CC BY
17
НАУЧНО-МЕТОДИЧЕСКОЕ ОБЕСПЕЧЕНИЕ РИСК-МЕНЕДЖМЕНТА В ОБЛАСТИ ЗДРАВООХРАНЕНИЯ С ПОМОЩЬЮ СКОРИНГОВЫХ МОДЕЛЕЙ НА ПРИМЕРЕ ОКАЗАНИЯ МЕДИКО-САНИТАРНОЙ ПОМОЩИ БОЛЬНЫМ С ХРОНИЧЕСКИМИ БОЛЕЗНЯМИ ПОЧЕК
К.С. Мильчаков1
Первый Московский государственный медицинский университет им. И.М. Сеченова
Общепопуляционные проблемы старения и, в частности, про-грессирования хронических болезней почек сами по себе затрагивают миллионы пациентов в нашей стране, что ухудшает качество жизни таких пациентов, увеличивает смертность, создает серьезную нагрузку на систему социального обеспечения. Таким образом, существует большая проблема менеджмента нефрологических пациентов с хроническими заболеваниями как на популяционном, так и на индивидуальном уровнях в связи с частой неэффективностью терапевтических схем, необходимостью подразделения пациентов на субгруппы и т.д. Все это создает запрос на организацию систем централизованных баз данных и как следствие на удобные механизмы интерпретации результатов их анализа, понятные для широкого круга медицинских специалистов. Одним из таких интерфейсов могут стать скоринговые-карты — удобные балльные системы оценки рисков, способные решать целый спектр клинических и управленческих задач.
Ключевые слова: хронические болезни почек, скоринговые системы
С развитием информационных технологий в последние годы открываются перспективы для создания новых отраслевых решений в различных сферах медицины. Помимо использования инструментов, основанных на эмпирических данных, становится возможным применение методов математического моделирования, статистики и анализа данных для создания новых инструментов оценки рисков. Кроме того, с 2008 г.
1 Мильчаков Кирилл Сергеевич — ассистент Высшей школы управления здравоохранением ИПО Первый МГМУ им. И.М. Сеченова; 109004, Москва, ул. Александра Солженицына, д. 28; тел. +7 (499) 763-68-26; e-mail: Mks13.09@ya.ru.
активно развивается концепция «BigData», позволяющая накапливать, оптимально хранить и обрабатывать очень большие объемы данных [1].
Практическое приложение научных изысканий при работе с базами данных в системе здравоохранения может кардинально изменить подходы ведения пациентов с позиций персонифицированной медицины и рационализации предоставления медицинских услуг (доставка услуги в правильном объеме и по экономически оправданной цене). Таким образом, в перспективе можно говорить о создании медицинской цифровой среды, где накопление исчерпывающих данных о пациентах будет служить инструментом
для принятия индивидуальных клинических решений, а также помогать решать проблемы здравоохранения на уровне медицинских организаций и популяции в общем [2].
Для создания таких систем требуется мульти-дисциплинарный подход и кооперация врачей-экспертов и специалистов в области математического анализа. Однако для внедрения таких систем необходимы удобные в использовании, понятные врачу интерфейсы: именно на данном этапе часто отвергаются результаты разработок большинства математических моделей. В такой ситуации перспективными и удобными могут оказаться интерфейсы скоринговых карт (scoring cards), используемые, к примеру, для расчета финансовых рисков в банковской практике [3—6]. В таких системах каждому фактору риска (предиктору) наступления какого-либо события или его интервалу соответствует некоторое количество баллов, а заключительное решение по проблеме принимается по сумме баллов. Представление систем оценки в таком виде не требует от конечного пользователя специальных знаний в области статистики и анализа данных, поэтому может быть широко использовано рядовыми медицинскими специалистами.
Современный статус прогностических систем в медицине
Представляется перспективным использование методов статистики и добычи данных (data mining) для создания систем управления рисками и повышения эффективности оказания медицинской помощи и функционирования медицинских объектов. Традиционно прогностические системы в компиляции с экспертным подходом используются в диагностике заболеваний, при создании протоколов лечения многих нозологий, прогнозировании вероятности наступления тех или иных исходов. Однако на протяжении долгого времени использование математических методов для управления клиническим процессом приводило лишь к частным результатам в контексте определенных нозологий [7]. В практике отсутствовали многомерные системы для оценки множества показателей одновременно, созданные с использованием больших объемов информации и, соответственно, обладающие высокой степенью точности.
Многочисленные скоринговые системы уже широко используются в системе здравоохранения для оценки тяжести заболеваний [8, 9], оценки наступления какого-либо события [10, 11], дифференциальной диагностики заболеваний [12, 13] или выявления факторов риска [14, 15]. На основании интерпретации выходных данных таких систем медицинский специалист может принять то или иное клиническое решение, которое будет оптимальным.
Точность скоринговых систем, независимо от метода их создания, в большой степени зависит от объема исходной выборки, на которой создавалась модель. Чем больше объем выборки, тем потенциально больше там находится информации о связях между различными показателями и тем выше точность коэффициентов модели (например, коэффициентов регрессионных уравнений или связей между слоями нейронных сетей). Большинство существующих систем создано на основе относительно небольших выборок данных, количество записей в них измеряется сотнями и тысячами. Для оценки конкретной нозологии в небольшой популяции, например, на базе одного отделения или ЛПУ, точность таких моделей достаточна. Но для создания крупных многомерных систем и/или для оценки данных, значительно превышающих по объему выше названные (например, для оценки распространенности заболевания в масштабах страны), требуется гораздо большая точность коэффициентов и, соответственно, большие объемы исходных выборок.
Сам факт накопления медицинских баз данных у различных ЛПУ логически подводит к необходимости их комплексного использования: в данном случае речь идет не только о примитивных отчетах структуры заболеваемости в половозрастных срезах, а о поиске глубинных взаимосвязей, которые могут дать возможность для создания экономически целесообразных систем здравоохранения с высокой эффективностью [16]. Объем уже существующих медицинских баз данных, а также тот факт, что они постоянно прирастают новыми данными, позволяет использовать в данном случае концепцию «Big Data» [1].
По данным агентства McKinsey, накопление больших объемов данных должно сочетаться с пятью принципами: правильная жизнь, правильные медицинская помощь, медицинский персо-
нал и объем оказания помощи, правильные инновации [17].
Под правильной жизнью подразумевается всестороннее информирование пациента о факторах риска, необходимых изменениях в образе жизни пациента, активное вовлечение потребителя медицинских услуг в мониторинг собственного здоровья. Правильная медицинская помощь включает в себя использование только тех манипуляций и терапевтических схем, которые прошли оценку с позиций доказательной медицины. Парадигма правильного медицинского персонала предполагает рациональное использование медицинских кадров на каждом из этапов системы обслуживания пациента в системе здравоохранения. Правильный объем оказания медицинской помощи должен включать в себя подход, подразумевающий использование лекарственных средств для ведения больного только в необходимой для него дозировке. При этом используется анализ индивидуальной восприимчивости пациента к веществам на основании не только обще-популяционных данных, но и субрегистров по определенным генетическим полиморфизмам пациентов. Правильные инновации должны заключаться в анализе слабых мест существующей системы и модификации имеющихся механизмов, а также в поиске новых знаний [17].
Место шкал в современной нефрологии
Как было изложено выше, скоринговые системы используются во многих областях медицины, в том числе и в нефрологии. Основной проблемой здесь, как и в других областях медицины, является оценка тяжести состояния больных — с острой (ОПН) [18—20] или хронической почечной недостаточностью (ХПН) [15, 21]. Важными проблемами также являются поиск предикторов и прогнозирование летальности больных с острыми повреждениями почек [22, 23], прогнозирование вероятности развития хронических болезней почек [24, 25], прогнозирование потребности в диализе [26, 27] оценка влияния донорских показателей на летальность больных с трансплантированными почками [28], попытки метаболического прогнозирования [29] оценка влияния показателей догоспитального этапа оказания помощи на функцию почек у пострадавших от травм [30], проблемы конкретных нозологий, на-
пример, волчаночного нефрита [31], IgA-нефро-патии [32] и т.д.
Часто для оценки тяжести состояния нефро-логических пациентов используются общие неспециализированные шкалы — APACHE [33], SAPS [34], MPM [35], SOFA [3б]. В ряде исследований эти системы показывают хорошую разрешающую способность при оценке именно нефрологических пациентов. Так, например, MPM24 II при оценке исхода у больных с ОПН показал лучшую разрешающую способность по сравнению с APACHE II и SAPS 2, площадь под ROC-кривой составила 0,85 [37]. В исследовании Costa e Silva и соавт. [38 ] доказана высокая разрешающая способность шкалы SAPS 3 при оценке тяжести состояния больных с острыми повреждениями почек, площадь под ROC-кривой составила 0,80. Тем не менее, общие шкалы не могут давать полноценную оценку таких пациентов, так как они разрабатывались на наборах данных с различными, не только нефроло-гическими, патологиями и не являются специфичными.
С 80-х годов 20 века предпринимаются попытки создать специфичные нефрологические шкалы [20, 39, 40]. Например, шкала Mehta и соавт. {Mehta et al. 2002) была представлена в 2002 г. для прогнозирования вероятности летального исхода при ОПН. Анализировались данные б05 пациентов с ОПН, в качестве метода анализа использовалась логит-регрессия. Показателями-предикторами были возраст в годах, концентрации азота мочевины и креатинина в крови, частота сердечных сокращений, объем выделяемой мочи в качестве количественных показателей, а также мужской пол, наличие гематологических нарушений, печеночной и дыхательной недостаточностей в виде качественных бинарных показателей. В оригинальном исследовании площадь под ROC-кривой составила 0,832, однако при последующих валидациях, в том числе в многонациональном мультицентровом исследовании [41] была показана недостаточная разрешающая способность этой шкалы с площадью под кривой 0,б70.
Шкала SHARF {Stuivenberg Hospital Acute Renal Failure) I была создана в 2000 г. для прогнозирования госпитальной летальности при ОПН. В этом случае выполнялось две оценки — первая на момент постановки диагноза ОПН,
вторая — через 48 ч от момента постановки диагноза. В 2004 те же авторы представили модифицированную версию шкалы — SHARF II. Показателями модифицированной версии шкалы являлись возраст в десятилетиях, концентрация альбумина в крови и протромбиновое время как категориальные признаки, использование респираторной поддержки, наличие сердечной недостаточности, гипотензии и сепсиса как бинарные признаки и концентрация билирубина в крови как количественный признак. Модифицированная шкала показала лучшие результаты — площади под ROC-кривыми для начальной оценки и оценки через 48 ч составили 0,82 и 0,83 соответственно. Тем не менее, авторы рекомендовали использовать модифицированную версию для сравнения групп пациентов или разных клиник, а не для индивидуальных прогнозов для пациентов.
Авторы руководства «Critical Care Nephrology», проанализировали ряд общих и специфичных нефрологических шкал и сформулировали главные проблемы их применения при оценке тяжести нефрологических пациентов [42]. Общие шкалы оценки тяжести — APACHE II, APACHE III, SAPS 2, SAPS 3, MPM — по результатам многих независимых оценок показали хорошую разрешающую способность с площадями под ROC-кривой более 0,8, однако они плохо калиброваны и обычно рекомендуется рекалибро-вать их под использование в конкретной стране или даже клинике. Специфичные нефрологичес-кие шкалы — Mehta'sscore, SHARF II — имеют либо хорошую калибровку, либо хорошую разрешающую способность. Многочисленные независимые оценки этих шкал показывают, что площади под ROC-кривой обычно меньше 0,7, а значит их разрешающая способность недостаточна для клинического применения.
Одной из главных причин такого различия между шкалами авторы считают сильную разницу в размерах выборок, использованных при создании общих и специфичных шкал. Общие шкалы создавались на базах данных, содержавших наблюдения более 5000 пациентов, тогда как специфичные почечные шкалы использовали базы с менее, чем 700 пациентов.
Для создания точных специфичных нефроло-гических систем оценки авторы рекомендуют использовать большие выборки, собранные на базе
нескольких клиник или стран. Также они указывают ряд показателей-предикторов, которые, по их мнению, должны присутствовать в каждой такой системе: возраст, факт использования респираторной поддержки, наличие олигурии, сепсиса или септического шока, высокий уровень билирубина и факт развития ОПН во время нахождения пациента в ОРИТ [42].
В нашей стране с повсеместным развитием прикладных статистических пакетов также предпринимались попытки прогнозирования нефрологических патологий. Наиболее заметны работы Е.В. Горшковой, Е.В. Тетюшкиной и Н.В. Короткой — все они сосредоточены на хронических болезнях почек, а последним автором предпринята попытка построения экспертной системы для поддержки принятия клинических решений [43].
Стоит отметить, что существует тенденция объединения данных с нескольких шкал (муль-тишкалы) для более полного информированного принятия клинических решений при объединении данных о генетике, клеточных, тканевых процессов и, наконец, клинических данных [44].
Государства сталкиваются с проблемами старения населения, увеличением болезненности популяций неинфекционными заболеваниями которые создают дополнительную нагрузку на здравоохранение и требуют системных средств для оптимизации принятия клинических решений как на индивидуальном, так и популяцион-ном уровне. Такими системными решениями могут стать алгоритмы, основанные на комплексном использовании электронных баз данных вместе с экспертной оценкой. Мы рассмотрели созданные комплексы решающих правил на примере клинической нефрологии. Богатство существующих алгоритмов доказывает их эффективность и потребность самих клиницистов в использовании шкал для оптимизации решений.
Однако оптимизация действий на индивидуальном уровне — лишь первая ступень в цепи управления качеством медицинской помощи. Также мы предлагаем использовать скоринговые системы для оптимизации общественного здоровья, как возможного подхода к риск-менеджменту в условиях медицинской организации. Система скоринга активно используется в финансовой отрасли, но ранее не применялась для управления показателями общественного здоровья на
уровне организованных сообществ, что создает
потенциальный интерес к данной теме у организаторов здравоохранения.
ЛИТЕРАТУРА
1. Lynch C. Editorial. Community cleverness required. [Электронный ресурс] / C. Lynch. Электрон. текст. дан. 2008. Режим доступа: http://www.nature.com/nature/ journal/v455/n7209/full/455001a.html
2. Costa F.F. Big data in biomedicine / F.F. Costa // Drug Discov. Today. 2014. № 19 (4). С. 443—440.
3. Киблицкий С.А. Скоринг-методика оптимизации банковской деятельности при кредитовании физических лиц: дис. ... канд. экон. наук. Москва, 2011. 124 с.
4. Погорлецкая Ю.И. Кредитный скоринг в системе банковского риск-менеджмента: дис. ... канд. экон. наук. СПб., 2009. 161 с.
5. Уланов С.В. Скоринговые модели и средства управления рисками для поддержки принятия кредитных решений: дис. ... канд. экон. наук. Ижевск, 2007. 152 с.
6. A. Donabedian. Evaluating the Quality of Medical Care. / Donabedian A. // Milbank Q. 2005. № 83(4). С. 691 — 729.
7. Гельфанд И.М., Розенфельд Б.И., Шифрин М.А. Очерки по совместной работе математиков и врачей. М.: Наука, 1989. 272 с.
8. Lins R.L., Elseviers M.M., Daelemans R., Arnouts P. et al. Re-evaluation and modification of the Stuivenberg Hospital Acute Renal Failure (SHARF) scoring system for the prognosis of acute renal failure: an independent multi-centre, prospective study // Nephrol. Dial. Transplant. 2004. № 19 (9). С. 2282—2288.
9. Zolnoori M., Zarandi M.H., Moin M., Teimorian S.J. Fuzzy rule-based expert system for assessment severity of asthma // Med. Syst. 2012. №36 (3). С. 1707—1717.
10. Гайнуллина Ю.И. Фармакоэпидемиологическое и фар-макоэкономическое обоснование периоперационной антибиотикопрофилактики при остром аппендиците: дис. ... канд. мед. наук. Владивосток, 2004. 136 с.
11. Григорьев С.Г. Многомерное математико-статистичес-кое моделирование сложных медицинских систем [Текст]: автореф. дис. ... д-ра мед. наук. СПб., 2003. 42 с.
12. Реброва О.Ю. Математические алгоритмы и экспертные системы в дифференциальной диагностике инсультов: дис. ... д-ра мед. наук. Москва, 2003. 325 с.
13. Ермакова Н.В. Нейроиммунные аспекты патогенеза лихорадочной и менингеальной форм клещевого энцефалита: дис. ... канд. мед. наук. Челябинск, 2007. 173 с.
14. Зелтынь-Абрамов Е.М. Тромболитическая терапия и разрывы сердца в остром периоде инфаркта миокарда: дис. ... д-ра мед. наук. Москва, 2011. 225 с.
15. Тетюшкина Е.В. Клинико-морфологические предикторы прогрессирования хронического гломерулонефрита: дис. ... канд. мед. наук. Москва, 2008. 158 с.
16.Yoo I., Alafaireet P., Marinov M., Pena-Hernandez K., Gopidi R., Chang J.F., Hua L. Data mining in healthcare and biomedicine: A survey of the literature // J. Med. Syst. 2012. T. 36. P. 2431—2448.
17. Groves P., Kayyali B., Knott D., Van Kuiken S.. The «big data» revolution in healthcare. URL. http://www.images-etreseaux.com/sites/default/files/medias/blog/2013/ 12/mckinsey_131204_-_the_big_data_revolution_in_ healthcare.pdf.
18. Lins R.L., Elseviers M.M., Daelemans R., Arnouts P., Billiouw J.M., Couttenye M., Gheuens E., Rogiers P., Rutsaert R., Van der Niepen P., De Broe M.E. «Re-evaluation and modification of the Stuivenberg Hospital Acute Renal Failure (SHARF) scoring system for the prognosis of acute renal failure: an independent multicentre, prospective study» // Nephrol. Dial. Transplant. Sep., 2004. Vol. 19, №9. P. 2282—8.
19. Lins R.L., Elseviers M., Daelemans R., Zachee P., Gheuens E., Lens S., De Broe M.E. Prognostic value of a new scoring system for hospital mortality in acute renal failure // Clin. Nephrol. Jan. 2000. Vol. 53. N. 1. P. 10—7.
20. Mehta R.L., Pascual M.T., Gruta C.G., Zhuang S., Chertow G.M. Refining predictive models in critically ill patients with acute renal failure. // J. Am. Soc. Nephrol. May 2002. Vol. 13. no. 5, P. 1350—7.
21. Hwang S.J., Yang W.C., Lin M.Y., Mau L.W., Chen H.C. Impact of the clinical conditions at dialysis initiation on mortality in incident haemodialysis patients: a national cohort study in Taiwan // Nephrol. Dial. Transplant. Vol. 25. no. 8. P. 2616—24. Aug. 2010.
22. Xie Q., Zhou Y., Xu Z., Yang Y., Kuang D., You H., Ma S., Hao C., Gu Y., Lin S., Ding F. The ratio of CRP to prealbumin levels predict mortality in patients with hospital-acquired acute kidney injury // BMC Nephrol. Vol. 12. № . 1. P. 30. Jan. 2011.
23. Ponce D., Zorzenon C. de P.F., Santos dos N.Y., Balbi A.L. Early nephrology consultation can have an impact on outcome of acute kidney injury patients. // Nephrol. Dial. Transplant. Vol. 26. № 10. P. 3202—6. Oct. 2011.
24. Cerqueira D.C., Soares C.M., Silva V.R., Magalhaes J.O., Barcelos I.P., Duarte M.G., Pinheiro S.V., Colosimo E.A., Simoes A.C., Silva E., Oliveira E.A. A predictive model of progression of CKD to ESRD in a predialysis pediatric interdisciplinary program // Clin. J. Am. Soc. Nephrol. Vol. 9. № 4. P. 728—35. Apr. 2014.
25. Johnson E.S., Thorp M.L., Platt R.W., Smith D.H. Predicting the risk of dialysis and transplant among patients with CKD: a retrospective cohort study // Am. J. Kidney Dis. Vol. 52. № 4. P. 653—60. Oct. 2008.
26. Harel Z., Bell C.M., Dixon S.N., McArthur E., James M.T., Garg A.X., Harel S., Silver S., Wald R. Predictors of progression to chronic dialysis in survivors of severe acute kidney injury: a competing risk study. // BMC Nephrol. Vol. 15. № 1. P. 114. Jan. 2014.
27. Wijeysundera D.N., Karkouti K., Dupuis J.Y., Rao V., Chan C.T., Granton J.T., Beattie W.S. Derivation and validation of a simplified predictive index for renal replacement therapy after cardiac surgery. // JAMA, Vol. 297. № 16. P. 1801—9. Apr. 2007.
28. Massie A.B., Luo X., Chow E.K.H., Alejo J.L., Desai N.M., Segev D.L. Survival Benefit of Primary Deceased Donor Transplantation With High-KDPI Kidneys // Am. J. Transplant. Vol. 14. № 10. P. 2310—6. Oct. 2014.
29. Гапунин В.Н., Зубрицкий В.И., Мухин И.В. О методике метаболического прогнозирования медико-биологических процессов с помощью компьютерной системы «Statistica 5.5А» // Вестник новых медицинских технологий. 2001. № 3. С. 26—27.
30. World M.J. Renal function after trauma // J.R. Army Med. Corps, Vol. 159. № 2. P. 94—7. Jun. 2013.
31. Kojo S., Sada K., Kobayashi M., Maruyama M., Maeshi-ma Y., Sugiyama H., Makino H. Clinical usefulness of a prognostic score in histological analysis of renal biopsy in patients with lupus nephritis // J. Rheumatol. Vol. 36. № 10. P. 2218—23. Oct. 2009.
32. Geddes C.C., Fox J.G., Allison M.E., Boulton-Jones J.M., Simpson K. An artificial neural network can select patients at high risk of developing progressive IgA nephrop-athy more accurately than experienced nephrologists // Nephrol. Dial. Transplant. Vol. 13. № 1. P. 67—71. Jan. 1998.
33. Zimmerman J.E., Kramer A.A., McNair D.S., Malila F.M. Acute Physiology and Chronic Health Evaluation (APACHE) IV: hospital mortality assessment for today's critically ill patients // Crit. Care Med. Vol. 34.№ 5. P. 1297—310. May 2006.
34. Moreno R.P., Metnitz P.G.H., Almeida E., Jordan B., Bauer P., Campos R.A., Iapichino G., Edbrooke D., Capuzzo M., Le Gall J.R. SAPS 3 — From evaluation of the patient to evaluation of the intensive care unit. Part 2: Development of a prognostic model for hospital mortality at ICU admission // Intensive Care Med. Vol. 31. № 10. P. 1345—55. Oct. 2005.
35. Higgins T.L., Teres D., Copes W.S., Nathanson B.H., Stark M., Kramer A.A., Assessing contemporary intensive care unit outcome: an updated Mortality Probability Admission Model (MPM0-III) // Crit. Care Med. Vol. 35. № 3. P. 827—35. Mar. 2007.
36. Vincent J.L., Moreno R., Takala J., Willatts S., Men-donga A.De., Bruining H., Reinhart C.K., Suter P.M.,
Thijs L.G. The SOFA (Sepsis-related Organ Failure Assessment) score to describe organ dysfunction/failure. On behalf of the Working Group on Sepsis-Related Problems of the European Society of Intensive Care Medicine // Intensive Care Med. Vol. 22. № 7. P. 707—10. Jul. 1996.
37. Fiaccadori E., Maggiore U., Lombardi M., Leonardi S., Rotelli C., Borghetti A. Predicting patient outcome from acute renal failure comparing three general severity of illness scoring systems // Kidney Int. Vol. 58. №1. P. 283—92. Jul. 2000.
38. Costa V.T. e Silva, de Castro I., Liaño F., Muriel A., Rodríguez-Palomares J.R., Yu L. Sequential evaluation of prognostic models in the early diagnosis of acute kidney injury in the intensive care unit // Kidney Int. Vol. 75. № 9. P. 982—6. May 2009.
39. Liaño F., Gallego A., Pascual J., García-Martín F., Teruel J.L., Marcén R., Orofino L., Orte L., Rivera M., Gallego N. Prognosis of acute tubular necrosis: an extended prospectively contrasted study // Nephron. Vol. 63. № 1. P. 21—31. Jan. 1993.
40. Bullock M.L., Umen A.J., Finkelstein M., Keane W.F. The assessment of risk factors in 462 patients with acute renal failure // Am. J. Kidney Dis. Vol. 5. № 2, P. 97—103. Feb. 1985.
41.Uchino S., Bellomo R., Morimatsu H., Morgera S., Schetz M., Tan I., Bouman C., Macedo E., Gibney N., Tolwani A., Doig G.S., Oudemans H. Straaten Van, Ronco C., Kellum J.A. External validation of severity scoring systems for acute renal failure using a multinational database. // Crit. Care Med. Vol. 33. № . 9. P. 1961—7. Sep. 2005.
42. Ronco C., Bellomo R., Kellum J.A. Critical care nephrology. 2nd ed. Saunders, 2009.
43. Короткова Н.В. Оптимизация диагностики, прогнозирования течения и лечения хронического гломеруло-нефрита (ХГН) с использованием экспертных систем: автореф. дис. ... канд. мед. наук. Самара, 2003. 25 с.
44. Phan J.H., Quo C.F., Cheng C., Wang M.D. Multiscale integration of -omic, imaging, and clinical data in biomedical informatics // IEEE Rev. Biomed. Eng. Vol. 5. P. 74—87. Jan. 2012.
