{
 "packet_id": "W8-FIELD-OPS-30",
 "executor": "claude-sonnet subagent",
 "finished_at": "2026-09-23T00:00:00Z",
 "status": "submitted",
 "entities": [
  {
   "entity_id": "W8-FIELD-OPS-30-01",
   "label_ru": "Расширение эпиднадзора за инфекциями, связанными с кардиоимплантируемыми устройствами (CIED), с помощью ML-инструмента флагирования и генеративного ИИ (LLM) — Veterans Health Administration (VA), США",
   "company": "Veterans Health Administration (VA) — авторы описывают организацию как «a large, integrated national healthcare system»; конкретные госпитали VA в статье не названы",
   "country": "США",
   "process": "Эпиднадзор за здравоохранение-ассоциированными инфекциями (HAI): применение уже валидированного ML-инструмента флагирования инфекции к когорте процедур CIED (кардиоустройства) для отбора случаев с вероятностью инфекции ≥10%, затем — GenAI (LLM)-ассистированное извлечение и классификация признаков инфекции из клинических заметок вместо полностью ручного chart review инфекционistами-превентологами",
   "period": "Когорта процедур CIED: 01.07.2021–30.09.2023; ретроспективная оценка GenAI-ассистированного процесса — на взвешенной случайной выборке 100 карт; публикация online 23.01.2026",
   "region": "US",
   "evidence_level": "A",
   "level_basis_ru": "Рецензируемая статья в Infection Control & Hospital Epidemiology (Cambridge, издание SHEA), первичные данные VA открыты лично (полный текст через Europe PMC/PMC, OA). В разделе Conflicts of Interest все авторы заявляют отсутствие конфликта интересов; авторы — сотрудники VA и партнёрских академических центров (Boston University, University of Maryland и др.), не вендор. Измерение исхода — сравнение GenAI-классификации со сплошным ручным chart review (эталон) на слепой взвешенной выборке, сделанное самими авторами на данных своей организации — по уточнению протокола от 23.09 это признаётся независимым измерением (не пресс-релиз).",
   "outcome": "mixed",
   "outcome_basis_ru": "Цель — расширить охват эпиднадзора HAI на CIED-инфекции без потери надёжности классификации и с меньшей ручной нагрузкой. Метрики (база — 12 927 процедур CIED VA за 07.2021–09.2023, из них 334 [2,58%] с вероятностью инфекции ≥10% по ML-фильтру; тестовая подвыборка 50 инфицированных / 50 неинфицированных случаев): специфичность GenAI-процесса — 100% (все 50 неинфицированных случаев классифицированы верно); чувствительность корректной атрибуции сроков и связи с предшествующей процедурой — 82% (ошибки в 7 из 50 инфекционных случаев); среднее время ручного обзора карты — 25 минут против 5–7 минут при GenAI-ассистировании. Критерий — сами авторы (внутренняя валидация против ручного эталона). Итог смешанный: выигрыш по скорости подтверждён и достаточно велик, но по точности атрибуции/сроков остаются заметные ошибки, из-за чего авторы прямо указывают на необходимость ручной адъюдикации результатов — то есть автономность процесса не достигнута.",
   "primary_category": "process_restructuring",
   "extra_labels": [],
   "metrics": [
    {
     "name_ru": "Специфичность GenAI-ассистированной классификации инфекции (против ручного chart review)",
     "value": "100",
     "unit": "%",
     "period": "тестовая выборка 50 неинфицированных случаев из когорты 07.2021–09.2023",
     "baseline": "ручной chart review инфекционистов-превентологов",
     "source_url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC13216803/"
    },
    {
     "name_ru": "Чувствительность корректной атрибуции сроков события и связи с предшествующей процедурой",
     "value": "82",
     "unit": "%",
     "period": "тестовая выборка 50 инфицированных случаев",
     "baseline": "ручной chart review",
     "source_url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC13216803/"
    },
    {
     "name_ru": "Среднее время ручного обзора одной карты",
     "value": "25",
     "unit": "минут",
     "period": "внутренняя оценка авторов",
     "baseline": "-",
     "source_url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC13216803/"
    },
    {
     "name_ru": "Среднее время обзора одной карты с GenAI-ассистированием",
     "value": "5–7",
     "unit": "минут",
     "period": "внутренняя оценка авторов",
     "baseline": "25 минут при ручном обзоре",
     "source_url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC13216803/"
    },
    {
     "name_ru": "Доля процедур CIED с вероятностью инфекции ≥10% по ML-фильтру",
     "value": "2.58",
     "unit": "%",
     "period": "07.2021–09.2023, n=12 927 процедур",
     "baseline": "-",
     "source_url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC13216803/"
    }
   ],
   "claims": [
    {
     "claim_ru": "GenAI-ассистированный процесс верно классифицировал все 50 неинфицированных случаев (специфичность 100%) и выявил все инфекции среди 50 инфицированных случаев, но в 7 из 50 случаев ошибся в сроках события или в атрибуции к предшествующей процедуре (чувствительность по атрибуции — 82%)",
     "status": "VERIFIED",
     "what_verified": "observed_result",
     "evidence": [
      {
       "url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC13216803/",
       "title": "Leveraging a large language model to support expansion of surveillance activities to include cardiovascular implantable device infections in a large, integrated national healthcare system",
       "publisher": "Infection Control & Hospital Epidemiology (Cambridge University Press, SHEA)",
       "published": "2026-01-23",
       "origin": "academic",
       "quote_original": "Among 50 infection cases, GenAI identified all CIED infections, but the timing of events and the attribution to a preceding procedure were incorrect in 7 of 50 cases. The overall specificity of the GenAI-assisted process was 100% and the sensitivity for accurately classifying timing and attribution of CIED infection events was 82%.",
       "quote_ru": "Среди 50 случаев инфекции GenAI выявил все CIED-инфекции, но в 7 из 50 случаев сроки событий и отнесение к предшествующей процедуре были указаны неверно. Общая специфичность GenAI-ассистированного процесса составила 100%, а чувствительность точной классификации сроков и атрибуции событий CIED-инфекции — 82%."
      }
     ]
    },
    {
     "claim_ru": "Ручной обзор карты занимал в среднем 25 минут против 5–7 минут при GenAI-ассистировании",
     "status": "VERIFIED",
     "what_verified": "observed_result",
     "evidence": [
      {
       "url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC13216803/",
       "title": "Leveraging a large language model to support expansion of surveillance activities...",
       "publisher": "Infection Control & Hospital Epidemiology",
       "published": "2026-01-23",
       "origin": "academic",
       "quote_original": "Manual chart reviews averaged 25 minutes per chart; the GenAI-assisted process averaged 5–7 minutes per chart.",
       "quote_ru": "Ручной обзор карты занимал в среднем 25 минут; GenAI-ассистированный процесс — в среднем 5–7 минут."
      }
     ]
    },
    {
     "claim_ru": "Авторы делают вывод, что для корректной хронологии событий и атрибуции требуется ручная адъюдикация результатов LLM",
     "status": "VERIFIED",
     "what_verified": "causal",
     "evidence": [
      {
       "url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC13216803/",
       "title": "Leveraging a large language model...",
       "publisher": "Infection Control & Hospital Epidemiology",
       "published": "2026-01-23",
       "origin": "academic",
       "quote_original": "LLMs can help streamline the review process for healthcare-associated infection surveillance, but manual adjudication of output is needed to ensure the correct timeline of events and attribution.",
       "quote_ru": "LLM могут ускорить процесс обзора при эпиднадзоре за здравоохранение-ассоциированными инфекциями, но для обеспечения корректной хронологии событий и атрибуции требуется ручная адъюдикация результатов."
      }
     ]
    }
   ],
   "arithmetic": [
    {
     "expr": "334/12927*100",
     "result": "2.58%",
     "matches_source": true
    }
   ],
   "counter_evidence_ru": "Сами авторы прямо указывают на остаточные ошибки: «the timing of events and the attribution to a preceding procedure were incorrect in 7 of 50 cases» (14% инфекционных случаев с ошибками в деталях, важных для отчётности по эпиднадзору), и делают вывод о необходимости обязательной ручной адъюдикации — то есть заявленная эффективность не означает полной автоматизации.",
   "alternative_explanations_ru": "Сравнение «25 мин против 5–7 мин» относится к проверке уже предварительно отобранного ML-фильтром случая (только 334 из 12 927 процедур, 2,58%), а не ко всему объёму исходных данных; совокупный эффект на нагрузку эпидотдела в масштабе всей когорты отдельно не оценён и не приведён.",
   "human_role_ru": "Базовый ML-инструмент флагирования инфекции — ранее отдельно валидированный, используется как предварительный фильтр; промпты для GenAI итеративно дорабатывались людьми для снижения ошибок по срокам; итоговая адъюдикация спорных случаев — ручная, силами исследовательской команды VA.",
   "timeline_ru": "07.2021–09.2023 — сбор когорты CIED-процедур VA и применение ранее валидированного ML-флага; далее — ретроспективная выборочная GenAI-оценка 100 карт; публикация online 23.01.2026 (Infect Control Hosp Epidemiol, DOI 10.1017/ice.2025.10384). Проверка последующих цитирований через Europe PMC выполнена 23.09.2026 — новых последующих публикаций, ссылающихся на эту статью, на дату проверки не найдено (citedByCount не указан/0).",
   "limitations_ru": "Организация не названа по имени (только «large, integrated national healthcare system», по контексту — VA); оценка проведена на выборке 100 из 334 отфлагированных случаев, а не на всей когорте; не описано явное ослепление персонала, выполнявшего ручной обзор, от статуса кейса; независимого источника вне VA, подтверждающего эти цифры, не найдено — оценка целиком внутренняя, хотя и без конфликта интересов и на реальных данных.",
   "counted_in_120_proposed": true,
   "reason_ru": "Уровень A (первичные данные, прозрачное измерение, без конфликта интересов, лично открытый полный текст), исход установлен (mixed, не unknown), роль ИИ (ML-фильтр + LLM) в изменении процесса эпиднадзора чётко описана и измерена против ручного эталона.",
   "sources_opened": [
    "https://pmc.ncbi.nlm.nih.gov/articles/PMC13216803/"
   ],
   "unreachable": []
  },
  {
   "entity_id": "W8-FIELD-OPS-30-02",
   "label_ru": "Гибридный эпиднадзор за катетер-ассоциированными инфекциями мочевыводящих путей (CAUTI): правило-ориентированный алгоритм + LLM (Hybrid-CLEAR) — Barnes-Jewish Hospital / Washington University School of Medicine, Сент-Луис, США",
   "company": "Barnes-Jewish Hospital (BJC HealthCare), в партнёрстве с Washington University School of Medicine, Сент-Луис, Миссури, США — больница названа",
   "country": "США",
   "process": "Эпиднадзор за катетер-ассоциированными инфекциями мочевыводящих путей (CAUTI): дополнение существующего электронного правило-ориентированного алгоритма отбора потенциальных случаев CAUTI новым компонентом на основе LLM (Hybrid-CLEAR — retrieval-augmented генерация с извлечением клинических сущностей) для автоматического извлечения субъективных симптомов из неструктурированных заметок и снижения объёма ручного chart review инфекционистами-превентологами (IP)",
   "period": "Ретроспективный набор данных: 919 потенциальных случаев CAUTI, отобранных электронным алгоритмом в 2021–2024 гг.; публикация online 01.07.2026 (Clinical Infectious Diseases, печатный номер 15.07.2026)",
   "region": "US",
   "evidence_level": "A",
   "level_basis_ru": "Рецензируемая статья в Clinical Infectious Diseases (рубрика Editor's Choice), полный текст открыт лично (OA, Europe PMC/PMC). Эталон — ранее вынесенные определения CAUTI/не-CAUTI обученными инфекционистами-превентологами (IP) по стандарту CDC NHSN; финансирование — внутренние гранты на инновации (Washington University/BJC Big Ideas Healthcare Innovation Competition, Patient Safety Technology Challenge, Jewish Healthcare Foundation), в разделе Conflicts of Interest конфликта, связанного с коммерческим вендором ИИ, не выявлено. Измерение исхода выполнено самими авторами на данных своей больницы — по уточнению протокола от 23.09 это признаётся независимым измерением.",
   "outcome": "success",
   "outcome_basis_ru": "Цель — повысить точность автоматического эпиднадзора CAUTI по сравнению с существующим правило-ориентированным подходом и тем самым сократить потребность в сплошном ручном обзоре карт (IP в этой больнице тратят на CAUTI-эпиднадзор до 6 часов в неделю, вся команда — до 60 часов в неделю на HAI-эпиднадзор в целом). База — 919 потенциальных случаев CAUTI (291 подтверждённый CAUTI, 628 не-CAUTI по решению IP) из 1007 пациентов, 2021–2024. Метрика: гибридная модель «правила + LLM» (Hybrid-CLEAR) достигла чувствительности 90,0% и специфичности 93,5% против эталона IP — выше, чем у сравниваемого в этой же статье правило-ориентированного алгоритма «только по лихорадке» (чувствительность 77,7%) и чем у известного из литературы алгоритма «только структурированные данные» (чувствительность 100%, но специфичность всего 2,8% — то есть избыточные ложноположительные срабатывания). После экспертной адъюдикации ложных срабатываний показатели гибридной модели выросли до чувствительности 93,6% и специфичности 98,6%. Критерий — сами авторы (сравнение с ранее вынесенными IP-решениями). Итог — success: заявленная цель (повышение точности эпиднадзора относительно прежнего правило-ориентированного подхода) достигнута и количественно подтверждена на реальных данных больницы; прямая экономия часов работы IP в этой статье не квантифицирована.",
   "primary_category": "process_restructuring",
   "extra_labels": [],
   "metrics": [
    {
     "name_ru": "Чувствительность гибридной модели «правила + LLM» (Hybrid-CLEAR) против IP-эталона",
     "value": "90.0",
     "unit": "%",
     "period": "919 потенциальных случаев CAUTI, 2021–2024",
     "baseline": "правило-ориентированный алгоритм «только лихорадка»: 77,7%",
     "source_url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC13393108/"
    },
    {
     "name_ru": "Специфичность гибридной модели «правила + LLM» (Hybrid-CLEAR) против IP-эталона",
     "value": "93.5",
     "unit": "%",
     "period": "919 потенциальных случаев CAUTI, 2021–2024",
     "baseline": "структурные алгоритмы из литературы: до 2,8% при 100% чувствительности",
     "source_url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC13393108/"
    },
    {
     "name_ru": "Чувствительность/специфичность после экспертной адъюдикации ложных срабатываний",
     "value": "93.6 / 98.6",
     "unit": "%",
     "period": "919 потенциальных случаев CAUTI, 2021–2024",
     "baseline": "90,0% / 93,5% до адъюдикации",
     "source_url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC13393108/"
    },
    {
     "name_ru": "Доля подтверждённых CAUTI в исходной выборке отфлагированных случаев",
     "value": "31.7",
     "unit": "%",
     "period": "919 случаев (291 из 919)",
     "baseline": "-",
     "source_url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC13393108/"
    }
   ],
   "claims": [
    {
     "claim_ru": "Гибридная модель «правила + LLM» (Hybrid-CLEAR) достигла чувствительности 90,0% и специфичности 93,5%, что выше показателей сравниваемых альтернативных подходов",
     "status": "VERIFIED",
     "what_verified": "observed_result",
     "evidence": [
      {
       "url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC13393108/",
       "title": "The Best of Both Worlds: How Combining a Large Language Model and a Rule-Based Algorithm Makes Catheter-Associated Urinary Tract Infection Surveillance More Efficient",
       "publisher": "Clinical Infectious Diseases (Oxford University Press / IDSA)",
       "published": "2026-07-01",
       "origin": "academic",
       "quote_original": "Combining rule-based logic with Clinical Entity Augmented Retrieval (CLEAR) input into an LLM achieved the highest sensitivity (90.0%) and specificity (93.5%). Adjustment of false negatives and false positives after expert adjudication showed sensitivity of 93.6% and specificity of 98.6%.",
       "quote_ru": "Сочетание правило-ориентированной логики с Clinical Entity Augmented Retrieval (CLEAR) на входе LLM обеспечило наивысшую чувствительность (90,0%) и специфичность (93,5%). После корректировки ложноотрицательных и ложноположительных результатов по итогам экспертной адъюдикации чувствительность составила 93,6%, специфичность — 98,6%."
      }
     ]
    },
    {
     "claim_ru": "Гибридная модель превзошла правило-ориентированный алгоритм «только лихорадка» (чувствительность 77,7%) и алгоритмы на чисто структурированных данных из литературы (специфичность всего 2,8% при 100% чувствительности)",
     "status": "VERIFIED",
     "what_verified": "observed_result",
     "evidence": [
      {
       "url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC13393108/",
       "title": "The Best of Both Worlds...",
       "publisher": "Clinical Infectious Diseases",
       "published": "2026-07-01",
       "origin": "academic",
       "quote_original": "When compared with the current surveillance process, the Hybrid-CLEAR model demonstrated good performance, with 90.0% sensitivity and 93.5% specificity. It outperformed a rule-based algorithm with fever alone (sensitivity: 77.7%)... Other groups have tested algorithms that employed these structured data alone, and while they achieved 100% sensitivity, specificity was as low as 2.8%.",
       "quote_ru": "По сравнению с действующим процессом эпиднадзора модель Hybrid-CLEAR показала хорошие результаты — чувствительность 90,0% и специфичность 93,5%. Она превзошла правило-ориентированный алгоритм только по лихорадке (чувствительность 77,7%)... Другие группы тестировали алгоритмы только на структурированных данных: при 100% чувствительности специфичность была всего 2,8%."
      }
     ]
    },
    {
     "claim_ru": "IP в этой больнице тратят на CAUTI-эпиднадзор до 6 часов в неделю, вся команда — до 60 часов в неделю на HAI-эпиднадзор",
     "status": "VERIFIED",
     "what_verified": "implementation_fact",
     "evidence": [
      {
       "url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC13393108/",
       "title": "The Best of Both Worlds...",
       "publisher": "Clinical Infectious Diseases",
       "published": "2026-07-01",
       "origin": "academic",
       "quote_original": "IPs at our institution dedicate up to 6 hours/week on CAUTI surveillance, with the entire team spending up to 60 hours/week on HAI surveillance.",
       "quote_ru": "Инфекционисты-превентологи в нашем учреждении тратят до 6 часов в неделю на эпиднадзор за CAUTI, а вся команда — до 60 часов в неделю на эпиднадзор за HAI в целом."
      }
     ]
    }
   ],
   "arithmetic": [
    {
     "expr": "291/919*100",
     "result": "31.66% (в статье округлено до 31.7%)",
     "matches_source": true
    }
   ],
   "counter_evidence_ru": "Существует опубликованная в том же номере журнала редакционная комментарий-статья «The Best of Both Worlds—But at What Threshold? Caveats for LLM-Assisted CAUTI Surveillance» (Yu Z, Qin F, Li E, Clin Infect Dis, online 19.06.2026, DOI 10.1093/cid/ciag373) — по названию критически разбирает пороги/ограничения метода; статья закрыта пейволом (isOpenAccess=N, недоступна в PMC), лично не открыта, поэтому её содержание не используется как доказательство и не цитируется — помечена unreachable.",
   "alternative_explanations_ru": "Улучшение метрик Hybrid-CLEAR получено на ретроспективном наборе, отобранном уже существующим электронным алгоритмом (919 из некоторого большего числа кандидатов); эффект на реальную рабочую нагрузку IP (часы, сэкономленные на ручном обзоре) в этой статье не квантифицирован — только качественно упомянута текущая нагрузка (6/60 часов в неделю) как мотивация.",
   "human_role_ru": "Существующий правило-ориентированный электронный алгоритм остаётся первым фильтром (структурированные данные — посевы мочи, наличие катетера); LLM (в рамках CLEAR/RAG-подхода) добавлен для извлечения субъективных симптомов из неструктурированных заметок; финальная классификация случаев для целей исследования сверялась с ранее вынесенными решениями подготовленных инфекционистов-превентологов (IP), выступающими эталоном.",
   "timeline_ru": "2021–2024 — накопление ретроспективного набора из 919 потенциальных случаев CAUTI в Barnes-Jewish Hospital; разработка и тестирование модели Hybrid-CLEAR; публикация online 01.07.2026, печатная версия 15.07.2026 (Clin Infect Dis, DOI 10.1093/cid/ciag301). Проверка через Europe PMC на 23.09.2026 обнаружила 3 цитирующие работы 2026 года, включая критическую редакционную статью с оговорками по порогам метода (см. counter_evidence_ru) — полный текст этой редакционной статьи не открыт (пейвол).",
   "limitations_ru": "Оценка ретроспективная (не проспективное внедрение с измерением реальной экономии времени IP); сравнение с «алгоритмом на структурированных данных» (специфичность 2,8%) — это данные другой группы/учреждения из литературы, а не собственный до-LLM исторический контроль этой же больницы (собственный внутренний контроль — только «правило по лихорадке», 77,7% чувствительности); независимого подтверждения результата источником другого происхождения (помимо самой статьи и недоступной редакционной комментарий-статьи) не найдено.",
   "counted_in_120_proposed": true,
   "reason_ru": "Уровень A (первичные данные названной больницы, прозрачное измерение против IP-эталона, лично открытый полный текст, без конфликта интересов), исход установлен (success — количественное превосходство над сравниваемыми альтернативами), роль LLM в изменении процесса эпиднадзора чётко описана.",
   "sources_opened": [
    "https://pmc.ncbi.nlm.nih.gov/articles/PMC13393108/"
   ],
   "unreachable": [
    "https://doi.org/10.1093/cid/ciag373 (Yu Z, Qin F, Li E — редакционная комментарий-статья, пейвол, не в PMC)"
   ]
  },
  {
   "entity_id": "W8-FIELD-OPS-30-03",
   "label_ru": "ИИ-CDSS на базе DeepSeek-R1 в составе FMEA-пакета мер по соблюдению преантибиотикового микробиологического забора проб — третичная многопрофильная больница традиционной китайской медицины (ТКМ), Китай",
   "company": "Название больницы не раскрыто — «a tertiary TCM [traditional Chinese medicine] hospital» с западномедицинскими отделениями, включая ОРИТ; анонимизирована в статье",
   "country": "Китай",
   "process": "Пакет мер по итогам FMEA (Failure Mode and Effects Analysis) для повышения доли случаев, когда микробиологический забор проб выполнен до начала антибиотикотерапии: (1) ИИ-CDSS на базе модели DeepSeek-R1, встроенная в EHR и систему назначений врача — автоматически проверяет при заказе антибиотика ограниченного/специального использования, был ли назначен/собран соответствующий микробиологический образец в заданном временном окне; (2) обучающий онлайн-модуль/LMS; (3) дополнительные меры — штрихкодовое отслеживание образцов и дашборды комплаенса с обратной связью",
   "period": "Подготовка FMEA — 01.01–31.03.2024; внедрение пакета мер — с 01.04.2024; оценка допрединтервенционных и постинтервенционных показателей — январь–декабрь 2024 (тренд-тест Манна-Кендалла); публикация online 10.03.2026 (J Med Internet Res)",
   "region": "CN",
   "evidence_level": "C",
   "level_basis_ru": "Рецензируемая статья в J Med Internet Res, полный текст открыт лично (OA), но: (1) больница анонимизирована — оценить независимость и масштаб невозможно; (2) авторы — сотрудники самой больницы (отделения инфекционного контроля, микробиологии, ИТ), внешнего органа/аудитора, подтверждающего результат, не найдено; (3) главное — вклад именно ИИ-CDSS в итоговый рост показателя специмен-сабмишн неразделим от эффекта двух других одновременно внедрённых немедицинских мер (штрихкодирование, обучение, дашборды) — причинная роль ИИ отдельно не выделена и не измерена (нет факторного дизайна или изоляции компонентов). По правилу «уроков 23.09» — установленная роль ИИ в изменении работы не подтверждена отдельно от бандла, что не позволяет присвоить B/A.",
   "outcome": "success",
   "outcome_basis_ru": "Цель пакета мер в целом (не изолированно ИИ-компонента) — повысить долю случаев с микробиологическим забором проб до начала терапии антибиотиками ограниченного/специального использования. Метрика — статистически значимый восходящий тренд общей доли специмен-сабмишн (p<0,001), а также отдельно для антибиотиков ограниченного (p<0,001) и специального использования (p<0,001) по тесту Манна-Кендалла за январь–декабрь 2024 (доинтервенционный период — январь–март 2024, постинтервенционный — с апреля 2024). Точные процентные значения «было/стало» в доступном тексте статьи и в извлечённых таблицах не приведены (возможно, только на графиках/рисунках, не извлекаемых из XML). Критерий — сами авторы. Итог — success для заявленной цели пакета мер в целом, но исход не может быть однозначно отнесён именно к ИИ-компоненту.",
   "primary_category": "process_restructuring",
   "extra_labels": [
    "adjacent_automation"
   ],
   "metrics": [
    {
     "name_ru": "Тренд общей доли преантибиотикового специмен-сабмишн (тест Манна-Кендалла)",
     "value": "восходящий, p<0.001",
     "unit": "-",
     "period": "январь–декабрь 2024, до/после интервенции с 01.04.2024",
     "baseline": "доинтервенционный период янв–март 2024 (точные % не извлечены)",
     "source_url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC12974997/"
    },
    {
     "name_ru": "Тренд доли специмен-сабмишн для антибиотиков ограниченного использования",
     "value": "восходящий, p<0.001",
     "unit": "-",
     "period": "январь–декабрь 2024",
     "baseline": "доинтервенционный период (точные % не извлечены)",
     "source_url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC12974997/"
    },
    {
     "name_ru": "Тренд доли специмен-сабмишн для антибиотиков специального использования",
     "value": "восходящий, p<0.001",
     "unit": "-",
     "period": "январь–декабрь 2024",
     "baseline": "доинтервенционный период (точные % не извлечены)",
     "source_url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC12974997/"
    }
   ],
   "claims": [
    {
     "claim_ru": "ИИ-CDSS на базе модели DeepSeek-R1 была разработана и встроена в EHR и систему назначений для стимулирования забора проб до антибиотикотерапии",
     "status": "VERIFIED",
     "what_verified": "implementation_fact",
     "evidence": [
      {
       "url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC12974997/",
       "title": "Investigating the Effect of Hospital Infection Control Informatization on Optimizing Microbiological Specimen Submission Before Antibiotic Therapy: Failure Mode and Effects Analysis",
       "publisher": "Journal of Medical Internet Research (JMIR Publications)",
       "published": "2026-03-10",
       "origin": "independent",
       "quote_original": "An artificial intelligence-driven (DeepSeek-R1) CDSS was developed and integrated into the hospital's EHR and computerized physician order entry system to promote microbiological specimen submission before antibiotic therapy.",
       "quote_ru": "ИИ-ориентированная (на базе DeepSeek-R1) CDSS была разработана и встроена в EHR-систему и систему компьютеризированных врачебных назначений больницы для стимулирования микробиологического забора проб до начала антибиотикотерапии."
      }
     ]
    },
    {
     "claim_ru": "После внедрения пакета мер наблюдался статистически значимый восходящий тренд долей специмен-сабмишн (общей, для ограниченного и для специального использования антибиотиков)",
     "status": "VERIFIED",
     "what_verified": "observed_result",
     "evidence": [
      {
       "url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC12974997/",
       "title": "Investigating the Effect of Hospital Infection Control Informatization...",
       "publisher": "Journal of Medical Internet Research",
       "published": "2026-03-10",
       "origin": "independent",
       "quote_original": "Postintervention, significant upward trends were observed in overall specimen submission rates (P<.001), with similar improvements for restricted-use (P<.001) and special-use antibiotics (P<.001).",
       "quote_ru": "После внедрения мер наблюдались статистически значимые восходящие тренды общей доли специмен-сабмишн (P<0,001), с аналогичными улучшениями для антибиотиков ограниченного (P<0,001) и специального использования (P<0,001)."
      }
     ]
    },
    {
     "claim_ru": "Итоговый пакет мер состоял из трёх взаимосвязанных компонентов: ИИ-CDSS, обучающий модуль и дополнительные меры (штрихкодирование, дашборды)",
     "status": "VERIFIED",
     "what_verified": "implementation_fact",
     "evidence": [
      {
       "url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC12974997/",
       "title": "Investigating the Effect of Hospital Infection Control Informatization...",
       "publisher": "Journal of Medical Internet Research",
       "published": "2026-03-10",
       "origin": "independent",
       "quote_original": "The final intervention package consisted of three interrelated components: An artificial intelligence-driven (DeepSeek-R1) CDSS... Online training module and learning management system (LMS)... Supplementary digital process-enhancement measures: Additional supportive measures included enhanced barcode-based specimen tracking and monitoring dashboards with feedback mechanisms.",
       "quote_ru": "Итоговый пакет мер состоял из трёх взаимосвязанных компонентов: ИИ-ориентированная (DeepSeek-R1) CDSS...; онлайн-обучающий модуль и система управления обучением (LMS)...; дополнительные цифровые меры — усиленное штрихкодовое отслеживание образцов и мониторинговые дашборды с обратной связью."
      }
     ]
    }
   ],
   "arithmetic": [],
   "counter_evidence_ru": "Сами авторы признают ограничение: «some of the interventions relied on a relatively well-developed hospital information infrastructure, such as artificial intelligence-driven CDSS alerts» — то есть переносимость результата на менее оснащённые больницы под вопросом; исследование проведено в одной третичной больнице ТКМ, без параллельного контроля (только временной тренд до/после).",
   "alternative_explanations_ru": "Одновременное внедрение обучающего модуля, штрихкодового отслеживания и дашбордов комплаенса могло полностью или частично объяснять наблюдаемый рост доли специмен-сабмишн независимо от ИИ-CDSS; факторного анализа, изолирующего вклад именно ИИ-компонента, в статье нет.",
   "human_role_ru": "ИИ-CDSS — лишь один из компонентов; параллельно люди (сотрудники ИТ, инфекционного контроля, лаборатории) вручную реализовали штрихкодовое отслеживание, обучающий модуль и дашборды с ручной еженедельной обратной связью отделениям; решение о назначении антибиотика и реакция на алерт CDSS остаются за врачом.",
   "timeline_ru": "01.01–31.03.2024 — подготовительный этап FMEA (картирование процесса, оценка режимов отказа); 01.04.2024 — старт внедрения пакета мер; январь–декабрь 2024 — период оценки трендов; публикация online 10.03.2026 (J Med Internet Res, DOI 10.2196/78118). Проверка цитирований через Europe PMC на 23.09.2026: найдена 1 цитирующая обзорная статья 2026 года (не открыта, использована только как факт наличия, не как источник утверждений).",
   "limitations_ru": "Больница анонимизирована (не названа); нет изоляции эффекта ИИ-компонента от остальных двух компонентов бандла; нет точных численных значений «до/после» в извлекаемом тексте статьи (только направление и статзначимость тренда); нет независимого подтверждения результата источником другого происхождения.",
   "counted_in_120_proposed": false,
   "reason_ru": "Уровень C (самоотчёт больницы о собственном QI-проекте, анонимизированная организация, без независимого подтверждения) и, что решающее, роль именно ИИ-компонента в достигнутом результате не выделена из общего эффекта трёхкомпонентного бандла — не выполняется требование «установленная роль ИИ в изменении работы».",
   "sources_opened": [
    "https://pmc.ncbi.nlm.nih.gov/articles/PMC12974997/"
   ],
   "unreachable": []
  },
  {
   "entity_id": "W8-FIELD-OPS-30-04",
   "label_ru": "ИИ-CDSS OneChoice® (Arkstone Medical Solutions) для эмпирической терапии инфекций мочевыводящих путей — сравнение с врачами, Лима, Перу (при участии сотрудников вендора в авторском коллективе)",
   "company": "Arkstone Medical Solutions (разработчик OneChoice®), при участии клиник Лимы, Перу; конкретные больницы в статье не названы",
   "country": "Перу",
   "process": "ML-CDSS с человеком в контуре (human-in-the-loop) OneChoice® оценивалась на согласие/несогласие её рекомендаций по эмпирической антимикробной терапии ИМП с решениями 194 опрошенных врачей (70 инфекционистов, 124 неспециалиста) по 42 реальным клиническим случаям ИМП с полными данными посева и чувствительности; расхождения оценивала внешняя слепая экспертная комиссия",
   "period": "Кросс-секционное опросное исследование; точный календарный период сбора данных в доступном тексте не указан; публикация online 25.08.2026 (Diagnostics, Basel)",
   "region": "OTHER",
   "evidence_level": "C",
   "level_basis_ru": "В разделе Conflicts of Interest статьи прямо указано: первый автор (J.C. Gómez de la Torre) — директор по молекулярной информатике Arkstone Medical Solutions, второй автор (A. Frenkel) — Chief Science Officer той же компании, то есть создатели/собственники продукта — часть основного авторского коллектива, финансовый интерес присутствует (прецедент C по методике задания). Кроме того, сами авторы прямо пишут, что клиническая эффективность и исходы пациентов в исследовании не оценивались — измерено только согласие рекомендаций с мнением врачей/экспертной комиссии, а не реальный организационный или клинический исход.",
   "outcome": "unknown",
   "outcome_basis_ru": "Заявленная авторами цель исследования — оценить согласие (concordance) рекомендаций OneChoice® с решениями врачей и с независимой экспертной комиссией, а не измерить реальный клинический или операционный исход (снижение неподходящих назначений, длительности терапии, резистентности). Метрика: общее согласие с врачами — 62,5%, по первому выбору — 50,9%, по альтернативному варианту — 40,6%; согласие выше у инфекционистов (65,7%/51,4%/72,9%), чем у неспециалистов (44,2%/35,7%/57,8%). При расхождениях внешняя комиссия в 90,5–93,2% случаев сочла рекомендацию CDSS предпочтительной. Авторы сами прямо признают: «the study did not evaluate comparative clinical effectiveness or patient outcomes» — то есть организационный/клинический исход (в терминах задания: доля неподходящих назначений, длительность терапии, резистентность) не измерялся и остаётся unknown; согласие с экспертной оценкой — не то же самое, что измеренный исход работы организации.",
   "primary_category": "adjacent_automation",
   "extra_labels": [],
   "metrics": [
    {
     "name_ru": "Общее согласие рекомендаций OneChoice® с решениями врачей",
     "value": "62.5",
     "unit": "%",
     "period": "224 оценки, 42 клинических случая ИМП",
     "baseline": "-",
     "source_url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC13565701/"
    },
    {
     "name_ru": "Согласие по рекомендации первого выбора",
     "value": "50.9",
     "unit": "%",
     "period": "224 оценки",
     "baseline": "-",
     "source_url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC13565701/"
    },
    {
     "name_ru": "Доля случаев, где внешняя комиссия при расхождении предпочла рекомендацию CDSS",
     "value": "90.5–93.2",
     "unit": "%",
     "period": "случаи расхождения (discordant evaluations)",
     "baseline": "-",
     "source_url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC13565701/"
    }
   ],
   "claims": [
    {
     "claim_ru": "Первый автор — директор по молекулярной информатике Arkstone Medical Solutions, второй автор — Chief Science Officer той же компании (производителя OneChoice®)",
     "status": "VERIFIED",
     "what_verified": "implementation_fact",
     "evidence": [
      {
       "url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC13565701/",
       "title": "Comparison of OneChoice AI-Based Clinical Decision Support Recommendations with Infectious Disease Specialists and Non-Specialists for Empirical Urinary Tract Infection Therapy in Lima, Peru",
       "publisher": "Diagnostics (MDPI)",
       "published": "2026-08-25",
       "origin": "company",
       "quote_original": "Ari Frenkel is Chief Science Officer of Arkstone Medical Solutions, the company that produces the OneChoice report evaluated in this study. JC Gómez de la Torre works as the Director of Molecular Informatics at Arkstone Medical Solutions...",
       "quote_ru": "Ари Френкель — Chief Science Officer компании Arkstone Medical Solutions, производителя отчёта OneChoice, оцениваемого в этом исследовании. Х.К. Гомес де ла Торре работает директором по молекулярной информатике в Arkstone Medical Solutions..."
      }
     ]
    },
    {
     "claim_ru": "Авторы прямо указывают, что исследование не оценивало сравнительную клиническую эффективность или исходы пациентов",
     "status": "VERIFIED",
     "what_verified": "none",
     "evidence": [
      {
       "url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC13565701/",
       "title": "Comparison of OneChoice AI-Based Clinical Decision Support Recommendations...",
       "publisher": "Diagnostics (MDPI)",
       "published": "2026-08-25",
       "origin": "company",
       "quote_original": "The external adjudication findings indicate that the CDSS recommendations were frequently aligned with expert assessment when physician and CDSS recommendations differed; however, the study did not evaluate comparative clinical effectiveness or patient outcomes.",
       "quote_ru": "Данные внешней адъюдикации показывают, что рекомендации CDSS часто совпадали с экспертной оценкой при расхождении с решением врача; однако исследование не оценивало сравнительную клиническую эффективность или исходы пациентов."
      }
     ]
    },
    {
     "claim_ru": "Общее согласие CDSS с врачами составило 62,5%, по первому выбору — 50,9%, выше у инфекционистов, чем у неспециалистов",
     "status": "VERIFIED",
     "what_verified": "observed_result",
     "evidence": [
      {
       "url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC13565701/",
       "title": "Comparison of OneChoice AI-Based Clinical Decision Support Recommendations...",
       "publisher": "Diagnostics (MDPI)",
       "published": "2026-08-25",
       "origin": "company",
       "quote_original": "First-choice, alternative, and general concordance were 50.9%, 40.6%, and 62.5%, respectively. ID specialists showed higher concordance than non-ID physicians (65.7% vs. 44.2%; 51.4% vs. 35.7%; 72.9% vs. 57.8%; all p ≤ 0.034).",
       "quote_ru": "Согласие по первому выбору, альтернативному варианту и общее согласие составили 50,9%, 40,6% и 62,5% соответственно. У инфекционистов согласие было выше, чем у неспециалистов (65,7% против 44,2%; 51,4% против 35,7%; 72,9% против 57,8%; во всех случаях p ≤ 0,034)."
      }
     ]
    }
   ],
   "arithmetic": [
    {
     "expr": "70 ID + 154 non-ID = 224 evaluations (проверка суммы из текста методов)",
     "result": "224",
     "matches_source": true
    }
   ],
   "counter_evidence_ru": "Финансовый конфликт интересов: два ключевых автора (первый и второй) — руководители компании-разработчика оцениваемого продукта, что по методике задания однозначно относит случай к прецеденту C («без контроля или с финансовым интересом»); согласие с врачами лишь умеренное (50,9–62,5%), то есть сам продукт CDSS относительно часто расходится с реальными решениями практикующих врачей.",
   "alternative_explanations_ru": "Высокая доля «побед» CDSS при экспертной адъюдикации (90,5–93,2%) измерена той же исследовательской структурой, включающей сотрудников вендора, а независимость и состав «внешней комиссии» (blinded panel) не детализированы в доступном тексте; возможен отбор случаев или критериев адъюдикации в пользу продукта.",
   "human_role_ru": "Итоговое решение о назначении терапии остаётся за врачом; CDSS в этом исследовании использовалась только как объект сравнения в опросном (не внедрённом в реальную практику назначения) формате — реального изменения рабочего процесса больниц Лимы в статье не описано.",
   "timeline_ru": "Точные календарные даты сбора опросных данных в доступном тексте не приведены; публикация online 25.08.2026 (Diagnostics, DOI 10.3390/diagnostics16172708). Проверка цитирований через Europe PMC на 23.09.2026 — цитирующих публикаций не найдено (citedByCount=0).",
   "limitations_ru": "Финансовый конфликт интересов (руководители вендора в числе основных авторов); клинический/организационный исход не измерялся (сами авторы это подтверждают); конкретные больницы Лимы не названы; независимого источника, подтверждающего или опровергающего результаты, не найдено.",
   "counted_in_120_proposed": false,
   "reason_ru": "Уровень C из-за прямого финансового конфликта интересов (соавторы — руководители компании-вендора), исход не установлен (авторы сами признают отсутствие оценки клинических/организационных исходов) — не выполняются условия counted_in_120 (нужны A/B и установленный исход).",
   "sources_opened": [
    "https://pmc.ncbi.nlm.nih.gov/articles/PMC13565701/"
   ],
   "unreachable": []
  }
 ],
 "packet_notes_ru": "Фокус: ИИ/ML в реальной антибиотикотерапии, инфекционном контроле и эпиднадзоре за HAI, 2023–2026, с исключением уже известных систем сепсис-алертов (UVA, Harris Health, COMPOSER, HERACLES). Поиск вёлся не через инструмент WebSearch (использовано 0 вызовов WebSearch из лимита 10, указанного в задании пакета), а прицельными запросами к Europe PMC REST API (search и fullTextXML) обычными открытыми запросами по стандарту, разрешённому дополнением 2026-09-23 («официальные открытые агрегаторы... обычными запросами»); WebFetch/curl использован широко без ограничения по количеству, все запросы — с нейтральным User-Agent, без передачи данных пользователя. Проверен grep по known-entities.txt (830 строк) — пересечений с найденными случаями не обнаружено. Итог: 4 случая. Уровни: A=2 (30-01 VA CIED-эпиднадзор ML+GenAI, 30-02 Barnes-Jewish Hospital CAUTI Hybrid-CLEAR LLM-эпиднадзор), C=2 (30-03 китайская ТКМ-больница — бандл с ИИ-CDSS на DeepSeek-R1, роль ИИ не изолирована; 30-04 OneChoice/Arkstone Лима, Перу — финансовый конфликт интересов, исход не измерен). Исходы: mixed=1 (30-01), success=2 (30-02, 30-03 — но 30-03 success относится к общему бандлу, не изолированно к ИИ), unknown=1 (30-04). Предложено в 120: 2 (30-01, 30-02). Категория «ML-выявление инфекций, связанных с оказанием помощи» и «ИИ в эпиднадзоре больниц» дали наиболее качественные находки (Level A); категория «AI stewardship с измеренным исходом снижения неподходящих назначений/резистентности» — за пределами уже известных прецедентов почти не даёт публикаций высокого уровня доказательности без вендорского конфликта или без бандлирования с неИИ-мерами; категория «ИИ в инфекционном контроле» (мониторинг гигиены рук по видео) дала только 2 релевантные публикации, обе за пейволом (Am Surg, J Infect Public Health), помечены как недоступные и не включены. ML-прогноз бактериемии с вмешательством (вне сепсис-алертов) — найдены только ретроспективные модель-валидационные исследования без реального внедрения (точность без исхода), не включены. Автоматизированный эпиднадзор CLABSI в Швейцарии (Euro Surveill, национальное внедрение) целенаправленно исключён: при проверке методики выяснилось, что применяемый «алгоритм» — правило-ориентированный (ECDC/NHSN-подобные определения на структурированных данных), а не ML/ИИ, что прямо запрещено методикой задания («алгоритм на правилах ≠ ИИ»)."
}