Система поддержки принятия экспертных решений и формирования реабилитационных программ у пациентов с раком молочной железы с применением технологий искусственного интеллекта тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Михайлишин Виктор Валерьевич

• Михайлишин Виктор Валерьевич
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Михайлишин Виктор Валерьевич

ВВЕДЕНИЕ

ГЛАВА 1. РАК МОЛОЧНОЙ ЖЕЛЕЗЫ: СОВРЕМЕННЫЕ ПРЕДСТАВЛЕНИЯ, КЛИНИКО-ЭКСПЕРТНАЯ ДИАГНОСТИКА (ОБЗОР ЛИТЕРАТУРЫ)

1.1 Рак молочной железы, общая характеристика и классификация

1.2 Клинико-экспертная диагностика пациентов с раком молочной железы

1.3 Медико-социальная экспертиза пациентов с раком молочной железы

1.4 Применение технологий искусственного интеллекта в задачах клинической

диагностики пациентов с раком молочной железы

ГЛАВА 2. МАТЕРИАЛЫ И МЕТОДЫ ИССЛЕДОВАНИЯ

2.1 Характеристика пациентов

2.2 Дизайн исследования

2.3 Статистические методы исследования

2.4 Программные средства, использованные при разработке и оценке системы

поддержки принятия решений

ГЛАВА 3. КЛИНИКО-ФУНКЦИОНАЛЬНАЯ ХАРАКТЕРИСТИКА ПАЦИЕНТОВ

3.1 Клинико-анамнестические данные пациентов с раком молочной железы

3.2 Функциональные нарушения и структура инвалидности пациентов с раком молочной железы

3.3 Сведения о назначаемых технических средствах реабилитации пациентам с

раком молочной железы

ГЛАВА 4. ВЫЯВЛЕНИЕ ПРЕДИКТОРОВ СТОЙКИХ НАРУШЕНИЙ ФУНКЦИЙ ОРГАНИЗМА И ОГРАНИЧЕНИЙ ЖИЗНЕДЕЯТЕЛЬНОСТИ

4.1 Предикторы стойких нарушений функций организма у пациентов с раком молочной железы

4.2 Предикторы ограничений жизнедеятельности у пациентов с раком молочной

железы

ГЛАВА 5. РАЗРАБОТКА МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ ИНВАЛИДНОСТИ И ПОДБОРА ТЕХНИЧЕСКИХ СРЕДСТВ РЕАБИЛИТАЦИИ У ПАЦИЕНТОВ С РАКОМ МОЛОЧНОЙ ЖЕЛЕЗЫ

5.1 Создание моделей искусственного интеллекта для прогнозирования стойких нарушений функций организма и ограничений жизни деятельности у

пациентов с раком молочной железы

5.2 Разработка модели определения инвалидности

5.3 Разработка модели подбора технических средств реабилитации

ГЛАВА 6. СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПРИ ПРОВЕДЕНИИ МЕДИКО-СОЦИАЛЬНОЙ ЭКСПЕРТИЗЫ ПАЦИЕНТОВ С РАКОМ МОЛОЧНОЙ ЖЕЛЕЗЫ

6.1 Разработка системы поддержки принятия решений

6.2 Оценка системы поддержки принятия решений

ГЛАВА 7. ОБСУЖДЕНИЕ ПОЛУЧЕННЫХ ДАННЫХ

ВЫВОДЫ

РЕКОМЕНДАЦИИ

ПЕРСПЕКТИВЫ ДАЛЬНЕЙШЕЙ РАЗРАБОТКИ ТЕМЫ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЯ

Приложение А Свидетельство о государственной регистрации базы данных «Деперсонализированная база данных клинико-функциональных показателей пациентов с раком молочной железы, прошедших медико-социальную

экспертизу»

Приложение Б Свидетельство о государственной регистрации программы для ЭВМ «Программа для модуля системы поддержки принятия экспертных решений при проведении медико-социальной экспертизы у пациентов с раком молочной железы

старше 18 лет»

Приложение В Перечень клинико-функциональных показателей пациентов,

использованных для формирования базы данных

Приложение Г Формализированная анкета оценки качества системы искусственного интеллекта

ВВЕДЕНИЕ

Введение диссертации (часть автореферата) на тему «Система поддержки принятия экспертных решений и формирования реабилитационных программ у пациентов с раком молочной железы с применением технологий искусственного интеллекта»

Актуальность темы исследования

Злокачественные новообразования молочной железы занимают первое место среди онкологических заболеваний у женщин по их распространенности в общей популяции и составляют 0,2-0,7%о [106, 113]. В Российской Федерации наиболее распространенным онкологическим заболеванием у женщин является рак молочной железы (РМЖ), первичная заболеваемость которого достигает 0,11%о [14].

Злокачественные новообразования занимают также первое место среди причин первичной инвалидности в Российской Федерации. При этом РМЖ занимает второе место в структуре первичной инвалидности по причине онкологических заболеваний среди взрослого населения и первое среди взрослого женского населения. В период 2018-2021 гг. количество инвалидов вследствие РМЖ возросло с 30,9 до 33 тыс. человек [3]. Данная динамика свидетельствует о росте заболеваемости, который обуславливает пропорциональное увеличение объема проводимых экспертиз специалистами федеральных учреждений медико-социальной экспертизы (МСЭ).

Основным методом лечения пациентов с раком молочной железы является мастэктомия, что обусловливает высокую потребность в технических средствах реабилитации (ТСР) в разрабатываемых врачами-экспертами индивидуальных программах реабилитации (абилитации) инвалидов (ИПРА). В регионах с высоким уровнем онкологической заболеваемости доля экзопротезов молочной железы и сопутствующих изделий в ИПРА достигает 95% среди всех включенных ортезов и протезов [42].

Высокие темпы нарастания заболеваемости РМЖ определяют возросшую нагрузку на проводящих экспертизу специалистов МСЭ, что неизбежно приводит к увеличению риска ошибочных заключений и разработки неполных ИПРА. В условиях нарастающего использования информационных и коммуникационных технологий реабилитационно-экспертной диагностики перспективным

направлением повышения эффективности МСЭ является применение технологий искусственного интеллекта (ИИ), которые обеспечивают повышение доступности и качества услуг [40]. Системы поддержки принятия решений (СППР) на основе технологий ИИ сегодня эффективно используют для успешного решения задач клинической диагностики рака молочной железы [149]. Их внедрение в практическую деятельность способствует повышению качества медицинской помощи и снижению трудозатрат высококвалифицированных специалистов [68, 73, 118, 160]. Следовательно, разработка экспертных систем ИИ для помощи врачам-экспертам при проведении МСЭ пациентов с раком молочной железы является актуальной задачей и лежит в русле основных направлений научных исследований восстановительной медицины и медико-социальной реабилитации.

Степень разработанности темы исследования

Вопросы разработки систем ИИ для определения нарушений функций организма, ограничений жизнедеятельности, группы инвалидности и формирования ИПРА, включающей подбор ТСР, рассмотрены в ряде работ отечественных исследователей [2, 13, 47]. В них представлены различные методологические подходы к построению математических моделей экспертной оценки пациентов - от статистических методов анализа данных до применения базовых алгоритмов машинного обучения. Ключевую роль в рассмотренных моделях играют методы ИИ, основанные на анализе онтологических баз данных, способствующих формированию информативного представления о состоянии пациентов и прогнозе их восстановления [10]. Сведения о системах поддержки принятия экспертных решений по установлению группы инвалидности отсутствуют.

Разработанные СППР по подбору ТСР реализованы на основе детерминированных правил, сформулированных на основе анализа клинико-функциональных показателей здоровья пациентов [12, 35] и нуждаются в тщательном научном анализе информативности и практической значимости. Таким образом, развитие технологий ИИ открывает новые возможности для создания математических моделей принятия экспертных решений, обладающих высокими метриками качества их работы.

Цель исследования

Научно обосновать систему поддержки принятия экспертных решений при проведении медико-социальной экспертизы и разработке индивидуальных программ реабилитации пациентов с раком молочной железы на основе технологий искусственного интеллекта.

Задачи исследования

1. Исследовать структуру контингента пациентов с раком молочной железы, впервые освидетельствованных в бюро медико-социальной экспертизы.

2. Выявить предикторы стойких нарушений функций организма и основных категорий ограничений жизнедеятельности у пациентов с раком молочной железы.

3. Научно обосновать модель искусственного интеллекта для установления инвалидности и группы инвалидности у пациентов с раком молочной железы.

4. Научно обосновать алгоритм подбора технических средств реабилитации пациентам с раком молочной железы на основе методов искусственного интеллекта.

5. Разработать систему поддержки принятия экспертных решений при проведении медико-социальной экспертизы пациентов с раком молочной железы и провести оценку ее функциональной корректности, надежности и безопасности.

Научная новизна

Выявлено, что у 37% пациентов, первично направленных на МСЭ, диагноз РМЖ в медицинской документации не уточнен (С50), у 42% - установлено поражение молочной железы неуточненной части (С50.9), у 11% - уточнена локализация опухоли в верхненаружном квадранте (С50.4). Определено, что у 47% впервые освидетельствованных пациентов верифицирована 11-я стадия, а у 26% - 1-я стадия первичной опухоли; у 62% пациентов выявлены метастазы в регионарных лимфоузлах, у 17% - отдаленные метастазы, преимущественно в костях (60%), легких (37%), лимфатических узлах (27%) и печени (27%), а у 83% пациентов - хирургические вмешательства в анамнезе.

Установлено, что предикторами развития стойких нарушений функций у пациентов с РМЖ являются: стадия первичной опухоли, вовлеченность

регионарных лимфатических узлов и наличие отдаленных метастазов по классификации ТММ; проведение в процессе лечения лучевой терапии, полихимиотерапии, адъювантной гормонотерапии и химиотерапии; тип оперативного лечения молочных/ой желез/ы; код заболевания (согласно МКБ-Х). Предикторами развития ограничений основных категорий жизнедеятельности у пациентов с РМЖ являются стадия первичной опухоли, вовлеченность регионарных лимфатических узлов по классификации ТММ, проведенные в процессе лечения полихимиотерапия, адъювантная химио- и гормонотерапия.

Научно обоснованы модели искусственного интеллекта для определения максимальной степени выраженности нарушенных функций организма, степени основных категорий ограничений жизнедеятельности и группы инвалидности у пациентов с РМЖ, обладающие высокой предиктивной способностью, выраженной в высокой доле правильных ответов (>0,9), точности (>0,899), чувствительности (>0,9) и 1-мере (>0,899).

Разработана модель подбора технических средств реабилитации пациентам с РМЖ на основе искусственного интеллекта, обладающая высокой точностью (>0,92) и чувствительностью (>0,91).

Научно обоснована СППР по определению степени инвалидности и подбору ТСР пациентам с РМЖ обладающая высокой функциональной корректностью (94,5%), надежностью (100%) и безопасностью (100%).

Теоретическая и практическая значимость

Интегрированные в СППР диагностические предикторы развития стойких нарушений функций и ограничений жизнедеятельности (ОЖД) позволяют с высоким качеством определять степень выраженности стойких нарушений функций организма и ОЖД.

Анализ структуры направленного на первичное освидетельствование контингента пациентов составляет основу для формирования обобщенного профиля пациента, на основе которого могут быть выявлены закономерности, необходимые для разработки и совершенствования мер социальной защиты, направленных на компенсацию ОЖД.

Разработанная экспертная система ИИ может быть применена в практической деятельности врачей-экспертов для повышения обоснованности вынесения экспертных решений по установке инвалидности и ее группы пациентам с РМЖ.

Разработанная система поддержки принятия экспертных решений может быть успешно использована при разработке ИПРА врачами по МСЭ при выборе и назначении ТСР пациентам с РМЖ.

Положения, выносимые на защиту

1. Когорта впервые поступающих на медико-социальную экспертизу пациентов с раком молочной железы отличается выраженной клинической гетерогенностью: у 62% пациентов выявлены регионарные метастазы, у 17% -отдаленные, преимущественно в костях (60%), легких (37%), лимфоузлах (27%) и печени (26%), сопутствующая патология включает более 600 нозологических единиц, а различные виды хирургического лечения выполнены у 83% пациентов.

2. Предикторами развития стойких нарушений функций организма и ограничений жизнедеятельности пациентов с раком молочной железы являются: стадия первичной опухоли, вовлеченность регионарных лимфатических узлов и наличие отдаленных метастазов по международной классификации стадий злокачественных новообразований ТММ, лучевая терапия, полихимиотерапия, адъювантная гормоно- и химиотерапия, тип оперативного лечения молочной железы в анамнезе.

3. Построенная на основе оценки стойких нарушений функций и ограничений жизнедеятельности с использованием искусственного интеллекта система поддержки принятия решений позволяет с высокой значимостью, точностью и чувствительностью определять группу инвалидности и производить подбор технических средств реабилитации у пациентов с раком молочной железы.

Личное участие автора в получении результатов

Автор самостоятельно определил цели и задачи работы, исследовал структуру контингента пациентов с РМЖ, сформировал перечень показателей здоровья и анамнеза пациентов, согласно которому выполнил сбор и анализ

деперсонализированной базы данных пациентов с РМЖ, произвел разработку архитектуры и построение модели установления инвалидности и группы инвалидности, а также модели подбора ТСР у пациентов с РМЖ на основе методов искусственного интеллекта, сформулировал выводы, рекомендации и перспективы дальнейшей разработки темы. Текст диссертации и автореферат написаны диссертантом лично.

Методология и методы исследования

Научная работа выполнена в дизайне обсервационного ретроспективного исследования с использованием комплексного научного подхода, включающего как общенаучные, так и специализированные методы. Применены формально-логические методы, позволяющие провести проверку исходных гипотез и логическое обоснование выводов.

Медико-статистические, эпидемиологические и графические методы использованы для достоверной обработки результатов собственных исследований. Выявлены предикторы стойких нарушений функций организма и ОЖД для определения степени инвалидности. При разработке системы поддержки принятия решений применены методы математического моделирования, а ее оценка проведена в соответствии с ГОСТ Р 59898-2021.

Степень достоверности и апробация результатов исследования

Достоверность результатов обеспечена репрезентативной выборкой, проверенными методами сбора и анализа данных, а также использованием адекватных статистических методов для оценки научной информации. Научные положения подтверждены статистической проверкой гипотез и проведением кросс-валидации при оценке моделей ИИ. Разработанная СППР обладает высокой предиктивной способностью, подтвержденной метриками оценки качества работы при прогнозировании степени выраженности стойких нарушений функций, ОЖД, группы инвалидности и выборе ТСР при формировании ИПРА. Обосновано ее эффективное применение в практической деятельности врачей-экспертов.

Результаты диссертационной работы внедрены в научную, клиническую и учебную работу ФГБУ ФНОЦ МСЭ и Р им. Г.А. Альбрехта Минтруда России, кафедр

физической и реабилитационной медицины ФГБОУ ВО СЗГМУ им. И.И. Мечникова Минздрава России, ФГБОУ ВО ПСПбГМУ им. И.П. Павлова Минздрава России, ФГБОУ ВО СПбГПМУ Минздрава России, ФКУ «ГБ МСЭ по г. Санкт-Петербургу» Минтруда России.

Разработанные в рамках диссертационного исследования учебные пособия «Цифровые технологии в медицине: искусственный интеллект в реабилитации» (2023, 2024) используется в учебной работе при реализации дополнительных профессиональных программ подготовки врачей по МСЭ.

Результаты диссертационного исследования обсуждены на:

- Научно-практической конференции «Традиции образования и наставничества в медико-социальной экспертизе и реабилитации» (Санкт-Петербург, 2024);

- VI, VII Национальных конгрессах «Реабилитация - XXI век: традиции и инновации» (Санкт-Петербург, 2023, 2024);

- II, III Международных конгрессах «Медицинская реабилитация: научные исследования и клиническая практика» (Санкт-Петербург, 2023, 2024).

Материалы исследования опубликованы в 7 печатных работах, включая 4 статьи в рецензируемых научных изданиях, рекомендованных ВАК при Минобрнауки России для публикации основных научных результатов диссертаций, в ходе исследования разработаны и зарегистрированы 2 программы для ЭВМ и 1 база данных.

Объем и структура диссертации

Диссертация состоит из введения, пяти глав, заключения, выводов, рекомендаций и перспектив дальнейшей разработки темы исследования, списка использованной литературы и четырех приложений. Основная часть работы изложена на 114 страницы и содержит 19 рисунков, 23 таблицы. Библиография включает 181 наименование, из которых 47 принадлежит отечественным, а 134 - зарубежным авторам.

ГЛАВА 1. РАК МОЛОЧНОЙ ЖЕЛЕЗЫ: СОВРЕМЕННЫЕ ПРЕДСТАВЛЕНИЯ, КЛИНИКО-ЭКСПЕРТНАЯ ДИАГНОСТИКА (ОБЗОР ЛИТЕРАТУРЫ)

1.1 Рак молочной железы, общая характеристика и классификация

Согласно данным Всемирной организации здравоохранения, РМЖ является наиболее распространенным онкологическим заболеванием у женщин (около 18% всех зарегистрированных онкологических заболеваний у женщин), объединяющим ряд злокачественных новообразований, возникающих в молочных железах [17, 20, 49, 169].

В научной литературе обсуждаются две теории, объясняющие процесс возникновения и развития РМЖ: теория раковых стволовых клеток и стохастическая гипотеза. Согласно теории раковых стволовых клеток, все подтипы раковых опухолей происходят из единого источника - раковых стволовых клеток или транзитно-амплифицирующих клеток, которые являются клетками-предшественниками. Генетические и эпигенетические мутации в этих клетках приводят к развитию разнообразных фенотипов опухолей [39, 129].

В контексте стохастической теории предполагается, что каждый подтип опухоли возникает в результате накопления случайных мутаций в различных типах клеток (стволовых, предшествующих или дифференцированных). По этой причине происходит трансформация данных клеток в опухолевые клетки [46, 148]. Хотя обе теории подкреплены исследованиями, ни одна из них не объясняет полностью процесс возникновения РМЖ у человека.

Факторы риска развития РМЖ представлены в таблице 1.1 [31, 81, 103, 59].

Представленные факторы риска разделены на модифицируемые, поддающиеся коррекции (например, ожирение, гиподинамия, курение, воздействие внешних гормонов), и немодифицируемые - не поддающиеся коррекции (возраст, мутации в генах BRCA1/2, ТР53, эндогенные гормоны).

Таблица 1.1 - Факторы риска развития РМЖ

Тип факторов риска Факторы риска

Модифицируемые факторы риска - Гиподинамия - Избыточный вес - Курение - Повышенное употребление алкоголя - Воздействие ионизирующего излучения - Наличие сахарного диабета - Влияние экзогенных гормонов, включая прием оральных контрацептивов и гормональную терапию - Проведенные ранее аборты

Немодифицируемые факторы риска - Отсутствие детей - Беременность в позднем возрасте - Увеличение возраста - Воздействие эндогенных гормонов - Раннее менархе, позднее наступление менопаузы - Мутации в генах: BRCA1 или BRCA2, PALB2, TP53, PTEN, STK11, №1

Для комплексной оценки состояния пациентов и стадирования РМЖ широкое распространение получили следующие классификации:

- международная классификация стадий злокачественных новообразований 8-го пересмотра (TNM);

- молекулярно-генетическая классификация РМЖ;

- международная статистическая классификация болезней и проблем, связанных со здоровьем, десятого пересмотра (МКБ-Х);

- международная гистологическая классификация (МГК).

МКБ-Х основана на локализации опухоли, согласно данной классификации к группе злокачественных новообразований (ЗН) молочной железы отнесены:

- C50.0 - ЗН соска и ареолы;

- C50.1 - ЗН центральной части молочной железы;

- C50.2 - ЗН верхневнутреннего квадранта молочной железы;

- C50.3 - ЗН нижневнутреннего квадранта молочной железы;

- C50.4 - ЗН верхненаружного квадранта молочной железы;

- C50.5 - ЗН нижненаружного квадранта молочной железы;

- C50.6 - ЗН подмышечной задней части молочной железы;

- C50.8 - ЗН поражение молочной железы, выходящее за пределы одной и более вышеуказанных локализаций [95, 143].

Для систематизации гистологических типов РМЖ применяется МГК РМЖ (ВОЗ, 2019), использование которой позволило оптимизировать терапевтические стратегии [74, 168]. Согласно данной классификации, выделяют 14 категорий РМЖ. Самой распространенной категорией в Санкт-Петербурге является категория инвазивных карцином молочной железы, среди которых наибольшие доли занимают: инвазивная протоковая карцинома (65%), инвазивная дольковая карцинома (13,5%), муцинозная карцинома (4,4%), криброзная карцинома (4,4%), метапластическая карцинома (4,4%) [30, 21].

Молекулярно-генетическая классификация РМЖ основана на анализе генетических и экспрессионных профилей опухолевых тканей. Она выделяет РМЖ ряда основных подтипов, которые имеют различные прогностические и терапевтические характеристики [43, 57, 134, 141].

Luminal A (ER+, PR+, HER2-) является наиболее часто встречающимся подтипом (56-61%), отличающимся относительно благоприятным прогнозом и сравнительно низкой агрессивностью, что обуславливает высокую чувствительность к гормональным методам лечения [23]. Подтип Luminal B (ER+, PR+, HER2+), встречающийся у 9-16% пациентов, характеризуется более агрессивным течением, однако сохраняет чувствительность к гормональным препаратам и анти-ВБК2-таргетной терапии [161].

Подтип HER2+ (ER-, PR-, HER2+), диагностируемый у 8-16% пациентов, проявляет выраженную агрессивность, но одновременно демонстрирует высокий уровень ответа на анти-HER2-направленные схемы лечения [6, 162]. Трижды негативный (Basal-like) подтип (ER-, PR-, HER2-), регистрируемый у 8-20% пациентов, отличается наиболее неблагоприятным прогнозом и ограниченным спектром терапевтических возможностей, однако в отдельных случаях отвечает на современные комбинированные режимы химиотерапии и иммунологических препаратов [4, 176].

Рассмотренные выше классификации РМЖ позволяют провести комплексную оценку состояния пациентов, а также стратифицировать пациентов. Такое разделение способствует обобщению клинического опыта и разработке новых тактик ведения пациентов с РМЖ, что позволяет разработать более эффективные стратегии лечения данных пациентов, способствующих повышению выживаемости и качества жизни пациентов [33, 112, 141, 181].

1.2 Клинико-экспертная диагностика пациентов с раком молочной железы

Целями совершенствования диагностики РМЖ являются сокращения срока установления диагноза и расширение информации об опухоли для выбора дальнейшей тактики ведения пациента [58].

Физикальное обследование пациентов с РМЖ состоит из нескольких этапов, первым из которых является сбор жалоб и анамнеза, в ходе которого производится определение факторов риска заболевания, а также симптомов РМЖ [76]. Далее производится визуальный осмотр, в процессе которого осуществляется оценка симметрии молочных желез, изучается изменение их формы при движении рук, выявляется наличие западаний или втяжений кожи, неровностей, экземы или эрозий. Также производится оценка кожи молочной железы с целью выявления отека, гиперемии, изменения сосудистого рисунка. Проводится поверхностная и глубокая пальпация с целью выявления уплотнений в молочной железе, болезненности лимфатических узлов, осуществляется оценка ареолы и околососковой области, во время осмотра может быть выделен секрет, который оценивают по цвету, вязкости, запаху, количеству, консистенции [18, 88, 115].

Инструментальная диагностика РМЖ, золотым стандартом которой является проведение совместно билатеральный маммографии и МРТ, обладающих чувствительностью 94%. При проведении маммографии основными первоначальными рентгенологическими индикаторами рака являются присутствие микрокальцинатов и теней от опухоли. Ультразвуковая диагностика и маммография обладают более низкой чувствительностью, нежели МРТ [58, 108, 167]. При изолированном проведении МРТ возрастает риск

ложноположительного результата [142, 159]. Применение ультразвуковой диагностики позволяет изучить патологический очаг, регионарные зоны лимфооттока и обнаружить отдаленные метастазы, что дает возможность отслеживать динамику изменений. Кроме того, данный метод используется для выявления сопутствующей патологии (СП) репродуктивной и эндокринной систем с целью выявления групп риска развития РМЖ [38, 85].

При подозрении на отдаленные метастазы (ОМ) в костях при РМЖ применяется сцинтиграфия костей всего тела (СКВТ). Этот метод позволяет визуализировать распространенность опухолевых клеток в костной ткани, что необходимо для установления обширности метастатического процесса и разработки дальнейшей стратегии лечения [22, 83].

В случаях неоднозначности результатов при стандартных методах обследования пациентов с РМЖ рекомендуется использовать позитронно-эмиссионная томография (ПЭТ) в комбинации с КТ с туморотропными радиофармпрепаратами, с возможностью контрастирования. Данный метод обследования применяется для оценки местно-распространенных процессов, где обнаружение ОМ может кардинально изменить лечебную тактику [80, 165].

Патолого-анатомическое исследование образцов, полученных в результате операции или биопсии молочной железы, позволяет определить уровень экспрессии белка НЕЯ2, оценить индекс пролиферативной активности по маркеру Кь67, а также выявить экспрессию рецепторов к эстрогенам и прогестерону, что используется для морфологической верификации диагноза [123, 128, 166]. При подозрении на наличие ОМ рекомендуется выполнять биопсию метастатических очагов только в тех случаях, когда это может повлиять на тактику лечения пациента [146].

Важную роль в оценке пациентов играет проведенное лечение и возникшие в его процессе осложнения. Так, резекция значительных объемов мышечной и жировой ткани, а также пересечение большого количества лимфатических сосудов в процессе хирургического вмешательства могут спровоцировать осложнения, включая развитие лимфатического отека конечности и выраженную лимфорею вследствие недостаточного дренирования раны. Вторичная лимфедема, или

постмастэктомический лимфатический отек, является осложнением, частота возникновения которого варьируется в пределах от 5,6% до 28,9% случаев и требует комплексного подхода к лечению и реабилитации [19, 78, 152]. Отек может возникнуть как в ранний послеоперационный период, или спустя годы, так и при отсутствии лечения и реабилитации, может привести к нарушениям функций (НФ) конечности [87, 133].

1.3 Медико-социальная экспертиза пациентов с раком молочной железы

МСЭ предполагает определение инвалидности и выявление потребностей пациента в социальной защите на основе оценки ОЖД, обусловленных стойкими расстройствами функций организма. В случае ЗН, учитывая их неоднородность, необходимо анализировать множество факторов: локальные факторы прогноза, степень злокачественности опухоли, индекс клеточной пролиферации, плоидность опухолевой клетки, особенности проведенного хирургического лечения, стадию заболевания и исходное состояние пациента [41]. Перед освидетельствованием на МСЭ пациенту необходимо пройти комплексное обследование, включающее маммографию, рентгенографию органов грудной клетки, ультразвуковое исследование (УЗИ) (молочных желез, органов малого таза и внутренних органов, лимфатических узлов), а также СКВТ; при необходимости выполняется дополнительная диагностика [25, 28].

В рамках проведения МСЭ пациентов с РМЖ производится определение стойких НФ организма и нарушения основных категорий жизнедеятельности (ОКЖ) человека. Определение степени выраженности НФ организма у пациентов с РМЖ основывается на клинических данных:

- классификации течения заболевание согласно международной классификации стадий злокачественных новообразований ТММ-8;

- тип проведенного хирургического лечения (ТПХЛ);

- наличия местных и общих осложнений;

- проведенной консервативной терапии [44].

К ОКЖ человека, определяемым при МСЭ, относится способность к контролю поведения, обучению, самостоятельному передвижению, самообслуживанию, общению, трудовой деятельности и ориентации. Установление инвалидности и группы инвалидности (ГИ) производится на основе нарушений ОКЖ и степени выраженности стойких нарушений функций организма (СВСНФО) согласно критериям, представленным в таблице 1.2.

Таблица 1.2 - Критерии установления инвалидности и ГИ пациентам с РМЖ [26]

Устанавливаемый показатель СВСНФО Степень выраженности ограничений каждой из ОКЖ

Список литературы диссертационного исследования кандидат наук Михайлишин Виктор Валерьевич, 2025 год

СПИСОК ЛИТЕРАТУРЫ

1. Альянс в сфере искусственного интеллекта: кодекс этики в сфере искусственного интеллекта [Электронный ресурс]. - URL: https://ethics.a-ai.ru/assets/ethics_files/2023/05/12/%D0%9A%D0%BE%D0%B4%D0%B5%D0%BA %D 1 %81_%D 1 %8D%D 1 %82%D0%B8%D0%BA%D0%B8_20_10_1 .pdf / (дата обращения 01.03.2025)

2. Афонин, Д.Н. К вопросу о прогнозировании нарушений жизнедеятельности у больных гематогенным остеомиелитом позвоночника / Д.Н. Афонин,

B.П. Дору-Товт, П.Н. Афонин // Бюллетень Международной научной хирургической ассоциации. - 2007. - Т. 2, № 1. - С. 9-11.

3. Вовченко, А.В. Состояние и динамика инвалидности, комплексная реабилитация и абилитация инвалидов и детей-инвалидов в Российской Федерации: ежегодный доклад / А.В. Вовченко, В.С. Фисенко, Д.Е. Грибов [и др.]; под ред. М.А. Дымочки. - М. : ФГБУ ФБ МСЭ Минтруда России, 2022. - 436 с. -ISBN 978-5-6046381-3-2.

4. Вторушин, С.В. Тройной негативный рак молочной железы. Современные молекулярно-генетические представления и их клиническое значение /

C.В. Вторушин, Н.В. Крахмаль, М.В. Завьялова // Архив патологии. - 2021. - Т. 83, № 2. - С. 46-51.

5. Гайдарова, А.Х. Обзор современных методик реабилитации пациенток с отеком верхней конечности после мастэктомии по поводу рака молочной железы (научный обзор) / А.Х. Гайдарова, Н.В. Котенко, Н.С. Айрапетова [и др.] // Физиотерапевт. - 2016. - № 2. - С. 59-69.

6. Ганьшина, И.П. Двойная блокада HER2-peцeпtopa - новое направление в лечении рака молочной железы с гиперэкспрессией HER2 / И.П. Ганьшина, Е.В. Лубенникова, Л.Г. Жукова // Фарматека. - 2014. - № 8 (281). - С. 75-79.

7. ГОСТ Р 59277-2020 Классификация систем искусственного интеллекта: национальный стандарт Российской Федерации. - М. : Стандартинформ, 2023. - 16 с.

8. ГОСТ Р 59898-2021 Оценка качества систем искусственного интеллекта: национальный стандарт Российской Федерации. - М. : Стандартинформ, 2023. - 24 с.

9. ГОСТ Р 59921.0-2022 Системы искусственного интеллекта в клинической медицине: национальный стандарт Российской Федерации. - М. : Стандартинформ, 2023. - 12 с.

10. Грибова, В.В. Оптимизация работы мультидисциплинарной реабилитационной команды методами искусственного интеллекта в ходе медицинской реабилитации пациентов, перенесших церебральный инсульт / В.В. Грибова, Е.Ю. Шестопалов, С.В. Лебедев [и др.] // Социальные аспекты здоровья населения. - 2024. - № 3. - С. 1.

11. Ермощенкова, М.В. Хирургическая реабилитация больных раком молочной железы на различных этапах комбинированного и комплексного лечения / М.В. Ермощенкова, А.Д. Зикиряходжаев, И.М. Широких [и др.] // Онкология. Журнал им. П.А. Герцена. - 2019. - Т. 8, № 3. - С. 161-168.

12. Жилиндина, О.В. Разработка программного продукта для автоматизации выбора технических средств реабилитации инвалидов / О.В. Жилиндина, О.В. Крахмалева // Проблемы современной науки и образования. - 2019. -№ 6 (139). - С. 56-60.

13. Запарий, С.П. Современные методы экспертной оценки данных при проведении МСЭ у лиц с симптоматическими нарушениями психических функций непсихотического регистра / С.П. Запарий, Г.Н. Рыжук, А.А. Ярков // Психиатрия на этапах реформ: проблемы и перспективы: материалы Всероссийской научно-практической конференции с Международным участием, Казань, 23-26 сентября 2015 года. - Казань: ООО «Альта Астра», 2015. - С. 1006.

14. Здравоохранение в России. 2023: Статистический сборник. / - М. : Росстат. -2023. - 179 с.

15. Казакова, В.А. К вопросу о внедрении искусственного интеллекта в повседневную практику диагностики патологии молочной железы: все ли учтено? / В.А. Казакова, Е.В. Шивилов, К.А. Аничкина [и др.] // Радиология - практика. -2023. - № 3(99). - С. 36-49.

16. Каспаров, Б.С. Комплексный анализ эффективности персонализированных программ реабилитации больных раком молочной железы / Б.С. Каспаров, Д.В. Ковлен, Т.Ю. Семиглазова [и др.] // Вопросы курортологии, физиотерапии и лечебной физической культуры. - 2023. - Т. 100, № 2. - С. 31-38.

17. Кулигина, Е.Ш. Эпидемиологические и молекулярные аспекты рака молочной железы / Е.Ш. Кулигина // Практическая онкология. - 2010. - Т. 11, № 4. - С. 203-216.

18. Лебедев, А.К. Обследование молочных желез / А.К. Лебедев // Российский семейный врач. - 2019. - Т. 23, № 3. - С. 5-11.

19. Макарова, В.С. Рак молочной железы и лимфедема / В.С. Макарова // Research'n Practical Medicine Journal. - 2016. - Спецвыпуск. - С. 107-108.

20. Мерабишвили, В.М. Рак молочной железы: заболеваемость, смертность, выживаемость (популяционное исследование) / В.М. Мерабишвили // Вопросы онкологии. - 2011. - Т. 57, № 5. - С. 609-615.

21. Мелиева, Ф.Ю. Морфологическая характеристика рака молочной железы у женского населения г. Санкт-Петербурга / Ф.Ю. Мелиева, З.Ю. Мелиева, В.А. Липова // Вестник Авиценны. - 2010. - № 1(42). - С. 93-97.

22. Николаева, Е.А. Обзор методов визуализации для оценки ответа на лечение метастазов в костях при раке предстательной железы и молочной железы / Е.А. Николаева, Е.В. Тарачкова, Ж.В. Шейх [и др.] // Кремлевская медицина. Клинический вестник. - 2022. - № 3. - С. 107-114.

23. Огнерубов, Н.А. Клиническое значение биологических вариантов рака молочной железы / Н.А. Огнерубов // Молекулярная медицина. - 2015. - № 2. -С. 31-35.

24. Пономаренко, Г.Н. Комплексная реабилитация и абилитация инвалидов в Российской Федерации / Г.Н. Пономаренко, О.Н. Владимирова // Физическая и реабилитационная медицина. - 2019. - Т. 1, № 1. - С. 9-15.

25. Приказ Министерства труда и социальной защиты Российской Федерации и Министерства здравоохранения Российской Федерации от 16 мая 2024 г. № 259н/238н «Об утверждении перечня медицинских обследований, необходимых для получения клинико-функциональных данных в зависимости от заболевания в целях проведения медико-социальной экспертизы». - URL: http://publication.pravo.gov.ru/document/0001202408090016 / (дата обращения: 01.03.2025).

26. Приказ Министерства труда и социальной защиты РФ от 27 августа 2024 г. № 585н «Классификации и критерии, используемые при осуществлении медико-социальной экспертизы». - URL: https://mintrud.gov.ru/docs/mintrud/orders/1386 / (дата обращения: 01.03.2025).

27. Приказ Министерства труда и социальной защиты РФ от 27 апреля 2023 г. № 342н «Об утверждении перечня показаний и противопоказаний для обеспечения инвалидов техническими средствами реабилитации». - URL: http://publication.pravo.ov.ru/document/0001202306080006 / (дата обращения: 01.03.2025).

28. Приказ Минтруда России № 402н, Минздрава России № 631н от 10 июня 2021 г. «Об утверждении перечня медицинских обследований, необходимых для получения клинико-функциональных данных в зависимости от заболевания в целях проведения медико-социальной экспертизы». - URL: http://publication.pravo.gov.ru/Document/View/0001202107290026 / (дата обращения: 01.03.2025).

29. Приказ Минтруда России от 26 июня 2023 г. № 545н «Об утверждении Порядка разработки и реализации индивидуальной программы реабилитации или абилитации инвалида, индивидуальной программы реабилитации или абилитации ребенка-инвалида, выдаваемых федеральными учреждениями медико-социальной экспер-тизы, и их форм». - URL: Режим доступа: http://publication.pravo.gov.ru/document/0001202307280018 / (дата обращения: 01.03.2025).

30. Романенков, Н.С. Медико-статистические характеристики рака молочной железы у жительниц Санкт-Петербурга / Н.С. Романенков, В.В. Хижа, К.Н. Мовчан [и др.] // Исследования и практика в медицине. - 2019. - Т. 6, № 2. -С. 32-39.

31. Симонова, В.Г. Причины и профилактика рака молочной железы / В.Г. Симонова, К.А. Илюшина // Международный студенческий научный вестник. - 2023. - № 3. - С. 10.

32. Севастьянов, М.А. Современная российская модель обеспечения инвалидов техническими средствами реабилитации и перспективы ее совершенствования / М. А. Севастьянов, И.А. Божков, В. А. Бронников // Журнал исследований социальной политики. - 2013. - Т. 11, № 2. - С. 273-283.

33. Семиглазов, В.Ф. Экспрессионный анализ и его клиническое использование при опухолях молочной железы / В.Ф. Семиглазов, В.В. Семиглазов, Ф.В. Моисеенко [и др.] // Вопросы онкологии. - 2013. - Т. 59, № 1. - С. 25-29.

34. Скляренко, Р.Т. Клинико-экспертная оценка стойких нарушений функций при раке молочной железы / Р.Т. Скляренко, А.З. Довгалюк, В.С. Спиридонова // Медико-социальная экспертиза и реабилитация. - 2017. - Т. 20, № 3. - С. 128-130.

35. Смирнова, Л.М. Персонифицированное назначение комплектующих протеза нижней конечности в системе обеспечения инвалидов техническими средствами реабилитации / Л.М. Смирнова, В.Г. Сусляев, О.В. Иванов [и др.] // Физическая и реабилитационная медицина. - 2024. - Т. 6, № 1. - С. 42-58.

36. Смычек, В.Б. Оценка способности к трудовой деятельности у пациентов, страдающих раком молочной железы с абсолютно неблагоприятным клинико-трудовым прогнозом / В.Б. Смычек, П.А. Ильюхин, Э.Г. Слипченко, Л.Н. Титова // Проблемы здоровья и экологии. - 2023. - Т. 20, № 1. - С. 110-116.

37. Сорокова, Е.Д. Этика искусственного интеллекта в России и Европейском союзе: общее в риск-ориентированных подходах / Е.Д. Сорокова // Дискурс-Пи. -2022. - Т. 19, № 3. - С. 157-169.

38. Терновой, С.К. Лучевая диагностика рака молочной железы у женщин с гипотиреозом / С.К. Терновой, А.Б. Абдураимов, К.А. Лесько // Опухоли женской репродуктивной системы. - 2013. - № 3-4. - С. 33-40.

39. Титов, К.С. Опухолевые стволовые клетки при раке молочной железы. Роль в патогенезе и подходы к терапии / К.С. Титов, А.П. Оганесян, Д.Л. Ротин [и др.] // Злокачественные опухоли. - 2016. - № 2 (18). - С. 20-25.

40. Указ Президента РФ от 10 октября 2019 г. № 490 «О развитии искусственного интеллекта в Российской Федерации». - URL: http://prezident.org/articles/ukaz-prezidenta-rf-490-ot-10-oktjabrja-2019-goda-11-10-2019.html / (дата обращения 01.03.2025).

41. Федеральный закон от 24 ноября 1995 г. № 181 -ФЗ «О социальной защите инвалидов в Российской Федерации». - URL: http://www.consultant.ru/document/cons_doc_LAW_8559 / (дата обращения: 01.03.2025).

42. Федорова, Н.Ф. Нуждаемость инвалидов в технических средствах реабилитации при первичном освидетельствовании взрослого населения в бюро № 3 - филиале ФКУ «ГБ МСЭ по Кемеровской области - Кузбассу» Минтруда России за период 2017 - 2021 гг. / Н.Ф. Федорова, К.Н. Селифанова, В.В. Матушков [и др.] // Медико-социальные проблемы инвалидности. - 2022. - № 3. - С. 62-68.

43. Хомидова, Т.Э. Молекулярно-биологические методы исследования как основа индивидуализированной терапии опухолей молочной железы / Т.Э. Хомидова, С. Исроилжонов // Мировая наука. - 2021. - № 1 (46). - С. 227-230.

44. Шахсуварян, С.Б. Рак молочной железы: классификация, диагностика, лечение, количественная оценка степени функциональных нарушений при осуществлении медико-социальной экспертизы / С.Б. Шахсуварян, Е.С. Красновская, О.Ю. Верташ // Медико-социальные проблемы инвалидности. -2016. - № 3. - С. 47-63.

45. Шуть, Е.М. Перспективные направления применения искусственного интеллекта в борьбе с онкологическими заболеваниями: российский опыт / Е.М. Шуть, А.А. Куликов // Инновации и инвестиции. - 2023. - № 2. - С. 122-126.

46. Щепотин, И.Б. Клиническое значение стволовых клеток рака молочной железы (обзор литературы) / И.Б. Щепотин, А.С. Зотов, Р.В. Любота [и др.] // Опухоли женской репродуктивной системы. - 2014. - № 3. - С. 14-19.

47. Ярков, А.А. Моделирование экспертизы данных нечеткой предметной области с помощью дедуктивных методов машинного обучения (на примере разработки специальной экспертной системы «R_MSE») / А.А. Ярков // Инновации в науке. - 2015. - № 45. - С. 159-163.

48. Ahn, J.S. Artificial intelligence in breast cancer diagnosis and personalized medicine / J.S. Ahn, S. Shin, S.A. Yang [et al.] // Journal of Breast Cancer. - 2023. -Vol. 26, Is. 5. - ID: 405.

49. Akram, M. Awareness and current knowledge of breast cancer / M. Akram, M. Iqbal, M. Daniyal [et al.] // Biological Research. - 2017. - Vol. 50, Is. 1. - P. 1-23.

50. Alabi, R.O. Machine learning explainability in nasopharyngeal cancer survival using LIME and SHAP / R.O. Alabi, M. Elmusrati, I. Leivo [et al.] // Scientific Reports. -2023. - Vol. 13, Is. 1. - ID: 8984.

51. Aldughayfiq, B. Explainable AI for retinoblastoma diagnosis: interpreting deep learning models with LIME and SHAP / B. Aldughayfiq, F. Ashfaq, N.Z. Jhanjhi [et al.] // Diagnostics. - 2023. - Vol. 13, Is. 11. - ID: 1932.

52. Ali, A. Classification with class imbalance problem / A. Ali, S.M. Shamsuddin, A.L. Ralescu // Int. J. Advance Soft Compu. Appl. - 2013. - Vol. 5, Is. 3. - P. 176-204.

53. Altmann, A. Permutation importance: a corrected feature importance measure / A. Altmann, L. Tolosi, O. Sander, T. Lengauer // Bioinformatics. - 2010. - Vol. 26, Is. 10. - P. 1340-1347.

54. Arefin, S. AI Revolutionizing Healthcare: Innovations, Challenges, and Ethical Considerations / S. Arefin // MZ Journal of Artificial Intelligence. - 2024. - Vol. 1, Is. 2. - P. 1-17.

55. Bekbolatova, M. Transformative potential of AI in Healthcare: definitions, applications, and navigating the ethical Landscape and Public perspectives / M. Bekbolatova, J. Mayer, C.W. Ong, M. Toma // Healthcare. - 2024. - Vol. 12, Is. 2. -ID: 125.

56. Belete, D.M. Grid search in hyperparameter optimization of machine learning models for prediction of HIV/AIDS test results / D.M. Belete, M.D. Huchaiah // International Journal of Computers and Applications. - 2022. - Vol. 44, Is. 9. -P. 875-886.

57. Berse, B. Molecular diagnostic testing in breast cancer / B. Berse, J.A. Lynch // Seminars in Oncology Nursing. - 2015. - Vol. 31, Is. 2. - P. 108-121.

58. Bonilla, J.M. Breast cancer in the 21st century: from early detection to new therapies / J.M. Bonilla, M.T. Tabanera, L.R. Mendoza // Radiología (English Edition). -2017. - Vol. 59, Is. 5. - P. 368-379.

59. Braden, A.M. Breast cancer biomarkers: risk assessment, diagnosis, prognosis, prediction of treatment efficacy and toxicity, and recurrence / A.M. Braden,

R.V. Stankowski, J.M. Engel, A.A. Onitilo // Current Pharmaceutical Design. - 2014. -Vol. 20, Is. 30. - P. 4879-4898.

60. Brancati, N.A dataset for breast carcinoma subtyping in h&e histology images / N. Brancati, A.M. Anniciello, P. Pati [et al.] // Database. - 2022. - Vol. 2022, Is. 1. -ID baac093.

61. Breiman, L. Random forests / L. Breiman // Machine Learning. - 2001. - Vol. 45, Is. 1. - P. 5-32.

62. Briganti, G. Artificial intelligence in medicine: today and tomorrow / G. Briganti, O. Le Moine // Frontiers in Medicine. - 2020. - Vol. 7, Is. 1. - ID: 509744.

63. Bro, R. Cross-validation of component models: a critical look at current methods / R. Bro, K. Kjeldahl, A.K. Smilde, H.A.L. Kiers // Analytical and Bioanalytical Chemistry. - 2008. - Vol. 390, Is. 5. - P. 1241-1251.

64. Brunetti, N. Artificial intelligence in breast ultrasound: from diagnosis to prognosis-a rapid review / N. Brunetti, M. Calabrese, C. Martinoli, A.S. Tagliafico // Diagnostics. - 2022. - Vol. 13, Is. 1. - ID: 58.

65. Chan, R.C.K. Artificial intelligence in breast cancer histopathology / R.C.K. Chan, C.K.C. To, K.C.T. Cheng [et al.] // Histopathology. - 2023. - Vol. 82, Is. 1. - P. 198-210.

66. Chaudhuri, B.B. Efficient training and improved performance of multilayer perceptron in pattern classification / B.B. Chaudhuri, U. Bhattacharya // Neurocomputing. - 2000. - Vol. 34, Is. 1-4. - P. 11-27.

67. Cherkassky, V. Practical selection of SVM parameters and noise estimation for SVM regression / V. Cherkassky, Y. Ma // Neural Networks. - 2004. - Vol. 17, Is. 1. -P. 113-126.

68. Clayton, P.D. Decision support in healthcare / P.D. Clayton, G. Hripcsak // International Journal of Bio-Medical Computing. - 1995. - Vol. 39, Is. 1. - P. 59-66.

69. Codari, M. Artificial intelligence for breast MRI in 2008-2018: a systematic mapping review / M. Codari, S. Schiaffino, F. Sardanelli, R.M. Trimboli // American Journal of Roentgenology. - 2019. - Vol. 212, Is. 2. - P. 280-292.

70. Connor, S.J. A comparison of reading times in full-field digital mammography and digital breast tomosynthesis / S.J. Connor, Y.Y. Lim, C. Tate [et al.] // Breast Cancer Research. - 2012. - Vol. 14, Is. 1. - ID: 26.

71. Cormier, J.N. Lymphedema beyond breast cancer: a systematic review and meta-analysis of cancer-related secondary lymphedema / J.N. Cormier, R.L. Askew, K.S. Mungovan [et al.] // Cancer. - 2010. - Vol. 116, Is. 22. - P. 5138-5149.

72. Corti, C. Artificial intelligence for prediction of treatment outcomes in breast cancer: systematic review of design, reporting standards, and bias / C. Corti, M. Cobanaj, F. Marian [et al.] // Cancer Treatment Reviews. - 2022. - Vol. 108, Is. 1. - ID: 102410.

73. Cresswell, K. Computerised decision support systems for healthcare professionals: an interpretative review / K. Cresswell, A. Majeed, D.W. Bates, A. Sheikh // Informatics in Primary Care. - 2012. - Vol. 20, Is. 2. - P. 115-128.

74. Cserni, G. Histological type and typing of breast carcinomas and the WHO classification changes over time / G. Cserni // Pathologica. - 2020. - Vol. 112, Is. 1. -P. 25-41.

75. Dang, L.A. Impact of artificial intelligence in breast cancer screening with mammography / L.A. Dang, E. Chazard, E. Poncelet [et al.] // Breast Cancer. - 2022. -Vol. 29, Is. 6. - P. 967-977.

76. Decker, V.B. Improving the initial breast cancer consultation / V.B. Decker, O. Ivanov, P.K. Gopalan // J Dr Nurs Pract. - 2021. - Vol. 14, Is. 3. - P. 225-232.

77. Deshong, L. The present state and prospective trajectory of external breast prosthesis (EBP): a global overview / L. Deshong, A. Hosein, K. Samaroo // Cureus. -2024. - Vol. 16, Is. 10. - ID: e70685.

78. DiSipio, T. Incidence of unilateral arm lymphoedema after breast cancer: a systematic review and meta-analysis / T. DiSipio, S. Rye, B. Newman, S. Hayes // The Lancet Oncology. - 2013. - Vol. 14, Is. 6. - P. 500-515.

79. Elmore, J.G. Diagnostic concordance among pathologists interpreting breast biopsy specimens / J.G. Elmore, G.M. Longton, P.A. Carney [et al.] // JAMA. - 2015. -Vol. 313, Is. 11. - P. 1122-1132.

80. Fares, J. Diagnostic clinical trials in breast cancer brain metastases: barriers and innovations / J. Fares, D. Kanojia, A. Rashidi [et al.] // Clinical Breast Cancer. - 2019. -Vol. 19, Is. 6. - P. 383-391.

81. Feng, Y. Breast cancer development and progression: risk factors, cancer stem cells, signaling pathways, genomics, and molecular pathogenesis / Y. Feng, M. Spezia, S. Huang [et al.] // Genes & Diseases. - 2018. - Vol. 5, Is. 2. - P. 77-106.

82. Gastounioti, A. Artificial intelligence in mammographic phenotyping of breast cancer risk: a narrative review / A. Gastounioti, S. Desai, V.S. Ahluwalia [et al.] // Breast Cancer Research. - 2022. - Vol. 24, Is. 1. - ID: 14.

83. Gradishar, W.J. Breast cancer version 3.2014 / W.J. Gradishar, B.O. Anderson, S.L. Blair [et al.] // Journal of the National Comprehensive Cancer Network. - 2014. -Vol. 12, Is. 4. - P. 542-590.

84. Guo, G. KNN model-based approach in classification / G. Guo, H. Wang, D. Bell [et al.] // In On The Move to Meaningful Internet Systems 2003: CoopIS, DOA, and ODBASE: материалы Международной научной конференции, Катания, Италия, 3-7 ноября 2003 года. - Springer Berlin Heidelberg, 2003. - P. 986-996.

85. Guo, R. Ultrasound imaging technologies for breast cancer detection and management: a review / R. Guo, G. Lu, B. Qin, B. Fei // Ultrasound in Medicine & Biology. - 2018. - Vol. 44, Is. 1. - P. 37-70.

86. Hancock, J.T. CatBoost for big data: an interdisciplinary review / J.T. Hancock, T.M. Khoshgoftaar // Journal of Big Data. - 2020. - Vol. 7, Is. 1. - ID: 94.

87. Hasenoehrl, T. Resistance exercise and breast cancer-related lymphedema-a systematic review update and meta-analysis / T. Hasenoehrl, S. Palma, D. Ramazanova [et al.] // Supportive Care in Cancer. - 2020. - Vol. 28, Is. 8. -P. 3593-3603.

88. Hassan, L.M. Evaluation of effect of self-examination and physical examination on breast cancer / L.M. Hassan, N. Mahmoud, A.B. Miller [et al.] // The Breast. - 2015. -Vol. 24, Is. 4. - P. 487-490.

89. Hastie, T. Multi-class AdaBoost / T. Hastie, S. Rosset, J. Zhu, H. Zou // Statistics and Its Interface. - 2009. - Vol. 2, Is. 3. - P. 349-360.

90. Holzinger, A. Causability and explainability of artificial intelligence in medicine / A. Holzinger, G. Langs, H. Denk [et al.] // Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery. - 2019. - Vol. 9, Is. 4. - ID: e1312.

91. Huang, M.W. SVM and SVM ensembles in breast cancer prediction / M.W. Huang, C.W. Chen, W.C. Lin [et al.] // PLoS ONE. - 2017. - Vol. 12, Is. 1. - P. e0161501.

92. Huang, N. A permutation importance-based feature selection method for short-term electricity load forecasting using random forest / N. Huang, G. Lu, D. Xu // Energies. -2016. - Vol. 9, Is. 10. - ID: 767.

93. Huang, S. Applications of support vector machine (SVM) learning in cancer genomics / S. Huang, N. Cai, P.P. Pacheco [et al.] // Cancer Genomics & Proteomics. -2018. - Vol. 15, Is. 1. - P. 41-51.

94. Ibrahim, A.A. Comparison of the CatBoost classifier with other machine learning methods / A.A. Ibrahim, R.L. Ridwan, M.M. Muhammed [et al.] // International Journal of Advanced Computer Science and Applications. - 2020. - Vol. 11, Is. 11. - ID: 90.

95. ICD: Malignant neoplasm of breast (C50-C50) [Электронный ресурс]. - URL: https://icd.who.int/browse10/2019/en#/C50.0. / (дата обращения: 01.03.2025).

96. Idri, A. Impact of parameter tuning on machine learning based breast cancer classification / A. Idri, M. Hosni, I. Abnane [et al.] // In New Knowledge in Information Systems and Technologies. - 2024. - Vol. 3, Is. 1. - P. 115-125.

97. Ivanova, M. Early breast cancer risk assessment: integrating histopathology with artificial intelligence / M. Ivanova, C. Pescia, D. Trapani [et al.] // Cancers. - 2024. -Vol. 16, Is. 11. - ID: 1981.

98. Japkowicz, N. The class imbalance problem: a systematic study / N. Japkowicz, S. Stephen // Intelligent Data Analysis. - 2002. - Vol. 6, Is. 5. - P. 429-449.

99. Jetha, Z.A. Women experiences of using external breast prosthesis after mastectomy / Z.A. Jetha, R.B. Gul, S. Lalani // Asia-Pacific Journal of Oncology Nursing. - 2017. - Vol. 4, Is. 3. - P. 250-258.

100. Johnson, K.B. Precision medicine, AI, and the future of personalized health care / K.B. Johnson, W.Q. Wei, D. Weeraratne [et al.] // Clinical and Translational Science. -2021. - Vol. 14, Is. 1. - P. 86-93.

101. Kann, B.H. Artificial intelligence in oncology: current applications and future directions / B.H. Kann, R. Thompson, C.R. Thomas Jr. [et al.] // Oncology. - 2019. -Vol. 33, Is. 2. - P. 46-53.

102. Kann, B.H. Artificial intelligence for clinical oncology / B.H. Kann, A. Hosny, H.J.W.L. Aerts // Cancer Cell. - 2021. - Vol. 39, Is. 7. - P. 916-927.

103. Katsura, C. Breast cancer: presentation, investigation and management / C. Katsura, I. Ogunmwonyi, H.K.N. Kankam, S. Saha // British Journal of Hospital Medicine. - 2022. - Vol. 83, Is. 2. - P. 1-7.

104. Khan, M. AI-powered healthcare revolution: an extensive examination of innovative methods in cancer treatment / M. Khan, A. Shiwlani, M.U. Qayyum [et al.] // BULLET: Jurnal Multidisiplin Ilmu. - 2024. - Vol. 3, Is. 1. - P. 87-98.

105. Kiener, M. Artificial intelligence in medicine and the disclosure of risks / M. Kiener // AI & Society. - 2021. - Vol. 36, Is. 3. - P. 705-713.

106. Kirkham, A.A. Prevalence of breast cancer survivors among Canadian women / A.A. Kirkham, K.J. Jerzak // Journal of the National Comprehensive Cancer Network. -2022. - Vol. 20, Is. 9. - P. 1005-1011.

107. Koralewska, A. Influence of the external breast prosthesis on the postural control of women who underwent mastectomy: cross-sectional study / A. Koralewska, M. Domagalska-Szopa, R. Lukowski, A. Szopa // Frontiers in Oncology. - 2022. -Vol. 12, Is. 1. - ID: 920211.

108. Kriege, M. Efficacy of MRI and mammography for breast-cancer screening in women with a familial or genetic predisposition / M. Kriege, C.T.M. Brekelmans, C. Boetes [et al.] // New England Journal of Medicine. - 2004. - Vol. 351, Is. 5. -P. 427-437.

109. Krithiga, R. Hyperparameter tuning of AdaBoost algorithm for social spammer identification / R. Krithiga, E. Ilavarasan // International Journal of Pervasive Computing and Communications. - 2021. - Vol. 17, Is. 5. - P. 462-482.

110. Lee, P. Benefits, limits, and risks of GPT-4 as an AI chatbot for medicine / P. Lee, S. Bubeck, J. Petro // New England Journal of Medicine. - 2023. - Vol. 388, Is. 13. -P. 1233-1239.

111. Liu, H. Artificial intelligence-based breast cancer diagnosis using ultrasound images and grid-based deep feature generator / H. Liu, Y. Wang, J. Yang [et al.] // International Journal of General Medicine. - 2022. - P. 2271-2282.

112. Lukasiewicz, S. Breast cancer - epidemiology, risk factors, classification, prognostic markers, and current treatment strategies-an updated review / S. Lukasiewicz, M. Czeczelewski, M. Forma [et al.] // Cancers. - 2021. - Vol. 13, Is. 17. - ID: 4287.

113. Lukong, K.E. Breast cancer in Africa: prevalence, treatment options, herbal medicines, and socioeconomic determinants / K.E. Lukong, Y. Ogunbolude, J.P. Kamdem // Breast Cancer Research and Treatment. - 2017. - Vol. 166, Is. 1. -P. 351-365.

114. Mahmood, T. Artificial intelligence-based mitosis detection in breast cancer histopathology images using faster R-CNN and deep CNNs / T. Mahmood, M. Arsalan, S. Owais [et al.] // Journal of Clinical Medicine. - 2020. - Vol. 9, Is. 3. - ID: 749.

115. Mahoney, L. Efficiency of palpation in clinical detection of breast cancer / L. Mahoney, A. Csima // Canadian Medical Association Journal. - 1982. - Vol. 127, Is. 8. - ID: 729.

116. Metter, D.M. Trends in the US and Canadian pathologist workforces from 2007 to 2017 / D.M. Metter, J.B. Colgan, S. Leung [et al.] // JAMA Network Open. - 2019. -Vol. 2, Is. 5. - ID: e194337.

117. Meyer-Base, A. AI-enhanced diagnosis of challenging lesions in breast MRI: a methodology and application primer / A. Meyer-Base, M. Martel, S. Basu [et al.] // Journal of Magnetic Resonance Imaging. - 2021. - Vol. 54, Is. 3. - P. 686-702.

118. Moreira, M.W.L. A comprehensive review on smart decision support systems for health care / M.W.L. Moreira, J.J.P.C. Rodrigues, V. Korotaev [et al.] // IEEE Systems Journal. - 2019. - Vol. 13, Is. 3. - P. 3536-3545.

119. Murtagh, F. Multilayer perceptrons for classification and regression / F. Murtagh // Neurocomputing. - 1991. - Vol. 2, Is. 5-6. - P. 183-197.

120. Nassif, A.B. Breast cancer detection using artificial intelligence techniques: A systematic literature review / A.B. Nassif, M. Abu Talib, Q. Nasir [et al.] // Artificial Intelligence in Medicine. - 2022. - Vol. 127, Is. 1. - P. 102276.

121. Niaz, N.U. Class imbalance problems in machine learning: A review of methods and future challenges / N.U. Niaz, K.M.N. Shahariar, M.J.A. Patwary // Proceedings of the 2nd International Conference on Computing Advancements. - 2022. - P. 485-490.

122. Nirmalraj, S. Permutation feature importance-based fusion techniques for diabetes prediction / S. Nirmalraj, A. Santhi Mary Antony, P. Srideviponmalar [et al.] // Soft Computing. - 2023. - Vol. 1, Is. 1. - P. 1-12.

123. Noordhoek, I. Higher ER load is not associated with better outcome in stage 1-3 breast cancer: a descriptive overview of quantitative HR analysis in operable breast cancer / I. Noordhoek, A. F. de Groot, D. Cohen [et al.] // Breast Cancer Research and Treatment. - 2019. - Vol. 176, Is. 1.- P. 27-36.

124. Osborne, M.P. Role of mastectomy in breast cancer / M.P. Osborne, P.I. Borgen // Surgical Clinics of North America. - 1990. - Vol. 70, Is. 5. - P. 1023-1046.

125. Oshiro, T.M. How many trees in a random forest? / T.M. Oshiro, P.S. Perez, J.A. Baranauskas // In Machine Learning and Data Mining in Pattern Recognition: материалы Международной научной конференции, Берлин, Германия, 13-20 июля 2012 года. - Springer Berlin Heidelberg, 2012. - P. 154-168.

126. Patle, A. SVM kernel functions for classification / A. Patle, D.S. Chouhan // In 2013 International Conference on Advances in Technology and Engineering (ICATE). -P. 1-9.

127. Pawloski, P.A. A systematic review of clinical decision support systems for clinical oncology practice / P.A. Pawloski, G.A. Brooks, M.E. Nielsen, J.A. Olson // Journal of the National Comprehensive Cancer Network. - 2019. - Vol. 17, Is. 4. - P. 331-338.

128. Petrelli, F. Prognostic value of different cut-off levels of Ki-67 in breast cancer: a systematic review and meta-analysis / F. Petrelli, G. Viale, M. Cabiddu, S. Barni // Breast Cancer Research and Treatment. - 2015. - Vol. 153, Is. 3. - P. 477-491.

129. Polyak, K. Breast cancer: origins and evolution / K. Polyak // The Journal of Clinical Investigation. - 2007. - Vol. 117, Is. 11. - P. 3155-3163.

130. Probst, P. To tune or not to tune the number of trees in random forest / P. Probst, A.L. Boulesteix // Journal of Machine Learning Research. - 2018. - Vol. 18, Is. 181. -P. 1-18.

131. Probst, P. Hyperparameters and tuning strategies for random forest / P. Probst, M.N. Wright, A.L. Boulesteix // Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery. - 2019. - Vol. 9, Is. 3. - ID: e1301.

132. Prokhorenkova, L. CatBoost: unbiased boosting with categorical features / L. Prokhorenkova, G. Gusev, A. Vorobev [et al.] // Advances in Neural Information Processing Systems. - 2018. - Vol. 31, Is. 1.- P. 1-11.

133. Rafn, B.S. Prospective surveillance for breast cancer-related arm lymphedema: a systematic review and meta-analysis / B.S. Rafn, S.M. Hidding, S. Simonsen [et al.] // Journal of Clinical Oncology. - 2022. - Vol. 40, Is. 9. - P. 1009-1026.

134. Rakha, E.A. Molecular classification of breast cancer: what the pathologist needs to know / E.A. Rakha, A.R. Green // Pathology. - 2017. - Vol. 49, Is. 2. - P. 111-119.

135. Ramchoun, H. Multilayer perceptron: architecture optimization and training / H. Ramchoun, M. Amine, J. Idrissi [et al.] // International Journal of Interactive Multimedia and Artificial Intelligence. - 2016. - Vol. 4, Is. 1. - P. 26-30.

136. Raya-Povedano, J.L. AI-based strategies to reduce workload in breast cancer screening with mammography and tomosynthesis: a retrospective evaluation / J.L. Raya-Povedano, M. Romero-Martin, M. Elias-Cabot [et al.] // Radiology. - 2021. - Vol. 300, Is. 1. - P. 57-65.

137. Reddy, S. Explainability and artificial intelligence in medicine / S. Reddy // The Lancet Digital Health. - 2022. - Vol. 4, Is. 4. - P. e214-e215.

138. Rigatti, S.J. Random forest / S.J. Rigatti // Journal of Insurance Medicine. - 2017. -Vol. 47, Is. 1. - P. 31-39.

139. Rodrigues, J.C.L. Current pressure on the UK imaging workforce deters imaging research in the NHS and requires urgent attention / J.C.L. Rodrigues, T. O'Regan, A. Darekar [et al.] // Clinical Radiology. - 2022. - Vol. 77, Is. 12. - P. 913-919.

140. Rodríguez-Ruiz, A. Detection of breast cancer with mammography: effect of an artificial intelligence support system / A. Rodríguez-Ruiz, E. Krupinski, J.J. Mordang [et al.] // Radiology. - 2019. - Vol. 290, Is. 2. - P. 305-314.

141. Roy, M. Molecular classification of breast cancer / M. Roy, A.M. Fowler, G.A. Ulaner, A. Mahajan // PET Clinics. - 2023. - Vol. 18, Is. 4. - P. 441-458.

142. Saslow, D. American Cancer Society guidelines for breast screening with MRI as an adjunct to mammography / D. Saslow, C. Boetes, W. Burke [et al.] // CA: a cancer journal for clinicians. - 2007. - Vol. 57, Is. 2. - P. 75-89.

143. Sawaki, M. TNM classification of malignant tumors (Breast Cancer Study Group) / M. Sawaki, T. Shien, H. Iwata // Japanese Journal of Clinical Oncology. - 2019. -Vol. 49, Is. 3. - P. 228-231.

144. Schapire, R.E. Explaining AdaBoost / R.E. Schapire // In Empirical Inference: Festschrift in Honor of Vladimir N. Vapnik - Berlin, Heidelberg: Springer Berlin Heidelberg, 2013. - P. 37-52.

145. Scornet E. Trees, forests, and impurity-based variable importance in regression / E. Scornet //Annales de l'Institut Henri Poincare (B) Probabilites et statistiques. - Institut Henri Poincaré, 2023. - Vol. 59. - Is 1. - P. 21-52.

146. Scully, O.J. Breast cancer metastasis / O.J. Scully, B.H. Bay, G. Yip, Y. Yu // Cancer Genomics & Proteomics. - 2012. - Vol. 9, Is. 5. - P. 311-320.

147. Sechopoulos, I. Artificial intelligence for breast cancer detection in mammography and digital breast tomosynthesis: state of the art / I. Sechopoulos, J. Teuwen, R. Mann // Seminars in Cancer Biology. - 2021. - Vol. 72, Is. 1.- P. 214-225.

148. Sgroi, D.C. Preinvasive breast cancer / D.C. Sgroi // Annual Review of Pathology: Mechanisms of Disease. - 2010. - Vol. 5, Is. 1.- P. 193-221.

149. Shah, S.M. Artificial intelligence for breast cancer analysis: trends & directions / S.M. Shah, R.A. Khan, S. Arif, U. Sajid // Computers in Biology and Medicine. - 2022. -Vol. 142. - ID: 105221.

150. Sharma, A. Validation of an AI-based solution for breast cancer risk stratification using routine digital histopathology images / A. Sharma, S.K. Lovgren, K.L. Eriksson [et al.] // Breast Cancer Research. - 2024. - Vol. 26, Is. 1. - ID: 123.

151. Shekar, B.H. Grid search-based hyperparameter tuning and classification of microarray cancer data / B.H. Shekar, G. Dagnew // 2019 Second International

Conference on Advanced Computational and Communication Paradigms (ICACCP). -IEEE, 2019. - P. 1-8.

152. Shen, A. Risk factors of unilateral breast cancer-related lymphedema: an updated systematic review and meta-analysis of 84 cohort studies / A. Shen, Q. Lu, X. Fu [et al.] // Supportive Care in Cancer. - 2023. - Vol. 31, Is. 1. - ID: 18.

153. Shen, Y. Artificial intelligence system reduces false-positive findings in the interpretation of breast ultrasound exams / Y. Shen, F. E. Shamout, J. R. Oliver [et al.] // Nature Communications. - 2021. - Vol. 12, Is. 1. - ID: 5645.

154. Shen, Y.T. Artificial intelligence in ultrasound / Y.T. Shen, L. Chen, W.W. Yue, H.X. Xu // European Journal of Radiology. - 2021. - Vol. 139, Is. 1.- ID: 109717.

155. Sheth, D. Artificial intelligence in the interpretation of breast cancer on MRI / D. Sheth, M.L. Giger // Journal of Magnetic Resonance Imaging. - 2020. - Vol. 51, Is. 5. - P. 1310-1324.

156. Shimizu, H. Artificial intelligence in oncology / H. Shimizu, K.I. Nakayama // Cancer Science. - 2020. - Vol. 111, Is. 5. - P. 1452-1460.

157. Speiser, J.L. A comparison of random forest variable selection methods for classification prediction modeling / J.L. Speiser, M.E. Miller, J. Tooze, E. Ip // Expert Systems with Applications. - 2019. - Vol. 134, Is. 1. - P. 93-101.

158. Stone, M. Cross-validation: a review / M. Stone // Statistics: A Journal of Theoretical and Applied Statistics. - 1978. - Vol. 9, Is. 1. - P. 127-139.

159. Sung, J.S. Breast cancers detected at screening MR imaging and mammography in patients at high risk: method of detection reflects tumor histopathologic results / J.S. Sung, S. Stamler, J. Brooks [et al.] // Radiology. - 2016. - Vol. 280, Is. 3. -P. 716-722.

160. Sutton, R.T. An overview of clinical decision support systems: benefits, risks, and strategies for success / R.T. Sutton, D. Pincock, D.C. Baumgart [et al.] // NPJ Digital Medicine. - 2020. - Vol. 3, Is. 1. - ID: 17.

161. Tarakanova, V.O. ROR1 and BMI-1 proteins as potential predictors of the effectiveness of hormone therapy in luminal breast cancer / V.O. Tarakanova, N.V. Krakhmal, S.V. Patalyak [et al.] // Siberian Journal of Oncology. - 2022. - Vol. 21, Is. 3. - P. 135-142.

162. Tarantino, P. HER2-low breast cancer: pathological and clinical landscape / P. Tarantino, E. Hamilton, S.M. Tolaney [et al.] // Journal of Clinical Oncology. - 2020. -Vol. 38, Is. 17. - P. 1951-1962.

163. Van Rijn, J.N. Hyperparameter importance across datasets / J.N. Van Rijn, F. Hutter // Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. - 2018. - P. 2367-2376.

164. Vocaturo, E. Artificial intelligence approaches on ultrasound for breast cancer diagnosis / E. Vocaturo, E. Zumpano // 2021 IEEE International Conference on Bioinformatics and Biomedicine (BIBM). - IEEE, 2021. - P. 3116-3121.

165. Volkov, A.A. Comprehensive radionuclide method of studying focal liver lesions / A.A. Volkov, A.M. Granov, L.A. Iakovleva, A.E. Borisov // Meditsinskaia Radiologiia. -1983. - Vol. 28, Is. 11. - P. 49-53.

166. Wang, C.H. The prognostic value of HER2-positive circulating tumor cells in breast cancer patients: a systematic review and meta-analysis / C.H. Wang, C.J. Chang, C.Y. Chen [et al.] // Clinical Breast Cancer. - 2017. - Vol. 17, Is. 5. - P. 341-349.

167. Warner, E. Surveillance of BRCA1 and BRCA2 mutation carriers with magnetic resonance imaging, ultrasound, mammography, and clinical breast examination /

E. Warner, D.B. Plewes, K.A. Hill [et al.] // JAMA. - 2004. - Vol. 292, Is. 11. -P. 1317-1325.

168. Weigelt, B. Histological types of breast cancer: how special are they? / B. Weigelt,

F.C. Geyer, J.S. Reis-Filho // Molecular Oncology. - 2010. - Vol. 4, Is. 3. - P. 192-208.

169. WHO: Breast cancer [Электронный ресурс]. - URL: https://who.int/news-room/fact-sheets/detail/breast-cancer. / (дата обращения: 01.03.2025).

170. Williamson, S. M. Balancing privacy and progress: a review of privacy challenges, systemic oversight, and patient perceptions in AI-driven healthcare / S.M. Williamson, V. Prybutok // Applied Sciences. - 2024. - Vol. 14, Is. 2. - ID: 675.

171. Windsor, G.O. Application of artificial intelligence in predicting lymph node metastasis in breast cancer / G.O. Windsor, H. Bai, A.P. Lourenco, Z. Jiao // Frontiers in Radiology. - 2023. - Vol. 3, Is. 1.- ID: 928639.

172. Wojtas, M. Feature importance ranking for deep learning / M. Wojtas, K. Chen // Advances in Neural Information Processing Systems. - 2020. - Vol. 33, Is. 1. -P. 5105-5114.

173. Xing, W. Medical health big data classification based on KNN classification algorithm / W. Xing, Y. Bei // IEEE Access. - 2019. - Vol. 8, Is. 1. - P. 28808-28819.

174. Yang, L. On hyperparameter optimization of machine learning algorithms: Theory and practice / L. Yang, A. Shami // Neurocomputing. - 2020. - Vol. 415, Is. 1. -P. 295-316.

175. Yates, L.A. Cross validation for model selection: a review with examples from ecology / L.A. Yates, Z. Aandahl, S.A. Richards, B.W. Brook // Ecological Monographs. - 2023. - Vol. 93, Is. 1. - ID: e1557.

176. Yin, L. Triple-negative breast cancer molecular subtyping and treatment progress / L. Yin, J.J. Duan, X.W. Bian, S.C. Yu // Breast Cancer Research. - 2020. - Vol. 22, Is. 1.- ID: 61.

177. Ying, C. Advance and Prospects of AdaBoost Algorithm / C. Ying, Q.G. Miao, J.C. Liu, L. Gao // Acta Automatica Sinica. - 2013. - Vol. 39, Is. 6. - P. 745-758.

178. Zhang, S. A novel kNN algorithm with data-driven k parameter computation / S. Zhang, D. Cheng, Z. Deng [et al.] // Pattern Recognition Letters. - 2018. - Vol. 109, Is. 1.- P. 44-54.

179. Zhang, S. Efficient kNN classification with different numbers of nearest neighbors / S. Zhang, X. Li, M. Zong [et al.] // IEEE Transactions on Neural Networks and Learning Systems. - 2017. - Vol. 29, Is. 5. - P. 1774-1785.

180. Zhang, S. Learning k for kNN classification / S. Zhang, X. Li, M. Zong [et al.] // ACM Transactions on Intelligent Systems and Technology. - 2017. - Vol. 8, Is. 3. -P. 1-19.

181. Zubair, M. Advanced approaches to breast cancer classification and diagnosis / M. Zubair, S. Wang, N. Ali // Frontiers in Pharmacology. - 2021. - Vol. 11, Is. 1. -ID: 632079.

РШХМЙОШИ #ВД№А1ЩШШ

ГОеОТЙКОЖАЖ ФВДШРАЩШШ

& ш ш ш ш

• •='

СВИДЕТЕЛЬСТВО

о государственной регистрации программы для ЭВМ

№2024688167

Программа для модуля системы поддержки принятия экспертных решений при проведении медико-социальной экспертизы у пациентов с раком молочной железы старше

18 лет

Правообладатель: Федеральное государственное бюджетное учреждение «Федеральный научно-образовательный центр медико-социальной экспертизы и реабилитации им. Г.А. Альбрехта» Министерства труда и социальной защиты Российской Федерации (Я17)

Авторы: Михайлишин Виктор Валерьевич ОШ), Головина Юлия Анатольевна (ЯП), Пономаренко Геннадий Николаевич (ЛГ), Щербина Константин Константинович (ЯЧ), Суфэльфа Алиса Родионовна (Яи), Черникова Марина Владимировна (ЯП)

Заявка №2024687953

Дата поступления 26 ноября 2024 г.

Дата государственной регистрации

в Реестре программ для ЭВМ 26 Ноября 2024 г.

Руководитель Федеральной службы по интеллектуальной собственности

к/п

Ю.С. Зубов

Таблица В.1 - Перечень клинико-функциональных показателей пациентов, использованных для формирования базы данных

№ Наименование показателя здоровья Тип данных Варианты ответа

1 2 3 4

1 Возраст пациента Количественные данные относительного типа Диапазон целочисленных значений от 18 до 90

2 Количество назначенных ортопедических бандажей на верхнюю конечность для улучшения лимфовенозного оттока Диапазон целочисленных значений от 0 до 2

3 Количество назначенных бюстгальтеров и/или грация (полуграция) для фиксации экзопротеза молочной железы

4 Количество назначенных чехлов для экзопротеза молочной железы трикотажный

5 Количество назначенных экзопротезов молочной железы

6 Год прохождения медико-социальной экспертизы Диапазон целочисленных значений от 2020 до 2023

7 Диагноз согласно классификации МКБ-10 Качественные номинальные данные - С50 - С50.9 - С50.8 - С50.4 - С50.1 - С50.2 - С50.3 - С50.5 - С50.0

8 Вид проведенного хирургического лечения левой молочной железы - Секторальная резекция - Радикальная резекция - Мастэктомия

9 Вид проведенного хирургического лечения правой молочной железы

10 Коды МКБ-Х сопутствующих заболеваний Коды МКБ-Х сопутствующих заболеваний

11 Локализация метастазов Локализация метастазов

12 Тип рака согласно международной гистологической классификация РМЖ - Инвазивные карциномы молочной железы - Редкие опухоли и опухоли типа опухолей слюнной железы - Нейроэндокринные опухоли - Эпителиально-миоэпителиальные опухоли

Продолжение таблицы В. 1

1 2 3 4

12 Тип рака согласно международной гистологической классификация РМЖ Качественные номинальные данные — Доброкачественная эпителиальная пролиферация — Папиллярные опухоли — Неинвазивные дольковые опухоли — Протоковая карцинома in situ — Мезенхимальные опухоли молочной железы — Фиброэптелиальные опухоли молочной железы — Опухоли соска — Злокачественные лимфомы — Метастатические опухоли — Опухоли молочной железы у мужчин

13 Основное нарушение функций организма Вид основного нарушения функций организма их основных видов стойких расстройств функций организма человека

14 Стадия первичной опухоли по классификации ТКМ (Т) - X - Is - 1 - 2 - 3 - 4

15 Вовлечение регионарных лимфатических узлов по классификации ТКМ (К) Качественные - X - 1 - 2 - 3

16 Степень ограничения способности к самообслуживанию ранговые данные

17 Степень ограничения способности к передвижению

18 Степень ограничения способности к обучению Диапазон целочисленных

19 Степень ограничения способности к общению значений от 0 до 3

20 Степень ограничения способности к контролю за своим поведением

21 Степень ограничения способности к ориентации

Продолжение таблицы В. 1

1 2 3 4

22 Степень ограничения способности к трудовой деятельности Диапазон целочисленных значений от 0 до 3

23 Максимально выраженное в процентах нарушение функций организма Диапазон целочисленных

24 Суммарная оценка степени нарушения функции организма (баллы) Качественные ранговые данные значений от 0 до 4

25 Группа инвалидности - Инвалидность не установлена - 3 - 2 - 1

26 Форма проведения МСЭ — Очная — Заочная

27 Наличие лимфедемы верхней левой конечности

28 Наличие лимфедемы верхней правой конечности

29 Рецидивирующее течение заболевания

30 Билатеральный рак

31 Проведена профилактическая мастэктомия здоровой молочной железы

32 Установлен эндопротез молочной железы слева

33 Установлен эндопротез молочной железы справа

34 Проведена лучевая терапия

35 Проведена полихимиотерапия Качественные - Да — Нет

36 Проведена адъювантная химиотерапия дихотомические

37 Проведена адъювантная гормонотерапия данные

38 Инкурабельное состояние

39 Наличие трофических нарушений кожных покровов верхней левой конечности с острыми или подострыми воспалительными процессами

40 Наличие трофических нарушений кожных покровов верхней правой конечности с острыми или подострыми воспалительными процессами

41 Наличие заболеваний кожи в области операционного рубца слева

42 Наличие заболеваний кожи в области операционного рубца справа

43 Наличие отдаленных метастазов по классификации ТКМ (М) - 0 - 1

Таблица Г.1 - Формализированная анкета оценки качества системы искусственного интеллекта

Вопрос Система оценивания Ответ эксперта

Сколько пациентов было проанализировано экспертом? Выразите в количестве, ед.

Сколько отказов было обнаружено в процессе работы системы? Выразите в количестве, ед.

Сколько ошибок пользователи совершили из-за непонятного интерфейса? Выразите в количестве, ед.

Как вы оцениваете эстетику пользовательского интерфейса? Как вы оцениваете эстетику пользовательского интерфейса? Оцените по шкале от 1 до 10, где 1 означает минимальный уровень эстетики, а 10 -максимальный уровень.

Насколько проста в использовании система искусственного интеллекта? Оцените по шкале от 1 до 10, где 1 означает наименьшую простоту использования, а 10 -максимальную простоту.

Насколько просто внедрить систему искусственного интеллекта в практическую деятельность? Оцените по шкале от 1 до 10, где 1 означает наименьшую простоту внедрения, а 10 -максимальную простоту.

Дата проведения испытания ФИО эксперта_

--Подпись эксперта