SocmedicaСистема поддержки принятия решений для

клинической практики на основе Объединенной Базы Медицинских Знаний

1. Проблема

Врачебные ошибки и непредвиденные осложнения на различных стадиях диагностики и лечения

как следствие:- высокая летальность - неожиданные осложнения- колоссальные расходы на ошибки

1. ПроблемаАнатомия врачебных ошибок

3Руководство учреждения

2Коллеги

1Врач

170 тыс. в год становятся инвалидами50 тыс. в год умирают от врачебных ошибокwww. лига защиты пациентов

440 тыс. в год умирают от врачебных ошибокJournal of Patient Safety, Forbes

Врачебная ошибка проходит «хороший» фильтр прежде, чем будет предана огласке:

1. Огромное количество врачебных ошибок остается на совести врачей. Совершая ошибку, половина врачей даже не осознаёт этого.2. Часть этих ошибок остается под защитой врачебной солидарности.3. На третьем уровне фильтра работает администрация, заботящаяся о статистике клиники.

И только после этого мы видим опубликованные цифры…

1. ПроблемаРасходы на врачебные ошибки

в год $ 7,3B тратит на врачебные ошибки www.cpmhealthgrades.com

≈ $1,5 M в год тратит на врачебные ошибки стационар общего профиля

1. Проблемамедицинских страховых компаний

Отсутствие контроля за лечебным процессом Соответствие лечебно-диагностических процедур примененным стандартам и обоснованность применения стандартов к конкретному пациенту, что является сложной и рутинной работой требующей большого штата экспертов, в том числе врачей разных специальностей.как следствие - мошенничество и злоупотребления услугами страховых компаний

Прогнозирование рисков возникновения «дорогостоящих» заболеваний у клиента

Содержание большого штата высококвалифицированных экспертов для принятие решения при возникновении страхового случая

2. Спрос / рынок

Субститут – Медицинские информационные системы

Основные потребители– b2b – лечебно-профилактические учреждения, страховые

компании и производители МИС;– b2c – врачи, пациенты и пользователи интернета, которым

не безразлично свое здоровье;– b2g – госструктуры, участвующие в информатизации

здравоохранения

Объем российского рынка медицинских информационных систем – 11,5 млрд. руб. в год.Темпы роста рынка составляют 9% в год.

2. Спрос / рынокГлобальный рынок

2014 2015 2016 2017 2018 2019 2020$0.0B

$5.0B

$10.0B

$15.0B

$20.0B

$25.0B

$30.0B

$35.0B

$14.4B

$29.9B

$3.7B

$21.0B

EHRCDSS

EHR – рынок медицинских информационных системCDSS – целевой сегмент (клинические системы поддержки принятия решений)• Объем рынка на 2014 г. - $3,74B;• CAGR - 25% .По данным - Marketsandmarkets.

Драйверами роста глобального рынка клинических систем поддержки принятия решений станут увеличение спроса на аналитические ИТ-решения позволяющие уменьшать вероятность возникновения врачебных ошибок, что в свою очередь сократит расходы клиник и повысит качество медицинской помощи

2. Спрос / рынокКонкурентное сравнение существующих экспертных систем

Экспертные системы

Целевая аудитория

Персонификация

пациента

Прогнозирование

Диагностика

Поддержка принятия решений

Количество нозологий Входные данные

Самообучаемость

Socmedica* pat, doc, clinic да да да да все любые даIBM Watson* pat, doc, clinic ? да да да Онкология, урология любые даЭксперт doc нет нет нет да 3 sympt, lab нетPxdes doc нет нет да нет 1 (Пневмокониоз) x-ray нетEMERGE doc, clinic нет нет да да боль в груди sympt, lab нетCaDet doc, clinic нет да да да онкология sympt, epid нетApache III doc, clinic нет да нет да тяжесть состояния пациента sympt, lab нетDXplain doc, clinic нет нет да да 2400 sympt, lab нетGermwatcher doc, clinic нет нет да да госпитальные инфекции lab нетPEIRS doc, clinic нет нет да нет лабораторная интерпретация lab нетPuff doc, clinic нет нет да нет легочная патология sympt, lab нетSETH doc, clinic нет да да да клиническая фрамакология sympt, lab нетeasydiagnosis pat, doc нет нет да да ? (основные группы нозологий) sympt нетnhsdirect pat нет нет нет нет ? (основные группы нозологий) sympt нетwebmd pat нет нет да нет ? (основные группы нозологий) sympt нетsymcat pat нет нет да нет 800 sympt, epid нет

Как правило, существующие экспертные системы представляют собой локальное решение узкого круга вопросов.Единственным примером полноценной системы помощи принятия решения и потенциальным конкурентом является суперкомпьютер IBM Watson, который проходит клиническое тестирование.*Основные преимущества системы Socmedica над IBM Watson:1. Кроме вопросно-ответного способа общения с системой, которая заложена в модели IBM Watson, Socmedica использует принцип фонового мониторинга клинического материала пациента. Мы придерживаемся концепции, что большинство врачей не осознают, что совершают ошибки и не оформят свои запросы к системе. Остальная часть врачей из за нехватки времени не будут успевать оформлять запросы системе своевременно. Наш подход минимизирует человеческий фактор, приводящий к ошибкам.2. В системе Socmedica поиск ответа осуществляется по аналогии мышления врача, а в построении семантики используются медицинские онтологии.

3. РешениеСистема поддержки принятия решений для клинической практики

ЭМК Виртуальный образ пациента

Система поддержки принятия решений2. Анализ электронной медицинской

карты любого формата

1. Обезличенная электронная медицинская карта пациента (ЭМК) передается в облако

3. Система создает виртуальный образ больного

4. Виртуальный образ постоянно уточняется и оптимизируется в фоновом режиме

5. Система обслуживает любые запросы до момента выписка пациента из стационара

6. На своем рабочем месте врач видит рекомендации системы

3. Решениепример: рекомендации системы выводятся на монитор врача

Риск развития тромбоэмболии

легочной артерии

73%Прогнозирование рисков возникновения осложнений

Ранняя диагностика госпитальных осложнений

Рекомендации системы по профилактике, дифференциальной диагностике и лечению осложнений

Мониторинг за лечебным процессом и состоянием пациента

4. Базовая технология

UMKB

MМодель представления медицинских знаний

Система моделирования знаний

Объединенная База Медицинских Знаний United Medical Knowledge Base (UMKB)

Алгоритмы прогнозной аналитики и поддержки принятия решений

4. Базовая технологияМодель представления медицинских знаний

М

Разработана модель представления медицинских знаний, при помощи которой возможно объединить и структурировать знания из различных областей медицины - от клинического опыта врачей до молекулярной биологии и генетики.

13

4. Базовая технологияТехнология моделирования медицинских знаний

Конструктор онтологий

Краудсорсинговая система моделирован

ия знаний

Машинный анализ

медицинских текстов

Объединение знаний

Формирование степени

доказательности

Анализ ЭМК в режиме

реального времени с

извлечением фактов

14

4. Базовая технологияМашинный анализ медицинских текстов

ABBYY Morphological

and Lexical Analyzer

4. Базовая технологияРезультат анализа текста

4. Базовая технологияПример: моделирование патогенеза инфаркта миокарда

Интеллектуальная собственностьСуществующие патенты и объекты авторского права

• Система моделирования базы медицинских знаний - Socmedica (Свидетельство о государственной регистрации программы для ЭВМ №2014618583)

• Объединенный классификатор медицинских терминов «Соцмедика-МТ» (Свидетельство о государственной регистрации базы данных №2015620304)

• Патент - Способ определения лекарственных взаимодействий и противопоказаний к применению лекарственных средств с помощью структурированной базы знаний. Заявка №2015111641. Дата подачи: 31.03.2015.

• Патент - Способ автоматического подбора лекарственных препаратов. Заявка №2015111641. Дата подачи: 31.03.2015.

• Графический интерфейс пользователя системы поддержки принятия решений по назначению лекарственных средств Заявка №2015501457 и Заявка №2015501457

• Товарный знак Соцмедика/Socmedica (Свидетельство на товарный знак №528331)• Логотип компании (Свидетельство на товарный знак №494814)• Алгоритм прогнозной аналитики и дифференциальной диагностики – (заявки

оформляются)

Готов рабочий прототип: Система поддержки принятия решений по назначению лекарственных средств

http://www.socmedica.com/page/pharm_expert

5. Бизнес модельСхема коммерциализации

1. Мобильная версия продукта. На начальном этапе будет распространяться бесплатно для врачей и пациентов с целью быстрого масштабирования проекта. В дальнейшем монетизация данного направления может быть реализована за счет рекламы или абонентской платы.2. Инсталляция продукта в медицинские информационные системы (МИС), которые уже реализованы в лечебно-профилактических учреждениях. Система устанавливается в структуру любой электронной истории болезни. Далее в фоновом режиме анализирует электронные карты пациентов, и выдает заключения рекомендательного характера. На своем рабочем месте врачи регулярно видят и принимают к сведению рекомендации системы. Стоимость инсталляции экспертной системы составит в среднем $200 в год за одно рабочее место врача. Цена будет варьировать в зависимости от количества рабочих мест. Дополнительным источником дохода будут продление лицензий и продажа услуг по сопровождению системы. Планируемый объем продаж за 2016 г. – $1,2m, в 2020 г. (через 4 года) – $17,5m3. Анализ обезличенной электронной медицинской карты пациента в облаке. Лечебно-профилактические учреждения отправляют обезличенные электронные медицинские карты пациентов в облако на анализ экспертной системе. Система создает виртуальный образ пациента и обслуживает любые запросы до момента выписки пациента из стационара. Поддержка решений по одному образу пациента будет стоить $10 - $15 (в зависимости от профиля стационара), за который платит лечебно-профилактическое учреждение. Планируемый объем продажи за 2016г. – $0,5m, в 2020г. (через 4 года) – $1,9m4. Продажа лицензии на продукт производителям и/или поставщикам МИС. Купив лицензию на наш продукт, производители и/или поставщики МИС смогут внедрять в клиники свои продукты с уже интегрированной системой поддержки принятия решений. Сегодня мы активно ведем переговоры с такими потенциальными партнерами. Производители и поставщики МИС заинтересованы в интеграции системы поддержки принятия решений для улучшения своих продуктов и повышения их конкурентоспособности. С компанией CompuGroupMedical уже имеется предварительная договоренность об интеграции разрабатываемого продукта в их систему CGMCLININET. CGM – одна из ведущих компаний в мире в секторе eHealth. Компания поставляет МИС в 35-ти странах мира для более 385 000 клиентов. Для нас это хороший шанс выйти на международный рынок.

5. Бизнес модельАнализ обезличенной электронной медицинской карты пациента в облаке

131 000ЭМК в месяц Поддержка

решений$12

Виртуальный образ пациента

Экспертная система поддержки принятия решений

ЛПУ количество стационаров/потенциальных

клиентов - 661

Страховая компания(ОМС, ДМС)

Отчет по качеству оказания помощи

$6полис

Почему ЛПУ будут покупать наш продукт?

Использование продукта позволит:1. снизить количество врачебных ошибок и

непредвиденных осложнений

2. сэкономить и получить дополнительный доход

3. Создаст персонифицированный подход к каждому пациенту

4. Повысит качество лечения

5. Снизит летальность

6. Повысит конкурентоспособность ЛПУ

7. Увеличит поток пациентов

11.7 млн.р

7.0 млн.р

1.0 млн.р

Расходы на врачебные ошибки

Экономия средств + дополнительный доход

Затраты на услуги ЭС

19.7 млн.р

5.5 млн.р

+

Пример стационара хирургического профиля мощностью 650 коек, который тратит на врачебные ошибки около 20 миллионов рублей в месяц

Дополнительный доход каждый месяц за счет увеличения потока пациентов

6. Ключевые члены команды

Бледжянц Г.А. Генеральный директор. Врач-кардиохирург, к.м.н.• Опыт работы в клинической практике 14 лет• Опыт в разработке медицинских классификаторов.• Автор модели представления медицинских знаний

Туманов Н.А. Исполнительный директор. Врач-психиатр, кандидат медицинских наук.• Опыт работы в клинической практике 14 лет• Опыт в моделировании медицинских знаний• Опыт в создании алгоритмов функционирующих по аналогии мышления врача

Исакова Ю.А. Руководитель экспертной группы по моделированию UMKB в области фармакологии и фармации. Провизор, ведущий научный сотрудник лаборатории профессиональной клинической фармакодинамики НУЗ «НКЦ ОАО «РЖД». Член общества специалистов доказательной медицины (ОСДМ), международного общества фармакоэкономических исследований (ISPOR).

Паносян А.В. Директор по информационным технологиям. Программист• Опыт в создании системы управления искусственной нейронной сетью• Автор системы моделирования медицинских знаний

Гусейнов М.К. Главный программист. Специальность программист.• Опыт в создании самообучающихся баз данных• Опыт в создание системы управления искусственной нейронной сетью

6. Ключевые члены команды

Абгарян М.Г. Директор по внешним связям. Кандидат технических наук. Имеет опыт во внедрении систем хранения, обработки и визуализации медицинских изображений в медицинских учреждениях РФ. Имеет опыт в организации разработки и производства профессиональной графической DICOM станции создания.

Лапук А.В. Ментор – специалист, обладающий международным опытом в области медицинских разработок. Специальность - молекулярная биология. Действительный член Американской ассоциации исследования рака, Нью-Йоркской Академии Наук. Ценный научный опыт помогают команде Socmedica искать альтернативные ниши применения UMKB.

Мелконян Р. С. Руководитель медицинского отдела. Врач-кардиохирург, врач-терапевт. • Опыт работы в клинической практике 14 лет• В течении последних пяти лет занимается изучением и созданием алгоритмов экспертной системы «врача общей практики»

Саркисян М.А. Руководитель отдела по научному продвижению и межвузовским связям. Врач-стоматолог, доктор медицинских наук, профессор МГМСУ им. А.И. Евдокимова• Опыт работы в клинической практике 18 лет. Основной задачей является вовлечение в процесс моделирования UMKB вузовского и научного сообщества (от студентов до старших специалистов)

Мдинарадзе Г.Н. Специалист в области страховой медицины. Врач- стоматолог, к.м.н. Опыт работы в клинической практике 16 лет. С 2011 г. параллельно с должностью ген. директора ООО "Роснефть Здоровье", зам. нач. упр. социального развития ОАО "НК "Роснефть", где разрабатывал и реализовал программы страхования и медицинского обеспечения работников компании.

Вартанян С.В. Заместитель директора по внешним связям. Работает в ЗАО «Соцмедика» в отделе по взаимодействию с медицинскими научными центрами и профильными учреждениями по наполнению UMKB, курирует коммерческие вопросы.

7. Этапы развития проектаи требуемый размер инвестиций

$1.75M

$1.75M

Разработана технология моделирования медицинских знаний Достигнуты партнерские отношения с Научными Центрами Создана Объединенная База Медицинских Знаний - UMKB Готов рабочий прототип: система поддержки принятия решений по

назначению лекарственных средств

Система поддержки принятия решений для клинической практики

Разр

абот

ка 1

,5 г

ода

Этап 2: Система по прогнозированию рисков возникновения клинических осложненийАлгоритмы прогнозирования рисков, которые будут использованы в работе экспертной системы …

Этап 3: Экспертная система по диагностике заболеваний «Электронный терапевт»Алгоритмы диагностики, которые будут использованы в работе экспертной системы …

Этап 4: Экспертная система персонального медицинского сопровождения пользователя «Персональный доктор»Разработка модуля формирования индивидуального образа пациента …

1 этап пройден

Окончательный продукт

8. Финансовый прогноз

Продажа стратегическому инвестору, крупному IT интегратору

На данном этапе ведутся активные переговоры с потенциальными покупателями. Заключены договора, первые продажи ожидаются через 4 мес. После получения требуемых инвестиций компания выходит на самофинансирование через 14 мес. Через два года от начала финансирования чистая прибыль составит около $0,2M. Возможность выхода инвестора мы видим к началу 3-го года путем продажи своей доли в компании стратегическому инвестору. В качестве стратегических инвесторов мы рассматриваем крупные отраслевые компании лидеры рынка EHR.

Соцмедика

Бледжянц Геворг АрменаковичТел: +7 (926) 991-10-41E-mail: blejyants@socmedica.com

www.socmedica.com

Туманов Николай АлександровичТел: +7 (916) 625-90-40E-mail: tumanov@socmedica.com