Сайт издательства «Медиа Сфера»
содержит материалы, предназначенные исключительно для работников здравоохранения. Закрывая это сообщение, Вы подтверждаете, что являетесь дипломированным медицинским работником или студентом медицинского образовательного учреждения.
Искусственный интеллект в хирургии. Снижение рисков, связанных с полифармакотерапией, в периоперационном периоде
Журнал: Хирургия. Журнал им. Н.И. Пирогова. 2025;(7): 59‑66
Прочитано: 2181 раз
Как цитировать:
Благодаря стремительному развитию в последние годы технологий искусственного интеллекта (ИИ) последние широко внедряются во все аспекты человеческой жизни, в то числе в здравоохранение. В настоящее время проводятся постоянные исследования возможностей ИИ в медицине, в частности в хирургии. В ходе исследований оценивают потенциальные преимущества использования ИИ на всех этапах ведения пациента, как на амбулаторном этапе, так и в ходе лечения. Целью данных исследований является повышение качества и эффективности терапии пациентов и их безопасности.
В настоящее время в большинстве медицинских исследований ИИ используется для распознавания образов, анализа и классификации цифровых изображений или видеозаписей. По этой причине наибольшее влияние эта технология оказала на специальности с применением диагностики, такие как лучевая диагностика, патологическая анатомия и дерматология. Однако применение ИИ возможно и для других специальностей. С целью оценки и прогнозирования результатов лечения ученые и врачи используют данные электронных медицинских карт, базы данных пациентов и многоцентровые реестры, на основании которых разрабатываются системы с оценочными шкалами риска, например ACS NSQIP Surgical Risk Calculator, the University of Florida’s MySurgeryRisk algorithm [1]. ИИ позволяет использовать эти большие и сложные массивы данных для разработки более надежных алгоритмов прогнозирования. Например, анализируя множество протоколов операций и характеристики пациентов, ИИ поможет хирургам стратифицировать риски, связанные с конкретной операцией и для конкретного пациента, что означает следующий этап развития персонифицированной медицины.
Историю ИИ и его развитие в области медицины можно проследить с 1950 г., когда Алан Тьюринг [цит. по 2] в своей книге «Вычислительные машины и разум» описал концепцию использования компьютеров для моделирования разумного поведения и критического мышления. В 1956 г. Джон Маккарти [цит. по 3] описал термин «искусственный интеллект» как «науку и технику создания интеллектуальных машин».
На ранних этапах своего развития ИИ представлял лишь научный интерес для исследователей, изучавших фундаментальные концепции машинного обучения и распознавания образов. По мере роста вычислительной мощности расширялись и возможности разрабатываемых систем ИИ. В 70-х и 80-х годах прошлого века начали появляться первые программы для работы ИИ в медицинской сфере. Они были предназначены для помощи принятия врачебных решений. Эти приложения были ограничены сложностью медицинских данных и доступными в то время вычислительными ресурсами [4]. Тем не менее разработанные приложения нашли применение в таких специальностях, как лучевая диагностика и патологическая анатомия. Они оказывали ценную поддержку в принятии врачами решений, помогая в интерпретации медицинских изображений и диагностических данных [5].
В 90-е годы наметился дальнейший прогресс в связи с появлением алгоритмов машинного обучения (англ. machine learning — ML), которые могли адаптироваться и совершенствоваться с течением времени. Это было поворотным моментом для ИИ в медицине, поскольку позволило системам обучаться на больших объемах медицинской информации, выявляя сложные закономерности и взаимосвязи. Эти достижения проложили путь к более сложным системам ИИ, включая обработку естественного языка (Natural Language Processing — NLP) для анализа клинических заметок и текстовой медицинской литературы [5].
ИИ — это наука на стыке математики, статистики, биологии, психологии, робототехники и множества других специальностей. Достижения в области компьютерных наук, такие как повышение скорости и мощности обработки данных, послужили катализатором для создания технологий, необходимых для появления современного ИИ [6]. В настоящее время внимание к ИИ сосредоточено на четырех основных областях, представленных ниже.
Машинное обучение (ML) — класс методов ИИ, который позволяет компьютерам учиться и совершенствоваться на основе опыта без явного программирования. В отличие от традиционного программирования, в котором алгоритмы жестко кодируются для выполнения конкретных задач, машинное обучение дает возможность системам автоматически улучшать свою производительность на основе анализа данных и выявления закономерностей.
Методы машинного обучения включают обучение с учителем (supervised learning), обучение без учителя (unsupervised learning), обучение с подкреплением (reinforcement learning) и другие подходы [7]. Обучение с учителем полезно для прогнозирования и объяснения известного результата, в то время как обучение без учителя используется для выявления скрытых закономерностей в данных. ML способен обрабатывать данные закономерности за счет использования методов, позволяющих выявлять косвенные и сложные нелинейные взаимосвязи и многомерные эффекты, превышающие обычный статистический анализ [8]. Так, ML превзошло логистическую регрессию для прогнозирования нагноения послеоперационной раны путем построения нелинейных моделей на основе множества источников данных, в том числе диагноза, методов лечения и лабораторных показателей [9]. Кроме того, возможно использование нескольких обученных алгоритмов, работающих совместно (ансамблевое обучение, ensemble ML) для достижения точности прогнозов, недостижимой при использовании методов обычной статистики [8]. Например, проанализировав образцы диагностических и терапевтических данных (включая результаты операций) в онкологическом регистре SEER (Surveillance, Epidemiology and End Results) и сравнив данные с национальной программой медицинского страхования в США Medicare, ensemble ML (алгоритмы случайных лесов, нейронных сетей и регрессии лассо) смогло прогнозировать стадию рака легких у пациентов в соответствии с МКБ-9 с чувствительностью 93%, специфичностью 92% и точностью 93%. Это превосходит стандартный статический подход с использованием дерева принятия решений, основанный только на клинических рекомендациях (чувствительность 53%, специфичность 89%, точность 72%) [10].
Обработка естественного языка (natural language processing — NLP) — это область ИИ, занимающаяся обработкой и пониманием человеческого языка с помощью компьютерных программ. Она включает распознавание речи, обработку текста, извлечение информации, анализ данных, генерацию текста и речи, а также машинный перевод. NLP находится на стыке дисциплин ИИ и лингвистики и позволяет компьютерам взаимодействовать с людьми на естественном языке. NLP имеет решающее значение для крупномасштабного анализа данных, таких как записи электронной медицинской карты, особенно описательной документации. Для достижения понимания языка на уровне человека успешные системы NLP должны выходить за рамки простого распознавания слов и включать в свой анализ семантику и синтаксис [11].
В ряде исследований NLP использовалась для анализа базы данных электронной медицинской карты в целях выявления нежелательных реакций и послеоперационных осложнений на основе медицинской документации [12]. Некоторые системы электронных медицинских карт также включают NLP для автоматизированного кодирования заявок с целью улучшения рабочего процесса [13].
C. Soguero-Ruiz и соавт. [14] использовали NLP для автоматической обработки электронной медицинской карты (в частности, протоколов операций и послеоперационных дневников) с целью выявления слов и фраз, которые прогнозируют несостоятельность швов анастомоза в колоректальной хирургии. В результаты прогнозов входила широко известная информация, такая как тип и сложность операции. Однако алгоритм также использовал и прогностический вес отдельных фраз, описывающих пациентов (например, раздраженность, усталость) в послеоперационном периоде, чтобы прогнозировать несостоятельность с чувствительностью 100% и специфичностью 72%. Способность алгоритмов к самокоррекции может повысить эффективность их прогнозов по мере роста баз данных, которые становятся более репрезентативными для популяции пациентов [8].
Искусственные нейронные сети (ИНС), являющиеся подразделом ML, основаны на биологических нервных системах и приобрели первостепенное значение во многих приложениях ИИ. ИНС состоят из нескольких слоев: входных, скрытых и выходных, каждый из которых содержит несколько точек, соединенных со всеми узлами в сети через различные связи, имеющие свой «вес», влияющий на силу передаваемого сигнала. Эта архитектура позволяет вести одновременную обработку данных и постоянно сравнивать их с результатами обработки на каждом из этапов. Сети глубокого обучения (deep learning — DL) — это нейронные сети, состоящие из множества уровней и способные распознавать более сложные и тонкие закономерности, чем простые одно- или двухслойные нейронные сети [15].
ИНС значительно превзошли традиционные подходы к прогнозированию риска развития осложнений [16]. R. Mofidi и соавт. [17] в 2007 г. опубликовали исследование, в котором ИНС превзошла оценочную шкалу APACHE II (система классификации острых функциональных и хронических изменений состояния здоровья II) в прогнозировании тяжести течения острого панкреатита через 6 ч после обращения пациента (чувствительность 89% и 80%, специфичность 96% и 85% соответственно). В исследовании A. Monsalve-Torra и соавт. [18] использование ИНС в сочетании с другими алгоритмами ML позволило прогнозировать госпитальную смертность после открытой пластики аневризмы брюшной аорты с чувствительностью 87%, специфичностью 96,1% и точностью 95,4% на основании таких клинических данных, как история болезни пациента, принимаемые лекарственные препараты, артериальное давление и продолжительность пребывания в стационаре.
Компьютерное зрение (computer vision — CV) — это область ИИ, связанная с анализом изображений и видео, использующая технологии ML. Для использования CV происходит сбор множества данных, которые позволяют выделить признаки и комбинации признаков для дальнейшей идентификации похожих объектов. Технологии CV широко используются в системе здравоохранения, например для помощи в установке диагноза в лучевой диагностике, при патолого-анатомическом исследовании, в хирургии с использованием средств визуализации или при виртуальной колоноскопии [19].
В 2017 г. M. Volkov и соавт. [20] доложили о работе, в которой в режиме реального времени проводится анализ лапароскопического видео с помощью CV. Алгоритм автоматически идентифицировал этапы рукавной гастропластики с точностью до 92,8% и отметил пропущенные или непредвиденные этапы. В интраоперационном видео высокой четкости продолжительностью 1 мин, по оценкам исследователей, содержится в 25 раз больше данных, чем при изображении, полученном при компьютерной томографии высокого разрешения [21]. Таким образом, подобное видео может содержать множество полезных данных, которые могут быть использованы для обучения ИИ. Применение подобных технологий для обработки огромных объемов хирургических данных с целью определения или прогнозирования осложнений в режиме реального времени сыграет существенную роль в разработке систем помощи в принятии клинических решений во время операции [8].
Применение ИИ в хирургии можно разделить на 4 раздела: предоперационное планирование, помощь во время операции, периоперационное ведение пациентов и хирургическая робототехника.
Предоперационное планирование фокусируется на требованиях точности, автоматизации, конфиденциальности и скорости подготовки пациента к операции. Однако существуют трудности, связанные с мультимодальным вводом данных, разнообразием пациентов, сложными симптомами и неинформативной диагностической информацией. К подразделам предоперационного планирования относятся классификация, выявление, сегментация и регистрация пациентов [5]. На основании анализа большого количества существующей информации ИИ разработаны системы помощи принятия врачебных решений (СППВР), которые учитывают индивидуальные особенности пациента [22]. Подобные системы ИИ повышают точность хирургических вмешательств и снижают риск неблагоприятных исходов. СППВР предоставляют рекомендации хирургу, которые основаны на фактических данных, не только улучшая клинический процесс, но и одновременно повышая квалификацию специалиста [23]. Например, в неотложной хирургии ИНС оказались эффективными для прогнозирования, диагностики и лечения таких заболеваний, как острый аппендицит, острый холецистит, острый панкреатит, желудочно-кишечное кровотечение и др. [22]. Y. Fei и соавт. [24] разработали ИНС для прогнозирования риска острого повреждения легких у пациентов с тяжелым острым панкреатитом. При тестировании ИНС показали чувствительность 87,5%, специфичность 83,3% и точность 84,4%. При прогнозировании острого повреждения легких ИНС продемонстрировали бóльшую точность (AUC=0,859±0,048), чем при логистической регрессии (AUC=0,701+0,041). Авторы также выделили 13 независимых переменных для прогнозирования острого повреждения легких, наиболее информативными из которых были степень панкреонекроза по данным компьютерной томографии, уровень лактатдегидрогеназы и насыщение крови оксигемоглобином.
Некоторые из СППВР являются общедоступными благодаря возможности загрузки на смартфон. Так, в США разработано приложение POTTER (Predictive OpTimal Trees in Emergency Surgery Risk), использующее алгоритмы ИИ [25]. Приложение направлено на использование в неотложной хирургии для прогнозирования рисков развития заболеваний, хирургических осложнений и смерти. При оценке точности прогнозов летальности показатель конкордации при использовании приложения выше (0,9162), чем при использовании таких шкал, как ASA (классификация Американского общества анестезиологов) (0,8743), ESS (шкала неотложной хирургии) (0,8910) и ACS (калькулятор хирургического риска) (0,8975). При оценке заболеваемости показатель также был самым высоким (0,8414).
В трансплантологии ИИ был использован для создания прогностических моделей, которые оценивают соответствие потенциальных доноров и реципиентов [26]. Эти модели учитывают такие факторы, как совместимость донора и реципиента, качество органа и медицинские характеристики реципиента. Системы ИИ помогают программам трансплантации принимать обоснованные решения и оптимизировать вероятность успешной трансплантации, в том числе учитывая факторы логистики и срочность [27].
К предоперационному планированию относится и формирование графика операций. В настоящее время в Германии разработана и проходит тестирование первая в мире система KIOM, использующая ИИ для эффективного планирования графика операций и его быстрой корректировки [28]. Оптимальный план операций не только освобождает персонал от дополнительных смен и сверхурочных, но и повышает качество лечения, поскольку у сотрудников появляется больше времени для ухода за пациентами. Оптимизация пропускной способности также положительно влияет на экономическое положение больницы, позволяя улучшить график работы персонала и занятость коек.
Интеграция алгоритмов ИИ в интраоперационную обработку и анализ изображений привела к существенному повышению качества и интерпретации хирургических изображений [23]. Передовые модели ML, в частности DL, продемонстрировали замечательные возможности в повышения контрастности и резкости изображения и выделения признаков, тем самым способствуя более четкой визуализации анатомических структур и патологических образований на экране монитора. Эти усовершенствования помогают хирургам принимать более обоснованные решения и выполнять точные манипуляции, что способствует улучшению результатов операций.
Сегментация изображений (процесс разделения цифрового изображения на несколько сегментов) с помощью ИИ позволяет с непревзойденной точностью определять критически важные структуры и интересующие области [29]. Возможности обработки изображений ИИ в режиме реального времени обеспечивают оперативный доступ к сегментам, что позволяет немедленно использовать их во время операции. Методы увеличения изображения, основанные на ИИ, предоставляют хирургам улучшенную визуализацию и дополнительную информацию, например определение безопасных границ резекции или подсвечивание зон высокого риска манипуляций [30].
Модели ML могут быть использованы для распознавания этапов операции, что является важным аспектом для эффективного внедрения ИИ, работающего в режиме реального времени, в хирургию [23]. Подобная технология описана для лапароскопических холецистэктомии, колэктомии и рукавной гастропластики [31—33]. При лапароскопической холецистэктомии ИИ способен не только определять этапы операции со средней точностью 89% (95% ДИ 87,1—90,6%), но и выводить на монитор дополнительную информацию, подсказывая места возможной травмы общего желчного протока, печеночной артерии, следующие действия хирурга и давая советы, например стоит ли устанавливать дренаж [34]. Развитие подобных технологий позволит сделать операции более безопасными для пациента, снижая количество хирургических ошибок, особенно в случаях нетипичной анатомии структур, одновременно повышая уровень подготовки хирургов.
Во время операции возможно применение дополненной и смешанной реальностей, которые подразумевают использование хирургом специальных гарнитур для вывода дополнительной информации. Такие данные, как показатели жизнедеятельности и гемодинамического состояния пациента, могут быть отображены в режиме реального времени в поле зрения хирурга, что может помочь ему оптимизировать методы операции и принимать тактические решения [35]. Для таких решений уже сейчас используются устройства, выпущенные для массового потребительского рынка. В 2021 г. опубликовано исследование, в котором гарнитура Microsoft HoloLens использовалась во время 25 ортопедических операций, предоставляя хирургам дополнительную трехмерную анатомическую информацию по каждому пациенту [36]. Авторы остались довольны технологией и докладывают о высоком потенциале ее развития. В мае 2024 г. гарнитура Apple Vision Pro в Индии была впервые использована хирургом во время бариатрической операции, предоставляя трехмерную визуализацию желудка пациента [37]. Ранее данная гарнитура использовалась для помощи операционной сестре во время нейрохирургической операции, она отслеживает ход вмешательства и рекомендует необходимые хирургу инструменты [38]. Использование подобных технологий, предоставляющих анатомически точную визуализацию, возможно не только непосредственно во время операций, но и при обучении и подготовке специалистов [39].
В последнее годы отмечено развитие новой специальности — «хирургическая робототехника» [23]. В ней установлены высокие стандарты безопасности, надежности, высокие требования к производительности систем в режиме реального времени. Разделы хирургической робототехники включают роботизированное восприятие, автономное определение локализации манипуляторов, системное моделирование и управление, а также взаимодействие человека и робота [5]. Опубликованы первые исследования, которые были направлены на выполнение машинами небольших навыков, свидетельствующие об успехах в данном направлении. B. Thananjeyan и соавт. [40] показали, что роботы с системами ИИ могут делать разрезы с предельной точностью и накладывать швы. В университете John Hopkins США был разработан автономный робот Smart Tissue Autonomous Robot (STAR), который оснащен алгоритмами, позволяющими ему не уступать и даже превосходить хирургов в выполнении кишечных анастомозов ex vivo и in vivo на моделях животных [41].
Использование таких технологий, как ML, DL, NLP и CV, не только существенно меняет традиционный подход к обследованию и планированию хирургических вмешательств, но и позволяет хирургу получать непосредственно во время операции дополнительную информацию, которая может помочь при принятии сложных интраоперационных решений и в конечном итоге улучшить результаты лечения.
Применение ИИ позволяет улучшить и периоперационное ведение больных. Системы ИИ способны проанализировать электронную медицинскую карту пациента, выявить такие факторы риска, как наличие сопутствующих заболеваний и полифармакотерапии, особенно у пациентов старше 65 лет. В исследовании F. Jónsdóttir и соавт. [42] установлено, что у хирургических пациентов с гиперполифармакотерапией (принимающих 10 лекарственных препаратов и более) и полифармакотерапией (принимающих от 5 до 9 лекарственных препаратов) в сравнении с группой без полифармакотерапии 30-дневная послеоперационная летальность выше (2,3% и 0,8% соответственно), как и часота более длительной госпитализации (11,3% и 6,3% соответственно), повторной госпитализации в течение 30 дней после операции (10,2% и 6,1% соответственно). D. McIsaac и соавт. [43] в результате анализа данных 266 499 пациентов в Канаде также подтвердили, что у пожилых пациентов, перенесших плановую операцию, не связанную с сердечно-сосудистыми заболеваниями, и принимавших более 5 лекарственных препаратов в течение 90 дней до операции, были более низкая послеоперационная выживаемость, повышенная частота развития осложнений и более высокий расход материальных ресурсов. Это исследование не зависело от наличия сопутствующих заболеваний, демографических данных, факторов хирургического риска и исходного риска смерти. Таким образом, наличие полифармакотерапии определяет пожилых хирургических пациентов в группу высокого риска. Это подчеркивает необходимость повышенного внимания к оптимизации использования лекарственных средств на протяжении всего периоперационного периода.
Опубликовано несколько исследований по применению СППВР на основе ИИ для выявления полифармакотерапии у пациентов с рекомендациями по уменьшению количества принимаемых ими лекарственных препаратов. T. Bakker и соавт. [44] разработали систему, которая предупреждает о нежелательных взаимодействиях лекарственных средств и о дублировании назначений. Благодаря этой системе количество назначаемых комбинаций лекарственных препаратов с высоким риском развития нежелательных реакций снизилось на 12% (95% ДИ 5—18%; p=0,0008) на 1000 введений. S. Akyon и соавт. [45] разработали веб-приложение, которое использует индивидуальный подход к лечению и оценивает пациента на основе его возраста, принимаемых лекарственных препаратов и наличия хронических заболеваний в соответствии с актуальными медицинскими рекомендациями и соответствующими статьями. При сравнении результатов работы приложения (на основе данных 296 пациентов) было выявлено, что точность определения потенциально неподходящих лекарственных препаратов в программе составила 75,3%, в то время как данный показатель варьировал от 19,5% до 63,5% при использовании различных международных клинических рекомендаций. В настоящее время на базе ФГБОУ ВО «РЭУ им. Г.В. Плеханова» создается СППВР для снижения рисков, связанных с полифармакотерапией, учитывающая множественные межлекарственные взаимодействия, что отличает ее от зарубежных аналогов, анализирующих попарные взаимодействия лекарственных препаратов [46]. Таким образом, применение систем ИИ может улучшить периоперационное ведение пациентов в хирургическом стационаре.
Системы ИИ могут найти применение как в обучении специалистов, так и в улучшении результатов клинических исследований [47]. Возможности ИИ в области классификации заболеваний по их клиническим признакам, анализа групп пациентов, обработки медицинских изображений и текстовых данных, а также их статистического анализа открывают новые перспективы для развития медицинских исследований и совершенствования методов лечения пациентов. [48]. С развитием в ближайшие годы ИИ появится возможность интегрировать и анализировать данные о пациентах для создания их «цифровых двойников», которые могут быть использованы в качестве виртуальных групп для тестирования безопасности и эффективности лечения [49]. Алгоритмы ML, особенно DL, продемонстрировали исключительную способность выявлять закономерности и корреляции в больших и сложных наборах данных, которые часто выходят за рамки возможностей человеческого анализа. После обучения эти алгоритмы ИИ могут генерировать прогнозы на основе новых данных. Результаты можно сравнить с известными значениями, полученными, например, в результате классической статической обработки материала, и в случае необходимости скорректировать модель ИИ [23].
Наряду со всеми преимуществами внедрение ИИ в здравоохранение сопряжено с рядом проблем [35]. К ним относится сбор материала, поскольку медицинские данные часто не структурированы, а доступ к ним ограничен. Возникает и этический вопрос конфиденциальности и безопасности данных пациентов. Результаты анализа ИИ ограничены типом и точностью имеющихся данных. Систематические искажения при сборе клинических данных могут повлиять на тип паттернов, которые распознает ИИ, или на прогнозы, которые он может давать. Наглядным примером недостатка ИИ является программное обеспечение для распознавания лиц, которое подвержено расовой дискриминации и может быть особенно опасным в пластической хирургии [50]. Это, как и ошибки в алгоритмах ИИ, могут привести к некорректным результатам, что недопустимо в системе здравоохранения. Важная проблема, связанная с алгоритмами ИИ, связана с их интерпретируемостью, поскольку такие методы, как ИНС и DL, основаны на принципе «черного ящика» [35]. В то время как автоматизированная природа ИНС позволяет обнаруживать закономерности, не выявленные людьми, ученые практически не способны оценить, как и почему такие закономерности были распознаны компьютером. Отсутствие убедительных доказательств и причинно-следственных связей позволяет усомниться в достоверности результата. Существуют также этические проблемы, связанные с ответственностью за принятые решения на основании работы ИИ [51].
Таким образом, искусственный интеллект активно внедряется в различные области хирургии во всем мире. Алгоритмы машинного обучения (ML) и глубокого обучения (DL), компьютерное зрение и достижения в области хирургической робототехники направлены на значительное улучшение результатов лечения пациентов. Искусственный интеллект не только расширяет существующие возможности, но и стимулирует развитие инноваций в хирургии и науке. Кроме того, использование искусственного интеллекта может снизить количество осложнений в периоперационном периоде. Растущая роль искусственного интеллекта проявляется в его применении для скрининга, диагностики, лечения и профилактики заболеваний. Однако необходимы дальнейшие исследования, чтобы обеспечить оптимальное и безопасное использование искусственного интеллекта. Это поможет преодолеть как технические, так и этические проблемы, связанные с применением этих технологий в медицине.
Участие авторов:
Концепция и дизайн исследования — Пантелеев В.И., Кригер А.Г., Шимановский Н.Л.
Сбор и обработка материала — Пантелеев В.И.
Написание текста — Пантелеев В.И., Кригер А.Г.
Редактирование — Кригер А.Г., Шимановский Н.Л.
Источник финансирования. Исследование выполнено при финансовой поддержке РНФ, проект №23-75-30012.
Funding. The study was carried out with the financial support of the Russian National Fund, project No. 23-75-30012.
Авторы заявляют об отсутствии конфликта интересов.
Литература / References:
Подтверждение e-mail
На test@yandex.ru отправлено письмо со ссылкой для подтверждения e-mail. Перейдите по ссылке из письма, чтобы завершить регистрацию на сайте.
Подтверждение e-mail
Мы используем файлы cооkies для улучшения работы сайта. Оставаясь на нашем сайте, вы соглашаетесь с условиями использования файлов cооkies. Чтобы ознакомиться с нашими Положениями о конфиденциальности и об использовании файлов cookie, нажмите здесь.
