Как принятие решений на основе данных трансформирует уход за пациентами: что показывают последние исследования

Оглавление

• Основные положения
• Почему это исследование важно
• Как проводился этот обзор
• Ключевые выводы: что выявило исследование
• Искусственный интеллект в ведении пациентов
• Рамки для понимания DDDM
• Что это означает для пациентов
• Ограничения данного обзора
• Рекомендации для пациентов
• Часто задаваемые вопросы
• Сведения об источнике

Основные положения

• В систематическом обзоре 64 исследований установлено, что искусственный интеллект, машинное обучение и системы поддержки принятия решений применяются в диагностике, лечении, прецизионной медицине и уходе за пациентами.
• В одном из исследований алгоритмы обучения с подкреплением предсказывали дозировку препаратов для контроля сердечного ритма с точностью 96,1%, что помогает избежать недостаточной или избыточной медикаментозной терапии.
• У критически больных пациентов инструмент на основе искусственного интеллекта снизил потребность во внутривенном восполнении электролитов на 60%, отдавая предпочтение пероральному лечению и меньшему количеству инвазивных процедур.
• Предиктивная аналитика помогает выявлять пациентов с риском повторной госпитализации или осложнений, что позволяет проводить более раннее вмешательство и эффективнее распределять ресурсы.
• DDDM дополняет, но не заменяет клиническую экспертизу; однако качество данных и интерпретируемость искусственного интеллекта остаются ключевыми проблемами для обеспечения доверия и надежности.

Почему это исследование важно

Принятие решений на основе данных (DDDM) — это революция, которая затронула практически все сферы современной жизни: от экономики и промышленности до медицинской науки. Всё больше организаций применяют DDDM для решения сложных задач, принятия ключевых решений и повышения эффективности работы. В финансах, розничной торговле и технологиях интеграция подходов, основанных на данных, повышает операционную эффективность, усиливает ценность для клиентов и стимулирует инновации.

Однако последствия применения DDDM, пожалуй, наиболее значимы в секторе здравоохранения. Традиционно управление здравоохранением сталкивалось со сложностью, изменчивостью и ограниченной стандартизацией. Многие устаревшие модели были неадекватны для удовлетворения комплексных потребностей пациентов, что приводило к потере времени и субоптимальным результатам. В ответ на это здравоохранение медленно, но уверенно трансформируется благодаря технологическому прогрессу, анализу больших данных и растущей потребности в эффективной и чуткой медицинской помощи.

DDDM способствует фундаментальным изменениям в подходах к ведению пациентов: отgeneric (общих) и часто реактивной помощи к более специфичной, своевременной и ориентированной на пациента. Медицинские специалисты теперь могут рассматривать пациента целостно, используя цифровую информацию, такую как электронные медицинские карты (EHR), данные от самих пациентов, геномные данные и телеметрические показатели, чтобы предоставлять высокоспециализированное лечение.

Как проводился этот обзор

Данный систематический обзор следовал рамкам рекомендаций PRISMA-P по представлению протоколов систематических обзоров и метаанализов (Preferred Reporting Items for Systematic Review and Meta-Analysis Protocols), являющимся строгим, международно признанным стандартом для проведения прозрачных и воспроизводимых синтезов исследований. Цель заключалась в изучении роли и влияния принятия решений на основе данных на уход за пациентами.

Источники данных и стратегия поиска

Исследователи провели поиск в трех основных медицинских базах данных — PubMed, Web of Science и Embase — выбранных благодаря их центральной роли в медицинских исследованиях и репутации, обеспечивающей доступ к обширной базе релевантных исследований. Поиск был намеренно ограничен статьями, опубликованными в период с 2013 по 2023 год, чтобы сосредоточиться на самых современных практиках в здравоохранении.

Стратегия поиска использовала комбинацию релевантных ключевых слов и логических операторов. Первоначальный поиск дал следующие результаты:

• Web of Science: 3 503 публикации
• PubMed: 371 публикация
• Embase: 275 публикаций

Это привело к общему начальному пулу в 4 149 публикаций. Помимо этих основных баз данных, авторы включили данные из неопубликованных источников и поиск по «серой литературе», чтобы минимизировать публикационное смещение. Они систематически искали в репозиториях, таких как medRxiv, SSRN, а также в материалах соответствующих конференций, чтобы выявить потенциально релевантные неопубликованные исследования и препринты. Все процедуры поиска были подробно задокументированы, что существенно снизило потенциальные смещения и повысило воспроизводимость результатов обзора.

Критерии включения и исключения (PICOS)

Исследователи использовали рамку PICOS — Population (Популяция), Intervention (Вмешательство), Comparison (Сравнение), Outcomes (Исходы) и Study Design (Дизайн исследования) — чтобы точно определить, какие исследования будут включены:

• Популяция (P): Пациенты из различных контекстов оказания медицинской помощи.
• Вмешательство (I): Внедрение методов принятия решений на основе данных, включая искусственный интеллект, машинное обучение, обучение с подкреплением, глубокое обучение, системы поддержки принятия решений, марковские процессы принятия решений и совместное принятие решений при ведении пациентов.
• Сравнение (C): Сравнительная группа не всегда была необходима, но если она присутствовала, представляли интерес исследования, сравнивающие подходы на основе данных с традиционными методами принятия решений.
• Исходы (O): Клинические исходы, диагностическая точность, эффективность лечения, удовлетворенность пациентов или любые другие измеримые эффекты на процесс ведения пациента.
• Дизайн исследования (S): Рассматривались как качественные, так и количественные оригинальные исследовательские статьи. Обзорные статьи, редакционные материалы, письма и исследования, не опубликованные на английском языке, были исключены.

Процесс отбора: пошагово

Процесс отбора был тщательным и многоэтапным. Вот как именно первоначальные 4 149 публикаций были сокращены:

1. 4 149 публикаций было выявлено в ходе первоначального поиска.
2. 427 дублирующихся публикаций были удалены.
3. 3 722 публикации были отобраны для рассмотрения.
4. 3 602 публикации были исключены на основании критериев включения/исключения.
5. 120 публикаций были оценены на соответствие полному набору критериев.
6. 61 публикация была удалена, поскольку они не имели непосредственного отношения к ведению пациентов или DDDM.
7. 5 публикаций из внешних источников (серая литература и экспертные рекомендации) были добавлены.
8. 64 публикации в конечном итоге были включены в окончательный обзор.

На всех этапах применялся подход с участием двух независимых рецензентов. Независимый рецензент проводил систематический отбор исследований и оценку их соответствия критериям, чтобы снизить риск смещения отбора. Все неоднозначные случаи документировались и разрешались путем достижения консенсуса в ходе структурированных обсуждений, что обеспечивало прозрачность процесса, снижало вероятность смещения и повышало согласованность принимаемых решений.

Сбор и анализ данных

Исследователь разработал стандартизированную форму для извлечения данных, чтобы зафиксировать ключевую информацию из каждого отобранного исследования, включая методологию обработки данных, методологию принятия решений и вклад DDDM в уход за пациентами. Для анализа применялся качественный метод под названием тематический анализ — систематический и итеративный процесс выявления, анализа и описания закономерностей или тем в данных.

Рецензент сначала прочитал данные несколько раз, чтобы получить полное понимание. После этапа ознакомления рецензент систематически кодировал извлеченные фрагменты данных, выявляя ключевые концепции и идеи. Затем закодированные фрагменты группировались в начальные темы, которые последовательно пересматривались и уточнялись для обеспечения связности и согласованности. Каждая тема была четко определена и описана с приведением соответствующих примеров из проанализированных исследований.

Ключевые выводы: что выявило исследование

Анализ выявил четкую общую структуру того, как DDDM функционирует в управлении лечением пациентов. Этот процесс включает переход от подходов, основанных на данных (технологий, используемых для анализа данных), к методам принятия решений (тому, как проанализированные данные влияют на выбор), и, наконец, к практическому применению в ведении пациентов (где эти решения реализуются в реальной клинической практике).

Подходы, основанные на данных: какие технологии используются?

Среди подходов, основанных на данных, искусственный интеллект — вместе с другими вычислительными методами — был определен как доминирующий метод, применявшийся в рассмотренных исследованиях. В частности, обзор выявил следующие ключевые технологии:

• Машинное обучение (ML): алгоритмы, которые обучаются выявлять закономерности в данных без явного программирования для каждой отдельной задачи.
• Глубокое обучение (DL): более продвинутая форма машинного обучения, использующая нейронные сети со множеством слоев, способные анализировать сложные закономерности в больших массивах данных.
• Обучение с подкреплением (RL): Метод искусственного интеллекта, который обучает алгоритмы принимать последовательные решения в динамичной среде на основе вознаграждений и штрафов.
• Случайный лес (RF): Метод машинного обучения, который строит множество решающих деревьев и объединяет их результаты для повышения точности прогнозов.
• Другие методы, основанные на данных (ODD): Дополнительные вычислительные подходы, используемые в специфических контекстах.

Методы принятия решений: Как принимаются решения?

В части, касающейся принятия решений, обзор выявил три основных метода, используемых вместе с подходами, основанными на данных:

• Системы поддержки принятия решений (DS): Компьютерные инструменты, которые помогают врачам принимать решения, основанные на доказательствах, предоставляя соответствующие данные и рекомендации.
• Марковский процесс принятия решений (MDP): Математическая модель, используемая для описания процесса принятия решений в ситуациях, где результаты частично случайны и частично находятся под контролем лица, принимающего решения. Она помогает планировать оптимальные последовательности лечения с течением времени.
• Совместное принятие решений (SDM): Совместный процесс, при котором пациенты и врачи совместно принимают решения в сфере здравоохранения, учитывая как клинические доказательства, так и предпочтения пациента.

Области управления пациентами: Где применяется DDDM?

Диагностика и лечение заболеваний были наиболее распространенной областью применения управления пациентами среди рассмотренных исследований. Другие значимые области применения включали:

• Прецизионная медицина: Индивидуальный подбор лечения с учетом характеристик конкретного пациента, включая генетический профиль.
• Уход за пациентами: Ежедневное управление и мониторинг пациентов в различных условиях.
• Сестринское дело: Использование прогностических моделей для выявления пациентов с риском осложнений и оптимизации планов ухода.
• Другие смежные области управления пациентами.

Искусственный интеллект в управлении пациентами: Примеры из реальной практики

Применение ИИ в DDDM в рамках управления больницами ознаменовало новую эру эффективности и результативности в работе системы здравоохранения. Системы ИИ, работающие на основе алгоритмов глубокого обучения, способны обрабатывать огромные и сложные массивы данных, включая электронные медицинские карты, медицинские изображения, демографические данные пациентов и данные мониторинга в реальном времени. Используя этот богатый объем информации, администраторы здравоохранения могут получить более глубокое понимание тенденций среди пациентов, использования ресурсов и клинических исходов.

Обучение с подкреплением: Прорыв в принятии решений о лечении

Обучение с подкреплением (RL) заслуживает особого внимания благодаря своим трансформирующим приложениям. RL основан на принципе обучения алгоритмов принимать последовательные решения в динамичной и изменяющейся среде. Основная концепция включает взаимодействие агента со средой, выполнение действий, получение обратной связи в виде вознаграждений или штрафов и корректировку своей стратегии для максимизации совокупных вознаграждений с течением времени. Ключевой целью является обучение «политике» — отображению состояний на действия, — которое позволяет принимать оптимальные долгосрочные решения.

Обзор выделил несколько замечательных применений RL с конкретными измеримыми результатами:

• Дозирование антиаритмических препаратов: RL использовался для управления дозировкой препарата дофетилид (применяемого при нарушениях сердечного ритма), точно предсказывая решения о дозировке с точностью 96,1%. Это полностью соответствует цели предоставления пациенто-специфического динамичного лечения.
• Восполнение электролитов у пациентов в критическом состоянии: Использование РЛ для восполнения электролитов кардинально сократило потребность в добавках магния и калия на 60%. Инструмент на основе ИИ нормализовал время проведения вмешательств по всем трем электролитам — калию, магнию и фосфату — и сместил акцент лечения с внутривенного (В/В) пути на пероральный прием. Это означает меньшее количество венозных катетеров, меньше инвазивных процедур и более эффективное оказание помощи.
• Персонализация управления диабетом: Комбинация РЛ с методами кластеризации использовалась для персонализации управления диабетом путем правильного подбора наиболее подходящих вариантов лечения для каждого пациента на основе его индивидуальных характеристик.
• Лечение ишемической болезни сердца: Комбинация РЛ с обучением с учителем при лечении ишемической болезни сердца продемонстрировала свой потенциал в динамических стратегиях лечения, позволяя всесторонне понимать прогрессирование заболевания.

Глубокое обучение и машинное обучение на практике

Помимо РЛ, другие технологии значительно повысили скорость диагностики и результаты лечения. Модели глубокого обучения на основе нейронных сетей помогли улучшить процесс клинических решений за счет эффективного анализа данных электронных медицинских карт, что привело к повышению точности постановки диагноза у пациентов. Алгоритмы глубокого обучения могут одновременно обрабатывать медицинские изображения, демографические данные пациентов и данные мониторинга в реальном времени, предоставляя клиницистам комплексное представление о состоянии каждого пациента.

Модели случайного леса, еще одна форма машинного обучения, эффективно использовались в ортопедической хирургии для прогнозирования восстановления пациентов после операции и их исходов, помогая клиницистам проактивно управлять уходом за пациентами. Вместо того чтобы ждать, как пациент восстановится после операции, эти модели могут предвидеть вероятные исходы и позволять медицинским командам вмешиваться раньше.

Предиктивная аналитика в различных медицинских специальностях

Преимущества ДДДМ широко распространены и применимы к большинству областей здравоохранения. В обзоре были специально выделены несколько мощных примеров:

• Кардиология: Предиктивная аналитика, обеспечиваемая ДДДМ, улучшила классификацию риска пациентов с сердечной недостаточностью и повысила шансы на снижение частоты повторных госпитализаций в кардиологии. Выявляя пациентов с самым высоким риском возвращения в больницу, медицинские команды могут предоставить дополнительную поддержку тем, кто нуждается в ней больше всего.
• Неврология и психическое здоровье: ДДДМ помогла в точном предиктивном моделировании для определения вероятности снижения качества жизни у пациентов с черепно-мозговой травмой и использования терапевтических ресурсов. Это позволяет клиницистам более эффективно распределять реабилитационные услуги и поддержку.
• Сестринское дело: Модели прогнозирования, разработанные с помощью данных, помогают медсестрам выявлять пациентов, находящихся в риске развития осложнений. Это поддерживает эффективное распределение ресурсов и разработку более качественных планов ухода для обеспечения оптимального ухода за пациентами.

Рамки понимания ДДДМ в управлении пациентами

Одним из самых ценных вкладов этого обзора является выявление четкой рамки, показывающей, как ДДДМ вовлечена в управление пациентами. Структура проходит через три связанных уровня:

1. Уровень 1 — Подходы на основе данных: Искусственный интеллект, машинное обучение, глубокое обучение, обучение с подкреплением и модели случайного леса обрабатывают и анализируют данные пациентов в больших масштабах. Эти технологии преобразуют сырые данные (электронные медицинские карты, изображения, геномика, телеметрия) в практические выводы.
2. Уровень 2 — Методы принятия решений: Выводы из Уровня 1 информируют принятие решений через структурированные методы — системы поддержки принятия решений, представляющие рекомендации клиницистам, марковские процессы принятия решений, моделирующие оптимальные последовательности лечения с течением времени, и рамки совместного принятия решений, вовлекающие пациентов в выбор их собственного лечения.
3. Уровень 3 — Приложения управления пациентами: Решения применяются в реальных условиях здравоохранения в области диагностики и лечения заболеваний, прецизионной медицины, ухода за пациентами, сестринского дела и смежных областей.

Эта рамка демонстрирует, что ДДДМ — это не просто одна технология, а полный путь — от сырых данных до окончательного клинического действия. Каждый уровень зависит от других, а наиболее эффективные реализации интегрируют все три.

Что это означает для пациентов

Эти результаты переводятся в ощутимые преимущества для пациентов. Вот что исследования предполагают, что ДДДМ может означать на практике:

• Более персонализированное лечение: Вместо подхода «один размер для всех» лечение может быть адаптировано под конкретные характеристики каждого пациента, включая генетику, образ жизни и паттерны прогрессирования заболевания.
• Меньше ненужных процедур: Снижение потребности во внутривенном восполнении электролитов на 60% демонстрирует, что уход, направляемый искусственным интеллектом (ИИ), может способствовать применению менее инвазивных подходов — это означает меньший дискомфорт и снижение рисков для пациентов.
• Более точное дозирование: Точность прогноза дозировки лекарств при нарушениях сердечного ритма составляет 96,1%, что показывает способность ИИ помогать подбирать правильную дозу препарата с первого раза, снижая риск недостаточной или избыточной медикаментозной терапии.
• Более раннее вмешательство: Прогностические модели, выявляющие пациентов с риском развития осложнений, повторной госпитализации или снижения качества жизни, позволяют медицинским командам вмешиваться раньше, а не реагировать после того, как проблемы уже возникли.
• Более эффективное распределение ресурсов: Когда медсестры и клиницисты могут прогнозировать, каким пациентам требуется более интенсивный мониторинг, больницы могут направлять персонал и ресурсы туда, где они наиболее необходимы, улучшая качество помощи для всех.
• Более активное участие пациентов: Включение совместного принятия решений в качестве ключевого метода означает, что пациенты имеют больше возможностей влиять на свое лечение, сочетая клинические данные с личными предпочтениями.

Ограничения данного обзора

Важно понимать, чего этот обзор мог и не мог установить. Исследователи признали несколько ограничений:

• Проблемы с качеством данных: Эффективность принятия решений на основе данных (DDDM) полностью зависит от качества исходных данных. Непоследовательные, неполные или предвзятые данные могут привести к неточным прогнозам и рекомендациям.
• Проблемы интерпретируемости: Многие модели ИИ, особенно сети глубокого обучения, функционируют как «черные ящики» — они могут давать точные прогнозы, но клиницисты не всегда могут понять, почему была сделана та или иная рекомендация. Это может создавать барьеры доверия в клинической практике.
• Не является заменой клинического суждения: В обзоре подчеркивается, что принятие решений на основе данных (DDDM) лучше рассматривать как дополнение к — а не замену — экспертизе в области здравоохранения. Технологии дополняют клиническое принятие решений, но не заменяют человеческие аспекты ухода.
• Ограниченность данных, сообщаемых пациентами: Хотя обзор охватил клинические исходы, диагностическую точность и эффективность лечения, степень доказательной базы удовлетворенности пациентов варьировалась в зависимости от включенных исследований.
• Смещение публикаций и языковой предвзятость: Хотя авторы приложили значительные усилия для включения серой литературы и неопубликованных данных, исключение исследований на других языках может все же внести определенный уклон.
• Охват обзора: Обзор был целенаправленно сфокусирован на ведении пациентов, поэтому многие другие перспективные области применения принятия решений на основе данных (DDDM) в здравоохранении (такие как управление больницами, общественное здоровье и политика в сфере здравоохранения) вышли за рамки данного исследования.

Рекомендации для пациентов

Основываясь на этих исследованиях, вот практические шаги, которые пациенты могут предпринять, чтобы получить пользу от здравоохранения, основанного на данных:

1. Спрашивайте о вариантах с поддержкой ИИ: Если вам предстоит сложное решение о лечении, спросите своего врача, использовались ли инструменты на основе данных или системы поддержки принятия решений для информирования ваших вариантов. Многие больницы теперь регулярно применяют эти инструменты.
2. Предоставляйте полную информацию о здоровье: Точность принятия решений на основе данных (DDDM) зависит от качества данных. Будьте тщательны при предоставлении истории болезни, текущих лекарств, симптомов и информации о образе жизни — даже незначительные детали могут повысить прогностическую мощность этих систем.
3. Участвуйте в совместном принятии решений: Когда ваш врач предлагает варианты лечения, помните, что вы являетесь ключевой частью команды по принятию решений. Исследования показывают, что сочетание клинических данных с предпочтениями пациента дает наилучшие результаты.
4. Спрашивайте о дистанционном мониторинге и телеметрии: Многие инструменты DDDM используют данные мониторинга в реальном времени. Если у вас есть хроническое заболевание, такое как диабет или болезнь сердца, спросите, могут ли домашние мониторы или мобильные приложения для здоровья предоставить вашей медицинской команде ценные непрерывные данные.
5. Понимайте ограничения: ИИ — это мощный помощник, но он не безошибочен. Суждение вашего клинициста, его опыт и ваши собственные ценности остаются необходимыми. Если рекомендация кажется неожиданной, спросите «почему» — хорошие клиницисты объяснят свои рассуждения.
6. Рассмотрите возможность участия в клинических испытаниях: Многие инструменты DDDM все еще совершенствуются и тестируются. Участие в клинических исследованиях может способствовать развитию этих технологий, одновременно предоставляя вам доступ к передовым методам лечения.

В обзоре делается вывод о том, что, несмотря на такие проблемы, как качество данных и интерпретируемость, преимущества DDDM заключаются в беспрецедентной персонализации, упрощении процесса принятия решений и потенциале будущего, в котором технологии дополняют экспертные знания в сфере здравоохранения для более эффективной и ориентированной на пациента помощи. DDDM — это не только полезный инструмент для ведения пациентов, но и для многих других аспектов здравоохранения и смежных систем.

По мере дальнейшего развития технологий искусственного интеллекта открываются перспективы еще больших достижений в области DDDM в управлении больницами, что в конечном итоге изменит ландшафт оказания медицинской помощи.

Часто задаваемые вопросы

Что такое принятие решений на основе данных (DDDM) в здравоохранении?

DDDM использует искусственный интеллект, машинное обучение и системы поддержки принятия решений для анализа медицинских данных, таких как электронные медицинские карты, результаты визуализации и геномные данные. Это помогает врачам принимать более персонализированные, своевременные и точные решения о лечении. Это инструмент, дополняющий, а не заменяющий экспертизу медицинских работников. Цель — обеспечить более ориентированную на пациента помощь.

Что означает точность 96,1% в дозировке лекарств для пациентов?

В одном из исследований алгоритм обучения с подкреплением предсказал правильную дозу препарата дофетилида (средство для нормализации сердечного ритма) с точностью 96,1%. Это свидетельствует о том, что ИИ может помочь врачам сразу подобрать правильную дозу лекарства, снижая риск недостаточной или избыточной медикаментозной терапии. Однако это было одно исследование, и результаты в реальной практике могут отличаться.

Что означает снижение потребности во внутривенном восполнении электролитов на 60%?

В исследовании пациентов с тяжелыми состояниями инструмент на основе ИИ сократил потребность в восполнении магния и калия на 60%. Также лечение было переведено с внутривенного (в/в) введения на пероральный прием. Это означает меньшее количество внутривенных катетеров и инвазивных процедур, что может привести к снижению дискомфорта и риска для пациентов.

Как пациенты могут извлечь пользу из принятия решений на основе данных?

Преимущества включают более персонализированное лечение, адаптированное к вашей генетике и образу жизни, более точный подбор дозировок лекарств, раннее вмешательство при выявлении рисков и меньшее количество ненужных процедур. Совместное принятие решений также дает вам больше влияния на процесс лечения. Спросите своего врача, использовали ли инструменты на основе данных для определения вариантов вашего лечения.

Каковы ограничения применения ИИ в уходе за пациентами?

Работа ИИ зависит от качества данных; неполные или предвзятые данные могут привести к неточным рекомендациям. Многие модели ИИ являются «черными ящиками», из-за чего врачам трудно понять логику их работы. ИИ не заменяет клиническое суждение. Кроме того, исследования удовлетворенности пациентов были менее последовательными по результатам, чем исследования клинических исходов.

Может ли второе мнение изменить план лечения, если он был составлен с использованием искусственного интеллекта или инструментов на основе данных?

Системы на основе данных поддерживают, но не заменяют клиническое суждение. Эти инструменты зависят от качества данных и могут действовать как «черные ящики», поэтому врач может не знать причин той или иной рекомендации. Поскольку точность зависит от полноты информации о пациенте, независимый обзор вашего случая может подтвердить диагноз, проверить варианты лечения и обеспечить учет ваших ценностей. Совместное принятие решений является частью процесса, что означает наличие у вас права голоса. Второе мнение поможет вам понять, действительно ли план, сгенерированный ИИ, подходит именно вам. Diagnostic Detectives Network предоставляет независимые экспертные вторые мнения.

Информация об источнике

Original Article Title: Data-driven decision making in patient management: a systematic review.

License: CC BY-NC-ND (open access)

Author: Lyu G.

Journal: BMC Medical Informatics and Decision Making (2025) 25:239

DOI: https://doi.org/10.1186/s12911-025-03072-x

Publication Date: 2025

Эта статья для пациентов основана на рецензируемых исследованиях. Оригинальное исследование было опубликовано как статья с открытым доступом по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License. Полный текст и все упомянутые исследования доступны по ссылке DOI выше.