Приоритетные параметры радиомического анализа для компьютерной томографии при злокачественных новообразованиях головы и шеи: систематический обзор

Полный текст

Обоснование

Радиомика — новейшее направление современной медицины. Основная задача метода — повышение качества диагностики на основе параметров медицинских изображений, невидимых человеческому глазу: радиомических признаков [1]. Радиомический анализ в лучевой диагностике стремительно развивается [2]. Перспектива метода — широкое использование как вспомогательного инструмента для прогнозирования и принятия решений по тактике лечения.

На сегодняшний момент имеются несколько тысяч радиомических параметров [3], относящихся к трём основных группам:

• характеристики кривой, описывающие свойства изображения;
• текстурные параметры, то есть gray-scale матрицы, характеризующие соотношения пикселей;
• параметры формы.

В каждой из групп радиомических признаков выделяют несколько подгрупп.

Количество параметров, использованных в исследованиях, варьирует от нескольких десятков до нескольких тысяч и зависит от способа выделения радиомических признаков: вручную или благодаря алгоритмам машинного обучения [3, 4]. Распределение по основным группам определённых параметров также максимально разнообразно: могут быть включены все группы признаков в разных пропорциях, либо, например, включены только текстурные признаки и не включены параметры формы. Выбор числа радиомических признаков и их состава при ручной обработке («handcrafted features») в настоящий момент зависит в основном от выбранного приложения для анализа и интуиции исследователя.

Перспектива внедрения радиомики как вспомогательного диагностического инструмента во врачебную практику ставит вопрос об унифицировании набора радиомических признаков [5, 6]. Отобранные для широкого практического использования признаки должны быть воспроизводимы между разными исследованиями. Однако имеется целый ряд факторов, различающих эти исследования: анализируемые структуры, тип прогноза, способ получения и обработки изображений, статистические методы анализа радиомических признаков.

Цель

Цель настоящего исследования — систематизация данных по используемым параметрам радиомического анализа при раке головы и шеи, выявленным по данным компьютерной томографии (КТ). Рак шеи и головы, включающий новообразования в области горла, гортани, носа, пазух и рта [7], был выбран как один из самых распространённых видов рака [8], требующий мультимодальной диагностики, начиная с КТ [9–11].

Материалы и методы

Поисковая стратегия

Поиск осуществлялся в базе PubMed. Поисковый запрос ограничивался английским языком. Даты поиска выбраны таким образом, чтобы списки литературы в большинстве своём не перекрывались между нашим и другими исследованиями: с 15 ноября 2020 года по 1 июня 2023 года [12–14].

Поисковый запрос выглядел следующим образом:

«head and neck neoplasms»[MeSH Terms] AND («artificial intelligence»[MeSH Terms] OR («artificial»[All Fields] AND «intelligence»[All Fields]) OR «artificial intelligence»[All Fields] OR («deep learning»[MeSH Terms] OR («deep»[All Fields] AND «learning»[All Fields]) OR «deep learning»[All Fields]) OR («machine learning»[MeSH Terms] OR («machine»[All Fields] AND «learning»[All Fields]) OR «machine learning»[All Fields]) OR («neural networks, computer»[MeSH Terms] OR («neural»[All Fields] AND «networks»[All Fields] AND «computer»[All Fields]) OR «computer neural networks»[All Fields] OR («neural»[All Fields] AND «network»[All Fields]) OR «neural network»[All Fields]) OR «radiomic*»[All Fields]) OR «radiomic features*»[All Fields]) OR «radiomics features*»[All Fields]) AND («node*»[All Fields] OR «lymph node*»[All Fields] OR («nodal»[All Fields] OR «nodally»[All Fields] OR «nodals»[All Fields]) OR «metastas*»[All Fields]).

Критерии включения: оригинальные исследовательские статьи.

Критерии исключения: обзоры, метаанализы, а также клинические случаи, в которых исследовали опухоли шеи и головы радиомическими методами.

Дизайн исследования соответствует методическим рекомендациям PRISMA (Preferred Reporting Items for Systematic reviews and Meta-Analyses) [15].

Названия и абстракты найденных по поисковому запросу статей были независимо проанализированы двумя экспертами. В результате был отобран ряд статей для полнотекстового анализа. В случае расхождений относительно включения статьи в анализ привлекался третий эксперт, принимавший финальное решение. Дополнительный анализ списков литературы включённых работ для выявления публикаций, подходящих для настоящего исследования («snowballing»), не проводился.

Извлечение информации и оценка качества статьи

Из полных текстов отобранных статей извлекали следующую информацию:

• имя первого автора и имя ответственного автора;
• название статьи, год выхода, DOI;
• название журнала, импакт-фактор;
• страна, где выполнили исследование;
• задачи исследования;
• дизайн (проспективное/ретроспективное, одноцентровое/многоцентровое);
• критерии включения/исключения пациентов;
• число пациентов, их пол и возраст;
• локализация опухоли и её тип;
• общее число извлечённых радиомических признаков;
• распределение радиомических признаков по классам (оценивалось или нет); если оценивалось, то рассматривали следующие классы:

— параметры формы (2D и 3D);

— параметры первого типа;

— параметры второго типа: текстурные параметры с несколькими подгруппами (Gray Level Co-occurrence Matrix, GLCM; Gray Level Run Length Matrix, GLRLM; Gray Level Size Zone Matrix, GLSZM; Neighbouring Gray Tone Difference Matrix, NGTDM; Gray Level Dependence Matrix, GLDM);

• способ анализа радиомических признаков:

— использовали машинное обучение или нет;

— в случае «handcrafted radiomics» — использованные статистические методы для отбора радиомических признаков;

• число отобранных авторами радиомических признаков в качестве имеющих предсказательную силу, а также их значимость.

Качество отобранных статей оценено двумя способами: по специализированной для радиомических исследований системе RQS 2.0 (Radiomics Quality Score 2.0) [16] и по универсальной для медицинских исследований системе QUADAS-2 (Quality Assessment of Diagnostic Accuracy Studies 2) [17, 18], модифицированной под задачи искусственного интеллекта — QUADAS-CAD

Анализ радиомических признаков

Из каждой отобранной статьи были извлечены радиомические признаки, определённые авторами как значимые для прогноза. Рассматривались признаки, полученные и на оригинальных изображениях, и на прошедших постпроцессинг. Учитывались признаки, отобранные разными статистическими методами: машинное обучение, регрессионный анализ, дисперсионный анализ, ресэмплинг (resampling), оценка по внутриклассовому коэффициенту корреляции. Если в исследовании тестировали несколько разных гипотез, то осуществлялось извлечение радиомических признаков, приведённых для каждой гипотезы отдельно. В двух исследованиях авторы для всех извлечённых радиомических параметров приводят в открытом доступе статистики, характеризующие устойчивость этих параметров — внутриклассовый коэффициент корреляции [19] и p-level для дисперсионного анализа [20], при этом не проводя редукцию числа параметров. В этих случаях мы, основываясь на приведённых открытых данных, самостоятельно отбирали наиболее устойчивые радиомические параметры для нашего анализа.

Оценивали степень перекрывания наборов значимых радиомических признаков как между исследованиями, так и внутри одного исследования для разных конечных точек.

Результаты

Поиск литературы и отбор работ

По начальному поисковому запросу было получено 804 ссылки, у этих ссылок проанализировали названия и абстракты. В результате 762 ссылки были исключены как неподходящие (рассмотрены другие типы рака, не использовался радиомический анализ). По результатам анализа названия и абстракта включены 42 публикации (рис. 1). Из них в итоговый анализ было включено 11 статей, а 31 статья была исключена (11 статей использовали магнитно-резонансную томографию, 2 — ультразвуковое исследование; 7 исследовали рак щитовидной железы, 1 — рак пищевода; в 10 работах авторы не приводили используемые радиомические параметры).

 

Рис. 1. Блок-схема систематического поиска литературы. МРТ — магнитно-резонансная томография, УЗД — ультразвуковая диагностика

 

Базовые характеристики статей

Приложение 1 суммирует базовые характеристики отобранных для обзора статей. Из 11 статей 5 выполнены в Китае [19, 21–24], 3 — в Европе (из них одна — в Италии) [25], и по одной статье — в Португалии/Австрии/Германии [26], Нидерландах [27], США [28], Канаде [20] и Тайланде [29]. Самые высокорейтинговые публикации были в журналах Cancers (импакт-фактор 6.575) [20] и European Radiology (импакт-фактор 6.020) [21]. Все исследования — ретроспективные. Восемь из включённых исследований — одноцентровые [20–23, 25, 27–29], три — многоцентровые [19, 24, 26].

Радиомические признаки использовали для прогноза общей выживаемости [25, 26, 29], выживаемости без прогрессирования [25, 29], выживаемости без отдалённых метастазов [28], риска локорегиональных рецидивов [25, 26, 28], оценки появления отдалённых метастазов [26], предоперационного прогнозирования метастазов в лимфатические узлы [21, 23, 24], классификации увеличенных шейных узлов [22]. В одной работе исследовали влияние устойчивости радиомических параметров на качество радиомических моделей [18]. Различия в свойствах радиомических признаков в зависимости от расположения опухоли исследовали в одной статье [20]. Валидацию ранее построенной модели на других данных проводили в одной работе [27].

Качество включённых работ по шкале RQS 2.0

Приложение 2 суммирует оценку качества статей по специализированной системе для радиомического анализа RQS 2.0 [4]. Диапазон баллов для исследованных статей изменяется от 7 (19,44%) [20] до 18 (50,00%) [22] из возможных 36 (100%) баллов, при среднем значении и стандартном отклонении 10 и 4 соответственно.

В 7 из 11 случаев (64%) процесс получения изображений был хорошо запротоколирован [21–26, 28]. Пять работ (45%) учитывали влияние сегментации (повторная сегментация двумя исследователями, алгоритмы сегментации, внесение случайного шума) на извлечение радиомических признаков [22, 23, 25, 29, 30]. X. Teng и соавт. [20] оценивали надёжность радиомических признаков при мультицентровом характере исследований, а также влияние разных признаков на надёжность моделей в целом. Ни в одной из рассматриваемых работ не проводили анализа устойчивости радиомических признаков к временным вариациям (например, движению органов, увеличению/уменьшению размеров органов). Проблема переобучения моделей и редукция числа радиомических признаков в моделях с выбором наиболее значимых рассматривалась в 10 статьях (91%) [19, 21–29]. Построение моделей на объединённых наборах радиомических и клинических признаков, сопоставление смешанных, радиомических и клинических моделей проводили в 8 работах (73%) [22, 24–30]. Во всех исследованиях (100%) приводятся значения достоверности и качества дискриминации (AUC, p-value, в том числе полученные при ресэмплировании данных) [31]. Достаточно низкие показатели найдены для валидации полученных радиомических моделей. Так, валидацию использовали всего в 3 статьях (27%) [20, 23, 26], из них только в одной работе (9%) использовали валидацию с привлечением данных из другого центра [26]. Кроме того, низкие показатели в плане прозрачности данных: только в двух статьях данные находятся в открытом доступе — сами изображения [25] и извлечённые радиомические признаки [18].

Качество включённых работ по шкале QUADAS-CAD

Табл. 1 и табл. 2 суммируют оценку риска систематической ошибки, данную по QUADAS-CAD [17]. Общий риск систематической ошибки высок в 6 из 11 проанализированных статей (54,5%) [19, 20, 25, 26, 28, 29]. В 5 из 11 статей (45,5%) риск систематической ошибки низкий [21–24, 27]. Риск систематической ошибки из-за несбалансированности данных высокий в 7 исследованиях (64%) [19, 20, 23, 25, 26, 28, 29] и низкий в 4 (36%) [21, 22, 24, 27]. В большинстве случаев этот риск связан с несбалансированностью выборки по демографическим параметрам и характеру патологий. Машинное обучение использовали в шести статьях [19, 20, 22, 24, 26, 28], соответственно, часть вопросов блока D2 имеет отношение только к ним. Вероятность систематической ошибки вследствие выбранного способа использования и интерпретации индексных тестов была высокой в 4 исследованиях (36%) [19, 20, 26, 29], умеренной в 1 случае (9,5%) [28] и низкой в 6 работах (54,5%) [21–25, 27]. В большинстве случаев (64%) риск ошибки, связанный с оценкой референсных стандартов, был низким [19, 21–24, 27, 29]. В некоторых случаях был не ясен уровень компетенций врачей, оценивающих референсные значения; в связи с этим риск систематической ошибки был оценён как высокий (27%) [28] или умеренный (9%) [20, 25, 26]. Высокая вероятность систематических ошибок вследствие гетерогенности данных была обнаружена в 3 исследованиях (27%) [20, 25, 28], а низкая — в 8 исследованиях (73%) [19, 21–24, 26, 27, 29]. Причина неоднозначности оценок в некоторых случаях обусловлена низким уровнем детализации при описании путей анализа данных.

 

Таблица 1. Опросник по QUADAS-CAD

Домен

Вопросы

Franzese С., 2023

Gonçalves M., 2022

Zhao X., 2023

Teng X., 2022

Zhang W., 2022

Yang G., 2022

Intarak S., 2022

Morgan H., 2021

Li J., 2021

Liu X., 2021

Zhai T., 2021

D1

Были ли данные (обучающие и тестовые наборы) сбалансированы по тяжести (включая отсутствие) целевой патологии?

нет

нет

да

неясно

да

да

нет

нет

да

нет

да

Были ли данные (обучающие и тестовые наборы) сбалансированы с точки зрения демографических факторов?

нет

нет

да

неясно

да

нет

нет

неясно

да

нет

да

Избежало ли исследование неуместных исключений?

да

нет

да

неясно

да

да

неясно

неясно

да

неясно

да

D2

Если использовалась нейронная сеть, были ли наборы данных обучения и тестирования не пересекающимися или похожими?

–

да

–

неясно

да

–

–

да

да

неясно

–

Если использовалась нейронная сеть, был ли рационален размер каждого набора данных?

–

нет

–

да

да

–

–

да

да

да

–

Если использовался порог патологии, был ли он установлен заранее?

да

–

да

–

да

да

нет

неясно

да

неясно

да

Если использовался порог принятия решения (для искусственного интеллекта), был ли он задан заранее?

–

–

–

–

–

–

–

неясно

–

–

–

D3

Может ли референсный стандарт правильно классифицировать целевое состояние?

неясно

неясно

да

да

да

да

да

неясно

да

да

да

Были ли результаты референсных стандартов подготовлены или проверены с необходимым уровнем экспертизы?

неясно

неясно

да

да

неясно

да

да

неясно

да

неясно

да

D4

Была ли прозрачность в том, как были получены результаты?

неясно

да

да

да

да

да

да

нет

да

да

да

Все ли данные пациентов имели один и тот же референсный стандарт?

неясно

да

да

да

неясно

да

да

нет

неясно

нет

да

 

Таблица 2. Оценка риска смещения по QUADAS-CAD

Первый автор, год	D1	D2	D3	D4	Общая оценка	Вес (%)
Franzese С., 2023	высокий	низкий	некоторые сомнения	высокий	высокий	2
Gonçalves M., 2022	высокий	высокий	некоторые сомнения	низкий	высокий	4
Zhao X., 2023	низкий	низкий	низкий	низкий	низкий	10
Teng X., 2022	высокий	высокий	низкий	низкий	высокий	32
Zhang W., 2022	низкий	низкий	низкий	низкий	низкий	6
Yang G., 2022	высокий	низкий	низкий	низкий	низкий	4
Intarak S., 2022	высокий	высокий	низкий	низкий	высокий	4
Morgan H., 2021	высокий	некоторые сомнения	высокий	высокий	высокий	1
Li J., 2021	низкий	низкий	низкий	низкий	низкий	15
Liu X., 2021	высокий	высокий	некоторые сомнения	высокий	высокий	14
Zhai T., 2021	низкий	низкий	низкий	низкий	низкий	6

 

Использованные методы в статьях

Число извлечённых радиомических признаков варьирует от 36 [20] до 5486 [19]. Подробная информация о распределении извлечённых радиомических признаков по классам приводится в 5 статьях [22, 23, 25, 26, 28].

Машинное обучение для радиомического анализа использовали в 6 исследованиях [19, 20, 22, 24, 26, 28]. В остальных 5 работах для оценки значимости радиомических признаков в прогнозах использовали регрессионный анализ [25, 29], дисперсионный анализ (ANOVA) [23], внутриклассовый коэффициент корреляции (ICC) [29], ресэмплирование данных [28], одномерные тесты для попарного сравнения признаков (t-test, Mann–Whitney U test, chi-square test, Fisher exact test) [21, 23, 27].

Число отобранных признаков в статьях варьирует от 2 [25, 27] до 19 [26]. В двух статьях авторы не производят отбор наиболее значимых признаков, а приводят соответствующие статистики для каждого из извлечённых признаков в приложении — ICC [19] и процент повторов признаков в репликах [28].

Анализ воспроизводимости признаков

Всего в 11 исследованиях в качестве валидных для прогностических моделей отобран 191 радиомический признак (см. Приложение 1), среди которых к признакам первого порядка относятся 47. Из них в пяти случаях (11%) один и тот же признак встречается в двух разных исследованиях, в остальных случаях признаки между исследованиями не повторяются. К характеристикам формы относятся 25 радиомических признаков. Из них в пяти случаях (20%) один и тот же признак встречается в двух разных исследованиях. В двух случаях (8%) один и тот же признак встречается в трёх разных исследованиях. В остальных случаях признаки между исследованиями не повторяются. К признакам второго порядка относятся 119 радиомических признаков. Из них в одном (0,8%) случае один и тот же признак встречается в двух разных исследованиях.

В двух статьях радиомические признаки практически полностью воспроизводятся для разных моделей [23, 29]. Ещё в двух исследованиях радиомические признаки не воспроизводятся между разными моделями [25, 28].

Обсуждение

В статье суммированы работы по радиомическому анализу злокачественных новообразований головы и шеи при КТ за 2021–2023 гг. с фокусом на формировании списка часто используемых и надёжных радиомических параметров. В проанализированной литературе наблюдается большое разнообразие использованных подходов: начиная от способов получения изображений и их постобработки, до привлекаемых программ для извлечения радиомических параметров и статистических методов их обработки. Кроме того, при построении прогностических радиомических моделей всегда проводится редукция числа радиомических параметров. Отбор параметров осуществляется самыми разными методами — от одномерных статистических тестов до машинного обучения — и определяется исключительно предпочтениями авторов. Выбранные статистические методы редукции числа признаков также существенно влияют на результат отбора параметров. Одна из основных проблем современной радиомики — сложность генерализации и внедрения в практику успехов отдельных исследований — не решена до настоящего момента, что подчёркивают результаты последнего метаанализа метаанализов [30].

Качество исследований

Анализ в сравнительном аспекте предыдущих систематических обзоров радиомических исследований злокачественных образований головы и шеи [13, 32] и нашего нового исследования обнаруживает ряд методологических проблем, сохраняющихся в течение десятилетия.

Одна из основных проблемных точек радиомических исследований — отсутствие валидации полученных радиомических моделей на внешних данных. В проанализированном нами наборе статей только в одном случае проводили валидацию с привлечением данных из другого центра [33].

Другая ключевая проблема — это непрозрачность данных и недостаточно полное описание методик анализа, что препятствует воспроизведению полученных в таких работах результатов. Хотя не секрет, что воспроизводимость результата — один из базовых критериев научного подхода, а также основа для внедрения метода в практику [34].

Наши выводы согласуются с оценками, данными в других систематических обзорах. Так, во всех четырёх найденных нами обзорах исследований злокачественных образований головы и шеи [12, 13, 32, 35] отмечается недостаток валидации результатов на внешних данных. C. Giannitto и соавт. [13] отмечают также непрозрачность использованных в исследованиях методик, обусловленную недостаточно подробным описанием хода исследования, и отсутствие оценок потенциала внедрения результатов в клиническую практику. A. Guha и соавт. [12] отмечают высокую гетерогенность в методиках, что затрудняет обобщение результатов исследований.

В настоящий момент активно развивается инициатива по стандартизации биомаркёров лучевой диагностики IBSI [36]. C учётом детальности проработки проблемы и числа участников сообщества, данная инициатива может стать прекрасным шагом на пути к решению проблемы непрозначности радиомического анализа. Тщательное планирование клинических испытаний алгоритмов на основе интеллектуальных технологий также может повысить воспроизводимость и надёжность результатов [37].

Создание открытого пространства для радиомических исследований позволит размещать там и отрицательные результаты, которые, как правило, не публикуются в рецензируемых источниках из-за так называемой «положительной систематической ошибки» [38]. Это крайне важно для минимизации систематических ошибок при оценке эффективности радиомического подхода. Дополнительно, благодаря мета-исследованию B. Koca и соавт. [39], можно выделить проблемы преобладания ретроспективного дизайна исследований (95%, 142 из 149) и отсутствия референс-теста в значительной части работ (44%, 66 из 149) [39].

Основной частью рассматриваемого метода являются радиомические параметры, описывающие взаимоотношения между вокселями, 2D- и 3D-характеристики образований и другие их свойства. На текущий момент известно несколько тысяч таких параметров, однако консенсус по диагностической ценности как каждого из них, так и различных их сочетаний не достигнут. В проанализированных статьях наблюдается большой разброс в числе выбранных признаков — от единиц до тысяч. Подробно группы признаков, отражающие разные свойства новообразований, описываются в менее чем половине исследований. А в трёх статьях авторы вообще не заостряют внимание на том, какие именно радиомические параметры попали в модели. Устойчивость радиомических параметров в многоцентровых исследованиях оценивали только в одной работе из проанализированных.

Для возможности внедрения прогностических радиомических моделей в широкую клиническую практику назрела необходимость выделения блока приоритетных параметров, основанных на оценке их устойчивости и воспроизводимости. Нами была сделана попытка выбрать наиболее часто встречающиеся в прогностических моделях радиомические параметры. Результаты показали, что воспроизводимость радиомических параметров крайне низка, что происходит из-за большого разнообразия используемых методик. Это согласуется с предположениями предыдущих исследователей о том, что радиомические параметры могут быть случайны и не воспроизводимы [40]. Рекомендовать какой-то блок радиомических параметров для практического использования в настоящий момент нельзя. Прежде всего должна быть проведена унификация радиомических методик и приняты рекомендуемые стандарты, после чего возможно будет выделение базового блока радиомических параметров с целью внедрения радиомического анализа медицинскую визуализацию [41]. Унификация радиомического анализа также зависит от работ в области стандартизации протоколов исследований и контроля постобработки [42].

Ограничения нашего подхода

Наша работа имеет ряд ограничений, характерных для систематических обзоров. Поскольку нашей задачей было обеспечить максимально широкий обзор существующих на данный момент исследований злокачественных новообразований головы и шеи, в обзор включены исследования и первичных, и вторичных новообразований, а также разных в гистологическом плане опухолей головы и шеи.

Поиск ограничивался базой PubMed и англоязычными работами, что, вероятно, несколько уменьшило число обнаруженных нами исследований.

Во всех исследованиях наблюдалась несбалансированность данных. Были включены только случаи патологий и не были включены непатологические случаи. Кроме того, наблюдается несбалансированность данных по демографическим параметрам.

Всё это позволило провести нам только качественный синтез с использованием описательной статистики, а не полноценный метаанализ. Тем не менее наше исследование выявило основные проблемные точки в современной радиомике и дальнейшее направление исследований в этой области.

Заключение

Радиомика — динамично развивающаяся современная область. Наблюдается нарастающее число исследований с применением радиомических подходов. Мы обнаружили, что основные проблемы в этой области, препятствующие внедрению этого многообещающего метода в клиническую практику, — это низкая прозрачность исследований, отсутствие открытых баз данных и отсутствие унифицированных подходов к радиомическим исследованиям. Основным направлением в развитии радиомики должно быть создание общепринятых стандартов в получении изображений, их обработке и стратегиях моделирования. Важно при проведении исследований использовать инструменты для оценки рисков систематической ошибки, например, QUADAS-2 или его модифицированные для определённых задач варианты, и учитывать рекомендации по снижению этих рисков. Необходимо также, чтобы радиомические данные были общедоступны, как это принято, например, для генетических исследований. Создание блока устойчивых радиомических параметров — необходимое условие для внедрения метода в клиническую практику. Платформа IBSI является хорошим решением для стандартизации и публикации в открытом доступе радиомических данных.

Дополнительная информация

Приложение 1 «Базовые характеристики статей»

DOI: https://doi.org/10.17816/DD623240-4214843

Приложение 2 «Оценка качества радиомики по RQS-2.0»

DOI: https://doi.org/10.17816/DD623240-4214842

Источник финансирования. Данная статья подготовлена авторским коллективом в рамках научно-исследовательской работы «Научное обоснование методов лучевой диагностики опухолевых заболеваний с использованием радиомического анализа» (№ в Единой государственной информационной системе учёта: № 123031500005-2) в соответствии с Приказом от 21.12.2022 № 1196 «Об утверждении государственных заданий, финансовое обеспечение которых осуществляется за счет средств бюджета города Москвы государственным бюджетным (автономным) учреждениям подведомственным Департаменту здравоохранения города Москвы, на 2023 год и плановый период 2024 и 2025 годов» Департамента здравоохранения города Москвы.

Конфликт интересов. Авторы заявляют об отсутствии конфликтов интересов.

Вклад авторов. Авторы подтверждают соответствие своего авторства международным критериям ICMJE (все авторы внесли существенный вклад в разработку концепции, проведение исследования и подготовку статьи, прочли и одобрили финальную версию перед публикацией). Наибольший вклад распределён следующим образом: Ю.А. Васильев, А.В. Владзимирский, О.В. Омелянская — концепция исследования, согласование финальной версии рукописи; Р.В. Решетников, И.А. Блохин, О.Г. Нанова ― обзор литературы, анализ данных, написание текста статьи.

Об авторах

Юрий Александрович Васильев

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: npcmr@zdrav.mos.ru
ORCID iD: 0000-0002-0208-5218
SPIN-код: 4458-5608

канд. мед. наук

Россия, Москва

Ольга Геннадьевна Нанова

Научно-практический клинический центр диагностики и телемедицинских технологий

Автор, ответственный за переписку.
Email: NanovaOG@zdrav.mos.ru
ORCID iD: 0000-0001-8886-3684
SPIN-код: 6135-4872

канд. биол. наук

Россия, Москва

Иван Андреевич Блохин

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: i.blokhin@npcmr.ru
ORCID iD: 0000-0002-2681-9378
SPIN-код: 3306-1387
Россия, Москва

Роман Владимирович Решетников

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: reshetnikov@fbb.msu.ru
ORCID iD: 0000-0002-9661-0254
SPIN-код: 8592-0558

канд. физ.-мат. наук

Россия, Москва

Антон Вячеславович Владзимирский

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: npcmr@zdrav.mos.ru
ORCID iD: 0000-0002-2990-7736
SPIN-код: 3602-7120

д-р мед. наук, профессор

Россия, Москва

Ольга Васильевна Омелянская

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: o.omelyanskaya@npcmr.ru
ORCID iD: 0000-0002-0245-4431
SPIN-код: 8948-6152
Россия, Москва

Список литературы

Дополнительные файлы