ISSN 1811-0193

· Язык: ru

Статья: ПОДХОД К РАЗРАБОТКЕ МОДУЛЬНОЙ АРХИТЕКТУРЫ БАЗЫ ДАННЫХ В ОБЛАСТИ ИНТЕНСИВНОЙ ТЕРАПИИ И РЕАНИМАЦИИ (2025)

Читать

Читать онлайн

В статье представлено проектирование базы данных, предназначенной для оптимизации хранения и обработки медицинских данных, с акцентом на поддержку принятия решений в области интенсивной терапии и реанимации. Целью исследования является разработка логической модели базы данных на основе передовых принципов и методов, используемых в международных проектах открытых баз данных, способной минимизировать ошибки, связанные с человеческим фактором, и улучшить точность прогноза состояния пациентов в реальном времени.

Методология работы основана на сравнительном анализе существующих международных медицинских баз данных, таких как MIMIC-IV и eICU. Для проектирования новой базы данных применен инновационный модульный подход, который обеспечивает гибкость и масштабируемость системы.

Основные результаты работы заключаются в создании логической модели базы данных, которая может быть эффективно использована в российской системе здравоохранения, в том числе в удаленных и малоресурсных регионах. Логическая модель разработана с учётом специфики медицинских данных, включая модули для хранения информации о госпитализациях, показателях состояния пациентов, лабораторных исследованиях, медикаментозных назначениях и других аспектах клинической практики. Важной частью исследования является интеграция базы данных с российскими медицинскими информационными системами и адаптация к национальным стандартам и нормативным требованиям.

Созданная архитектура логической модели минимизирует влияние человеческого фактора, автоматизирует анализ данных и может использоваться в разработке систем поддержки принятия врачебных решений. Практическая значимость заключается в повышении качества медицинской помощи и снижении нагрузки на персонал. Система применима в российских учреждениях, включая удаленные регионы, и способствует цифровизации здравоохранения.

Ключевые фразы: медицинская база данных, модульная архитектура базы данных, интенсивная терапия, реа- нимация, машинное обучение, обработка временных рядов, российская система здравоохранения

Автор (ы): ГЛУШКОВ В.С., ВДОВИН Е.П., Ермаков Николай Владимирович, Бакановская Людмила Николаевна, Чернышева Татьяна Юрьевна, КРАВЕЦ В.Д., Соболев И. С., ВОЛКОВ Д.Е., Миляев Михаил Владимирович

Журнал: ВРАЧ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

Предпросмотр статьи

Идентификаторы и классификаторы

SCI: Здравоохранение
УДК: 61. Медицина. Охрана здоровья. Пожарное дело

Для цитирования:

ГЛУШКОВ В.С., ВДОВИН Е.П., ЕРМАКОВ Н. В., БАКАНОВСКАЯ Л. Н., ЧЕРНЫШЕВА Т. Ю., КРАВЕЦ В.Д., СОБОЛЕВ И. С., ВОЛКОВ Д.Е., МИЛЯЕВ М. В. ПОДХОД К РАЗРАБОТКЕ МОДУЛЬНОЙ АРХИТЕКТУРЫ БАЗЫ ДАННЫХ В ОБЛАСТИ ИНТЕНСИВНОЙ ТЕРАПИИ И РЕАНИМАЦИИ // ВРАЧ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ. 2025. № 2

Текстовый фрагмент статьи

Моя история просмотров (1)

01. Статья: НЕЙРОСЕТЕВАЯ ГРАФОВАЯ АРХИТЕКТУРА ПРОЗРАЧНОГО ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В МЕДИЦИНЕ

Список литературы

1. Указ Президента Российской Федерации от 07. 05. 2024 г. № 309 “О национальных целях развития Российской Федерации на период до 2030 года и на перспективу до 2036 года”.
2. Единый план по достижению национальных целей развития Российской Федерации до 2030 года и на перспективу до 2036 года (утв. Правительством РФ).
3. Покида А.Н., Зыбуновская Н.В. Здоровье в восприятии россиян и реальные медицинские практики // Здоровье населения и среда обитания. 2021. - Т. 29. - № 7. - С. 19-27. DOI: 10.35627/2219-5238/2021-29-7-19-27
4. Сычев Е.В., Есауленко И.Э., Петрова Т.Н., Петров И.С. Особенности кадровой политики сельского здравоохранения и пути повышения ее эффективности // Наука молодых (Eruditio Juvenium). - 2023. - Т. 11. - № 4. - С. 535-544. DOI: 10.23888/HMJ2023114535-544
5. Романюк Т.И., Поздняков Д.Ю., Мушенок Ф.Б. Использование возможностей машинного обучения и искусственного интеллекта в отделениях анестезиологии и реанимации // Врач и информационные технологии. - 2021. - № 2. - С. 60-71. doi: 1025881/18110193_2021_2_60.
6. Романюк Т.И., Поздняков Д.Ю., Мушенок Ф.Б. Использование возможностей машинного обучения и искусственного интеллекта в отделениях анестезиологии и реанимации // Врач и информационные технологии. - 2021. - № 2. - С. 60-71. doi: 1025881/18110193_2021_2_60.
7. Горбань В.И., Щеголев А.В., Проценко Д.Н. и др. Цифровизация службы анестезиологии и реаниматологии: многоцентровое анкетное исследование // Вестник интенсивной терапии им. А.И. Салтанова. - 2024. - № 2. - C. 43-53. DOI: 10.21320/1818-474X-2024-2-43-53
8. Гусаров В.Г., Замятин М.Н., Гороховатский Ю.И. и др. Безопасность пациента как основа стратегии развития службы анестезиологии и реаниматологии Пироговского центра // Вестник Национального медико-хирургического Центра им. Н. И. Пирогова. - 2022. - № 4.- С. 4-12. DOI: 10.25881/20728255_2022_17_4_2_4
9. Карпов О.Э., Гусаров В.Г., Замятин М.Н. и др. Интеграция цифровых решений в работу службы анестезиологии и реаниматологии многопрофильной клиники // Вестник НМХЦ им. Н.И. Пирогова. - 2020. - № 15(3-2). - С. 106-113. DOI: 10.25881/BPNMSC.2020.33.66.020
10. Клыков А.И., Фролов Н.С. Особенности приоритетного проекта “Совершенствование процессов организации медицинской помощи на основе внедрения информационных технологий” // Смоленский медицинский альманах. - 2019. - № 3. - С. 78-81.
11. Корчагин Е.Е., Гордеева Н.В., Демко И.В. и др. Использование информационных систем в здравоохранении // Сибирское медицинское обозрение. - 2019. - № 3. - С. 106-111. DOI: 10.20333/2500136-2019-3-106-111
12. Клейменова Е.Б., Яшина Л.П. Hоль медицинских информационных технологий в обеспечении безопасности пациентов // Врач и информационные технологии. - 2020. - №3. - C.13-24. DOI: 10.37690/1811-0193-2020-3-13-24
13. Михеев А.Е. Возможности, проблемы и перспективы информационных технологий в сфере клинической безопасности // Менеджер здравоохранения. - 2023. - № 1. - С. 5-20. DOI: 10.21045/1811-0185-2023-S-5-20
14. Кошечкин К.А. Регулирование искусственного интеллекта в медицине // Пациентоориентированная медицина и фармация. - 2023. - № 1(1). - С. 32-40. DOI: 10.37489/2949-1924-0005
15. Mirskikh I, Mingaleva Z, Kuranov V, Matseeva S. Digitization of Medicine in Russia: Mainstream Development and Potential. In: Antipova, T. (eds) Integrated Science in Digital Age 2020. ICIS 2020. Lecture Notes in Networks and Systems. 2021; 136. Springer, Cham. DOI: 10.1007/978-3-030-49264-9_30
16. Kononova O, Prokudin D, Timofeeva A, Matrosova E. The Digital Era of Healthcare in Russia: Case Study. Lecture Notes in Information Systems and Organization, in: Zaramenskikh E, Fedorova A. (ed.), Digital Transformation and New Challenges. 2021. Р.265-286. Springer.
17. Яновская О., Кулагина Н., Логачева Н., Цифровое неравенство российских регионов // Sustainable Development and Engineering Economics 1. - 2022. - № 5. - С. 77-98. DOI: 10.48554/SDEE.2022.1.5
18. Кром И.Л., Еругина М.В., Еремина М.Г. и др. Оптимизация медицинской помощи в региональном здравоохранении: перспективы и барьеры // Социология медицины. - 2023. - Т. 22. - № 1. - C. 19-27. DOI: 10.17816/socm252064
19. Гречко A.В., Ядгаров M.Я., Яковлев А.А. и др. Российская база данных реанимационных пациентов - RICD // Общая реаниматология. - 2024. - № 20(3). - С. 22-31. DOI: 10.15360/1813-9779-2024-3-22-31
20. Chen C, Ma S, Liao L, Xiao Y, Dai H. Effects of mesenchymal stem cells on postresuscitation renal and intestinal injuries in a porcine cardiac arrest model. Shock. 2023; 59(5): 803-809. DOI: 10.1097/SHK.0000000000002107
21. Kakadiaris A. Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline Algorithm: Application to the ICU Length of Stay Prediction. License: arXiv.org perpetual non-exclusive license arXiv:2401.00902v131 Dec 2023. DOI: 10.48550/arXiv.2401.00902
22. González-Nóvoa JA, Busto L, Rodríguez-Andina JJ, et al. Using Explainable Machine Learning to Improve Intensive Care Unit Alarm Systems. Sensors. 2021; 21: 7125. DOI: 10.3390/s21217125
23. Alabdulhafith M, Saleh H, Elmannai H, et al. A Clinical Decision Support Systemfor Edge/Cloud ICU Readmission Model Based on Particle Swarm Optimization, Ensemble Machine Learning, and Explainable Artificial Intelligence. IEEE Access. 2023; 11: 100604-100621. DOI: 10.1109/ACCESS.2023.3312343
24. Amico B. Explainable Temporal Data Mining Techniques to Support the Prediction Task in Medicine. S.S.D. INF/01 - Informatics. 2023. Р. 165.
25. Thorsen-Meyer HC, Nielsen AB, Nielsen AP, et al. Dynamic and explainable machine learning prediction of mortality in patients in the intensive care unit: a retrospective study of high-frequency data in electronic patient records. Lancet Digit Health. 2020; 2(4): e179-e191. DOI: 10.1016/S2589-7500(20)30018-2
26. Shishkin S, Sheiman I, Vlassov V, Potapchik E, Sazhina S. Structural changes in the Russian health care system: do they match European trends? Health Econ Rev. 2022; 12(1): 29. DOI: 10.1186/s13561-022-00373-z
27. Ye Z, An S, Gao Y, et al. Association between the triglyceride glucose index and in-hospital and 1-year mortality in patients with chronic kidney disease and coronary artery disease in the intensive care unit. Cardiovasc Diabetol. 2022; 110(2023). DOI: 10.1186/s12933-023-01843-2
28. Xu J, Cai H, Zheng, X. Timing of vasopressin initiation and mortality in patients with septic shock: analysis of the MIMIC-III and MIMIC-IV databases. BMC Infect Dis. 2023; 199(2023). DOI: 10.1186/s12879-023-08147-6
29. Di Martino F, Delmastro F. Explainable AI for clinical and remote health applications: a survey on tabular and time series data. Artif Intell Rev. 2023; 56: 5261-5315. DOI: 10.1007/s10462-022-10304-3
30. Morid AM, Sheng O, Dunbar J. Time series prediction using deep learning methods in healthcare. ACM Trans Manage Info Systs. 2023; 14: 1-29. DOI: 10.1145/3531326
31. Idowu EAA, Teo J, Salih S, Valverde J, Yeung JA. Streams, rivers and data lakes: an introduction to understanding modern electronic healthcare records. Clin Med (Lond). 2023; 23(4): 409. DOI: 10.7861/clinmed.2022-0325
32. Stephany ND, Nan K, Douglas C, et al. HL7 FHIR-based tools and initiatives to support clinical research: a scoping review, Journal of the American Medical Informatics Association. 2022; 29(9): 1642-1653. DOI: 10.1093/jamia/ocac105
33. Dhayne H, Haque R, Kilany R, Taher Y. In Search of Big Medical Data Integration Solutions - A Comprehensive Survey. In IEEE Access. 2019; 7: 91265-91290. DOI: 10.1109/ACCESS.2019.2927491
34. Parciak M, Suhr M, Schmidt C, et al. FAIRness through automation: development of an automated medical data integration infrastructure for FAIR health data in a maximum care university hospital. BMC Med Inform Decis Mak 23. 2023; 94. DOI: 10.1186/s12911-023-02195-3
35. Bernonille S, Nies J, Pedersen HG, et al. Three different cases of exploiting decision support services for adverse drug event prevention. Stud Health Technol Inform. 2011; 166: 180-8.
36. Imran S, Mahmood T, Morshed A, ad Sellis T. Big data analytics in healthcare - A systematic literature review and roadmap for practical implementation, in IEEE/CAA Journal of Automatica Sinica. 2021; 8(1): 1-22. DOI: 10.1109/JAS.2020.1003384
37. Ciampi M, Sicuranza M, Silvestri S. A Privacy-Preserving and Standard-Based Architecture for Secondary Use of Clinical Data. Information 2022; 13(2): 87. DOI: 10.3390/info13020087
38. Jiang J, Hewner S, Chandola V. Explainable Deep Learning for Readmission Prediction with Tree-GloVe Embedding, 2021 IEEE 9th International Conference on Healthcare Informatics (ICHI). 09-12 August 2021. Р. 138-147. DOI: 10.1109/ICHI52183.2021.00031
39. Blinov P, Avetisian M, Kokh V, Umerenkov D, Tuzhilin A. Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-Based Neural Networks. In: Michalowski M, Moskovitch R. (eds) Artificial Intelligence in Medicine. AIME 2020. Lecture Notes in Computer Science,2020; 12299. Springer. Cham. DOI: 10.1007/978-3-030-59137-3_11
40. Kontsevaya A, Bobrova N, Barbarash O, et al. The management of acute myocardial infarction in the Russian Federation: protocol for a study of patient pathways. Wellcome Open Res. 2017; 2: 89. DOI: 10.12688/wellcomeopenres.12478.2
41. Brankovic A, Hassanzadeh H, Good N, et al. Explainable machine learning for real-time deterioration alert prediction to guide pre-emptive treatment. Sci Rep. 2022; 12: 11734. DOI: 10.1038/s41598-022-15877-1
42. Pang K, Li L, Ouyang W, Liu X, Tang Y. Establishment of ICU Mortality Risk Prediction Models with Machine Learning Algorithm Using MIMIC-IV Database. Diagnostics. 2022; 12(5): 1068. DOI: 10.3390/diagnostics12051068
43. Sun Y, He Z, Ren, J, et al. Prediction model of in-hospital mortality in intensive care unit patients with cardiac arrest: a retrospective analysis of MIMIC-IV database based on machine learning. BMC Anesthesiol. 2023; 23: 178. DOI: 10.1186/s12871-023-02138-5
44. Liu W, Tao G, Zhang Y, et al. A Simple Weaning Model Based on Interpretable Machine Learning Algorithm for Patients With Sepsis: A Research of MIMIC-IV and eICU Databases. Front. Med. 2022; 8: 814566. DOI: 10.3389/fmed.2021.814566
45. Kovalchuk SV, Funkner AA, Metsker OG, Yakovlev AN. Simulation of patient flow in multiple healthcare units using process and data mining techniques for model identification. Journal of biomedical informatics, 2018; 82: 128-142. DOI: 10.1016/j.jbi.2018.05.004
46. Cao Y, Li Y, Wang M, et al. Interpretable machine learning for predicting risk of invasive fungal infection in critically ill patients in the intensive care unit: a retrospective cohort study based on MIMIC-IV database. Shock. 2024; 61(6): 817-827. DOI: 10.1097/SHK.0000000000002312
47. Sun Y, He Z, Ren J, et al. Prediction model of in-hospital mortality in intensive care unit patients with cardiac arrest: a retrospective analysis of MIMIC -IV database based on machine learning. BMC Anesthesiol. 2023; 23: 178. DOI: 10.1186/s12871-023-02138-5
48. Pang K, Liang L, Wen O, Xing L, Yongzhong T. Establishment of ICU Mortality Risk Prediction Models with Machine Learning Algorithm Using MIMIC-IV Database. Diagnostics,2022; 12(5): 1068. DOI: 10.3390/diagnostics12051068
49. Shu T, Huang J, Deng J, et al. Development and assessment of scoring model for ICU stay and mortality prediction after emergency admissions in ischemic heart disease: a retrospective study of MIMIC-IV databases. Intern Emerg Med. 2023; 18: 487-497. DOI: 10.1007/s11739-023-03199-7
50. Johnson AEW, Bulgarelli L, Shen L, et al. MIMIC-IV, a freely accessible electronic health record dataset. Sci Data. 2023; 10(1). DOI: 10.1038/s41597-022-01899-x
51. Medical Information Mart for Intensive Care. MIMIC Online Documentation: https://mimic.mit.edu.

Выпуск

№ 2 (2025)

Кол-во страниц: 108 страниц

Другие статьи выпуска

КОДЕКС ЭТИКИ ПРИМЕНЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В СФЕРЕ ОХРАНЫ ЗДОРОВЬЯ В РОССИЙСКОЙ ФЕДЕРАЦИИ (2025)

Авторы: Королева Юлия Ивановна, ХОХЛОВ А.Л., АРТЕМОВА О.Р., КОСТИНА Е.В., Зарубина Татьяна Васильевна

В статье рассматривается процесс разработки и утверждения первого в Российской Федерации Кодекса этики применения искусственного интеллекта (ИИ) в сфере охраны здоровья. На фоне активного внедрения ИИ-технологий в медицинскую практику (зарегистрировано 39 соответствующих медицинских изделий) акцент сделан на важности формирования этических норм, обеспечивающих защиту прав пациентов, повышение доверия к технологиям и стандартизацию процессов. Проведен анализ международных подходов к этике ИИ в здравоохранении (ЕС, США, Великобритания, Канада, Австралия, Китай, Индия), и обозначена необходимость гармонизации отечественного кодекса с международными инициативами. Представлены этапы разработки документа, в которых приняли участие сотрудники профильных департаментов Минздрава России, главные внештатные специалисты и эксперты, а также структура и основные положения утвержденной версии Кодекса. Выделены ключевые принципы: прозрачность, конфиденциальность, справедливость, ограниченная автономность, контроль и ответственность. Финальная версия документа была опубликована в марте 2025 года на портале ЕГИСЗ после согласования с Межведомственной рабочей группой при Минздраве России. Кодекс призван стать фундаментом для устойчивого и безопасного внедрения ИИ в систему здравоохранения.

Сохранить в закладках

ИСПОЛЬЗОВАНИЕ ИНТЕРФЕЙСОВ МОЗГ–КОМПЬЮТЕР ДЛЯ ПЕРСОНАЛИЗИРОВАННОЙ НЕЙРОРЕАБИЛИТАЦИИ: РОЛЬ СУБЪЕКТИВНОГО ВОСПРИЯТИЯ И НЕЙРОФИЗИОЛОГИЧЕСКИХ ПОКАЗАТЕЛЕЙ (2025)

Авторы: АНТИПОВ В.М., СМИРНОВ Н.М., Бадарин Артём Александрович, Киселев Антон Робертович, Андреев Андрей Викторович, Куркин Семён Андреевич, Храмов Александр Евгеньевич, Драпкина Оксана Михайловна

Работа посвящена оценке соответствия нейрофизиологических и субъективных признаков моторного воображения в контексте нейрореабилитации с использованием интерфейсов мозг–компьютер (ИМК) и выполнена в рамках разработки программно-аппаратного комплекса (ПАК) для восстановления когнитивных и моторных функций верхних конечностей при лёгких и выраженных нарушениях.

Материалы и методы: В исследовании приняли участие 24 здоровых добровольца. Электроэнцефалограмма регистрировалась при выполнении заданий на моторное воображение с различными визуальными стимулами. Анализ включал расчёт сенсомоторной десинхронизации (ERD), классификацию с использованием пространственных фильтров и линейного дискриминантного анализа, а также оценку корреляции с субъективными самооценками.

Результаты: Латеральность воображаемого движения оказала значимое влияние на выраженность ERD. Субъективная уверенность участников не коррелировала ни с нейрофизиологическими показателями, ни с уверенностью классификатора при распознавании воображаемого движения. При этом модели продемонстрировали высокую точность классификации моторных представлений.

Выводы: Выявленное несоответствие между субъективной и объективной оценкой подчеркивает необходимость внедрения биологической обратной связи и персонализированных ИМК в составе ПАК для повышения эффективности нейрореабилитации.

Сохранить в закладках

НЕЙРОСЕТЕВАЯ ГРАФОВАЯ АРХИТЕКТУРА ПРОЗРАЧНОГО ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В МЕДИЦИНЕ (2025)

Авторы: АНДРИКОВ Д.А., Березкин Дмитрий Валерьевич, ПОПОВ А.Ю., Пролетарский Андрей Викторович

В статье представлен подход к созданию информационной системы на основе нейросетевой графовой архитектуры. Этот подход призван снивелировать проблему явного объяснения решений, принимаемых искусственным интеллектом — проблема прозрачности (объяснимости, надежности, доверенности). Использование технологий искусственного интеллекта в медицине носит «сквозной» характер и способствует созданию условий для улучшения эффективности и формирования принципиально новых направлений деятельности: автоматизации рутинных (повторяющихся) операций; использования автономного интеллектуального оборудования и робототехнических комплексов, интеллектуальных систем управления; повышения эффективности процессов планирования, прогнозирования и принятия врачебных решений. Перспективной технологией предлагаемого подхода является применение графовой нейросетевой архитектуры в составе информационной системы для обработки и анализа данных. В статье реализован пример классификации узлов графов на открытом датасете с кардиоданными условно-здоровых людей и пациентов.

Сохранить в закладках

К ВОПРОСУ ОБ ОРГАНИЗАЦИИ ОБЕЗЛИЧИВАНИЯ И ИСПОЛЬЗОВАНИЯ ДАННЫХ РЕАЛЬНОЙ КЛИНИЧЕСКОЙ ПРАКТИКИ (2025)

Авторы: СТОЛБОВ А.П.

Рассмотрены требования к обезличенным данным реальной клинической практики (ДРКП), основные методы обезличивания и синтетизации ДРКП, позволяющие сохранить их клиническую информативность. Приведено описание процедуры сбора, обезличивания и использования ДРКП, которая обеспечивает высокую стойкость обезличенных данных относительно угроз нарушения конфиденциальности сведений, составляющих врачебную тайну.

Сохранить в закладках

ОБУЧЕНИЕ ПО ПРОГРАММЕ СПЕЦИАЛИТЕТА 30.05.03 «МЕДИЦИНСКАЯ КИБЕРНЕТИКА» В ВУЗАХ РФ (2025)

Авторы: Зарубина Татьяна Васильевна, НИКОЛАИДИ Е.Н.

Востребованность специалистов, обладающих глубокими знаниями в предметных областях как медицинского профиля, так и информационных технологий, обусловила существенное увеличение количества вузов, реализующих образовательную программу по направлению подготовки 30.05.03 — «Медицинская кибернетика» и стала причиной необходимости оценки ситуации с обучением студентов по данной специальности. Целью работы является анализ структуры и предметного наполнения образовательной программы по направлению подготовки 30.05.03 «Медицинская кибернетика» в вузах Российской Федерации.

Материалы и методы: сведения, представленные на официальных сайтах вузов и сайтах-агрегаторов для абитуриентов; документы, регламентирующие образовательный процесс по специальности 30.05.03 «Медицинская кибернетика».

Результаты исследования. Анализ основных аспектов образовательных программ по специальности 30.05.03 «Медицинская кибернетика» в десяти вузах РФ показал их соответствие общим требованиям ФГОС по данной специальности при существенном различии в подходах к предметному наполнению.

Выводы. Соответствие образовательных программ только формальным требованиям ФГОС, касающимся их общего объема, структуры и количества профессиональных компетенций, не позволяет гарантировать соответствие выпускников требованиям профессионального стандарта «Врач-кибернетик». Необходимы четкие критерии допустимых различий в предметном наполнении образовательной программы.

Сохранить в закладках

ОБЗОР МИРОВЫХ СИСТЕМ РЕГИСТРАЦИИ МЕДИЦИНСКИХ ИЗДЕЛИЙ (2025)

Авторы: Тарасова Наталья Владимировна, Владзимирский Антон Вячеславович, Петров Евгений Алексеевич, ЗАЮНЧКОВСКИЙ С.Ю.

Все изделия медицинского назначения, как в Российской Федерации, так и в мире, проходят процедуры регистрации. Однако связанные с этим нормы и законодательство регулируются по-разному. Целью данного исследования явилась оценка функциональных возможностей существующей правовой базы и систем регистрации изделий медицинского назначения в некоторых странах мира.

Сохранить в закладках

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
Сайт: https://www.pirogov-center.ru/

Все права на тексты и товарные знаки принадлежат их законным владельцам. Подробнее...

Сайт https://scinetwork.ru (далее – сайт) работает по принципу агрегатора – собирает и структурирует информацию из публичных источников в сети Интернет, то есть передает полнотекстовую информацию о товарных знаках в том виде, в котором она содержится в открытом доступе.

Сайт и администрация сайта не используют отображаемые на сайте товарные знаки в коммерческих и рекламных целях, не декларируют своего участия в процессе их государственной регистрации, не заявляют о своих исключительных правах на товарные знаки, а также не гарантируют точность, полноту и достоверность информации.

Все права на товарные знаки принадлежат их законным владельцам!

Сайт носит исключительно информационный характер, и предоставляемые им сведения являются открытыми публичными данными.

Администрация сайта не несет ответственность за какие бы то ни было убытки, возникающие в результате доступа и использования сайта.

Спасибо, понятно.

Наведите камеру на QR-код, чтобы открыть моб. версию страницы.