Проект и технология названы в честь Сергея Петровича Боткина — одного из основоположников научной клинической медицины. Величайшие заслуги Боткина были признаны на самом высоком уровне – он стал первым этнически русским царским врачом – лечил императоров Александра II и Александра III.

В своих воззрениях С.П. Боткин исходил из понимания организма как целого, находящегося в неразрывном единстве и связи с окружающей его средой. Центральным ядром клинической концепции Боткина является учение о внутренних механизмах развертывания патологического процесса в организме.

Известным фактом в биографии Боткина является его мечта посвятить себя математике, и только стечение обстоятельств не позволило ему поступить на математический факультет Московского университета. Наименование технологии создания и использования математических моделей пациентов Botkin.AI — это дань уважения великому русскому врачу, мечтавшему стать математиком.


Наши продукты используют собственную уникальную технологию создания математических моделей представления пациентов.Ключевые элементы нашей технологии:


Предобработка данных доменно-специфична и зависит:

  • от типа данных (изображения, 3d-изображения, видео, 3d-видео, сигналы (временные ряды), таблицы, текст)
  • от источников данных (EHR, рентген, КТ, МРТ, УЗИ, маммография, ЭКГ, ЭЭГ, анализы крови/мочи/кала/спинномозговой жидкости, гистология).

Автоматическая подготовка датасета для обучения данных на медицинских изображениях и структурированных данных (ЭКГ, геномные, табличные результаты анализов и др.) при отсутствии ручной разметки:

  • извлекаются факты из истории пациента, отдельно выделяются диагнозы или иные интересующие факты
  • факты располагаются на временной шкале и группируются по осмотрам
  • на основе группировки формируются пары {множество фактов, диагноз}

Автоматическое обучение моделей осуществляется на имеющемся наборе заранее заданных параметрических семейств моделей для каждой модальности данных. Параметрическое семейство определяет общий вид моделей с некоторым набором параметров, определение которых однозначно задает модель


Обучение финальных классификаторов производится совместно с параметрами агрегации для представляющих интерес случаев и областей использования моделей, таких как:

  • диагностика
  • оценка рисков развития заболеваний
  • рекомендации по лечению и тактике ведения пациентов

Медицинские онтологии используются:

  • для  мапинга «сырого» текста на термины на этапе преподготовки данных
  • в качестве ограничения на структуру пространства при обучении моделей
  • для регуляризации при обучении совместных репрезентаций