УДК 616-053.2

 Е.А. БАЛАШОВА, Л.И. МАЗУР

Самарский государственный медицинский университет МЗ РФ, г. Самара

 Контактная информация:

Балашова Елена Анатольевна — кандидат медицинских наук, доцент кафедры госпитальной педиатрии

Адрес: 443099, Россия, г. Самара, ул. Чапаевская, д. 89, тел.: +7 (846) 207-31-04, e—mail:mine22@yandex.ru

При проведении динамического наблюдения детей в амбулаторно-поликлинических условиях важнейшую роль играют унифицированные методы клинического обследования и оценки состояния здоровья. Помощь в систематизации имеющихся знаний врачу могут оказать электронные системы помощи принятия решения (СППР).

Недостатками СППР являются затраты на разработку, внедрение и поддержание, обеспечение безопасности персональных данных и сложности в обучении персонала, а также необходимость дублирования информации и нарушение работы при сбое системы. С другой стороны, внедрение СППР повышает полноту осмотра и опроса пациента, стимулирует пациента к активному диалогу.

На наш взгляд, СППР наиболее эффективны, когда их действие направлено на приведение тактики врача в соответствие с клиническими рекомендациями. Совместно с Самарским государственным экономическим университетом разработана СППР, предназначенная для ведения детей первого года жизни. На основании данных семейного и акушерского анамнеза, результатов объективного обследования определяется, входит ли ребенок в группы направленного риска, и есть ли необходимость коррекции программы наблюдения участковым педиатром на первом году жизни. Программа позволяет динамически отслеживать уровень физического и нервно-психического развития, создавать календарь профилактических прививок с опцией медицинского отвода, встроенными формами оформления отказа от вакцинаций и календарь осмотров педиатром, узкими специалистами, лабораторных и инструментальных исследований.

Ключевые слова: системы помощи принятия решения, дети, поликлиника.

 (Для цитирования: Балашова Е.А., Мазур Л.И. Системы помощи при принятии решений в амбулаторной педиатрической практике. Практическая медицина. 2019. Том 17, № 5, С. 185-190) DOI: 10.32000/2072-1757-2019-5-185-190

 

E.A. BALASHOVA, L.I. MAZUR

Samara State Medical University, Samara

 Clinical Decision Support Systems in outpatient pediatric practice

Contact details:

Balashova E.A. — Ph. D. (medicine), Associate Professor of the Hospital Pediatrics Department

Address: 89 Chapaevskaya St., Samara, Russian Federation, 443099, tel.: +7 (846) 207-31-04; e-mail: mine22@yandex.ru

When conducting dynamic monitoring of children in outpatient settings, the unified methods of clinical examination and health assessment play an important role. Electronic Clinical Decision Support Systems (DSS) can assist a physician in systematization of patient’s medical information.

The disadvantages of DSS are the costs of development, implementation and maintenance, providing personal data security and difficulties in personnel training, as well as the need for duplication of information and disruption of work when a system fails. On the other hand, the introduction of DSS increases the examination and history completeness and stimulates a patient for an active dialogue.

In our opinion, DSS are most effective when aimed at bringing the doctor’s tactics in line with clinical guidelines. In collaboration with Samara State University of Economics, we developed a DSS for outpatient pediatric setting. Based on the family and obstetric history and examination results, DSS determines risk groups and whether there is a need to correct the observation program in the first year of life. The program dynamically tracks physical, motor and cognitive development, creates a vaccination calendar and a calendar of check-ups by a pediatrician, specialists, laboratory and instrumental tests.

Key words: decision-making support systems, children, outpatient setting.

 (For citation: Balashova E.A, Mazur L.I. Clinical Decision Support Systems in outpatient pediatric practice. Practical Medicine. 2019. Vol. 17, № 5, P. 185-190)

 

 Ведущим звеном в системе оказания медицинской помощи детям является детская поликлиника, которая выполняет основной объем профилактической и лечебно-диагностической помощи детям и определяет выполнение принципа непрерывности и преемственности медицинской помощи.

При проведении динамического наблюдения детей в амбулаторно-поликлинических условиях важнейшую роль играют унифицированные методы клинического обследования и оценки состояния здоровья. Они позволяют обеспечить универсальный подход к прогнозированию и выявлению отклонений в состоянии здоровья и развитии детей, тактике проведения профилактических и лечебных реабилитационных мероприятий, определению уровня социальной адаптированности детей.

При обследовании детей участковый педиатр должен оценить следующие факторы, влияющие на здоровье: отклонения в раннем онтогенезе ребенка, генеалогическом и социальном анамнезе, уровень физического развития и степень его гармоничности, уровень нервно-психического развития и степень его гармоничности, степень резистентности, уровень функционального состояния, наличие или отсутствие хронических заболеваний, врожденных пороков развития, функциональных или морфофункциональных отклонений в состоянии здоровья.

Таким образом, участковому педиатру при каждом активном обращении ребенка за медицинской помощью или в процессе диспансерного наблюдения приходится учитывать большой объем данных. Временные ограничения в сочетании с постоянно изменяющимися стандартами оказания медицинской помощи могут приводить к врачебным ошибкам и задержке в принятии решения.

При анализе причин врачебных ошибок C. Castaneda и соавт. обнаружили, что в 78,9% случаев диагностические ошибки возникают из-за нарушения стандартной процедуры обследования: отсутствие назначения необходимых диагностических исследований, неполно собранная история болезни, неадекватный осмотр, неадекватный анализ имеющейся медицинской документации [1]. Необходимость работы с массивным объемом информации в свою очередь может потенциально привести к врачебной ошибке: сегодня в мире насчитывается более 10 000 заболеваний, свыше 3000 лекарственных препаратов, 1000 лабораторных исследований. К сожалению, до 74% всех врачебных ошибок связано с когнитивной ошибкой лечащего врача [1].

Помощь в систематизации имеющихся знаний врачу могут оказать электронные системы помощи принятия решения (СППР). Основная их задача — оперативное и обоснованное принятие решения, в правильности которого врач был бы уверен [1, 2] и в конечном итоге — улучшение исходов заболевания для пациента [3]. Особенно привлекательными СППР являются в условиях ограничения времени, а также полноты и достоверности имеющихся клинических данных [4].

В настоящее время существует достаточно большое число СППР: IndiGO (прогноз сердечного приступа, диабетического криза), AutonomyHealthcare (возможные диагнозы на основе анализа истории болезни и симптомов), DXplain (возможные диагнозы) [1], ONCOCIN и Kasimir (помощь в лечении онкологических заболеваний), LISA (помощь при лечении острого лейкоза у детей) [5]. Согласно данным национального центра статистики, в здравоохранении использование СППР врачами общей практики увеличилось с 42 до 78,4%, использование СППР в стационаре в 2012 г. увеличилось по сравнению с данными 2010 г. в три раза до 44% [3].

Основными препятствиями для успешного внедрения СППР являются затраты на их разработку, внедрение и поддержание, вопрос обеспечения безопасности персональных данных и сложности в обучении персонала [3].

Объективные недостатки существуют и у самих СППР. К ним традиционно относят невозможность оперативного внесения изменений в существующую систему, например при изменении клинических рекомендаций, отсутствие интеграции СППР в другие медицинские системы, используемые в медицинской практике [5], отсутствие оценки достоверности принятого решения, потерю данных при переводе данных из абсолютных величин в балльную, которая обычно применяется при построении моделей риска [6], возможность применения каждой разработанной СППР в достаточно узкой области и резкое снижение эффективности системы при ее использовании в пограничных областях [7]. Основная проблема в использовании СППР, на наш взгляд, заключается в обеспечении приверженности врача к ее применению, качественном заполнении необходимой информации, так как для СППР абсолютно верен принцип: мусор на входе = мусор на выходе.

Другие негативные эффекты СППР заключаются в необходимости дублирования информации, если не осуществлена ее интеграция в имеющиеся электронные базы, отсутствие у врача и среднего медперсонала необходимого навыка для работы с электронными системами и нарушение работы при сбое системы [3]. Кроме того, чем функциональнее система, тем более сложна и менее применима в практической деятельности [6].

В то же время имеющиеся исследования показывают, что потенциальные преимущества от использования СППР перевешивают их недостатки. Так, обнаружено, что внедрение СППР приводит к оптимизации организации процедур диагностики и/или лечения [3]. СППР положительно влияют на повышение полноты осмотра и опроса пациента, стимулируют пациента к активному диалогу и вопросам [3]. Так, например, исследование внедрения системы CHICA (Child Health Improvemen through Computer Automation) показало повышение частоты скрининга детей, имеющих факторы риска, на аутизм с использованием валидированных инструментов в общей педиатрической практике [8]. С другой стороны, исследование K.G. Shojania и соавт. показало улучшение приверженности врачей к назначению диагностических тестов в соответствии с клиническими рекомендациями на скромные 3,8% [9]. В целом, по результатам мета-анализа P.S. Roshanov и соавт. из 33 клинических исследований, включенных в анализ, 56% показали влияние применения СППР на диагностическую тактику, 35% — повышение проведения мониторинга различных показателей при хронических заболеваниях, 65% — мониторинга побочных эффектов при проведении терапии [10].

Как уже было сказано выше, наибольшую ценность СППР представляют в условиях ограниченных временных ресурсов — при оказании скорой и неотложной помощи. В связи с этим интересны результаты многоцентрового рандомизированного исследования применения СППР при оказании неотложной помощи детям с лихорадкой [11]. В педиатрической практике лихорадка, вероятно, является одной самых частых причин обращения детей за медицинской помощью. Основной проблемой при этом является дифференциальный диагноз банальной вирусной инфекции от небольшого процента тяжелых бактериальных инфекций, требующих более агрессивной терапии. Авторы исследования на основании имеющихся в литературе данных о предикторах бактериальной инфекции у детей с лихорадкой разработали электронный калькулятор для применения в условиях отделения неотложной помощи. Использование предложенной модели позволило с высокой вероятностью исключить или подтвердить наличие пневмонии и других тяжелых бактериальных инфекций у детей с лихорадкой [11]. По мнению авторов, основной ценностью предложенного электронного калькулятора является определение тактики ведения пациента в «серых зонах» — когда наиболее высока неуверенность в диагнозе. Последующий анализ показал, что внедрение модели не позволило значимо повысить частоту правильных диагнозов, однако произошел переход к более стандартизированному подходу в ведении детей с лихорадкой. Повысилось соответствие назначаемых диагностических тестов существующим клиническим рекомендациям: снизилась частота назначаемых общих анализов крови (с 22 до 14%, p < 0,05) и повысилась частота назначения необходимых экспресс-анализов мочи с использованием тест-полосок (с 61 до 71%, p < 0,05) [12].

Преимущественное влияние СППР на вторичные исходы и отсутствие влияния на основные исходы заболевания достаточно широко обсуждается в литературе [3]. Мета-анализ 148 рандомизированных исследований применения СППР показал влияние на клинические исходы только в 20% случаев [13]. Среди исследований, получивших влияние на исходы, улучшение получено в отношении частоты госпитализаций, постоперационных инфекций, сердечно-сосудистых событий и тромбоза глубоких вен. В то же время незначительный эффект наблюдался в отношении смертности и частоты фармакологических побочных эффектов [13]. Полученные результаты говорят о необходимости совершенствования имеющихся СППР до той степени, когда информация, предоставляемая ими, будет иметь клиническое значение. С другой стороны, интересное предположение по поводу отсутствия позитивной динамики исходов высказано в статье E. deVos-Kerkhof и соавт.: интуитивное принятие решения врачом также хорошо, или даже лучше, чем предиктивные возможности модели. Данная особенность, возможно, связана с тем, что клинические испытания СППР обычно проводят в условиях крупных высокоспециализированных клиник, где работают специалисты крайне высокой квалификации. Соответственно, при применении СППР в общей практике, возможно, будут получены другие результаты [12].

Так как само создание, внедрение и поддержание СППР приведет к повышению затрат, важным аспектом применения СППР является влияние на стоимость обследования и лечения. Систематический анализ C.L. Fillmore и соавт. показал, что только 1,3% всех доступных клинических исследований оценивали внедрение СППР с позиций фармакоэкономики [14]. Еще 12,8% исследований учитывали прямые затраты на лечение и диагностику. Из них в половине случаев обнаружено статистически и клинически значимое улучшение затрат. Несмотря на это, необходимо отметить, что большинство исследований (87,1%) оценивали влияние СППР на затраты только по косвенным показателям (частота нежелательных явлений, продолжительность госпитализации, использование ресурсов, затраты пациентов), что не позволяет реально оценить влияние СППР на снижение / рост затрат на лечение пациента.

Еще одно интересное преимущество использования СППР приведено в статье I. Sim и соавт. [15]. В современных условиях пациенты имеют практически неограниченный доступ к медицинской информации различного качества. В результате пациент меньше зависит от своего лечащего врача в получении информации, однако повышается вероятность ее искажения, превратного понимания и снижения уверенности пациента в лечащем враче и его решениях. Использование интерактивных СППР, которые предоставляют информацию в доступной форме пациенту, позволит показать причины принятия врачом того или иного решения, что повысит доверие пациента, и, соответственно, комплаенс.

В целом, на наш взгляд, СППР наиболее эффективны в тех случаях, когда их действие направлено на приведение тактики врача в соответствие с существующими клиническими рекомендациями. Это хорошо показано в исследовании D.P. Peiris и соавт. по применению СППР врачами общей практики в определении групп риска по развитию сердечно-сосудистых событий [16]. Валидность использования разработанной СППР проверялась слепым определением риска развития сердечно-сосудистых событий специалистом на основании существующих клинических рекомендаций. Согласие между специалистом и СППР по необходимости начала терапии антиагрегантами и статинами составила 100%, по целевым значениям уже проводимой терапии статинами и гипотензивными препаратами — 100%, по началу терапии гипотензивными препаратами — 97%. То есть СППР не давала каких-либо принципиально новых сведений, однако избавляла врача общей практики от перебора вручную всех действующих клинических рекомендаций и определения значимых факторов риска. Интересно мнение врачей по использованию предложенной СППР. Многие из них в интервью отмечали, что применение СППР позволяет систематизировать имеющуюся информацию о пациенте, улучшает коммуникацию между врачом и пациентом о факторах риска, так как дает наглядную картину степени риска.

В связи с вышеизложенным, мы провели исследование по возможности создания и внедрения в амбулаторную педиатрическую практику СППР, отличной от стандартной электронной истории болезни и отвечающей потребностям участкового педиатра. Основой для программы стал приказ МЗ РФ № 1346 от 21.12.2012. В дальнейшем в программу внесены коррективы в соответствии с приказом МЗ РФ № 514н от 10.08.2017. Реализация технической части проведена в рамках программы развития информационных технологий в СамГМУ [17] совместно с Самарским государственным экономическим университетом (В.В. Борисов). Разработанная программа помощи принятия решения предназначена для динамического наблюдения детей первого года жизни и состоит из трех блоков (свидетельство о государственной регистрации программы для ЭВМ № 2017661754 от 19.10.2017). Первый блок является аналогом первого патронажа: заполняются основные сведения о пациенте и о составе семьи, включая данные о состоянии здоровья родителей и ближайших родственников, особенностях течения беременности и родов. В этот блок также входят данные объективного обследования педиатром по всем органам и системам. Программой рассчитывается степень отягощенности семейного анамнеза, выделяются факторы риска, на основании полученных данных определяется, входит ли ребенок в одну из групп направленного риска новорожденных и есть ли необходимость коррекции программы наблюдения участковым педиатром на первом году жизни.

Рисунок 1. Электронная история развития ребенка

Figure 1. Digital case of a child

В случае если ребенок не входит в группы риска, календарь наблюдения составляется в соответствии с приказом МЗ РФ № 514н от 10.08.17, действующим в настоящее время.

Второй блок представляет собой данные объективного обследования педиатром с обязательной оценкой уровня физического и нервно-психического развития и должен быть заполнен при каждом обращении ребенка к участковому педиатру. Оценка физического развития проводится в соответствии с критериями, предложенными ВОЗ [18]. Программа строит наглядную кривую роста и веса ребенка и маркирует показатели, выходящие за пределы нормы (рис. 2).

Рисунок 2. Кривые роста ребенка

Figure 2. Curves of a child growing

Нервно-психическое развитие оценивается в соответствии с рекомендациями А.Н. Мазурина [19], программа определяет одну из четырех групп нервно-психического развития.

Рисунок 3. Динамическое наблюдение за уровнем нервно-психического развития ребенка

Figure 3. Dynamic observation of a child’s mental and behavioral development

Третий блок — календарь профилактических прививок в соответствии с приказом МЗ РФ № 125н от 21.03.14 с опцией медицинского отвода до определенной даты и встроенными формами оформления отказа от вакцинаций. Кроме отнесения ребенка в группу риска, программа создает календарь осмотров педиатром и узкими специалистами, лабораторных и инструментальных исследований. Результаты лабораторных исследований, не соответствующие референтным значениям, маркируются. Программа оснащена функцией формирования выборки детей, требующих один тип обследования или вакцинации на текущую неделю или день.

Рисунок 4. Выборка детей в зависимости от цели визита к педиатру

Figure 4. Selecting children depending on the purpose of visiting a pediatrician

На наш взгляд, преимуществом разработанной программы, помимо оптимизации организации работы, является структурирование амбулаторного приема. Программа является своеобразным чек-листом, который позволяет снизить влияние человеческого фактора и не пропустить факторы риска, в том числе модифицируемые, и первые негативные изменения состояния здоровья детей.

 Балашова Е.А. https://orcid.org/0000-0001-5766-6741

ЛИТЕРАТУРА

1. Фролова М.С., Фролов С.В., Толстухин И.А. Системы поддержки принятия решений для задач оснащения лечебных учреждений медицинской техникой // Вопросы современной науки и практики. — 2014. — № 52. — С. 106–111.
2. Таранов Ю.А. Анализ значимых факторов при разработке системы поддержки принятия решений в перинатальном центре для юга Тюменской области // Фундаментальные исследования. — 2013. — № 4–3. — С. 602–607.
3. Castaneda C., Nalley K., Mannion C. et al. Clinical decision support system for improving diagnostic accuracy and achieving precision medicine // Journal of Clinical Bioinformatics. — 2015. — Vol. 5. — P. 4.
4. Кобринский Б.А. Системы поддержки принятия решений в здравоохранении и обучении // Врач и информационные технологии. — 2010. — № 2. — С. 39–45.
5. Быченков К.В., Гриценко Е.А., Мартышкин Д.М. и др. Разработка интеллектуальной системы поддержки принятия решений для оказания персонифицированной медицинской помощи пациентам на основе онтологий и компьютерных средств представления знаний // Проблемы управления и моделирования в сложных системах: Труды XIII международной конференции. — Самара: Самарский НЦ РАН, 2011.
6. Халафян А.А. Анализ и синтез медицинских систем поддержки принятия решений на основе технологий статистического моделирования: автореф. дисс. … д-ра тех. наук. — Краснодар, 2010.
7. Conejar R.J., Kim H.-K. A medical decision support system (DSS) for ubiquitous healthcare diagnosis system // International Journal of Software Engineering and Its Applications. — 2014. — Vol. 8 (10). — P. 237–244.
8. Bauer N.S., Carroll A.E., Saha C., Downs S.M. Computer decision support changes physician practice but not knowledge regarding autism spectrum disorders // Appl Clin Inform. — 2015. — Vol. 6 (3). — P. 454–465.
9. Shojania K.G., Jennings A., Mayhew A. et al. Effects of point-of-care computer reminders on physician behavior: a systematic review // CMAJ. — 2010. — Vol. 182 (5). — P. E216–E225.
10. Roshanov P.S., You J.J., Dhaliwal J. et al. Can computerized clinical decision support systems improve practitioners’ diagnostic test ordering behavior? A decision-maker-researcher partnership systematic review // Implementation Science. — 2011. — Vol. 6. — P. 88.
11. Nijman R.G., Vergouwe Y., Thompson M. et al. Clinical prediction model to aid emergency doctors managing febrile children at risk of serious bacterial infections: diagnostic study // BMJ. — 2013. — Vol. 346. — P. f1706.
12. de Vos-Kerkhof E., Nijman R.G., Vergouwe Y. et al. Impact of a clinical decision model for febrile children at risk for serious bacterial infections at the emergency department: a randomized controlled trial // PLoS ONE. — 2015. — Vol. 10 (5). — P. e0127620.
13. Bright T.J., Wong A., Dhurjati R. et al. Effect of clinical decision-support systems: a systematic review // Ann Intern Med. — 2012. — Vol. 157 (1). — P. 29–43.
14. Fillmore C.L., Bray B.E., Kawamoto K. Systematic review of clinical decision support interventions with potential for inpatient cost reduction // BMC Medical Informatics and Decision Making. — 2013. — Vol. 13. — P. 135.
15. Sim I., Gorman P., Greenes R.A. et al. Clinical decision support systems for the practice of evidence-based medicine // Journal of the American Medical Informatics Association. — 2001. — Vol. 8 (6). — P. 527–534.
16. Peiris D.P., Joshi R., Webster R.J. et al. An electronic clinical decision support tool to assist primary care providers in cardiovascular disease risk management: development and mixed methods evaluation // J Med Internet Res. — 2009. — V. 11. — Vol. 4. — P. e51.
17. Котельников Г.П., Колсанов А.В. Инновационная деятельность СамГМУ: инфраструктура, подготовка кадров, формирование прорывных проектов, трансфер технологий в практику, участие в российской и региональной инновационной экосистеме // Наука и инновации в медицине. — 2016. — № 1. — С. 6–11.
18. ВОЗ. Нормы для оценки роста детей. Электронный ресурс: http://www.who.int/childgrowth/standards/ru/
19. Мазурин А.Н., Воронцов И. М. Пропедевтика детских болезней: учебник. — 3-е изд., доп. и перераб. — СПб: Фолиант, 2009.

REFERENCES

1. Frolova M.S., Frolov S.V., Tolstukhin I.A. Decision support systems for the tasks of equipping medical institutions with medical equipment. Voprosy sovremennoy nauki i praktiki, 2014, no. 52, pp. 106–111 (in Russ.).
2. Taranov Yu.A. Analysis of significant factors in the development of a decision support system in the perinatal center for the south of the Tyumen region. Fundamental’nye issledovaniya, 2013, no. 4–3, pp. 602–607 (in Russ.).
3. Castaneda C., Nalley K., Mannion C. et al. Clinical decision support system for improving diagnostic accuracy and achieving precision medicine. Journal of Clinical Bioinformatics, 2015, vol. 5, p. 4.
4. Kobrinskiy B.A. Decision support systems in healthcare and training. Vrach i informatsionnye tekhnologii, 2010, no. 2, pp. 39–45 (in Russ.).
5. Bychenkov K.V., Gritsenko E.A., Martyshkin D.M. et al. Razrabotka intellektual’noy sistemy podderzhki prinyatiya resheniy dlya okazaniya personifitsirovannoy meditsinskoy pomoshchi patsientam na osnove ontologiy i komp’yuternykh sredstv predstavleniya znaniy [Development of an intelligent decision support system for providing personalized medical care to patients based on ontologies and computer-based knowledge representation tools]. Problemy upravleniya i modelirovaniya v slozhnykh sistemakh: Trudy XIII mezhdunarodnoy konferentsii. Samara: Samarskiy NTs RAN, 2011.
6. Khalafyan A.A. Analiz i sintez meditsinskikh sistem podderzhki prinyatiya resheniy na osnove tekhnologiy statisticheskogo modelirovaniya: avtoref. dis. … d-ra tekh. nauk [Analysis and synthesis of medical decision support systems based on statistical modeling technologies. Synopsis of dis. Dr technical sciences]. Krasnodar, 2010.
7. Conejar R.J., Kim H.-K. A medical decision support system (DSS) for ubiquitous healthcare diagnosis system. International Journal of Software Engineering and Its Applications, 2014, vol. 8 (10), pp. 237–244.
8. Bauer N.S., Carroll A.E., Saha C., Downs S.M. Computer decision support changes physician practice but not knowledge regarding autism spectrum disorders. Appl Clin Inform, 2015, vol. 6 (3), pp. 454–465.
9. Shojania K.G., Jennings A., Mayhew A. et al. Effects of point-of-care computer reminders on physician behavior: a systematic review. CMAJ, 2010, vol. 182 (5), pp. E216–E225.
10. Roshanov P.S., You J.J., Dhaliwal J. et al. Can computerized clinical decision support systems improve practitioners’ diagnostic test ordering behavior? A decision-maker-researcher partnership systematic review. Implementation Science, 2011, vol. 6, pp. 88.
11. Nijman R.G., Vergouwe Y., Thompson M. et al. Clinical prediction model to aid emergency doctors managing febrile children at risk of serious bacterial infections: diagnostic study. BMJ, 2013, vol. 346, p. f1706.
12. de Vos-Kerkhof E., Nijman R.G., Vergouwe Y. et al. Impact of a clinical decision model for febrile children at risk for serious bacterial infections at the emergency department: a randomized controlled trial. PLoS ONE, 2015, vol. 10 (5), pp. e0127620.
13. Bright T.J., Wong A., Dhurjati R. et al. Effect of clinical decision-support systems: a systematic review. Ann Intern Med, 2012, vol. 157 (1), pp. 29–43.
14. Fillmore C.L., Bray B.E., Kawamoto K. Systematic review of clinical decision support interventions with potential for inpatient cost reduction. BMC Medical Informatics and Decision Making, 2013, vol. 13, p. 135.
15. Sim I., Gorman P., Greenes R.A. et al. Clinical decision support systems for the practice of evidence-based medicine. Journal of the American Medical Informatics Association, 2001, vol. 8 (6), pp. 527–534.
16. Peiris D.P., Joshi R., Webster R.J. et al. An electronic clinical decision support tool to assist primary care providers in cardiovascular disease risk management: development and mixed methods evaluation. J Med Internet Res, 2009, v. 11, vol. 4, p. e51.
17. Kotel’nikov G.P., Kolsanov A.V. nnovation activities of Samara State Medical University: infrastructure, training, formation of breakthrough projects, transfer of technology to practice, participation in the Russian and regional innovation ecosystem. Nauka i innovatsii v meditsine, 2016, no. 1, pp. 6–11 (in Russ.).
18. VOZ. Normy dlya otsenki rosta detey [WHO. Norms for assessing the growth of children], available at: http://www.who.int/childgrowth/standards/ru/
19. Mazurin A.N., Vorontsov I. M. Propedevtika detskikh bolezney: uchebnik. 3-e izd., dop. i pererab. [Propaedeutics of childhood diseases: a textbook. 3rd ed., Supplemented and revised]. Saint Petersburg: Foliant, 2009.