{
  "packet_id": "W8-FIELD-OPS-20",
  "executor": "claude-sonnet subagent",
  "finished_at": "2026-09-23T00:00:00Z",
  "status": "submitted",
  "entities": [
    {
      "entity_id": "W8-FIELD-OPS-20-01",
      "label_ru": "Penn Medicine (University of Pennsylvania Health System) — ML-подсказки врачам для serious illness conversations у онкологических пациентов",
      "company": "University of Pennsylvania Health System (Penn Medicine), 9 онкологических клиник (Abramson Cancer Center и др.)",
      "country": "США",
      "process": "ML-модель (Penn Predictive Healthcare) прогнозирует 180-дневную смертность онкологических пациентов; при высоком риске лечащему врачу перед визитом отправляется электронное поведенческое «подталкивание» (nudge) с предложением провести serious illness conversation (SIC) — разговор о целях помощи",
      "period": "стажированное кластерное РКИ 17.06.2019–20.04.2020 (40-недельный анализ: 16 недель развёртывания + 24 недели наблюдения); публикация долгосрочных результатов — JAMA Oncology, март 2023",
      "region": "US",
      "evidence_level": "B",
      "level_basis_ru": "Стажированное кластерное РКИ (stepped-wedge cluster RCT), рецензируемый журнал JAMA Oncology, лично открыт полный текст PMC (PMC9857721) и связанная статья о расходах (PMC11259034). Исход измерен объективно по данным EHR (документированные SIC, системная терапия в конце жизни, ICU, хоспис), не по самоотчёту врачей. Ограничение уровня: ML-модель разработана той же командой Penn Medicine (Predictive Healthcare team — Chivers, Regli, Hanson), которая же и проводит РКИ — происхождение данных и анализа не независимо от разработчиков; соответствует прецеденту B («разработчики при контролируемом РКИ»), а не A.",
      "outcome": "mixed",
      "outcome_basis_ru": "Цель — увеличить долю задокументированных SIC у пациентов высокого риска смерти и снизить агрессивную помощь в конце жизни (база: 41 021 контакт, 20 506 пациентов, до/после ступенчатого внедрения). SIC среди контактов с пациентами высокого риска выросла с 3.4% (59/1754) до 13.5% (510/3765), скорректированный OR 2.62 (95% ДИ 1.84–3.72, p<0.001). Системная терапия в последние 14 дней жизни снизилась с 10.4% (24/231) до 7.5% (72/957), OR 0.25 (p=0.001). Значимых изменений НЕ выявлено по: смерти в стационаре (11.7% vs 11.9%, p=0.24), поступлению в ICU за 30 дней (16.9% vs 15.7%, p=0.92), охвату хосписом (59.6% vs 60.6%, p=0.25), длительности хосписа (23.90 vs 25.53 дня, p=0.47). Разнонаправленные результаты по разным метрикам → mixed.",
      "primary_category": "process_restructuring",
      "extra_labels": ["serious_illness_conversations", "palliative_targeting"],
      "metrics": [
        {"name_ru": "Доля SIC среди контактов с пациентами высокого риска", "value": "3.4% → 13.5%", "unit": "%", "period": "16 нед. развёртывания + 24 нед. наблюдения, 2019–2020", "baseline": "3.4% (59/1754)", "source_url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC9857721/"},
        {"name_ru": "Системная терапия в последние 14 дней жизни", "value": "10.4% → 7.5%", "unit": "%", "period": "тот же период, среди умерших (n=1188)", "baseline": "10.4% (24/231)", "source_url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC9857721/"},
        {"name_ru": "Скорректированные суточные расходы в последние 6 мес. жизни (та же команда, вторичный анализ)", "value": "$377.96 vs $449.92 (скорр. разница −$75.33)", "unit": "USD/день", "period": "до декабря 2020, 1187 умерших пациентов высокого риска", "baseline": "$449.92", "source_url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC11259034/"}
      ],
      "claims": [
        {
          "claim_ru": "ML-подсказка врачу утроила долю задокументированных SIC у пациентов высокого риска и снизила агрессивную терапию в конце жизни, но не изменила ICU, охват хосписом и внутрибольничную смертность",
          "status": "VERIFIED",
          "what_verified": "observed_result",
          "evidence": [
            {
              "url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC9857721/",
              "title": "Long-term Effect of Machine Learning–Triggered Behavioral Nudges on Serious Illness Conversations and End-of-Life Outcomes Among Patients With Cancer: A Randomized Clinical Trial",
              "publisher": "JAMA Oncology",
              "published": "2023-03 (2023;9(3):414-418)",
              "origin": "academic",
              "quote_original": "In this randomized clinical trial that included 20 506 patients with cancer (for a total of 41 021 encounters), the intervention led to a significant increase in SICs, from 3.4% to 13.5%, among encounters with patients at high risk of death while decreasing rates of end-of-life systemic therapy from 10.4% to 7.5%.",
              "quote_ru": "В этом рандомизированном клиническом исследовании, включавшем 20 506 пациентов с раком (41 021 контакт), вмешательство привело к значимому росту SIC — с 3.4% до 13.5% среди контактов с пациентами высокого риска смерти, при снижении доли системной терапии в конце жизни с 10.4% до 7.5%."
            }
          ]
        },
        {
          "claim_ru": "Дублирующий анализ той же команды (расходы) показал снижение суточных расходов в последние 6 месяцев жизни на скорректированные $75.33/день у группы вмешательства",
          "status": "VERIFIED",
          "what_verified": "observed_result",
          "evidence": [
            {
              "url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC11259034/",
              "title": "Spending Analysis of Machine Learning–Based Communication Nudges in Oncology",
              "publisher": "NEJM AI",
              "published": "2024 (1(6))",
              "origin": "academic",
              "quote_original": "The intervention was associated with lower unadjusted mean daily spending in the last 6 months of life for the intervention group versus controls ($377.96 vs. $449.92; adjusted mean difference, −$75.33; 95% confidence interval, −$136.42 to −$14.23; P=0.02)",
              "quote_ru": "Вмешательство было связано с более низкими средними суточными расходами в последние 6 месяцев жизни в группе вмешательства по сравнению с контролем ($377.96 против $449.92; скорректированная разница −$75.33; 95% ДИ от −$136.42 до −$14.23; P=0.02)"
            }
          ]
        }
      ],
      "arithmetic": [
        {"expr": "59/1754", "result": "3.36% ≈ заявленные 3.4%", "matches_source": true},
        {"expr": "510/3765", "result": "13.55% ≈ заявленные 13.5%", "matches_source": true},
        {"expr": "24/231", "result": "10.39% ≈ заявленные 10.4%", "matches_source": true},
        {"expr": "72/957", "result": "7.52% ≈ заявленные 7.5%", "matches_source": true}
      ],
      "counter_evidence_ru": "Значимых различий не выявлено по инвазивным/дорогостоящим исходам конца жизни (ICU, стационарная смерть, охват и длительность хосписа) — эффект вмешательства избирателен, ограничен документацией разговора и одним показателем терапии.",
      "alternative_explanations_ru": "Само по себе электронное уведомление (nudge) могло сработать как рутинное напоминание врачу вне зависимости от точности ML-прогноза (эффект точности модели vs эффект простого напоминания не разделён экспериментально); секулярный тренд обучения врачей за 40 недель наблюдения не исключён.",
      "human_role_ru": "Финальное решение о проведении SIC и его содержании принимает лечащий врач/онколог после получения ML-инициированного уведомления; ML только формирует список пациентов высокого риска и триггерит алерт.",
      "timeline_ru": "2019–2020 — проведение РКИ; 2020 — первая публикация краткосрочных результатов (JAMA Oncol, не в окне 2023–2026); март 2023 — публикация 40-недельного долгосрочного анализа (используется как основной источник данного пакета); 2024 — вторичный анализ расходов той же командой (NEJM AI).",
      "limitations_ru": "Разработчики модели и организаторы РКИ — одна и та же команда Penn Medicine; соавтор Parikh раскрывает обширные финансовые связи с индустрией предиктивной аналитики в онкологии (GNS Healthcare, Thyme Care, Onc.AI, гонорары от Humana, гранты от UnitedHealth Group) — не с конкретно этим продуктом, но как ограничение независимости оценки указано. Вторичный анализ расходов (2024) выполнен той же командой на тех же данных — не независимое происхождение.",
      "counted_in_120_proposed": true,
      "reason_ru": "Уровень B, исход установлен (mixed, не unknown), роль ИИ в изменении работы (кого и когда врач приглашает на разговор) установлена — соответствует критерию учёта.",
      "sources_opened": [
        "https://pmc.ncbi.nlm.nih.gov/articles/PMC9857721/",
        "https://pmc.ncbi.nlm.nih.gov/articles/PMC11259034/"
      ],
      "unreachable": [
        "https://pubmed.ncbi.nlm.nih.gov/36633868/ (cookie-блокировка, дублируется PMC-версией)"
      ]
    },
    {
      "entity_id": "W8-FIELD-OPS-20-02",
      "label_ru": "Geisinger — ML-таргетированный аутрич на колоноскопию среди пациентов с просроченным скринингом колоректального рака",
      "company": "Geisinger Health System (интегрированная система здравоохранения, Пенсильвания, США)",
      "country": "США",
      "process": "С 2019 г. ML-модель выявляет пациентов с просроченным скринингом (colonoscopy) и повышенным риском колоректального рака (CRC) среди тех, кто не подпадает под стандартные критерии скрининга; выявленным пациентам команда Care Gaps Nurses направляет персонализированный аутрич с приглашением пройти колоноскопию",
      "period": "программа действует с 2019 г.; оценка эффекта — рабочая версия статьи датирована 2026 г., принята к публикации в Manufacturing & Service Operations Management (M&SOM) как победитель Practice-Based Research Competition 2025",
      "region": "US",
      "evidence_level": "B",
      "level_basis_ru": "Смешанный авторский коллектив: независимые исследователи операционного менеджмента без финансового интереса в модели (Minje Park — Univ. of Hong Kong; Carri W. Chan — Columbia Business School) + сотрудники Geisinger, внедрившие и эксплуатирующие программу (Keith Boell, Elliot Mitchell, David Vawdrey) + Children's Hospital of Philadelphia (Abdul Tariq). Причинный вывод — не самоотчёт, а квазиэкспериментальный дизайн регрессионного разрыва (regression discontinuity) по порогу риск-скора, с множественными робастность-проверками (иная полиномиальная спецификация, плацебо-пороги, лог-трансформация). Лично открыт полный текст рабочей версии (PDF, 6 стр., author's copy). Финальная рецензируемая журнальная версия на pubsonline.informs.org недоступна (403, платный доступ) — отмечено unreachable, использована авторская версия.",
      "outcome": "success",
      "outcome_basis_ru": "Цель — увеличить участие в колоноскопии и снизить смертность от CRC среди пациентов, отобранных ML как высокорисковых. По оценке RD-дизайна на границе порога риск-скора: участие в колоноскопии за 3 месяца выросло на 6.0 п.п. (относительный рост 214% к контрольной группе в пределах полосы пропускания), за 6 месяцев — на 6.9 п.п. (рост 117%); время до колоноскопии сократилось на 124 дня (−39%, резко на пороге); 2-летняя смертность снизилась на 6.2 п.п. (−43%), несмотря на отсутствие разрыва в риске самого CRC на пороге. Однонаправленные положительные эффекты по всем ключевым показателям → success.",
      "primary_category": "process_restructuring",
      "extra_labels": ["screening_outreach", "colorectal_cancer"],
      "metrics": [
        {"name_ru": "Участие в колоноскопии за 3 месяца", "value": "+6.0 п.п. (214% относительный рост)", "unit": "п.п.", "period": "с 2019 г., оценка на пороге риск-скора", "baseline": "оценённый контрольный уровень ≈2.8% в полосе пропускания (выведено из относительного роста)", "source_url": "http://www.columbia.edu/~cc3179/Geisinger_CRC_2026.pdf"},
        {"name_ru": "Участие в колоноскопии за 6 месяцев", "value": "+6.9 п.п. (117% относительный рост)", "unit": "п.п.", "period": "тот же период", "baseline": "оценённый контрольный уровень ≈5.9%", "source_url": "http://www.columbia.edu/~cc3179/Geisinger_CRC_2026.pdf"},
        {"name_ru": "2-летняя смертность", "value": "−6.2 п.п. (43% снижение)", "unit": "п.п.", "period": "2 года наблюдения", "baseline": "не указана отдельно, эффект на пороге", "source_url": "http://www.columbia.edu/~cc3179/Geisinger_CRC_2026.pdf"},
        {"name_ru": "CRC-позитивность: flagged vs not flagged (описательно, не RD-оценка)", "value": "6.42% vs 0.84%", "unit": "%", "period": "вся выборка программы с 2019 г.", "baseline": "0.84% (not flagged)", "source_url": "http://www.columbia.edu/~cc3179/Geisinger_CRC_2026.pdf"}
      ],
      "claims": [
        {
          "claim_ru": "ML-таргетированный аутрич увеличил участие в колоноскопии на 6.0–6.9 п.п. и снизил 2-летнюю смертность на 6.2 п.п. по оценке регрессионного разрыва",
          "status": "VERIFIED",
          "what_verified": "observed_result",
          "evidence": [
            {
              "url": "http://www.columbia.edu/~cc3179/Geisinger_CRC_2026.pdf",
              "title": "Cancer Screening Outreach Guided by Machine Learning: The Benefits of Proactive Care",
              "publisher": "рабочая версия для Manufacturing & Service Operations Management (M&SOM)",
              "published": "2026 (авторская версия; журнальная — M&SOM 2024/2026)",
              "origin": "academic",
              "quote_original": "Applying the RD design, we find that the ML-guided CRC screening outreach program increases the likelihood of colonoscopy uptake by 6.0 percentage points (pp) in 3 months (214% increase relative to the control group within the bandwidth), and 6.9 pp in 6 months (117% increase)... we estimate that the program decreases 2-year mortality by 6.2 pp (43% reduction) at the cutoff, despite the fact that there was no discontinuity in the risk of having CRC at the cutoff.",
              "quote_ru": "Применяя RD-дизайн, мы обнаруживаем, что программа ML-таргетированного аутрича по скринингу CRC увеличивает вероятность прохождения колоноскопии на 6.0 процентных пунктов (п.п.) за 3 месяца (рост на 214% относительно контрольной группы в пределах полосы) и на 6.9 п.п. за 6 месяцев (рост на 117%)... мы оцениваем, что программа снижает 2-летнюю смертность на 6.2 п.п. (снижение на 43%) на пороге, несмотря на отсутствие разрыва в риске самого CRC на этом пороге."
            }
          ]
        }
      ],
      "arithmetic": [
        {"expr": "6.0 / 2.14 (обратный расчёт контрольного уровня из относительного роста 214%)", "result": "≈2.80% — внутренне согласуется с заявленным относительным ростом", "matches_source": true},
        {"expr": "6.9 / 1.17", "result": "≈5.90% — внутренне согласуется с заявленным относительным ростом 117%", "matches_source": true}
      ],
      "counter_evidence_ru": "Сами авторы отмечают, что эффект на смертность (43% снижение) необычно велик для скринингового вмешательства и требует осторожной интерпретации; RD-дизайн предполагает отсутствие иных изменений на пороге риск-скора, что не может быть доказано напрямую.",
      "alternative_explanations_ru": "Возможны иные сопутствующие эффекты внимания медперсонала к пациентам около порога (не только приглашение на колоноскопию), не выделенные отдельно в RD-оценке; здоровье пациентов около порога может отличаться по немоделируемым характеристикам.",
      "human_role_ru": "ML определяет состав целевой группы для аутрича; фактический контакт, консультирование и направление осуществляет команда Care Gaps Nurses.",
      "timeline_ru": "2019 — запуск программы; оценка эффекта — рабочая версия статьи 2026 г. (по данным всего периода эксплуатации программы с 2019 г.).",
      "limitations_ru": "Не РКИ — квазиэксперимент на основе регрессионного разрыва (причинная идентификация только локально, вблизи порога риск-скора); часть авторов — сотрудники Geisinger, разработавшие и эксплуатирующие программу (не полностью независимое происхождение данных и оценки); финальная рецензируемая журнальная версия статьи не была лично открыта (paywall) — использована авторская/препринтная версия PDF, финальные цифры могут незначительно отличаться после рецензирования.",
      "counted_in_120_proposed": true,
      "reason_ru": "Уровень B (смешанный независимый + внедряющий коллектив, строгий квазиэкспериментальный дизайн), исход установлен (success), роль ИИ в изменении работы (кого включают в список аутрича) установлена.",
      "sources_opened": [
        "http://www.columbia.edu/~cc3179/Geisinger_CRC_2026.pdf"
      ],
      "unreachable": [
        "https://pubsonline.informs.org/doi/full/10.1287/msom.2024.1353 (403, платный доступ — финальная журнальная версия)"
      ]
    },
    {
      "entity_id": "W8-FIELD-OPS-20-03",
      "label_ru": "Duke University Hospital — ML-уведомление о риске смерти для инициации advance care planning у госпитализированных онкологических пациентов",
      "company": "Duke University Health System (Duke University Hospital, отделение солидных новообразований; связанное исследование — более широкая популяция высокого риска)",
      "country": "США",
      "process": "Валидированная ML-модель прогноза смертности выявляет госпитализированных пациентов с высоким риском смерти; система уведомляет лечащего врача (онколога или специалиста паллиативной помощи) с предложением провести разговор о целях помощи (advance care planning, ACP) и задокументировать его",
      "period": "исследование 1 (солидные опухоли): допериод январь–октябрь 2019, постпериод сентябрь 2020 – август 2021, публикация Journal of Pain and Symptom Management, сентябрь 2024; связанное исследование 2 (более широкая популяция высокого риска) — та же команда Duke, PMC11864393, детали количественных результатов не проверялись лично",
      "region": "US",
      "evidence_level": "C",
      "level_basis_ru": "Ретроспективное pre-post исследование качества медицинской помощи (quality improvement), БЕЗ одновременной контрольной группы — сравниваются только допериод и постпериод в одной больнице. Разработчики модели (Duke Institute for Health Innovation — Sendak, Balu, Gao) и авторы оценки — одна и та же команда. Несмотря на объективные данные EHR и рецензируемую публикацию (лично открыт PMC11536198), отсутствие контроля и совпадение разработчиков/оценщиков соответствует прецеденту C (самооценка организацией собственной программы), а не B.",
      "outcome": "mixed",
      "outcome_basis_ru": "Цель — увеличить долю задокументированных ACP-разговоров у пациентов высокого риска смерти и улучшить исходы конца жизни (база: 88 индексных госпитализаций допериод vs 77 постпериод, Duke University Hospital). ACP-заметка была написана для 2.3% госпитализаций до вмешательства и 80.5% после (p<0.001); по специальности — паллиативная помощь 4.1%→84.6%, онкология 0%→76.3% (оба p<0.001). НО статистически значимых различий не выявлено по: длительности пребывания (медиана 3.9 vs 4.7 дня, p=0.193), выписке в хоспис (29.5% vs 37.7%, p=0.270), поступлению в ICU (3.4% vs 3.9%, p=1.000), смене статуса реанимации (27.3% vs 27.3%, p=0.786), внутрибольничной смертности (12.5% vs 6.5%, p=0.193), 30-дневной реадмиссии (21.4% vs 20.8%, p=0.931), 30-дневным ED-визитам (24.7% vs 22.5%, p=0.760), смерти в течение 30 дней (40.9% vs 48.1%, p=0.357). Огромный сдвиг процесса без статистически значимого изменения клинических исходов → mixed.",
      "primary_category": "process_restructuring",
      "extra_labels": ["advance_care_planning", "palliative_targeting"],
      "metrics": [
        {"name_ru": "Доля госпитализаций с задокументированной ACP-заметкой", "value": "2.3% → 80.5%", "unit": "%", "period": "янв–окт 2019 vs сент 2020–авг 2021", "baseline": "2.3% (2/88)", "source_url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC11536198/"},
        {"name_ru": "Внутрибольничная смертность", "value": "12.5% → 6.5% (не значимо, p=0.193)", "unit": "%", "period": "тот же период", "baseline": "12.5%", "source_url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC11536198/"}
      ],
      "claims": [
        {
          "claim_ru": "ML-уведомление о риске смерти резко увеличило долю задокументированных ACP-разговоров, но не изменило клинические исходы конца жизни (LOS, хоспис, ICU, реадмиссии, смертность)",
          "status": "VERIFIED",
          "what_verified": "observed_result",
          "evidence": [
            {
              "url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC11536198/",
              "title": "Machine Learning for Targeted Advance Care Planning in Cancer Patients: A Quality Improvement Study",
              "publisher": "Journal of Pain and Symptom Management",
              "published": "2024-09 (68(6):539-547)",
              "origin": "independent",
              "quote_original": "ACP conversations were documented for 2.3% of hospitalizations preintervention vs. 80.5% postintervention (P<0.001)... There were no differences between groups in length of stay (LOS), hospice referral, code status change, ICU admissions or LOS, 30-day readmissions, 30-day ED visits, and inpatient and 30-day deaths.",
              "quote_ru": "ACP-разговоры были задокументированы для 2.3% госпитализаций до вмешательства и 80.5% после (P<0.001)... Различий между группами по длительности пребывания, направлению в хоспис, смене статуса реанимации, поступлению/длительности в ICU, 30-дневным реадмиссиям, 30-дневным ED-визитам и внутрибольничной/30-дневной смертности не выявлено."
            }
          ]
        }
      ],
      "arithmetic": [
        {"expr": "2/88", "result": "2.27% ≈ заявленные 2.3%", "matches_source": true},
        {"expr": "62/77", "result": "80.5% — точно совпадает", "matches_source": true}
      ],
      "counter_evidence_ru": "Отсутствие статистически значимых изменений по 8 из 9 клинических/операционных исходов при огромном сдвиге в документации — сами авторы прямо пишут «did not impact EOL care».",
      "alternative_explanations_ru": "Постинтервенционный период (сентябрь 2020 – август 2021) частично совпадает с пандемией COVID-19 в США — возможное искажение показателей длительности пребывания, смертности и загрузки стационара, не связанное с вмешательством; отсутствие одновременного контроля не позволяет отделить секулярный тренд от эффекта ML.",
      "human_role_ru": "Врач получает автоматическое уведомление о высоком риске смерти пациента и самостоятельно решает, проводить ли ACP-разговор и как документировать его.",
      "timeline_ru": "2019 — допериод; 2020–2021 — постпериод внедрения; сентябрь 2024 — публикация. Существует связанное более позднее исследование той же команды Duke на более широкой популяции высокого риска (не только онкология) — количественные результаты этого второго исследования лично не проверялись.",
      "limitations_ru": "Нет одновременной контрольной группы (только pre-post в одной больнице); постпериод совпадает с пиком COVID-19; разработчики модели и оценщики — одна и та же команда Duke; часть соавторов раскрывает финансовые связи с фармкомпаниями (роялти, акции, консультационные гонорары) вне темы данной работы.",
      "counted_in_120_proposed": false,
      "reason_ru": "Уровень C — самооценка организацией собственной программы без одновременного контроля, несмотря на установленный (mixed) исход.",
      "sources_opened": [
        "https://pmc.ncbi.nlm.nih.gov/articles/PMC11536198/"
      ],
      "unreachable": [
        "https://www.sciencedirect.com/science/article/abs/pii/S0885392424009941 (403, платный доступ — дублируется открытой PMC-версией)"
      ]
    },
    {
      "entity_id": "W8-FIELD-OPS-20-04",
      "label_ru": "Waymark Care — таргетирование телефонных звонков care-менеджеров в Medicaid по прогнозируемому индивидуальному эффекту (причинный ML / reinforcement learning)",
      "company": "Waymark Care (частная компания-поставщик услуг care management для Medicaid-планов; партнёр — Providence Health and Services в штате Вашингтон)",
      "country": "США",
      "process": "Причинные ML-модели (causal forest для оценки индивидуального эффекта лечения; SARSA reinforcement learning для рекомендации «следующего лучшего шага») определяют, каким застрахованным Medicaid и с каким типом вмешательства должны звонить care-менеджеры, вместо традиционного таргетинга по абсолютному риску госпитализации",
      "period": "три связанные публикации той же компании: (1) ретроспективная когорта, Вашингтон и Вирджиния, январь 2023 – декабрь 2025, Population Health Management, июль 2026; (2) проспективное сравнительное когортное исследование, Вашингтон, май–декабрь 2024, Health Services Research, апрель 2026; (3) reinforcement learning, 2 штата, 2023–2024, JMIR AI, октябрь 2025",
      "region": "US",
      "evidence_level": "C",
      "level_basis_ru": "Все три исследования написаны полностью или преимущественно сотрудниками Waymark Care — коммерческого разработчика и оператора самой технологии. Во втором исследовании прямо раскрыт финансовый интерес: «All authors except S.A. are employees of Waymark and receive salary and stock options. The algorithms presented here may be of future potential financial benefit to Waymark». Ни одно из трёх исследований не является рандомизированным контролируемым испытанием: (1) и (3) — ретроспективные/контрфактические анализы на собственных клиентских данных компании; (2) — квазиэксперимент с нерандомизированным распределением клиник («assignment to prioritization strategy was not randomized but was jointly determined by Providence clinics and Waymark leadership»). Классический прецедент C — «разработчик без контроля или с финансовым интересом».",
      "outcome": "success",
      "outcome_basis_ru": "Заявлено самим разработчиком по трём исследованиям: (1) таргетинг по прогнозируемому индивидуальному эффекту (CATE) предотвратил 13.3 острых события на 2000 участников в месяц против 2.5 при таргетинге по риску — улучшение в 5.3 раза (95% ДИ 4.9–5.7), выборка 164 063 бенефициара, 2 670 806 человеко-месяцев. (2) Таргетинг по «предсказанной выгоде» снизил обращения за неотложной помощью на 92.4 на 1000 человеко-месяцев по сравнению с таргетингом по риску (95% ДИ от −113.0 до −72.0, p<0.001) в анализе intention-to-treat (n=9266). (3) SARSA-рекомендации в контрфактическом анализе снизили острые события на 12 п.п. (95% ДИ 2.2–21.8 п.п., относительное снижение 20.7%, p=0.02), NNT=8.3. Все результаты — положительные, но исключительно самоотчётные.",
      "primary_category": "process_restructuring",
      "extra_labels": ["care_management_targeting", "medicaid"],
      "metrics": [
        {"name_ru": "Предотвращённые острые события на 2000 участников/мес.", "value": "13.3 (эффект-таргетинг) vs 2.5 (риск-таргетинг)", "unit": "событий/2000 чел./мес.", "period": "янв 2023 – дек 2025, Вашингтон и Вирджиния", "baseline": "2.5 (риск-таргетинг)", "source_url": "https://www.ebi.ac.uk/europepmc/webservices/rest/search?query=ext_id:42498943%20AND%20src:med"},
        {"name_ru": "Обращения за неотложной помощью, ITT", "value": "−92.4 на 1000 чел.-мес. (95% ДИ −113.0..−72.0, p<0.001)", "unit": "визитов/1000 чел.-мес.", "period": "май–дек 2024, Вашингтон", "baseline": "риск-таргетинг, N=4572", "source_url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC13051954/"},
        {"name_ru": "Снижение острых событий (SARSA vs статус-кво, контрфактически)", "value": "−12 п.п. (95% ДИ 2.2–21.8 п.п., отн. снижение 20.7%, p=0.02)", "unit": "п.п.", "period": "2023–2024, 2 штата, n=3175", "baseline": "стандартный подход care-менеджеров", "source_url": "https://www.ebi.ac.uk/europepmc/webservices/rest/search?query=title:\"Reinforcement Learning to Prevent Acute Care Events Among Medicaid Populations\""}
      ],
      "claims": [
        {
          "claim_ru": "Таргетирование аутрича по прогнозируемому индивидуальному эффекту (а не по абсолютному риску) в 5.3 раза эффективнее предотвращает острые события",
          "status": "SOURCE_CLAIM",
          "what_verified": "observed_result",
          "evidence": [
            {
              "url": "https://www.ebi.ac.uk/europepmc/webservices/rest/search?query=ext_id:42498943%20AND%20src:med",
              "title": "Treatment-Effect-Based Versus Risk-Based Targeting of Care Management Outreach in Medicaid: A Retrospective Cohort Study with Machine Learning",
              "publisher": "Population Health Management (аннотация получена через Europe PMC REST API; полный текст на journals.sagepub.com платный)",
              "published": "2026-07",
              "origin": "company",
              "quote_original": "Effect-based targeting prevented 13.3 (95% CI, 12.8-13.9) acute events per 2000 members per month versus 2.5 (95% CI, 2.3-2.7) under risk-based targeting-a 5.3-fold (95% CI, 4.9-5.7) improvement.",
              "quote_ru": "Таргетинг по эффекту предотвратил 13.3 (95% ДИ 12.8–13.9) острых события на 2000 участников в месяц против 2.5 (95% ДИ 2.3–2.7) при таргетинге по риску — улучшение в 5.3 раза (95% ДИ 4.9–5.7)."
            }
          ]
        },
        {
          "claim_ru": "Проспективное сравнение кластеров клиник: таргетинг по предсказанной выгоде снизил обращения за неотложной помощью относительно риск-таргетинга без изменения охвата вовлечением",
          "status": "SOURCE_CLAIM",
          "what_verified": "observed_result",
          "evidence": [
            {
              "url": "https://pmc.ncbi.nlm.nih.gov/articles/PMC13051954/",
              "title": "Comparing Alternative Approaches to Care Management Prioritization: A Prospective Comparative Cohort Study of Acute Care Utilization and Equity Among Medicaid Beneficiaries",
              "publisher": "Health Services Research",
              "published": "2026-04 (61(2):e70113)",
              "origin": "company",
              "quote_original": "Assignment to prioritization strategy was not randomized but was jointly determined by Providence clinics and Waymark leadership in partnership, as part of coordinated service planning and rollout. This was not a cluster randomized trial but a pragmatic implementation design based on operational readiness. ... All authors except S.A. are employees of Waymark and receive salary and stock options. The algorithms presented here may be of future potential financial benefit to Waymark; hence these authors have potential financial interests in their promotion.",
              "quote_ru": "Распределение по стратегии приоритизации не было рандомизированным, а было совместно определено клиниками Providence и руководством Waymark в рамках согласованного планирования сервиса. Это не кластерное РКИ, а прагматичный дизайн внедрения на основе операционной готовности. ... Все авторы, кроме S.A., являются сотрудниками Waymark и получают зарплату и опционы на акции. Представленные здесь алгоритмы могут иметь будущую финансовую выгоду для Waymark; следовательно, эти авторы имеют потенциальный финансовый интерес в их продвижении."
            }
          ]
        }
      ],
      "arithmetic": [
        {"expr": "13.3 / 2.5", "result": "5.32× ≈ заявленные «5.3-fold»", "matches_source": true}
      ],
      "counter_evidence_ru": "Ни одно из трёх исследований не рандомизировано на уровне пациента; во втором исследовании авторы сами признают: «Absence of randomization introduces potential confounding at the clinic level, which may not be fully controlled for» и «Time-varying confounding remains possible».",
      "alternative_explanations_ru": "Отбор клиник/периодов для перехода на новую стратегию мог коррелировать с иными операционными изменениями Providence/Waymark в тот же период; регрессия к среднему в группе, ранее классифицированной как «высокий риск»; сезонность обращений за неотложной помощью.",
      "human_role_ru": "Фактические телефонные звонки и вовлечение бенефициаров выполняют care-менеджеры (сотрудники Waymark/партнёрских клиник) по спискам приоритизации, сформированным моделью.",
      "limitations_ru": "Полная зависимость происхождения данных, дизайна и интерпретации от одной коммерческой компании во всех трёх работах; отсутствие подтверждения исхода источником другого происхождения (например, независимым аудитом штата Medicaid); журнальные страницы Population Health Management и JMIR AI — платный доступ, использованы аннотации через Europe PMC API и открытый PMC полный текст только для второй работы.",
      "counted_in_120_proposed": false,
      "reason_ru": "Уровень C — разработчик с прямым и явно раскрытым финансовым интересом, отсутствие независимого контроля/рандомизации на уровне пациента.",
      "sources_opened": [
        "https://pmc.ncbi.nlm.nih.gov/articles/PMC13051954/",
        "https://www.ebi.ac.uk/europepmc/webservices/rest/search?query=ext_id:42498943%20AND%20src:med",
        "https://www.ebi.ac.uk/europepmc/webservices/rest/search?query=title:\"Reinforcement Learning to Prevent Acute Care Events Among Medicaid Populations\""
      ],
      "unreachable": [
        "https://journals.sagepub.com/doi/10.1177/19427891261472833 (403, платный доступ)",
        "https://doi.org/10.2196/74264 (JMIR AI, полный текст платный, доступна только аннотация через Europe PMC)"
      ]
    },
    {
      "entity_id": "W8-FIELD-OPS-20-05",
      "label_ru": "Kaiser Permanente Northern California — причинная ML-модель (Predicted Benefit Intervention) для отбора пациентов в программу постгоспитальной координации помощи, РКИ",
      "company": "Kaiser Permanente Northern California (KPNC), 19 больниц; The Permanente Medical Group",
      "country": "США",
      "process": "Причинная ML-модель (Predicted Benefit Intervention, PBI score) выявляет пациентов НИЗКОГО клинического риска, которые тем не менее с наибольшей вероятностью выиграют от программы постгоспитальной координации помощи (Transitions Program: сверка медикаментов, запись к врачу первичного звена, еженедельные звонки координатора в течение 30 дней); отобранные пациенты рандомизировались на вмешательство/обычную помощь",
      "period": "май – декабрь 2022, 19 больниц KPNC; публикация — NPJ Digital Medicine, сентябрь 2025",
      "region": "US",
      "evidence_level": "B",
      "level_basis_ru": "По утверждению авторов — первое крупномасштабное рандомизированное испытание причинного ML в системе здравоохранения («the first large-scale randomized evaluation of causal machine learning in a health system»). Реальная рандомизация 9959 пациентов на вмешательство/обычную помощь, объективный исход (30-дневная реадмиссия из данных системы). Опубликовано в рецензируемом NPJ Digital Medicine (Nature portfolio), открытый доступ (CC BY-NC-ND). Ограничение: все авторы — сотрудники Kaiser Permanente Division of Research/The Permanente Medical Group, т.е. той же организации, которая разработала и внедрила модель — не независимая третья сторона (прецедент B, а не A). Полный текст лично открыть не удалось (блокировки при нескольких попытках через pmc.ncbi.nlm.nih.gov, nature.com, europepmc.org — reCAPTCHA/403/логин-редирект); данные получены из полной аннотации через Europe PMC REST API (лично запрошено и получено).",
      "outcome": "mixed",
      "outcome_basis_ru": "Цель — снизить 30-дневную реадмиссию у пациентов низкого риска, отобранных ML как «с наибольшей выгодой от вмешательства», база — 9959 пациентов, 19 больниц KPNC, май–декабрь 2022. 30-дневная реадмиссия снизилась с 8.2% (обычная помощь) до 7.7% (вмешательство), но различие статистически НЕ значимо (по тексту аннотации: «the difference was not statistically significant»). Вторичный показатель — отношение наблюдаемых реадмиссий к ожидаемым — значимо снизилось с началом рандомизации и оставалось низким в дальнейшем. Основной заявленный исход не подтверждён статистически, вторичный — да → mixed.",
      "primary_category": "process_restructuring",
      "extra_labels": ["care_management_targeting", "readmission"],
      "metrics": [
        {"name_ru": "30-дневная реадмиссия, вмешательство vs обычная помощь", "value": "7.7% vs 8.2% (не значимо)", "unit": "%", "period": "май–дек 2022", "baseline": "8.2% (обычная помощь)", "source_url": "https://www.ebi.ac.uk/europepmc/webservices/rest/search?query=title:\"Expanding care coordination in an integrated health system through causal machine learning\""}
      ],
      "claims": [
        {
          "claim_ru": "Причинная ML-модель отобрала пациентов низкого риска, которым провели рандомизированное испытание программы координации помощи; 30-дневная реадмиссия снизилась, но статистически незначимо, при значимом снижении отношения наблюдаемых реадмиссий к ожидаемым",
          "status": "VERIFIED",
          "what_verified": "observed_result",
          "evidence": [
            {
              "url": "https://www.ebi.ac.uk/europepmc/webservices/rest/search?query=title:\"Expanding care coordination in an integrated health system through causal machine learning\"",
              "title": "Expanding care coordination in an integrated health system through causal machine learning",
              "publisher": "NPJ Digital Medicine (аннотация получена через Europe PMC REST API; полный текст лично открыть не удалось)",
              "published": "2025-09 (8:571)",
              "origin": "company",
              "quote_original": "From May to December 2022, 9959 low-risk patients at 19 KPNC hospitals were randomized to usual care or the Transitions Program, which included medication reconciliation, primary care follow-up scheduling, and weekly calls for 30 days. While 30-day readmissions declined in the intervention group (7.7% vs. 8.2%), the difference was not statistically significant. However, the observed-to-expected readmission ratio declined into randomization and remained low thereafter; this decline was statistically significant.",
              "quote_ru": "С мая по декабрь 2022 г. 9959 пациентов низкого риска в 19 больницах KPNC были рандомизированы на обычную помощь или программу Transitions, включавшую сверку медикаментов, запись на приём к врачу первичного звена и еженедельные звонки в течение 30 дней. Хотя 30-дневная реадмиссия снизилась в группе вмешательства (7.7% против 8.2%), различие не было статистически значимым. Однако отношение наблюдаемых реадмиссий к ожидаемым снизилось с началом рандомизации и оставалось низким в дальнейшем; это снижение было статистически значимым."
            }
          ]
        }
      ],
      "arithmetic": [
        {"expr": "8.2% - 7.7%", "result": "0.5 п.п. абсолютной разницы — по тексту аннотации статистически не значимо", "matches_source": true}
      ],
      "counter_evidence_ru": "Первичный заявленный клинический показатель (доля 30-дневных реадмиссий) не достиг статистической значимости — прямое указание на отсутствие доказанного эффекта по основному исходу, несмотря на положительный тренд.",
      "alternative_explanations_ru": "Значимое снижение отношения наблюдаемых/ожидаемых реадмиссий могло частично отражать общесистемные улучшения прогнозирования риска, совпавшие по времени с началом РКИ, а не только эффект самой программы Transitions.",
      "human_role_ru": "Координаторы (медсёстры/соцработники) осуществляют еженедельные звонки и координацию для пациентов, отобранных моделью и рандомизированных на вмешательство.",
      "timeline_ru": "Май–декабрь 2022 — проведение РКИ; сентябрь 2025 — публикация в NPJ Digital Medicine.",
      "limitations_ru": "Не удалось лично открыть полный текст статьи (блокировки доступа при нескольких попытках через PMC и nature.com); данные ограничены содержанием аннотации, полученной через Europe PMC REST API; финансирование и полный текст раскрытия конфликта интересов не проверены лично (сведения об аффилиации всех авторов с Kaiser Permanente получены из той же аннотации).",
      "counted_in_120_proposed": true,
      "reason_ru": "Уровень B, исход установлен (mixed, не unknown — конкретные проценты и значимость по обоим показателям известны), роль ИИ в отборе пациентов для вмешательства установлена.",
      "sources_opened": [
        "https://www.ebi.ac.uk/europepmc/webservices/rest/search?query=title:\"Expanding care coordination in an integrated health system through causal machine learning\""
      ],
      "unreachable": [
        "https://pmc.ncbi.nlm.nih.gov/articles/PMC12460871/ (reCAPTCHA-блокировка)",
        "https://www.nature.com/articles/s41746-025-01925-3 (редирект на логин)",
        "https://europepmc.org/articles/PMC12460871?pdf=render (403)"
      ]
    },
    {
      "entity_id": "W8-FIELD-OPS-20-06",
      "label_ru": "Geisinger — ML-таргетированные напоминания о вакцинации от гриппа с тестированием раскрытия роли алгоритма (3 РКИ)",
      "company": "Geisinger Health System (интегрированная система здравоохранения, Пенсильвания, США)",
      "country": "США",
      "process": "Ранее валидированная ML-модель прогноза риска гриппозных осложнений выявляет пациентов высокого риска; таким пациентам рассылаются персонализированные сообщения (письмо/SMS/портал) о необходимости вакцинации от гриппа, с варьированием того, раскрывается ли роль алгоритма/ИИ и объясняются ли факторы риска",
      "period": "три preregistered РКИ, сезоны гриппа 2020–21 и 2021–22, >90 000 уникальных пациентов; препринт PsyArXiv, июнь 2023 (на момент проверки 23.09.2026 не найдено подтверждений публикации в рецензируемом журнале)",
      "region": "US",
      "evidence_level": "B",
      "level_basis_ru": "Три крупномасштабных preregistered РКИ (реальная рандомизация сообщений на уровне пациента), смешанный авторский коллектив: сотрудники Geisinger Behavioral Insights Team, разработавшие программу (Rosenbaum, Goren, Shermohammed, Chabris, Meyer — часть из них же руководители проекта в NBER Roybal Center) + независимый профессор MIT Sloan School of Management (Joseph Doyle, также NBER). Объективный исход — фактическая вакцинация по данным EHR, не самоотчёт. Существенное ограничение уровня: на момент проверки материал доступен только как непрецензированный препринт PsyArXiv (статус «Preprint» в базе Europe PMC, DOI 10.31234/osf.io/vtxza) — не финальная рецензируемая версия. Полный текст лично открыть не удалось (страница OSF не отрендерилась); данные получены из полной аннотации, лично запрошенной через Europe PMC REST API.",
      "outcome": "mixed",
      "outcome_basis_ru": "Цель — повысить вакцинацию от гриппа среди пациентов, отобранных ИИ-моделью как высокорисковые, и проверить, влияет ли раскрытие роли алгоритма на эффект. Информирование о высоком риске увеличило вакцинацию на 1.1–1.4 п.п. (3.3–5.4% относительно) по сравнению с неинформированными о риске пациентами, и на 1.7–3.5 п.п. (3.3–14.7% относительно) по сравнению с не получившими сообщений вовсе — базовая идея таргетированного уведомления сработала (success по этому вопросу). НО вакцинация была статистически одинаковой в группах, где сообщение раскрывало «алгоритм»/ИИ, и где не раскрывало — гипотеза о дополнительном эффекте прозрачности ИИ не подтвердилась (нулевой результат по конкретно этому вопросу). Разнонаправленный итог по двум исследовательским вопросам → mixed.",
      "primary_category": "process_restructuring",
      "extra_labels": ["vaccination_targeting", "algorithm_disclosure"],
      "metrics": [
        {"name_ru": "Прирост вакцинации: информированные о высоком риске vs неинформированные о риске", "value": "+1.1–1.4 п.п. (3.3–5.4% относительно)", "unit": "п.п.", "period": "сезоны гриппа 2020–21 и 2021–22", "baseline": "неинформированные о риске (получившие иное сообщение)", "source_url": "https://www.ebi.ac.uk/europepmc/webservices/rest/search?query=Goren%20AND%20Chabris%20AND%20Meyer%20AND%20influenza"},
        {"name_ru": "Прирост вакцинации: информированные о риске vs не получившие сообщений", "value": "+1.7–3.5 п.п. (3.3–14.7% относительно)", "unit": "п.п.", "period": "тот же период", "baseline": "без сообщений", "source_url": "https://www.ebi.ac.uk/europepmc/webservices/rest/search?query=Goren%20AND%20Chabris%20AND%20Meyer%20AND%20influenza"}
      ],
      "claims": [
        {
          "claim_ru": "Уведомление о статусе высокого риска (выявленного ИИ) повышает вакцинацию, но раскрытие роли алгоритма/ИИ в сообщении не даёт дополнительного эффекта — ни положительного, ни отрицательного",
          "status": "VERIFIED",
          "what_verified": "observed_result",
          "evidence": [
            {
              "url": "https://www.ebi.ac.uk/europepmc/webservices/rest/search?query=Goren%20AND%20Chabris%20AND%20Meyer%20AND%20influenza",
              "title": "Algorithm aversion or appreciation? Three randomized field trials of personalized risk-communication nudges to encourage flu vaccination",
              "publisher": "PsyArXiv (препринт; аннотация получена через Europe PMC REST API)",
              "published": "2023-06-22 (препринт, статус рецензирования на 23.09.2026 не подтверждён)",
              "origin": "company",
              "quote_original": "For patients informed they were at high risk, vaccination was 1.1–1.4 percentage points (3.3%–5.4%) higher vs. those not told they were at high risk, and 1.7–3.5 percentage points (3.3%–14.7%) higher vs. non-messaged patients. Therefore, informing patients of personalized risk may effectively encourage their acting on AI-derived information. Vaccination was similar across message arms that did vs. did not disclose the \"algorithm,\" indicating patients are neither averse to nor appreciative of recommendations that cite an algorithm.",
              "quote_ru": "Для пациентов, информированных о высоком риске, вакцинация была на 1.1–1.4 процентных пункта (3.3–5.4%) выше, чем у не проинформированных о высоком риске, и на 1.7–3.5 процентных пункта (3.3–14.7%) выше, чем у не получивших сообщений вовсе. Таким образом, информирование пациентов о персонализированном риске может эффективно побуждать их действовать на основе ИИ-производной информации. Вакцинация была схожей в группах сообщений, раскрывавших и не раскрывавших «алгоритм», что указывает: пациенты не проявляют ни неприятия, ни особого одобрения рекомендаций со ссылкой на алгоритм."
            }
          ]
        }
      ],
      "arithmetic": [
        {"expr": "1.1 / 0.033 (обратная проверка базового уровня по нижней границе относительного роста)", "result": "≈33.3% — правдоподобный базовый уровень вакцинации в высокорисковой группе, внутренне согласуется", "matches_source": true}
      ],
      "counter_evidence_ru": "Отсутствие различий между группами с раскрытием и без раскрытия алгоритма — прямое опровержение гипотезы о дополнительной пользе «объяснимого ИИ» в этом контексте.",
      "alternative_explanations_ru": "Эффект уведомления о риске может частично объясняться простым фактом персонализации сообщения (любое персонализированное сообщение, не обязательно ИИ-производное, могло дать похожий эффект) — исследование не включало руки со сравнением ИИ-таргетинга и таргетинга по простым клиническим критериям.",
      "human_role_ru": "Финальное решение вакцинироваться — за пациентом; ИИ определяет состав целевой группы получателей сообщений и, в части рук испытания, формулировку сообщения.",
      "timeline_ru": "2020–21 и 2021–22 — сезоны проведения РКИ; июнь 2023 — публикация препринта; связанный отдельный NBER working paper (Moran, Rosenbaum и др., июль 2026) той же команды Geisinger тестирует лотерейные финансовые стимулы для вакцинации и использует причинные леса (causal forest) для ретроспективного анализа гетерогенности отклика — эта отдельная работа не используется как источник количественных данных для настоящей записи, так как в ней ИИ применялся только для постфактум-анализа, а не для отбора получателей уже проведённого вмешательства.",
      "limitations_ru": "На момент проверки (23.09.2026) не подтверждена публикация в рецензируемом журнале — только препринт PsyArXiv; полный текст лично открыть не удалось (OSF-страница не отрендерилась), данные получены только из аннотации через Europe PMC.",
      "counted_in_120_proposed": false,
      "reason_ru": "Несмотря на B-подобный дизайн (крупное preregistered РКИ, смешанный независимый+внедряющий коллектив), статья на момент проверки — непрецензированный препринт; решено не засчитывать в 120 до подтверждения публикации в рецензируемом издании.",
      "sources_opened": [
        "https://www.ebi.ac.uk/europepmc/webservices/rest/search?query=Goren%20AND%20Chabris%20AND%20Meyer%20AND%20influenza",
        "https://www.nber.org/programs-projects/projects-and-centers/nber-roybal-center-behavior-change-health/8146-using-explainable-ai-risk-predictions-nudge-influenza-vaccine-uptake",
        "https://www.nber.org/system/files/working_papers/w35537/w35537.pdf"
      ],
      "unreachable": [
        "https://osf.io/vtxza_v1 (страница не отрендерилась через WebFetch)",
        "https://clinicaltrials.gov/study/NCT05009251 (страница не отдала содержимое через WebFetch)"
      ]
    },
    {
      "entity_id": "W8-FIELD-OPS-20-07",
      "label_ru": "Clalit Health Services (Израиль) — ML-выявление недиагностированных носителей гепатита C для проактивного тестирования (первоисточник недоступен)",
      "company": "Clalit Health Services (крупнейшая HMO Израиля) — Clalit Research Institute, в сотрудничестве с Harvard T.H. Chan School of Public Health / Harvard Medical School",
      "country": "Израиль",
      "process": "В рамках платформы CPi (Clalit Proactive and Preventative Intervention) ML-модель выявляет застрахованных с повышенной вероятностью недиагностированного гепатита C по данным электронных карт; выявленным пациентам предлагается пройти тест на антитела (функция добавлена в CPi в марте 2023 г.)",
      "period": "проспективная оценка опубликована в NEJM AI 25 января 2024 г.; период сбора данных не установлен (первоисточник недоступен)",
      "region": "OTHER",
      "evidence_level": "D",
      "level_basis_ru": "Первоисточник (NEJM AI, DOI 10.1056/AIoa2300012) — платный доступ. Попытки открыть ai.nejm.org (403) не увенчались успехом; статья не индексирована в Europe PMC (проверено прямым запросом по DOI — 0 результатов); запрос через Semantic Scholar API вернул только метаданные (авторы, журнал, год) без текста аннотации («abstract»: null, «openAccessPdf status»: «CLOSED»). Согласно прямому запрету обхода пейволлов, дальнейшие попытки получить полный текст не предпринимались. Известен только факт существования исследования, тема и состав авторов — по метаданным (Semantic Scholar API, лично запрошено). Количественные результаты, метод оценки и исход не могут быть процитированы, так как содержащая их страница не была лично открыта.",
      "outcome": "unknown",
      "outcome_basis_ru": "Исход недоступен для проверки — первоисточник с результатами не открыт (пейволл NEJM AI, отсутствие в открытых агрегаторах на момент проверки).",
      "primary_category": "process_restructuring",
      "extra_labels": ["screening_outreach", "hepatitis_c"],
      "metrics": [],
      "claims": [
        {
          "claim_ru": "Существование проспективной оценки ML-модели Clalit для выявления недиагностированных носителей гепатита C, опубликованной в NEJM AI в январе 2024 г., с участием независимого от Clalit соавтора из Гарварда (Marc Lipsitch)",
          "status": "UNKNOWN",
          "what_verified": "publication",
          "evidence": [
            {
              "url": "https://api.semanticscholar.org/graph/v1/paper/DOI:10.1056/AIoa2300012?fields=title,abstract,authors,year,venue,externalIds,journal",
              "title": "Prospective Evaluation of Machine Learning for Public Health Screening: Identifying Unknown Hepatitis C Carriers",
              "publisher": "NEJM AI (метаданные через Semantic Scholar API; полный текст платный и лично не открыт)",
              "published": "2024",
              "origin": "academic",
              "quote_original": "\"title\": \"Prospective Evaluation of Machine Learning for Public Health Screening: Identifying Unknown Hepatitis C Carriers\", \"venue\": \"NEJM AI\", \"year\": 2024, ... \"authors\": [\"N. Dagan\", \"Ori Magen\", \"Michael Leshchinsky\", \"Maya Makov-Assif\", \"M. Lipsitch\", \"B. Reis\", \"S. Yaron\", \"D. Netzer\", \"Ran D. Balicer\"], \"abstract\": null",
              "quote_ru": "«название»: «Проспективная оценка машинного обучения для скрининга общественного здоровья: выявление неизвестных носителей гепатита C», «издание»: «NEJM AI», «год»: 2024, ... «авторы»: [Н. Даган, Ори Маген, Михаэль Лещинский, Майя Маков-Асиф, М. Липсич, Б. Рейс, С. Ярон, Д. Нетцер, Ран Д. Баличер], «аннотация»: отсутствует (закрыта)"
            }
          ]
        }
      ],
      "arithmetic": [],
      "counter_evidence_ru": "Не применимо — первоисточник с результатами не открыт.",
      "alternative_explanations_ru": "Не применимо — первоисточник с результатами не открыт.",
      "human_role_ru": "По косвенным данным (заголовок, тема CPi) — пациентам, выявленным моделью, предлагается пройти тест на антитела; кто именно инициирует контакт (автоматическое сообщение, медсестра, врач) — не установлено.",
      "timeline_ru": "Март 2023 — по косвенным данным (пресс-материалы Clalit, не открывавшиеся лично как первоисточник) функция гепатита C добавлена в платформу CPi; январь 2024 — публикация научной оценки в NEJM AI.",
      "limitations_ru": "Полный текст статьи недоступен без оплаты; проверка проведена строго в рамках запрета на обход пейволлов — попытки использовать альтернативные пути доступа (смена User-Agent, зеркала) не предпринимались согласно прямому указанию задания.",
      "counted_in_120_proposed": false,
      "reason_ru": "Уровень D — первоисточник недоступен, исход неизвестен.",
      "sources_opened": [
        "https://api.semanticscholar.org/graph/v1/paper/DOI:10.1056/AIoa2300012?fields=title,abstract,authors,year,venue,externalIds,journal",
        "https://www.ebi.ac.uk/europepmc/webservices/rest/search?query=DOI:%2210.1056/aioa2300012%22"
      ],
      "unreachable": [
        "https://ai.nejm.org/doi/abs/10.1056/AIoa2300012 (403, платный доступ)"
      ]
    }
  ],
  "packet_notes_ru": "Направление W8-FIELD-OPS, фокус — ML-таргетирование в работе здравоохранения/страховщиков (кого обзванивать/направлять на care management, профилактику, вакцинацию, скрининг, паллиативные беседы), 2023–2026. Найдено и проверено 7 НОВЫХ случаев (меньше запрошенных 10–14) из-за: (а) исчерпания бюджета WebSearch (использовано 29 из ≤30 разрешённых вызовов — очень узкая ниша темы потребовала много точечных запросов; после исчерпания бюджета дальнейший поиск вёлся только через Europe PMC REST API и Semantic Scholar API по curl/WebFetch, что не расходует лимит WebSearch, но менее эффективно для широкого охвата); (б) сильного пересечения с уже известными кандидатами — очевидные лидеры темы (ARMMAN/mMitra, DrDoctor, Manchester no-show, UnitedHealth nH Predict, Jacaranda PROMPTS, UCSD COMPOSER, Epic Sepsis Model) уже в known-entities.txt и исключены; (в) высокой доли платных первоисточников в этой предметной области (NEJM AI, ScienceDirect/JPSM, INFORMS pubsonline, SAGE journals) — несколько многообещающих кандидатов (Clalit HCV screening) пришлось пометить unreachable/D вместо A/B из-за запрета обхода пейволлов. Уровни: B — 4 (entities 01, 02, 05, 06), C — 2 (03, 04), D — 1 (07). Исходы: success — 1 (02), mixed — 4 (01, 03, 05, 06), unknown — 1 (07), failure — 0 (явных провалов не найдено, но найдено 2 статистически незначимых первичных исхода в рамках mixed — сепаратно от известных провальных кейсов типа nH Predict). Предложено в 120 (counted_in_120_proposed=true): 3 (entities 01, 02, 05). Главные проблемы: (1) во всех найденных США-кейсах наблюдается структурное смещение — разработчики ML-модели и оценщики эффекта чаще всего из одной организации (Penn/Geisinger/Duke/Kaiser/Waymark), что systematически ограничивает уровень до B/C даже при строгом РКИ-дизайне; истинно независимых (сторонняя академическая группа без связи с внедрением) исследований в этой узкой нише почти не нашлось; (2) не удалось найти качественные, лично проверенные не-США кейсы (Индия/Китай/Африка/Латинская Америка) с независимо подтверждённым исходом именно по типу «кого обзванивать/таргетировать» — большинство non-US находок либо уже в known-entities.txt (ARMMAN, Jacaranda), либо оказались обзорными статьями/протоколами без результатов, либо содержали ML-диагностику изображений (не входит в фокус пакета) вместо таргетинга аутрича; (3) WebSearch использован 29 раз (в пределах лимита ≤30)."
}