Находясь на нашем сайте, Вы даете согласие на обработку файлов cookie.

Медицина

Кейсы внедрения ML
Прогноз заболеваний
Подбор
препаратов
Создание новых лекарств
Подбор питания и физ. активности
Контроль качества
Прогноз спроса и управление запасами

Системы поддержки принятия врачебных решении

ML-модель анализирует обезличенные данные пациентов с известным анамнезом (регулярные анализы крови и истории болезней) и прогнозирует вероятность заболевания тем или иным расстройством.
Модель позволяет врачам выявлять скрытые симптомы, ставить предварительные диагнозы и назначать лечение на ранних этапах болезни.
Решение снижает риски постановки неверного диагноза, повышает эффективность диагностики и профилактики болезней.

Эффект

до х2
Рост качества оказания
медицинских услуг

Подбор медицинских назначений

ML-модель прогнозирует, какие действующие вещества будут наиболее эффективны в лечении заболевания пациента.
Для прогноза решение учитывает обезличенные данные по истории обращений и назначений, данные анализов (например, как меняются анализы пациентов со схожими симптомами при назначении данного препарата).
Решение повышает эффективность лечения для каждого пациента и предоставляет ценные данные для фармацевтических компаний.

Эффект

до 20%
Рост лояльности клиентов

Подбор питания и физической активности

Модель прогнозирует основные показатели здоровья при изменении питания и физической активности.
Для обучения ML-модель учитывает особенности питательных веществ, данные анализов, параметры тела (вес, процент жира) и физической активности (шаги, пульс).
Решение позволяет подобрать подходящий рацион и уровень физической активности для поддержания здоровья клиента.

Эффект

до 2х
Улучшение показателей здоровья

Прогноз запасов медицинского оборудования/лекарств в точках продаж

Прогнозирование спроса на товар для клиента позволяет планировать закупки и складские запасы, а также уменьшать уровень просрочки. На базе исторических данных о заказах (информация кассовых чеков, в т. ч. количество проданных товаров в каждой категории, цены на товары, адрес и дата), проведенных акциях и данных о поставщиках (сроки доставки, объемы отгружаемых товаров, закупочные цены), модель машинного обучения рассчитывает спрос на конкретный товар и формирует систему управления складскими запасами каждой аптеки.

Эффект

до 5%
Рост выручки
Снижение расходов на просрочку
до 12%

Создание новых лекарств

ML-модель на базе существующих препаратов и данных о молекулярных структурах организма ищет «мишени» для лекарства и подбирает его состав.

Для построения прогноза по составу препарата решение ищет конкретную молекулу в организме, тесно связанную с развитием патологии, воздействие на которую дает терапевтический эффект.

Решение в несколько десятков раз ускоряет разработку лекарств по сравнению с традиционными методами поиска и создания подобных веществ.

Эффект

до 35%
Снижение затрат на R&D

Контроль качества фармацевтической продукции

Система, используя компьютерное зрение, способна значительно повысить операционную эффективность и пропускную способность производственных линий. Контроль осуществляется за счет анализа видеоряда. Модель машинного обучения распознает отклонения от нормы, выявляет нарушения упаковки, проверяет штрих коды и иную информацию. Далее в автоматизированном режиме на конвейер происходит подача оповещения о необходимости отсеивания выявленной бракованной продукции.

Эффект

до 3%
Рост прибыльности
Снижение выбраковки
до 10%

Система контроля соблюдения требований безопасности

Инструменты на базе машинного обучения позволяют повысить уровень соблюдения санитарных норм и норм безопасности на предприятиях.

Например, специальная система видеонаблюдения на базе машинного обучения способна определить отсутствие средств индивидуальной защиты на работнике, повышенную температуру тела или нахождение сотрудника в зоне, запрещенной регламентом безопасности. Решение позволяет своевременно устранить нарушение регламента и предотвратить аварийную ситуацию на предприятии.

Эффект

до 80%
Сокращение нарушений норм
безопасности

Расчет оптимального производственного плана

Система прогнозирует оптимальное количество сотрудников по сменам и режим их работы.
Модель на основе машинного обучения учитывает потребности предприятия, ограничения (нормы труда, режим рабочего дня и др.) и особенности производственного процесса (например, стоимость энергоресурсов в зависимости от времени суток).
Решение дает возможность оптимизировать производственное расписание и снизить расходы.

Эффект

до 10%
Рост объема выпускаемой продукции
Рост коэффициента OEE (Overall Equipment Effectiveness)
до 15%

Рекомендательная система для аптечных сетей

Система учитывает данные о заказах (позиции в каталоге, чеки покупок периодичность заказов, средний размер чека), цены каждого товара, количество проданных товаров в каждой категории, данные о проведенных акциях (сезон, день недели), длительность акций и глубина скидок на товары.
ML-модель определяет позиции в ассортименте, которые клиент закажет с высокой вероятностью, учитывая комплементарность товаров на основе текущего заказа клиента. Решение позволяет увеличить маржинальность продаж, повысить средний чек и уменьшить расходы, связанные с утилизацией товаров.

Эффект

до 9%
Рост среднего чека
Рост прибыли
до 5%