CC BY
45
УРОЛОГИЯ И АНДРОЛОГИЯ
УДК 616.65-007.61-089:004.8 (045) Обзор
ВОЗМОЖНОСТЬ ИСПОЛЬЗОВАНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ДИАГНОСТИКЕ И ЛЕЧЕНИИ УРОЛОГИЧЕСКИХ ЗАБОЛЕВАНИЙ (ОБЗОР)
О. Б. Лоран — ФГБОУ ДПО «Российская медицинская академия непрерывного профессионального образования» Минздрава России, академик РАН, заведующий кафедрой урологии и хирургической андрологии, профессор, доктор медицинских наук; И. А. Чехонацкий — ФГБОУ ДПО «Российская медицинская академия непрерывного профессионального образования» Минздрава России, аспирант кафедры урологии и хирургической андрологии; И. В. Лукьянов — ФГБОУ ДПО «Российская медицинская академия непрерывного профессионального образования» Минздрава России, доцент кафедры урологии и хирургической андрологии, профессор, доктор медицинских наук.
THE POSSIBILITY OF USING ARTIFICIAL INTELLIGENCE IN THE DIAGNOSIS AND TREATMENT OF UROLOGICAL DISEASES (REVIEW)
O. B. Loran — Russian Medical Academy of Postgraduate Education, Academician of the RAS, Head of Department at the Department of Urology and Surgical Andrology, Professor, DSc; I. A. Chekhonatskiy — Russian Medical Academy of Postgraduate Education, Postgraduate Student at the Department of Urology and Surgical Andrology; I. V. Lukianov — Russian Medical Academy of Postgraduate Education, Associate Professor at the Department of Urology and Surgical Andrology, Professor, DSc.
Дата поступления — 10.09.2021 г. Дата принятия в печать — 24.11.2021 г.
Лоран О. Б., Чехонацкий И. А., Лукьянов И. В. Возможность использования искусственного интеллекта в диагностике и лечении урологических заболеваний (обзор). Саратовский научно-медицинский журнал 2021; 17 (4): 728-731.
Цель: проанализировать имеющиеся в литературе сведения по эффективности использования искусственного интеллекта (ИИ) в диагностике и лечении урологических заболеваний. Для написания обзора изучены базы данных: PubMed, MEDLINE, Cohrane Library, eLibrary с использованием ключевых слов: neural network modeling, artificial neural networks, artificial intelligence, machine learning, deep learning, urology, oncourology, urolithiasis, prostate cancer, benign prostate hyperplasia, bladder cancer. Глубина поиска: с 1994 по 2021 г Количество проанализированных источников — 32. Представленный обзор демонстрирует эффективное использование ИИ во многих областях урологии и онкоурологии, однако применение ИИ в лечении доброкачественной гиперплазии простаты в настоящее время крайне ограничено. Изучение данных метаанализов и рандомизированных исследований свидетельствует о необходимости применения иИ для лечения больных с доброкачественной гиперплазией простаты для улучшения результатов хирургических вмешательств путем формирования персонифицированного подхода.
Ключевые слова: лечение урологических заболеваний, искусственный интеллект.
Loran OB, Chekhonatskiy IA, LukianovIV. The possibility of using artificial intelligence in the diagnosis and treatment of urological diseases (review). Saratov Journal of Medical Scientific Research 2021; 17 (4): 728-731.
Purpose: to analyze the information available in the literature on the effectiveness of the use of artificial intelligence (AI) in the diagnosis and treatment of urological diseases. To write the review, databases were studied: PubMed, MEDLINE, Cohrane Library, eLibrary using keywords: neural network modeling, artificial neural networks, artificial intelligence, machine learning, deep learning, urology, oncourology, urolithiasis, prostate cancer, benign prostate hyperplasia, bladder cancer. Search depth: from 1994 to 2021. The number of analyzed sources is 32. The presented review demonstrates the effective use of AI in many areas of urology and oncourology, however, the use of AI in the treatment of benign prostate hyperplasia is currently extremely limited. The study of these meta-analyses and randomized trials indicates the need to use AI to treat patients with benign prostate hyperplasia to improve the results of surgical interventions by forming a personalized approach.
Key words: treatment of urological diseases, artificial intelligence.
Введение. Доброкачественная гиперплазия простаты (ДГП) является наиболее широко распространенным доброкачественным новообразованием у мужчин старшего возраста. Распространенность
Ответственный автор — Чехонацкий Илья Андреевич Тел.: +7 (937) 8093630 E-mail: fax-1@yandex.ru
гистологически выявляемой гиперплазии с возрастом повышается. Так, к 40, 60 и 90 годам ДГП гистологически выявляется у 8, 50 и 80% мужчин соответственно [1]. По различным оценкам, к 80-летнему возрасту каждый 4-й будет нуждаться в лечении по поводу гиперплазии простаты.
В настоящее время совокупность хирургических методов лечения ДГП, находящих применение в кли-
нической практике, представляет собой внушительный спектр, для каждого из хирургических методов отсутствуют четкие показания, а результаты мета-анализов, рандомизированных и нерандомизированных исследований в отношении преимущества того или иного метода хирургии простаты нередко различаются. В связи с этим достижения в области медицинских технологий, электронных баз данных в здравоохранении и совершенствование компьютерных технологий открывают большие возможности в области медицины [2]. С увеличением количества собранной информации медицинское сообщество сталкивается с проблемой ее интерпретации и анализа. Большой объем данных позволяет разрабатывать компьютерные модели прогнозирования и системы поддержки принятия решений, которые можно использовать для совершенствования диагностики и выбора метода лечения [3].
Эта задача существенно упрощается при внедрении в процесс искусственных нейронных сетей (ИНС) — программных реализаций математических моделей, построенных по принципу функционирования биологических нейронных сетей — сетей нервных клеток живого организма. ИНС представляют собой систему соединенных и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты, особенно в сравнении с процессорами, используемыми в персональных компьютерах. Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. Будучи соединенными в большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять сравнительно сложные задачи, что диктует необходимость проводить дальнейшие и интенсивные разработки в этой области.
В течение последних двух десятилетий ИИ все чаще применяется для диагностики [3], ведения пациентов [4] и прогнозирования исходов [4, 5] урологических заболеваний.
Цель — проанализировать имеющиеся в литературе сведения по эффективности использования ИИ в диагностике и лечении урологических заболеваний.
Для написания обзора изучены базы данных: PubMed, MEDLINE, Cohrane Library, eLibrary с использованием ключевых слов: neural network modeling, artificial neural networks, artificial intelligence, machine learning, deep learning, urology, oncourology, urolithiasis, prostate cancer, benign prostate hyperplasia, bladder cancer. Глубина поиска: с 1994 по 2021 г.
Одними из первых в 1994 г. нейросетевое моделирование применили P. B. Snow с соавт. [6], разработав ИНС для диагностики рака простаты. Позже, в 2000 г., J. Babaian с соавт. [7] разработали нейронную сеть, позволяющую определить вероятность развития рака простаты, используя уровень простатспецифического антигена. J. T. Kwak с соавт. [8] использовали ИНС в диагностике рака простаты путем анализа оцифрованных гистологических материалов, и достигли 97% точности в его идентификации. T. H. Nguyen с соавт. [9], используя алгоритмы машинного обучения, создали нейросетевую модель, обладающую высокой точностью в диф-ференцировке шкалы Глисон 3 от 4. J. K. Kim с соавт. [10], используя алгоритмы машинного обучения с целью прогнозирования течения локализованного и местно-распространенного рака простаты, до-
стигли точности в 69-75%. Для сравнения: таблицы Partin демонстрируют точность 66%. A. Algohary с соавт. [11] сравнили алгоритмы машинного обучения, используемые для анализа магнитно-резонансной томографии (МРТ) малого таза с системой PI-RADS. В результате определено, что алгоритмы машинного обучения улучшают точность диагностики на 3380% и 30-60% для пациентов с МРТ-отрицательной биопсией и МРТ-положительной биопсией соответственно. N. C. Wong с соавт. [12] разработали нейросетевую модель, использующую клинико-мор-фологические данные пациента для прогнозирования раннего биохимического рецидива после радикальной простатэктомии, получив в результате три алгоритма машинного обучения, обладающие точностью более 90%. A. J. Hung с соавт. [13, 14] разработали алгоритмы машинного обучения для прогнозирования длительности пребывания пациента в стационаре и восстановления самостоятельного произвольного мочеиспускания после робот-асси-стированной радикальной простатэктомии. Полученный алгоритм продемонстрировал точность в 87% в отношении продолжительности госпитализации и 60% — в отношении восстановления произвольного самостоятельного мочеиспускания. Используя клинико-морфологическое данные, K. M. Lam с соавт. [15] и G. Wang с соавт. [16] применили ИИ для прогнозирования 5-летней выживаемости после радикальных цистэктомий. Их исследования показали, что 5-летняя смертность, предсказанная алгоритмами ИИ, была сопоставима с таковой, достигнутой логистической регрессией. N. Sapre с соавт. [17] представили нейросетевую модель, анализирующую панель микроРНК в моче с целью диагностики рецидива рака мочевого пузыря у пациентов, находящихся под динамическим наблюдением. Полученная модель обладала высокой точностью, что позвонило снизить потребность в контрольной цистоскопии на 30%. Jr. G. Bartsch с соавт. [18] представили алгоритмы ИИ, с высокой точностью анализирующие профили экспрессии генов с целью прогнозирования рецидива немышечно-инвазивного рака мочевого пузыря. A. Aminsharifi с соавт. [19] использовали ИНС для прогнозирования «stone free rate» после чрескожной перкутанной нефролитотрипсии с точностью 82,8%. M. Y. Yang с соавт. [20] использовали ИИ для прогнозирования эффективности гибкой ретроградной литотрипсии конкрементов почек, в результате чего полученная ИНС не только показала высокую точность, но и определила прогностические факторы эффективности описанной хирургической методики. I. Seckiner с соавт. [21] применили ИИ для определения эффективности дистанционной нефролитотрипсии, используя такие данные, как количество камней, их размер и расположение, плотность, расстояние от поверхности кожи до камня, угол шейки чашек, наличие или отсутствие гидронефроза. Результат полученной нейросетевой модели составил 99,25%.
Что касается отечественной урологии, одним из первых в урологии применил ИИ в 2005 г. В. А. Со-ловов [22], разработав ИНС для диагностики рака простаты на основании данных трансректального ультразвукового исследования, уровня простатспе-цифического антигена крови, уровня общего тестостерона крови и возраста пациента. В результате полученная ИНС продемонстрировала крайне высокую чувствительность и специфичность. Ш. Х. Ганцев с соавт. [23] разработали иНс для прогнозирования результатов лечения рака мочевого пузыря, исполь-
730
УРОЛОГИЯ И АНДРОЛОГИЯ
зуя морфологические, клинические данные, а также учитывая уже полученный пациентом метод лечения. В 2011 г Н. А. Демченко и И. В. Лукьянов [24] предложили использовать ИНС для выявления пациентов, требующих коррекции лечения при наблюдении после радикальной простатэктомии, прогностическая ценность которой в итоге была сопоставима с номограммами Европейской ассоциации урологов.
В. М. Попков, Т. В. Шатылко, Р Н. Фомкин предприняли интегральный подход к дооперационному определению клинической значимости рака простаты с помощью ИНС [25], Т. В. Шатылко, В. М. Попков, Р. Н. Фомкин осуществили проектирование и обучение ИНС, прогнозирующей гистологическую картину простаты по имеющимся клиническим, лабораторным и инструментальным данным [26], а также В. М. Попков с соавт. успешно применили ИИ для оптимизации скрининга простатспецифического антигена у пациентов с аденокарциномой простаты, получив в результате модель ИИ с чувствительностью и специфичностью 97,6 и 89,7% соответственно [27].
А. В. Ершов с соавт. [28] создали ИНС, безошибочно анализирующую данные урофлоуметрии. Ф. П. Капсаргиным с соавт. [29] предложена ИНС, определяющая наиболее оптимальную хирургическую тактику лечения мочекаменной болезни, при этом ошибка ИНС составила только 9%. А. Г. Ко-царь, С. П. Серёгин, А. В. Новиков [30] разработали математическую модель прогнозирования рецидива мочекаменной болезни, которая продемонстрирована специфичность и чувствительность 98 и 89% соответственно. Необходимо отметить созданную в 2000 г. И. В. Лукьяновым и Д. В. Сошниковым [31] экспертную систему выбора метода консервативного лечения ДГП, продемонстрировавшую высокую эффективность. Позже, в 2008 г., И. В. Лукьянов [32] опубликовал опыт использования описанной экспертной системы на практике, продемонстрировав перспективы использования ИИ в диагностике и лечении ДГП.
Заключение. Таким образом, представленный обзор демонстрирует эффективное использование ИИ во многие областях урологии и онкоурологии, однако применение ИИ в лечении ДГП в настоящее время крайне ограничено. Изучение данных метаанализов и рандомизированных исследований свидетельствует о необходимости применения ИИ для лечения больных ДГП для улучшения результатов хирургических вмешательств путем формирования персонифицированного подхода.
Конфликт интересов отсутствует. Работа не имеет коммерческой заинтересованности, а также заинтересованности иных юридических или физических лиц.
References (Литература)
1. Kok BL. Epidemiology of clinical benign prostatic hyperplasia. Asian J Urol 2017; 4 (3): 148-51.
2. Beam AL, Kohane IS. Big data and machine learning in health care. JAMA 2018; 319 (13): 1317-8.
3. Kanagasingam Y, Xiao D, Vignarajan J, et al. Evaluation of artificial intelligence-based grading of diabetic retinopathy in primary care. JAMA 2018; (1): e182665.
4. Drouin SJ, Yates DR, Hupertan V, et al. A systematic review of the tools available for predicting survival and managing patients with urothelial carcinomas of the bladder and of the upper tract in a curative setting. World J Urol 2013; (31): 10-6.
5. Hung AJ, Chen J, Gill IS. Automated performance metrics and machine learning algorithms to measure surgeon performance and anticipate clinical outcomes in robotic surgery. JAMA Surg 2018; (153): 77-1.
6. Snow PB, Smith DS, Catalona WJ. Artificial neural networks in the diagnosis and prognosis of prostate cancer: a pilot study. J Urol 1994; 152: 192-6.
7. 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.
8. Kwak JT, Hewitt SM. Nuclear architecture analysis of prostate cancer via convolutional neural networks. IEEE Access 2017; (5): 18526-33.
9. Nguyen TH, Sridharan S, Macias V, et al. Automatic Glea-son grading of prostate cancer using quantitative phase imaging and machine learning. J Biomed Opt 2017; (22): 36015.
10. Kim JK, Yook IH, Choi MJ, et al. A performance comparison on the machine learning classifiers in predictive pathology staging of prostate cancer. Stud Health Technol Inform 2017; (245): 1273.
11. Algohary A, Viswanath S, Shiradkar R, et al. Radiomic features on MRI enable risk categorization of prostate cancer patients on active surveillance: preliminary findings. J Magn Reson Imaging 2018; (48): 818-28.
12. Wong NC, Lam C, Patterson L, Shayegan B. Use of machine learning to predict early biochemical recurrence after robot-assisted prostatectomy. BJU Int 2019; (123): 51-7.
13. Hung AJ, Chen J, Che Z, et al. Utilizing machine learning and automated performance metrics to evaluate robot-assisted radical prostatectomy performance and predict outcomes. J En-dourol 2018; (32): 438-44.
14. Hung AJ, Chen J, Ghodoussipour S, et al. A deep-learning model using automated performance metrics and clinical features to predict urinary continence recovery after robot-assisted radical prostatectomy. BJU Int 2019; 124 (3): 487-95.
15. Lam KM, He XJ, Choi KS. Using artificial neural network to predict mortality of radical cystectomy for bladder cancer. 2014 International Conference on Smart Computing (SMARTCOMP). Hong Kong, 2014; р. 201-7.
16. Wang G, Lam KM, Deng Z, Choi KS. Prediction of mortality after radical cystectomy for bladder cancer by machine learning techniques. Comput Biol Med 2015; (63): 124-32.
17. Sapre N, Macintyre G, Clarkson M, et al. A urinary mi-croRNA signature can predict the presence of bladder urothelial carcinoma in patients undergoing surveillance. Br J Cancer 2016; (114): 454-62.
18. Bartsch JrG, Mitra AP, Mitra SA, et al. Use of artificial intelligence and machine learning algorithms with gene expression profiling to predict recurrent nonmuscle invasive urothelial carcinoma of the bladder. J Urol 2016; (195): 493-8.
19. Aminsharifi A, Irani D, Pooyesh S, et al. Artificial neural network system to predict the postoperative outcome of percutaneous nephrolithotomy. J Endourol 2017; (31): 461-7.
20. Yang MY, Xia HZ, Zhu XH, et al. Application of machine learning models in predicting early stonefree rate after flexible ureteroscopic lithotripsy for renal stones. Beijing Da Xue Xue Bao Yi Xue Ban 2019; 51 (4): 653-9.
21. Seckiner I, Seckiner S, Sen H, et al. A neural network — based algorithm for predicting stone-free status after ESWL therapy. Int Braz J Urol 2017; (43): 1110-4.
22. Solovov VA. Neural network analysis in the diagnosis of prostate cancer. Vestnik of Samara University. Natural Science Serie 2005; 5 (39): 209-14. Russian (Соловов В. А. Нейросетевой анализ в диагностике рака предстательной железы. Вестн. СамГУ — Естественнонауч. сер. 2005; 5 (39): 209-14.
23. Gantsev ShKh, Zimichev AA, Khrisanov NN, et al. Application of a neural network in predicting bladder cancer. Bashkortostan Medical Journal 2010; (3): 44-6. Russian (Ганцев Ш. Х., Зимичев А. А., Хрисанов Н. Н. и др. Применение нейронной сети в прогнозировании рака мочевого пузыря. Мед. вестн. Башкортостана 2010; (3): 44-6).
24. Demchenko NA, Lukianov IV. Application of neural network modeling in patients undergoing radical prostatectomy. Cancer Urology 2011; (4): 67. Russian (Демченко Н. А., Лукьянов И. В. Применение нейросетевого моделирования у пациентов, перенесших радикальную простатэктомию. Онкоурология 2011; (4): 67).
25. Popkov VM, Shatylko TV, Fomkin RN. Prediction of the result of pathohistological research of the prostate using an artificial neural network. Saratov Journal of Medical Scientific Research 2014; 10 (2): 328-32. Russian (Попков В. М., Шатылко Т. В., Фомкин Р. Н. Прогнозирование результата
патогистологического исследования простаты с помощью искусственной нейронной сети. Саратовский научно-медицинский журнал 2014; 10 (2): 328-32).
26. Shatylko TV, Popkov VM, Fomkin RN. Integral approach to preoperative determination of the clinical significance of prostate cancer. Saratov Journal of Medical Scientific Research 2015; 11 (3): 345-8. Russian (Шатылко Т. В., Попков В. М., Фомкин Р. Н. Интегральный подход к дооперационному определению клинической значимости рака простаты. Саратовский научно-медицинский журнал 2015; 11 (3): 345-8).
27. Popkov VM, Shatylko TV, Korolev AYu, et al. PSA Screening Optimization with Artificial Intelligence. Bashkortostan Medical Journal 2015; 10 (3): 232-5. Russian (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).
28. Ershov AV, Kapsargin FP, Berezhnoi AG, et al. Expert systems in the evaluation of uroflogram data. Vestnik Urologii 2018; 6 (3): 12-6. Russian (Ершов А. В., Капсаргин Ф. П., Бережной А. Г. и др. Экспертные системы в оценке данных урофлоуграмм. Вестн. урологии 2018; 6 (3): 12-6).
29. Kapsargin FP, Ershov AV, Zueva lF, et al. The use of neural networks in the choice of treatment for urolithiasis. Omskiy Nauchnyy Vestnik 2015; (1): 68-70. Russian (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).
30. Kotsar' AG, Seregin SP, Novikov AV. Automated urologist decision support system for the prediction and prevention of stone formation in urolithiasis. Urology 2013; 20 (2): 16-20. Russian (Коцарь А. Г., Серёгин С. П., Новиков А. В. Автоматизированная система поддержки принятия решений уролога по прогнозированию и профилактике камнеобразования при мочекаменной болезни. Урология 2013; 20 (2): 16-20).
31. Lukianov IV, Soshnikov DV. Information and intellectual system for processing and recording data in the diagnosis and development of treatment tactics in patients with bladder outlet obstruction. In: Actual problems of urology: Materials of the III Congress of urologists of Kazakhstan. Almaty, 2000; 33-6. Russian (Лукьянов И. В., Сошников Д. В. Информационно-интеллектуальная система обработки и учета данных в диагностике и выработке тактики лечения у больных с инфравезикальной обструкцией. В кн.: Актуальные проблемы урологии: материалы III Конгресса урологов Казахстана. Алматы, 2000; с. 33-6).
32. Lukianov IV. Symptoms of the lower urinary tract: prospects of diagnostic and therapeutic measures with the use of artificial intelligence elements. Consilium Medicum 2008; 2 (4): 246. Russian (Лукьянов И. В. Симптомы нижних мочевых путей: перспективы диагностических и лечебных мероприятий с применением элементов искусственного интеллекта. Consilium Medicum 2008; 2 (4): 24-6).
УДК 616.62-003.7-085.322 (075) Обзор
ДОМАШНИЙ МОНИТОРИНГ ОБЩЕГО АНАЛИЗА МОЧИ ДЛЯ МЕТАФИЛАКТИКИ МОЧЕКАМЕННОЙ БОЛЕЗНИ (ОБЗОР)
Г. С. Лебедев — ФГАОУ ВО «Первый МГМУ им. И. М. Сеченова» Минздрава России (Сеченовский Университет), заведующий кафедрой информационных и интернет-технологий, профессор, доктор технических наук; ФГБУ «(Центральный научно-исследовательский институт организации и информатизации здравоохранения» Минздрава России, заведующий отделом инновационного развития и научного проектирования; И. А. Шадеркин — ФГАОУ ВО «Первый МГМУ им. И. М. Сеченова» Минздрава России (Сеченовский Университет), Институт цифровой медицины, заведующий лабораторией электронного здравоохранения, кандидат медицинских наук; В. А. Шадеркина — научный редактор урологического информационного портала UroWeb.ru; В. И. Руденко — ФГАОУ ВО «Первый МГМУ им. И. М. Сеченова» Минздрава России (Сеченовский Университет), профессор Института урологии и репродуктивного здоровья человека, доктор медицинских наук; М. А. Газимиев — ФгАоУ вО «Первый МГМУ им. И. М. Сеченова» Минздрава России (Сеченовский Университет), заместитель директора института урологии и репродуктивного здоровья человека, профессор, доктор медицинских наук.
HOME MONITORING OF GENERAL URINE TEST FOR METAPHYLACTIC URINARY DISEASE
(REVIEW)
G. S. Lebedev — First Moscow State Medical University^ (Sechenov University), Head at the Department of Information and Internet Technologies, Professor, DSc; Central Research Institute of Organization and Informatization of Health Care, Head at the Department of Innovative Development and Scientific Design; I. A. Shaderkin — First Moscow State Medical University (Sechenov University), Institute of Digital Medicine, Head at the Laboratory of Electronic Health, PhD; V. A. Shaderkina — Urological Information Portal UroWeb.ru, Scientific Editor; V. I. Rudenko — First Moscow State Medical University (Sechenov University), Professor at the Institute for Urology and Human Reproductive Health, DSc; M. A. Gazimiev — First Moscow State Medical University (Sechenov University), Institute of Urology and Human Reproductive Health, Deputy Director, Professor, DSc.
Дата поступления — 07.10.2021 г. Дата принятия в печать — 24.11.2021 г.
Лебедев Г. С., Шадеркин И. А., Шадеркина В.А, Руденко В. И., Газимиев М. А. Домашний мониторинг общего анализа мочи для метафилактики мочекаменной болезни (обзор). Саратовский научно-медицинский журнал 2021; 17 (4): 731-737.
Цель: продемонстрировать возможности телемедицинских технологий в одной нозологии — мочекаменной болезни (МКБ). В статье рассмотрены перспективные и уже доступные в настоящее время технологии удаленного динамического мониторинга пациентов с диагностированной МКБ на основе данных общего анализа мочи по материалам зарубежной (PubMed — 21 источник) и отечественной (eLibrary — 11 источников) литературы, опубликованных в период с 2007 по 2021 г Поиск осуществлялся по словосочетаниям «мочекаменная болезнь», «дистанционный мониторинг», «мочевой анализатор», «тест-полоски», «рН мочи», «рН-селфи-контроль». Сегодня не существует стандартизированных методов, которые можно было бы предложить пациенту в качестве единого стандарта для домашнего мониторинга при МКБ. Применяющиеся устройства в большинстве случаев обеспечивают хорошую эффективность и простоту использования, что обеспечит повышение доступности медицинской помощи вне зависимости от эпидемиологической ситуации.
Ключевые слова: мочекаменная болезнь, дистанционный мониторинг, рН-селфи-контроль.
Lebedev GS, Shaderkin IA, Shaderkina VA, Rudenko VI, Gazimiev MA. Home monitoring of general urine test for metaphylactic urinary disease (review). Saratov Journal of Medical Scientific Research 2021; 17 (4): 731-737.
