Лучшие CRM-системы для бизнеса: Обзор бесплатных систем

CRM-система (Customer Relationship Management) — это инструмент для организации и контроля рабочего процесса внутри компании, управления продажами, коммуникации с лидами и клиентами.

CRM системы что это?

Это сочетание практик, стратегий и технологий, которые компании используют как систему управления взаимоотношениями с клиентами и анализа взаимодействия на протяжении всего его жизненного цикла.

Как же выбрать срм систему, которая подойдет именно вам?

Обзор и сравнение популярных CRM-систем. Как выбрать?

Мы собрали в подборке самые популярные црм системы, давайте изучим преимущества и недостатки разных сервисов.

1. Bitrix24

Битрикс24 — CRM помогает малому и среднему бизнесу управлять продажами, берет под контроль все каналы коммуникаций с клиентами и автоматизирует продажи. Доступны облачная версия и коробочное решение.

Возможности

• Управление лидами и сделками 
• Настройка своих стадий и воронки продаж
• Выставление счетов
• Управление проектами и задачами
• Автоматизация бизнес-процессов
• Настройка роботов, триггерных писем, смс и рекламы прямо из CRM 
• Встроенная IP- телефония и интеграция с почтой
• Подключение Открытых линий (настройка вашего Facebook, Instagram, других мессенджеров к чату в Битрикс24 crm)
• Настройка планов продаж и отчетов
• Настройка регулярных сделок 
• Печать и отправка документов из CRM
• Обмен данными с 1С
• Создание сайтов, лендингов со встроенной CRM

Цены

Команда до 12 человек может пользоваться базовыми функциями бесплатно. Для отдела продаж существует специальный тариф – CRM+ за $50 в месяц. Минимальный платный облачный тариф — $16.
Интерфейс доступен на 14 языках: украинском, русском, польском, немецком, французском, китайском, английском, итальянском и др.

2. Worksection

Worksection — CRM-сервис для систематизации проектных данных: задач, исполнителей, сроков, документации и т.п.

Возможности

• Хранилище данных
• Систематизация рабочих процессов
• Контроль сроков
• Коммуникация
• Тайм-трекинг
• Диаграмма Ганта
• Построение отчетов 

Цена
Бесплатное пользование с ограниченным функционалом до 5 пользователей, минимальный платный тариф — $29 за 10 пользователей и проектов в месяц.

Есть русский и украинский языки.

3. NetHunt CRM

NetHunt CRM — это система для автоматизации процессов продаж, интегрирована в Gmail. Помогает собирать потенциальных клиентов из разных источников, оценивать, сегментировать, автоматизировать и отслеживать их путь по воронке продаж — прямо из Gmail почты.

Возможности

• Генерация лидов с помощью веб форм и онлайн чатов;
• Удобное управление базой данных клиентов;
• Полная интеграция с приложениями Google Workspace;
• Настройка персонализированных и массовых email рассылок, отслеживание результатов;
• Автоматизация продаж: отправка серии триггерных писем, автоматическое создание задач, отправка уведомлений;
• Визуализация воронки продаж и отслеживание каждого взаимодействия с клиентом;
• Назначение и контроль за выполнением задач;
• Отчеты по работе отделов продаж, маркетинга, поддержки и т.д.
• Прямая интеграция с LinkedIn, Intercom, Facebook Messenger и другими приложениями через Zapier;

Цена

От $9 за пользователя в месяц. Доступна 14-дневная пробная версия.

Есть русскоязычная версия.

4. Мегаплан

Мегаплан — CRM-система для малого и среднего бизнеса и подразделений крупных предприятий. Предназначена для управления бизнесом и повышения продаж. Мегаплан доступен и как облачная, и как коробочная система.

Возможности

• Управление задачами и поручениями
• Контроль рабочего времени сотрудников
• Оформление отчетов
• Обмен документами
• Набор инструментов для командной работы
• Интеграция с почтой и встроенная телефония
• Выставление счетов
• Воронка продаж
• Интеграция с 1С
• Учет затрат и доходов

Цена

Команда до 10 человек может пользоваться базовыми функциями бесплатной CRM для отдела продаж. Минимальный платный тариф — $9.

На русском языке.

Получить 2500 емейлов бесплатно

Зарегистрироваться

5. Sales Creatio

Sales Creatio — облачная CRM-система для профессионального управления продажами и связанными с ними бизнес-процессами.

Возможности

• Управление лидами, заказами и счетами
• Корпоративная соцсеть
• Внутренняя телефония 
• Управление документооборотом
• Сегментация контактной базы
• Поиск профиля контакта в соцсетях
• Автоматизация бизнес-процессов
• Каталогизация товаров

Цена
Внедрение crm обойдется от $22 за пользователя в месяц. Бесплатная пробная версия доступна в течение 14 дней.

Есть русскоязычная версия

6. Microsoft Dynamics 365 CRM

Microsoft Dynamics CRM помогает организовать продажи, услуги и маркетинг. Можно использовать облачное или коробочное решение. Легко интегрируется с другими продуктами Microsoft.

Возможности

• Управление контактами, поддержкой, продажами, маркетингом и другими данными в одной системе
• Визуализация данных на настраиваемом дашборде
• Автоматизация процессов обработки данных с помощью сценариев
• Создание шаблонов файлов Word и Excel для быстрых отчетов
• Доступны iOS, Android, Windows и веб-приложения 

Цена
От $65 в месяц за пользователя. 

Есть русскоязычная версия.

7. retailCRM

 retailCRM — специализированная система для интернет-торговли. Помогает автоматизировать обработку заказов и маркетинг в магазинах. 

Возможности

• Работа в режиме 1 окна
• Готовые интеграции с CMS, IP-телефониями, службами доставок, аналитикой, почтой, 1С
• Синхронизация товарного каталога
• Триггерная система для автоматизации действий
• CRM-маркетинг и персонализированные рассылки
• Единая омниканальная история взаимодействия
• Аналитика клиентов, сотрудников, коммуникаций

Цена
Бесплатный тариф позволяет обрабатывать до 300 заказов ежемесячно. Платный тариф обойдется в $25.

Есть русский, английский и испанский языки.​​​​

8. Pipedrive

Pipedrive — это облачное решение для управления воронкой продаж. Предоставляет инструменты для мониторинга индивидуальных и командных уровней, анализа информации о сделках и создания визуализированных отчетов. 

Возможности

• Графический интерфейс для управления воронкой
• Интеграция с электронной почтой
• Система оповещений и уведомлений
• Отчетность по продажам
• Прогнозирование продаж
• Совместимость с мобильными приложениями для Android и iOS

Цена
От $13 за пользователя в месяц. Доступна пробная версия.

На русском языке.

9. “Клиентская база”

“Клиентская база” — CRM-программа для автоматизации бизнес-процессов без участия программистов, можно выбрать облачный или коробочный вариант.

Возможности

• Учет клиентов и другой информации
• Прием заявок с сайта непосредственно в базу
• Контроль за выполнением задач
• Емейл и SMS-рассылки
• IP-телефония
• Выписка и отправка счетов

Цена
Бесплатный аккаунт в облаке — 14 дней, минимальный платный — $24 в месяц за пользователя. Минимальная цена за лицензию на коробочную версию — $215.

На русском языке.

10. amoCRM

amo CRM отличается простым интерфейсом, с помощью которого можно настраивать систему под нужды конкретного бизнеса и легко интегрировать ее с другими сервисами.

Возможности

• Управление воронкой 
• Интеграция с почтой и телефонией
• Поиск и объединение информации по дублированным контактам
• Бэкап данных
• Мониторинг активности контактов

Цена

$8 в месяц за пользователя, есть пробная версия.

На русском языке.

11. Keepin CRM

KeepinCRM — онлайн-система для оптимизации работы малого и среднего бизнеса. Главный фокус разработчиков — на простоте и удобстве, при этом гибкость настроек позволяет кастомизировать KeepinCRM под специфику разных бизнес-моделей. 

Возможности

• Создание карточки клиента в один клик
• Управление доходами и расходами
• Управление задачами, контроль выполнения
• Автоматизация работа со складом и подрядчиками
• Визуализация продаж
• Интеграции

Цена
Бесплатно до двух пользователей, дальше цена увеличивается в зависимости от дополнительных пользователей. Минимальный тариф — $17 за 3-х пользователей в год.

Есть русский и украинский языки.

Last post

12. Простой бизнес

Простой бизнес позиционируется как система для комплексной автоматизации бизнес-процессов: работы с клиентами, таск-менеджмента, бизнес-коммуникаций и документации. Можно выбрать версию для Windows, web, Mac OS, iOS или Android.

Возможности

• Ведение базы клиентов и управление коммуникацией с ними (емейл, СМС, звонки)
• Сквозная аналитика бизнеса
• Управление рабочими процессами (календарь дел, лента новостей, таск-менеджер)
• Управление сотрудниками
• Каналы для внутренних коммуникаций
• Управление бухгалтерией
• Контроль над документацией

Цена

Бесплатно до пяти сотрудников, минимальный платный тариф — $32.
На русском языке

13. Salesforce

Salesforce — универсальная облачная црм-система, предназначенная прежде всего для крупных многозадачных проектов. Для малого бизнеса существует более дешевый пакет Small Business Solutions, который включает такие базовые функции, как:

• Лидогенерация
• Управление контактами и возможностями 
• Прогнозирование продаж 
• Автоматизация рабочих процессов
• Главные возможности:
• Мощная аналитика
• Множество настраиваемых инструментов для совместной работы и управления проектами

Цена
Минимальная — $25 до 10 юзеров в месяц. Пакет Salesforce Essentials предоставляется бесплатно на 30 дней.

Есть русскоязычная версия.

14. Zoho

Zoho — эта система управления взаимоотношениями с клиентами отлично подходит для малого бизнеса благодаря простоте использования и недорогой цене. При этом у CRM-программы меньше возможностей для индивидуальной настройки. Некоторые дополнительные функции можно надстроить, купив расширения в Zoho Marketplace. Это позволит подогнать систему под индивидуальные нужды бизнеса и обойтись при этом без программистов.

Функции CRM-системы:

• Базовые интеграции не требуют программистов
• Разносторонняя аналитика
• Прогнозирование 
• Оповещения в режиме реального времени

Цена
От $12 за юзера в месяц. Бесплатный тариф — до трех пользователей.

Без русскоязычной версии.

15. HubSpot

HubSpot — система с огромными возможностями для бесплатного использования. Главная из них — онлайн-библиотека со множеством учебных ресурсов: инструкции, электронные книги, бесплатные курсы и многое другое.

Бесплатные возможности системы:

• Инструменты для аналитики
• Трекинг форм подписок и поп-апов
• Веб-сайт трекинг активности гостей сайта (бесплатно — 7 дней)
• Программа для ведения контактной базы
• Информация о контактах и компании
• Рекламные объявления в Facebook

Среди платных услуг:

• Автоматическое ведение журнала продаж 
• Продвижение сделок по воронке 
• Синхронизация электронной почты

Цена
Платные тарифы начинаются от $50 в месяц за юзера.

Без русскоязычной версии.

16. SugarCRM

Базовые функции SugarCRM сходны с большинством других CRM, ориентированных на малый бизнес и стартапы. Ее отличие — огромные возможности для кастомных ручных настроек. Если в вашем распоряжении команда сильных разработчиков — SugarCRM станет отличным выбором.

Для самостоятельной разработки сервис предоставляет множество ресурсов, таких как учебные пособия и техническая документация. Кроме того, здесь вы найдете надежную и по-настоящему полезную техподдержку.

Возможности

• Неограниченная интеграция через открытый API 
• Активное и открытое сообщество разработчиков 
• Надежные средства отчетности и управления

Цена
Минимальный тариф — $40 за юзера в месяц, предоставляется бесплатная пробная версия.

Без русскоязычной версии.

17. Less Annoying CRM

Less Annoying CRM одна из лучших CRM-систем для малого бизнеса. Это одна из самых дешевых и простых, но при этом удобных и надежных CRM. Ее установка занимает всего несколько минут, а разобраться в функционале поможет видеоинструкция. 

Возможности

• Менеджмент контактов
• Календарь и задачи
• Лидогенерация
• Перемещение сделок по воронке 

Цена
Less Annoying CRM предлагает единый тариф — $10 за юзера. Перед этим можно месяц пользоваться системой бесплатно. 

Без русскоязычной версии.

18. ACT! CRM

Act! — это CRM для сбора информации о клиентах и лидах в единой базе данных. Интегрируется с Microsoft Word, Excel, Outlook, Google Contacts, Gmail и другими популярными приложениями для коммуникации с клиентами.

Возможности 

• Управление контактами
• Отслеживание активности и оповещения
• Управление воронкой
• Электронная почта 
• Совместимость с устройствами iPhone, iPad и Android 
• Мобильное приложение доступно бесплатно в App Store и Google Play 
• Доступ к онлайн-ресурсам самопомощи

Стоимость $20 за юзера в месяц.

Без русскоязычной версии.

19. Apptivo

Apptivo Простая онлайн-CRM-система для рассылки напоминаний, хранения контактов, файлов и истории сообщений. По мере необходимости можно надстраивать более сложные функции, приобретая приложения в AppStore.

Возможности

• Хранение контактов и связанной с ними истории коммуникации 
• Управление воронкой 
• Менеджмент сотрудников
• Наблюдение за развитием бизнес-процессов
• Тайм-трекинг

Стоимость Бесплатная версия crm с ограниченным функционалом до трех юзеров. Минимальный платный тариф за 1 пользователя в месяц — $8.

Без русскоязычной версии.

20. Highrise

Highrise — еще одна простая CRM, созданная известным разработчиком Basecamp в 2007 году. За последние 11 лет проект вырос до многомиллионного бизнеса с лояльной клиентской базой.

Возможности

• Записи о лидах и их контакты в одной системе
• Проверка выполнения задач и напоминания
• Массовые рассылки
• Совместимость с любой емейл-системой
• Отчеты по продвижению лидов
• Шаблоны писем

Цена
Минимальный тариф — $24 в месяц за юзера. Стоимость зависит не от набора функций, а от количества пользователей, контактов и сделок.

Без русскоязычной версии.

21. Streak

Streak — CRM для управления взаимоотношениями с клиентами непосредственно из Gmail, куда она надстраивается за считанные секунды. Для всех, кто умеет пользоваться Gmail, обучение не займет много времени.

Возможности

• Отслеживание электронной почты
• Инструменты отчетности
• API-интеграции
• 900+ интеграций (via Zapier)
• Валидация данных
• Служба восстановления данных

Стоимость
Бесплатно для одного юзера, минимальный платный тариф — $49 за пользователя.

Без русскоязычной версии.

22. ProsperWorks

 

ProsperWorks — CRM для управления взаимоотношениями с клиентами непосредственно из Google-аккаунта. ProsperWorks интегрируется с G Suite и очень проста в использовании. Чтобы начать работать в ней, не нужно специальных навыков — работа построена по принципу Gmail.

Возможности

• Интеграция с Hangouts
• Отслеживание и рассылка электронной почты
• Отслеживание активностей клиентов и сотрудников
• Отчеты по перемещениям в воронке
• IP-телефония

Цена
14-дневный бесплатный период. Самый дешевый тариф — $19 за юзера в месяц.

Без русскоязычной версии.

Как прокачать вашу CRM?

Общайтесь с клиентами эффективнее

Начать сейчас!

Эффективность любой из перечисленных систем можно увеличить, если интегрировать ее с eSputnik. Сделать это можно по API или Zapier. 

Плюсы интеграции с eSputnik:

• Многоканальная коммуникация с лидами и клиентами — СМС, Емейл, Веб-Пуш и Вайбер будут работать в одной системе.  
• Автоматизация маркетинговых коммуникаций с учетом специфики бизнес-модели — можно настроить отправку автоматических сообщений в зависимости от любого события, которое регистрируется в вашей CRM. 
• Удобная отчетность — динамика роста контактной базы, эффективность каждого канала, RFM и когортный анализ, и многое другое — все это в виде диаграмм и графиков на дашборде eSputnik.

Если перед вами стоит выбор CRM системы для компании, то для начала определитесь с кругом задач, которые она должна помочь решить. Например, создайте опрос в Гугл форме и спросите мнение сотрудников. Исходя из полученных ответов вы, возможно, быстрее определите, какая из систем подходит вам лучше всего. 

Успешных рассылок!

CRM

CRM – ваш инструмент для построения управляемого цифрового бизнеса. Внедрение СRM-системы поможет вашей компании сделать процессы продаж, маркетинга и сервиса максимально осознанными, а стратегию, определяющую формат взаимоотношения с клиентом, – оптимальной. CRM – не просто «записная книжка», а интеллектуальный инструмент управления бизнесом!

Нужна ли вам CRM-система?

Да, если хотя бы на половину вопросов из приведенных ниже вы ответите утвердительно:

• Знаете ли вы стоимость привлечения каждого клиента, инициации сделки?
• Есть ли сложности с сегментацией клиентов?
• Достаточно ли регламентирован процесс работы? Хотели бы вы его улучшить?
• Можно ли оперативно отслеживать качество клиентского сервиса?
• Есть ли у вас возможность быстро собирать данные по воронке продаж по отделам, сотрудникам и т.п.?

Оставить заявку

Партнерство с Softline – это выгодно! Три главные причины

Пакет сервисов под ключ. В рамках проекта мы не только внедрим систему CRM, но и поставим лицензии, сопутствующий софт, железо и облачные ресурсы, обеспечим безопасность, в т.ч. касательно защиты персональных данных, осуществим интеграцию с внешними системами и поддержку.

Облачные сервисы. Глобальные или на территории РФ, в полном соответствии с 152-ФЗ.

Модернизация существующей CRM-системы. Специалисты Softline устранят платформенные ошибки старой версии, сделают полное или частичное обновление, осуществят любые другие проектные доработки – например, могут сделать интерфейс системы более понятным и простым для пользователей.

ТОП-5 сервисов Softline по внедрению CRM

Аудит бизнес-процессов. У вас уже есть CRM-система, но она не работает, как надо? Хотите подобрать систему, но не знаете, какую выбрать? Мы поможем!

 

Формирование концепции. Разработка архитектуры системы, проект внедрения.

 

Пилотное внедрение. Отличная возможность, чтобы оценить функционал системы, реализовав небольшой блок задач.

 

Комплексный проект по внедрению системы. От поставки железа или облака до технической поддержки.

 

Техническая поддержка. Обеспечим постоянную работоспособность всех систем.

 

Выгоды в ключевых областях

Маркетинг

Задача: Проанализировать результат маркетинговых активностей и увеличить конверсию лидов в продажи.

Решение: CRM – удобный инструмент планирования, проведения и оценки эффективности мультиканальных маркетинговых кампаний. CRM помогает обратиться к нужной аудитории в нужное время, обработать маркетинговые показатели и результаты и повысить продажи. Стоимость привлечения клиента с помощью CRM снижается, а конверсия увеличивается.

Продажи

Задача: Выстроить четкий и управляемый процесс продаж.

Решение: С помощью CRM сотрудникам будет намного проще выстраивать взаимоотношения с текущими и потенциальными клиентами, регистрировать в системе сделки, заказы, счета, договоры. Работа отделов продаж становится эффективнее, снижается отток клиентов. Также CRM делает планирование более достоверным. При необходимости в системе можно держать продуктовый каталог с ценами.

Сервис

Задача: Сделать обработку обращений дешевле и качественнее.

Решение: CRM – это оптимальный инструмент для любой сервисной структуры, позволяющий управлять обращениями, сокращая время на их обработку. В системе можно разместить базу знаний для операторов или для самообслуживания клиентов. Также возможно управление SLA и контрактами на обслуживание.

Выберите свою CRM-систему с Softline!

Microsoft Dynamics CRM подойдет компаниям, которые: планируют тесно интегрировать CRM с продуктами Microsoft, в частности с MS Teams или в целом с Office 365; понимают преимущества, которые дают инструменты Power Platform и специализированные аналитические модули линейки Insights со встроенными средствами машинного обучения; осознают, что гибкая платформа позволит быстро развивать рабочие инструменты в одном темпе с бизнесом.

Terrasoft выбирают организации, которые: заинтересованы в тематике импортозамещения и хотят внедрить решение отечественного производства; хотят работать с BPM-движком и пользоваться всеми удобствами интернет-магазина приложений; работают только с облачными мощностями, расположенными на территории России; заинтересованы в особых предложениях и гибкости со стороны вендора, готового по запросу настроить демо-стенд или во всех подробностях рассказать о платформе.

Это трансформация к лучшему!

C успешным внедрением CRM-системы в организациях происходит переосмысление огромного количества бизнес-процессов; руководители приходят к новому пониманию важных показателей и трансформируют подход к продажам, маркетингу и услугам, открывая новые перспективы для себя и своей компании.

По всем вопросам вы можете проконсультироваться с нашими экспертами:

CRM

CRM		Customer Relationship Management Управление взаимоотношениями с клиентами

Генеральный партнёр обзора:

Партнёры обзора:

Российский рынок CRM-систем продолжает движение вверх. Потребности бизнеса в подобных решениях значительны, но ждать компании больше не хотят — готовые к работе решения им нужны как можно быстрее. И если одни компании устроят облачные системы, то для других российские интеграторы готовы гибко подстраиваться, используя различные методологии разработки и внедрения.

Интервью с экспертами

Системы CRM традиционно упоминаются в числе первых в списке ключевых корпоративных ИТ-систем. Однако с течением времени меняются технологии, уровень информатизации компаний, отрасли, в которых работают заказчики CRM-систем, и даже сам их бизнес, что недавно ярко продемонстрировала эпидемия коронавируса. О том, как меняются потребности клиентов в части поддержки взаимоотношений с клиентами, а также о том, как эти изменения подталкивают к развитию продукты CRM, TAdviser рассказал Юрий Востриков, коммерческий директор компании НОРБИТ.

Российский рынок CRM-систем продолжает постепенное развитие. Этому способствуют и потребности бизнеса, и резко изменившаяся экономическая ситуация в стране. О потребностях клиентов, о том, почему пандемия увеличила спрос на CRM и о необходимости импортозамещения в некоторых секторах экономики в интервью TAdviser рассказал Михаил Лапин, руководитель департамента межотраслевых решений компании 1С-Рарус.

В 2020 году пользователям CRM-систем важно использовать все возможные способы коммуникации с клиентами, поэтому востребован соответствующий функционал. Зачастую предпочтение отдается отраслевым и нишевым решениям — таких продуктов появляется все больше. При этом ключевые вендоры дорабатывают свои продукты с учетом актуальных технологий.

Актуальные решения

Технологии машинного обучения и искусственного интеллекта на протяжении последних лет входят в число наиболее перспективных. Существенных выгод от применения ML удается достичь и в сферах повышения операционной эффективности, роста удовлетворенности клиентов и генерации знаний. Внедрение машинного обучения приносит не только дополнительный PR, но и действительно способно увеличивать прибыль компании. По различным оценкам, эффективность бизнеса от применения машинного обучения возрастает на 2-3%. Опыт консультантов «Норбит» показывает, что начинать использование технологий машинного обучения стоит не с глобальных лозунгов об «интеллектуальном предприятии», а с встраивания ML-моделей в существующие процессы и системы, чтобы получить максимально быструю отдачу. Рассмотрим на примере CRM-системы Creatio, разработанной в компании «Террасофт Россия». Подробнее…

Пандемия коронавируса, спровоцировавшая экономические проблемы, показала значимость большого количества лояльных покупателей. Привлечение новых клиентов обходится бизнесу в 5-10 раз дороже (в зависимости от сферы), чем дальнейшее удержание, причем 67% прибыли приносят уже привлеченные потребители. Это главные причины, почему интерес бизнеса к программам лояльности растет. И Masterdata Loyalty Management (MLM) — один из инструментов, позволяющий увеличить базу заинтересованных клиентов. Подробнее…

Анализ базы TAdviser показал, что среди 3679 внедрений CRM-систем, информация о которых имеется у издания, чаще всего CRM-проекты выполняются с использованием решения Creatio от «Террасофт». В числе лидеров также находится система Microsoft Dynamics CRM и решение 1С:CRM.

На диаграмме ниже показаны доли CRM-систем за период с 2005 года, поэтому включены показатели в том числе не актуальных на данный момент решений (например, Terrasoft CRM), но широко внедряемых в недавнем прошлом.

Если рассматривать не отдельные CRM-системы, а все продукты вендоров, относящихся к этой категории решений, то по такому обобщенному показателю в лидерах будут компании «Террасофт», Microsoft и 1С-Рарус. Информация по другим разработчикам, собранная на основании анализа базы TAdviser, представлена на диаграмме ниже.

Актуальные решения

«М.Видео» и «Эльдорадо» обслуживает огромное количество клиентов – база покупателей, зарегистрированных в программах лояльности на апрель 2021 года, составляет около 72 миллионов. Программы лояльности «М.Видео» и «Эльдорадо» отличаются, как и само позиционирование брендов. «М.Видео» развивает программу лояльности M.Club, которая позволяет постоянным покупателям бренда получать выгодные скидки и персональные предложения. В рамках проекта по совершенствованию платформы CRM ритейлер привлёк компанию Masterdata. Подробнее…

По состоянию на октябрь 2020 года база TAdviser содержит данные о 3679 проектах внедрения CRM-систем. Без малого 90% всех этих проектов приходится на Россию. Традиционно две ключевые отрасли, в которых чаще всего используются CRM-системы — это торговля и финансы. В базе TAdviser на долю первой приходится 639 проектов, второй — 518 проектов. Распределение других отраслей показано на диаграмме ниже.

Между тем в 2020 году серьезное влияние на рынок CRM оказала пандемия коронавируса. По мнению экспертов, в условиях повсеместных ограничений такие решения теперь нужны всем.

Мировой рынок CRM-систем по итогам 2019 года вырос на 15,9% и достиг отметки в $56,6 млрд. Такие данные приводит Gartner в своем отчете[1], опубликованном в мае 2020 года. Чаще всего CRM-системы применяются в службах поддержки и обслуживания клиентов. Наиболее быстрорастущей сферой использования CRM стал маркетинг. Тройка лидеров мирового рынка CRM среди вендоров осталась прежней — это Salesforce, SAP и Oracle.
2019 | 2018 | 2017 | 2016 | 2015 | 2014 | 2013 | 2012 | 2011 | 2010 | 2008 | 2007 | 2005 | 2004 | 2002 | 2001 | 1999 | 1998 | 1997 | 1995 | 1993 | 1990 | 1986-1987

Главные определения

Что такое CRM система: доступно о технологии
CRM (сокр. от англ. Customer Relationship Management System) — система управления взаимодействием с клиентами. Корпоративная информационная система, предназначенная для более плотной и продуктивной работы с клиентами, сохранения отношений с ними и их развития. Также важная задача CRM-системы, как следствие из основной — совершенствование уровня и увеличение количества продаж.
Классификация | Выбор CRM решения | Проблемы, которые решает CRM | Функции | Технологии | Возможности | Решения

Базовые модули CRM
Три ключевые функциональные области систем CRM обозначаются аббревиатурами CSS, SFA, MA: они отвечают за автоматизацию поддержки и обслуживания клиентов, автоматизацию деятельности продавцов и автоматизацию маркетинга соответственно. Интересно, что, по свидетельствам системных интеграторов, базовый характер этих блоков вовсе не означает, что все они будут применяться в рамках одного проекта.
Автоматизация службы поддержки клиентов (CSS) | Автоматизация деятельности продавцов (SFA) | Автоматизация маркетинга (MA)

Классификация CRM
Многие аспекты CRM существуют уже много лет, и большинство существующих CRM-систем родились из систем, которые давно автоматизировали определенные аспекты взаимодействия с клиентами.
Оперативная CRM-система | Аналитическая CRM-система | Коллаборационная CRM-система | Sales Intelligence CRM | СRM для управления кампаниями

Кому и зачем нужна CRM система?
В основу классификации положены задачи, которые решаются компаниями в ходе использования CRM.
Возможности компаний, использующих CRM | Возможности CRM по отраслям бизнеса

Ошибки в работе с CRМ
При правильном использовании СRМ системы у Вас будет отличный инструмент для хранения всей информации по клиентам, управлением учетными записями, система поможет определить тенденции на конкурентном рынке и подскажет как продавать эффективнее.

Дополнительные и архивные материалы

Какие современные возможности CRM нужны заказчикам?
По состоянию на 2017 год в области CRM-систем заказчики интересуются такими возможностями как омниканальность, анализ больших данных, персонификация программ лояльности, технологии искусственного интеллекта, мобильные и облачные технологии, удобство интерфейса и др.

10 шагов для выбора CRM системы
Чтобы выбрать CRM систему, необходимо изучить рынок, составить перечь предпочтений, получить согласие руководства, написать короткий список вендоров, пообщаться с ними и получить демо-версии систем, оценить демо и стоимость систем, принять решение о покупке и внимательно ознакомиться с лицензионным соглашением.

Может ли ERP заменить CRM?
Взаимопроникновение разных классов бизнес-систем привело к тому, что сейчас сложно определить, где грань между CRM и ERP. С одной стороны, использование CRM предполагается для улучшения взаимоотношений с клиентами, а ERP – для планирования и управления ресурсами предприятия, что следует из их названия.

10 ошибок при внедрении CRM системы
Неточная постановка задачи и недостаточная проработка CRM концепции, неадекватное планирование сроков и бюджета проекта, саботаж и отсутствие мотивации сотрудников и многие другие трудности могут поджидать на пути внедрения системы управления взаимоотношения с клиентами. О том, как их избежать, TAdviser рассказали ведущие эксперты российского рынка CRM систем.

CRM: как определить ROI?
Возврат инвестиций является одной из конечных целей для большинства проектов по внедрению бизнес-систем, и CRM здесь не исключение. Так как же определить, помогло ли использование системы увеличить выручки, насколько велика отдача и, в конечном счете, оправдали ли себя затраты на CRM проект?

Кому выгодна SaaS CRM?
Развитие рынка CRM систем «по подписке» (SaaS) является очевидным трендом глобального рынка систем управления взаимоотношениями с клиентами. Активность в этом поле специализированных игроков вроде Salesforce.com и популярность предлагаемых ими решений вынудили и мегавендоров внедрить SaaS решения в свои продуктовые линейки.

Мобильные CRM
Мобильные CRM системы позволяют получать и обрабатывать данных о клиентах с помощью мобильных устройств типа смартфонов и планшетов. Наиболее полнофункциональные мобильные CRM при этом не уступают по набору функций «большим» CRM, а в некоторых вопросах даже и превосходят их.

Тренд: социальные CRM системы
Социальные CRM технологии находятся на пике потребительского внимания, так что большинство компаний или уже провело серию экспериментов с ними или запланировало соответствующие покупки. Некоторые из них пришли к разработке стратегии социальной CRM, которая позволяет достичь гораздо больших бизнес-эффектов.

Open-Source CRM
Адаптация модели open source на рынке CRM происходит относительно медленно, хотя это и не означает, что в этой нише нет серьезных игроков.

---

В закладках ниже представлены данные о CRM-системах (системах управления взаимоотношениями с клиентами), использующихся в России, а также уникальная информация о компаниях-интеграторах и их CRM-проектах. Компании могут зарегистрировать свои системы и проекты в каталоге TAdviser/CRM бесплатно. Раздел находится в оперативном режиме обновления проектов и систем.

---

Корпоративная информационная система, предназначенная для автоматизации CRM-стратегии компании, в частности, для повышения уровня продаж, оптимизации маркетинга и улучшения обслуживания клиентов путём сохранения информации о клиентах (контрагентах) и истории взаимоотношений с ними, установления и улучшения бизнес-процедур и последующего анализа результатов. Основные принципы CRM-систем:

• *Наличие единого хранилища информации, откуда в любой момент доступны все сведения о предыдущем и планируемом взаимодействии с клиентами.
• *Использование всех каналов взаимодействия. Ранее к подобным каналам взаимодействия относили только телефонные звонки, электронную почту, события/встречи. Но с активным развитием веб-технологий появились другие каналы взаимодействия — регистрационные формы на веб-сайтах, рекламные ссылки, системы корпоративного веб-чата и т.д.
• *Постоянный анализ собранной информации о клиентах и подготовка данных для принятия соответствующих организационных решений — например, сегментация клиентов на основе их значимости для компании.

Что такое CRM система: доступно о технологии, Базовые модули CRM, Классификация CRM, Сочетание CRM и BPM, CRM от Oracle, Российский рынок CRM, Перспективные CRM технологии в России, Отраслевая специфика внедрений CRM, CRM в России: прогнозы экспертов, Может ли ERP заменить CRM, 10 ошибок при внедрении CRM системы, CRM: как определить ROI, SaaS CRM, Мировой рынок CRM, Мобильные CRM, Open-Source CRM

Решения crm-системы — НОРБИТ

NORBIT CRM LOYALTY4RETAIL

Cобственное отраслевое пакетированное решение НОРБИТ на базе SAP CRM объединяет в себе лучший отраслевой опыт успешно реализованных проектов и наработанную экспертизу.

CRM для недвижимости

Отраслевое решение для профессиональных участников рынка недвижимости, занимающихся продажей и сдачей в аренду объектов недвижимости.

Автоматизация продаж с помощью CRM-систем

Проекты по внедрению CRM-решений направлены на повышение прозрачности и эффективности процесса продаж.

Типовое CRM-решение для банков

Специализированное банковское решение для оперативного получения полной информацию, необходимой сотруднику банка для качественной коммуникации и обслуживания клиентов.

CRM для страховых компаний

Решения НОРБИТ учитывают специфику страховой сферы: большое число клиентов (физ/юр. лица), необходимость в оперативном и персонализированном обслуживании каждого клиента на разных стадиях его взаимодействия со страховой компанией.

CRM-решение для производственных компаний

Отраслевое решение автоматизирует основные бизнес процессы коммерческой и маркетинговой работы, оптимизирует клиентский сервис, повышает скорость обработки запросов и увеличивает эффективность работы с номенклатурной линейкой продукции.

Сервисный CRM

Система, объединяющая все каналы коммуникации с клиентом и предназначенная для сокращения информационных разрывов, связанных со сменой канала коммуникации по инициативе клиента.

Автоматизация контакт-центра

Комплексные решения позволяют хранить данные всех клиентов в единой базе, управлять работой операторов, получать достоверную информацию по сделкам в реальном времени.

NORBIT4MEDIA

Решение автоматизирует бизнес-процессы коммерческой и маркетинговой службы радиостанций, телекомпаний, других средств массовой информации, а также рекламных агентств полного цикла.

Продукты CRM-системы — НОРБИТ

Dynamics 365

Интеллектуальные бизнес-приложения, которые помогут управлять  бизнесом и соответствующими процессами, одновременно улучшив взаимодействие с клиентами.

Microsoft Dynamics CRM

Интеллектуальные бизнес-приложения помогают управлять бизнесом и соответствующими процессами, одновременно улучшив взаимодействие с клиентами.

SAP CRM

Локальные решения SAP  помогают лучше понимать, взаимодействовать и обслуживать клиентов на всех каналах. Решение поддерживает поддерживает все операции, связанные с продажами, обслуживанием и маркетингом.

Битрикс 24

Актуальные решения для компаний среднего и малого бизнеса на базе Битрикс24 автоматизируют работу с потенциальными и текущими клиентами, позволяют управлять полным циклом продаж и коммуникаций с клиентами.

Террасофт

Передовые CRM-решения для автоматизации бизнеса, которые помогают компаниям управлять полным циклом по работе с клиентами: от привлечения до обслуживания и повторных продаж.

что это и в чём польза

Для малого и среднего бизнесов облачные CRM-системы выгоднее и удобнее: их просто внедрить и стоят они дешевле коробочных. Последние же для тех, кто пока не доверяет облачным технологиям полностью и готов оплатить услуги IT-специалистов, чтобы они внедрили систему и в дальнейшем её обслуживали.

По данным рейтинга компании ABLAB, лидерами CRM-систем в России в 2020 году стали следующие компании: 

1. amoCRM,
2. Битрикс24,
3. Creatio,
4. Salesforce,
5. Мегаплан.

У amoCRM и Salesforce только облачные версии, а у остальных есть и коробочные. Все они предлагают бесплатный доступ к системе. Это удобно, чтобы познакомиться с разными решениями и выбрать систему под потребности своего бизнеса.

Что запомнить о CRM-системе

Главный плюс CRM-системы (зачем она и создавалась) — это списки клиентов, которые хранятся в одном месте и собираются со всевозможных каналов. А также автоматизация рутинных процессов.

Фиксирует каждую входящую заявку: звонок, письмо или сообщение из любых мессенджеров и соцсетей. Количество клиентов не бесконечно, поэтому все данные о них стоит собирать.

Помогает вести клиента от этапа к этапу до покупки. Не забывает о клиентах и напоминает о себе в самый нужный момент. В системе просто и наглядно отслеживать статусы по сделкам и статистику продаж.

Сокращает время выполнения рутинной работы. Можно управлять всеми коммуникациями в одном окне, а также автоматизировать рутину, которая отнимает много времени. Приходит заявка — менеджер получает пуш-уведомление в «Телеграм», «Вайбер» или другой мессенджер, что нужно позвонить потенциальному клиенту. Так он занят только продажами. 

Контролирует эффективность менеджеров. Вы сможете запросить у системы отчёт, где увидите действия и результативность каждого отдельного менеджера. А также выявлять, на каком этапе и почему уходят клиенты, и устранять причины.

Помогает оценивать результаты. CRM собирает всю информацию по сделкам в отчёты. Надо только задать параметры (количество лидов, звонков, сделок и на какую сумму) и период — отчёты появится у вас автоматически.

Сохраняет за компанией список клиентов. Менеджер уйдёт, а список клиентов останется в системе — то есть у вас. Вы может распределить права в системе, чтобы у каждого менеджера был ограниченный доступ к данным: только к своим клиентам.

Внедрение CRM — описание каждого этапа подробно

CRM системы дают возможность точно и безошибочно управлять бизнесом, контролируя абсолютно каждый шаг рабочего процесса. Все современные компании, ощущают преимущества их использования уже в первый месяц эксплуатации.

Основы внедрение CRM

CRM – это программное обеспечение, направленное на автоматизацию процессов взаимодействия с клиентами в компании. CRM система существенно увеличивает уровень продаж, с ее помощью проще оптимизировать маркетинг и улучшить качество обслуживания клиентов.  Цель внедрения – добиться активного роста удовлетворенности клиентов благодаря анализу собранных сведений об их поведении и потребностях. Автоматизированная обработка информации позволяет применять индивидуальный подход в работе с покупателями.

Использование этой программы должно быть продумано от и до, задача руководства компании – учесть все детали и четко понимать, как должна работать СRM именно на его предприятии.

Автоматизируя рабочие процессы посредством возможностей CRM-систем, руководство получает ряд неоспоримых преимуществ:

• Увеличение объема продаж
• Управляемость бизнеса
• Улучшение качества обслуживания
• Прозрачность работы каждого члена рабочей команды

   

Этапы внедрения CRM

Техника внедрения CRM предполагает комплексные работы, разделенные на несколько этапов:

1. Этап планирования.

• Подготовка устава проекта
• Актуализируются задачи, уточняются детали
• Оговариваются задачи и цели
• Оформляется календарный план проекта
• Разрабатывается концепция, которая согласовывается с заказчиком

---

Поговорите с экспертом!

Заполните форму и мы свяжемся с Вами в течении часа!

Написать!

---

Устав проекта

— это базовый документ, который содержит все детали договоренностей между сторонами. В процессе создания устава анализируются потребности и требования клиента, оговариваются цели и устанавливаются сроки сдачи. Благодаря уставу получается выстраивать прозрачные деловые отношения между заказчиком и исполнителем.

На данном этапе руководство компании должно детально дать анализ необходимости запуска и эксплуатации CRM-программ в работу организации:

• Просчитать выгоды, которые получит фирма после получения CRM
• Сколько времени понадобится, чтобы окупить затраты
• Какой объем бюджета компания готова выделить
• Какие планы и задумки будут реализованы в будущем с помощью системы

К выбору CRM необходимо подходить серьезно и ответственно. Оценивать CRM нужно опираясь на их функциональные возможности.

Заполните форму и мы отправим пример устава проекта!

 

2. Выполнение работ в рамках проекта. Когда начинается работа над проектом,

руководитель должен точно описать и детализировать функции, которыми будет обладать будущая CRM. Это важная информация, которую необходимо собрать и передать разработчикам. Эксперты в дальнейшем доработают систему соответственно запросам и требованиям заказчика.  

В ходе реализации требований, которые предъявляются к программе, применяются типовые механизмы или в каждом индивидуальном случае разрабатываются дополнительные возможности.

Заказчик перечисляет все необходимые настройки и функции, например:

• хранение истории коммуникации с клиентами предприятия
• возможность реализации рассылок
• календарь задач
• интеграции с IP-телефонией
• подключение контроля взаиморасчётов
• автоматическая выгрузка документов

Этап состоит из нескольких поставок. Их число зависит от степени сложности проекта. Что включают поставки:

• Технический дизайн – детализируются требования к системе в ключе концепции. Формируются тест-кейсы, которые потребуются для сдачи заказчику.
• Адаптация и тестирование – осуществляются необходимые настройки, которые указываются в техническом дизайне.
• Создание блоков функциональности
• Демонстрируется адаптированная версия
• Тестирование поставки клиентом

Непосредственно внедрение

— можно разбить на несколько шагов:

• Сбор данных и наработок организации и перенесение сведений в программу
• Обучение сотрудников организации работе в новой CRM. На этом этапе могут возникнуть трудности, поскольку специфика функциональности программы может  оказаться сложной для некоторых членов персонала.
• Проведение предварительного тестирования для сотрудников. Каждый пользователь сможет самостоятельно оценить свой уровень умения пользоваться сервисом.

3. Тестирование предусматривает опытное пользование готовой системой и

переход в опытно-промышленную эксплуатацию. Осуществляется комплексное тестирование, проводится необходимое обучение пользователей и сдача СRM по тест-кейсам. На данном этапе клиент получает систему, полностью соответствующую требованиям и оговоренным деталям.

4. Закрытие проекта, на котором проводится анализ результатов и начинается реализация

технической поддержки. Подводятся итоги и рассматриваются результаты проведенных работ.

 

Что включает закрытие проекта:

• Встреча с клиентом, презентация результатов
• Подписание актов выполненных работ обеими сторонами
• Осуществление опроса удовлетворенности заказчика
• Создание плана по дальнейшему развитию

 

Эффект от внедрения системы

Результативность эксплуатации программы довольно трудно оценить в денежном эквиваленте. В любой компании есть направления деятельности,

в которых можно вымерять эффективность системы, например:

• Работоспособность сотрудников существенно возросла
• Трудозатраты снизились
• Увеличивается количество покупателей
• Снижаются затраты на проведение маркетинговых кампаний

Чтобы объективно оценить эффект от включения программы, можно подсчитать разницу между затратами на внедрение и доходами после осуществления проекта.

Bpm’online – это мощный двигатель развития бизнеса любого направления. Вы можете перевести управление бизнесом на автоматический режим и наслаждаться результатами. Одна из лучших CRM-систем в мире работает на Вас!

 

---

Остались вопросы?

Заполните форму по ссылке, мы расскажем Вам как автоматизировать Ваши бизнес процессы!

Написать!

---

Common Metadata Repository (CMR) | Earthdata

Единый репозиторий

CMR обеспечивает единое хранилище метаданных НАСА по наукам о Земле. Это приносит пользу поставщикам, поскольку им нужно только загружать свои метаданные в одну систему. Это также дает пользователям возможность выполнять поиск в одной системе и извлекать данные EOSDIS и IDN.

Повышенная производительность

Современные приложения для наук о Земле стремятся предоставить конечным пользователям практически мгновенный доступ и интерактивность в огромных хранилищах данных наук о Земле.Эти данные обнаруживаются, просматриваются и часто запрашиваются с помощью научных метаданных. По мере того, как спектр приложений растет и все больше и больше информации перемещается из базовых научных данных в метаданные, возрастают проблемы с навигацией даже по метаданным. CMR предназначен для обработки сотен миллионов записей метаданных; стремясь сделать их доступными менее чем за секунду. CMR может сделать это за счет использования сложных стратегий индексации и кэширования данных, построенных на основе инфраструктуры производительности.

Обеспечение качества

Высокопроизводительный доступ к метаданным — это только часть проблемы. Чтобы быть полезными для широкого круга приложений в области наук о Земле, метаданные должны быть высокого качества, полными и согласованными. CMR включает в себя функции оценки человеческих и машинных метаданных, которые обеспечивают максимально возможное качество метаданных. Во время приема применяются автоматические критерии оценки метаданных, позволяющие поставщикам данных понять, как сделать их данные более доступными для обнаружения или использования конечными пользователями.Научные координаторы и группы проверки могут проверять метаданные, которые не прошли проверку или не имеют необходимой информации, чтобы помочь поставщикам сделать свои метаданные более согласованными и полными.

Согласованное представление метаданных

Инфраструктура приема

• CMR поддерживает службы, которые проверяют различные стандарты метаданных, такие как ECHO10, IDN DIF и ISO19115, по общему набору основных элементов метаданных, описанных в UMM.

UMM описывает метаданные, связанные с ключевыми концепциями EOSDIS (такими как сбор или гранула), с использованием «профилей» метаданных UMM (таких как UMM-C для сбора и UMM-G для гранул).

• CMR оказывает услуги для сопоставления записей метаданных с любым из стандартов метаданных, поддерживаемых CMR, через UMM. Таким образом, CMR может принимать записи метаданных из различных исходных форматов и преобразовывать метаданные, отличные от ISO 19115, в надежное и соответствующее стандартам представление ISO 19115 для заинтересованных клиентов. Это можно увидеть на схеме ниже:

Например, для записей метаданных коллекции запись UMM-C может быть сопоставлена ​​с любым другим поддерживаемым стандартом метаданных коллекции, таким как ISO 19115-1, ISO 19115-2, ECHO 10, DIF 9 или DIF 10.Записи, созданные с использованием любого из этих поддерживаемых стандартов, могут быть сопоставлены с любым другим из этих поддерживаемых стандартов путем первого сопоставления с UMM-C.

• По мере того, как в CMR вводятся дополнительные концепции метаданных, новые службы приема будут предоставлять возможности проверки и индексации поиска по различным метаданным, таким как визуализация и переменная информация.

Наверх

CMR Surgical развертывает свою хирургическую роботизированную систему Versius

В наши дни, когда мы передали первоначальные медицинские диагнозы роботам с искусственным интеллектом, трудно представить время, когда технологии не играли бы центральную роль в здравоохранении.Тем не менее, пиявки по-прежнему считались высокотехнологичными еще в 19 веке — и сегодня они возвращаются в некоторых хирургических кругах. Мы действительно можем поблагодарить хирурга 18-го века по имени Джон Хантер за то, что он вывел медицинскую науку из темных веков, в основном за счет кражи множества трупов и проведения над ними ужасных экспериментов во имя прогресса. Вероятно, поэтому он был источником вдохновения для биполярной фигуры в «Докторе Джекилле и мистере Хайде». Теперь давайте переместимся на пару сотен лет вперед и кратко поговорим об истории хирургических роботизированных систем, прежде чем описывать британский стартап, который обещает произвести революцию в операционной.

Краткая история хирургических роботизированных систем

Эта история начинается в 1984 году, в год, отмеченный огромным прогрессом с появлением первого компьютера Apple Macintosh с завышенной ценой ( $ 2,500! ), изобретением отпечатков пальцев ДНК и запуском Virgin Atlantic до того, как он стал галактическим (SPCE). . Это также стало первым случаем в истории, когда врачи провели роботизированную операцию с помощью так называемой роботизированной системы PUMA 560. Промышленная роботизированная рука, принадлежавшая в то время Westinghouse, помогла хирургам выполнить биопсию мозга.В конечном итоге он превратился в PROBOT, чтобы помочь хирургам при операциях на предстательной железе. Компания под названием Integrated Surgical Supplies разработала ROBODOC в конце 1980-х годов для замены тазобедренного сустава, получив первое одобрение FDA для хирургического робота.

Телемедицина считается одним из основных драйверов в разработке современных хирургических роботизированных систем для лапароскопической или малоинвазивной хирургии. Американские военные были заинтересованы в оказании хирургической поддержки на поле боя врачами, находящимися в безопасном месте в другом месте.В конечном итоге это привело к тому, что к этому подключилось то теневое правительственное агентство, известное как DARPA, и большая часть оригинальных исследований и разработок роботизированной хирургической системы с возможностью телеприсутствия проводилась SRI International, институтом, финансируемым из федерального бюджета Стэнфордского университета.

Ранние хирургические роботизированные системы. Предоставлено: Gynecologic Oncology

DARPA и другие агентства и учреждения предоставили финансирование компании Computer Motion, которая разработала автоматизированную систему A E ndoscopic S для роботизированной установки O ptimal P ( AESOP ). Платформа.Система позволила хирургам управлять лапароскопической системой камеры с помощью голосового управления и получила первый одобрение FDA на использование роботизированного устройства для внутрибрюшной хирургии. В конце концов, Computer Motion перезапустила роботизированную хирургическую платформу в качестве операционной системы ZEUS в 1990-х годах. Примерно в то же время другая компания, получившая название Intuitive Surgical (ISGR), вышла на сцену с роботизированной хирургической системой da Vinci после приобретения интеллектуальной собственности у SRI International.

Больше хирургических роботизированных систем в сети

После нескольких судебных тяжб между Computer Motion и Intuitive Surgical по обвинению в нарушении патентных прав, две компании решили объединить усилия путем слияния. Сегодня Intuitive Surgical — это гигант стоимостью более 63 миллиардов долларов, который доминирует на рынке роботизированной хирургии: более 5000 роботов da Vinci ежегодно проводят более миллиона операций.

Хирургическая роботизированная система да Винчи. Предоставлено: Intuitive Surgical

. Однако, после 20 лет почти монополии на рынке роботизированных хирургических систем, Intuitive наконец-то столкнулась с некоторой конкуренцией.Medtronic (MDT), компания по производству медицинского оборудования с оборотом 135 миллиардов долларов, купила себе место за столом в 2018 году с приобретением Mazor Robotics и ее хирургической платформы для хирургии позвоночника. Компания Johnson & Johnson (JNJ) последовала за ней в 2019 году, когда она приобрела хорошо финансируемый стартап под названием Auris Health, который разработал роботизированный эндоскоп, который может проникать в легкие пациента для обнаружения рака. А всего несколько месяцев назад мы рассказали вам, как другая компания, производящая медицинское оборудование, Stryker (SYK), вкладывает большие средства в робототехнику, а также в 3D-печать.

Продолжает развиваться ряд других стартапов, предлагающих хирургические роботизированные системы для ряда различных приложений. Это наконец возвращает нас к британскому стартапу CMR Surgical.

A Запуск хирургической роботизированной системы

Основанная в 2014 году компания CMR Surgical собрала почти $ 385 млн . В сентябре 2019 года стартап из Кембриджа привез с собой серию C стоимостью 240 миллионов долларов, которая, как позже выяснилось, включает GE (GE) Healthcare. CMR Surgical недавно объявила, что первые коммерческие установки своей хирургической роботизированной системы Versius наконец-то начались после успешного клинического испытания в Индии.

Обновление от 28.06.2021: CMR Surgical привлекла почти 600 миллионов долларов в рамках серии D, чтобы вывести своего хирургического робота на мировой рынок. Таким образом, на сегодняшний день общий объем финансирования компании составляет 975,2 миллиона долларов США долларов США.

Versius — это небольшая модульная мобильная роботизированная система, состоящая из трех независимых рук, которые по размеру и форме копируют или имитируют человеческие руки. Хирург управляет роботизированными манипуляторами с помощью консоли 3D-визуализации высокой четкости и телефона, напоминающего контроллер видеоигры.Еще одна возможная карьера профессионального геймера.

Хирургическая роботизированная система Versius. Предоставлено: CMR Surgical

. В прошлом году компания завершила клинические испытания в Индии, включающие 30 лапароскопических процедур, включающих незначительные, промежуточные и основные гинекологические процедуры и процедуры на верхних отделах желудочно-кишечного тракта. Ни один из пациентов не сообщил о каких-либо проблемах через 30 дней после операции. На этом исследования не закончились. CMR Surgical собрала дополнительные данные обо всем, от времени, проведенного в операционной, до предполагаемого объема кровопотери и продолжительности пребывания в больнице.Все эти данные собираются в реестре, чтобы доказать безопасность и эффективность Versius.

Развертывание Versius

CMR Surgical провела достаточную экспертизу, чтобы получить европейский знак CE, который аналогичен, но определенно отличается от одобрения FDA, которое Versius еще не получило (, хотя, без сомнения, CMR Surgical направляет часть своего капитала на эти усилия ) . Это означает, что только в этом году Versius использовался для выполнения лапароскопических (, также иногда называемых замочной скважиной ) операций в Соединенном Королевстве в двух больницах страны N ational H ealth S ervice ( NHS ). , с дополнительными больницами NHS, которые планируют представить робота в этом году, включая крупные учебные больницы и небольшие местные центры.CMR Surgical утверждает, что установка системы занимает в среднем всего 15 минут. Первоначальные варианты использования включают ряд колоректальных операций, помогающих лечить пациентов с серьезными заболеваниями кишечника или даже раком кишечника.

Преимущества хирургической роботизированной системы Versius

Роботизированная лапароскопическая хирургия имеет потенциальные преимущества как для пациентов, так и для хирургов. Вот несколько показателей, ориентированных на Великобританию и Европу, которые следует учитывать:

• Только треть операций, которые могут быть выполнены лапароскопически в Великобритании, выполняются таким образом по сравнению с открытыми операциями.
• Только 13% операций по удалению матки в Европе выполняются лапароскопическим способом.
• Около 800 000 случаев заражения в результате хирургических операций произошло в Великобритании за двухлетний период.
• Переход к малоинвазивной хирургии сократил среднюю продолжительность пребывания гинекологических пациентов с 5,5 дней до 1,5 дней в 95% случаев.

Другими словами, рынок лапароскопической хирургии с использованием роботизированных систем практически не освоен. CMR Surgical цитирует одно исследование рынка, в котором утверждается, что текущий рынок роботизированной хирургии минимального доступа стоимостью 4 миллиарда долларов должен достичь 20 миллиардов долларов к 2025 году.

Сесть на работу.
Кредит: CMR Surgical

Для хирургов возможность сидеть на заднице во время рассечения кишечника невозможно переоценить. Растущая популярность лапароскопической хирургии фактически привела к росту проблем со спиной у врачей, которые вынуждены часами принимать неудобные позы, говорится в сообщении The Telegraph. В статье говорится, что три четверти хирургов, которые регулярно проводят эти процедуры в замочную скважину, испытывали боли в спине при выполнении своей работы, и каждый шестой был вынужден обращаться за медицинской помощью из-за травм опорно-двигательного аппарата, вызванных их работой.Это основано на опросе… CMR Surgical.

Заключение

Хирургические роботизированные системы становятся все более распространенными как способ помочь врачам удовлетворить растущие физические потребности сложных, иногда многочасовых операций. CMR Surgical выводит на рынок новое медицинское устройство, которое, по ее утверждению, не только проще в использовании — хирурги, как сообщается, научились выполнять такие процедуры, как наложение швов, всего за полчаса с помощью Versius, что сокращает общую кривую обучения с двух-трех лет до вопрос недель », но более доступный.Учитывая, что базовая цена на систему da Vinci от Intuitive Surgical начинается с 1,5 миллиона долларов, CMR Surgical явно пытается сбить ценового лидера на рынке, хотя мы не видели точных цифр. Если и когда компания получит одобрение FDA на продажу Versius в Соединенных Штатах, мы сможем получить более твердый ответ на ее способность конкурировать с Intuitive Surgical.

Наша экспозиция робототехники состоит из трех холдингов. Хотите знать, какие? Станьте годовым подписчиком Nanalyze Premium и получите немедленный доступ к нашему собственному портфелю акций из 30 технологий.

CMR Surgical привлекает 600 миллионов долларов на роботизированную систему Versius

Послушать статью

Хирургический робот Versius от CMR Surgical. | Кредит: CMR Surgical

.

CMR Surgical, британский разработчик роботизированных хирургических систем, привлекла 600 миллионов долларов в рамках серии D. Она привлекла раунд серии C на 240 миллионов долларов в сентябре 2019 года, серию B на 100 миллионов долларов в июне 2018 года и серию A на 20 миллионов долларов в июле 2016 года.С момента основания в 2014 году он привлек почти 1 миллиард долларов.

Серия D возглавлялась SoftBank Vision Fund 2ii, а со-лидером — Ally Bridge Group. CMR заявила, что финансирование будет использовано для увеличения глобальной коммерциализации Versius, роботизированной системы, предназначенной для помощи в минимально инвазивной хирургии замочной скважины. На данный момент система предназначена для лечения серьезных заболеваний кишечника, таких как рак кишечника. По данным CMR, Versius использовался в 1000 хирургических операциях по всему миру.

Финансирование также поддерживает разработку цифровой платформы Versius, включая Versius Connect, приложение для хирургов, использующих хирургическую роботизированную систему Versius.CMR Surgical ранее была известна как Cambridge Medical Robotics.

Мнение: Хирургические роботы как услуга в борьбе с последствиями пандемии

«Это последнее финансирование предоставляет CMR значительные средства для ускорения нашей миссии по внедрению Versius в больницы по всему миру, обеспечивая при этом полную гибкость для достижения наших целей», — сказал генеральный директор CMR Surgical Пер Вегард Нерсет. «Это крупное вливание капитала, которое сейчас оценивается в 3 миллиарда долларов, отражает не только уровень интереса, который мы наблюдаем к нашему продукту, но также и масштаб бизнеса, а также обеспечит значительные технологические разработки и глобальную экспансию.”

«Спрос на малоинвазивную роботизированную хирургию быстро растет среди хирургов и пациентов, однако высокие затраты исторически препятствовали внедрению», — сказал Янни Пипилис, управляющий партнер SoftBank Investment Advisers. «CMR Surgical трансформирует хирургическую робототехнику, чтобы преобразовать недостаточно распространенные открытые и лапароскопические процедуры на новых международных рынках, где роботизированные операции менее распространены, например, в Индии, на Ближнем Востоке и в Латинской Америке. Мы с нетерпением ждем возможности сотрудничать с CMR в его миссии по обеспечению доступности роботизированной хирургии замочной скважины для всех.”

В 2021 году произошло множество приобретений и инвестиций в компании, занимающиеся хирургической робототехникой. Компания Stryker начала год с приобретения OrthoSensor и своей интраоперационной сенсорной технологии Verasense для улучшения своих роботов Mako. Финансовые условия сделки не разглашаются.

В феврале EndoWays, израильский разработчик одноразовой роботизированной системы для катлаборатории, был приобретен Ascendum Capital, инвестиционной платформой, ориентированной на здравоохранение, основанной в 2020 году.

Edge Medical Robotics и Memic привлекли финансирование в размере 92 и 96 миллионов долларов соответственно. Vicarious Surgical выходит на биржу через сделку по приобретению компании специального назначения (SPAC) на сумму 1,1 миллиарда долларов с D8 Holdings. Сообщается, что Memic также обсуждает возможность выхода на биржу через SPAC.

конференц-залов для совместной работы Cisco — Cisco

Коротко

• Улучшение деловых отношений, гибкости бизнеса и сотрудничества во всей организации.
• Повышение эффективности принятия решений. Позвольте всем видеть, слышать и обмениваться информацией, а также быстро и легко работать вместе с высококачественным видео и интуитивно понятным управлением совещаниями.
• Отвечайте быстро и эффективно вашим клиентам, повышая их удовлетворенность и лояльность.
• Предлагайте видео для всей организации легко и эффективно с помощью высокомасштабируемых решений.
• Защитите свои инвестиции в ИТ с помощью обновляемых программных решений, поддерживающих рост вашего бизнеса.
• Поддержите свою ИТ-стратегию за счет гибкости выбора облачной, локальной или гибридной модели развертывания.

Встречайте свой путь

Cisco Collaboration Meeting Rooms (CMR) позволяет любому сотруднику вашей организации пользоваться единообразным видео-совместным опытом с мобильных, настольных или комнатных систем с услугами и решениями, которые они могут использовать дома или в офисе. Пользователи могут встречаться любым удобным для них способом, мгновенно или по расписанию. Или они могут пригласить других для встречи в их собственной персонализированной виртуальной среде для встреч.

Независимо от того, встречаетесь ли вы один на один, с командой или сотнями людей, Cisco CMR может масштабироваться в соответствии с вашими потребностями. Cisco предлагает решения, которые помогут вам встретиться с другими людьми по-своему.

Подключи свой путь

Cisco CMR — это архитектура корпоративного уровня для совместной работы с медиаресурсами в локальной среде или из облака. Это дает вам выбор, как развернуть видеоконференцсвязь. Все наши решения обеспечивают совместимость с большинством видеоустройств в высокозащищенной среде «бизнес-бизнес» или «бизнес-потребитель».

Участники могут присоединиться, используя видео с любой конечной точки Cisco Collaboration, сторонних конечных точек видео, основанных на стандартах, программных клиентов и любого мобильного или настольного веб-клиента с поддержкой Cisco WebEx, такого как Cisco Jabber. Пользователи также могут присоединиться к совещанию Cisco CMR с помощью Microsoft Lync 2010 и 2013 (в настоящее время недоступно в Cisco CMR Cloud).

Поглоти свой путь

Мы считаем, что конференц-залы — это не просто облачные сервисы. Заказчики должны иметь возможность создавать и предоставлять такой же опыт локально, когда речь идет о конфиденциальности данных, инвестициях в инфраструктуру, управлении учетными записями и управлении затратами.Cisco CMR предлагает клиентам выбор между локальным развертыванием или использованием облака из облака Cisco WebEx Cloud, либо возможность сочетания этих двух факторов в гибридной модели.

границ | Анализ данных компьютеризированной медицинской документации (CMR) первичной медицинской помощи с помощью Deep Autoencoders (DAE)

1. Введение

Компьютеризированные медицинские записи (CMR) (также известные как электронные медицинские записи или электронные медицинские записи) представляют собой цифровое хранилище медицинской информации для отдельных лиц.Эти цифровые записи являются стандартным способом для медицинских работников, таких как терапевты (GP), для записи первичных медицинских данных для пациентов. Выявление закономерностей в данных первичной медико-санитарной помощи имеет жизненно важное значение для прогнозирования ответных мер или политики в отношении проблем здравоохранения; например, раннее предупреждение о потенциальных эпидемиях позволяет медицинским организациям принимать превентивные меры, такие как вакцинация или карантин. Оценка качества и достоверности данных имеет жизненно важное значение для принятия решений [1], поскольку они могут иметь последствия не только для здоровья, но также могут иметь социальные, экономические и политические последствия.Во многих случаях записи первичной медико-санитарной помощи содержат показатели здоровья на уровне населения, которые являются репрезентативными на национальном уровне [2], и анализ этих данных может привести к улучшению оценок заболеваемости в системах эпиднадзора [3]. Центр исследований и эпиднадзора (RSC) Королевского колледжа врачей общей практики (RCGP) [4, 5] собирает данные первичной медико-санитарной помощи для ряда респираторных инфекций и других состояний, уделяя особое внимание гриппу. Сеть ежегодно используется главным врачом Великобритании, чтобы знать, когда циркулирует грипп и какие возрастные группы наиболее подвержены риску [5].Например, данные RCGP RSC показали, что в 1989–1990 гг. Наиболее подвержены гриппу дети, а в 2000 г. риску заражения подвергались пожилые люди [6]. RSC также сыграл ключевую роль в выявлении и мониторинге пандемии свиного гриппа в 2009-2010 гг. [7]. Однако методы использования больших данных первичной медико-санитарной помощи ограничены, и сделать вывод из этих данных сложно [8]. Несмотря на эти трудности, возможности выявления тенденций в данных CMR значительны. Алгоритмы прогнозирования могут помочь справиться с более высокой смертностью, наблюдаемой в зимние месяцы [9], или спрогнозировать неожиданные всплески показателей смертности из-за распространения гриппа [10].

Методы предварительной обработки синтетических данных для уменьшения сложности перед кластеризацией были продемонстрированы как эффективный способ анализа данных типа CMR [11]. Низкоразмерные представления сложных систем могут дать отличное понимание паттернов или поведения, которые иначе трудно или невозможно получить напрямую [12–14]. Методы многомерного и машинного обучения стали мощными инструментами анализа данных. В частности, методы кластеризации показали потенциал при анализе медицинских карт [15], однако они полагаются на полные, неизбыточные и однородные данные, где данные CMR обычно неоднородны, неполны и содержат избыточность и неинформативные поля [11].

За последнее десятилетие мощность глубокого обучения продемонстрировала свой потенциал в ряде областей для извлечения закономерностей из сложных данных без специальной предварительной обработки или нормализации [16–18]. Глубокое обучение совсем недавно было использовано для помощи в паллиативной помощи путем улучшения оценок прогнозов, основанных на данных здравоохранения [19]. Общность этих методов привлекательна при изучении сложных и динамических проблем, таких как данные CMR, где поля в данных значительно различаются по формату, сложности, избыточности, шуму и размеру для различных требований.Поля данных, извлеченные из базы данных медицинских карт, будут сильно различаться в зависимости от вопроса исследования и соответствующего запроса извлечения. Методы глубокого обучения предлагают мощный и практичный набор инструментов для анализа данных CMR.

В этой работе мы предлагаем метод глубокого обучения для визуализации и анализа данных CMR для выявления низкоразмерных паттернов в данных, таких как коллекторы или кластеры, которые иначе были бы недоступны в многомерном пространстве. Предлагаемый нами рабочий процесс может быть использован для оказания помощи практикующим врачам в принятии решений на основе индивидуальных или популяционных данных.В следующих разделах мы описываем данные и методы, а также обсуждаем результаты нашего анализа. Все данные, используемые в этой работе, полностью анонимны и соответствуют протоколам и этическим нормам RCGP RSC.

2. Материалы и методы

Алгоритмы глубокого обучения применялись для решения широкого круга задач в ряде областей исследований. В частности, глубокие нейронные сети стали популярными инструментами для решения нескольких задач, таких как сегментация и классификация. Существенным ограничением их использования было требование большого количества помеченных данных для обучения сетей для таких задач.Кроме того, для приложений в клинических условиях отсутствие прозрачности при принятии решений является чрезвычайно проблематичным и может ограничивать распространение во многих других областях.

Хинтон и Салахутдинов представили использование автокодировщика для неконтролируемого уменьшения размерности [17], обойдя требование явно помеченных данных, обучив сеть сначала кодировать входные данные, а затем декодировать их обратно во входные данные. В этой структуре сеть обучается изучению кодировки данных, которые могут быть декодированы обратно во входные данные, что не требует явных меток.Кроме того, эти сети можно обучать таким образом, чтобы мы получали фиксированное и детерминированное преобразование между входными и закодированными данными, что дает ряд преимуществ, таких как поддержание общего кодированного пространства для обучения и невидимых данных. Это позволяет эффективно использовать время и память для применения этих алгоритмов к большим наборам данных [18], а также определять особенности, которые определяют закономерности в данных. Мы используем эти функции автоэнкодера для выполнения нелинейного неконтролируемого уменьшения размерности компьютеризированных медицинских записей (CMR), что обеспечивает визуализацию, неконтролируемое исследование данных и распознавание образов, которое является как детерминированным, так и отслеживаемым.В следующих подразделах мы описываем обработку, обработку и анализ данных, используемых в этой работе.

2.1. Компьютеризированная медицинская карта

CMR — это набор атрибутов анонимизированных пациентов, содержащий смесь типов данных (числовые, текстовые и т. Д.). Данные были собраны и сохранены RCGP RSC [4, 5]. Все данные взяты из английских врачей общей практики (GP) и состоят из 2,4 миллиона записей от> 230 врачей общей практики, которые являются репрезентативными для населения страны [5].Данные CMR загружаются в RSC два раза в неделю, при этом каждая загрузка содержит данные за 6-недельный период, с перекрывающимися загрузками, чтобы учесть корректировку данных после получения медицинским работником. В этом исследовании мы анализируем атрибуты, извлеченные из одной из этих загрузок, охватывающих 6-недельный период в 2016 году, для 11000 медицинских записей, каждая из которых содержит девять атрибутов, относящихся к пациенту и его состоянию. В частности, это: возраст и пол пациента, анонимный идентификатор терапевта, отправляющий данные в SRC, дата записи, клиническая система записи, срок чтения (записанное состояние), код чтения (стандартизованное кодирование). условия см. в [5] для получения дополнительной информации), Система кодирования (стандарты для кода чтения) и Эпизод, в котором записывается состояние условия.Тип «Эпизод» записывает, является ли условие новым (N), текущим (O) или первым (F), но также может отсутствовать (пусто). У значительной части из 11 000 данных CMR (1067 записей) отсутствует тип эпизода, и они не могут использоваться для обычного анализа и составления отчетов. Поскольку наиболее надежный способ отличить инцидент от распространенных случаев — это присвоение врачом типа эпизода CMR пациента [20], это представляет собой значительный объем непригодных для использования данных. Способность обнаруживать закономерности в данных может быть полезна для определения источников и общих черт в отсутствующем типе эпизода, что может дать информацию о методах исправления или прогнозирования этих ошибок.Кроме того, поиск закономерностей или многообразий в данных может выявить другие интересные особенности в данных, которые нельзя наблюдать в исходном многомерном пространстве.

Информация была извлечена из базы данных CMR на защищенных серверах RCGP RSC из анонимных данных записей NHS с использованием защищенной локальной базы данных SQL. Только необходимые поля, предварительно определенные для исследования, были извлечены в соответствии с процессом управления безопасностью и конфиденциальностью данных (DSP) NHS Digital. Результирующий набор данных находится в текстовом текстовом файле ASCII с разделителями, где столбцы представляют значение атрибута, а строки соответствуют различным экземплярам записи.У каждого атрибута есть заголовок столбца, и каждый экземпляр в наборе данных представляет собой отдельную медицинскую карту, поэтому набор данных может содержать несколько записей одного и того же пациента. Данные, используемые в этой работе, и другие наборы данных можно запросить в RSC через https://www.rcgp.org.uk/clinical-and-research/our-programmes/research-and-surveillance-centre.aspx.

2.2. Предварительная обработка данных

Использование разнородных данных в методах редукции требует некоторой предварительной обработки [11]. Перед использованием нашего метода сокращения мы предварительно обрабатываем данные, чтобы учесть смешанные форматы данных в CMR.В нашем методе мы изначально преобразуем данные смешанного формата, содержащие числовые данные, дату, структурированный текст, неструктурированный текст и категориальные данные, в исключительно числовые значения, чтобы все атрибуты могли обрабатываться вместе для выявления закономерностей между переменными. Каждый экземпляр в наборе данных обрабатывается следующим образом. Все числовые поля конвертируются в двойные. Текстовые данные (категориальные, структурированные и неструктурированные) преобразуются в 32-разрядные целые числа без знака с использованием преобразования, указанного на рисунке 1, для каждого символа в строке.Для текстовых данных, экземпляры которых в CMR различаются по длине, сначала определяется самая длинная запись в наборе данных, а все другие экземпляры дополняются пробельными символами в конце строки до этой длины. Такое кодирование текстовых данных и использование автокодировщика обеспечивает устойчивость к ошибкам в записях, таких как орфографические ошибки или разный порядок слов. Для переменных даты атрибуты считываются в виде текстовых строк для учета различных форматов в наборах данных и конвертируются в формат ISO 8601 гггг-мм-дд .Затем эти переменные разделяются на три числовых значения, соответствующие году, месяцу и дню записей, чтобы учесть любые регулярные закономерности, такие как сезонные колебания. После того, как все атрибуты были преобразованы в числовые данные, как описано выше, значения для экземпляра в CMR объединяются в один числовой вектор длиной M . Это выполняется для всех N экземпляров в числовой матрице данных с размерами N × M .Специально для данных, используемых в этой работе, мы получаем матрицу из 11000 экземпляров, каждая из которых имеет 93 измерения. Обработка данных CMR таким образом гарантирует, что входные данные смешанного типа возвращаются в виде числовой матрицы всех атрибутов, которая совместима с набором математических операций. В частности, нам нужен этот формат для CMR, чтобы использовать глубокий автокодер, который может идентифицировать шаблоны в сложных, нелинейных и многомерных данных неконтролируемым образом, что является эффективным с вычислительной точки зрения.В следующем разделе мы описываем детали сети и алгоритмов, используемых в этой работе.

Рисунок 1 . Рабочий процесс для анализа вычислительной медицинской документации (CMR) с помощью глубокого автоэнкодера (DAE). Данные CMR большой размерности (вверху) преобразуются в числовые данные (посередине) для всех атрибутов с использованием преобразования 32uint (MATLAB, 2016a), которые затем используются в качестве входных данных для DAE (внизу) . DAE обучен изучать низкоразмерное представление (синие нейроны) преобразованных данных CMR (серые нейроны) через несколько скрытых слоев (красные нейроны) неконтролируемым образом.

2.3. Глубокий автоэнкодер

Автоэнкодер — это особый класс нейронных сетей, которые структурно симметричны и предназначены для того, чтобы сначала кодировать входные данные, а затем декодировать их обратно во входные данные. Эта функция позволяет обучать автокодировщик неконтролируемым образом, поскольку сеть изучает закодированное представление данных, которое может быть декодировано обратно во входные данные. У нас неявно есть метки для наших данных, а не требуется метка класса, как в типичных задачах глубокого обучения.Кодирование данных относится к операции, которая преобразует данные в другое пространство, обычно с более низкой размерностью, а декодирование относится к обратному преобразованию обратно в исходное пространство. Таким образом, сеть принимает N × M входную матрицу x и кодирует ее в z , матрицу N × K , где обычно K < M , затем декодирует z обратно к матрице N × M x ′.Производительность сети можно оценить путем сравнения элементов матрицы на выходе сети с элементами на входе путем вычисления среднеквадратичной ошибки ϵ для N обучающих примеров

ϵ = 1N∑jNϵj = 1N∑jN∑iM (xji-xji ′) 2. (1)

Закодированные данные z получаются с помощью функции активации σ и аналогичным образом декодируются с использованием функции σ ‘,

z = σ (Wx + b); x ′ = σ ′ (W′z + b ′); (2)

Элементы W, W ‘, b и b ‘ могут быть получены путем обучения сети с использованием градиентного спуска, следовательно, с помощью уравнений (1) и (2) мы можем обучать сеть неконтролируемым образом.Здесь мы используем масштабированный алгоритм сопряженного градиента для нашего градиентного спуска [21]. Существует ряд активаций, которые можно выбрать для σ и σ ‘, которые часто имеют одинаковую форму для обеспечения симметрии в сети и вывода, сравнимого с вводом. Функции активации, такие как ReLU, σ ( z ) = max (0, z ), популярны в сверточных нейронных сетях из-за их успеха в задачах анализа изображений [16]. Сигмоидные функции активации, σ ( z ) = (1 + e ^{— z} ) ⁻¹ , также оказались полезными для обработки и визуализации сложных и многомерных данных [22], и идентификация низкоразмерных паттернов в данных для задач сегментации и классификации [16, 18].Здесь мы сравниваем функции активации ReLU и сигмовидной кишки для уменьшения данных CMR. Возможность идентифицировать нелинейные паттерны дает DAE преимущество перед линейными методами, такими как PCA [23].

Поскольку автокодер кодирует и декодирует входные данные, можно складывать сети вместе, чтобы сформировать глубокий автокодер из нескольких уровней кодирования и декодирования. Это обеспечивает эффективный с точки зрения вычислений способ обучения глубоких сетей работе с данными большого размера путем выполнения послойного обучения. Это достигается путем передачи закодированных данных с одного уровня в качестве входных на следующий уровень, который затем обучается таким же образом.Объединение этих слоев вместе создает глубокую сеть, состоящую из нескольких уровней кодирования, за которыми следуют несколько уровней декодирования. Как правило, каждый уровень кодирует входные данные в пространство более низкой размерности для идентификации коллекторов в системе. Мы используем глубокий автоэнкодер, состоящий из четырех слоев кодирования, которые уменьшают размерность входных данных с 93 до 50, 20, 10 и 3 измерений, прежде чем декодировать это обратно до размерности входных данных, как показано на рисунке 1. Уменьшение высокого двухмерные или трехмерные данные являются обычным явлением для визуализации этих данных, поскольку они могут выявить закономерности в низкоразмерном пространстве.Данные образуют эти множества или кластеры на основе паттернов в данных, таких как структура изображений [24], текстовые документы [16, 17], гиперспектральные данные [25], транскриптомика [26], ген [27] и экспрессия клеток [ 28]. Мы конструируем наш глубокий автоэнкодер таким образом, чтобы самая низкая размерность закодированных данных состояла из трех глубоких функций, чтобы их можно было визуализировать как диаграмму рассеяния. Количество скрытых слоев и нейронов внутри каждого было выбрано из оптимизации начальной конфигурации. Что касается данных в этой работе, увеличение количества слоев не привело к заметным улучшениям производительности сети, но при этом увеличило время обучения и вычислений.Также было замечено, что количество нейронов в каждом слое имело небольшое влияние по сравнению с регуляризацией.

Мы используем регуляризацию веса L ₂ , также известную как регуляризация Тихонова, чтобы уменьшить сложность W и улучшить условия задачи. Известно, что эта форма регуляризации предотвращает переобучение при обучении [29–31], ограничивая величину значений в W . Это рассчитано для L скрытых слоев, M входов и K выходов,

Ωw = 12∑lL (W (l)) 2 = 12∑lL∑mM∑kK (wmk (l)) 2.к = 1N∑j = 1Nzjk, (4)

и измерьте, насколько сеть реагирует на особенности входных данных. Низкое среднее значение активации указывает на то, что нейрон реагирует только на очень специфические особенности, тогда как более высокие значения указывают на то, что нейрон не различает экземпляры в данных. Чтобы ограничить это, мы включаем регуляризацию разреженности для среднего выхода каждого нейрона в сети. Это ограничит выходной сигнал каждого нейрона, чтобы приблизиться к заданному уровню, позволяя им реагировать на определенные функции, а также изучать общие функции, и, таким образом, приводит к кодированию, которое различает подтипы в данных на основе их атрибутов.= 0,5.

Комбинируя уравнения (1), (3), (4) и (5), мы получаем функцию общих затрат, используемую для обучения глубоко разреженного автоэнкодера, определенного как.

E = ϵ + λΩw + βΩs. (6)

2.4. Кластерная сегментация

Как только мы получили низкоразмерное представление данных, мы можем идентифицировать любые шаблоны закодированных функций в данных CMR и определить атрибуты, которые управляют формированием любых подгрупп. При выборе глубокого автоэнкодера с размерностью три в кодированном пространстве с наименьшим числом измерений мы можем визуализировать это представление данных как диаграмму рассеяния.Это обычное дело в задачах визуализации, классификации или глубокого обучения большого размера, поскольку может выявить закономерности в данных, такие как разделение групп на кластеры или расположение на коллекторе. Низкоразмерное представление данных демонстрирует кластеризацию данных CMR (рисунок 3), что указывает на то, что точки в каждом кластере имеют общие черты в своих характеристиках. Как правило, анализ этих представлений данных представляет собой качественное сравнение различных методов внедрения [24, 32] или они обеспечивают основу для алгоритмов обучения классификации [17, 18], когда доступны метки классов.В нашем случае у нас нет помеченных данных, и, следовательно, мы не можем использовать метки точек данных в качестве индикатора производительности сети. Однако мы можем сравнить точки данных в каждом кластере, чтобы определить, какие особенности приводят к их формированию в низкоразмерном пространстве. Чтобы изолировать точки в каждом кластере, мы сегментируем пространство RGB, используя сетку, чтобы разделить пространство координат на области прямоугольников фиксированного размера, и отбрасываем области без точек данных. Это изолирует подавляющее большинство кластеров, как показано на рисунке 3B).Полученные кластеры проверяются вручную и исправляются на предмет разделения или слияния кластеров. Установление порога для кластеров с более чем 5 точками данных дает 27 уникальных кластеров точек данных CMR в пространстве RGB. Отметим, что можно выполнять кластеризацию низкоразмерных данных; тем не менее, мы обнаружили, что даже с различными метриками расстояния k-средние больше или меньше сегментируют кластеры в данных. Изучение автоматизированных методов кластеризации является очевидным продолжением, но не является предметом настоящего исследования.

Рис. 3. (A) Низкоразмерное представление данных CMR после обработки с помощью автокодировщика, демонстрирующее формирование кластеров данных CMR. Изолированные кластеры в областях (B), , красных, (C), , и (D), , зеленых областей низкоразмерного (RGB) пространства (без пустых областей для ясности).

2,5. Анализ с использованием энтропии Шеннона

Хотя сегментирование кластеризованных данных позволяет нам идентифицировать атрибуты, управляющие этими кластерами, и, следовательно, шаблоны в данных, это не дает явного объяснения различий в размерах кластеров, плотности или близости к соседям.Можно сделать оценки качества большего размера кластера, указывая на большее количество переменных или неоднородных данных, хотя это может быть неуместным, если низкоразмерное координатное пространство содержит нелинейности, непостоянные интервалы или измерения, или плохо изучено [33]. Более того, смешанные типы данных могут усугубить проблему определения дисперсии или неоднородности данных при использовании разных показателей для каждого типа данных. Однако, интерпретируя кластеры как распределения вероятностей, мы можем использовать энтропию Шеннона [34], H , определенную как

H (X) = 𝔼 [-log (P (X))] = — ∑inP (xi) logbP (xi), (7)

, где P ( x _i ) — вероятность x _i и b = 2.Это позволяет вычислить H ( X ), когда X являются числовыми, категориальными, датными или текстовыми данными, путем вычисления количества возможных результатов и их частоты в кластере X . Используя группы данных, идентифицированные DAE на рисунке 3, мы можем выбрать подмножество исходных данных CMR и вычислить H ( X ) для каждого атрибута в этом подмножестве. Низкая энтропия ( H ( X ) → 0) возникает, когда большинство элементов в подмножестве имеют одинаковое значение, т.е.е. существует узкое распределение значений, и H ( X ) = 0, когда все точки данных имеют одинаковое значение для данного атрибута. Напротив, высокая энтропия ( H ( X ) → ∞) указывает на отсутствие общности между членами, а подмножество имеет широкое распределение значений для данного атрибута в данных CMR. Сравнивая значения энтропии для всех подмножеств CMR, указанных на рисунке 3, мы можем идентифицировать атрибуты, которые управляют формированием кластеров, сравнивая те, которые имеют низкие значения энтропии для членов кластера, но различаются между кластерами.Более того, мы можем вычислить H ( X ) для кластеров в низкоразмерном пространстве, полученном от глубокого автоэнкодера, интерпретируя положение точек как распределение вероятностей. Для очень плотных кластеров, H ( X ) → 0, все элементы кластера занимают одно и то же пространство, поэтому автоэнкодер определил набор атрибутов, которые хорошо характеризуют эту подгруппу в наборе данных. И наоборот, диффузные кластеры, H ( X ) → ∞, менее упорядочены (более изменчивы), а паттерны, идентифицируемые сетью, менее точны.Это позволяет сравнивать различные кластеры в данных и для каждого атрибута, чтобы определить основные драйверы для кластеров. То есть, в случае CMR, мы вычисляем энтропию для низкоразмерных кластеров и отдельные атрибуты в исходных многомерных данных (например, пол, возраст и т. Д.), Чтобы определить, как атрибуты влияют на энтропию в низкоразмерное пространство.

Мы реализуем наши алгоритмы и весь последующий анализ в MATLAB (MathWorks, 2016a) с использованием набора инструментов глубокого обучения и пользовательских кодов.= 0,5 дает наилучшую производительность для данных CMR как баланс между специализацией и обобщением в скрытых слоях, что приводит к формированию четко определенных кластеров. Сеть со слишком небольшим количеством слоев может быть не в состоянии захватить сложные шаблоны в данных, однако за пределами четырех уровней на рисунке 3 дополнительные уровни не улучшают заметно низкоразмерное представление и увеличивают вычислительные затраты на обучение. При обучении сети мы обнаруживаем, что функция активации ReLU не может обучить сеть, которая может изучить интересное представление данных в низкоразмерном пространстве при любой комбинации гиперпараметров.Эта функция активации изучает низкоразмерное представление данных, которое включает все точки данных в одно и то же пространство, то есть все 11000 CMR неразличимы. Неясно, является ли это результатом предварительной обработки данных CMR, необходимых для обучения DAE для этих данных, или же в этом случае необходима оптимизация структуры и гиперпараметров с использованием метаэвристических алгоритмов. Напротив, мы обнаружили, что функция активации сигмовидной формы улавливает интересные закономерности в данных, которые невозможно получить с помощью функции активации ReLU (см. Рисунок 4).

Рисунок 4 . Низкоразмерные представления данных CMR с помощью глубокого автоэнкодера с использованием функций активации сигмоида (слева) и ReLU (справа) . Используя сигмовидную функцию активации, паттерны, идентифицированные сетью, проявляются как кластеры в низкоразмерном пространстве. При использовании функции ReLU все точки данных ограничиваются одним и тем же пространством с низкой размерностью, следовательно, нет наблюдаемых закономерностей для различения данных CMR.

Обучение сети кодированию этих данных имело вычислительное время (69.67 ± 2,42) секунд, где неопределенность представляет собой стандартную ошибку среднего значения за 10 независимых циклов обучения с использованием той же конфигурации и параметров сети. Это не включает оптимизацию гиперпараметров. После обучения сеть предоставляет детерминированный метод кодирования и декодирования входных данных или невидимых данных, который гарантирует воспроизводимость и прямое сопоставление результатов. Это обеспечивает очень эффективные средства для анализа CMR, поскольку время кодирования и декодирования составляет (0,157 ± 0,002) и (0.193 ± 0,009) секунды, соответственно, для 11000 CMR. Использование предварительно обученных сетей может служить практическим инструментом для практикующих врачей и клиницистов для использования для анализа данных CMR в реальном времени на основе принадлежности кластера к низкоразмерному представлению. Кроме того, время обучения составляет примерно 70 с при обучении на ЦП, следовательно, есть возможность использовать графические процессоры и дальнейшую оптимизацию, чтобы обеспечить обучение данных CMR для конкретных наборов данных в разумные сроки, что будет практичным в условиях здравоохранения.

Уменьшение до трех измерений позволяет визуализировать данные CMR как трехмерную диаграмму рассеяния, где координаты ( x, y, z ) могут быть интерпретированы как красно-сине-зеленые (RGB), как показано на рисунке 3, где кластеры различаются. по размеру и дисперсии. Мы сегментируем низкоразмерное пространство, чтобы изолировать кластеры, используя сетку фиксированного размера, дающую 27 отдельных подгрупп, с данными, использующими минимальный размер кластера в пять точек (0,05% набора данных, суммированных в таблице 1). Сгруппированные данные представляют 97.84% данных CMR.

Таблица 1 . Ключевые атрибуты в формировании кластеров, охватывающих 97,84% данных.

Мы можем вычислить энтропию каждого кластера в низкоразмерном пространстве на основе значений RGB каждой точки данных (определяемой координатами x, y, z ), которые они содержат. Используя метки кластера, идентифицированные с помощью DAE и метода сегментации, мы можем расширить энтропийный анализ на исходные атрибуты данных CMR в совокупности и по отдельности.Вычисление энтропии для каждого атрибута для членов внутри кластеров может определить наибольший вклад в дисперсию кластера в представлении с низкой размерностью. Энтропия — это мера неупорядоченной системы; в этом контексте расстройство можно интерпретировать как изменчивость данных. Высокая энтропия возникает, когда имеется широкое распределение значений в наборе точек данных; т.е. когда точки в кластере не имеют общего атрибута. С другой стороны, низкая энтропия указывает на хорошо упорядоченный кластер, в котором большинство точек имеют общие атрибуты.В случае, когда энтропия равна нулю, все точки в кластере имеют одинаковое значение. Это полезно для идентификации функций в данных CMR, которые управляют шаблонами в данных с низкой размерностью, что приводит к формированию кластеров, поскольку кластеры с нулевой энтропией содержат определенные значения атрибутов в кластере. Анализ каждого кластера показывает, что все они могут быть однозначно идентифицированы с помощью комбинации только трех атрибутов, а именно: клиническая система, считывание кода и срок считывания, каждый из которых имеет нулевую энтропию для каждого кластера (см. Таблицу 1).Интересно, что из всех значений, доступных для каждого из трех основных атрибутов, управляющих формированием кластеров, только несколько требуются для однозначной идентификации 98% данных. Все остальные данные являются разрозненными точками или образуют кластеры с менее чем пятью точками данных. Кроме того, определение атрибутов с наивысшей энтропией дает представление об особенностях, которые практически не влияют на формирование этих низкоразмерных паттернов. Наименее упорядоченными атрибутами обычно являются идентификатор практики, дата события и возраст, что указывает на то, что это атрибуты с наибольшей изменчивостью.Из этого следует, что эти особенности не влияют на членство в кластере, но, тем не менее, они вносят наибольший вклад в дисперсию кластера на Рисунке 3.

Энтропия определенного атрибута предоставляет полезную информацию о том, как эта функция способствует изменчивости в низкоразмерном пространстве, но мы также можем суммировать энтропию для каждой функции, чтобы указать изменчивость подгруппы данных CMR. Если взять каждый кластер как подгруппу и суммировать энтропию для каждого из атрибутов в каждом кластере, это дает указание на изменчивость исходных многомерных входных данных.Интересно, что эта суммарная энтропия сильно коррелирует с энтропией низкоразмерных точек RGB с корреляцией Пирсона 0,99 и R ² 0,98, как показано на рисунке 5. Низкоразмерное представление данных CMR, полученных DAE не только идентифицировал структуру данных, но также поддерживает свойства исходных данных большого размера. Это указывает на то, что DAE может создавать визуализации, которые точно отражают входные данные, которые могут быть дополнительно проанализированы, как описано здесь.

Рисунок 5 . Связь между энтропией низкоразмерных кластеров на рисунке 3A и энтропией данных CMR большой размерности (суммированной по всем атрибутам). Данные (синие перечеркнутые кружки) имеют высокую корреляцию Пирсона 0,99 и соответствуют линейной аппроксимации (сплошная красная линия) с R ² 0,98 и узкой границей достоверности 95% (пунктирная красная линия), как показано.

4. Обсуждение и выводы

Анализ данных CMR с помощью глубокого автоэнкодера позволил выделить подгруппы в наборе данных, которые можно однозначно идентифицировать по трем атрибутам.Было обнаружено, что остальные шесть атрибутов не влияют на формирование кластеров, а только на их диффузность. Отсутствие влияния идентификатора практики, даты события, возраста и пола на группировку данных указывает на отсутствие систематической ошибки при регистрации данных. То есть кластеры, формирующиеся на основе этих переменных, будут указывать на них как на основные отличительные признаки. Поскольку ни идентификатор практики, ни дата события не различают данные каким-либо наблюдаемым образом, мы можем быть уверены, что данные хорошо стандартизированы и что методы и персонал, регистрирующий данные, не влияют на какие-либо наблюдаемые закономерности.

Соотношение полов в каждом кластере варьируется от 1: 1 до 3: 1, но также не позволяет существенно сегментировать данные наблюдаемым образом. 14 кластеров содержат ≥ 60% женщин, 10 кластеров составляют 50:50 мужчин и женщин, а остальные 3 кластера ≥ 60% мужчин. Это не учитывает разницу в размере кластерной популяции или количество случаев множественных CMR от одного и того же пациента, хотя этот тип дальнейшего анализа возможен. Для других наборов данных пол может быть важным фактором, например, при определенных типах заболеваний, однако он не оказывает влияния на группировку пациентов с респираторными заболеваниями, как мы ожидали.Система кодирования имеет одинаковые значения для всех экземпляров в наборах данных, кроме одного, поэтому не влияет на результаты и не включается в наш анализ и сводки. Глядя на распределение типов эпизодов для каждого из кластеров, мы можем идентифицировать некоторые архетипические закономерности в данных. Из всех 27 кластеров данных мы наблюдаем 5 общих тенденций в данных, представленных на Рисунке 6; (a) один с ≈ 50% новых (N) и первый (F), (b) семь кластеров с отсутствием> 70% (M), (c) 13 кластеров с> 59% F, (d) пять кластеров с ≈ 50% F и ≈ 20% O, и (e) один кластер с ≈ 50% текущих (O).Типичное распределение типа Episode с этими шаблонами показано на рисунке 6 для нескольких кластеров. Эти распределения полезны при оценке подмножеств данных с отсутствующими записями или соотношения первых и новых эпизодов к текущим. Мы можем дополнительно проанализировать кластер с наибольшей долей отсутствующих типов эпизодов, чтобы определить тенденции в данных, таких как источники этих CMR. Наибольшая доля данных с отсутствующим типом эпизода поступает из корпоративных клинических систем INPS Vision и INPS Vision (таблица 2).Данные из систем EMIS содержат гораздо меньше недостающих данных, что обеспечивает более качественный ввод для службы еженедельных возвратов и любые данные для прогнозных моделей. Мы отмечаем, что TTP systmOne составляют только 38 из 11 000 записей и не формируют кластеры, превышающие 5 точек данных, и поэтому не отображаются в нашем анализе. Этот анализ полезен для выявления общих черт в CMR и источниках данных, а также для выявления потенциальных ранних предупреждающих знаков, поскольку более крупные доли инцидентов (первых и новых) могут использоваться для выявления потенциальных вспышек заболеваний с целью предотвращения эпидемий.Внедрение этой системы могло бы позволить целенаправленный анализ данных с акцентом на определенные возрасты или регионы с помощью идентификатора практики или внешнего интерфейса для методов коррекции данных [20] для улучшения отчетности и прогнозирования.

Рис. 6. (A – E) Типичные распределения эпизодов для пяти кластеров архетипов в данных CMR, указанных на рисунке 3, где перечислены конкретные кластеры, из которых возникает распределение. Круговые диаграммы показывают частоту типа эпизода и долю отсутствующих (M), первых (F), новых (N) или продолжающихся (O) случаев респираторной инфекции, перечисленных в данных CMR.

Таблица 2 . Ранжируйте кластеры по наивысшей доле отсутствующих типов эпизодов.

Отметим, что идентификация трех основных драйверов не зависит от количества измерений в нашей DAE, поскольку эти атрибуты различаются по размерности. Входные данные состоят из конкатенированного вектора атрибутов в преобразованном CMR, описанном в разделе 2.2, с общей размерностью 93, где три атрибута, управляющие кластерами (Read Term, Clinical System и Read Code), составляют 58%, 24 % и 5% соответственно к размерности входа.После объединения атрибутов во входном векторе нет различий между элементами. Более того, вклад каждого элемента ограничивается использованием разреженной DAE, как описано в разделе 2.3, что ограничивает доминирование любой конкретной записи во входном векторе.

В этой работе мы представили методологию обработки разнородных данных CMR и выполнили неконтролируемое уменьшение нелинейной размерности с использованием глубокого автоэнкодера. Такой анализ данных позволяет визуализировать и сегментировать многомерные многотипные данные CMR для выявления закономерностей и тенденций в данных.Исходя из них, мы можем проводить анализ конкретных кластеров. Эта эффективная методология может выполнять сжатие данных в практическом масштабе времени, что становится полезным инструментом для практикующих врачей. Кроме того, мы вводим использование энтропии Шеннона как средство анализа изменчивости разнородных данных CMR. Кроме того, мы показываем сильную корреляцию между энтропией Шеннона как в исходных данных CMR, так и в сокращенных данных DAE, демонстрируя, что низкоразмерные кластеры являются репрезентативными для исходных данных.Сохранение свойств данных CMR в низкоразмерном представлении дает уверенность в дальнейшем анализе, таком как интерпретация визуализаций и изменчивости, что невозможно в других методах нелинейной редукции [33].

Эти методы можно комбинировать с методами исправления данных. Это жизненно важное преимущество, поскольку 15–20 практик (50 000–150 000 пациентов) исключены из Службы еженедельных возвратов RCGP из-за низкого качества данных [20]. Служба еженедельных возвратов отслеживает количество пациентов с эпизодами заболевания в Англии и является ключевым элементом первичной медико-санитарной помощи в национальных системах мониторинга заболеваний, находящихся в ведении Службы общественного здравоохранения Англии [20].Анализ этих данных также имеет решающее значение для оценки эффективности вакцины против гриппа [4], поэтому пропуск такого большого количества данных каждую неделю является значительным, а методы исправления данных имеют большое значение.

Используемые здесь данные являются примерами данных, выбранных за 6-недельный период из 230 практик, однако методология может быть расширена на большие подмножества базы данных для выявления дополнительных закономерностей в данных. Расследование в течение более длительного периода времени может выявить любые медленные динамические тенденции, такие как периодические изменения качества данных.Представленные здесь результаты показали преимущества этого типа анализа данных CMR и его использования для анализа данных в режиме, близком к реальному времени. Эта методология может быть использована практикующими врачами для помощи в анализе данных и принятии решений, таких как курс лечения или диагностика, хотя для понимания и оптимизации алгоритма требуется дополнительная работа. Использование регуляризации играет жизненно важную роль в процессе обучения и встроенных результатах, хотя неясно, как выбрать подходящую стратегию регуляризации или их коэффициенты в функции затрат.Сравнение других методов регуляризации, таких как L1-norm, было бы особенно полезно из-за того, что оно способствует разреженности [35]. Сравнение нашего разреженного глубокого автоэнкодера с другими разреженными методами, такими как сжатое зондирование, также будет представлять интерес для этих данных.

Заявление об этике

Это исследование было одобрено исследовательским центром Королевского колледжа врачей общей практики и центром наблюдения. Специальное одобрение комитета по этике не требуется, поскольку в этом исследовании не будет прямого контакта с пациентом, и данные не могут быть идентифицированы.

Авторские взносы

RW, IY и SdL собрали и предоставили данные. ST, NS, VL и SdL определили эксперимент. СТ провела разработку метода и анализ данных. Все авторы внесли свой вклад в интерпретацию результатов и подготовку рукописи, а также прошли соответствующее обучение управлению информацией. Все данные, использованные в этой работе, были полностью анонимны и соответствуют протоколам и этическим нормам RCGP.

Финансирование

Эта работа финансировалась Департаментом бизнеса, инженерии и промышленной стратегии в рамках межтематической национальной стратегии измерения (Digital Health, 121572).

Заявление о конфликте интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Благодарности

Пациенты и практикующие врачи RCGP RSC, которые согласны поделиться данными. Поставщики медицинских систем Apollo и CMR — EMIS, TPP, In Practice Systems. Авторы хотели бы поблагодарить Луизу Райт и Дженнифер Ливингс за ценные отзывы о рукописи.

Сокращения

CMR, Компьютеризированная медицинская карта; DAE, глубокий автоэнкодер; RCGP, Королевский колледж врачей общей практики; РНЦ, Центр исследований и надзора.

Список литературы

1. Томас С.А., Джин Ю. Реконструкция сетей регуляции биологических генов: где оптимизация встречается с большими данными. Эвол Интелл . (2014) 7 : 29–47. DOI: 10.1007 / s12065-013-0098-7

CrossRef Полный текст | Google Scholar

2. Fleming DM, Schellevis FG, Paget WJ.Мониторинг здоровья в сетях дозорной практики: вклад первичной медико-санитарной помощи. Eur J Public Health. (2003) 13 : 84. DOI: 10.1093 / eurpub / 13.suppl_3.80

PubMed Аннотация | CrossRef Полный текст | Google Scholar

3. Сути С., Турбелин С., Бланшон Т., Ханслик Т., Ле Страте И., Булль П.Й. Улучшение оценок заболеваемости в системах эпиднадзора за первичной медико-санитарной помощью. Показатели здоровья населения. (2014) 12 : 19. DOI: 10.1186 / s12963-014-0019-8

PubMed Аннотация | CrossRef Полный текст | Google Scholar

4.Корреа А., Хинтон В., Макговерн А., ван Влимен Дж., Йонова И., Джонс С. и др. Дозорная сеть Королевского колледжа врачей общей практики, научно-исследовательский центр (RCGP RSC): профиль когорты. BMJ Open. (2016) 6 . DOI: 10.1136 / bmjopen-2016-011092

PubMed Аннотация | CrossRef Полный текст | Google Scholar

5. де Лузиньян С., Корреа А., Смит Г. Е., Йонова И., Пебоди Р., Феррейра Ф. и др. Центр исследований и эпиднадзора RCGP: 50-летний эпиднадзор за гриппом, инфекциями и респираторными заболеваниями. Брит Дж. Ген Прак . (2017) 67 : 440–1. DOI: 10.3399 / bjgp17X692645

PubMed Аннотация | CrossRef Полный текст | Google Scholar

8. де Лузиньян С., Ван Велл К. Использование регулярно собираемых компьютерных данных для исследований в первичной медико-санитарной помощи: возможности и проблемы. Фам Прак . (2006) 23 : 253–63. DOI: 10,1093 / fampra / cmi106

PubMed Аннотация | CrossRef Полный текст | Google Scholar

10. Pebody RG, Green HK, Warburton F, Sinnathamby M, Ellis J, MÃlbak K и др.Значительный всплеск избыточной смертности в Англии зимой 2014/15 г. — вероятная причина — грипп. Эпидемиологическая инфекция . (2018) 146 : 1106–13. DOI: 10.1017 / S0950268818001152

PubMed Аннотация | CrossRef Полный текст | Google Scholar

11. Ulloa A, Basile A, Wehner GJ, Jing L, Ritchie MD, Beaulieu-Jones B, et al. Неконтролируемый конвейер гомогенизации для кластеризации похожих пациентов с использованием данных электронной истории болезни. Электронные отпечатки ArXiv (2018 г.).

Google Scholar

12. Thomas SA, Lloyd DJB, Skeldon AC. Неуравновешенный анализ агент-ориентированных моделей и систематическое определение параметров. Физика А . (2016) 464 : 27–53. DOI: 10.1016 / j.physa.2016.07.043

CrossRef Полный текст | Google Scholar

14. Кеврекидис И.Г., Самай Г. Многомасштабные вычисления без уравнений: алгоритмы и приложения. Анну Рев Phys Chem . (2009) 60 : 321–44. DOI: 10.1146 / annurev.Physchem.59.032607.093610

PubMed Аннотация | CrossRef Полный текст | Google Scholar

15. Гуань В.Дж., Цзян М., Гао Ю.Х., Ли Х.М., Сюй Г., Чжэн Дж.П. и др. Методика неконтролируемого обучения выявляет фенотипы бронхоэктазов с отчетливыми клиническими характеристиками. Int J Tubercul Lung Dis . (2016) 20 : 402–10. DOI: 10.5588 / ijtld.15.0500

PubMed Аннотация | CrossRef Полный текст | Google Scholar

18. Томас С.А., Джин И, Банч Дж, Гилмор И.С.Улучшение классификации данных изображений масс-спектрометрии с помощью глубоких нейронных сетей. В: Серия симпозиумов IEEE по вычислительному интеллекту (SSCI), 2017 г., . Афины (2017). п. 1–8.

Google Scholar

20. Смит Н., Ливина В., Байфорд Р., Феррейра Ф., Йонова И., де Лузиньян С. Автоматическая дифференциация инцидентов и распространенных случаев в компьютеризированной медицинской документации (CMR). Stud Health Technol Informat . (2018) 247 : 151–5. DOI: 10.3233 / 978-1-61499-852-5-151

PubMed Аннотация | CrossRef Полный текст | Google Scholar

21. Møller MF. Масштабированный алгоритм сопряженного градиента для быстрого обучения с учителем. Нейронная сеть . (1993) 6 : 525–33. DOI: 10.1016 / S0893-6080 (05) 80056-5

CrossRef Полный текст | Google Scholar

22. Томас С.А., Рэйс А.М., Стивен Р.Т., Гилмор И.С., Банч Дж. Снижение размерности данных масс-спектрометрической визуализации с использованием автоэнкодеров. В: Серия симпозиумов IEEE 2016 по вычислительному интеллекту (SSCI) .Гонолулу, Гавайи (2016). п. 1–7.

Google Scholar

23. ван дер Маатен Л. Изучение параметрического вложения с сохранением локальной структуры. В: ван Дайк Д., Веллинг М., редакторы. Труды Двенадцатой Международной конференции по искусственному интеллекту и статистике. т. 5 журнала Proceedings of Machine Learning Research (PMLR) . Клируотер, Флорида (2009). п. 384–91.

Google Scholar

25. Фонвилл Дж. М., Картер К. Л., Писарро Л., Стивен Р. Т., Палмер А. Д., Гриффитс Р. Л. и др.Гиперспектральная визуализация данных масс-спектрометрии. Анальный Химик . (2013) 85 : 1415–23. DOI: 10.1021 / ac302330a

PubMed Аннотация | CrossRef Полный текст | Google Scholar

26. Общие и различные типы транскриптомных клеток в неокортикальных областях. Природа. (2018) 563 : 72–8. DOI: 10.1038 / s41586-018-0654-5

CrossRef Полный текст

27. Махфуз А., ван де Гиссен М., ван дер Маатен Л., Хейсман С., Рейндерс М., Гаврилич М. Дж. И др.Визуализация пространственной организации экспрессии генов в головном мозге с помощью нелинейных встраиваний сходства. Методы. (2015) 73 : 79–89. DOI: 10.1016 / j.ymeth.2014.10.004

PubMed Аннотация | CrossRef Полный текст | Google Scholar

28. Высокопараллельное профилирование экспрессии отдельных клеток по всему геному с использованием нанолитровых капель. Cell. (2015) 161 : 1202–14. DOI: 10.1016 / j.cell.2015.05.002

CrossRef Полный текст

29.Krogh A, Hertz JA. Простое снижение веса может улучшить обобщение. В: Достижения в системах обработки нейронной информации 4 . Колорадо: Морган Кауфманн (1992). п. 950–7.

Google Scholar

30. Хассун М. Основы искусственных нейронных сетей. Кембридж, Массачусетс: MIT Press (1995).

Google Scholar

31. Лоун С.М., Ирвин Г. Улучшение обучающих решений нейронных сетей с использованием регуляризации. Нейрокомпьютинг. (2001) 37 : 71–90.DOI: 10.1016 / S0925-2312 (00) 00314-3

CrossRef Полный текст | Google Scholar

34. Шеннон CE. Математическая теория коммуникации. Белл Syst Tech J . (1948) 27 : 379–423. DOI: 10.1002 / j.1538-7305.1948.tb01338.x

CrossRef Полный текст | Google Scholar

35. Ng AY. Выбор характеристик, регуляризация L1 и L2 и инвариантность вращения. В: Труды двадцать первой международной конференции по машинному обучению.ICML ’04 . Нью-Йорк, Нью-Йорк: ACM (2004). п. 78–86.

CMR Surgical собирает гигантский раунд финансирования в размере 425 миллионов фунтов стерлингов, чтобы вывести своего хирургического робота по всему миру.

В ближайшем будущем в области роботизированной хирургии ожидается значительный прогресс, и CMR Surgical показала, что она нацелена на конкуренцию с крупнейшими игроками в индустрии медицинских технологий. . Имея поистине колоссальный раунд финансирования в 425 миллионов евро, или почти 600 миллионов долларов, у него могут быть средства.

Две основные силы формируют следующее поколение этих роботизированных систем: способность собирать полученные данные, передавать их хирургам и помогать стандартизировать результаты; а также модульные передвижные конструкции, которые позволяют выполнять процедуры в большем количестве мест без значительных капитальных затрат и затрат на инфраструктуру.

CMR, ранее известная как Cambridge Medical Robotics, включает в себя как достижения в своей системе Versius, так и развертывает ее на международном уровне. Последнее финансирование серии D бывшего победителя Fierce 15, возглавляемое фондом Vision Fund 2 SoftBank и совместно с Ally Bridge Group, призвано усилить эту стратегию.

«Это крупное вливание капитала, которое сейчас оценивается в 3 миллиарда долларов, отражает не только уровень интереса, который мы наблюдали к нашему продукту, но также и масштаб бизнеса, и будет способствовать значительным технологическим разработкам и глобальному расширению», — сказал генеральный директор Пер Вегард Нерсет, который присоединился к CMR в начале прошлого года после того, как возглавил подразделение робототехники ABB, насчитывающее 7000 сотрудников.

Раунд финансирования был также поддержан новыми международными инвесторами RPMI Railpen, Tencent и Chimera, а также предыдущими спонсорами CMR, включая Watrium, Cambridge Innovation Capital, PFM Health Sciences, GE Healthcare, LGT и ее дочернюю компанию Lightrock.

СВЯЗАННЫЙ: CMR Surgical развертывает модульного хирургического робота для больниц NHS

Versius разработан для малоинвазивных процедур, также называемых хирургией замочной скважины. Используя несколько роботизированных манипуляторов, установленных на отдельных колесных тележках, система может быть собрана в различных конфигурациях и в различных операционных при управлении с центральной консоли.

Это отличительная черта робота Hugo компании Medtronic, который в начале этого месяца выполнил свою первую процедуру для пациента с минимально инвазивной простатэктомией в Сантьяго, Чили, а также системы Senhance компании Asensus Surgical, которая в прошлом получила разрешение FDA на общую лапароскопическую операцию. Март.

Для сравнения: основная система Da Vinci для роботизированной хирургии от Intuitive Surgical, а также готовящееся к выпуску оборудование Ottava Johnson & Johnson, рожденное в результате предыдущего сотрудничества Verb Surgical гиганта медицинской техники с Verily, имеют несколько рук и инструментов, установленных вместе и соединенных с операционным столом. .

СПЕЦИАЛЬНЫЙ ОТЧЕТ: 10 лучших раундов венчурного капитала в сфере медтехнологий 2020 года

«Спрос на минимально инвазивную роботизированную хирургию среди хирургов и пациентов быстро растет, однако высокие затраты исторически препятствовали внедрению», — сказал Янни Пипилис, управляющий партнер SoftBank Investment Advisers, подчеркнув недостаточно развитые рынки Индии, Ближнего Востока и Латинской Америки.

Versius еще не утвержден в США, но это перспектива, которую с нетерпением ожидает CMR, которая получила знак CE в марте 2019 года и с тех пор разместила систему в США.K. больниц через Национальную службу здравоохранения, а также в нескольких местах в Индии.

Компания также подписала сделки по доставке своего оборудования в Египет и Объединенные Арабские Эмираты и установила свои первые системы в Германии и Австралии в феврале этого года.

«Германия является лидером рынка в Европе и прокладывает нам путь к дальнейшему ускорению развертывания Versius на ряде новых рынков в Европе в ближайшие месяцы», — сказал тогда Нерсет.

СВЯЗАННЫЙ: CMR Surgical собирает огромную сумму в 195 миллионов фунтов стерлингов для своей модульной роботизированной системы

Между тем в U.К., система Versius недавно завершила свою первую крупную гинекологическую процедуру, при которой сложная гистерэктомия выполняется через гораздо меньший разрез по сравнению с открытой операцией, которая обычно требует пребывания в больнице на несколько дней.

CMR Хирургический | Германия, центр медицинских технологий в Европе,

Германия, европейский центр медицинских технологий, устанавливает первую систему Versius

· Германия является последним мировым рынком, который представил Versius, присоединившись к ряду ведущих больниц Европы, Индии и Австралии, чтобы принять систему следующего поколения

· Versius был представлен в клинике Хемниц в Саксонии, где он будет использоваться в общей хирургии.

КЕМБРИДЖ, Великобритания — 16 F февраля 2021, 00:01 (GMT) . Компания CMR Surgical (CMR) объявила о выпуске своей хирургической роботизированной системы Versius ^® в Германии. Klinikum Chemnitz — ведущая государственная больница, расположенная в Саксонии — первая в Германии больница, в которой был установлен Versius, который в настоящее время используется в более чем 1000 клинических случаях в Европе, Австралии и Индии. Versius будет использоваться Klinikum Chemnitz в широком спектре лапароскопических процедур (минимальный доступ или замочная скважина).Кроме того, в сотрудничестве с международными экспертами больница проведет клиническую программу на ранней стадии, чтобы изучить возможности использования Versius в торакальной хирургии.

Введение в Германию знаменует собой важную веху для CMR, как одного из крупнейших рынков хирургической робототехники в Европе. Страна известна ранним внедрением и разработкой передовых инноваций в области медицинских технологий, и в прошлом году правительство подтвердило выделение больницам 3 млрд евро для ускорения их цифровизации, включая внедрение хирургической робототехники. Klinikum Chemnitz широко признана в Германии как лидер в области цифровых решений для здравоохранения.

Пер Вегард Нерсет, главный исполнительный директор CMR прокомментировал: «Этот запуск в Германии демонстрирует ценность Versius для одной из самых уважаемых систем здравоохранения в мире. Мы рады установить нашу первую систему сегодня в одной из самых прогрессивных больниц Германии. Германия является лидером рынка в Европе и открывает нам путь к дальнейшему ускорению выхода Versius на ряд новых европейских рынков в ближайшие месяцы.»

Профессор д-р Лутц Миров, главный врач общей и висцеральной хирургии клиники Хемниц, комментирует:
« В клинике Хемниц мы с гордостью можем сказать, что мы являемся лидерами в применении новых медицинских технологий для улучшить результаты лечения пациентов, и установка Versius поддерживает эту позицию. Мы очень рады возможности тесно работать над клинической программой с CMR, чтобы значительно повысить распространение роботизированных MAS в стране ».

Лапароскопические процедуры имеют широкий спектр преимуществ для пациентов; однако многие из них очень сложны и при выполнении вручную без помощи робототехники могут потребовать от хирургов огромных физических нагрузок.Versius был разработан с учетом эргономики, чтобы помочь хирургам снизить стресс и усталость.

Доктор Свен Зейферт, главный врач клиники торакальной, сосудистой и эндоваскулярной хирургии клиники Хемниц, прокомментировал: « Versius имеет уникальный и универсальный дизайн, что означает, что его легко настроить и адаптировать к индивидуальным потребностям различных процедуры, которые чрезвычайно полезны как для хирурга, так и для хирургической бригады. Его также можно легко перемещать между операционными, что означает, что несколько команд, работающих в разных дисциплинах, могут извлечь выгоду из Versius.Для пациентов преимущества многочисленны. От сокращения продолжительности пребывания в больнице после операции до уменьшения боли — это огромный шаг вперед в лечении пациентов ».

Появление Versius в Германии стало важным моментом для CMR. После недавних заявлений о выходе на рынки Франции и Австралии компания продолжает быстро расширять свое глобальное присутствие в 2021 году с последующими выходами на рынок.

— ENDS —

Контакты для СМИ:

Если вы хотите узнать больше, свяжитесь с CMR Surgical по телефону:

Пресс-служба, CMR Surgical
T +44 (0 ) 1223 755801
E pressoffice @ cmrsurgical.com

Для заметок редактора:

О клинике Хемниц

Клиникум Хемниц gGmbH — это больница максимального ухода, полностью принадлежащая городу Хемниц.

Больница возникла в 1994 году из Städtische Kliniken, чьи исторические корни уходят в средневековую больницу Св. Георга, основанную в 14 веке. Некоммерческая компания имеет 1785 коек в трех местах в Хемнице. Таким образом, это третья по величине больница Германии, находящаяся в муниципальной собственности.

В 2019 году около 73000 пациентов получили лечение в условиях полного и частичного стационарного лечения и около 100000 пациентов — амбулаторно в клинике Хемниц. В настоящее время в клинике Хемниц, а также в ее дочерних и зависимых компаниях работает более 7.000 человек. В 2019 году годовой объем продаж Klinikum Chemnitz Group составил около 529 миллионов евро.

Klinikum Chemnitz — академическая клиника университетов Дрездена и Лейпцига. Технический университет Дрездена и клиника Хемниц совместно предлагают модельный медицинский курс обучения MEDiC.

Хирургическая роботизированная система Versius

Versius ^® отменяет ожидания в отношении роботизированной хирургии. Versius вписывается практически в любую операционную комнату и легко интегрируется в существующие рабочие процессы, повышая вероятность роботизированной хирургии минимального доступа (MAS). Портативный и модульный дизайн Versius позволяет хирургу использовать только то количество рук, которое необходимо для данной процедуры.

Биомоделирование руки человека, Versius дает хирургам возможность выбора оптимального размещения порта наряду с маневренностью и точностью небольших инструментов с полной ручкой.Благодаря 3D HD-видению, простому в использовании управлению инструментами и выбору эргономичных рабочих положений открытая хирургическая консоль может снизить стресс и утомляемость и обеспечивает четкое общение с хирургической бригадой. Благодаря лапароскопическому мышлению и роботизированной работе с Versius пациенты, хирурги и медицинские работники могут извлечь выгоду из ценности, которую приносит роботизированная MAS.

Но это больше, чем просто робот. Versius собирает значимые данные с помощью своей более широкой цифровой экосистемы, чтобы поддерживать непрерывное обучение хирурга.Через приложение Versius Connect, Versius Trainer и клинический регистр CMR Versius раскрывает множество идей для улучшения хирургической помощи.

О компании CMR Surgical Limited

CMR Surgical (CMR) — глобальная компания по производству медицинского оборудования, которая занимается преобразованием хирургии с помощью Versius ^® , хирургического робота нового поколения.

Компания CMR со штаб-квартирой в Кембридже, Великобритания, стремится работать с хирургами, хирургическими бригадами и партнерами больниц, чтобы предоставить оптимальный инструмент, который сделает роботизированную хирургию с минимальным доступом универсально доступной и доступной.Создав Versius, мы ставим перед собой задачу переопределить рынок хирургической робототехники с помощью практических, инновационных технологий и данных, которые могут улучшить хирургическое лечение.