«Лучший по профессии» - это не только соревнование, но и обмен опытом.
Пока участники демонстрируют свои профессиональные навыки, судьи делятся практическими знаниями.
Один из судей конкурса, Смирнов Андрей Вячеславович, управляющий Тюменским филиалом, показывает протезистам Владивостокского филиала технику снятия слепка при ампутации на уровне голени.
Такие моменты делают профессиональные соревнования настоящей площадкой для развития ❤️
📍Владивостокский филиал АО «Московское ПрОП»
#протезисты
#ЛучшийПоПрофессии
Пока участники демонстрируют свои профессиональные навыки, судьи делятся практическими знаниями.
Один из судей конкурса, Смирнов Андрей Вячеславович, управляющий Тюменским филиалом, показывает протезистам Владивостокского филиала технику снятия слепка при ампутации на уровне голени.
Такие моменты делают профессиональные соревнования настоящей площадкой для развития ❤️
📍Владивостокский филиал АО «Московское ПрОП»
#протезисты
#ЛучшийПоПрофессии
❤9🔥3👍1
Завершился последний региональный этап конкурса «Лучший по профессии» в номинации «Техник-протезист».
Было сложно, волнительно и профессионально. Спасибо всем участникам за борьбу, а оценивающим экспертам за объективность.
❗️Поздравляем победителей:
1 место - Михайлик Александр, Владивостокский филиал АО «Московское ПрОП»
2 место - Луценко Алексей, ООО «Реабилитационно-технический центр по обслуживанию инвалидов», Благовещенск
3 место - Беляев Дмитрий, Хабаровский филиал АО «Московское ПрОП»
📍 Место проведения: Владивостокский филиал АО «Московское ПрОП»
Впереди - федеральный этап в Сочи!
#протезисты
#ЛучшийПоПрофессии
Было сложно, волнительно и профессионально. Спасибо всем участникам за борьбу, а оценивающим экспертам за объективность.
❗️Поздравляем победителей:
1 место - Михайлик Александр, Владивостокский филиал АО «Московское ПрОП»
2 место - Луценко Алексей, ООО «Реабилитационно-технический центр по обслуживанию инвалидов», Благовещенск
3 место - Беляев Дмитрий, Хабаровский филиал АО «Московское ПрОП»
📍 Место проведения: Владивостокский филиал АО «Московское ПрОП»
Впереди - федеральный этап в Сочи!
#протезисты
#ЛучшийПоПрофессии
🔥3👍1
https://www.rbc.ru/society/21/08/2026/6a889b569a79472093aa2da0?ysclid=mt44unffrf39882551&utm_referrer=https%3A%2F%2Fyandex.ru%2F
Правительство разрешило управлять грузовиками без ноги или руки
Теперь грузовиками, автобусами, троллейбусами и трамваями можно управлять, не имея руки или ноги, а также пальцев или их фаланг. Противопоказанием стало лишь отсутствие обеих конечностей или кистей
Правительство разрешило управлять грузовиками без ноги или руки
Теперь грузовиками, автобусами, троллейбусами и трамваями можно управлять, не имея руки или ноги, а также пальцев или их фаланг. Противопоказанием стало лишь отсутствие обеих конечностей или кистей
❤6👍4🤔2
Практически из мира фантастики. Регенерация конечностей: чему человек может научиться у аксолотля
Исследователи Wake Forest University изучают аксолотлей - саламандр, способных полностью восстанавливать утраченные конечности.
Один из ключевых механизмов связан с геном SP8, который участвует в правильной организации регенерирующих тканей. При его нарушении восстановление запускается, но формирование конечности происходит неправильно. Особенно интересно, что сходные генетические механизмы обнаружены и у млекопитающих. В экспериментах на мышах доставка фактора роста FGF8 с помощью вирусного вектора позволила частично восстановить кончик пальца.
До регенерации человеческой руки или ноги еще очень далеко. Но для протезирования важнее другое: такие технологии могут значительно раньше найти применение в улучшении заживления культи, регенерации мышц, нервов и мягких тканей после ампутации. То есть регенеративная медицина, вероятно, сначала станет не заменой протезированию, а его технологическим дополнением.
❗️Оригинал статьи: https://news.wfu.edu/2026/07/28/these-salamanders-may-hold-the-key-to-human-tissue-and-limb-regeneration/
Исследователи Wake Forest University изучают аксолотлей - саламандр, способных полностью восстанавливать утраченные конечности.
Один из ключевых механизмов связан с геном SP8, который участвует в правильной организации регенерирующих тканей. При его нарушении восстановление запускается, но формирование конечности происходит неправильно. Особенно интересно, что сходные генетические механизмы обнаружены и у млекопитающих. В экспериментах на мышах доставка фактора роста FGF8 с помощью вирусного вектора позволила частично восстановить кончик пальца.
До регенерации человеческой руки или ноги еще очень далеко. Но для протезирования важнее другое: такие технологии могут значительно раньше найти применение в улучшении заживления культи, регенерации мышц, нервов и мягких тканей после ампутации. То есть регенеративная медицина, вероятно, сначала станет не заменой протезированию, а его технологическим дополнением.
❗️Оригинал статьи: https://news.wfu.edu/2026/07/28/these-salamanders-may-hold-the-key-to-human-tissue-and-limb-regeneration/
Wake Forest News
These salamanders may hold the key to human tissue and limb regeneration | Wake Forest News
Mexican axolotls readily regrow tissue. One of their genes could hold the secret to human limb regeneration, too.
🔥8❤3
ИИ учится «почерку» протезиста при изготовлении приемной гильзы бедра
В PLOS One опубликовано интересное исследование по применению ИИ при изготовлении индивидуальных приемных гильз протезов бедра. Авторы поставили задачу не заменить протезиста, а оцифровать и воспроизвести его индивидуальную методику коррекции позитива, в том числе те, которые протезист применяет интуитивно и не всегда может формализовать словами.
В исследовании использовали данные 9 пациентов с ампутацией бедра. Сначала опытный протезист традиционным способом выполнял гипсовый слепок, затем сканировались исходная и вручную откорректированный позитив. На цифровых моделях отмечались анатомические ориентиры, после чего алгоритм на основе Principal Component Analysis анализировал, где и насколько протезист добавлял или снимал гипс.
По сути, система училась отвечать на вопрос:
«Как именно этот конкретный протезист изменяет слепок, чтобы получить приемную гильзу?» Алгоритм смог определить как типовую схему коррекции, так и индивидуальные вариации. Первые 4 выявленных режима изменения формы объясняли около 78% вариативности действий протезиста. Наиболее значимые индивидуальные корректировки приходились на дистальную область слепка: изменение передне-задней и медиолатеральной геометрии, длины и формирование зон разгрузки болезненных участков. Для проверки применялся метод leave-one-out: система каждый раз обучалась на восьми пациентах и формировала модель для девятого, после чего результат сравнивался с ручной работой протезиста.
По объему все полученные ИИ-модели оказались в диапазонах, которые группа опытных протезистов определила как «хорошая» или «приемлемая» посадка приемной гильзы. Средняя разница объема между цифровой и ручной моделью составила всего около 0,5%.
❗️Но здесь важно НЕ сделать НЕПРАВИЛЬНЫЙ вывод.
Авторы прямо называют работу proof-of-concept - доказательством принципиальной осуществимости подхода, а не доказательством того, что ИИ уже способен самостоятельно изготавливать качественные приемные гильзы. Исследователи отдельно подчеркивают: превосходство цифровой коррекции над работой протезиста не доказано и вообще не являлось целью исследования. Ограничения исследования существенные:
▫️всего 9 пациентов
▫️все ампутации - травматические
▫️обучение ИИ проводилось на работе только одного протезиста
▫️комфорт приемной гильзы оценивался только в статике
▫️алгоритм сравнивался преимущественно по геометрии - объему и периметрам
▫️не оценивались в полном объеме распределение давления, стабильность культи, рубцы, невромы, болезненные зоны и изменение объема мягких тканей.
Именно последний пункт особенно важен для практического протезирования. Одинаковая геометрия еще не означает одинаковое качество приемной гильзы. При ампутации бедра принципиальны распределение давления, состояние мягких тканей, положение бедренной кости, стабильность во фронтальной плоскости и субъективный комфорт пациента при динамической нагрузке. Тем не менее направление крайне перспективное. Ценность такого ИИ заключается прежде всего в возможности сохранить профессиональный опыт сильного протезиста в цифровом виде. Фактически можно создать индивидуальную цифровую «школу моделирования»: алгоритм обучается не абстрактной усредненной форме приемной гильзы, а тому, как конкретный протезист принимает технические решения. В перспективе это может использоваться для:
▫️обучения новых протезистов
▫️стандартизации технологии
▫️стандартизации отдельных операций
▫️передачи опыта между филиалами
Авторы также рассматривают подобную систему как инструмент, способный ускорить работу протезиста и быть особенно полезным там, где квалифицированных специалистов недостаточно. Главный вывод: ИИ не заменяет руки и клиническое мышление протезиста. Но он уже начинает учиться тому, что десятилетиями считалось практически неформализуемым - профессиональному «почерку» моделирования приемной гильзы.
И это, пожалуй, одно из наиболее интересных направлений цифровизации современности.
❗️❗️Оригинал статьи: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0356483
В PLOS One опубликовано интересное исследование по применению ИИ при изготовлении индивидуальных приемных гильз протезов бедра. Авторы поставили задачу не заменить протезиста, а оцифровать и воспроизвести его индивидуальную методику коррекции позитива, в том числе те, которые протезист применяет интуитивно и не всегда может формализовать словами.
В исследовании использовали данные 9 пациентов с ампутацией бедра. Сначала опытный протезист традиционным способом выполнял гипсовый слепок, затем сканировались исходная и вручную откорректированный позитив. На цифровых моделях отмечались анатомические ориентиры, после чего алгоритм на основе Principal Component Analysis анализировал, где и насколько протезист добавлял или снимал гипс.
По сути, система училась отвечать на вопрос:
«Как именно этот конкретный протезист изменяет слепок, чтобы получить приемную гильзу?» Алгоритм смог определить как типовую схему коррекции, так и индивидуальные вариации. Первые 4 выявленных режима изменения формы объясняли около 78% вариативности действий протезиста. Наиболее значимые индивидуальные корректировки приходились на дистальную область слепка: изменение передне-задней и медиолатеральной геометрии, длины и формирование зон разгрузки болезненных участков. Для проверки применялся метод leave-one-out: система каждый раз обучалась на восьми пациентах и формировала модель для девятого, после чего результат сравнивался с ручной работой протезиста.
По объему все полученные ИИ-модели оказались в диапазонах, которые группа опытных протезистов определила как «хорошая» или «приемлемая» посадка приемной гильзы. Средняя разница объема между цифровой и ручной моделью составила всего около 0,5%.
❗️Но здесь важно НЕ сделать НЕПРАВИЛЬНЫЙ вывод.
Авторы прямо называют работу proof-of-concept - доказательством принципиальной осуществимости подхода, а не доказательством того, что ИИ уже способен самостоятельно изготавливать качественные приемные гильзы. Исследователи отдельно подчеркивают: превосходство цифровой коррекции над работой протезиста не доказано и вообще не являлось целью исследования. Ограничения исследования существенные:
▫️всего 9 пациентов
▫️все ампутации - травматические
▫️обучение ИИ проводилось на работе только одного протезиста
▫️комфорт приемной гильзы оценивался только в статике
▫️алгоритм сравнивался преимущественно по геометрии - объему и периметрам
▫️не оценивались в полном объеме распределение давления, стабильность культи, рубцы, невромы, болезненные зоны и изменение объема мягких тканей.
Именно последний пункт особенно важен для практического протезирования. Одинаковая геометрия еще не означает одинаковое качество приемной гильзы. При ампутации бедра принципиальны распределение давления, состояние мягких тканей, положение бедренной кости, стабильность во фронтальной плоскости и субъективный комфорт пациента при динамической нагрузке. Тем не менее направление крайне перспективное. Ценность такого ИИ заключается прежде всего в возможности сохранить профессиональный опыт сильного протезиста в цифровом виде. Фактически можно создать индивидуальную цифровую «школу моделирования»: алгоритм обучается не абстрактной усредненной форме приемной гильзы, а тому, как конкретный протезист принимает технические решения. В перспективе это может использоваться для:
▫️обучения новых протезистов
▫️стандартизации технологии
▫️стандартизации отдельных операций
▫️передачи опыта между филиалами
Авторы также рассматривают подобную систему как инструмент, способный ускорить работу протезиста и быть особенно полезным там, где квалифицированных специалистов недостаточно. Главный вывод: ИИ не заменяет руки и клиническое мышление протезиста. Но он уже начинает учиться тому, что десятилетиями считалось практически неформализуемым - профессиональному «почерку» моделирования приемной гильзы.
И это, пожалуй, одно из наиболее интересных направлений цифровизации современности.
❗️❗️Оригинал статьи: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0356483
🤔6❤3🔥2⚡1