Исследователи представили метод оптимизации сбора данных в системах удаленного мониторинга состояния пациентов после операций. Традиционный опросник QoR-15, считающийся «золотым стандартом» оценки качества восстановления, изначально был разработан для редких визитов в стационар. При попытке перенести его в формат ежедневного дистанционного контроля возникли проблемы: пациенты быстро устают от однообразных анкет, что ведет к снижению качества ответов и пропуску критически важных данных.
Авторы работы применили алгоритмы машинного обучения для динамической адаптации процесса опроса. Система анализирует историю ответов пациента и контекст восстановления, выбирая наиболее информативные вопросы для конкретного пользователя в текущий момент времени. Такой подход позволяет сократить количество задаваемых вопросов без потери точности оценки общего состояния, сохраняя при этом клиническую значимость собираемой информации.
Внедрение адаптивных систем опроса на базе ИИ решает проблему «усталости от опросов» в цифровой медицине. Подобная автоматизация процессов сбора данных позволяет медицинским организациям поддерживать высокий уровень вовлеченности пациентов и получать более точную аналитику для принятия клинических решений. Результаты исследования показывают, как персонализация взаимодействия с пользователем через алгоритмы повышает эффективность инструментов удаленного мониторинга в реальных клинических кейсах.