Введение. Цифровизация медицины генерирует массивы неоднородных данных, в том числе социально-экономических и поведенческих, необходимых для комплексной оценки психического здоровья населения. Современные российские lowcode платформы, такие как Loginom, позволяют автоматизировать анализ подобных данных методом построения визуальных сценариев – это облегчает интеграцию анализа в рабочие процессы специалистов без углубленных ИТ-навыков.
Цель. Сквозной анализ социальных и медицинских данных, необходимых для оперативного моделирования и поддержки принятия решений в медицине, используя возможности платформы Loginom как доступного.
Материалы и методы. В исследовании использована открытая база данных опроса о влиянии соцсетей на психическое здоровье (580 студентов, параметры – демография, уровень депрессии/тревожности и самооценка здоровья). В Loginom построены сценарии: автоматическая очистка/категоризация (устранение пропусков, типизация), корреляционный анализ (автоматизация поиска и визуализация взаимосвязей), региональная сравнительная аналитика (проекция по штатам и экономическим параметрам, автоматический отчет). Важный аспект – моделирование без программирования, что критично для масштабируемых цифровых решений.
Результаты. Обнаружена сильная положительная корреляция между тревожностью и депрессией (коэффициент Спирмена 0,78, p<0,001), стабильная на различных срезах данных. В экономически развитых регионах выше показатели как общего здоровья, так и частоты заявленной тревожности, что может транслироваться в стратегии таргетированного профилактического мониторинга. Loginom позволил получить итоговые отчеты и визуализации менее чем за час после загрузки данных, что подтверждает пригодность low-code решений для внедрения в рутинную практику медицинских учреждений.
Заключение. Продемонстрированы практические преимущества Loginom для быстрой и прозрачной работы с большими массивами социально-медицинских данных, создания гибких сценариев для оценки психического здоровья, а также генерации рекомендаций по цифровому медицинскому сопровождению. Подход позволяет вовлекать большее количество специалистов в работу с медицинскими ИТ-инструментами, актуален для задач мониторинга и управления здоровьем в условиях цифровой трансформации отечественного здравоохранения. Рекомендуется тиражирование методики для региональных центров, а также последующее включение экономических и культурных параметров в аналитику для повышения точности интерпретации.
