у прикладного AI есть несколько зон, где эффект можно почувствовать довольно быстро.

1. Работа с документами и неструктурированными данными

Это одна из самых приземлённых и полезных областей. Если в компании много входящих документов, коммерческих предложений, писем, актов, накладных, заявок и текстовых файлов, AI хорошо помогает:

• извлекать данные;
• классифицировать документы;
• нормализовать номенклатуру;
• искать расхождения;
• готовить черновики для проверки человеком.

Экономия здесь возникает не потому, что AI всё делает сам, а потому, что люди перестают тратить время на однотипную первичную обработку.

2. Поддержка закупок и сравнение КП

В закупках AI полезен там, где много неоднородных предложений и сложная номенклатура. Хороший пример — клиники, дистрибуция, retail и другие контуры, где сложно сравнивать похожие позиции вручную.

AI помогает:

• распознавать товары;
• сопоставлять аналоги;
• собирать сравнение по корзине;
• искать аномалии в цене.

3. Поддержка аналитики и управленческого контроля

AI полезен не только для прогнозов. Он может помогать быстрее находить отклонения, формулировать гипотезы и обнаруживать нетипичное поведение в продажах, закупках, операциях и сервисе.

Но здесь есть важная оговорка: AI не заменяет управленческую модель. Если в компании нет нормального контура данных, никакая «умная аналитика» не спасёт.

4. Внутренние ассистенты и поиск знаний

Когда информация размазана по документам, регламентам, переписке и wiki, сотрудники тратят слишком много времени на поиск ответа. Внутренний AI-ассистент может:

• искать по внутренней базе знаний;
• подсказывать порядок действий;
• собирать выдержки из документов;
• помогать новым сотрудникам быстрее входить в работу.

Это особенно полезно в операционно насыщенных компаниях, где цена ошибки в регламенте или процессе заметна.

Где AI не стоит внедрять «на всякий случай»

Есть несколько сценариев, где проект часто перегревается.

Когда нет понятной метрики эффекта

Если нельзя ответить, что именно станет лучше: скорость, стоимость, качество решения, нагрузка на команду — проект почти наверняка превратится в эксперименты без бизнес-результата.

Когда нет подготовленных данных и процесса

AI не магия. Если у вас хаотичные данные, неясные владельцы процесса и отсутствует базовая дисциплина, технология будет выдавать нестабильный результат. Сначала нужен порядок в контуре, потом — умная надстройка.

Когда пытаются полностью убрать человека из критичного решения

Особенно опасно это в высокорисковых областях: медицина, финансы, безопасность, юридические документы. Здесь лучший сценарий — усиление эксперта, а не его замена.

Как посчитать эффект трезво

Я бы смотрел на AI-проект через четыре вопроса:

1. Какую конкретную рутину он убирает?
2. Где снижается вероятность ошибки?
3. Что происходит со временем реакции или обработки?
4. Как это влияет на стоимость процесса в месяц или год?

Например, если AI позволяет закупщику экономить 20 часов в месяц и одновременно снижает переплату по корзине на несколько процентов, у проекта появляется понятная экономика.

Если же эффект можно описать только фразой «мы стали современнее», это тревожный сигнал.

Что работает лучше всего на старте

Обычно лучший старт — не «корпоративный AI-трансформатор», а узкий и дорогой сценарий, где боль очевидна:

• ручная обработка документов;
• сравнение коммерческих предложений;
• проверка рискованных комбинаций;
• первичная аналитика отклонений;
• внутренний поиск по знаниям.

Такой запуск проще защитить перед бизнесом и легче проверить по эффекту.

Почему зрелый AI-проект всегда упирается в процесс

Даже если модель работает хорошо, проект всё равно нужно встроить в реальную операцию. Кто проверяет результат? Кто отвечает за ошибку? Когда человек обязан вмешаться? Где логируются действия? Как обновляется база знаний?

Вот здесь и проходит граница между демо и рабочим бизнес-инструментом.

Вывод

AI действительно может экономить деньги уже сейчас. Но не там, где его используют как модный значок на презентации, а там, где он снимает рутину, помогает работать с данными и усиливает человека в прикладном процессе.

Самый зрелый подход к AI — не спрашивать «куда бы нам его притянуть», а честно искать контур, где технология уменьшает издержки, повышает качество решения и окупается в понятном горизонте.

The post AI для бизнеса без иллюзий: где он реально экономит деньги уже сейчас first appeared on Portfolio.

Добавил в систему управления бюджетом AI-прогнозирование через GPT: модель анализирует исторические данные и предсказывает будущие расходы. Результат: точность прогноза 85%+, экономия времени на планирование.

Проблема: прогнозирование на Excel — это гадание

Как прогнозировали раньше

Метод 1: «Возьмем прошлый год и прибавим 10%»

• Просто, но грубо
• Не учитывает реальные тренды
• Игнорирует сезонность
• Статичный подход

Пример: В 2024 расходы на облако были 1,2 млн ₽. Планируем на 2025: 1,2 × 1.1 = 1,32 млн ₽.
Реальность: Из-за нового проекта расходы выросли до 2,1 млн ₽ → перерасход 60%.

Метод 2: Скользящее среднее в Excel

• Формула: =СРЗНАЧ(последние 3 месяца)
• Учитывает недавние тренды
• Но не видит паттерны
• Не учитывает внешние факторы

Метод 3: Экспертная оценка

• «Мне кажется, в следующем квартале будет так…»
• Субъективно
• Зависит от настроения эксперта
• Нет исторической базы

Почему это не работало

• Низкая точность (50-60%)
• Не учитывается сезонность
• Игнорируются корреляции между категориями
• Нет анализа внешних факторов
• Занимает много времени

Решение: AI на службе бюджета

Почему AI для прогнозирования?

Преимущества машинного обучения:

• Видит скрытые паттерны в данных
• Учитывает множество факторов одновременно
• Адаптируется к изменениям
• Работает с большим объемом данных
• Дает вероятностные прогнозы (не точку, а диапазон)

Какие методы прогнозирования используем

Как работает AI-прогнозирование

Шаг 1: Сбор исторических данных

Система анализирует прошлые данные:

• Расходы за последние 12-24 месяца
• Разбивка по категориям
• Сезонные паттерны
• Аномалии и выбросы
• Внешние события (новые проекты, увольнения)

Шаг 2: Формирование промпта для GPT

Система генерирует подробный промпт с данными:

Пример промпта:

«Ты финансовый аналитик. Проанализируй расходы IT-отдела за последние 12 месяцев:

Категория ‘Аутсорс разработки’:
— Янв 2024: 250,000 ₽
— Фев 2024: 270,000 ₽
— Мар 2024: 320,000 ₽
…

Контекст: В марте запустили новый проект. В июле взяли еще 2 разработчиков в аутсорс.

Вопрос: Спрогнозируй расходы на следующие 3 месяца с учетом тренда. Укажи диапазон (минимум-максимум) и вероятность.»

Шаг 3: AI анализ и прогноз

GPT анализирует данные и возвращает прогноз:

Пример ответа GPT:

«На основе анализа вижу следующее:

Тренды:
• Устойчивый рост +8-12% помесячно
• Ускорение роста с марта (новый проект)
• Стабилизация в августе-сентябре

Прогноз на октябрь 2024:
• Базовый сценарий: 850,000 ₽
• Оптимистичный: 780,000 ₽ (если проект завершится)
• Пессимистичный: 920,000 ₽ (если добавят работ)
• Вероятность базового: 65%

Рекомендации:
• Заложить в бюджет 850-900 тыс ₽
• Отслеживать scope проекта
• Рассмотреть фиксированную цену вместо T&M»

Реальные примеры прогнозов

Кейс 1: Прогноз облачных расходов

Ситуация:

• Категория: «Облачные сервисы» (AWS)
• История: 12 месяцев
• Тренд: рост +5-7% в месяц
• Задача: спрогнозировать расходы на Q4 2024

Что увидел AI:

«Вижу устойчивый линейный рост связанный с увеличением нагрузки. Нет сезонности. В июле был скачок на +25% (запуск нового сервиса). После стабилизация на новом уровне.»

Прогноз AI:

Точность: 97% (все прогнозы в диапазоне)

Кейс 2: Прогноз расходов на лицензии

Ситуация:

• Категория: «Лицензии ПО»
• История: 24 месяца
• Особенность: резкие скачки при обновлениях
• Задача: не пропустить большой платеж

Что увидел AI:

«Четкая сезонность: крупные платежи в марте (годовые лицензии Microsoft) и сентябре (JetBrains, Adobe). В остальные месяцы базовый уровень ~50-60 тыс ₽.»

Прогноз AI:

Польза: заранее забронировали бюджет, избежали срочного поиска денег.

Кейс 3: Аномалия в прогнозе

Ситуация:

• AI спрогнозировал расходы на аутсорс: 280,000 ₽
• Факт: 450,000 ₽ (+60%!)
• Что случилось?

Анализ:

«В середине месяца срочно привлекли дополнительную команду из 3 человек для hotfix критического бага. Этого не было в исторических данных, поэтому модель не могла предсказать.»

Урок: AI отлично работает для планируемых расходов, но форс-мажоры нужно учитывать вручную.

Дополнительные фишки AI-прогноза

1. Анализ корреляций

AI находит связи между категориями:

«Замечаю, что рост расходов на ‘Аутсорс’ коррелирует с ростом ‘Облако’ через 1-2 месяца. Вероятно, новые разработчики увеличивают нагрузку на инфраструктуру.»

Применение: Если планируешь нанять аутсорс команду, сразу закладывай +15-20% на облако.

2. Сценарный анализ

AI генерирует 3 сценария:

Применение: Планируй бюджет по базовому, но держи резерв на пессимистичный.

3. Рекомендации по оптимизации

AI дает советы:

«Вижу, что расходы на ‘Облако’ растут быстрее выручки. Рекомендую:
1. Проверить настройки autoscaling
2. Удалить неиспользуемые ресурсы
3. Рассмотреть Reserved Instances (-30% стоимость)
4. Потенциальная экономия: 80-100 тыс ₽/месяц»

4. Объяснение прогноза

AI объясняет, почему такой прогноз:

«Прогнозирую рост на 15% потому что:
• Исторический тренд: +12% в месяц последние 6 месяцев
• Сезонность: в ноябре обычно +5% к среднему
• Планируемые события: запуск нового модуля (+50 тыс ₽ единоразово)

Уверенность в прогнозе: 75% (хорошие исторические данные)»

Сравнение методов прогнозирования

Эксперимент: прогноз на 3 месяца

Взяли исторические данные за 12 месяцев, спрогнозировали следующие 3 месяца разными методами:

*MAPE — средняя абсолютная процентная ошибка (чем меньше, тем лучше)

Вывод: AI точнее на 30-40%, но немного медленнее (8 секунд vs 1-5 секунд).

Ограничения AI-прогнозирования

Когда AI не поможет

• Мало исторических данных: нужно минимум 6-12 месяцев
• Резкие изменения бизнеса: например, смена модели (из on-premise в cloud)
• Форс-мажоры: неожиданные события (COVID, кризисы)
• Совершенно новые категории: нет истории = нет прогноза

Как минимизировать ошибки

1. Комбинировать методы: AI + экспертная оценка
2. Обновлять прогнозы: пересчитывать каждый месяц с новыми данными
3. Использовать диапазоны: не точечный прогноз, а вилку
4. Мониторить отклонения: если факт сильно отличается, искать причины

Интеграция с API: как это работает технически

Используем API vsegpt.ru

Вместо прямого обращения к OpenAI используем российский прокси:

• API: api.vsegpt.ru/v1
• Модель: gpt-4o-mini (быстрая и дешевая)
• Стоимость: ~0.5-1 ₽ за прогноз
• Скорость: 5-10 секунд

Почему vsegpt.ru:

• Работает из России (нет блокировок)
• Оплата в рублях
• Совместим с OpenAI API
• Поддержка GPT-4 и GPT-4o

Результаты после внедрения AI

Количественные показатели

Качественные результаты

• Больше уверенности в планах
• Меньше сюрпризов в конце месяца
• Проще защищать бюджет перед финдиром
• Можно планировать на год вперед

Что дальше: улучшения AI-прогнозирования

В планах:

• Fine-tuning модели: обучить на наших данных
• Больше факторов: учитывать внешние события (праздники, кризисы)
• Автоматическое обновление: прогноз пересчитывается каждую ночь
• Рекомендации действий: не только прогноз, но и что делать
• Долгосрочный прогноз: на год вперед, а не только 3 месяца

Как начать использовать

AI-прогнозирование встроено в IT Budget Manager:

1. Накопите историю минимум 6-12 месяцев
2. Получите API ключ на vsegpt.ru (1000 ₽ хватит надолго)
3. Настройте в системе
4. Нажмите «Создать прогноз»
5. Получите результат через 10 секунд

Стоимость: ~1 ₽ за один прогноз, ~50 ₽/месяц при активном использовании

Заключение

Что дает AI-прогнозирование:

• Точность 85%+ (vs 60% без AI)
• Экономия 3-5 часов на планирование
• Меньше перерасходов бюджета
• Уверенность в планах
• Объяснение прогнозов (не черный ящик)
• Рекомендации по оптимизации

Для кого полезно:

• Финансовых менеджеров (точное планирование)
• IT-руководителей (обоснование бюджета)
• Контроллеров (анализ отклонений)

Главный инсайт: AI — не замена человека, а усилитель. Он считает быстрее и точнее, но финальное решение все равно за вами.

The post Budget manager: AI-прогнозирование расходов first appeared on Portfolio.

Каждый год в России регистрируется более 50 тысяч случаев нежелательных реакций на лекарства. Многие из них можно было бы предотвратить. Рассказываем, как современные технологии меняют подход к безопасности лекарственной терапии.

Скрытая угроза в домашней аптечке

Представьте ситуацию: 65-летний Михаил Петрович принимает таблетки от давления, статины от холестерина и недавно добавил обезболивающее от артрита. Казалось бы, каждый препарат назначен по показаниям разными врачами. Но никто не проверил, как эти лекарства взаимодействуют между собой.

Результат может быть катастрофическим: усиление побочных эффектов, снижение эффективности лечения, а в худшем случае — угроза для жизни.

Статистика, которая заставляет задуматься:

• До 30% пожилых пациентов принимают 5 и более препаратов одновременно
• Риск нежелательных взаимодействий возрастает экспоненциально с каждым новым лекарством
• Большинство врачей физически не могут запомнить все возможные комбинации из 15 000+ зарегистрированных препаратов

Проблема, которую игнорировали слишком долго

Почему традиционные методы не работают?

Человеческий фактор: Даже опытный врач не может держать в памяти все возможные взаимодействия между тысячами существующих препаратов. Справочники объемны и не всегда под рукой в нужный момент.

Фрагментарность информации: Пациент лечится у кардиолога, эндокринолога и невролога. Каждый знает только «свои» назначения. Целостной картины нет ни у кого.

Сложность анализа: Взаимодействие препаратов зависит не только от их названий, но и от дозировок, времени приема, индивидуальных особенностей пациента, сопутствующих заболеваний.

Цена ошибки

Последствия неконтролируемых лекарственных взаимодействий:

• Медицинские: от легкого недомогания до летального исхода
• Экономические: дополнительные госпитализации, лечение осложнений
• Социальные: потеря трудоспособности, снижение качества жизни

Решение: умные технологии на службе медицины

Что такое PharmaChecker?

PharmaChecker — это первая в России платформа искусственного интеллекта для комплексного анализа лекарственных взаимодействий. Система за секунды анализирует совместимость препаратов, учитывая:

• Полный профиль пациента (возраст, вес, заболевания, аллергии)
• Актуальную информацию из государственных реестров лекарств
• Дозировки и схемы приема
• Потенциальные риски и их степень

Как это работает на практике?

Для пациента:

1. Создает персональный медицинский профиль
2. Добавляет все принимаемые препараты
3. Получает мгновенный анализ совместимости
4. Видит понятные рекомендации простым языком

Для врача:

1. Вводит данные пациента и планируемые назначения
2. Система анализирует взаимодействия с учетом анамнеза
3. Получает профессиональные рекомендации по корректировке терапии
4. Экспортирует отчет для медицинской карты

Реальные примеры использования

Случай 1: Предотвращение опасного взаимодействия Система выявила, что комбинация варфарина (антикоагулянт) с ибупрофеном (обезболивающее) у 70-летней пациентки может привести к кровотечению. Рекомендовала безопасную альтернативу.

Случай 2: Оптимизация терапии Для пациента с диабетом и гипертонией система предложила скорректировать время приема препаратов для максимальной эффективности и минимизации побочных эффектов.

Случай 3: Экономия бюджета Определила, что два дорогих препарата можно заменить одним комбинированным средством без потери эффективности.

Технологии будущего уже сегодня

Искусственный интеллект в медицине

PharmaChecker использует передовые алгоритмы машинного обучения:

• Анализ больших данных: обработка информации о миллионах лекарственных взаимодействий
• Персонализация: учет индивидуальных особенностей каждого пациента
• Непрерывное обучение: система становится умнее с каждым анализом
• Прогнозирование: предсказание потенциальных проблем до их возникновения

Интеграция с российской медициной

Платформа работает с официальными источниками:

• Государственный реестр лекарственных средств (ГРЛС)
• Реестр лекарственных средств России (РЛС)
• Система фармаконадзора
• Клинические рекомендации Минздрава РФ

Доступность и простота использования

Для каждого пользователя

Обычные пациенты:

• 10 бесплатных анализов в месяц
• Простой и понятный интерфейс
• Работает на любом устройстве

Медицинские работники:

• Расширенная функциональность
• Профессиональные отчеты
• Интеграция с медицинскими информационными системами

Медицинские учреждения:

• Корпоративные тарифы
• API для интеграции
• Обучение персонала

Гибкая модель оплаты

От 199 рублей за пакет анализов до корпоративных решений для больниц — каждый найдет подходящий тариф.

Безопасность превыше всего

Защита персональных данных

• Шифрование всех медицинских данных
• Соответствие требованиям 152-ФЗ
• Аудит доступа к информации
• Резервное копирование

Медицинская ответственность

• Валидация экспертами-медиками
• Регулярное обновление баз данных
• Система предупреждений о критических рисках
• Соответствие стандартам Минздрава РФ

Истории успеха

Частная клиника «МедЦентр» (Москва)

«После внедрения PharmaChecker количество нежелательных реакций у наших пациентов снизилось на 40%. Врачи стали увереннее в назначениях, пациенты — довольнее качеством лечения.»

Результаты за 6 месяцев:

• Сокращение времени на подбор терапии на 30%
• Уменьшение количества повторных обращений на 25%
• Повышение удовлетворенности пациентов до 95%

Аптечная сеть «ФармАльянс» (Санкт-Петербург)

«Наши фармацевты теперь могут профессионально консультировать покупателей о совместимости препаратов. Это повысило доверие клиентов и увеличило средний чек.»

Врач-кардиолог Елена Владимировна

«PharmaChecker стал моим незаменимым помощником. Особенно ценно при работе с пожилыми пациентами, которые принимают много препаратов. Система подсказывает нюансы, которые легко упустить.»

Взгляд в будущее

Планы развития

Ближайшие 12 месяцев:

• Мобильные приложения для iOS и Android
• Интеграция с популярными медицинскими информационными системами
• Расширение базы данных лекарственных средств
• Добавление функций напоминаний о приеме препаратов

Долгосрочная перспектива:

• Выход на рынки стран СНГ
• Интеграция с носимыми устройствами (фитнес-браслеты, умные часы)
• Функции прогнозирования эффективности терапии
• Персональные рекомендации по образу жизни

Социальное влияние

PharmaChecker — это не просто коммерческий проект. Это вклад в:

• Повышение безопасности лекарственной терапии в России
• Снижение медицинских ошибок и их последствий
• Экономию ресурсов системы здравоохранения
• Улучшение качества жизни миллионов пациентов

Заключение: медицина становится умнее

Мы живем в эпоху, когда технологии могут сделать медицину не только более эффективной, но и более безопасной. PharmaChecker — яркий пример того, как искусственный интеллект может решать реальные проблемы реальных людей.

Каждый предотвращенный случай нежелательной реакции на лекарства — это спасенная жизнь, сохраненное здоровье, избежанные страдания. И это только начало.

Будущее медицины — в персонализации, безопасности и доступности. PharmaChecker делает это будущее реальностью уже сегодня.

Хотите узнать больше о PharmaChecker или попробовать платформу? Посетите наш сайт или свяжитесь с командой проекта.

Контакты:

• Сайт: pharmachecker.ru
• Email: info@pharmachecker.ru

#DigitalHealth #ИИвМедицине #БезопасностьЛекарств #Фармакология #Инновации #ЗдравоохранениеРоссии

The post Pharmachecker — что это? first appeared on Portfolio.

PharmaChecker — ваш помощник в мире лекарств

В современном мире забота о здоровье становится всё более важной. Мы создали
PharmaChecker — онлайн-сервис, который помогает людям и врачам быстро находить информацию о лекарствах, проверять их совместимость и
получать персональные рекомендации.

Скриншот главной страницы сервиса:

Для кого этот сервис?

• Для пациентов — чтобы узнать больше о назначенных
  препаратах, проверить их совместимость и избежать нежелательных
  последствий.
• Для врачей — чтобы быстро анализировать схемы лечения и
  подбирать безопасные комбинации лекарств.
• Для родственников — чтобы заботиться о близких, особенно
  если они принимают несколько препаратов одновременно.

Что умеет PharmaChecker?

1. Поиск лекарств — просто введите название препарата и
   получите подробную информацию о нём.
2. Проверка совместимости — сервис анализирует, можно ли
   принимать выбранные лекарства вместе.
3. Персональные профили — можно создать профиль пациента,
   чтобы получать рекомендации с учётом возраста, заболеваний и других
   особенностей.
4. История анализов — все ваши проверки сохраняются, чтобы
   вы могли к ним вернуться в любой момент.

Скриншот поиска и анализа лекарств:

Почему это важно?

Многие люди принимают несколько лекарств одновременно, не подозревая о возможных взаимодействиях между ними.
PharmaChecker помогает избежать ошибок, повысить безопасность лечения и сделать заботу о здоровье проще и понятнее.

Как это работает?

Сервис прост в использовании: нужно зарегистрироваться, чтобы начать поиск.
Достаточно ввести название лекарства или добавить препараты в анализ — и вы сразу получите результат. Для врачей и постоянных пользователей есть расширенные возможности: создание профилей, сохранение истории, персональные рекомендации.

Скриншот профиля пациента:

Безопасность и конфиденциальность

Мы не сохраняем личные данные без вашего согласия. Вся информация защищена, а история анализов доступна только вам.

The post PharmaChecker-помощник в мире лекарств first appeared on Portfolio.

Цель: автоматизировать создание статей в базе знаний obsidian, с помощью AI, без лишнего взаимодействия пользователя с другими системами.

Для эффективной автоматизации и управления контентом нам понадобится следующий стек технологий:

Стек технологий

1. Obsidian
   • Установленный плагин Git.
2. GitLab
   • Созданный репозиторий.
3. n8n
   • Созданный воркфлоу с триггером для получения комментариев.
4. Токен ChatGPT
   • API ключ от OpenAI или ключ от другого провайдера GPT, рекомендую своих друзей https://vsegpt.ru/ .

Шаг 1: Интеграция Obsidian с GitLab

Для начала необходимо связать Obsidian с GitLab. Отличной инструкцией для этого является статья на Хабре: Obsidian+Github вместо Notion: синхронизация, бекап и версионность (3-в-1). Выполняйте все шаги, описанные в статье, и вы успешно настроите синхронизацию.

После успешной настройки и загрузки файлов в репозиторий, с этими данными можно начинать работать.

Шаг 2: Создание воркфлоу в n8n

Создание воркфлоу в n8n также имеет множество статей и видеоуроков. Основные действия, которые нам нужно выполнить:

1. Настройка триггера GitLab:
   • Выберите триггер, который запускается при создании нового коммита.
   • Скопируйте вебхук из настроек триггера.
   • Добавьте вебхук в настройках репозитория GitLab. Теперь триггер будет срабатывать при каждом новом коммите и отправлять данные в n8n.
2. Получение файла в формате Markdown:
   • После срабатывания триггера, файл в формате .md будет передан в воркфлоу.
   • Переведите его содержимое в текстовый формат для дальнейшей обработки.

Шаг 3: Обработка файла в n8n

Разделение содержимого на части

Файл .md разделяется на две основные части:

• Спецификация (метаданные, такие как теги).
• Контент (основной текст статьи).

Проверка тегов

1. Из блока спецификации извлекаются теги.
2. Если среди тегов присутствует тег up, воркфлоу продолжается. Если нет, воркфлоу завершается.

Работа с контентом

1. Из блока контента извлекается основной текст.
2. Текст отправляется в GPT для генерации статьи.

Шаг 4: Генерация статьи с помощью GPT

Используйте узел GPT в n8n для отправки запроса. Пример системного промта:

Ты реактор базы знаний. Напиши развернутую статью на основании материала, в конце проставь основные теги на основании текста (не больше 4 штук). Если возможно, обязательно напиши примеры. Форматирование текста делай на основании markdown.

После обработки GPT возвращает сгенерированный текст статьи.

Шаг 5: Объединение и загрузка обратно в GitLab

1. Сгенерированный текст объединяется с блоком спецификации.
2. Тег up заменяется на done, чтобы избежать повторной обработки.
3. Обновленный файл загружается обратно в репозиторий GitLab.

Схема mermaid

Сам ворк флоу

Прикладываю файл для n8n

https://disk.yandex.ru/d/7Gfs5KtJoRt8kA

The post Автоматизация obsidian gitlab chatGPT n8n first appeared on Portfolio.