Кластерный анализ административных территорий по показателям здоровья и здравоохранения (на примере Красноярского края) Текст научной статьи по специальности «Науки о здоровье»

Вопросы практического здравоохранения и случаи из практики

© ВИНОГРАДОВ К.А., АРТЮХОВ И.П., РОССИЕВ A.A., РОССИЕВ Д.А. -УДК 614.1:313.13(571.5)

КЛАСТЕРНЫЙ АНАЛИЗ АДМИНИСТРАТИВНЫХ ТЕРРИТОРИЙ ПО ПОКАЗАТЕЛЯМ ЗДОРОВЬЯ И ЗДРАВООХРАНЕНИЯ (на примере Красноярского края)

К.А. Виноградов, И.П. Артюхов, A.A. Россиев*, Д.А. Россиев.

(Красноярская государственная медицинская академия, ректор - акад. РАЕН, проф. В.И. Прохорен-ков, *Институт вычислительного моделирования СО РАН (г. Красноярск), директор - член-корр. РАН, проф. В.В. Шайдуров)

Резюме. Проведена типизация и выделение относительно похожих административных территорий с помощью кластерного анализа. Кластеризация регионов с учетом главных компонент позволила выделить 5 кластеров, четко различающихся по соотношению затрат, обеспеченности кадрами и здоровья населения. Использованная в работе технология, включающая комбинацию двух математических методов, может быть применена для анализа систем здравоохранения в крупных регионах России.

Красноярский край - один из самых крупных регионов России с населением более 3 млн. человек. Административные территории края существенно различаются по многим характеристикам -климату, экологии, населенности, доступности медицинской помощи, уровню культуры населения и т.д. Эффективное централизованное управление здравоохранением такого региона представляет собой трудную задачу, в решении которой необходимо учитывать множество различающихся факторов, использовать дифференцированный подход к развитию системы здравоохранения, планированию мероприятий и затрат.

Для такого эффективного управления особенно актуальной становится задача использования типизации отдельных регионов края с учетом взаимосвязей между различными факторами, с большей или меньшей силой оказывающими влияние на планирование и результат управленческих решений. При этом возникает потребность использования информационных технологий, пр-зволяющих проводить совокупный анализ данных, выделять наиболее значимые из них, находить взаимосвязи и взаимозависимости самых разных показателей. Имеющиеся статистические данные, безусловно, помогают в принятии управленческих решений, однако обилие показателей далеко не всегда позволяет осмыслить ситуацию в целом.

Целью данного исследования стала типизация и выделение относительно похожих групп в системе из 49 регионов (административных территорий) Красноярского края с помощью кластерного анализа.

Для достижения цели были поставлены следующие задачи:

1. Анализ структуры имеющихся статистических данных и выбор способов их группировки;

2. Анализ данных, предварительная кластеризация и экспертная оценка регионов для выбора оптимального количества кластеров;

3. Проведение кластеризации регионов по имеющимся статистическим данным;

4. Анализ полученных результатов и типизация регионов.

Методы и материалы

В системе здравоохранения Красноярского края устанавливается деление всей территории края на 49 административных единиц, которые включают 7 городов (Бородино, Дивногорск, Игарка, Красноярск, Лесосибирск, Норильск, Сосно-воборск)и 42 района.

Для разделения этих 49 объектов на кластеры были использованы 864 относительных параметра, группирующиеся в 2 основных блока:

1. “Здоровье населения” (общая, первичная заболеваемость по возрастным группам и по классам заболеваний, аборты, преждевременные роды и др., за 1999 г.)

2. “Кадры” (в системе здравоохранения) (обеспеченность врачами различных специальностей, число жителей на 1 врача, среднего медработника, койку, бригаду скорой-, помощи и др., за 1999 г.)

Кроме того, использовался параметр “Затраты на одного жителя в системе здравоохранения” (за 1999 г.), не вошедший в какой-либо блок.

Методы кластерного анализа [3-7] позволяют разбить изучаемую совокупность объектов на группы “схожих” объектов, называемых кластерами.

Большинство методов кластеризации (иерархической группировки) являются агломеративны-ми (объединительными) - они начинают с создания элементарных кластеров, каждый из которых состоит ровно из одного исходного наблюдения (одной точки), а на каждом последующем этапе происходит объединение двух наиболее близких кластеров в один. Это - иерархическая восходящая классификация. Момент остановки этого процесса может задаваться исследователем (например, указанием требуемого числа кластеров или максимального расстояния, при котором допустимо объединение). Графическое изображение процесса объединения кластеров может быть получено с помощью дендрограммы - дерева объединения кластеров. Другие методы кластерного анализа являются дивизивными - они пытаются разбивать объекты на кластеры непосредственно -производятся последовательные разделения, начиная с множества всех элементов. Это - иерархическая нисходящая классификация.

С математической точки зрения восходящая и нисходящая классификации дают одинаковый результат - индексированную иерархическую классификацию. Но обычно восходящие методы на практике приводят к лучшим результатам.

Таким образом, методы кластеризации довольно разнообразны, в них по разному выбирается способ определения близости между кластерами (и между объектами), а также используются различные алгоритмы вычислений. Заметим, что результаты кластеризации зависят от выбранного метода, и эта зависимость тем сильнее, чем менее явно изучаемая совокупность разделяется на группы объектов.

В расчетах использовались как восходящая, так и нисхбдяшая иерархические классификации по методу полной связи (дальнего соседа), а так же разбиение на классы с использованием метода динамических ядер [2].

Для анализа полученных разбиений использовались методы итерационного моделирования данных (как полных, так и с пропусками) линейными и самоорганизующимися многообразиями малой размерности [1].

Все расчеты в данном исследовании проводились с помощью программы “Model Analyzer 2.0”, разработанной A.A. Россиевым (Институт вычислительного моделирования СО РАН, лаборатория неравновесных систем).

Одной из основных проблем при проведении кластерного анализа является выбор оптимального количества кластеров, особенно, в том случае, когда в пространстве признаков не наблюдается четкого разделения объектов на группы. В таком случае выбор количества кластеров приходится проводить во многом из субъективных соображений, например: удобства последующего анализа,

ограничения максимального количества кластеров, экспертной оценки.

В данном исследовании для нахождения оптимального количества кластеров использовалась комбинация из двух методов:

1. Оценка параметров кластеризации

Оценка параметров кластеризации проводилась по полной инерции разбиений на число кластеров от 2 до 15.

Начиная с некоторого значения уровня (в дереве классификации - другими словами, числа кластеров) инерция разбиения при переходе от уровня к уровню практически перестает изменяться (иногда совершая небольшие скачки). Наиболее часто прекращение изменения инерции наблюдалось начиная с разбиения на 5 кластеров.

Качество разбиения оценивалось по сумме расстояний точек данных до центров соответствующих им кластеров. Исходя из этого критерия использовалась либо восходящая, либо нисходящая классификация.

2. Экспертная оценка

Экспертная оценка строится на знании ситуации в здравоохранении в регионах, “похожести” регионов по различным показателям, а также на выделении “особенных” (т.е. достаточно уникальных по сравнению с остальными) регионов в системе. Такими “особенными” регионами в Красноярском крае являются, например, сам г. Красноярск, г. Норильск. Следует ожидать, что такие регионы при оптимальном разделении на кластеры окажутся в кластерах с малым количеством объектов либо даже будут представлять кластер в единственном числе.

Результаты и обсуждение

Для задач исследования был проведен ряд экспериментов с данными. Для этого были использованы три блока параметров:

1. показатели здоровья населения за 1999 год,

2. показатели обеспеченности кадрами за 1999 год,

3. показатель “Затраты на одного жителя в системе здравоохранения (1999 год)”.

Для анализа данных первого и второго блоков были использованы методы итерационного моделирования данных линейными и самоорганизующимися многообразиями малой размерности [1]. Цель применения данных методов заключалась в упорядочивании объектов (регионов) по главной компоненте в пространстве признаков данного блока. Это позволило отсортировать регионы на условной шкале “хорошо - плохо” по каждому блоку данных. Обычными методами это сделать затруднительно, так как, например, заболеваемость по одному классу заболеваний в регионе может быть низкая, по другому классу - высокая; при этом число параметров достаточно велико, а число комбинаций значений может быть практически бесконечным. Поэтому важно выделить параметры, оказывающие наибольшее влияние на разделение данных по кластерам. 10 наиболее информативных параметров отдельно для блоков 1 и 2 представлены в таблицах 1 и 2.

Таблица 1

Наиболее информативные параметры для блока “Здоровье населения (1999 г.)"

№ п.п. Параметры Относительная значимость

1. общая заболеваемость, дети всего 1999 0,876

2. первичная заболеваемость, дети всего 1999 0,835

3. первичная заболеваемость, дети VIII кл 1999 0,769

4. общая заболеваемость, взрослые VIII кл 1999 0,747

5. общая заболеваемость, взрослые всего 1999 0,670

6. общая заболеваемость, дети XIV кл 1999 0,650

7. общая заболеваемость, дети VIII кл 1999 0,636

8. заболеваемость гонореей на 100000 населения 1999 0,634

9. первичная заболеваемость, взрослые всего 1999 0,631

10. первичная заболеваемость, дети XVII кл 1999 0,630

Таблица 2

Наиболее информативные параметры для блока “Кадры (1999 г.)"

№ п.п. Параметры Относительная значимость

1. обеспеченность врачами всего на 10 тыс 1999г 1,010

2. обеспеченность врачами скорой помощи на 10 тыс 1999г 0,987

3. обеспеченность акушерами-гинекологами на 10 тыс 1999г 0,923

4. обеспеченность урологами на 10 тыс 1999г 0,919

5. обеспеченность офтальмологами на 10 тыс 1999г 0,891

6. обеспеченность педиатрами на 10 тыс 1999г 0,852

7. обеспеченность пульмонологами на 10 тыс 1999г 0,804

8. обеспеченность терапевтами всего на 10 тыс 1999г 0,779

9. обеспеченность кардиологами на 10 тыс 1999г 0,719

10. обеспеченность отоларингологами на 10 тыс 1999г 0,560

Согласно расположению регионов в пространстве признаков вдоль главной компоненты регионы были упорядочены по 1 и 2 блокам. Результаты приведены в таблице 3. Рассмотрим эту таблицу подробнее.

В блоке 1 регионы упорядочены по убыванию совокупного (рассчитанного с помощью вышеуказанного метода) уровня здоровья населения. На первых местах находятся Ачинский р-н и основные города края (Красноярск, Норильск, Дивно-горек, Лесосибирск), на последних - такие районы, как Иланский, Тасеевский, Боготольский. Значения, показывающие совокупный уровень здоровья (результат работы математической модели), являются относительными и нормированы на диапазон [-1... 1].

В блоке 2 регионы упорядочены по совокупному показателю обеспеченности кадрами (в порядке убывания обеспеченности). Наибольшая обеспеченность кадрами наблюдается в г. Красноярске. Кстати, значение обеспеченности кадрами в Красноярске1 далеко отстоит от других регионов (Красноярск - 1,000; следующее по убыванию значение - в Енисейском районе равно 0,528; минимальное - в Иланском районе - минус единица).

В блоке 3 приведены статистические показатели затрат на одного жителя (руб.). Регионы упорядочены по убыванию затрат. Наибольшее финансирование на одного жителя наблюдается в

г. Норильске (2662 руб.), наименьшее - в Емелья-новском районе (257 руб.).

Если теперь совместить все три блока, для каждого региона мы получим три значения, отражающие совокупное здоровье, совокупную обеспеченность кадрами и показатель затрат на 1 жителя. Эти значения можно расположить на шкалах в двумерном или трехмерном пространствах, уже гораздо более удобных для анализа и дальнейшей кластеризации, чем пространства из сотен и тысяч отдельных признаков.

Рассмотрим, как располагаются регионы в двумерном пространстве, образованном шкалами “Здоровье” и “Кадры” (рис.1).

Левая верхняя область графика соответствует регионам с наиболее благополучными показателями здоровья и, одновременно, наилучшей обеспеченностью кадрами здравоохранения. Однако в этой области не столь много регионов. В целом по графику прослеживается достаточно четкая прямая зависимость между обеспеченностью кадрами и уровнем здоровья населения. Так, правая верхняя область демонстрирует более высокий уровень здоровья при хорошей обеспеченности кадрами. Это Ачинский р-н, Красноярск, Норильск. Наилучший показатель при этом у Ачинского р-на, т.к. при относительно меньшей обеспеченности кадрами (по крайней мере, по сравнению с Красноярском и Норильском) в этом регионе наи-

у Красноярска. Зависимость между этими показате- ределяется популярностью региона для проживания

лями уже не столь выраженная. Это достаточно три- медицинских кадров и мало связана со средним по-

виально, т.к. обеспеченность кадрами во многом оп- казателем затрат на одного жителя.

Если условно принять, что уровень здоровья ности работы кадров. “Эффективные” регионы

обеспечивается медицинскими кадрами с четкой окажутся в левом верхнем треугольнике (высокий

зависимостью, то, проведя воображаемую линию уровень здоровья при относительно небольшой

из левого нижнего угла графика в правый верх- обеспеченности кадрами). “Слабые” регионы

ний, мы можем разделить регионы по эффектив- окажутся в правом нижнем треугольнике.

V » Ь •> I* ич Г- ей г ХИІ!

4 «ЙЁклЙ ^»¡'аЦ«Л10|Л

вог&іж—™"

ксзу^скии

ли*немнгашский...

■.ГИИ”'*

Рис.2. Взаимосвязь между затратами на 1 жителя (ось X) и обеспеченностью кадрами (ось У).

Рисунок 3 отражает наиболее интересную (имеется в виду именно соотношение между за-взаимосвязь: между затратами на 1 жителя и тратами и здоровьем). И здесь наилучшее соот-

уровнем здоровья, что, по нашему мнению, достаточно четко может характеризовать эффектив-

ношение затраты/здоровье - у Ачинского района. В целом, большинство регионов лежат в эффек-

ность управления здравоохранением региона тивной зоне. Ниже диагональной линии находятся

АЧИНСММ

ічЬаоноярск;

г-.гкиа , в ?ї?іуйіенсюійі окрадімо

На ПшшШ

чвд

£сг

*ис*а<й:*ш беисчий . Ч

-г. я ьг*у

ф7С:аі*»гпонс<ші у"

Т.ргіЗчсчгккй*» ^хірту#(і^п-, Ч^| д*

^1 •‘*'Н 0 И НГІїІІ С КИ й ‘ : Ж^ц.йЗГКИ.-,

ірррННСіМі

гари

ІІ'ТиГИНСкИіЩ

ЛСЖІ

і<ЄЗ«рС"ЕиМГ.0ЙСКИЙ

¿00 1 ООО Гмо Г<00 ГбОО Гёоо Гмо 2 ХЮ 2 <00...... 2 600

Рис.З. Взаимосвязь между затратами на 1 жителя (ось X) и здоровьем населения (ось У).

г. Игарка, г. Норильск, Мотыгинский, Кежемский, Тасеевский районы. Самая худшая ситуация наблюдается в Северо-Енисейском районе, где при затратах 1793 р. на одного жителя относительный уровень здоровья составляет -0,442.

По всем трем показателям была проведена кластеризация регионов. Оптимальным стало разделение регионов на 5 кластеров (таб. 4 и рис. 4). Рассмотрим, как различаются кластерные средние (рис.5) и охарактеризуем каждый из полученных кластеров.

В кластер №1 попали регионы, имеющие достаточно низкое финансирование на 1 жителя, при этом в них наблюдается средняя обеспеченность кадрами и средние значения здоровья населения.

В кластере №2 находятся регионы со средними (относительно других регионов) затратами на 1 жителя и сниженными показателями обеспеченности кадрами и здоровья.

В кластере №3 находятся всего два региона -Ачинский район и г. Красноярск. Это лучшие регионы, в которых при относительно низких затратах наблюдается высокие показатели обеспеченности кадрами и такие же высокие показатели здоровья населения.

В кластере №4 - всего 1 регион - г. Норильск. Здесь самые высокие затраты на 1 жителя, при этом достаточно высоки (хотя и не гак, как в Красноярске и Ачинском районе) показатели здоровья и обеспеченности кадрами.

Таблица 4

Кластеризация регионов по трем показателям (совокупный показатель “Здоровье", совокупный показатель “Кадры", показатель “Затраты на 1 жителя”)

Кластер Кол-во объектов Объекты

Кластер 1 10 г Бородино, г Дивногорск, г Лесосибирск, г Сосновоборск, Енисейский р-н, Канский р-н, Минусинский р-н, Назаровский р-н Новоселовский р-н, Шушенский р-н

Кластер 2 5 г Игарка, Кежемский р-н, Мотыгински р-н, Северо-Енисейский р-н, Туруханский р-н

Кластер 3 2 г Красноярск, Ачинский р-н

Кластер 4 1 г Норильск

Кластер 5 31 районы: Абанский, Балахтинский, Березовский, Бирилюсский, Бого-тольский, Богучанский, Большемуртинский, Большеулуйский, Дзержинский, Емельяновский, Ермаковский, Идринский, Иланский, Ир-бейский, Казачинский, Каратузский, Козульский, Краснотуранский, Курагинский, Манский, Нижнеингашский, Партизанский, Пиров-ский, Рыбинский, Саянский, Сухобузимский, Тасеевский, Тюхтет-ский, Ужурский, Уярский, Шарыповский

Рис.4. Карта кластеризации регионов по трем показателям (совокупный показатель “Здоровье", совокупный показатель “Кадры”, показатель “Затраты на 1 жителя”).

Кластер №5 представляет собой большую группу из 3 1 района, в которых при низком уровне затрат имеется, соответственно, низкий уровень кадрового потенциала и здоровья населения.

Так как одной из основных проблем здравоохранения края является улучшение здоровья населения в сельских районах, наибольший интерес и внимание в плане изучения опыта следует уделить регионам, находящимся в кластере №1. Именно в этих регионах при низком финансировании (почти таком же низком, что и в регионах кластера №5) поддерживается достаточно высокий уровень (опять же в сравнении с кластером №5) кадрового потенциала и здоровья населения.

Интересный результат показал корреляционный анализ между показателями здоровья, кадров и затрат.

Коэффициент корреляции между уровнем здоровья и кадрами составляет 0,75 (Р<0,001), тогда как коэффициент корреляции между уровнем здоровья и затратами - всего 0,38. Это еще раз заставляет задуматься об эффективности финансирования краевого здравоохранения и большем внимании к материальному стимулированию специалистов.

Таким образом, проведенный кластерный анализ регионов Красноярского края по полному набору относительных показателей дает оптимальное разделение регионов на 7 кластеров, которое может применяться для детального изучения различия типичных регионов по отдельным показателям. Для более комплексного разделения регионов использовалось сочетание метода итерационного моделирования данных линейными и самоорганизующимися многообразиями малой размерности и кластерного анализа, что позволило выявить главные компоненты и уже по ним провести кластеризацию регионов. Кластеризация регионов с учетом главных компонент позволила выделить 5 кластеров, четко различающихся по соотношению затрат, обеспеченности кадрами и здоровья населения. Корреляционный анализ совокупных показателей здоровья и обеспеченности кадрами с показа гелем затрат на 1 жителя выявил гораздо большую взаимосвязь здоровья населения с обеспеченностью кадрами (коэффициент корреляции 0,75) по сравнению с уровнем затрат (коэффициент корреляции 0,38). Полученные результаты позволяют планировать дальнейшее изучение типичных групп регионов с целью более детального выяснения причин, приведших к наблюдающейся ситуации и прицельно искать методы повышения эффективности управления системой здравоохранения в Красноярском крае. Использованная в работе технология, включающая комбинацию двух математических методов, может быть применена для анализа систем здравоохранения в крупных регионах России, а также, возможно, для анализа функционирования различных объектов системы здравоохранения (ЛПУ, город).

1.1

0,9

0,7

0,5

0,3

0,1

-0,1

-0,3

-0,5

-0,7

-0,9

-1,1

Рис.5. Значения кластерных средних по совокупным показателям (“Здоровье” и “Кадры”) и по показателю затрат на I жителя. Для удобства восприятия диаграммы значения показателя “Затраты на I жителя” нормированы на диапазон [-1... I].

□ Затраты □ Здоровье ■ Кадры 1 1=1

4

Кластер 1 Кластер 2 Кластер 3 Кластер 4 Кластер 5

CLASTER ANALYSIS OF ADMINISTRATIVE TERRITORIES ON THE PARAMETERS OF HEALTH AND PUBLIC HEALTH SERVICES (on an example of Krasnoyarsk Region)

K,A. Vinogradov, I.P. Artjuhov, A.A. Rossiev, D.A Rossiev (Krasnoyarsk State Medical Academy)

Typification and allocation concerning similar administrative territories with the help of claster analysis is carried out. Klasterization of regions taking in to account the main components allowed to allocate 5 clusters, precisely differing on expenses correlation, providing with staff and health of the population. The technology, used in work including a combination of two mathematical methods, can be applied for the analysis of systems of public health services in the large regions of Russia.

Литература

1. Горбань A.H., Россиев A.A., D.C. Wunsch II. Самоорганизующиеся кривые и нейросетевое моделирование данных с пробелами // 2-я Всероссийская научно-техническая конференция “Нейроинформатика-2000”. Сборник научных трудов. 4.1. М.: МИФИ. - 2000. - С.40-46.

2. Горбань A.H., Россиев Д.А. Нейронные сети на персональном компьютере. - Новосибирск: Наука, 1996. - 276с.

3. Енюков И.С. Методы, алгоритмы, программы многомерного статистического анализа. - М.: Финансы и статистика. - 1986.

4. Жамбю М. Иерархический кластер-анализ и соответствия: Пер. с фр. - М.: Финансы и статистика. -1988. - 342с., ил.

5. Справочник по прикладной статистике. В 2-х т. // Под ред. Э. Ллойда, У. Ледермана, Ю.Н. Тюрина-М.: Финансы и статистика. - 1989. - 1990.

6. Тюрин Ю.Н., Макаров A.A. Статистический анализ данных на компьютере // Под ред. В.Э. Фигурнова - М.: ИНФРА-М, 1 998. - 528с., ил.

7. Факторный, дискриминантный и кластерный анализ. - М.: Финансы и статистика, 1989. - 215с.

© БАЛАБИНА Н.М., ЩЕРБАКОВА Н.В., ФЕЛЬЧУКОВА Л.С., ДУЛЬСКИЙ В.А., ЖИГАЛОВА О.В., ЗУЕВА Т.Ф., ХАПТАНОВА В.А.-УДК 616.24:616.13

ТРОМБОЭМБОЛИЯ ЛЕГОЧНОЙ АРТЕРИИ ПО МАТЕРИАЛАМ БОЛЬНИЦЫ СКОРОЙ МЕДИЦИНСКОЙ ПОМОЩИ г. АНГАРСКА

Н.М. Балабтш, Н.В. Щербакова, Л. С. Фельчукова, В.А. Дульский, О.В. Жигалова,

Т.Ф. Зуева, в.А. Хаптанова.

(Иркутский государственный медицинский университет, ректор - акад. МТА и АН ВШ A.A. Майбо-рода, кафедра поликлинической терапии, зав. - доц. Н.М. Балабина. Больница скорой медицинской помощи г. Ангарска, гл. врач - О.В. Кравченко)

Резюме. Проанализированы истории болезни 25 больных с диагнозом ТЭЛА. Среди больных женщин было 13 человек, мужчин - 12. Все больные находились в возрасте от 23 до 81 года, причем лица трудоспособного возраста составили 24%. Наиболошей по численности возрастной группой (36%) явилась группа от 70 до 80 лет. Среди факторов риска наибольший удельный вес (52%) оставили травматические повреждения и флеботромбоз. В 48% случаев диагноз ТЭЛА был установлен в первые сутки от момента госпитализации. Анализ показывает, что практические врачи недостаточно насторожены в плане диагностики ТЭЛА, в связи с чем симптомы, характерные для ТЭЛА, своевременно не выявляются. В большинстве случаев диагноз ТЭЛА был установлен только на вскрытии.

Тромбоэмболия легочной артерии (ТЭЛА) -одно из наиболее распространенных и грозных осложнений многих заболеваний, послеоперационного и послеродового периодов, неблагоприятно влияющее на их течение и исход.

Истинная частота ТЭЛА точно не известна, считают, что в Европе и США она встречается в I 1-25% случаев аутопсий. В г. Москве ТЭЛА выявляется в 12,2-12,8% случаев, причем в 49,2-61,2% она была непосредственной и еще в 25,3-27,5% - способствующей или конкурирующей причиной смерти [3].

Частота ТЭЛА среди всех умерших в многопрофильном клиническом стационаре составляет 7,2%. В структуре заболеваний, осложнившихся развитием ТЭЛА, преобладают злокачественные новообразования (29,9%), сердечно-сосудистые (28,8%) и цереброваскулярные (26,6%) заболевания [4].

ТЭЛА является причиной 5% летальных исходов после общехирургических и 23,7% - после ортопедических операций [4].

ТЭЛА является серьезной проблемой и в акушерской практике. Но данным отечественных ав-