Topic: ANN [HLTH] SimplyVital Health - Качественное медицинское обслужив (Read 2750 times)

Работа с данными по заявкам в сфере здавоохранения в Python

Ключ успешного анализа заявок в сфере здравоохранения это детальное понимание структуры и значения данных. Тем не менее, данные по заявкам часто трудно понять, они плохо документированы и даже считаются отраслевым секретом. Я работаю с данными по заявкам в здравоохранении в течение восьми лет, и этот пост будет введением в анализ данных по этим заявкам. Я проиллюстрирую примеры с помощью кода на Python, но эти принципы применимы ко всем языкам программирования. Я расскажу некоторую базовую информацию о форматировании данных по заявкам, об их структуре, а также о распространенных ошибках при чтении данных и их обработке.



Введение в данные по заявкам в сфере здравоохранения

Вы быстро заметите, что большая часть этой статьи является текстом, и в ней только несколько примеров кода.

Отраслевые знания - это то, что отличает простой набор данных от глубокой и практичной аналитики.

Я не могу не подчеркнуть важность глубокого понимания предмета для его анализа, здравоохранения в частности. Итак, я собираюсь сосредоточиться в этой статье на некоторых ключевых и необычных аспектах данных, которые я заметил при обучении многих программистов, новичков в сфере здравоохранения и приведу несколько примеров.

Если вы новенький в сфере здравоохранения, важно необходимо изучить то, как работает медицинская страховка, прежде чем изучать сами данные. Система здравоохранения в США сложна, как известно любому кто был пациентом и имел дело со страховой компанией.

Чтобы понять заявки в здравоохранении, лучше всего начать с данных Medicare. Правительство США создает много ресурсов позволяющих узнать разнообразные данные, и данные по медицинским заявкам, как правило, аналогичным образом структурированы по плательщикам. ResDAC является центральным хранилищем информации о данных по заявкам Medicare и содержит все: от предварительных презентаций до словарей данных и руководств по запросу данных.

Структура данных по заявкам

Ресурсы ResDAC также могут помочь вам понять, как структурированы данные заявок. Для многих плательщиков разные виды услуг выставляются в разных форматах и хранятся в разных файлах. Если пациент проходит лечение в больнице, счета, которые больница отправляет страховщику за пребывание в больнице, могут быть в отдельном файле от счетов, которые врач отправляет страховщику за лечение пациента, хотя всё происходит в той же больнице. Несмотря на то, что пациент воспринимает госпитализацию как одно «событие», каждый участвующий субъект отдельно выставляет свой собственный счет страховой компании. Вначале это сбивает с толку большинство людей, но это имеет смысл, если вы понимаете, что такое медицинская страховка. Если разные услуги для одного и того же пациента разделены по файлам, вам, конечно же, необходимо найти уникальный идентификатор пациента, который позволит вам связать их вместе.

Чтение в данных заявок

Читая данные по заявкам в здравоохранении в выбранной вами системе, вы, возможно, просматриваете неизвестное количество файлов и/или неизвестное количество столбцов. Данные часто разбиваются на отдельные файлы из-за ограничений размера на сервере хранения, но вы можете объединить все данные для работы в ваших собственных системах. Чтобы решить эту проблему, вы должны проверить файлы в каталоге и сложить их вместе, если это необходимо.

В некоторых случаях формат данных может меняться со временем. Некоторые плательщики будут заполнять только поля, необходимые в данном конкретном случае - например, если в запросе имеется 25 возможных кодов диагноза, но только 15 используются в срезе данных, полученные вами данные будут иметь только эти 15 столбцов. Настройка вашего канала поступающей информации для динамической обработки этих изменений сделает его намного более эффективным и сэкономит время отладки в дальнейшем. Вот пример того, как проверить длину столбцов и отформатировать файл при чтении.



Очистка данных

Как и при любом анализе данных, очистка данных имеет решающее значение для получения хороших результатов и занимает около 80% работы. При написании статьи предполагалось, что вы уже знаете основы очистки данных в Python.

Первой простой проблемой, которую нужно решить, является удаление любых необычных символов, которые влияют на типы данных. Иногда это можно решить, установив типы данных при чтении файла, но этого не всегда достаточно. Например, некоторые заявки могут быть отформатированы с помощью специальных символов, таких как знак доллара и запятые, и могут привести к сбою в коде. Регулярные выражения - ваши лучшие друзья в таком случае, хотя с ними может быть сложно работать. Вот простой пример.



Несколько различных систем кодирования используются в США для документирования процедур и диагностики, связанными с медицинскими услугами. Введение в различные наборы кодов можно найти на этом правительственном веб-сайте. При рассмотрении сырой (необработанной) заявки по медицинскому обслуживанию, поля процедур и диагностики будут представлять собой буквенно-цифровые коды - например, вы можете увидеть диагноз: J03.01. Чтобы понять диагноз, может быть полезно добавить справочные файлы, которые сопоставляют простые коды с описаниями того, что означают коды, - либо путем объединения описаний, либо путем создания справочной таблицы для соответствующей базы данных. Некоторые ресурсы имеют API, поскольку определения кода могут изменяться и изменяются со временем. В качестве предупреждения: всегда тратьте время на форматирование типов данных и проверяйте их на наличие проблем стартовой нумерации. Например, одна система кодирования процедур здравоохранения всегда состоит из 5 буквенно-цифровых значений, но может начинаться со стартового 0 - это может легко вызвать проблемы в вашем анализе.



Из-за большого количества кодов в рассматриваемой системе кодирования справочные файлы не всегда являются простым набором всех кодов и их описаний. Может быть очень полезно сгруппировать коды вместе, чтобы получить краткое описание. Например, для вашего анализа  вам может не потребоваться знать, что J03.01 является острым рецидивирующим стрептококковым тонзиллитом, а J05.10 - острым эпиглоттитом без обструкции - может быть достаточно знать, что оба являются типами острых инфекций верхних дыхательных путей. Некоторые наборы кодов удобно создавать таким образом, чтобы каждая цифра и ее порядок имели четкое значение, и их агрегирование было очень простым. Однако некоторые наборы кодов не имеют этой удобной функции, и такие справочные файлы могут быть добавлены при использовании слияния диапазонов. Это легко сделать в SQL, поэтому в этом примере используется библиотека sqlite.


Более подробную информацию смотрите https://docs.python.org/3/library/sqlite3.html

В файле данных заявок рассматриваемого типа есть много видов услуг/организаций. В файле, содержащем счета за стационар, могут быть счета за экстренную госпитализацию (для неотложного лечения острых заболеваний, таких как серьезная операция или травма), за больницы длительного ухода (для лечения заболеваний, которые требуют гораздо более длительного времени для лечения/восстановления ), за психиатрические больницы, за онкологические больницы, за больницы критического доступа…. Понимание того, как идентифицировать эти различные средства обслуживания или услуг, значительно улучшит любой анализ. Например, если ваша цель состоит в том, чтобы рассчитать частоту повторных госпитализаций (это, как правило, означает только больницы скорой помощи) то использование всего файла счетов за стационар даст вам завышенную оценку.
 

Этот пример показывает лишь несколько типов госпитализации. Более подробную информацию смотрите https://www.resdac.org/sites/resdac.umn.edu/files/Provider%20Number%20Table.txt

Обобщение данных

Если данные заявок распределены по нескольким файлам, может быть полезно объединить их в хронологическом порядке, чтобы понять всю историю болезни и лечения каждого пациента. Этот тип формата обычно называют «виньеткой», и он может быть неоценимым для клинического анализа данных. Создание виньетки требует глубокого понимания данных в каждом файле. Как правило, я сначала обрабатываю файлы в похожую структуру, затем складываю их и упорядочиваю.



Итог

В этой статье освещены некоторые ключевые аспекты работы с данными по медицинским заявкам в Python. Я надеюсь, что вы нашли это полезным! В будущем я остановлюсь на этом с большим количеством примеров кодирования и специфической информации, ориентированных на данные Medicare.

Если вы опытный специалист в области данных и ищете новую работу, то мы ищем соискателей! Посмотрите наши объявления по позиции специалист по данным здесь и другие объявления о найме разработчиков здесь.

Оригинал: https://medium.com/simplyvital/working-with-healthcare-claims-data-in-python-36ef70a9a762
Автор: Camille Chicklis
Перевод: KTChampions

Буду благодарен за помощь в исправлении ошибок и неточностей.

Машинное обучение в Apache Spark для начинающих - Анализ данных здравоохранения - Диабет


Вступление:
Apache Spark-это кластерная вычислительная платформа, предназначенная для быстрых и эффективных вычислений. Он может обрабатывать миллионы точек данных с относительно низкой вычислительной мощностью. Apache Spark построен поверх и является расширением Hadoop Map-Reduce, который эффективно использует различные комбинации кластерных вычислений. Основная особенность Spark-это кластерные вычисления в памяти, что повышает скорость работы приложений, включая интерактивные запросы и потоковую обработку.
Эта статья представляет собой краткое руководство по разработке модели прогнозирования в Spark с использованием Databricks.
Я буду использовать бесплатную версию от сообщества Databricks, спасибо им!


О данных / справочная информация:
В этом посте я буду использовать машинное обучение, чтобы помочь нам предсказать вероятность диабета у пациента. Набор данных загружается из хранилища машинного обучения UCI.
Здесь я прогнозирую вероятность диабета, используя предоставленную информацию о пациенте. Это проблема бинарной классификации, где я попытаюсь предсказать вероятность наблюдения, относящегося к категории диабета.
Сначала я продемонстрирую минимальный объем исследовательского анализа, а затем перейду к моделям машинного обучения (т. е. к регрессионным и древовидным моделям), сравню и обобщу результаты.
Предварительная обработка и исследование данных:
Следующие строки кода загружают данные и создают объект dataframe. Если для Inferschema задано значение true, это может дать правильное представление о типе данных каждого столбца.


Я также создал словарь для хранения функций относительно их типов данных. В нашем случае у нас есть «Integer Type» и «Double Type».




Давайте посмотрим на первые 5 строк нашего набора данных.



Набор данных диабета состоит из 768 точек данных с 9 функциями в каждом:



«Outcome» - это функция, которую мы собираемся предсказать, где 0 означает, что у пациента нет диабета, а 1 означает, что у пациента есть диабет. Из этих 768 точек данных 500 помечены как 0, а 268 как 1.



Одним из преимуществ использования Databricks является то, что они помогают визуализировать запрос в некоторые основные параметры графика, чтобы обеспечить лучшее понимание данных вместе с кодом.
У нас есть полный набор данных без каких-либо пропущенных значений, но чтобы найти дополнительную информацию о работе с пропущенными данными, вы можете обратиться к этой статье: https://www.analyticsvidhya.com/blog/tag/missing-values-treatment/

Обработка категориальных данных:
В наших данных у нас есть только один категориальный столбец, то есть «Pregnancies» с более чем 17 категориями. В следующем коде показано, как можно преобразовать категориальные столбцы / функции в одноразовое кодирование. В Spark используется «String Indexer», который присваивает уникальное целочисленное значение каждой категории. 0 назначается самой частой категории, 1 - следующей наиболее частой категории и т. д.



В приведенном выше коде я использовал конвейер, который эффективно решает ряд задач за одну итерацию. Можно составить список задач, и конвейер будет обрабатывать все.
В общем, конвейер машинного обучения описывает процесс написания кода, его выпуска в производство, извлечения данных, создания моделей обучения и настройки алгоритма. Это непрерывный процесс при работе на платформе ML. Но когда дело доходит до Apache Spark, конвейер - это объект, который преобразует, оценивает и объединяет шаги в один объект. Эти шаги называются ML рабочий процесс.

Vector Assembler:
Идея здесь состоит в том, чтобы собрать заданный список столбцов в один векторный столбец и связать их вместе. Это дополнительный шаг, необходимый для моделей машинного обучения Spark. Этот шаг обычно выполняется в конце этапов исследования и предварительной обработки данных. На этом этапе я работаю с несколькими необработанными и немного преобразованными функциями, которые можно использовать для обучения модели.



Применение модели:
У нас есть пара встроенных классификаторов, в том числе Random Forest, Boosting Trees, logistic regression и т. д. Для начала я реализую Random Forest в качестве примера, определяя количество Trees в классификаторе и оставляя оставшиеся параметры на их значение по умолчанию.
Чтобы оценить производительность нашей модели, я использую метрику кривой ROC. Вы можете выбрать «metricName» на ваш выбор.
Точность этой модели составляет 82,5%. Это указывает на то, что наша модель работает достаточно хорошо с параметрами по умолчанию.



Выбор функций:
Процесс выбора функции помогает отфильтровать менее важные переменные, которые могут привести к более простой и стабильной модели. В Spark реализация выбора функций не так проста, как, например, в Python, scikit-learn, но этим можно управлять, сделав выбор функций частью конвейера. Идея заключается в следующем:
1.   Сначала установите классификатор. Например, вы можете использовать регрессионные или древовидные модели, любые модели на ваш выбор.
2.   Найдите значение функции, если вы используете random forest, найдите коэффициент, если вы используете logistic regression.
3.   Храните самый важный набор функций в списке.
4.   Используйте метод VectorSlicer из библиотеки ml и создайте новый вектор из списка, который вы только что выбрали.
Следующий код показывает, как создать список важных функций из модели, которую мы ранее использовали. Сохраняются характеристики больше 0,03, rf_model - модель подобранного random forest.



Выбор 0.03 является случайным, можно попробовать разные значения на основе метрики AUC. Позже я использовал vector slicer, чтобы собрать все объекты, значение которых превышает 0,03.



При выборе функции мы увидели улучшение точности на 1% при общей точности 83%. Из полного набора функций мы получили точность 82%. При работе с большими данными даже улучшение на 1% имеет значение.

В конце концов, я просто хочу закончить, сказав, что Apache Spark является лаконичным и простым в использовании фреймворком с открытым исходным кодом.

Команда SimplyVital Health надеется, что вам понравился урок по машинному обучению в Apache Spark! Это то, с чем мы сталкиваемся каждый день и пытаемся вернуть сообществу эти уроки! Чтобы узнать больше о SimplyVital Health, подпишитесь на нас в Facebook , Twitter и просмотрите наши вакансии в AngelList.

Перевод.
Оригинал: https://medium.com/simplyvital/machine-learning-in-apache-spark-for-beginners-healthcare-data-analysis-diabetes-276156b97e92

Делиться - значит заботиться: как блокчейн облегчает работу с данными в здравоохранении


Качество медицинских услуг и решений важно для всех нас. Первое, что приходит на ум, когда мы думаем о здравоохранении, это излечение пациентов. Лекарства, хирургия и медицинское оборудование, цены и страхование, все это тоже обычно учитывается. Однако существует много проблем, с которыми сталкиваются службы здравоохранения, о которых мы обычно не думаем. Одним из них является сложность работы с конфиденциальными данными. Персональная информация пациентов, хранящаяся в централизованных системах медицинских учреждений, должна быть надежно защищена, но в то же время быстро и точно распространяться между различными сторонами. Эти данные часто очень личные. Подумайте о своем пульсе, кровяном давлении или ритме сна. Мы не хотим делиться такой информацией с незнакомцами потому, что если она попадёт в плохие руки это сделает нас уязвимыми.

Неудивительно, что медицинские учреждения являются частой целью кибератак. Данные с централизованным управлением предоставляют единую точку, которую легче атаковать. Техническое обслуживание центральных систем и связанные с ними меры безопасности данных очень дороги. Данные проходят через нескольких посредников, вносящих больше ошибок и допускающих больше утечек данных на этом пути. Внедрение строгой нормативно-правовой базы и стандартов соответствия может помочь смягчить эти проблемы, но реальное внимание отрасли сфокусировано на альтернативных системах обработки данных, включая технологию блокчейн. В конце концов, эксперты прогнозируют, что внедрение технологии блокчейн может сэкономить учреждениям здравоохранения 100-150 миллиардов долларов в 2025 году. Как выглядят нынешние блокчейн эксперименты в секторе здравоохранения и как они решают проблемы, связанные с данными учреждений здравоохранения?

Выгодно всем сторонам

Медицинские учреждения должны соблюдать HIPAA, чтобы данные пациентов соответствовали стандартам конфиденциальности. SimplyVitalHealth - одна из организаций, которая объединяет HIPAA с технологией блокчейн. Они создают инфраструктуру, которая делает обмен данными о пациентах более дешевым, быстрым и безопасным. Это касается, например, обмена данными между учреждениями здравоохранения и страховщиками. Повышенная скорость обмена данными позволяет учреждениям здравоохранения быстрее возмещать покрываемые страховщиками расходы на назначенные лекарства и лечение. В то же время страховщики получают свои данные быстрее, с более точными аналитическими прогнозами, помогающими скорректировать свои бизнес операции и снизить риск мошенничества. Это связано с тем, что технология блокчейн гарантирует, что не будут сгенерированы дублирующиеся, неправильные или подделанные данные. Это также делает ненужным множество посредников. Сокращая затраты для поставщиков и страховщиков, блокчейн обеспечивает более экономически эффективное лечение пациентов.

Предотвращение кибератак и увеличение полноты данных

Кибератаки представляют серьезную угрозу для учреждений здравоохранения. Данные, которые могут быть украдены, являются конфиденциальными и очень дорогими - в 3 раза дороже, чем среднестатистический документ. По мнению IBM, это делает утечку данных в отрасли здравоохранения самой дорогой из существующих. Что может помочь, так это иной способ хранения данных. Factom использует технологию блокчейн для хранения цифровых медицинских записей. Его продукты помогают отрасли здравоохранения безопасно хранить цифровые записи на блокчейн платформе компании, делая их доступными только для больниц и должностных лиц в здравоохранении. Цифровые идентификационные данные пациента могут быть созданы в блокчейне и не могут быть скопированы. Factom позволяет также передавать пациенту право собственности на его или ее данные с помощью мобильного медицинского кошелька. Все это делает мошенничество, ошибки и манипулирование данными практически невозможными, что является серьезным улучшением, особенно для пациентов и учреждений здравоохранения в развивающихся странах, где бизнес и учреждения могут быть особенно подвержены мошенничеству.



Ускорение разработки лекарств через блокчейн

Фармацевтические компании, в том числе такие известные в отрасли, как Pfizer, Sanofi или Amgen, ищут способы упростить методы исследований и производства лекарств. Оказывается, их исследовательские данные могут быть переданы быстрее и эффективнее с помощью технологии блокчейн. Использование новой технологии может повысить качество и скорость клинических испытаний, которые являются ключом к дальнейшей разработке жизненно важных лекарств. Хорошим примером являются формы согласия, которые разные стороны должны подписать во время клинического испытания. Эти формы можно сделать прозрачными и отслеживаемыми через блокчейн. Таким образом, стороны точно знают, что они не имеют дело с поддельными, аналогичными (но менее эффективными) или просто неправильными лекарствами, и соглашения понятны и доступны. Именно так технология блокчейн может снизить стоимость лекарств и, в конечном итоге, повлиять на пациента.

Повышение осведомленности о том, чем является блокчейн

К сожалению, опросы Стэнфордской школы бизнеса показывают, что сектору здравоохранения трудно полагаться на блокчейн. Это связано с тем, что блокчейн часто связан с криптовалютами, такими как Биткоин и Эфириум, и может ассоциироваться с манипулированием рынка или киберпреступностью. Неудивительно, что Patientory - блокчейн компания, которая содействует интеграции блокчейна в практику здравоохранения, - организует саммит BlockHealth, чтобы расширить сотрудничество и повысить осведомленность о технологии блокчейн в этой области. Сотни профессиональных медицинских работников собираются вместе. Подобные события являются важной частью в изменении восприятия блокчейна и понимании медицинскими работниками того, как это может принести пользу сектору здравоохранения.



Реализующиеся в данный момент блокчейн проекты являются попыткой решить проблемы, которые более устойчивы в секторе здравоохранения, чем в любом другом. Новая технология предлагает альтернативный способ обработки данных, который обещает помочь защитить и обмениваться ими, а также сделать их управление дешевым и эффективным. Блокчейн может сделать третьи стороны лишними. Децентрализованная база данных прозрачна и не может быть изменена, что защищает неприкосновенность всех сторон. Экономия затрат благодаря ограничению ошибок и утечек данных, а также возможности быстрого переключения между учреждениями может сделать лечение пациентов более дешевым. Цифровая идентификация через блокчейн может позволить пациентам иметь свои медицинские профили. Потенциальные выгоды для здравоохранения бесспорны, однако скорость принятия блокчейна компаниями и учреждениями на местах будет зависеть от усилий по просвещению и повышению осведомленности.

Оригинал: https://bmag.io/2019/12/13/sharing-is-caring-how-blockchain-eases-data-challenges-in-healthcare/
Автор: bmageditor
Перевод: KTChampions

Буду благодарен за помощь в исправлении ошибок и неточностей.

А у них изначально все было довольно сомнительно,баунти запустили,потом никто не заполнял таблицы,все какие-то отписки делали.А потом еще и кис ввели.

Не в конкуренции дело,люди отупели на прочь.Не хотят ничего делать не для себя,не для других.Все болеют смолоду и ничего не хотят менять.Мы вымираем.

Короче говоря очередной скам. Баунтистов кинули и команда включает дурачков. Заставили пройти кук и никто токенов так и не увидел. Есть общий чат в телеграмме где сидят участники подписи первой баунти компании, никто так ничего не получил. Писали менеджеру, он отписывается мол значит кук не прошли)) Хотя у всех было написано что одобрено. Проходим мимо.

Все проекты по своему разные,одинаковых нет.Поэтому конкуренция тут не при чём.А дело то ли в неопытности,то ли в безответственности.

Если пройдя кус, ты получишь еще больше токенов за счет того, что их лишат у ботов, это большой плюс
Но, то что отчетность хромает у них это конечно минус.

Приехали блин, еще один KYC для баунтистов, но для начала бы посчитали таблицу хоть, узнать сколько токенов положено.

Кто-нибудь "успешно" прошел KYC, что должно произойти ?
Вроде появилась новая иконка contribute, нажав на нее пишут "You have been approved for the Health Nexus token generation event."
Но сомневаюсь, что это относится к успешному прохождению kyc .

Возможно это правда.Лапы государства не дадут лечить людей,наша медицина не заинтересована в излечении больного,им нужно чтобы от тлел и доить его до смерти.А вылечил,значит потерял источник дохода.

Каждая платформа отличается идеей,они про медицину,но разные.В любом случае даже если сработает что то одно,из большого количества предложений-Это уже прорыв.

Они начали отправлять письма участникам баунти для прохождения кука. Возможно тот кто участвовал в первой их баунти компании не получил письмо т.к. мы вроде не указывали почту. Кук надо будет проходить с 10-15 июня. Я регался во второй и поэтому наверное получил письмо.
Как то у них все через одно место, не удивлюсь если кинут тех кто участвовал в первой компании.

Свяжитесь с ними по почте [email protected]
само письмо


Good Afternoon,

 My name is Kurt, and I am the bounty architect at Nuhanse Network, who was contracted by SimplyVital Health to administer their token bounty program. It is my job is review regulations and innovations in bounty programs to ensure that supporters get the best experiences possible.

 Part of my research has brought me the utility token space's ever changing perspective on regulation. Like many of you, I think it is imperative to prove the use-case of utility tokens and separate them from forms of crypto-assets. That being the case, I believe it best that all utility tokens distributed through bounty programs should hold the same intent and go through the same KYC process as those purchased in the public sale.

This means some pretty important things for participants in the SimplyVital Health bounty program:
Participants must enter the KYC by putting their name and email at the bottom of the token page using the button below you will receive instructions.
Like the sale, we can not issue tokens earned by US citizens - however, they will remain frozen until there is legal certainty regarding utility tokens.
For those that pass KYC, we will include your44.9[%tokens | Default  tokens in the smart contract for the token generation event and as well as give you access to the Key Pair System where you can use the tokens.
By participating in this process, we can weed out bots and bad actors, maintaining the integrity of the bounty program and enabling us to allocate a larger share of the tokens to genuine supporters. It is in the best interest of all participants to undergo the KYC process immediately to guarantee their allocations and ensure there are no issues with your participation.
Cryptocurrency is fast approaching a watershed moment where community and use case-driven utility tokens will separate from the many other forms of crypto-assets. So it’s important that we continue to maintain the same standard of due diligence that we apply to the public sale.
We will open the KYC on June 10th and it will run through June 15th. It is in the best interest of all bounty program participants to begin the KYC as soon as possible. After June 15th, we will no longer accept any new KYC forms, and any tokens you earned will be allocated to those who were approved through the KYC. (exceptions made for those with outstanding circumstances)

 Thank you all for your participation and patience as we bring this bounty program to a close.

Start the KYC Process

Вроде надо заполнить белый список, а после придет письмо с дальнейшими инструкциями. если нет, то надо написать на почту.

Никогда частный сектор в медицине не будет актуален. У государства своя система. И люди не привыкли платить за медицинское обслуживание деньгами. Менталитет ещё советскиёстался. А сломать государственную медицинскую систему не получится!

Ну хотят они денег,это понятно,а как грамотно провернуть пока не решили.Медицина на данный момент имеет огромные щели в своей деятельности,вот аферюги и пытаются воспользоваться ситуацией.

Думаю не в конкуренции дело.На самом деле не так то просто внедрить новшества в привычный ход мед услуг.Очень много бюрократизма.

Оплата в сервисе предполагается не только токенами, но и другими способами оплаты, что должно значительно повысить привлекательность проекта для экспертов, не имеющих отношения к криптовалюте.

Как-то не понятно,но если оно продолжается-то это одно из самых длинных баунти,они еще прошлой осенью баунти запустили.

Чтобы предлагать качественное медицинское обслуживание, надо сначала создать и предложить инвесторам качественный проект, в который они бы с радостью инвестировали. Пока все наоборот с проектами на медицинскую тематику и SimplyVital Health, увы, не исключение. А жаль.

Народ , кто-нибудь участвовал в их баунти кампанни кабинетной , не пойму закончилось баунти или продолжается , вообще тишина , и ICO вроде как закончилось еще в марте ?