Материалы доступны только для специалистов сферы здравоохранения. Авторизуйтесь или зарегистрируйтесь.
Применение информационных технологий для оптимизации лечения мочекаменной болезни
Применение информационных технологий для оптимизации лечения мочекаменной болезни
Туманян С.С., Лукьянов И.В., Лоран О.Б. Применение информационных технологий для оптимизации лечения мочекаменной болезни. Consilium Medicum. 2020; 22 (12): 63–68. DOI: 10.26442/20751753.2020.12.200549
________________________________________________
Материалы доступны только для специалистов сферы здравоохранения. Авторизуйтесь или зарегистрируйтесь.
Аннотация
Мочекаменная болезнь (МКБ) является одной из самых часто встречающихся патологий в урологической практике. Для обеспечения персонифицированного подхода в лечении уролитиаза с учетом конкретных особенностей каждого отдельного пациента, при наличии различных альтернативных методов лечения все чаще привлекают математические модели и алгоритмы, значительно повышающие качество оказания медицинской помощи. Одним из самых перспективных направлений в области создания математических компьютерных моделей является разработка и внедрение в ежедневную практику прогностических моделей на базе так называемых искусственных нейронных сетей, которые объединяют в себе сложные свойства нейронов головного мозга человека по анализу и обработке получаемой информации. Проведен анализ отечественной и зарубежной литературы, который показал, что идет активное развитие компьютерных технологий с использованием нейросетевых моделей, позволяющих рационализировать тактику лечения пациентов, в частности с МКБ. С целью персонификации подхода по ведению пациентов с МКБ, повышения достоверности прогнозирования результатов лечения на базе урологического отделения ГБУЗ «ГКБ им. С.П. Боткина» в рамках научно-исследовательской работы кафедры урологии и хирургической андрологии ФГБОУ ДПО РМАНПО совместно с кафедрой высшей математики №1 ФГАОУ ВО «НИУ “Московский институт электронной техники”» планируется разработать программу на основе нейросетевого моделирования. Данная программа позволит стандартизировать выборы метода лечения камней мочеточника и поможет практикующему врачу принимать сложные решения в нестандартных ситуациях, что приведет к повышению эффективности и качества оказываемой медицинской помощи.
Ключевые слова: мочекаменная болезнь, нейросетевое моделирование, искусственный интеллект, уролитиаз.
Key words: urolithiasis, neural network modeling, artificial neural networks.
Ключевые слова: мочекаменная болезнь, нейросетевое моделирование, искусственный интеллект, уролитиаз.
________________________________________________
Key words: urolithiasis, neural network modeling, artificial neural networks.
Полный текст
Список литературы
1. Knoll T et al. Epidemiology, Pathogenesis, and Pathophysiology of Urolithiasis. Eur Urol Suppl 2010; 9: 802–6.
2. Turk С и др. Мочекаменная болезнь. Пер. О.В. Антонова; ред. Н.А. Григорьев. Европейская ассоциация урологов, 2016.
[Turk C et al. Urolithiasis disease. Per. O.V. Antonova; ed. ON. Grigoriev. European Association of Urology, 2016 (in Russian).]
3. Tiselius HG, Davison AM, Cameron JS et al. Aetiological factors in stone formation.Oxford textbook of clinical nephrology. 3rd ed. Oxford: Oxford University Press, 2008; p. 1201–23.
4. Indridason OS et al. Epidemiology of kidney stones in Iceland: a population-based study. Scand J Urol Nephrol 2009; 40 (3): 215–20.
5. Chang IH, Kim KD, Moon YT et al. Possible Relationship between Metabolic Syndrome Traits and Nephrolithiasis: Incidence for 15 Years According to Gender. Korean J Urol 2011; 52 (8): 548–53.
6. Romero H, Akpinar DG, Assimos V. Kidney Stones: A Global рicture of рrevalence, incidence, and associated risk actors. Rev Urol 2010; 12 (2): 86–96.
7. Аполихин О.И. и др. Анализ уронефрологической заболеваемости в Российской Федерации по данным официальной статистики. Эксперим. и клин. урология. 2010; 1: 4–11.
[Apolikhin O.I. et al. Analiz uronefrologicheskoi zabolevaemosti v Rossiiskoi Federatsii po dannym ofitsial'noi statistiki. Eksperim. i klin. urologiia. 2010; 1: 4–11 (in Russian).]
8. Дзеранов Н.К. Лечение мочекаменной болезни – комплексная медицинская проблема. Сonsilium Medicum. Урология. 2003; 5 (1): 18–22.
[Dzeranov N.K. Treatment of urolithiasis is a complex medical problem. Consilium Medicum. Urology. 2003; 5 (1): 18–22 (in Russian).]
9. Лопаткин Н.А., Яненко Э.К. Мочекаменная болезнь. Рус. мед. журн. 2000; 8 (3): 117–20.
[Lopatkin N.A., Ianenko E.K. Mochekamennaia bolezn'. Rus. med. zhurn. 2000; 8 (3): 117–20 (in Russian).]
10. Аляев Ю.Г., Руденко Е.В. и др. Современные аспекты медикаментозного лечения больных мочекаменной болезнью. Рос. мед. журн. 2010; 8: 14–8.
[Aliaev Iu.G., Rudenko E.V. et al. Sovremennye aspekty medikamentoznogo lecheniia bol'nykh mochekamennoi bolezn'iu. Ros. med. zhurn. 2010; 8: 14–8 (in Russian).]
11. Тиктинский О.Л., Александров В.П. Мочекаменная болезнь. СПб.: Питер, 2000.
[Tiktinsky O.L., Alexandrov V.P. Urolithiasis disease. Saint Petersburg: Peter, 2000 (in Russian).]
12. Борисов В.В., Дзеранов Н.К. Мочекаменная болезнь. Терапия больных камнями почек и мочеточников. М., 2011.
[Borisov V.V., Dzeranov N.K. Urolithiasis disease. Therapy of patients with kidney and ureteral stones. Moscow, 2011 (in Russian).]
13. Львович Е.Я., Фролов В.Н. Интегрированная информационная система интеллектуальной поддержки принятия решений при организации нозологоориентированной медицинской помощи. Системный анализ и управление в биомед. системах. 2007; 6 (2): 273–6.
[L'vovich E.Ia., Frolov V.N. Integrirovannaia informatsionnaia sistema intellektual'noi podderzhki priniatiia reshenii pri organizatsii nozologoorientirovannoi meditsinskoi pomoshchi. Sistemnyi analiz i upravlenie v biomed. sistemakh. 2007; 6 (2): 273–6 (in Russian).]
14. Зесюков Д.Н., Зесюкова Ю.Б., Котова А.В. и др. Логическое моделирование процесса диагностики, лечения и применения решений при выборе хирургической компоненты. Системный анализ и управление в биомед. системах. 2005; 4 (3): 280–3.
[Zesiukov D.N., Zesiukova Iu.B., Kotova A.V. et al. Logicheskoe modelirovanie protsessa diagnostiki, lecheniia i primeneniia reshenii pri vybore khirurgicheskoi komponenty. Sistemnyi analiz i upravlenie v biomed. sistemakh. 2005; 4 (3): 280–3 (in Russian).]
15. Кореневский Н.А. Проектирование нечетких решающих сетей, настраиваемых по структуре данных для задач медицинской диагностики. Системный анализ и управление в биомед, системах. 2005; 4 (1): 12–20.
[Korenevskii N.A. Proektirovanie nechetkikh reshaiushchikh setei, nastraivaemykh po strukture dannykh dlia zadach meditsinskoi diagnostiki. Sistemnyi analiz i upravlenie v biomed, sistemakh. 2005; 4 (1): 12–20 (in Russian).]
16. Жарко В.И., Цыбин А.К., Малахова И.В. и др. Здоровье народа и программа развития здравоохранения Республики Беларусь. Вопр. организации и информатизации здравоохранения. 2006; 4: 3–7.
[Zharko V.I., Tsybin A.K., Malakhova I.V. et al. Zdorov'e naroda i programma razvitiia zdravookhraneniia Respubliki Belarus'. Vopr. organizatsii i informatizatsii zdravookhraneniia. 2006; 4: 3–7 (in Russian).]
17. Ковалев В.А., Литвин А., Жариков О.Г. Современные возможности использования некоторых экспертных систем в медицине. Врач и информ. технологии. 2008; 5: 24–30.
[Kovalev V.A., Litvin A., Zharikov O.G. Sovremennye vozmozhnosti ispol'zovaniia nekotorykh ekspertnykh sistem v meditsine. Vrach i inform. tekhnologii. 2008; 5: 24–30 (in Russian).]
18. Хайкин С. Нейронные сети: полный курс. 2-е изд. М.: Вильямс, 2006.
[Khaikin S. Neural networks: a complete course. 2nd ed. Moscow: Williams, 2006 (in Russian).]
19. Миркес Е.М. Нейроинформатика: учеб. пособие для студентов. Красноярск: ИПЦ КГТУ, 2002.
[Mirkes E.M. Neuroinformatics: textbook. manual for students. Krasnoyarsk: IPC KSTU, 2002 (in Russian).]
20. Лукьянов И.В., Демченко H.A., Аюпов И.Р. Математическое моделирование послеоперационного течения рака простаты. Мед. вестн. Башкортостана. 2011; 2: 244–8.
[Luk'ianov I.V., Demchenko H.A., Aiupov I.R. Matematicheskoe modelirovanie posleoperatsionnogo techeniia raka prostaty. Med. vestn. Bashkortostana. 2011; 2: 244–8 (in Russian).]
21. Петров С.В., Кореневский Н.А. и др. Применение информационных технологий при урологических заболеваниях. Фундам. исследования. 2015; 1 (Ч. 4); 810–3.
[Petrov S.V., Korenevskii N.A. et al. Primenenie informatsionnykh tekhnologii pri urologicheskikh zabolevaniiakh. Fundam. issledovaniia. 2015; 1 (Ch. 4); 810–3 (in Russian).]
22. Naito S, Kuroiwa K, Kinukawa N et al. Clinicopathological Research Group for Localized Prostate Cancer Investigators Validation of Partin tables and development of a preoperative nomogram for Japanese patients with clinically localized prostate cancer. J Urol 2008; 180: 904–9.
23. Snow PB, Smith DS, Catalona WJ. Artificial neural networks in the diagnosis and prognosis of prostate cancer: a pilot study. J Urol 1994; 152: 1923–6.
24. Babaian J, Fritsche H, Ayala A et al. Performance of a neural network in detecting prostate cancer in the prostate-specific antigen reflex range of 2.5 to 4.0 ng/mL. Urology 2000; 56: 1000–6.
25. Соловов В.А. Нейросетевой анализ в диагностике рака предстательной железы. Вестн. СамГУ – Естественнонауч. сер. 2005; 5 (39): 209–14.
[Solovov V.A. Neirosetevoi analiz v diagnostike raka predstatel'noi zhelezy. Vestn. SamGU – Estestvennonauch. ser. 2005; 5 (39): 209–14 (in Russian).]
26. Лукьянов И.В. Симптомы нижних мочевых путей: перспективы диагностических и лечебных мероприятий с применением элементов искусственного интеллекта. Consilium Medicum. 2008; 2 (4): 24–6.
[Lukyanov I.V. Lower urinary tract symptoms: perspectives of diagnostic and therapeutic measures using the elements of artificial intelligence. Consilium Medicum. 2008; 2 (4): 24–6 (in Russian).]
27. Ганцев Ш.Х., Зимичев А.А., Хрисанов Н.Н., Климентьева М.С. Применение нейронной сети в прогнозировании рака мочевого пузыря. Мед. вестн.Башкортостана. 2010; 3: 44–6.
[Gantsev Sh.Kh., Zimichev A.A., Khrisanov N.N., Kliment'eva M.S. Primenenie neironnoi seti v prognozirovanii raka mochevogo puzyria. Med. vestn. Bashkortostana. 2010; 3: 44–6 (in Russian).]
28. Демченко Н.А. Нейросетевое прогнозирование и мониторирование больных после радикальной позадилонной простатэктомии. Дис. … канд. мед наук. М., 2015.
[Demchenko N.A. Neirosetevoe prognozirovanie i monitorirovanie bol'nykh posle radikal'noi pozadilonnoi prostatektomii. Dis. … kand. med nauk. Moscow, 2015 (in Russian).]
29. Попков В.М., Шатылко Т.В., Королев А.Ю. и др. Оптимизация PSA-скрининга с помощью искусственного интеллекта. Мед. вестн. Башкортостана. 2015; 10 (3): 232–5.
[Popkov V.M., Shatylko T.V., Korolev A.Iu. et al. Optimizatsiia PSA-skrininga s pomoshch'iu iskusstvennogo intellekta. Med. vestn. Bashkortostana. 2015; 10 (3): 232–5 (in Russian).]
30. Никитаев В.Г., Проничев А.Н., Прилепская Е.А. и др. Компьютерные системы поддержки принятия решений в диагностике рака предстательной железы. Эксперим. и клин. урология. 2016; 4: 52–5.
[Nikitaev V.G., Pronichev A.N., Prilepskaia E.A. et al. Komp'iuternye sistemy podderzhki priniatiia reshenii v diagnostike raka predstatel'noi zhelezy. Eksperim. i klin. urologiia. 2016; 4: 52–5 (in Russian).]
31. Ершов А.В., Капсаргин Ф.П., Бережной А.Г., Мылтыгашев М.П. Экспертные системы в оценке данных урофлоуграмм. Вестн. урологии. 2018; 6 (3): 12–6.
[Ershov A.V., Kapsargin F.P., Berezhnoi A.G., Myltygashev M.P. Ekspertnye sistemy v otsenke dannykh uroflougramm. Vestn. urologii. 2018; 6 (3): 12–6 (in Russian).]
32. Sfoungaristos S, Gofrit ON, Yutkin V et al. External validation of CROES nephrolithometry as a preoperative predictive system for percutaneous nephrolithotomy outcomes. J Urol 2015. DOI: 10.1016/j.juro.2015.08.079
33. Tailly T, Okhunov Z et al. Multicenter External Validation and Comparison of Stone Scoring Systems in Predicting Outcomes After Percutaneous Nephrolithotomy J Endourol 2016; 30 (5): 594–601. DOI: 10.1089/end.2015.0700
34. De Nunzio C, Bellangino M, Voglino OA et al. Value of CROES, S.T.O.N.E nomograms and Guy’s stone score as preoperative predictive system for percutaneous nephrolithotomy (PCNL) outcomes. Eur Urol Suppl 2017; 16 (3); e941.
35. Aminsharifi A, Irani D et al. Artificial Neural Network System to Predict the Postoperative Outcome of Percutaneous Nephrolithotomy. J Endourology 31 (5): 461–7. DOI: 10.1089/end.2016.0791
36. Капсаргин Ф.П., Ершов А.В., Зуева Л.Ф. и др. Применение нейронных сетей в выборе метода лечения мочекаменной болезни. Омский науч. вестн. 2015; 1: 68–70.
[Kapsargin F.P., Ershov A.V., Zueva L.F. et al. Primenenie neironnykh setei v vybore metoda lecheniia mochekamennoi bolezni. Omskii nauch. vestn. 2015; 1: 68–70 (in Russian).]
37. Seckiner I, Seckiner S et al. A neural network – based algorithm for predicting stone-free status after ESWL therapy. Int Braz J Urol 2017; 43: 1110–4. DOI: 10.1590/S1677-5538.IBJU.2016.0630
38. Choo M, Uhmn S et al. A Prediction Model Using Machine Learning Algorithm for Assessing Stone-Free Status after Single Session Shock Wave Lithotripsy to Treat Ureteral Stones. J Urol 2018; 200: 1–7. DOI: 10.1016/j.juro.2018.06.077
39. Коцарь А.Г. Математическое моделирование и алгоритмизация прогнозирования, диагностики, профилактики и лечения мочекаменной болезни. Дис. … д-ра мед. наук. Курск, 2014.
[Kotsar' A.G. Matematicheskoe modelirovanie i algoritmizatsiia prognozirovaniia, diagnostiki, profilaktiki i lecheniia mochekamennoi bolezni. Dis. … d-ra med. nauk. Kursk, 2014 (in Russian).]
40. Кривенко М.П., Голованов С.А. Информационно-аналитическая автоматизированная система «МЕГАЛИТ» в оптимизации и диагностики и лечения мочекаменной болезни. Информатика и ее применения. 2013; 7 (4): 82–93.
[Krivenko M.P., Golovanov S.A. Informatsionno-analiticheskaia avtomatizirovannaia sistema "MEGALIT' v optimizatsii i diagnostiki i lecheniia mochekamennoi bolezni. Informatika i ee primeneniia. 2013; 7 (4): 82–93 (in Russian).]
41. Zhu XH, Yang MY, Xia HZ et al. Application of machine learning models in predicting early stone-free rate after flexible ureteroscopic lithotripsy for renal stones. Beijing Da Xue Xue Bao Yi Xue Ban 2019; 51 (4): 653–9. DOI: 10.19723/j.issn.1671-167X.2019.04.010
2. Turk C et al. Urolithiasis disease. Per. O.V. Antonova; ed. ON. Grigoriev. European Association of Urology, 2016 (in Russian).
3. Tiselius HG, Davison AM, Cameron JS et al. Aetiological factors in stone formation.Oxford textbook of clinical nephrology. 3rd ed. Oxford: Oxford University Press, 2008; p. 1201–23.
4. Indridason OS et al. Epidemiology of kidney stones in Iceland: a population-based study. Scand J Urol Nephrol 2009; 40 (3): 215–20.
5. Chang IH, Kim KD, Moon YT et al. Possible Relationship between Metabolic Syndrome Traits and Nephrolithiasis: Incidence for 15 Years According to Gender. Korean J Urol 2011; 52 (8): 548–53.
6. Romero H, Akpinar DG, Assimos V. Kidney Stones: A Global рicture of рrevalence, incidence, and associated risk actors. Rev Urol 2010; 12 (2): 86–96.
7. Apolikhin O.I. et al. Analiz uronefrologicheskoi zabolevaemosti v Rossiiskoi Federatsii po dannym ofitsial'noi statistiki. Eksperim. i klin. urologiia. 2010; 1: 4–11 (in Russian).
8. Dzeranov N.K. Treatment of urolithiasis is a complex medical problem. Consilium Medicum. Urology. 2003; 5 (1): 18–22 (in Russian).
9. Lopatkin N.A., Ianenko E.K. Mochekamennaia bolezn'. Rus. med. zhurn. 2000; 8 (3): 117–20 (in Russian).
10. Aliaev Iu.G., Rudenko E.V. et al. Sovremennye aspekty medikamentoznogo lecheniia bol'nykh mochekamennoi bolezn'iu. Ros. med. zhurn. 2010; 8: 14–8 (in Russian).
11. Tiktinsky O.L., Alexandrov V.P. Urolithiasis disease. Saint Petersburg: Peter, 2000 (in Russian).
12. Borisov V.V., Dzeranov N.K. Urolithiasis disease. Therapy of patients with kidney and ureteral stones. Moscow, 2011 (in Russian).
13. L'vovich E.Ia., Frolov V.N. Integrirovannaia informatsionnaia sistema intellektual'noi podderzhki priniatiia reshenii pri organizatsii nozologoorientirovannoi meditsinskoi pomoshchi. Sistemnyi analiz i upravlenie v biomed. sistemakh. 2007; 6 (2): 273–6 (in Russian).
14. Zesiukov D.N., Zesiukova Iu.B., Kotova A.V. et al. Logicheskoe modelirovanie protsessa diagnostiki, lecheniia i primeneniia reshenii pri vybore khirurgicheskoi komponenty. Sistemnyi analiz i upravlenie v biomed. sistemakh. 2005; 4 (3): 280–3 (in Russian).
15. Korenevskii N.A. Proektirovanie nechetkikh reshaiushchikh setei, nastraivaemykh po strukture dannykh dlia zadach meditsinskoi diagnostiki. Sistemnyi analiz i upravlenie v biomed, sistemakh. 2005; 4 (1): 12–20 (in Russian).
16. Zharko V.I., Tsybin A.K., Malakhova I.V. et al. Zdorov'e naroda i programma razvitiia zdravookhraneniia Respubliki Belarus'. Vopr. organizatsii i informatizatsii zdravookhraneniia. 2006; 4: 3–7 (in Russian).
17. Kovalev V.A., Litvin A., Zharikov O.G. Sovremennye vozmozhnosti ispol'zovaniia nekotorykh ekspertnykh sistem v meditsine. Vrach i inform. tekhnologii. 2008; 5: 24–30 (in Russian).
18. Khaikin S. Neural networks: a complete course. 2nd ed. Moscow: Williams, 2006 (in Russian).
19. Mirkes E.M. Neuroinformatics: textbook. manual for students. Krasnoyarsk: IPC KSTU, 2002 (in Russian).
20. Luk'ianov I.V., Demchenko H.A., Aiupov I.R. Matematicheskoe modelirovanie posleoperatsionnogo techeniia raka prostaty. Med. vestn. Bashkortostana. 2011; 2: 244–8 (in Russian).
21. Petrov S.V., Korenevskii N.A. et al. Primenenie informatsionnykh tekhnologii pri urologicheskikh zabolevaniiakh. Fundam. issledovaniia. 2015; 1 (Ch. 4); 810–3 (in Russian).
22. Naito S, Kuroiwa K, Kinukawa N et al. Clinicopathological Research Group for Localized Prostate Cancer Investigators Validation of Partin tables and development of a preoperative nomogram for Japanese patients with clinically localized prostate cancer. J Urol 2008; 180: 904–9.
23. Snow PB, Smith DS, Catalona WJ. Artificial neural networks in the diagnosis and prognosis of prostate cancer: a pilot study. J Urol 1994; 152: 1923–6.
24. Babaian J, Fritsche H, Ayala A et al. Performance of a neural network in detecting prostate cancer in the prostate-specific antigen reflex range of 2.5 to 4.0 ng/mL. Urology 2000; 56: 1000–6.
25. Solovov V.A. Neirosetevoi analiz v diagnostike raka predstatel'noi zhelezy. Vestn. SamGU – Estestvennonauch. ser. 2005; 5 (39): 209–14 (in Russian).
26. Lukyanov I.V. Lower urinary tract symptoms: perspectives of diagnostic and therapeutic measures using the elements of artificial intelligence. Consilium Medicum. 2008; 2 (4): 24–6 (in Russian).
27. Gantsev Sh.Kh., Zimichev A.A., Khrisanov N.N., Kliment'eva M.S. Primenenie neironnoi seti v prognozirovanii raka mochevogo puzyria. Med. vestn. Bashkortostana. 2010; 3: 44–6 (in Russian).
28. Demchenko N.A. Neirosetevoe prognozirovanie i monitorirovanie bol'nykh posle radikal'noi pozadilonnoi prostatektomii. Dis. … kand. med nauk. Moscow, 2015 (in Russian).
29. Popkov V.M., Shatylko T.V., Korolev A.Iu. et al. Optimizatsiia PSA-skrininga s pomoshch'iu iskusstvennogo intellekta. Med. vestn. Bashkortostana. 2015; 10 (3): 232–5 (in Russian).
30. Nikitaev V.G., Pronichev A.N., Prilepskaia E.A. et al. Komp'iuternye sistemy podderzhki priniatiia reshenii v diagnostike raka predstatel'noi zhelezy. Eksperim. i klin. urologiia. 2016; 4: 52–5 (in Russian).
31. Ershov A.V., Kapsargin F.P., Berezhnoi A.G., Myltygashev M.P. Ekspertnye sistemy v otsenke dannykh uroflougramm. Vestn. urologii. 2018; 6 (3): 12–6 (in Russian).
32. Sfoungaristos S, Gofrit ON, Yutkin V et al. External validation of CROES nephrolithometry as a preoperative predictive system for percutaneous nephrolithotomy outcomes. J Urol 2015. DOI: 10.1016/j.juro.2015.08.079
33. Tailly T, Okhunov Z et al. Multicenter External Validation and Comparison of Stone Scoring Systems in Predicting Outcomes After Percutaneous Nephrolithotomy J Endourol 2016; 30 (5): 594–601. DOI: 10.1089/end.2015.0700
34. De Nunzio C, Bellangino M, Voglino OA et al. Value of CROES, S.T.O.N.E nomograms and Guy’s stone score as preoperative predictive system for percutaneous nephrolithotomy (PCNL) outcomes. Eur Urol Suppl 2017; 16 (3); e941.
35. Aminsharifi A, Irani D et al. Artificial Neural Network System to Predict the Postoperative Outcome of Percutaneous Nephrolithotomy. J Endourology 31 (5): 461–7. DOI: 10.1089/end.2016.0791
36. Kapsargin F.P., Ershov A.V., Zueva L.F. et al. Primenenie neironnykh setei v vybore metoda lecheniia mochekamennoi bolezni. Omskii nauch. vestn. 2015; 1: 68–70 (in Russian).
37. Seckiner I, Seckiner S et al. A neural network – based algorithm for predicting stone-free status after ESWL therapy. Int Braz J Urol 2017; 43: 1110–4. DOI: 10.1590/S1677-5538.IBJU.2016.0630
38. Choo M, Uhmn S et al. A Prediction Model Using Machine Learning Algorithm for Assessing Stone-Free Status after Single Session Shock Wave Lithotripsy to Treat Ureteral Stones. J Urol 2018; 200: 1–7. DOI: 10.1016/j.juro.2018.06.077
39. Kotsar' A.G. Matematicheskoe modelirovanie i algoritmizatsiia prognozirovaniia, diagnostiki, profilaktiki i lecheniia mochekamennoi bolezni. Dis. … d-ra med. nauk. Kursk, 2014 (in Russian).
40. Krivenko M.P., Golovanov S.A. Informatsionno-analiticheskaia avtomatizirovannaia sistema "MEGALIT' v optimizatsii i diagnostiki i lecheniia mochekamennoi bolezni. Informatika i ee primeneniia. 2013; 7 (4): 82–93 (in Russian).
41. Zhu XH, Yang MY, Xia HZ et al. Application of machine learning models in predicting early stone-free rate after flexible ureteroscopic lithotripsy for renal stones. Beijing Da Xue Xue Bao Yi Xue Ban 2019; 51 (4): 653–9. DOI: 10.19723/j.issn.1671-167X.2019.04.010
2. Turk С и др. Мочекаменная болезнь. Пер. О.В. Антонова; ред. Н.А. Григорьев. Европейская ассоциация урологов, 2016.
[Turk C et al. Urolithiasis disease. Per. O.V. Antonova; ed. ON. Grigoriev. European Association of Urology, 2016 (in Russian).]
3. Tiselius HG, Davison AM, Cameron JS et al. Aetiological factors in stone formation.Oxford textbook of clinical nephrology. 3rd ed. Oxford: Oxford University Press, 2008; p. 1201–23.
4. Indridason OS et al. Epidemiology of kidney stones in Iceland: a population-based study. Scand J Urol Nephrol 2009; 40 (3): 215–20.
5. Chang IH, Kim KD, Moon YT et al. Possible Relationship between Metabolic Syndrome Traits and Nephrolithiasis: Incidence for 15 Years According to Gender. Korean J Urol 2011; 52 (8): 548–53.
6. Romero H, Akpinar DG, Assimos V. Kidney Stones: A Global рicture of рrevalence, incidence, and associated risk actors. Rev Urol 2010; 12 (2): 86–96.
7. Аполихин О.И. и др. Анализ уронефрологической заболеваемости в Российской Федерации по данным официальной статистики. Эксперим. и клин. урология. 2010; 1: 4–11.
[Apolikhin O.I. et al. Analiz uronefrologicheskoi zabolevaemosti v Rossiiskoi Federatsii po dannym ofitsial'noi statistiki. Eksperim. i klin. urologiia. 2010; 1: 4–11 (in Russian).]
8. Дзеранов Н.К. Лечение мочекаменной болезни – комплексная медицинская проблема. Сonsilium Medicum. Урология. 2003; 5 (1): 18–22.
[Dzeranov N.K. Treatment of urolithiasis is a complex medical problem. Consilium Medicum. Urology. 2003; 5 (1): 18–22 (in Russian).]
9. Лопаткин Н.А., Яненко Э.К. Мочекаменная болезнь. Рус. мед. журн. 2000; 8 (3): 117–20.
[Lopatkin N.A., Ianenko E.K. Mochekamennaia bolezn'. Rus. med. zhurn. 2000; 8 (3): 117–20 (in Russian).]
10. Аляев Ю.Г., Руденко Е.В. и др. Современные аспекты медикаментозного лечения больных мочекаменной болезнью. Рос. мед. журн. 2010; 8: 14–8.
[Aliaev Iu.G., Rudenko E.V. et al. Sovremennye aspekty medikamentoznogo lecheniia bol'nykh mochekamennoi bolezn'iu. Ros. med. zhurn. 2010; 8: 14–8 (in Russian).]
11. Тиктинский О.Л., Александров В.П. Мочекаменная болезнь. СПб.: Питер, 2000.
[Tiktinsky O.L., Alexandrov V.P. Urolithiasis disease. Saint Petersburg: Peter, 2000 (in Russian).]
12. Борисов В.В., Дзеранов Н.К. Мочекаменная болезнь. Терапия больных камнями почек и мочеточников. М., 2011.
[Borisov V.V., Dzeranov N.K. Urolithiasis disease. Therapy of patients with kidney and ureteral stones. Moscow, 2011 (in Russian).]
13. Львович Е.Я., Фролов В.Н. Интегрированная информационная система интеллектуальной поддержки принятия решений при организации нозологоориентированной медицинской помощи. Системный анализ и управление в биомед. системах. 2007; 6 (2): 273–6.
[L'vovich E.Ia., Frolov V.N. Integrirovannaia informatsionnaia sistema intellektual'noi podderzhki priniatiia reshenii pri organizatsii nozologoorientirovannoi meditsinskoi pomoshchi. Sistemnyi analiz i upravlenie v biomed. sistemakh. 2007; 6 (2): 273–6 (in Russian).]
14. Зесюков Д.Н., Зесюкова Ю.Б., Котова А.В. и др. Логическое моделирование процесса диагностики, лечения и применения решений при выборе хирургической компоненты. Системный анализ и управление в биомед. системах. 2005; 4 (3): 280–3.
[Zesiukov D.N., Zesiukova Iu.B., Kotova A.V. et al. Logicheskoe modelirovanie protsessa diagnostiki, lecheniia i primeneniia reshenii pri vybore khirurgicheskoi komponenty. Sistemnyi analiz i upravlenie v biomed. sistemakh. 2005; 4 (3): 280–3 (in Russian).]
15. Кореневский Н.А. Проектирование нечетких решающих сетей, настраиваемых по структуре данных для задач медицинской диагностики. Системный анализ и управление в биомед, системах. 2005; 4 (1): 12–20.
[Korenevskii N.A. Proektirovanie nechetkikh reshaiushchikh setei, nastraivaemykh po strukture dannykh dlia zadach meditsinskoi diagnostiki. Sistemnyi analiz i upravlenie v biomed, sistemakh. 2005; 4 (1): 12–20 (in Russian).]
16. Жарко В.И., Цыбин А.К., Малахова И.В. и др. Здоровье народа и программа развития здравоохранения Республики Беларусь. Вопр. организации и информатизации здравоохранения. 2006; 4: 3–7.
[Zharko V.I., Tsybin A.K., Malakhova I.V. et al. Zdorov'e naroda i programma razvitiia zdravookhraneniia Respubliki Belarus'. Vopr. organizatsii i informatizatsii zdravookhraneniia. 2006; 4: 3–7 (in Russian).]
17. Ковалев В.А., Литвин А., Жариков О.Г. Современные возможности использования некоторых экспертных систем в медицине. Врач и информ. технологии. 2008; 5: 24–30.
[Kovalev V.A., Litvin A., Zharikov O.G. Sovremennye vozmozhnosti ispol'zovaniia nekotorykh ekspertnykh sistem v meditsine. Vrach i inform. tekhnologii. 2008; 5: 24–30 (in Russian).]
18. Хайкин С. Нейронные сети: полный курс. 2-е изд. М.: Вильямс, 2006.
[Khaikin S. Neural networks: a complete course. 2nd ed. Moscow: Williams, 2006 (in Russian).]
19. Миркес Е.М. Нейроинформатика: учеб. пособие для студентов. Красноярск: ИПЦ КГТУ, 2002.
[Mirkes E.M. Neuroinformatics: textbook. manual for students. Krasnoyarsk: IPC KSTU, 2002 (in Russian).]
20. Лукьянов И.В., Демченко H.A., Аюпов И.Р. Математическое моделирование послеоперационного течения рака простаты. Мед. вестн. Башкортостана. 2011; 2: 244–8.
[Luk'ianov I.V., Demchenko H.A., Aiupov I.R. Matematicheskoe modelirovanie posleoperatsionnogo techeniia raka prostaty. Med. vestn. Bashkortostana. 2011; 2: 244–8 (in Russian).]
21. Петров С.В., Кореневский Н.А. и др. Применение информационных технологий при урологических заболеваниях. Фундам. исследования. 2015; 1 (Ч. 4); 810–3.
[Petrov S.V., Korenevskii N.A. et al. Primenenie informatsionnykh tekhnologii pri urologicheskikh zabolevaniiakh. Fundam. issledovaniia. 2015; 1 (Ch. 4); 810–3 (in Russian).]
22. Naito S, Kuroiwa K, Kinukawa N et al. Clinicopathological Research Group for Localized Prostate Cancer Investigators Validation of Partin tables and development of a preoperative nomogram for Japanese patients with clinically localized prostate cancer. J Urol 2008; 180: 904–9.
23. Snow PB, Smith DS, Catalona WJ. Artificial neural networks in the diagnosis and prognosis of prostate cancer: a pilot study. J Urol 1994; 152: 1923–6.
24. Babaian J, Fritsche H, Ayala A et al. Performance of a neural network in detecting prostate cancer in the prostate-specific antigen reflex range of 2.5 to 4.0 ng/mL. Urology 2000; 56: 1000–6.
25. Соловов В.А. Нейросетевой анализ в диагностике рака предстательной железы. Вестн. СамГУ – Естественнонауч. сер. 2005; 5 (39): 209–14.
[Solovov V.A. Neirosetevoi analiz v diagnostike raka predstatel'noi zhelezy. Vestn. SamGU – Estestvennonauch. ser. 2005; 5 (39): 209–14 (in Russian).]
26. Лукьянов И.В. Симптомы нижних мочевых путей: перспективы диагностических и лечебных мероприятий с применением элементов искусственного интеллекта. Consilium Medicum. 2008; 2 (4): 24–6.
[Lukyanov I.V. Lower urinary tract symptoms: perspectives of diagnostic and therapeutic measures using the elements of artificial intelligence. Consilium Medicum. 2008; 2 (4): 24–6 (in Russian).]
27. Ганцев Ш.Х., Зимичев А.А., Хрисанов Н.Н., Климентьева М.С. Применение нейронной сети в прогнозировании рака мочевого пузыря. Мед. вестн.Башкортостана. 2010; 3: 44–6.
[Gantsev Sh.Kh., Zimichev A.A., Khrisanov N.N., Kliment'eva M.S. Primenenie neironnoi seti v prognozirovanii raka mochevogo puzyria. Med. vestn. Bashkortostana. 2010; 3: 44–6 (in Russian).]
28. Демченко Н.А. Нейросетевое прогнозирование и мониторирование больных после радикальной позадилонной простатэктомии. Дис. … канд. мед наук. М., 2015.
[Demchenko N.A. Neirosetevoe prognozirovanie i monitorirovanie bol'nykh posle radikal'noi pozadilonnoi prostatektomii. Dis. … kand. med nauk. Moscow, 2015 (in Russian).]
29. Попков В.М., Шатылко Т.В., Королев А.Ю. и др. Оптимизация PSA-скрининга с помощью искусственного интеллекта. Мед. вестн. Башкортостана. 2015; 10 (3): 232–5.
[Popkov V.M., Shatylko T.V., Korolev A.Iu. et al. Optimizatsiia PSA-skrininga s pomoshch'iu iskusstvennogo intellekta. Med. vestn. Bashkortostana. 2015; 10 (3): 232–5 (in Russian).]
30. Никитаев В.Г., Проничев А.Н., Прилепская Е.А. и др. Компьютерные системы поддержки принятия решений в диагностике рака предстательной железы. Эксперим. и клин. урология. 2016; 4: 52–5.
[Nikitaev V.G., Pronichev A.N., Prilepskaia E.A. et al. Komp'iuternye sistemy podderzhki priniatiia reshenii v diagnostike raka predstatel'noi zhelezy. Eksperim. i klin. urologiia. 2016; 4: 52–5 (in Russian).]
31. Ершов А.В., Капсаргин Ф.П., Бережной А.Г., Мылтыгашев М.П. Экспертные системы в оценке данных урофлоуграмм. Вестн. урологии. 2018; 6 (3): 12–6.
[Ershov A.V., Kapsargin F.P., Berezhnoi A.G., Myltygashev M.P. Ekspertnye sistemy v otsenke dannykh uroflougramm. Vestn. urologii. 2018; 6 (3): 12–6 (in Russian).]
32. Sfoungaristos S, Gofrit ON, Yutkin V et al. External validation of CROES nephrolithometry as a preoperative predictive system for percutaneous nephrolithotomy outcomes. J Urol 2015. DOI: 10.1016/j.juro.2015.08.079
33. Tailly T, Okhunov Z et al. Multicenter External Validation and Comparison of Stone Scoring Systems in Predicting Outcomes After Percutaneous Nephrolithotomy J Endourol 2016; 30 (5): 594–601. DOI: 10.1089/end.2015.0700
34. De Nunzio C, Bellangino M, Voglino OA et al. Value of CROES, S.T.O.N.E nomograms and Guy’s stone score as preoperative predictive system for percutaneous nephrolithotomy (PCNL) outcomes. Eur Urol Suppl 2017; 16 (3); e941.
35. Aminsharifi A, Irani D et al. Artificial Neural Network System to Predict the Postoperative Outcome of Percutaneous Nephrolithotomy. J Endourology 31 (5): 461–7. DOI: 10.1089/end.2016.0791
36. Капсаргин Ф.П., Ершов А.В., Зуева Л.Ф. и др. Применение нейронных сетей в выборе метода лечения мочекаменной болезни. Омский науч. вестн. 2015; 1: 68–70.
[Kapsargin F.P., Ershov A.V., Zueva L.F. et al. Primenenie neironnykh setei v vybore metoda lecheniia mochekamennoi bolezni. Omskii nauch. vestn. 2015; 1: 68–70 (in Russian).]
37. Seckiner I, Seckiner S et al. A neural network – based algorithm for predicting stone-free status after ESWL therapy. Int Braz J Urol 2017; 43: 1110–4. DOI: 10.1590/S1677-5538.IBJU.2016.0630
38. Choo M, Uhmn S et al. A Prediction Model Using Machine Learning Algorithm for Assessing Stone-Free Status after Single Session Shock Wave Lithotripsy to Treat Ureteral Stones. J Urol 2018; 200: 1–7. DOI: 10.1016/j.juro.2018.06.077
39. Коцарь А.Г. Математическое моделирование и алгоритмизация прогнозирования, диагностики, профилактики и лечения мочекаменной болезни. Дис. … д-ра мед. наук. Курск, 2014.
[Kotsar' A.G. Matematicheskoe modelirovanie i algoritmizatsiia prognozirovaniia, diagnostiki, profilaktiki i lecheniia mochekamennoi bolezni. Dis. … d-ra med. nauk. Kursk, 2014 (in Russian).]
40. Кривенко М.П., Голованов С.А. Информационно-аналитическая автоматизированная система «МЕГАЛИТ» в оптимизации и диагностики и лечения мочекаменной болезни. Информатика и ее применения. 2013; 7 (4): 82–93.
[Krivenko M.P., Golovanov S.A. Informatsionno-analiticheskaia avtomatizirovannaia sistema "MEGALIT' v optimizatsii i diagnostiki i lecheniia mochekamennoi bolezni. Informatika i ee primeneniia. 2013; 7 (4): 82–93 (in Russian).]
41. Zhu XH, Yang MY, Xia HZ et al. Application of machine learning models in predicting early stone-free rate after flexible ureteroscopic lithotripsy for renal stones. Beijing Da Xue Xue Bao Yi Xue Ban 2019; 51 (4): 653–9. DOI: 10.19723/j.issn.1671-167X.2019.04.010
________________________________________________
2. Turk C et al. Urolithiasis disease. Per. O.V. Antonova; ed. ON. Grigoriev. European Association of Urology, 2016 (in Russian).
3. Tiselius HG, Davison AM, Cameron JS et al. Aetiological factors in stone formation.Oxford textbook of clinical nephrology. 3rd ed. Oxford: Oxford University Press, 2008; p. 1201–23.
4. Indridason OS et al. Epidemiology of kidney stones in Iceland: a population-based study. Scand J Urol Nephrol 2009; 40 (3): 215–20.
5. Chang IH, Kim KD, Moon YT et al. Possible Relationship between Metabolic Syndrome Traits and Nephrolithiasis: Incidence for 15 Years According to Gender. Korean J Urol 2011; 52 (8): 548–53.
6. Romero H, Akpinar DG, Assimos V. Kidney Stones: A Global рicture of рrevalence, incidence, and associated risk actors. Rev Urol 2010; 12 (2): 86–96.
7. Apolikhin O.I. et al. Analiz uronefrologicheskoi zabolevaemosti v Rossiiskoi Federatsii po dannym ofitsial'noi statistiki. Eksperim. i klin. urologiia. 2010; 1: 4–11 (in Russian).
8. Dzeranov N.K. Treatment of urolithiasis is a complex medical problem. Consilium Medicum. Urology. 2003; 5 (1): 18–22 (in Russian).
9. Lopatkin N.A., Ianenko E.K. Mochekamennaia bolezn'. Rus. med. zhurn. 2000; 8 (3): 117–20 (in Russian).
10. Aliaev Iu.G., Rudenko E.V. et al. Sovremennye aspekty medikamentoznogo lecheniia bol'nykh mochekamennoi bolezn'iu. Ros. med. zhurn. 2010; 8: 14–8 (in Russian).
11. Tiktinsky O.L., Alexandrov V.P. Urolithiasis disease. Saint Petersburg: Peter, 2000 (in Russian).
12. Borisov V.V., Dzeranov N.K. Urolithiasis disease. Therapy of patients with kidney and ureteral stones. Moscow, 2011 (in Russian).
13. L'vovich E.Ia., Frolov V.N. Integrirovannaia informatsionnaia sistema intellektual'noi podderzhki priniatiia reshenii pri organizatsii nozologoorientirovannoi meditsinskoi pomoshchi. Sistemnyi analiz i upravlenie v biomed. sistemakh. 2007; 6 (2): 273–6 (in Russian).
14. Zesiukov D.N., Zesiukova Iu.B., Kotova A.V. et al. Logicheskoe modelirovanie protsessa diagnostiki, lecheniia i primeneniia reshenii pri vybore khirurgicheskoi komponenty. Sistemnyi analiz i upravlenie v biomed. sistemakh. 2005; 4 (3): 280–3 (in Russian).
15. Korenevskii N.A. Proektirovanie nechetkikh reshaiushchikh setei, nastraivaemykh po strukture dannykh dlia zadach meditsinskoi diagnostiki. Sistemnyi analiz i upravlenie v biomed, sistemakh. 2005; 4 (1): 12–20 (in Russian).
16. Zharko V.I., Tsybin A.K., Malakhova I.V. et al. Zdorov'e naroda i programma razvitiia zdravookhraneniia Respubliki Belarus'. Vopr. organizatsii i informatizatsii zdravookhraneniia. 2006; 4: 3–7 (in Russian).
17. Kovalev V.A., Litvin A., Zharikov O.G. Sovremennye vozmozhnosti ispol'zovaniia nekotorykh ekspertnykh sistem v meditsine. Vrach i inform. tekhnologii. 2008; 5: 24–30 (in Russian).
18. Khaikin S. Neural networks: a complete course. 2nd ed. Moscow: Williams, 2006 (in Russian).
19. Mirkes E.M. Neuroinformatics: textbook. manual for students. Krasnoyarsk: IPC KSTU, 2002 (in Russian).
20. Luk'ianov I.V., Demchenko H.A., Aiupov I.R. Matematicheskoe modelirovanie posleoperatsionnogo techeniia raka prostaty. Med. vestn. Bashkortostana. 2011; 2: 244–8 (in Russian).
21. Petrov S.V., Korenevskii N.A. et al. Primenenie informatsionnykh tekhnologii pri urologicheskikh zabolevaniiakh. Fundam. issledovaniia. 2015; 1 (Ch. 4); 810–3 (in Russian).
22. Naito S, Kuroiwa K, Kinukawa N et al. Clinicopathological Research Group for Localized Prostate Cancer Investigators Validation of Partin tables and development of a preoperative nomogram for Japanese patients with clinically localized prostate cancer. J Urol 2008; 180: 904–9.
23. Snow PB, Smith DS, Catalona WJ. Artificial neural networks in the diagnosis and prognosis of prostate cancer: a pilot study. J Urol 1994; 152: 1923–6.
24. Babaian J, Fritsche H, Ayala A et al. Performance of a neural network in detecting prostate cancer in the prostate-specific antigen reflex range of 2.5 to 4.0 ng/mL. Urology 2000; 56: 1000–6.
25. Solovov V.A. Neirosetevoi analiz v diagnostike raka predstatel'noi zhelezy. Vestn. SamGU – Estestvennonauch. ser. 2005; 5 (39): 209–14 (in Russian).
26. Lukyanov I.V. Lower urinary tract symptoms: perspectives of diagnostic and therapeutic measures using the elements of artificial intelligence. Consilium Medicum. 2008; 2 (4): 24–6 (in Russian).
27. Gantsev Sh.Kh., Zimichev A.A., Khrisanov N.N., Kliment'eva M.S. Primenenie neironnoi seti v prognozirovanii raka mochevogo puzyria. Med. vestn. Bashkortostana. 2010; 3: 44–6 (in Russian).
28. Demchenko N.A. Neirosetevoe prognozirovanie i monitorirovanie bol'nykh posle radikal'noi pozadilonnoi prostatektomii. Dis. … kand. med nauk. Moscow, 2015 (in Russian).
29. Popkov V.M., Shatylko T.V., Korolev A.Iu. et al. Optimizatsiia PSA-skrininga s pomoshch'iu iskusstvennogo intellekta. Med. vestn. Bashkortostana. 2015; 10 (3): 232–5 (in Russian).
30. Nikitaev V.G., Pronichev A.N., Prilepskaia E.A. et al. Komp'iuternye sistemy podderzhki priniatiia reshenii v diagnostike raka predstatel'noi zhelezy. Eksperim. i klin. urologiia. 2016; 4: 52–5 (in Russian).
31. Ershov A.V., Kapsargin F.P., Berezhnoi A.G., Myltygashev M.P. Ekspertnye sistemy v otsenke dannykh uroflougramm. Vestn. urologii. 2018; 6 (3): 12–6 (in Russian).
32. Sfoungaristos S, Gofrit ON, Yutkin V et al. External validation of CROES nephrolithometry as a preoperative predictive system for percutaneous nephrolithotomy outcomes. J Urol 2015. DOI: 10.1016/j.juro.2015.08.079
33. Tailly T, Okhunov Z et al. Multicenter External Validation and Comparison of Stone Scoring Systems in Predicting Outcomes After Percutaneous Nephrolithotomy J Endourol 2016; 30 (5): 594–601. DOI: 10.1089/end.2015.0700
34. De Nunzio C, Bellangino M, Voglino OA et al. Value of CROES, S.T.O.N.E nomograms and Guy’s stone score as preoperative predictive system for percutaneous nephrolithotomy (PCNL) outcomes. Eur Urol Suppl 2017; 16 (3); e941.
35. Aminsharifi A, Irani D et al. Artificial Neural Network System to Predict the Postoperative Outcome of Percutaneous Nephrolithotomy. J Endourology 31 (5): 461–7. DOI: 10.1089/end.2016.0791
36. Kapsargin F.P., Ershov A.V., Zueva L.F. et al. Primenenie neironnykh setei v vybore metoda lecheniia mochekamennoi bolezni. Omskii nauch. vestn. 2015; 1: 68–70 (in Russian).
37. Seckiner I, Seckiner S et al. A neural network – based algorithm for predicting stone-free status after ESWL therapy. Int Braz J Urol 2017; 43: 1110–4. DOI: 10.1590/S1677-5538.IBJU.2016.0630
38. Choo M, Uhmn S et al. A Prediction Model Using Machine Learning Algorithm for Assessing Stone-Free Status after Single Session Shock Wave Lithotripsy to Treat Ureteral Stones. J Urol 2018; 200: 1–7. DOI: 10.1016/j.juro.2018.06.077
39. Kotsar' A.G. Matematicheskoe modelirovanie i algoritmizatsiia prognozirovaniia, diagnostiki, profilaktiki i lecheniia mochekamennoi bolezni. Dis. … d-ra med. nauk. Kursk, 2014 (in Russian).
40. Krivenko M.P., Golovanov S.A. Informatsionno-analiticheskaia avtomatizirovannaia sistema "MEGALIT' v optimizatsii i diagnostiki i lecheniia mochekamennoi bolezni. Informatika i ee primeneniia. 2013; 7 (4): 82–93 (in Russian).
41. Zhu XH, Yang MY, Xia HZ et al. Application of machine learning models in predicting early stone-free rate after flexible ureteroscopic lithotripsy for renal stones. Beijing Da Xue Xue Bao Yi Xue Ban 2019; 51 (4): 653–9. DOI: 10.19723/j.issn.1671-167X.2019.04.010
Авторы
С.С. Туманян*, И.В. Лукьянов, О.Б. Лоран
ФГБОУ ДПО «Российская медицинская академия непрерывного профессионального образования» Минздрава России, Москва, Россия
*sargis_tumanyan@mail.ru
Medical Academy of Continuous Professional Education, Moscow, Russia
*sargis_tumanyan@mail.ru
ФГБОУ ДПО «Российская медицинская академия непрерывного профессионального образования» Минздрава России, Москва, Россия
*sargis_tumanyan@mail.ru
________________________________________________
Medical Academy of Continuous Professional Education, Moscow, Russia
*sargis_tumanyan@mail.ru
Цель портала OmniDoctor – предоставление профессиональной информации врачам, провизорам и фармацевтам.