Концепция метавселенной является новой, активно развивающейся идеей, имеющей потенциал в различных сферах медицины. Сочетание мультисенсорной стимуляции и социального взаимодействия открывает широкие возможности для применения технологий метавселенной в реабилитации. Целью данного обзора является анализ сфер применения и перспектив развития метавселенной в реабилитации. Методы: Авторами был выполнен поиск в PubMed, ScienceDirect с использованием ключевых слов «metaverse», «метавселенная», среди которых в ручном режиме велся поиск исследований, связанных с различными аспектами реабилитации. Из найденных 1393 публикаций для дальнейшего анализа было отобрано 37. Результаты: Технологии метавселенной используются в медицинской реабилитации, помогая восстановить физические и когнитивные функции. Создание цифровых двойников-аватаров и использование машинного обучения для обработки данных о пациенте может сделать реабилитацию более персонализированной и эффективной. Обсуждение: Концепция метавселенной создает уникальную среду, в основе которой лежит синергия высоких технологий и социального взаимодействия. Новые возможности, которые открывает применение метавселенной в медицине, могут коренным образом изменить реабилитацию, сделав ее более эффективной и доступной.
Предпросмотр статьи
Идентификаторы и классификаторы
- SCI
- Здравоохранение
Важнейшие сферы человеческой жизни все больше перемещаются в виртуальное пространство — работа, обучение, сфера услуг, в том числе медицинских. В 2020 году Всемирная организация здравоохранения (ВОЗ) приняла глобальную стратегию цифровой трансформации здравоохранения, в которой рассматриваются возможности и перспективы внедрения высоких технологий в различные области медицины, в том числе реабилитацию [1].
Список литературы
1. Стратегия_цифровой_трансформации_отрасли_Здравоохранение.pdf. Accessed May 17, 2023. https://static-0.minzdrav.gov.ru/system/attachments/attaches/000/057/382/original/%D0%A1%D1%82%D1%80%D0%B0%D1%82%D0%B5%D0%B3%D0%B8%D1%8F_%D1%86%D0%B8%D1%84%D1%80%D0%BE%D0%B2%D0%BE%D0%B9_%D1%82%D1%80%D0%B0%D0%BD%D1%81%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%B8_%D0%BE%D1%82%D1%80%D0%B0%D1%81%D0%BB%D0%B8_%D0%97%D0%B4%D1%80%D0%B0%D0%B2%D0%BE%D0%BE%D1%85%D1%80%D0%B0%D0%BD%D0%B5%D0%BD%D0%B8%D0%B5.pdf?1626341177.
2. Usmani SS, Sharath M, Mehendale M. Future of mental health in the metaverse. Gen Psychiatry. 2022; 35(4): e100825. DOI: 10.1136/gpsych-2022-100825
3. Yang D, Zhou J, Chen R, et al. Expert consensus on the metaverse in medicine. Clin EHealth. 2022; 5: 1-9. DOI: 10.1016/j.ceh.2022.02.001
4. Лагутин М.Д., Тюфилин Д.С., Кобякова О.С., Деев И.А. Метавселенные в медицине: оценка перспектив применения для практического здравоохранения. Врач и информационные технологии. 2023; 2: 4-15.
5. Wang C, Kong J, Qi H. Areas of Research Focus and Trends in the Research on the Application of VR in Rehabilitation Medicine. Healthcare. 2023; 11(14): 2056. DOI: 10.3390/healthcare11142056
6. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. The BMJ. Accessed September 7, 2023.
7. Zotero. Your personal research assistant. Accessed December 4, 2023.
8. Moon HJ, Han S. Perspective: Present and Future of Virtual Reality for Neurological Disorders. Brain Sci. 2022; 12(12): 1692. DOI: 10.3390/brainsci12121692
9. Cheung JCW, Cheung DSK, Ni M, et al. X-reality for phantom limb management for amputees: A systematic review and meta-analysis. Eng Regen. 2023; 4(2): 134-151. DOI: 10.1016/j.engreg.2023.02.002
10. Cho KH, Park JB, Kang A. Metaverse for Exercise Rehabilitation: Possibilities and Limitations. Int J Environ Res Public Health. 2023; 20(8): 5483. DOI: 10.3390/ijerph20085483
11. Wu TC, Ho CTB. A scoping review of metaverse in emergency medicine. Australas Emerg Care. Published online August 8, 2022. DOI: 10.1016/j.auec.2022.08.002
12. Lee CW. Application of Metaverse Service to Healthcare Industry: A Strategic Perspective. Int J Environ Res Public Health. 2022; 19(20): 13038. DOI: 10.3390/ijerph192013038
13. Petrigna L, Musumeci G. The Metaverse: A New Challenge for the Healthcare System: A Scoping Review. J Funct Morphol Kinesiol. 2022; 7(3): 63. DOI: 10.3390/jfmk7030063
14. Zhou H, Gao JY, Chen Y. The paradigm and future value of the metaverse for the intervention of cognitive decline. Front Public Health. 2022; 10. DOI: 10.3389/fpubh.2022.1016680
15. Calabrò RS, Cerasa A, Ciancarelli I, et al. The Arrival of the Metaverse in Neurorehabilitation: Fact, Fake or Vision? Biomedicines. 2022; 10(10): 2602. DOI: 10.3390/biomedicines10102602
16. Tacchino A, Podda J, Bergamaschi V, Pedullà L, Brichetto G. Cognitive rehabilitation in multiple sclerosis: Three digital ingredients to address current and future priorities. Front Hum Neurosci. 2023; 17: 1130231. DOI: 10.3389/fnhum.2023.1130231
17. Lloyd DG, Saxby DJ, Pizzolato C, et al. Maintaining soldier musculoskeletal health using personalised digital humans, wearables and/or computer vision. J Sci Med Sport. 2023; 26: S30-S39. 10.1016/ j.jsams.2023.04.001. DOI: 10.1016/j.jsams.2023.04.001
18. Qian P, Yang D, Bai C. Metaverse: Freezing the time. Clin EHealth. 2023; 6: 29-35. DOI: 10.1016/j.ceh.2023.06.002
19. Calabrò RS, Morone G. Advancing Rehabilitation Medicine with the Metaverse: Opportunities and Challenges. Brain Sci. 2025; 15(3): 321. DOI: 10.3390/brainsci15030321
20. Donegan T, Sanchez-Vives MV. Perception and control of a virtual body in immersive virtual reality for rehabilitation. Curr Opin Neurol. 2024; 37(6): 638. DOI: 10.1097/WCO.0000000000001321
21. Morone G, Ciancarelli I, Calabrò RS, Cerasa A, Iosa M, Gimigliano F. MetaRehabVerse: The Great Opportunity to Put the Person’s Functioning and Participation at the Center of Healthcare. Neurorehabil Neural Repair. 2025; 39(3): 241-255. DOI: 10.1177/15459683241309587
22. Kaur P, Prakash G, Agarwal R, Virmani N, Alghafes R. Emerging technologies for basic human needs: A TCCM approach to systematically reviewing metaverse intervened wellness. Technol Forecast Soc Change. 2025; 217: 124190. DOI: 10.1016/j.techfore.2025.124190
23. Kasrineh MR, Baravati FB, Lee J, Zarei M, Taheri-Soodejani M, Tabatabaei SM. Extended Reality for Rehabilitation and Care of Patients after Open Heart Surgery: A Systematic Review. Heliyon. Published online March 6, 2025: e43105. DOI: 10.1016/j.heliyon.2025.e43105
24. Keny SM, Bagaria V, Sahu D, Brkljac M, Logishetty K, Keny AA. Remote patient monitoring: A current concept update on the technology adoption in the realm of orthopedics. J Clin Orthop Trauma. 2024; 51: 102400. DOI: 10.1016/j.jcot.2024.102400
25. Parisi A, Bellinzona F, Di Lernia D, et al. Efficacy of Multisensory Technology in Post-Stroke Cognitive Rehabilitation: A Systematic Review. J Clin Med. 2022; 11(21): 6324. DOI: 10.3390/jcm11216324
26. Lan L, Sikov J, Lejeune J, et al. A Systematic Review of using Virtual and Augmented Reality for the Diagnosis and Treatment of Psychotic Disorders. Curr Treat Options Psychiatry. Published online June 14, 2023: 1-21. DOI: 10.1007/s40501-023-00287-5
27. Moon I, An Y, Min S, Park C. Therapeutic Effects of Metaverse Rehabilitation for Cerebral Palsy: A Randomized Controlled Trial. Int J Environ Res Public Health. 2023; 20(2): 1578. DOI: 10.3390/ijerph20021578
28. Orr E, Arbel T, Levy M, et al. Virtual reality in the management of patients with low back and neck pain: a retrospective analysis of 82 people treated solely in the metaverse. Arch Physiother. 2023; 13: 11. DOI: 10.1186/s40945-023-00163-8
29. Lee JH, Lee TS, Yoo SY, et al. Metaverse-based social skills training programme for children with autism spectrum disorder to improve social interaction ability: an open-label, singlecentre, randomised controlled pilot trial. eClinicalMedicine. 2023; 61: 102072. DOI: 10.1016/j.eclinm.2023.102072
30. Montalban X, Graves J, Midaglia L, et al. A smartphone sensor-based digital outcome assessment of multiple sclerosis. Mult Scler Houndmills Basingstoke Engl. 2022; 28(4): 654-664. DOI: 10.1177/13524585211028561
31. Stamm O, Dahms R, Reithinger N, Ruß A, Müller-Werdan U. Virtual reality exergame for supplementing multimodal pain therapy in older adults with chronic back pain: a randomized controlled pilot study. Virtual Real. 2022; 26(4): 1291. DOI: 10.1007/s10055-022-00629-3
32. Liang H, Li J, Wang Y, Pan J, Zhang Y, Dong X. Metaverse Virtual Social Center for the Elderly Communication During the Social Distancing. Virtual Real Intell Hardw. 2023; 5(1): 68-80. DOI: 10.1016/j.vrih.2022.07.007
33. Vera AD, Yuce MR. Forearm Dual-Triboelectric Sensor (FDTS) for assistive Human-Machine-Interfaces (HMIs) and robotic control with potential uses in prosthetic devices. Nano Energy. 2023; 111: 108366. DOI: 10.1016/j.nanoen.2023.108366
34. Shah SHH, Karlsen AST, Solberg M, Hameed IA. A social VR-based collaborative exergame for rehabilitation: codesign, development and user study. Virtual Real. Published online November 28, 2022: 1-18. DOI: 10.1007/s10055-022-00721-8
35. Amado I, Brénugat-Herné L, Orriols E, et al. A Serious Game to Improve Cognitive Functions in Schizophrenia: A Pilot Study. Front Psychiatry. 2016; 7: 64. DOI: 10.3389/fpsyt.2016.00064
36. Park KM, Ku J, Choi SH, et al. A virtual reality application in role-plays of social skills training for schizophrenia: a randomized, controlled trial. Psychiatry Res. 2011; 189(2): 166-172. DOI: 10.1016/j.psychres.2011.04.003
37. Sohn BK, Hwang JY, Park SM, et al. Developing a Virtual Reality-Based Vocational Rehabilitation Training Program for Patients with Schizophrenia. Cyberpsychology Behav Soc Netw. 2016; 19(11): 686-691. DOI: 10.1089/cyber.2016.0215
38. Momosaki R, Tora K, Shirai Y, Funao H. Strategies to Promote Physical Activity among Sedentary Metaverse Residents. Prog Rehabil Med. 2024; 9: 20240038. DOI: 10.2490/prm.20240038
39. Pascucci S, Forte G, Angelini E, et al. Michelangelo Effect in Virtual Sculpturing: Prospective for Motor Neurorehabilitation in the Metaverse. J Cogn. 7(1): 17. DOI: 10.5334/joc.345
40. Mizuta R, Maeda N, Tashiro T, et al. Effectiveness of Metaverse Space-Based Exercise Video Distribution in Young Adults: Randomized Controlled Trial. JMIR MHealth UHealth. 2024; 12: e46397. DOI: 10.2196/46397
41. Chen H, He D, Xiong K, et al. An AI-enabled self-sustaining sensing lower-limb motion detection system for HMI in the metaverse. Nano Energy. 2025; 136: 110724. DOI: 10.1016/j.nanoen.2025.110724
42. Zhang C, Zhang L, Tian Y, An Z, Li B, Li D. AI-enabled full-body dynamic avatar reconstruction using triboelectric smart clothing for metaverse applications. eScience. Published online January 22, 2025: 100373. DOI: 10.1016/j.esci.2025.100373
43. Wang R, Jiang L, Li J, et al. Tactile and kinesthetic communication glove with fusion of triboelectric sensing and pneumatic actuation. Nano Energy. 2024; 131: 110273. DOI: 10.1016/j.nanoen.2024.110273
44. Антипов В.М., Бадарин А.А., Куркин С.А., Киселев А.Р., Храмов А.Е. Программно-аппаратный комплекс для реабилитации пациентов с когнитивными и моторными нарушениями. Врач и информационные технологии. 2024; 4: 38-47.
45. The Lancet Public Health null. Reinvigorating the public health response to dementia. Lancet Public Health. 2021; 6(10): e696. DOI: 10.1016/S2468-2667(21)00215-2
46. Mowszowski L, Batchelor J, Naismith SL. Early intervention for cognitive decline: can cognitive training be used as a selective prevention technique? Int Psychogeriatr. 2010; 22(4): 537-548. DOI: 10.1017/S1041610209991748
47. Shen C, Rolls ET, Cheng W, et al. Associations of Social Isolation and Loneliness With Later Dementia. Neurology. 2022; 99(2): e164-e175. DOI: 10.1212/WNL.0000000000200583
48. Woods B, O’Philbin L, Farrell EM, Spector AE, Orrell M. Reminiscence therapy for dementia. Cochrane Database Syst Rev. 2018; 2018(3): CD001120. DOI: 10.1002/14651858.CD001120.pub3
49. Myles BS, Barnhill GP, Hagiwara T, Griswold DE, Simpson RL. A Synthesis of Studies on the Intellectual, Academic, Social/ Emotional and Sensory Characteristics of Children and Youth with Asperger Syndrome. Educ Train Ment Retard Dev Disabil. 2001; 36(3): 304-311.
50. https://painstudy.ru/org/iasp.htm. Accessed October 1, 2023.
51. Итоги конференции “Высокие ампутации нижних конечностей у детей и взрослых”. https://www.angiolsurgery.org/news/2019/05/31.
52. Schone HR, Baker CI, Katz J, et al. Making sense of phantom limb pain. J Neurol Neurosurg Psychiatry. 2022; 93(8): 833-843. DOI: 10.1136/jnnp-2021-328428
53. XRHealth Virtual Clinic: At-Home Virtual Reality Therapy. XRHealth. Accessed September 19, 2023. https://www.xr.health.
54. Pizzolato C, Gunduz MA, Palipana D, et al. Non-invasive approaches to functional recovery after spinal cord injury: Therapeutic targets and multimodal device interventions. Exp Neurol. 2021; 339: 113612. DOI: 10.1016/j.expneurol.2021.113612
55. Pizzolato C, Saxby DJ, Palipana D, et al. Neuromusculoskeletal Modeling-Based Prostheses for Recovery After Spinal Cord Injury. Front Neurorobotics. 2019; 13. https://www.frontiersin.org/articles/. DOI: 10.3389/fnbot.2019.00097
56. Kunz L, Schröder TN, Lee H, et al. Reduced grid-cell-like representations in adults at genetic risk for Alzheimer’s disease. Science. 2015; 350(6259): 430-433.
Выпуск
Другие статьи выпуска
В условиях цифровизации здравоохранения принципиально важное значение приобретает создание современных информационных систем для сбора и обработки медицинской статистики. Данная статья представляет разработку и всесторонний анализ функциональных требований к таким системам, рассматривая их как сложные технологические комплексы, объединяющие строгие нормативные требования, передовые цифровые решения и практические потребности медицинских организаций. Особое внимание уделено методологии обеспечения качества данных, принципам интеграции с существующей ИТ-инфраструктурой и созданию условий для аналитической работы на основе собранной статистики.
Цифровая трансформация здравоохранения требует эффективных инструментов для оценки цифровой зрелости медицинских организаций. Настоящее исследование направлено на разработку методики оценки цифровой зрелости, адаптированной к особенностям системы здравоохранения Российской Федерации. В рамках работы проведен анализ нормативных правовых актов, определены ключевые критерии оценки цифровой зрелости, сгруппированные в блоки, и разработан алгоритм расчета уровня цифровой зрелости медицинских организаций. Предложенная нами методика обеспечивает возможность объективной оценки, идентификации проблемных зон и разработки рекомендаций для повышения цифровой зрелости организаций.
Цель. Разработать методику оценки цифровой зрелости медицинских организаций, которая учитывает специфику системы здравоохранения Российской Федерации, позволяет проводить комплексную и объективную оценку уровня цифровой зрелости и формировать рекомендации для улучшения процессов цифровой трансформации.
Материалы и методы. Для разработки методики была сформирована рабочая группа из 14 членов экспертного сообщества с опытом трудовой деятельности в сфере здравоохранения и цифровой трансформации. Проведен анализ нормативных правовых актов и существующих подходов к оценке цифровой зрелости. На основе экспертного опроса выделены ключевые критерии, сгруппированные в пять блоков. Для каждого блока разработаны показатели и алгоритмы расчета, что обеспечивает объективность, прозрачность и возможность автоматизации оценки.
Результаты. Методика оценки цифровой зрелости медицинских организаций позволяет объективно определить уровень их готовности к цифровой трансформации. Методика охватывает основные аспекты цифровизации, обеспечивая комплексный подход к анализу, а также дает возможность выявить ключевые проблемы, затрудняющие цифровую трансформацию, и формировать рекомендации для их устранения. Это делает ее эффективным инструментом для повышения уровня цифровой зрелости медицинских организаций и улучшения качества предоставляемых услуг.
Выводы. Разработанная в ФГБУ «ЦНИИОИЗ» Минздрава России методика оценки цифровой зрелости медицинских организаций является универсальным инструментом для объективной и системной оценки уровня цифровой зрелости. Она учитывает особенности структуры и деятельности организаций, обеспечивая адаптивность к различным условиям и уровням здравоохранения. Методика способствует стандартизации цифровой трансформации, выявлению проблемных зон и формированию индивидуальных рекомендаций для их устранения.
Большие генеративные модели (БГМ) обладают значительным потенциалом для здравоохранения и медицинской науки. Несмотря на экспоненциальный рост числа публикаций, качество и результативность научного изучения БГМ остается неудовлетворительной. В научной литературе утверждается необходимость создания стандартизированных подходов для обеспечения безопасной и эффективной интеграции БГМ в клиническую практику. В системе здравоохранения г. Москвы осуществляется апробация БГМ в качестве средства поддержки принятия врачебных решений, которая потребовала создания особых методов и инструментов для оценки их качества. Представлены две методики оценки качества БГМ, разработанные на основе: анализа литературных данных (всего свыше 200 источников); результатов проведенного авторами этапного комплексного тестирования 204 БГМ; эмпирического опыта оценки качества БГМ на выборке из более 12 000 случаев применения. Методики предназначены для двух основных сценариев применения моделей. В их основе лежат (с учетом сценария) принципы формирования тестовой выборки, специально разработанные и валидированные опросники, способы тестирования, унифицированные требования к составу и структуре результатов оценки качества.
Цель исследования: разработка методики скринингового обследования пациентов, направленной на раннюю дифференциальную диагностику злокачественных новообразований кожи посредством применения методов дерматоскопии совместно с оптоэлектронными средствами мобильной техники и алгоритмами классификации дерматоскопических изображений, основанных на методах машинного обучения.
Материалы и методы. Для реализации обнаружения злокачественных новообразований и отнесения их к соответствующей нозологической группе применяются методы и алгоритмы машинного обучения и оптического распознавания. Методы оптического распознавания используются в процессе анализа дерматоскопических снимков и обучения алгоритмов и моделей классификации. В качестве применяемых подходов машинного обучения выступают методы многоклассовой и бинарной каскадной двухэтапной классификации технологии машинного обучения, основанной на нейросетевой архитектуре и архитектуре визуальных трансформеров.
Результаты. В ходе экспериментальных оценок многоклассовой классификации (восемь типов злокачественных новообразований) определена наилучшая модель классификации с архитектурой визуального трансформера, характеризующего метриками Accuracy 0,932 и F-мера 0,891 на сформированном наборе данных, включая ISIC-2019 и собственный набор, содержащий 657 изображений. Бинарная каскадная двухэтапная классификация на меланоцитарные и немеланоцитарные новообразования имеет значения Accuracy и F-мера 0,954 и 0,948 (первый этап классификации) и на меланомы и невусы — 0,964 и 0,951 соответственно (второй этап классификации).
Заключение. Полученные количественные значения точности обнаружения злокачественных кожных новообразований разработанной методикой скринингового обследования позволяют рекомендовать внедрение многоклассовой классификации для первичного разделения большого объема дерматоскопических изображений пациентов по нозологическому признаку между профильными специалистами в процессе проведения массовый (выездных) профилактических осмотров, а внедрение каскадной бинарной классификации в условиях первичного приема с ограниченным доступом к профильным специалистам для дифференциации меланомы от других кожных новообразований. Разработанная методика скринингового обследования пациентов может быть внедрена в медицинскую практику в качестве системы поддержки принятия решений врача.
Внедрение системы поддержки принятия врачебных решений (СППВР) в клиническую практику требует тщательного контроля для обеспечения безопасности пациентов и оценки эффективности применения технологий искусственного интеллекта.
Целью данной работы является оценка результативности СППВР «ТОП-3» в условиях консультативно-диагностических поликлиник Департамента здравоохранения города Москвы.
Материалы и методы: Мониторинг работы СППВР «ТОП-3» проводился Департаментом здравоохранения города Москвы с 01.10.2020 по 21.03.2024 (n = 63 809 360 чел.). Рассчитывалась метрика Hit-3, на основе которой принималось решение о необходимости повторного обучения представленной СППВР. Дополнительно было проведено исследование с участием врачей-экспертов: ретроспективный анализ данных на выборке из 3000 пациентов с расчетом согласованности диагнозов от СППВР, врача и эксперта.
Результаты: По результатам мониторинга среднее значение Hit-3 составляло 63,5, 64,5 и 67,7 для первой, второй и третьей версии СППВР соответственно. Экспертиза показала, что в выборке несоответствия диагноза от врача и СППВР (n = 2000) в 80,2% случаев эксперт на основе жалоб соглашался с СППВР, в 11,5% случаях - с врачом, а в 8,3% случаев ставил иной диагноз. В выборке соответствия диагноза врача с одним из диагнозов СППВР (n = 1000) в 50,4% случаев эксперт соглашался с диагнозом от врача и СППВР, в 37,9% случаев – с одним из двух других альтернативных диагнозов СППВР, в 11,7% случаев ставил иной диагноз.
Заключение: Описанная методика мониторинга, дополненная проведением экспертизы, позволила всесторонне оценить внедряемую в систему здравоохранения СППВР. По итогу оценки результативности «ТОП-3» было принято решение о необходимости расширения анализируемого перечня данных электронных медицинских карт, что будет внедрено в следующей версии СППВР «ТОП-3+».
Алгоритмы машинного обучения (МО) находят применение во всех сферах жизни человека. Пренатальный скрининг (ПС) не является исключением. Внедрение методов МО для оценки результатов ПС позволит преодолеть проблемы, присущие анализу людьми: снизить субъективность и вариабельность между разными специалистами при чтении медицинских изображений, сократить время исследования, стратифицировать беременных по группам риска с большей достоверностью. Настоящее исследование сконцентрировано на оценке диагностической результативности применения технологий, основанных на применении методов искусственного интеллекта (ИИ), для оценки результатов ПС. Исследование проводилось в соответствии с методологией обзора предметного поля. По результатам поиска в базах PubMed и eLibrary идентифицировано 27 релевантных работ. Все включенные работы продемонстрировали положительный потенциал методов ИИ для обнаружения, классификации или прогнозирования рисков развития врожденных аномалий (ВА). При интерпретации медицинских изображений МО позволяет сократить время диагностики, повысить ее качество, обеспечить возможность проведения данного варианта диагностики в удаленных и труднодоступных районах или в условиях кадрового дефицита, сохраняя при этом достаточную чувствительность и специфичность вне зависимости от квалификации врача. Алгоритмы на основе метаболомного анализа обладают преимуществами в точности и эффективности прогнозирования хромосомных аномалий. Системы поддержки принятия врачебных решений позволяют улучшить прогнозирование развития ВА в первом триместре беременности как с точки зрения точности скрининга, так и с точки зрения снижения стоимости программы скрининга.
Тем не менее текущие эмпирически подтверждённые знания в основном получены при внедрении систем ИИ с низкой автономностью действий, и авторы большинства включенных в анализ исследований описывают ряд ограничений, которые необходимо учитывать при внедрении подобных решений.
Издательство
- Издательство
- НМХЦ ИМ. Н.И. ПИРОГОВА МИНЗДРАВА РОССИИ
- Регион
- Россия, Москва
- Почтовый адрес
- 105203, г Москва, р-н Восточное Измайлово, ул Нижняя Первомайская, д 70
- Юр. адрес
- 105203, г Москва, р-н Восточное Измайлово, ул Нижняя Первомайская, д 70
- ФИО
- Карпов Олег Эдуардович (Генеральный директор)
- Контактный телефон
- +7 (499) 4640303