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.
Дистанционный мониторинг хронической обструктивной болезни легких на основе речевых биомаркеров
Журнал: Профилактическая медицина. 2026;29(5): 73‑79
Прочитано: 181 раз
Как цитировать:
Хроническая обструктивная болезнь легких (ХОБЛ) характеризуется высокой заболеваемостью, смертностью и инвалидизирующими последствиями и поэтому является значимой проблемой здравоохранения [1]. Для людей в возрасте ≥40 лет оценка распространенности ХОБЛ составила примерно 12,64% (95% ДИ 10,75—14,65%) по критериям FEV1/FVC<0,7 [2].
Отмечено, что ХОБЛ характеризуется высокой частотой обострений и повторных госпитализаций, особенно в первые недели после выписки. Именно поэтому дистанционный мониторинг пациентов (Remote Patient Monitoring, RPM) становится важной стратегией вмешательства. Процесс RPM включает регулярное измерение таких физиологических параметров, как сатурация, частота дыхания и пульса, а также заполнение опросников оценки симптомов (CAT и mMRC) и передачу этих данных клинической команде в режиме реального времени. Многочисленные систематические обзоры показывают, что хорошо спроектированные RPM-программы могут способствовать снижению обращений за неотложной помощью и некоторому уменьшению случаев повторной госпитализации, особенно при наличии четкого алгоритма реакции на тревожные сигналы и оперативного медицинского вмешательства [3].
Показано, что с помощью дистанционного мониторинга физиологических параметров и симптомов у пациентов с ХОБЛ можно выявлять предвестники обострений, такие как снижение сатурации или учащение дыхания, за несколько дней до признаков тяжелого обострения и предотвратить его благодаря ранней коррекции терапии [4]. Поддержка после выписки, структурированная и регулярная (включая ежедневные телефонные контакты, план действий и др.), согласно данным систематического обзора [5], может снизить риск повторной госпитализации в течение 30 сут после выписки примерно на 1/3 (RR≈0,67). Более того, современные исследователи подчеркивают, что эффект, который приносит RPM, особенно выражен при наличии алгоритмов триажа и быстром оказании медицинской помощи в ответ на неблагоприятное изменение контролируемых параметров и тревожные сигналы [6].
Несмотря на успешность применения алгоритмов RPM, сохраняется необходимость оптимизации мониторинга в отношении изменений состояния дыхательной системы. Акустические параметры голоса как доступные биомаркеры являются перспективными кандидатами для дополнения традиционных параметров RPM.
Однако в работах, связанных с речевыми биомаркерами, отсутствуют результаты для русскоговорящих пациентов с ХОБЛ, записи проводились в специальных условиях с целью минимизации посторонних шумов, использовались специальные тесты, например длительное произношение гласных [7, 8]. Кроме того, в известных исследованиях широко применялись спектральные характеристики голоса, которые могут существенно меняться в зависимости от типа записывающего устройства, в частности от амплитудно-частотной характеристики микрофона [7].
Цель исследования — оценить изменения параметров речевого сигнала, записанного в естественных условиях в процессе лечения, которые могут быть положены в основу удаленного мониторинга больных с ХОБЛ и построения бинарного классификатора, различающего пациентов в периоды обострения и ремиссии.
Исследование проведено на базе 8 медицинских учреждений Самарской области: клиники ФГБОУ ВО СамГМУ Минздрава России, ГБУЗ «СОКБ им. В.Д. Середавина», ГБУЗ СО «СГБ №6», ГБУЗ СО «СГБ №4», ГБУЗ «СОККД им. В.П. Полякова», ГБУЗ СО «СОКГВВ им. О.Г. Яковлева», ГБУЗ СО ЧЦГБ, ГБУЗ СО «СГКП №15».
Исходными данными для анализа были записи голоса 114 пациентов с ХОБЛ в период обострения (группа 1) и 60 записей пациентов этой же группы после лечения и купирования обострения (группа 2). По итогам наблюдения 54 пациента выбыли из исследования по естественным причинам (смерть, ухудшение состояния, перевод в другие отделения/стационары для лечения коморбидных состояний, отказ от повторной регистрации речевого сигнала). Диагноз устанавливался лечащим врачом при поступлении пациента в стационар в соответствии с клиническими рекомендациями «Хроническая обструктивная болезнь легких» (2024)1. Группа пациентов с ХОБЛ включала 31 мужчину (средний возраст 64±3,62 года) и 29 женщин (средний возраст 68±4,24 года).
Критерии включения:
1. Возраст старше 18 лет обоих полов;
2. Подписанное информированное согласие на участие в исследовании и согласие на обработку персональных данных;
3. Госпитализация по поводу ХОБЛ.
Процедура информирования проводилась при очном контакте врача-исследователя с пациентом, по итогам которого последний подписывал письменное согласие.
Критерии невключения:
1. Вероятные альтернативные заболевания, которые могут имитировать симптомы ХОБЛ у пациента: хроническая сердечная недостаточность в периоде декомпенсации; первичная легочная гипертензия; тромбоэмболия легочной артерии;
2. Злокачественные новообразования, другие заболевания/отклонения или угрожающие жизни состояния, которые могут помешать участнику завершить исследование;
3. Злоупотребление алкоголем, наркотиками, выраженное психическое расстройство;
4. Беременность и лактация;
5. Отказ пациента подписать информированное добровольное согласие на участие в исследовании.
Критерии исключения:
1. Отказ от продолжения участия в исследовании;
2. Смерть;
3. Ухудшение состояния;
4. Обострение сопутствующего заболевания с показаниями к переводу в другое отделение/стационар.
Регистрация речевого сигнала проводилась дважды с помощью пользовательских устройств (смартфонов различных типов): в день госпитализации и в день выписки из стационара. Как в период обострения, так и после его купирования пациенты зачитывали один и тот же фонетически представительный текст. Исходными данными для статистического анализа послужили образцы голоса 60 пациентов, у которых зарегистрировали обе записи — при поступлении и выписке. Все файлы записаны в естественных условиях в формате wav. Частота дискретизации составила 48 кГц, средняя длительность записи — 60 с.
Для акустического анализа использовалась программа Praat v 6.4.35 [8], с помощью которой для двух групп пациентов вычислялись спектральные и временные признаки. Кроме того, дополнительно в Python v.3.11.4 с помощью библиотек нелинейного анализа временных рядов antropy и nolds рассчитывали параметры хаотичности и сложности частоты основного тона (ЧОТ).
В спектральной области рассчитаны следующие акустические параметры речи: значение частоты и ширины первых 4 формант (fn и bn, где n=1—4), среднее значение первых 13 мел-частотных кепстральных коэффициентов (mfcc_n_mean, где n=1—13). Во временной области определены среднее, медиана и среднеквадратичное отклонение ЧОТ (Pitch_mean, Pitch_median, Pitch_std, Гц), средний абсолютный наклон ЧОТ (Mean_abs_slope), локальные джиттер и шиммер (Jitter_local, Shimmer_local, %), отношение гармоники/шум (HNR, дБ), а также параметрические и непараметрические коэффициенты эксцесса (kurtosis, moors_kurtosis) и коэффициенты асимметрии (skewness, bowley_skew) ЧОТ. Для оценки хаотичности и сложности ЧОТ рассчитаны показатели энтропии (SampleEntropy, ApproxEntropy, PermutationEntropy, SpectralEntropy, SVD_Entropy), фрактальные размерности (PetrosianFD, KatzFD, HiguchiFD), мобильность и сложность Хьорта (Hjorth_Mobility, Hjorth_Complexity), показатель Херста (DFA), сложность Колмогорова по алгоритму Лемпеля—Зива (LZIV).
Статистическая обработка полученных данных проведена в Python v.3.11.4 с использованием библиотеки scipy.stats. На первом этапе по критериям Колмогорова—Смирнова и Шапиро—Уилка проверяли соответствие распределения параметров нормальному закону. Установлено, что условие нормальности выполняется не всегда. С учетом этого вычислены медианы для параметров речи и определены доверительные интервалы по перцентилям [2,5; 97,5] методом бутстрэп. Для тестирования гипотез о различии групп 1 и 2 использовали тест Стьюдента в случае нормальности распределений и тест Вилкоксона в противном случае. Уровень значимости для проверки гипотез принимали равным 0,05.
Для исследования возможности классификации выполнена аугментация посредством случайного деления исходных записей на 10 фрагментов длительностью 20 с. Классификация проводилась на четырех наборах входных признаков — исходных спектральных, временных, нелинейных параметрах и объединенном наборе. Отбор оптимального количества признаков выполнен тремя способами (permutation importance, Shapley values, RFECV) для пяти классификаторов (LogisticRegression, RandomForest, SVM_RBF, MLP, XGBoost).
Спектральные, временные параметры и параметры хаотичности и сложности ЧОТ приведены в табл. 1—3 соответственно.
Таблица 1. Спектральные параметры речи
| Показатель | Группа 1 | Группа 2 | p |
| f1, Гц | 992,7 [959—1034] | 937,9 [902,7—963,2] | 0,004* |
| b1, Гц | 721,9 [709—750] | 664,1 [626,3—682,4] | 0,001* |
| f2, Гц | 2474 [2445—2495] | 2444,7 [2405—2488,5] | 0,22 |
| b2, Гц | 824,8 [799,1—844,4] | 796 [768,3—813,7] | 0,14 |
| f3, Гц | 3823,1 [3776,5—3884,6] | 3783 [3744—3807] | 0,043* |
| b3, Гц | 869,4 [850,3—891,2] | 833 [812—871] | 0,044* |
| f4, Гц | 4752,6 [4715,7—4773,9] | 4694 [4654—4743] | 0,084 |
| b4, Гц | 920,7 [882,6—941,9] | 929 [894—967] | 0,16 |
| mfcc_01_mean | 136,9 [116—152] | 165,6 [158,4—183,5] | 0,002* |
| mfcc_02_mean | 78,2 [65,1—84,4] | 58,3 [47,8—68,1] | 0,016* |
| mfcc_03_mean | 79,8 [74,5—85,5] | 89,6 [84,2—95,9] | 0,002* |
| mfcc_04_mean | 5,67 [2,14—9,9] | 2,49 [–3,03—9,75] | 0,18 |
| mfcc_05_mean | 54,51 [51,9—55,7] | 54,2 [42,9—58,2] | 0,92 |
| mfcc_06_mean | –19,3 [–23,5— –14,8] | –25,2 [–30,9— –19,7] | 0,076 |
| mfcc_07_mean | 13,7 [8,1—17,9] | 5,5 [–1,1—7,6] | 0,002* |
| mfcc_08_mean | –21,8 [–24,7— –18,8] | –16,3 [–19,1— –12,3] | 0,003* |
| mfcc_09_mean | 7,57 [5,51—10] | –4,38 [–8,33—0,12] | 0,001* |
| mfcc_10_mean | –12,33 [–14,5— –9,23] | –12,08 [–15,4— –10,4] | 0,92 |
| mfcc_11_mean | 9,48 [6,16—11,18] | 3,4 [0,48—6,64] | 0,004* |
| mfcc_12_mean | –7,75 [–9,7— –6,4] | –5,35 [–7,4— –1,7] | 0,002* |
| mfcc_13_mean | 5,19 [3,15—7,39] | 5,38 [2,9— 8,7] | 0,49 |
Примечание. Здесь и в табл. 2, 3: * — p<0,05.
Таблица 2. Временные параметры речи
| Показатель | Группа 1 | Группа 2 | p |
| Pitch_mean, Гц | 116,8 [111,5—122,2] | 113,4 [106—120,79] | 0,27 |
| Pitch_median, Гц | 111,6 [106—117,3] | 109,1 [101,24—116,98] | 0,29 |
| Jitter local, % | 3,14 [2,89—3,39] | 3,04 [2,83—3,25] | 0,37 |
| Shimmer_local, % | 12 [11,4—12,6] | 11,59 [10,9—12,28] | 0,74 |
| HNR, дБ | 15,22 [14,46—15,96] | 15,38 [14,45—16,32] | 0,89 |
| Pitch_std, Гц | 22 [18,97—25,04] | 21,12 [18,56—23,67] | 0,85 |
| Skewness | 1,88 [1,49—2,26] | 2,08 [1,44—2,71] | 0,41 |
| Kurtosis | 6,61 [2,31—10,92] | 10,26 [3,45—17,1] | 0,57 |
| Bowley_skew | 0,09 [0,06—0,12] | 0,15 [0,11—0,19] | 0,056 |
| Moors_kurtosis | 2,3 [2,02—2,58] | 2,39 [2,29—2,5] | 0,024* |
| Mean_abs_slope | 3,92 [3,34—4,5] | 3,5 [3,05—3,95] | 0,21 |
Таблица 3. Параметры хаотичности и сложности частоты основного тона
| Показатель | Группа 1 | Группа 2 | p |
| SampleEntropy | 0,486 [0,465—0,524] | 0,453 [0,413—0,478] | 0,038* |
| ApproxEntropy | 0,728 [0,699—0,768] | 0,7 [0,65—0,73] | 0,09 |
| PermutationEntropy | 0,855 [0,843—0,864] | 0,855 [0,839—0,867] | 0,99 |
| SpectralEntropy | 0,722 [0,703—0,738] | 0,685 [0,67—0,712] | 0,037* |
| SVD_Entropy | 0,534 [0,504—0,559] | 0,531 [0,493—0,565] | 0,97 |
| Hjorth_Mobility | 0,501 [0,496—0,549] | 0,464 [0,449—0,505] | 0,029* |
| Hjorth_Complexity | 2,91 [2,77—3,07] | 3,06 [2,94—3,35] | 0,088 |
| PetrosianFD | 1,015 [1,014—1,016] | 1,014 [1,014—1,015] | 0,6 |
| KatzFD | 2,2 [2,18—2,31] | 2,2 [2,13—2,29] | 0,69 |
| HiguchiFD | 1,43 [1,415—1,448] | 1,41 [1,39—1,43] | 0,16 |
| DFA | 1 [0,98—1,02] | 1,02 [1—1,05] | 0,07 |
| LZIV | 0,92 [0,898—0,926] | 0,91 [0,89—0,93] | 0,92 |
Результаты анализа в частотной области показывают, что наблюдаются значимое уменьшение частоты и ширины полосы первой и третьей формант, а также значимые изменения восьми мел-частотных кепстральных коэффициентов. Во временной области значимо изменялся только непараметрический коэффициент эксцесса. Среди параметров хаотичности и сложности группа 1 и группа 2 статистически значимо различаются по выборочной, спектральной энтропиям и мобильности Хьорта. Диаграммы размаха для двух энтропий приведены на рис. 1 на цв. вклейке.
Рис. 1. Диаграммы размаха для выборочной и спектральной энтропии.
При проведении бинарной классификации лучшие результаты получены при использовании в качестве признаков мел-частотных кепстральных коэффициентов (табл. 4).
Таблица 4. Метрики классификаторов при использовании девяти мел-частотных кепстральных коэффициентов
| Классификатор | Точность | Полнота | F1-мера |
| LogisticRegression | 0,71 | 0,74 | 0,72 |
| RandomForest | 0,65 | 0,63 | 0,64 |
| SVM_RBF | 0,61 | 0,65 | 0,63 |
| MLP | 0,63 | 0,62 | 0,62 |
| XGBoost | 0,58 | 0,58 | 0,58 |
На рис. 2 на цв. вклейке приведены ROC-кривые для исследованных классификаторов.
Рис. 2. ROC-кривые для пяти классификаторов по девяти мел-частотным кепстральным коэффициентам.
В настоящее время опубликовано небольшое количество работ, посвященных исследованию речевых биомаркеров у пациентов с ХОБЛ. Однако в целом они демонстрируют эффективность данного подхода для скрининга, диагностики и динамического наблюдения за этой категорией больных.
Так, недавнее исследование показало, что спектральные особенности голоса могут отличать пациентов с ХОБЛ от сопоставимых по возрасту и полу людей без ХОБЛ, что говорит о возможности использования голосового анализа в качестве маркера обструкции и дыхательной нагрузки [9]. Проведены записи длительного звука «а» у 30 пациентов с ХОБЛ и 38 людей без ХОБЛ. Записи проводились в контролируемых условиях для минимизации шумов. Из аудиозаписей выделены более ста параметров, которые далее использовались для трех алгоритмов машинного обучения. Максимальная точность бинарной классификации достигла 78%.
Исследованы записи 48 пациентов с различной степенью тяжести ХОБЛ и 48 здоровых участников. Все участники выполняли три речевых задания: произнесение длительных гласных, чтение текста, кашель. Акустические признаки извлекались с помощью пакета openSMILE. Всего извлекались 88 признаков, которые далее использовались для обучения четырех бинарных классификаторов. Максимальная точность составила 67% при использовании логистической регрессии [10].
В одном из обзоров подчеркнут растущий интерес к аудиобиомаркерам респираторных заболеваний, обсуждаются методы, которые могли бы быть интегрированы в RPM-платформы для прогнозирования обострений и оценки тяжести заболевания. Идея внедрения голосового мониторинга в программы RPM особенно привлекательна, потому что он может повышать чувствительность системы к ранним признакам ухудшения, без использования специализированной аппаратуры и без дополнительного усилия со стороны пациента, а также легко интегрироваться в уже существующую инфраструктуру удаленного наблюдения [11]. Таким образом, добавление голосовых параметров в RPM может улучшить определение состояния пациентов с ХОБЛ, усилить контроль эффективности терапии и повысить адаптивность системы реагирования.
В нашем исследовании после лечения у пациентов с ХОБЛ отмечается статистически значимое изменение некоторых показателей для всех типов параметров речи — временных, спектральных, хаотичности и сложности. Наибольшее количество достоверных изменений относится к спектральным параметрам, наименьшее — к временным параметрам. Несмотря на снижение уровня Pitch_mean, Jitter local, Shimmer_local после лечения, значимые различия между группами не установлены, в отличие от результатов, приведенных в [12—14]. Это можно объяснить разным дизайном исследований, в частности неконтролируемыми условиями записи. С другой стороны, параметры, характеризующие сложность и хаотичность речи, такие как SampleEntropy, SpectralEntropy, Hjorth_Mobility, значимо различаются, что согласуется с увеличением энтропии голоса у людей с патологией [15, 16].
Анализ формант показал значительные различия между состояниями до и после лечения у пациентов с ХОБЛ. Первая форманта (f1) и ее ширина полосы (b1) были значительно ниже после лечения по сравнению с исходным состоянием (p=0,004 и p=0,001 соответственно), что может свидетельствовать о снижении напряжения голосового аппарата и изменении резонансной характеристики гласных. Третья форманта (f3) и ее ширина полосы (b3) также показали умеренное, но статистически значимое снижение (p≈0,043—0,044), указывая на улучшение контроля над среднечастотными резонаторами. Не показаны статистически значимые изменения вторых и четвертых формант, что свидетельствует о сохранении высокочастотных характеристик голоса.
Анализ мел-частотных кепстральных коэффициентов (MFCC) подтверждает наличие изменений тембра после лечения. Значимые различия выявлены для mfcc_01, mfcc_02, mfcc_03, mfcc_07, mfcc_08, mfcc_09, mfcc_11 и mfcc_12 (p<0,05). Эти изменения отражают перераспределение спектральной энергии в низких и средневысоких частотах, что может проявляться в менее напряженном звучании голоса после лечения. Некоторые коэффициенты (mfcc_04, mfcc_05, mfcc_06, mfcc_10, mfcc_13) остались стабильными, что указывает на неизменность определенных спектральных областей.
В целом результаты указывают на улучшение тембра голоса у пациентов с ХОБЛ после лечения и согласуются с данными предыдущих работ [17, 18]. Снижение низкочастотных формант и изменения MFCC свидетельствуют о более гармоничном распределении спектральной энергии, повышении мягкости и тембровой стабильности голоса. Эти данные подтверждают чувствительность анализа формант и MFCC для оценки функциональных изменений голосового тракта у пациентов с респираторной патологией, что может быть полезно для мониторинга состояния и оценки эффективности терапии.
При ХОБЛ формируется комплекс взаимосвязанных физиологически и анатомически механизмов — нарушение дыхательной функции и, следовательно, снижение дыхательной опоры, изменение дыхательных паттернов, воспалительные и структурные изменения в гортани, утомление дыхательной и голосовой систем, гиперинфляция легких [12, 19, 20]. Все это находит отражение в изменениях параметров речи, что может быть использовано для дистанционного наблюдения за пациентами. Основными преимуществами такого подхода являются доступность, оперативность, возможность непрерывного мониторинга и ранней диагностики, низкая стоимость. Кроме того, ежедневный анализ речи пациента, например при разговорах по смартфону, дает возможность построения персонального динамического профиля и учета особенностей конкретного человека.
Остается открытым вопрос о необходимости и способе предобработки записей голоса. По результатам ряда проведенных ранее исследований для статистик лучшие результаты получились на исходных записях, а для джиттера и шиммера — на записях с выделенными вокализированными звуками и удаленными паузами.
Для решения вопроса о скрининге, диагностике и дистанционном мониторинге ХОБЛ и решения вопроса об организации углубленного обследования необходимо выполнение исследований, демонстрирующих изменения параметров речевого сигнала у пациентов с ХОБЛ в периоды обострения, ремиссии и сравнение их с показателями здоровых людей, а также многоцентровая валидация полученных биомаркеров.
Тем не менее, учитывая потенциальные преимущества мониторинга пациентов с ХОБЛ по параметрам голоса (неинвазивность, доступность, оперативность, возможность непрерывного мониторинга и ранней диагностики), представляется перспективным проведение работ в этом направлении.
Наибольшую чувствительность к эффекту лечения у пациентов с хронической обструктивной болезнью легких проявляют параметры акустического анализа голоса, характеризующие спектральную структуру сигнала, а именно параметры формант и мел-частотные кепстральные коэффициенты. Достоверно меняются параметры хаотичности частоты основного тона. Наблюдение за этими изменениями может быть положено в основу для удаленного наблюдения за состоянием больных после выписки из стационара. Дополнительно возможно построение классификатора, оценивающего вероятность ухудшения состояния пациента.
Преимуществами мониторинга на основе биомаркеров речи являются отсутствие необходимости использования специализированного оборудования, квалифицированных специалистов, возможность мониторинга в условиях ограниченности медицинской помощи в удаленных населенных пунктах, использование дополнительных объективных критериев, помимо субъективных ощущений пациента. Кроме того, полученные данные о динамике характеристик голоса во время лечения дают возможность определить наиболее подходящий набор признакового пространства для конкретного человека, персонализировать подход к наблюдению, что позволит повысить эффективность мониторинга.
Учитывая значительное и статистически значимое изменение параметров акустического сигнала: увеличение mfcc_01_mean, уменьшение mfcc_02_mean, изменение других мел-частотных кепстральных коэффициентов, параметров первой и третьей формант, снижение SampleEntropy, SpectralEntropy, Hjorth_Mobility в группах пациентов с хронической обструктивной болезнью легких в процессе лечения, в перспективе можно рассматривать указанные голосовые биомаркеры как инструмент контроля эффективности терапии.
Вклад авторов: концепция и дизайн исследования — Гаранин А.А., Колсанов А.В.; акустический и спектральный анализ голоса — Конюхов В.Н.; сбор и обработка материала — Измалков Н.С., Пушкин С.Ю., Шамсудинов Р.Ш., Кузнецов Д.В., Юрицин Н.С., Каширин А.К., Дзюбайло А.В.; статистический анализ данных — Конюхов В.Н.; написание текста — Гаранин А.А.; научное редактирование, утверждение рукописи — Колсанов А.В.
Авторы заявляют об отсутствии конфликта интересов.
Authors contribution: study design and concept — Garanin A.A., Kolsanov A.V.; acoustic and spectral analysis of voice — Konyukhov V.N.; data collection and processing — Izmalkov N.S., Pushkin S.Y., Shamsudinov R.S., Kuznetsov D.V., Yuritsin N.S., Kashirin A.K., Dzyubailo A.V.; statistical analysis — Konyukhov V.N.; text writing — Garanin A.A.; scientific editing, manuscript approval — Kolsanov A.V.
1 Клинические рекомендации. Хроническая обструктивная болезнь легких. 2024. Одобрено Научно-практическим Советом Министерства здравоохранения Российской Федерации. Ссылка активна на 10.03.26. https://diseases.medelement.com/disease/2024/18404
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.
