Прогнозирование течения инфекции, вызванной SARS-CoV-2, у лиц молодого возраста с использованием искусственного интеллекта тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Касьяненко Кристина
- Специальность ВАК РФ00.00.00
- Количество страниц 139
Оглавление диссертации кандидат наук Касьяненко Кристина
Введение
Глава 1 Обзор литературы
1.1 Общая характеристика и особенности патогенеза инфекции, вызванной 8ЛК8-СоУ-2
1.2 Проблемы клинической диагностики инфекции, вызванной SARS-CoV-2
1.3 Прогностические критерии тяжелого течения инфекции, вызванной SARS-CoV-2
1.4 Применение систем поддержки принятия решений в задачах медицинской диагностики
Глава 2 Материалы и методы исследования
2.1 Характеристика пациентов, включенных в исследование
2.2 Дизайн исследования
2.3 Описание программных средств, используемых при создании моделей хранения диагностических данных обследованных пациентов и прогнозирования тяжести течения СО^УГО-19 у лиц молодого возраста
Глава 3 Клиническая характеристика инфекции, вызванной SARS-CoV-2, у лиц молодого возраста
3.1 Особенности клинических проявлений инфекции, вызванной SARS-CoV-2, в зависимости от степени тяжести течения заболевания
3.2 Особенности клинических проявлений инфекции, вызванной SARS-CoV-2, в зависимости от клинической формы заболевания
3.3 Особенности клинических проявлений инфекции, вызванной SARS-CoV-2, различной степени тяжести в зависимости
от периодов болезни
Глава 4 Лабораторная оценка тяжести течения инфекции, вызванной SARS-CoV-2
4.1 Лабораторная характеристика инфекции, вызванной SARS-CoV-2, в зависимости от степени тяжести заболевания
4.2 Выявление ранних лабораторных изменений у пациентов
с тяжелым течением инфекции, вызванной SARS-CoV-2
Глава 5 Система поддержки принятия врачебных решений для предсказания тяжести течения инфекции, вызванной SARS-CoV-2, на основе методов искусственного интеллекта
5.1 Применение методов искусственного интеллекта в задачах диагностики, предсказания осложнений и риска летального исхода у пациентов молодого возраста с инфекцией, вызванной SARS-CoV-2
5.2 Построение предсказательной модели тяжелого течения инфекции, вызванной SARS-CoV-2, на основе методов искусственного интеллекта
5.3 Программа для ЭВМ «CASP(ER)» - COVID-19 assisted severity prediction (early reliable)
Заключение
Выводы
Рекомендации
Перспективы дальнейшей разработки темы
Список сокращений и условных обозначений
Список литературы
Приложения
А. Свидетельство о государственной регистрации базы данных: «Клинические проявления SARS-CoV-2 инфекции у лиц молодого возраста» 138 Б. Свидетельство о государственной регистрации программы для ЭВМ: «CASP(ER)» - COVID-19 assisted severity prediction (early reliable)»
Рекомендованный список диссертаций по специальности «Другие cпециальности», 00.00.00 шифр ВАК
Особенности коронавирусной инфекции COVID-19 в разные периоды пандемии у госпитализированных пациентов молодого возраста2024 год, кандидат наук Алимова Лилия Камильевна
Ко-инфекции и суперинфекции у госпитализированных пациентов с COVID-192024 год, кандидат наук Стрелкова Дарья Александровна
Клиника, диагностика и оптимизация тактики ведения пациентов с коронавирусной инфекцией COVID-19 на амбулаторном этапе2023 год, кандидат наук Шаравина Юлия Аркадьевна
Новая коронавирусная инфекция (COVID-19) у детей: эпидемиологические, клинико-патогенетические особенности, тактика диагностики и лечения2024 год, доктор наук Самитова Эльмира Растямовна
Клинико-организационное обоснование и разработка системы оказания специализированной медицинской помощи пациентам с вирусной пневмонией, вызванной SARS-CoV-2"2022 год, доктор наук Вечорко Валерий Иванович
Введение диссертации (часть автореферата) на тему «Прогнозирование течения инфекции, вызванной SARS-CoV-2, у лиц молодого возраста с использованием искусственного интеллекта»
Введение
Актуальность темы исследования Впервые инфекция, вызванная SARS-CoV-2, (COVID-19) зарегистрирована в декабре 2019 года в г. Ухань (Китай). В связи с высокой контагиозностью отмечен молниеносный рост заболеваемости и быстрое распространение вируса на территории провинции и за ее пределами. Несмотря на успехи, достигнутые в области специфической профилактики, уровень заболеваемости инфекцией, вызванной SARS-CoV-2, сохраняется на высоком уровне, а число летальных исходов в Российской Федерации за все время составляет более 386 тысяч случаев. По данным на декабрь 2022 года, заболеваемость COVID-19 составила около 664 миллионов подтвержденных случаев во всем мире, в России зарегистрировано более 21,5 миллиона случаев [195]
Установлено, что генетическая изменчивость вируса приводит к снижению чувствительности методов рутинной лабораторной этиологической диагностики, что отражается в росте числа ложноотрицательных результатов [102, 176]. В связи с этим особую важность приобретает ранняя клиническая диагностика, основанная на характерных проявлениях заболевания [71, 86].
Известные на сегодняшний день особенности патогенеза инфекции, вызванной SARS-CoV-2, предопределяют ведущие клинические проявления заболевания, отражающиеся, в первую очередь, в жалобах, характерных для поражения респираторного тракта различного уровня. Вместе с тем, высокий уровень экспрессии ангиотензин-превращающий фермента-2 (АПФ-2) и мембранно^вязанной сериновой протеазы (М-ССП2) клетками других систем придает клинической картине болезни значительное многообразие, что, в условиях отсутствия четко установленных закономерностей динамики клинических проявлений заболевания, затрудняет раннюю постановку диагноза и определение степени тяжести течения заболевания, приводя, в свою очередь, к трудностям в выборе оптимальных диагностических и терапевтических стратегий [28, 74].
В основе ранней стратификации пациентов с инфекцией, вызванной 8АЯ8-СоУ-2, по степени тяжести лежит выявление состояний, сопряженных с развитием тяжелого течения заболевания, к которым в настоящее время отнесены: пожилой возраст, фоновая соматическая патология, а также изменения лабораторных и инструментальных параметров пациентов [28, 36]. Однако взаимное влияние указанных состояний на особенности течения инфекции может приводить к снижению объективности выделенных критериев и построенных на их основе методик дифференциации пациентов по риску развития неблагоприятного исхода. В связи тем, что разработка большинства имеющихся моделей предсказания тяжести течения СОУГО-19 основана на данных лиц пожилого возраста, существует проблема экстраполяции указанных методик на другие возрастные контингенты, в особености на молодых пациентов, среди которых частота развития тяжелых и осолжненных форм достигает 20% от общего числа случаев [91, 94, 178]. Таким образом наибольшая объективизация признаков тяжелого течения возможна при оценке клинико-лабораторных параметров пациентов, склонных к тяжелому течению, на этапе госпитализации с учетом социально-демографических характеристик пациентов и длительности заболевания [60, 196].
Опыт пандемии СОУГО-19 продемонстрировал ситуацию, в которой задача диагностики инфекционных заболеваний переходит в компетенцию врачей других специальностей, что значительно усложняет ее точность и своевременность [57]. Вместе с тем оптимизация процесса принятия решения и приоритезация применения лекарственных средств и оборудования для конкретных случаев обретает особую важность в условиях ограниченности ресурсов в различных регионах страны и в периоды резких подъемов заболеваемости [75, 80, 144,163]. Учитывая решение правительства РФ об обеспечении информатизации здравоохранения (Приказ Минздрава России от 31.12.2019 № 1129 «Об утверждении плана информатизации Министерства здравоохранения Российской Федерации на 2020 год и на плановый период 2021 и 2022 годов») и возможность значительного повышения качества оказания медицинской помощи пациентам с СОУГО-19 различной степени
тяжести за счет адекватной маршрутизации и выбора оптимальных терапевтических схем, вопрос применения математических диагностических моделей в медицинской практике приобретает особую важность [20, 125, 141, 210].
В связи с этим клинико-лабораторная характеристика COVID-19 в зависимости от клинических форм, степени тяжести течения заболевания и периодов инфекционного процесса у лиц молодого возраста, а также построение на ее основе предсказательной модели тяжелого течения инфекции, вызванной SARS-CoV-2, с использованием методов искусственного интеллекта (ИИ) представляет собой актуальную научную проблему.
Степень разработанности темы исследования На сегодняшний день наиболее объективные представления об особенностях клинической картины инфекции, вызванной SARS-CoV-2, содержатся в многочисленных систематических обзорах, ставших основой клинической диагностики, отраженной в актуальных мировых и Российских рекомендациях [1, 3]. Особое внимание уделяется дифференциальной диагностике инфекции, вызванной SARS-CoV-2, с другими заболеваниями, протекающими со схожей картиной, в частности, с ОРЗ, при этом вопрос стратификации пациентов с COVГО-19 по степени тяжести в зависимости от особенностей клинических проявлений заболевания в начальном периоде остается недостаточно изученным [32, 50, 86, 190]. Расширение возможностей ранней диагностики инфекции, вызванной SARS-CoV-2, возможно при помощи моделирования динамики клинической картины в разные фазы инфекционного процесса [109]. При этом в данных литературы отсутствует информация, описывающая особенности последовательного развития проявлений заболевания у пациентов с различной степенью тяжести COVГО-19.
Выявление пациентов из групп риска развития тяжелого течения заболевания в начальном периоде болезни тесно связано со снижением частоты наступления неблагоприятных исходов заболевания [84]. В большинстве работ ключевая роль в предсказании степени тяжести отводится фоновым заболеваниям и возрасту пациентов [28, 91, 94, 178]. Вместе с тем изучение концепции формирования «цитокинового шторма» в разгаре заболевания позволило установить ведущую роль
интерлейкинов в избыточной активации макрофагов и развитии гиперимунного ответа независимо от возраста пациента, в связи с чем именно они рассматривались в качестве лабораторных предикторов тяжелого течения инфекции, вызванной 8АЯ8-СоУ-2 [191, 192]. Однако большой интерес вызывает определение признаков, ассоциированных с развитием тяжелого течения, доступных при выполнении рутинных лабораторных исследований в дебюте заболевания [100]. С другой стороны, проблема поиска универсальных предикторов тяжелого течения связана с ограниченным числом доступных для анализа крупных однородных выборок пациентов с идентичными социально-демографическими параметрами, в особенности это касается контингентов лиц молодого возраста с неотягощенным соматическим анамнезом [36, 168].
Значительный интерес вызывает возможность повышения качества диагностики с использованием информационных систем, основанных на различных математических алгоритмах [99, 162]. Ряд прогностических шкал, разработанных с целью облегчения принятия клинических решений, широко применялся до пандемии СОУГО-19 и освещен в ведущих Российских и международных клинических рекомендациях. Модели для прогнозирования исходов пациентов с инфекцией, вызванной SARS-CoV-2, на основе методов машинного обучения разработаны в США, Китае, Италии [12, 26, 68, 85]. Оценка риска летального исхода и развития критических состояний у госпитализированных пациентов с СОУГО-19 в указанных моделях проводиться преимущественно на базе градиентного бустинга, с применением метода опорных векторов, гибкого дискриминантного анализа и линейной регрессии [127]. Среди трудов отечественных коллективов стоит отметить работу [17], в которой на базе линейной регрессии построена система мониторинга состояния пациентов с СОУГО-19. Широкое применение и высокая результативность СППВР на базе методов ИИ обуславливает необходимость разработки новых моделей для решения конкретных диагностических задач. Всё вышеизложенное предопределило цель и задачи настоящей работы.
Цель исследования Дать клинико-лабораторную характеристику инфекции, вызванной 8АЯ8-СоУ-2, и разработать систему поддержки принятия врачебных решений
о тяжести течения заболевания у лиц молодого возраста с применением методов искусственного интеллекта.
Задачи исследования
1. Установить особенности клинических проявлений COVID-19 у лиц молодого возраста в зависимости от степени тяжести, клинических форм заболевания и периодов инфекционного процесса.
2. Дать лабораторную характеристику начального периода инфекции, вызванной SARS-CoV-2, в зависимости от тяжести течения заболевания у лиц молодого возраста.
3. Выявить характерные ранние лабораторные и инструментальные изменения у пациентов молодого возраста, ассоциированные с тяжелым течением инфекции, вызванной SARS-CoV-2.
4. С использованием методов искусственного интеллекта построить предсказательную модель тяжелого течения COVID-19 у лиц молодого возраста.
Научная новизна
Впервые проведена комплексная динамическая оценка субъективных и объективных проявлений инфекции, вызванной SARS-CoV-2, у лиц молодого возраста с отсутствием сопутствующей патологии (89,07% преморбидно здоровых лиц) в зависимости от степени тяжести, клинических форм заболевания и периодов инфекционного процесса.
Установлены преобладающие в структуре заболеваемости инфекцией, вызванной SARS-CoV-2, манифестные формы и соответствующие им степени тяжести течения заболевания среди лиц молодого возраста.
При помощи моделирования количественной оценки клинических проявлений, выделены диагностические признаки, дифференцирующие пациентов с инфекцией, вызванной SARS-CoV-2, в зависимости от степени тяжести течения заболевания.
Представлены характерные для отдельных периодов болезни клинические проявления инфекции, вызванной SARS-CoV-2, у лиц молодого возраста и установлена типичная последовательность развития клинической картины
заболевания у пациентов легкой, среднетяжелой и тяжелой степени тяжести в период преимущественной циркуляции «Альфа» и «Дельта» вариантов возбудителя.
Описаны лабораторные и инструментальные изменения, характеризующие различные степени тяжести инфекции, вызванной 8АЯ8-СоУ-2, у лиц молодого возраста. Выявлены ранние лабораторные и инструментальные предикторы тяжелого течения заболевания и их пороговые значения: для уровня периферической кислорожной сатурации - 96%, для количества эритроцитов периферической крови -4,76х1012/л, для уровня гемоглобина - 140 г/л, для скорости оседания эритроцитов - 10,5 мм/ч, для абсолютного значения эозинофилов - 0,05х109/л, для абсолютного числа лимфоцитов - 1,27х109/л, для абсолютного значения нейтрофилов - 3,58х109/л, для уровня ЛДГ - 200,7 Ед/л, для ферритина - 251,65 нг/мл, для СРБ - 10,3 мг/литр, для Э-димера - 314 нг/мл.для каждого из них определено пороговое значение и рассчитана диагностическая значимость.
Впервые с использованием выделенных предикторов и методов ИИ разработана предсказательная модель тяжелого течения инфекции, вызванной 8АЯ8-СоУ-2, у лиц молодого возраста, которая, в том числе, может рассматриваться в качестве протипа для прогнозирования течения других острых инфекционных заболеваний.
Теоретическая и практическая значимость Выявленные характерные клинические проявления СОУГО-19 у лиц молодого возраста в зависимости от степени тяжести, клинических форм заболевания и периодов инфекционного процесса повысили точность ранней диагностики и эффективность динамического наблюдения за пациентом, позволяя оптимизировать процесс лечения.
Анализ результатов лабораторных и инструментальных исследований у пациентов молодого возраста с инфекцией, вызванной 8АЯ8-СоУ-2, позволил конкретизировать значения ключевых показателей, характеризующих тяжелое течение СОУГО-19 и дать теоретическое обоснование связи степени тяжести заболевания и изменений отдельных гематологических параметров.
Предсказательная модель, разработанная с помощью методов искусственного интеллекта, позволяет с высокой чувствительностью и специфичностью прогнозировать развитие тяжелого течения инфекции, вызванной SARS-CoV-2, на раннем этапе и может быть рекомендована для применения с целью улучшения качества оказания медицинской помощи.
Методология и методы исследования
В диссертационном исследовании использована общенаучная методология, применены формально-логические, общенаучные и специальные методы.
Диссертационное исследование состоит из двух взаимосвязанных исследований:
- ретроспективного анализа данных историй болезни пациентов с инфекцией, вызванной SARS-CoV-2;
- построения предсказательной модели тяжелого течения инфекции, вызванной SARS-CoV-2.
Работа выполнена в дизайне описательного ретроспективного исследования с использованием методов математической статистики и ИИ.
Положения, выносимые на защиту
1. В клинической картине заболевания существуют ключевые признаки, характеризующие степень тяжести и период инфекционного процесса, а также лабораторные изменения, дифференцирующие степень тяжести COVID-19 в дебюте заболевания. Среди пациентов молодого возраста инфекция, вызванная «Альфа» и «Дельта» вариантами SARS-CoV-2, протекает преимущественно легко в форме острого респираторного заболевания. Тяжелая степень тяжести СОУГО-19 характеризуется выраженными общеинфекционными проявлениями, поражением нижних дыхательных путей с развитием пневмонии, сопровождающейся кашлем и одышкой, поражением желудочно-кишечного тракта в начальном периоде болезни, нарушением вкусовой и обонятельной чувствительности в периоде разгара.
2. Изменения уровней содержания эритроцитов, эозинофилов, лимфоцитов, нейтрофилов, гемоглобина, скорость оседания эритроцитов, С-реактивного белка, ферритина, лактатдегидрогеназы, D-димера периферической крови, а также уровня периферической кислородной сатурации в начальном периоде инфекции,
вызванной 8АЯ8-СоУ-2, у пациентов молодого возраста связаны с развитием тяжелого течения заболевания.
3. Модель поддержки принятия врачебных решений, построенная с использованием методов искусственного интеллекта, включающая базу данных, серверную часть и графический интерфейс пользователя, позволяет с высокой чувствительностью (0,92) и специфичностью (0,87) прогнозировать вероятность развития тяжелого течения инфекции, вызванной 8АЯ8-СоУ-2, в начальном периоде болезни.
Степень достоверности и апробация результатов исследования Степень достоверности результатов, представленных в диссертационном исследовании, подтверждена глубокой проработкой литературных источников по теме диссертации, большим объемом исследовательского материала пациентов с инфекцией, вызванной 8АЯ8-СоУ-2, корректной проверкой выдвигаемых гипотез с использованием методов статистического анализа и машинного обучения.
Научные положения, выводы и рекомендации, сформулированные в диссертации, подкреплены убедительными данными статистической проверки выдвинутых научных гипотез, которые представлены в таблицах и рисунках. Качественная оценка разработанной предсказательной модели проверена с помощью дополнительно собранного набора валидационных данных.
Результаты исследования применяются в лечебно-диагностическом процессе в клинике и внедрены в педагогический процесс на кафедре инфекционных болезней (с курсом медицинской паразитологии и тропических заболеваний) ФГБВОУ ВО «Военно-медицинская академия имени С.М.Кирова» МО РФ.
Апробация работы. Основные результаты работы докладывались на 6 конференциях:
- II Всероссийской конференции с международным участием «Инфекционные заболевания взрослых и детей в условиях пандемии СОУГО-19» (г. Рязань, 2022 г.);
- УШ конгрессе Евро-азиатского общества по инфекционным болезням (г. Санкт-Петербург, 2022 г.);
- III Международном форуме «Дни вирусологии 2022», посвященном 55-летию со дня основания ФГБУ «НИИ гриппа им. А.А. Смородинцева» МЗ РФ (г. Санкт-Петербург, 2022 г.);
- Международной научно-практической конференции «Новое в диагностике, лечении и профилактике социально значимых инфекций» (г. Уфа, 2022 г.);
- Всероссийской ежегодной научно-практическая конференция «Нерешенные вопросы этиотропной терапии актуальных инфекций» (г. Санкт-Петербург, 2022 г.);
- II интернет-конференции по инфекционным болезням «Покровские чтения» (2022 г.).
Результаты, полученные в диссертации, полностью опубликованы в 11 работах. Из них три статьи в рецензируемых журналах, рекомендуемых Высшей аттестационной комиссией при Министерстве науки и высшего образования Российской Федерации для опубликования основных научных результатов диссертаций на соискание ученой степени кандидата наук. Получено одно свидетельство о государственной регистрации базы данных и одно свидетельство о государственной регистрации программы для ЭВМ.
Объем и структура диссертации. Диссертация состоит из введения, пяти глав, заключения, выводов, рекомендаций и перспектив дальнейшей разработки темы исследования, списка использованной литературы и двух приложений. Общий объем диссертации - 139 с. машинописного текста (с приложениями). Основная часть работы
изложена на 99 с. и содержит 17 рисунков 37 таблиц. Библиография включает 220 наименований.
Глава 1 Обзор литературы
1.1 Общая характеристика и особенности патогенеза инфекции,
вызванной SARS-CoV-2
Коронавирусы (CoV) представляют собой оболочечные, содержащие одноцепочечную молекулу РНК положительной полярности вирусы. Подсемейство Orthocoronaviridae подразделяется на четыре родовых таксона: альфакоронавирусы (alphaCoV), бетакоронавирусы (betaCoV),
дельтакоронавирусы (deltaCoV), гаммакоронавирусы (gammaCoV).
Расшифровка генома betaCov и alphaCoV показала, что наиболее вероятными источниками их генов являются грызуны и летучие мыши, для deltaCoV и gammaCoV - птицы. Представители этого большого семейства вирусов вызывают заболевания, сопровождающиеся поражением желудочно-кишечного тракта (ЖКТ), печени, органов дыхания, нервной системы у различных видов млекопитающих. Возбудители способны преодолевать межвидовой барьер и приводить к развитию инфекционного заболевания людей, которое по своей тяжести может протекать как в форме острого респираторного заболевания (ОРЗ), так и в более тяжелых формах с высокой летальностью (Ближневосточный респираторный синдром - MERS, тяжелый острый респираторный синдром - SARS). На сегодняшний день идентифицировано семь человеческих CoV, способных инфицировать людей. Некоторые из них выделены еще в середине 1960-х годов, другие обнаружены только в 2000-х. По оценкам специалистов, около 2% населения являются здоровыми носителями CoV, а в общей структуре заболеваемости ОРЗ они составляются от 5 до 10% [35, 110].
SARS-CoV-2 - новый betaCoV, принадлежащий к тому же подроду, что и SARS-CoV и MERS-CoV, которые стали причиной эпидемий с уровнем летальности приближающимся к 35% [110].
Геномная последовательность SARS-CoV-2 (COVID-19), полученная от пациента с атипичной пневмонией из г. Ухань (Провинция Хубей, Китай)
в 2019 году, показала совпадение с геномной последовательностью SARS-CoV на 82%, на 50% с MERS-CoV, на 89% с SARS-подобным коронавирусом (ZXC21) летучей мыши. Дальнейшее изучение данного вопроса установило высокую гомологичность (более 96%) комбинаций генов SARS-CoV-2 и betaCoV RaTG13 летучих мышей [14, 30]. Именно это позволило выдвинуть гипотезу о том, что SARS-CoV-2, подобно SARS-CoV и MERS-CoV, является результатом рекомбинации между вирусами летучих мышей, панголинов и людей [142, 212].
Филогенетически обусловлена и структурная схожесть SARS-CoV-2 и SARS-CoV: геном представлен 14 открытыми рамками считывания, две трети которых кодируют 16 неструктурных белков, формирующих репликативный комплекс, а оставшаяся треть кодирует 9 дополнительных и 4 структурных белка: пиковый (Spike, S-белок, спайк-белок), оболочечный (Envelope, E-белок), мембранный (Membrane, M-белок), нуклеокапсидный (Nucleocapsid, N-белок). Следует отметить, что S-белок SARS-CoV-2 значительно отличается от такового у SARS-CoV [121, 216]. Формируя «шипы» на поверхности мембраны SARS-CoV-2, S-белок обеспечивает прямой контакт и связывание вирусной частицы с рецептором клетки-хозяина через рецептор-связывающий домен ^1-домен) и последующую фузию посредством S2-домена. Ключевым белком, отвечающим за эндоцитоз вируса внутрь клетки, является ангиотензин-превращающий фермент 2 (АПФ-2), неравномерно представленный в различных тканях организма человека [112].
Несмотря на то, что в легких представлено сравнительное малое количество клеток, экспрессирующих АПФ-2-рецепторы (альвеолоциты II типа), SARS-CoV-2 поражает в большей степени органы респираторного тракта [169, 219]. Это связано, по мнению исследователей, с альтернативным путем попадания вируса в клетку, обусловленным функциями М-ССП2 и эндосомальных цистеиновых протеаз - катепсинов B и L (CatB/L), которые обеспечивают активацию вирусного S-протеина для последующего связывания с клеточной мембраной даже при минимальной экспрессии АПФ-2 [83].
Ученые разделяют патогенез поражения органов респираторного тракта при СОУГО-19 на две условные стадии: раннюю и позднюю фазы [167]. Ранняя фаза характеризуется прямым цитопатическим действием вируса на восприимчивые клетки эпителия респираторного тракта, связанным с репликацией вируса, за которой следует поздняя, сопровождающаяся миграцией и активацией клеток, ответственных за иммунный ответ (Т-лимфоцитов, моноцитов, нейтрофилов) и выбросом большого количества цитокинов и хемокинов: фактора некроза опухоли (Т№а), гранулоцитарно-макрофагальный колониестимулирующий фактор (ОЫ-С8Б), интерлейкина-1 (!Ь-1), интерлейкина-6 (1Ь-6), интерлейкина-1р (1Ь-1Р), интерлейкина-12 (1Ь-12), интерферона-у (ШК-у). Гиперактивация иммунной системы, приводящая к системной воспалительной реакции в позднюю фазу, обуславливает развитие «цитокинового шторма» у пациентов с тяжелой инфекцией, вызванной 8АЯ8-СоУ-2 [16, 191]. Повышение проницаемости сосудистой стенки, приводящее к отеку легких, объясняется сочетанием следующих механизмов: локальный эндотелиит, развивающийся в результате прямого повреждения стенки сосуда вирусом и сопровождающийся перваскулярным воспалением и микротромбозом; дезрегуляция ренин-ангиотензин-альдостероновой системы (ЯАА8) вследствие высокой аффинности 8АЯ8-СоУ-2 к АПФ-2 рецепторам; активация калликреин-брадикининовой системы, повышающая проницаемость сосудистой стенки и усиливающая апикальные сокращения эпителиальных клеток, вызывающее их набухание и нарушение межклеточных контактов [9, 177, 185].
Связывание 8АЯ8-СоУ-2 с 1:о11-подобными рецепторами клеток приводит к высвобождению про-интерлейкина-1р, который, выстраиваясь в структуру уже активного 1Ь-1р, обуславливает длительное поддержание воспаления вплоть до развития фиброза [38].
Эктстрапульмональные проявления инфекции, вызванной 8АЯ8-СоУ-2, связаны с комбинацией схожих механизмов, включающих прямое цитопатическиое действие вируса на клетки-мишени, ишемическое повреждение
ткани из-за развития васкулита и локального тромбоза, дизрегуляцию иммунных механизмов и RAAS [39].
Секвенирование вирусных образцов показало множество эволюционно обусловленных генетических мутаций SARS-CoV-2, которые привели к появлению в циркуляции нескольких штаммов, отличающихся по выраженности различных свойств патогенности. Отмечено, что после выделения глобально доминирующего варианта D614G, обладающего повышенной по сравнению со штаммами-предшественниками трансмиссивностью, генетическая изменчивость вируса долгое время оставалась минимальной, и следующий вариант обнаружен только после случаев инфицирования носителями SARS-CoV-2 норок в некоторых странах Европейского Союза осенью 2020 года [102, 142]. Изучение новых штаммов привело к формированию ВОЗ (Всемирная организация здравоохранения) и Центрами по контролю и профилактике заболеваний США (Centers for disease control and prevention - CDC) классификации, стратифицирующей появляющиеся антигенные варианты SARS-CoV-2 на варианты, вызывающие опасение (variants of concern - VOCs) и варианты, вызывающие интерес (variants of interest - VOIs).
К вариантам, вызывающим опасение, на сегодняшний день относят следующие штаммы.
1. Альфа (антигенная линия B.1.1.7) впервые выделен в конце декабря 2020 года в Великобритании и зарегистрирован на территории 170 стран мира [61, 187]. Данный вариант содержит 17 мутаций по сравнению со штаммом-предшественником, 8 из которых обнаружены в S-белке. Этот вариант обладает сравнительно большей вирулентностью из-за высокой аффинности к АПФ-2-рецепторам [44-46, 70, 187, 189, 198].
2. Бета (антигенная линия B.1.351) выделен на территории Южной Африки в октябре 2020 года и считается ответственным за возникновение «второй волны» заболеваемости, регистрировался в 119 странах [176]. Установлено снижение восприимчивости штамма к нейтрализующим поствакцинальным антителам, реконвалесцентной плазме, моноклональным антителам в связи
с наличием 9 новых мутаций в 8-белке, 3 из которых отвечают за большее сродство вируса к АПФ-2 рецепторам клетки [30, 44, 46, 70, 134, 187, 194].
3. Гамма (антигенная линия Р1) антигенная структура впервые расшифрована в Бразилии в декабре 2020 года [54]. Этот штамм претерпел 10 мутаций в спайк-белке, три из которых полностью аналогичны бета-варианту, что определяет схожие свойства вируса - сниженную чувствительность к нейтрализации моноклональными антителами, реконвалесцентной и поствакцинальной плазмой [193].
Похожие диссертационные работы по специальности «Другие cпециальности», 00.00.00 шифр ВАК
Клинико-лабораторные особенности прогнозирования постковидных нарушений у детей, перенесших новую коронавирусную инфекцию SARS-CoV-22024 год, кандидат наук Яшкина Ольга Николаевна
Совершенствование диагностики и этиотропной терапии осложненного течения COVID-19, обусловленного бактериальными патогенами2023 год, кандидат наук Долинный Сергей Владимирович
Факторы риска неблагоприятного течения, лечение и прогноз COVID19-ассоциированной пневмонии у госпитализированных пациентов2023 год, доктор наук Бровко Михаил Юрьевич
Роль генотипа главного комплекса гистосовместимости класса 1 и профиля микроРНК в патогенезе тяжелой и крайне тяжелой форм COVID-192024 год, доктор наук Шкурников Максим Юрьевич
Прогностическое значение исследования маркеров апоптоза Р53 и BCL-2 у пожилых пациентов с вирусной пневмонией, вызванной SARS-CoV-22024 год, кандидат наук Хутаева Карина Алиевна
Список литературы диссертационного исследования кандидат наук Касьяненко Кристина, 2023 год
Список литературы
[1] Временные методические рекомендации Профилактика, диагностика и лечение новой коронавирусной инфекции (COVID-19) Версия 15 // Министерство здравоохранения Российской Федерации: официальный сайт. - URL:
https://static-0.minzdrav.gov.ru/system/attachments/attaches/000/059/392/original/%D0%9 2%D0%9C%D0%A0_COVro-19_V15.pdf (дата обращения: 10.01.2023) - Текст: электронный
[2] Долотова, Д. Д. Использование вычислительных методов и экспертного подхода для определения типа послеожоговых рубцов кожи / Д. Д. Долотова, Л. В. Шурова, Б. А. Кобринский, Л. И. Будкевич - Текст: электронный // Рос. вестн. перинатол. и педиат. - 2014. - № 1. - С.88-92. - URL:
https://cyberleninka.ru/article/n/ispolzovanie-vychislitelnyh-metodov-i-ekspertnogo-podho da-dlya-opredeleniya-tipa-posleozhogovyh-rubtsov-kozhi (дата обращения: 12.01.2022).
[3] Клиническое ведение случаев COVID-19: вариативные рекомендации, 15 сентября 2022 г. Женева: Всемирная организация здравоохранения // World Health organization: официальный сайт. - URL:
https://apps.who.int/iris/bitstream/handle/10665/362783/WHO-2019-nCoV-Clinical-2022.2 -rus.pdf (дата обращения: 10.01.2023) - Текст: электронный
[4] Кобринский, Б. А. Системы поддержки принятия решений в здравоохранении и обучении / Б. А. Кобринский - Текст: электронный // Врач и информационные технологии. - 2010. - № 2. - С.39-45. - URL:
https://cyberleninka.ru/article/n/sistemy-podderzhki-prinyatiya-resheniy-v-zdravoohranenii-i-obuchenii (дата обращения: 12.01.2022).
[5] Мошинская О. С. Инженерия знаний: создание решающего правила для дифференциальной диагностики меланомы / О. С. Мошинская, В. В. Киликовский, Л. В. Червонная, З. И. Токарева, Я. В. Вишневская, Т. В. Зарубина . - Текст: электронный // Врач и информационные технологии. - 2007. - №5. - URL: https://cyberleninka.ru/article/n/inzheneriya-znaniy-sozdanie-reshayuschego-pravila-dlya-di fferentsialnoy-diagnostiki-melanomy (дата обращения: 19.03.2022).
[6] Стандарт диагностики и лечения новой коронавирусной инфекции (COVID-19) у военнослужащих ВС РФ (методические рекомендации) / А.А. Серговенцев,
Е.В. Крюков, С.И. Сушильников, М.Б. Паценко [и др.]; под общ. ред. Д.В. Тришкина. - Москва: МО РФ, 2021. - 64 c. - Текст: непосредственный.
[7] Abomhara, M. Cyber Security and the Internet of Things: Vulnerabilities, Threats, Intruders and Attacks / M. Abomhara, G. K0ien - DOI: 10.13052/jcsm2245-1439.414. -Текст: электронный // J. Cyber Secur - 2015. - Volume 4, № 1. - P. 65-88. -URL: https://www.riverpublishers.com/journal_read_html_arti cle.php?j=JC SM/4/1/4 (дата обращения: 13.01.2022).
[8] Abramoff, M. D. Pivotal trial of an autonomous Al-based diagnostic system for detection of diabetic retinopathy in primary care offices / M. D. Abramoff, P. Lavin, P. T. Birch, N. Shah [et al.] - DOI: 10.1038/s41746-018-0040-6. - Текст: электронный // NPJ digital medicine. - 2018. - Volume 1, № 39. - P. 1-8. - URL:
https://www.nature.com/articles/s41746-018-0040-6 (дата обращения: 22.01.2022).
[9] Ackermann, M. Pulmonary Vascular Endothelialitis, Thrombosis, and Angiogenesis in Covid-19 / M. Ackermann, S. E. Verleden, M. Kuehnel, A. Haverich [et al.] -DOI: 10.1056/NEJMoa2015432. - Текст: электронный // N Engl J Med. - 2020. -Volume 383, № 2. - P. 120-128. - URL:
https://www.nejm.org/doi/10.1056/NEJMoa2015432 (дата обращения: 09.08.2021).
[10] Agbehadji, I. E. Review of big data analytics, artificial intelligence and nature-inspired computing models towards accurate detection of COVID-19 pandemic cases and contact tracing / I. E. Agbehadji, B. O. Awuzie, A. B. Ngowi, R. C. Millham -DOI: 10.3390/ijerph17155330. - Текст: электронный // Int J Environ Res Publ Health. -2020. - Volume 17, № 15. - P. 5330. -
URL: https://www.mdpi.com/1660-4601/17/15/5330 (дата обращения: 10.03.2022).
[11] Ala. A., Habtemariam S, Vahdati SS, Rezabakhsh A. Cervical and preauricular lymphadenopathies as atypical manifestations in the setting of COVID-19: a case report / A. Ala, S. Habtemariam, S.S. Vahdati, A. Rezabakhsh - DOI: 10.2217/fvl-2021-0074. -Текст: электронный // Future Virol. - 2022. - 10.2217/fvl-2021-0074. - URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8846295/ (дата обращения: 11.07.2022).
[12] AlJame, M. Ensemble learning model for diagnosing COVID-19 from routine blood tests / M. AlJame, I. Ahmad, A. Imtiaz, A. Mohammed - DOI: 10.1016/j.imu.2020.100449. -Текст: электронный // Inform Med Unlocked. - 2020. - Volume 21, № 100449. -URL: https://www.sciencedirect.com/science/article/pii/S2352914820305992?via%3Dihub (дата обращения: 11.04.2022).
[13] Altman, N. S. An introduction to kernel and nearest-neighbor nonparametric regression / N. S. Altman - DOI: 10.2307/2685209. - Текст: электронный // Am Statistician. - 1992. -Volume 46, № 3. - P. 175-185. - URL:
https://www.jstor.org/stable/2685209?origin=crossref (дата обращения: 13.03.2022).
[14] Andersen, K. G. The proximal origin of SARS-CoV-2 / K. G. Andersen, A. Rambaut, W. I. Lipkin, E. C. Holmes [et al.] - DOI: 10.1038/s41591-020-0820-9. - Текст: электронный // Nat Med. - 2020. - Volume 26, № 4. - P. 450-452. -URL: https://www.nature.com/articles/s41591-020-0820-9 (дата обращения: 15.11.2021).
[15] Artifoni, M. Systematic assessment of venous thromboembolism in COVID-19 patients receiving thromboprophylaxis: incidence and role of D-dimer as predictive factors / M. Artifoni, G. Danic, G. Gautier, P. Gicquel [et al.] - DOI: 10.1007/s11239-020-02146-z. -Текст: электронный // J Thromb Thrombolysis. - 2020. - Volume 50, № 1. - P. 211-216. - URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7246965/ (дата обращения: 01.03.2022).
[16] Azkur, A. K. Immune response to SARS-CoV-2 and mechanisms of immunopathological changes in COVID-19 / A. K. Azkur, M. Akdis, D. Azkur, M. Sokolowska [et al.] -DOI: 10.1111/all.14364. - Текст: электронный // Allergy. - 2020. - Volume 75, № 7. -P. 1564-1581. - URL: https://onlinelibrary.wiley.com/doi/10.1111/all.14364 (дата обращения: 23.07.2021).
[ 17] Bakin, E.A. A precise score for the regular monitoring of COVID-19 patients condition validated within the first two waves of the pandemic / E.A. Bakin, O.V. Stanevich, V.A. Belash [et al.] -DOI:https://doi.org/10.1101/2021.02.09.21249859. - Текст: электронный // medRxiv. -2021. - URL: https://www.medrxiv.org/content/10.1101/2021.02.09.21249859v3 (дата обращения: 13.02.2022)
[18] Bayat, V. A severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) prediction model from standard laboratory tests / V. Bayat, S. Phelps, R. Ryono, C. Lee [et al.] -DOI: 10.1093/cid/ciaa1175. - Текст: электронный // Clin Infect Dis. - 2020. - Volume 73, № 9. - P. 2901-2907. - URL:
https://academic.oup.com/cid/article/73/9/e2901/5891814?login=false (дата обращения: 15.03.2022).
[19] Beam, A. L. Big data and machine learning in health care / A. L. Beam, I. S. Kohane - DOI: 10.1001/jama.2017.18391. - Текст: электронный // Jama. - 2018. - Volume 319, № 13. -P. 1317-1318. - URL: https://jamanetwork.com/journals/jama/article-abstract/2675024 (дата обращения: 19.10.2021).
[20] Beerenwinkel, N. Methods for optimizing antiviral combination therapies / N. Beerenwinkel, T. Lengauer, M. Däumer, R. Kaiser [et al.] - DOI: 10.1093/bioinformatics/btg1001. - Текст: электронный // Bioinformatics. - 2003. - Volume 19, № 1. - P. 16-25. - URL: https://academic.oup.com/bioinformatics/article/19/suppl_1/i16/227645?login=false (дата обращения: 30.01.2022).
[21] Bi, X. Prediction of severe illness due to COVID-19 based on an analysis of initial fibrinogen to albumin ratio and platelet count / X. Bi, Z. Su, H. Yan, J. Du [et al.] -
DOI: 10.1080/09537104.2020.1760230. - Текст: электронный // Platelets. - 2020. -Volume 31, № 5. - P. 674-679. - URL:
https://www.tandfonline.com/doi/full/10.1080/09537104.2020.1760230 (дата обращения: 10.01.2022).
[22] Biryukov, J. SARS-CoV-2 is rapidly inactivated at high temperature / J. Biryukov, J. A. Boydston, R. A. Dunning, J. J. Yeager [et al.] - DOI: 10.1007/s10311-021-01187-x. -Текст: электронный // Environ Chem Lett. - 2021. - Volume 19. - P. 1773-1777. - URL: https://link.springer.com/article/10.1007%2Fs10311-021-01187-x (дата обращения: 19.07.2021).
[23] Booth, A. L. Development of a prognostic model for mortality in covid-19 infection using machine learning / A. L. Booth, E. Abels, P. McCaffrey - DOI: 10.1038/s41379-020-00700-x. - Текст: электронный // Mod Pathol. - 2020. - Volume 34. - P. 522-531. - URL: https://www.nature.com/articles/s41379-020-00700-x#citeas (дата обращения: 01.04.2022).
[24] Brinati, D. Detection of COVID-19 infection from routine blood exams with machine learning: a feasibility study / D. Brinati, A. Campagner, D. Ferrari, M. Locatelli [et al.] -DOI: 10.1007/s10916-020-01597-4. - Текст: электронный // J Med Syst. - 2020. -Volume 44, № 135. - URL: https://link.springer.com/article/10.1007/s10916-020-01597-4 (дата обращения: 29.03.2022).
[25] Butowt, R. Anosmia in COVID-19: Underlying Mechanisms and Assessment of an Olfactory Route to Brain Infection / R. Butowt, C. S. von Bartheld - DOI: 10.1177/1073858420956905. - Текст: электронный // The Neuroscientist: a review journal bringing neurobiology, neurology and psychiatry. - 2020. - Volume 27, № 6. - P. 582-603. -URL: https://journals.sagepub.com/doi/10.1177/1073858420956905 (дата обращения: 11.04.2021).
[26] Cabitza, F. Development, evaluation, and validation of machine learning models for covid-19 detection based on routine blood tests / F. Cabitza, A. Campagner, D. Ferrari,
C. Di Resta [et al.] - DOI: 10.1515/cclm-2020-1294. - Текст: электронный // Clin Chem Lab Med. - 2020. - Volume 59, № 2. - P. 421-431. - URL: https://www.degruyter.com/document/doi/10.1515/cclm-2020-1294/html (дата обращения: 06.04.2022).
[27] Cabitza, F. Unintended consequences of machine learning in medicine / F. Cabitza, R. Rasoini, G. F. Gensini - DOI: 10.1001/jama.2017.7797. - Текст: электронный // Jama. -2017. - Volume 318, № 6. - P. 517-518. -
URL: https://jamanetwork.com/journals/jama/article-abstract/2645762 (дата обращения:
09.10.2021).
[28] Cecconi, M. Early predictors of clinical deterioration in a cohort of 239 patients hospitalized for Covid-19 infection in Lombardy / M. Cecconi, D. Piovani, E. Brunetta, A. Aghemo [et al.] - DOI: 10.3390/jcm9051548. - Текст: электронный // J Clin Med Res. -2020. - Volume 9, № 5. - URL: https://www.mdpi.com/2077-0383/9Z5/1548 (дата обращения: 07.01.2022).
[29] Challen, R. Artificial intelligence, bias and clinical safety / R. Challen, J. Denny, M. Pitt, L. Gompels [et al.] - DOI: 10.1136/bmjqs-2018-008370. - Текст: электронный // BMJ Quality & Safety. - 2019. - Volume 28, № 3. - P. 231-237. -URL: https://qualitysafety.bmj.com/content/28/3/231 (дата обращения: 09.01.2022).
[30] Challen, R. Risk of mortality in patients infected with SARS-CoV-2 variant of concern 202012/1: matched cohort study / R. Challen, E. Brooks-Pollock, J. M. Read, L. Dyson [et al.] - DOI: 10.1136/bmj.n579. - Текст: электронный // BMJ. - 2021. -Volume 372, № 579. - URL: https://www.bmj.com/content/372/bmj.n579 (дата обращения: 28.05.2021).
[31] Chan, J. F.-W. Genomic characterization of the 2019 novel human-pathogenic coronavirus isolated from a patient with atypical pneumonia after visiting Wuhan / J. F.-W. Chan, K.-H. Kok, Z. Zhu, H. Chu et.al. - DOI: 10.1080/22221751.2020.1719902. - Текст: электронный // Emerg Microbes Infect. - 2020. - Volume 9, № 1. - P. 221-236. - URL: https://www.tandfonline.com/doi/full/10.1080/22221751.2020.1719902 (дата обращения:
15.01.2022).
[32] Chen, N. Epidemiological and clinical characteristics of 99 cases of 2019 novel coronavirus pneumonia in Wuhan, China: a descriptive study / N. Chen, M. Zhou, X. Dong, J. Qu [et al.] - DOI: 10.1016/S0140-6736(20)30211-7. - Текст: электронный // Lancet. -2020. - Volume 395, № 10223. - P. 507-513. - URL:
https://www.thelancet.com/journals/lancet/article/PIIS0140-6736(20)30211-7/fulltext (дата обращения: 11.12.2021).
[33] Chen, R. Longitudinal hematologic and immunologic variations associated with the progression of COVID-19 patients in China / R. Chen L. Sang, M. Jiang, Z. Yang [et al.] -DOI: 10.1016/j.jaci.2020.05.003. - Текст: электронный // J Allergy Clin Immunol. -
2020. - Volume 146, № 1. - P. 89-100. - URL:
https://www.jacionline.org/article/S0091-6749(20)30638-2/fulltext (дата обращения:
09.12.2021).
[34] Chen, T. Clinical characteristics of 113 deceased patients with coronavirus disease 2019: retrospective study / T. Chen, D. Wu, H. Chen, W. Yan [et al.] - DOI: 10.1136/bmj.m1091. -Текст: электронный // BMJ. - 2020. - Volume 368. -
URL: https://www.bmj.com/content/368/bmj.m1091 (дата обращения: 17.01.2022).
[35] Chen, Y. Emerging coronaviruses: Genome structure, replication, and pathogenesis / Y. Chen, Q. Liu, D. Guo - DOI: 10.1002/jmv.25681. - Текст: электронный // Journal of medical virology. - 2020. - Volume 92, № 4. - P. 418-423. - URL: https://onlinelibrary.wiley.com/doi/10.1002/jmv.25681 (дата обращения: 25.12.2021).
[36] Ciceri, F. Early predictors of clinical outcomes of COVID-19 outbreak in Milan, Italy /
F. Ciceri, A. Castagna, P. Rovere-Querini, F. De Cobelli [et al.] -DOI: 10.1016/j.clim.2020.108509. - Текст: электронный // Clin Immunol. - 2020. -Volume 217, № 108509. -
URL: https://www.sciencedirect.com/science/article/pii/S1521661620304563?via%3Dihub (дата обращения: 12.12.2021).
[37] Clark R, Waters B, Stanfill AG. Elevated 37 function tests in COVID-19: Causes, clinical evidence, and potential treatments / R. Clark, B. Waters, A.G. Stanfill. -DOI:10.1097/01.NPR.0000722316.63824.f9. - Текст: электронный // Nurse Pract. -
2021. - Vol.46(1). - P. 21-26. -
URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7771523/ (дата обращения:
13.02.2022)
[38] Conti, P. Induction of pro-inflammatory cytokines (IL-1 and IL-6) and lung inflammation by Coronavirus-19 (COVI-19 or SARS-CoV-2): anti-inflammatory strategies / P. Conti,
G. Ronconi, A. Caraffa, C. E. Gallenga [et al.] - DOI: 10.23812/CONTI-E. -Текст: электронный // J Biol Regul Homeost Agents. - 2020. - Volume 34, № 2. - P. 327-331. - URL:
https://www.biolifesas.org/biolife/2020/03/15/induction-of-pro-inflammatory-cytokines-il-1 -and-il-6-and-lung-inflammation-by-covid-19-anti-inflammatory-strategies/ (дата
обращения: 16.08.2021).
[39] Coopersmith, C. M. The Surviving Sepsis Campaign: Research Priorities for Coronavirus Disease 2019 in Critical Illness / C. M. Coopersmith, M. Antonelli, S. R. Bauer,
C. S. Deutschman [et al.] - DOI: 10.1097/CCM.0000000000004895. - Текст: электронный // Crit Care Med. - 2021. - Volume 49, № 4. - P. 598-622. - URL: https://journals.lww.com/ccmjournal/Fulltext/2021/04000/The_Surviving_Sepsis_Campaig n_Research_Priorities.5.aspx (дата обращения: 10.10.2021).
[40] Coronavirus Symptoms (COVID-19). - Текст: электронный // Worldofmeters: официальный сайт. - 2021. - URL:
https://www.40.info/coronavirus/coronavirus-symptoms/ (дата обращения: 15.06.2021).
[41] Crevier, D. AI: the tumultuous history of the search for artificial intelligence / D. Crevier -DOI: 10.3233/AIC-1995-8108. - Текст: электронный // Basic Books, Inc. - 1993. - URL: https://www.researchgate.net/publication/233820788_AI_The_Tumultuous_History_of_the _Search_for_Artificial_Intelligence (дата обращения: 08.01.2022).
[42] Cummings, M. J. Epidemiology, clinical course, and outcomes of critically ill adults with COVID-19 in New York City: a prospective cohort study / M. J. Cummings, M. R. Baldwin,
D. Abrams, S. D. Jacobson [et al.] - DOI: 10.1016/S0140-6736(20)31189-2. - Текст: электронный // Lancet. - 2020. - Volume 395, № 10239. - P. 1763-1770. - URL: https://www.thelancet.com/journals/lancet/article/PIIS0140-6736(20)31189-2/fulltext (дата обращения: 19.01.2022).
[43] Das, A. Prediction of outcome in acute lower-gastrointestinal haemorrhage based on an artificial neural network: internal and external validation of a predictive model / A. Das, T. Ben-Menachem, G. S. Cooper, A. Chak [et al.] -DOI: 10.1016/S0140-6736(03)14568-0. - Текст: электронный // Lancet. - 2003. -Volume 362, № 9392. - P. 1261-1266. - URL:
https://www.thelancet.com/journals/lancet/article/PIIS0140-6736(03)14568-0/fulltext (дата обращения: 01.02.2022).
[44] Davies, N. G. Association of tiered restrictions and a second lockdown with COVID-19 deaths and hospital admissions in England: a modelling study / N. G. Davies, R. C. Barnard, C. I. Jarvis, T. W. Russell [et al.] - DOI: 10.1016/S1473-3099(20)30984-1. - Текст: электронный // Lancet Infect Dis. - 2021. - Volume 21, № 4. - P. 482-492. - URL:
https://www.thelancet.com/journals/laninf/article/PIIS1473-3099(20)30984-1/fulltext (дата обращения: 02.06.2021).
[45] Davies, N. G. Estimated transmissibility and impact of SARS-CoV-2 lineage B.1.1.7 in England / N. G. Davies, S. Abbott, R. C. Barnard, C. I. Jarvis [et al.] -DOI: 10.1126/science.abg3055. - Текст: электронный // Science. - 2021. - Volume 372, № 6538. - URL: https://www.science.org/doi/10.1126/science.abg3055 (дата обращения: 21.05.2021).
[46] Davies, N. G. Increased mortality in community-tested cases of SARS-CoV-2 lineage B.1.1.7 / N. G. Davies, C. I. Jarvis, W. J. Edmunds, N. P. Jewell [et al.] - DOI: 10.1038/s41586-021 -03426-1. - Текст: электронный // Nature. - 2021. - Volume 593, № 7858. - P. 270-274. - URL: https://www.nature.com/articles/s41586-021-03426-1 (дата обращения: 08.07.2021).
[47] Delclaux, C. No need for pulmonologists to interpret pulmonary function tests / C. Delclaux - DOI: 10.1183/13993003.00829-2019. - Текст: электронный // Eur Respirat Journal - 2019. - Volume 54, № 1. - URL: https://erj.ersjournals.com/content/54/1/1900829 (дата обращения: 24.09.2021).
[48] Deng, F. Increased levels of ferritin on admission predicts intensive care unit mortality in patients with COVID-19 / F. Deng, L. Zhang, L. Lyu, Z. Lu [et al.] - DOI: 10.1016/j.medcli.2020.11.030. - Текст: электронный // Medicina clinica. - 2021. - Volume 156, № 7. - P. 324-331. - URL:
https://www.sciencedirect.com/science/article/pii/S002577532030871X7via%3Dihub (дата обращения: 03.01.2022).
[49] Desautels, T. Pediatric severe sepsis prediction using machine learning / T. Desautels, J. Hoffman, C. Barton, Q. Mao [et al.] - DOI: 10.1101/223289. - Текст: электронный // bioRxiv. - 2017. - URL: https://www.biorxiv.org/content/10.1101/223289v1.full (дата обращения: 11.12.2021).
[50] Dong, G The clinical characteristics and prognosis of COVID-19 patients with comorbidities: a retrospective analysis of the infection peak in Wuhan / G. Dong, Z. Du, J. Zhu [et al.] -DOI:10.21037/atm-20-4052 - Текст: электронный // Ann Transl Med. - 2021. -№9(4):280. - URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7944295/ (дата обращения: 13.02.2022)
[51] Dorado-Díaz, P. I. Applications of artificial intelligence in cardiology. The future is already here / P. I. Dorado-Díaz, J. Sampedro-Gómez, V. Vicente-Palacios, P. L. Sánchez - DOI:
10.1016/j.rec.2019.05.014. - Текст: электронный // Revista Española de Cardiología. -2019. - Volume 72, № 12. - P. 1065-1075. - URL:
https://www.sciencedirect.com/science/article/abs/pii/S18855857193026097via%3Dihub (дата обращения: 17.01.2022).
[52] Duan, J. Correlation between the variables collected at admission and progression to severe cases during hospitalization among patients with COVID-19 in Chongqing / J. Duan,
X. Wang, J. Chi, H. Chen [et al.] - DOI: 10.1002/jmv.26082. - Текст: электронный // J Med Virol. - 2020. - Volume 92, № 11. - P. 2616-2622. -
URL: https://onlinelibrary.wiley.com/doi/10.1002/jmv.26082 (дата обращения: 07.10.2021).
[53] Escobar, G. J. Prediction of Recurrent Clostridium Difficile Infection Using Comprehensive Electronic Medical Records in an Integrated Healthcare De37y System / G. J. Escobar, J. M. Baker, P. Kipnis, J. D. Greene [et al.] - DOI: 10.1017/ice.2017.176 -Текст: электронный // Infect Control Hosp Epidemiol. - 2017. - Volume 38, № 10. -P. 1196-1203. - URL:
https://www.cambridge.org/core/journals/infection-control-and-hospital-epidemiology/a rticle/abs/prediction-of-recurrent-clostridium-difficile-infection-using-comprehensive-el ectronic-medical-records-in-an-integrated-healthcare-de37y-system/A97BC6992C1E62 30678D666A55B3F9F0 (дата обращения: 01.02.2022).
[54] Faria, N. R. Genomics and epidemiology of a novel SARS-CoV-2 lineage in Manaus, Brazil / N. R. Faria, T. A. Mellan, C. Whittaker, I. M. Claro [et al.] - DOI: 10.1126/science.abh2644. - Текст: электронный // Science. - 2021. - Volume 372, № 6544. - P. 815-821. - URL: https://www.science.org/doi/10.1126/science.abh2644
(дата обращения: 28.01.2022).
[55] Feng, C. A novel triage tool of artificial intelligence assisted diagnosis aid system for suspected covid-19 pneumonia in fever clinics / C. Feng, Z. Huang, L. Wang, X. Chen [et al.] - DOI: 10.21037/atm-20-3073. - Текст: электронный // Ann Transl Med. -2021. - Volume 9, № 3. - URL: https://atm.amegroups.com/article/view/60789/html (дата обращения: 12.04.2022).
[56] Fernández-Esparrach, G. Exploring the clinical potential of an automatic colonic polyp detection method based on the creation of energy maps / G. Fernández-Esparrach, J. Bernal, M. López-Cerón, C. Sánchez-Montes [et al.] - DOI: 10.1055/s-0042-108434. -Текст: электронный // Endoscopy. - 2016. - Volume 48, № 9. - P. 837-842. -
URL: https://www.thieme-connect.de/products/ejournals/abstract/10.1055/s-0042-108434 (дата обращения: 03.02.2022).
[57] Finelli, L. Mortality Among US Patients Hospitalized With SARS-CoV-2 Infection in 2020 / L. Finelli, V. Gupta, T. Petigara, K. Yu [et al.] - DOI: 10.1001/jamanetworkopen.2021.6556. - Текст: электронный // JAMA Netw Open. -2021. - Volume 4, № 4. - URL:
https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2778237 (дата обращения: 07.11.2021).
[58] Fish, E. N. The X-files in immunity: sex-based differences predispose immune responses / E. N. Fish - DOI: 10.1038/nri2394. - Текст: электронный // Nat Rev Immunol. - 2008. -Volume 8. - P. 737-744. - URL: https://www.nature.com/articles/nri2394 (дата обращения: 13.11.2021).
[59] Fraisse, M. Thrombotic and hemorrhagic events in critically ill COVID-19 patients: a French monocenter retrospective study / M. Fraisse, E. Logre, O. Pajot, H. Mentec [et al.] -DOI: 10.1186/s13054-020-03025-y. - Текст: электронный // Crit Care. - 2020. -Volume 24, № 275. - URL:
https://ccforum.biomedcentral.com/articles/10.1186/s13054-020-03025-y (дата обращения: 23.01.2021).
[60] Galloway, J. B. A clinical risk score to identify patients with COVID-19 at high risk of critical care admission or death: an observational cohort study / J. B. Galloway, S. Norton, R. D. Barker, A. Brookes [et al.] - DOI: 10.1016/j.jinf.2020.05.064. - Текст: электронный // J Infect. - 2020. - Volume 81, № 2. - P. 282-288. -
URL: https://www.journalofinfection.com/article/S0163-4453(20)30314-5/fulltext (дата обращения: 20.12.2021).
[61] Galloway, S. E. Emergence of SARS-CoV-2 B.1.1.7 Lineage - United States, December 29, 2020-January 12, 2021 / S.E. Galloway, P. Paul, D. R. MacCannell, M.A. Johansson [et al.] -DOI: 10.15585/mmwr.mm7003e2. - Текст: электронный // MMWR Morb Mortal Wkly Rep. - 2021. - Volume 70, № 3. - P. 95-99. - URL: https://www.cdc.gov/mmwr/volumes/70/wr/mm7003e2.htm?s_cid=mm7003e2_w (дата обращения: 12.03.2021).
[62] Gebhard, C. Impact of sex and gender on COVID-19 outcomes in Europe / C. Gebhard, V. Regitz-Zagrosek, H. K. Neuhauser, R. Morgan [et al.] - DOI: 10.1186/s13293-020-00304-9. - Текст: электронный // Biol Sex Differ. - 2020. - Volume
11, № 29. - URL: https://bsd.biomedcentral.com/articles/10.1186/s13293-020-00304-9 (дата обращения: 25.11.2021).
[63] Geddes, C. C. An artificial neural network can select patients at high risk of developing progressive IgA nephropathy more accurately than experienced nephrologists / C. C. Geddes, J. G. Fox, M. E. Allison, J. M. Boulton-Jones [et al.] - DOI: 10.1093/ndt/13.1.67. - Текст: электронный // Nephrol Dialysis, Transplant. - 1998. - Volume 13, № 1. - P. 67-71. - URL: https://academic.oup.com/ndt/article/13/1/67/1833679?login=false (дата обращения: 29.01.2022).
[64] Giacomelli, A. Self-reported olfactory and taste disorders in SARS-CoV-2 patients: a cross-sectional study / A. Giacomelli, L. Pezzati, F. Conti, D. Bernacchia [et al.] - DOI: 10.1093/cid/ciaa330. - Текст: электронный // Clin Infect Dis. - 2020. - Volume 71, № 15. -P. 889-890. - URL: https://academic.oup.com/cid/article/71/15/889/5811989?login=false (дата обращения: 17.02.2021).
[65] Girelli, D. Iron metabolism in infections: Focus on COVID-19 / D. Girelli, G. Marchi, F. Busti, A. Vianello A. - DOI:10.1053/j.seminhematol.2021.07.001. - Текст: электронный // Semin Hematol. - 2021. - Vol.58(3). - P. 182-187. - URL:
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8305218/ (дата обращения: 13.02.2022)
[66] Global Health Observatory metadata: Age Group Codelist // World Health organization: официальный сайт. - URL: https://apps.who.int/gho/data/node.metadata.AGEGROUP (дата обращения: 13.02.2022) - Текст: электронный
[67] Goldwasser, P. Association of serum albumin and mortality risk / P. Goldwasser, J. Feldman [et al.] -DOI: 10.1016/s0895-4356(97)00015-2. - Текст: электронный // J Clin Epidemiol. - 1997. -Volume 50, № 6. - P. 693-703. - URL:
https://www.jclinepi.com/article/S0895-4356(97)00015-2/pdf (дата обращения: 13.12.2021).
[68] Goodman-Meza, D. A machine learning algorithm to increase COVID-19 inpatient diagnostic capacity / D. Goodman-Meza, A. Rudas, J. N. Chiang, P. C. Adamson [et al.] - DOI: 10.1371/j ournal .pone.0239474. - Текст: электронный // PloS One. - 2020. -
Volume 15, № 9. - URL:https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0239474 (дата обращения: 09.04.2022).
[69] Grasselli, G. Baseline characteristics and outcomes of 1591 patients infected with SARS-CoV-2 admitted to ICUs of the Lombardy region, Italy / G. Grasselli, A. Zangrillo, A. Zanella, M. Antonelli [et al.] - DOI: 10.1001/jama.2020.5394. - Текст: электронный // JAMA. - 2020. - Volume 323, № 16. - P. 1574-1581. - URL: https://jamanetwork.com/journals/jama/fullarticle/2764365 (дата обращения: 01.12.2021).
[70] Grint, D. J. Case fatality risk of the SARS-CoV-2 variant of concern B.1.1.7 in England, 16 November to 5 February / D. J. Grint, K. Wing, E. Williamson, H. I. McDonald [et al.] -DOI: 10.2807/1560-7917.ES.2021.26.11.2100256. - Текст: электронный // Euro Surveill. -2021. - Volume 26, № 11. - URL:
https://www.eurosurveillance.org/content/10.2807/1560-7917.ES.2021.26.11.2100256 (дата обращения: 11.07.2021).
[71] Guan, W.-J. Clinical characteristics of coronavirus disease 2019 in China / W.-J. Guan, Z.-Y. Ni, Y. Hu, W.-H. Liang [et al.] - DOI: 10.1056/NEJMoa2002032. - Текст: электронный // NEJM. - 2020. - Volume 382, № 18. - P. 1708-1720. - URL: https://www.nejm.org/doi/10.1056/nejmoa2002032 (дата обращения: 03.02.2021).
[72] Guan, X. Clinical and inflammatory features based machine learning model for fatal risk prediction of hospitalized covid-19 patients: results from a retrospective cohort study / X. Guan, B. Zhang, M. Fu, M. Li [et al.] - DOI: 10.1080/07853890.2020.1868564. - Текст: электронный // Ann Med. - 2021. - Volume 53, № 1. - P. 257-266. - URL: https://www.tandfonline.com/doi/full/10.1080/07853890.2020.1868564 (дата обращения: 26.03.2022).
[73] Guo, T. Cardiovascular implications of fatal outcomes of patients with coronavirus disease 2019 (COVID-19) / T. Guo, Y. Fan, M. Chen, X. Wu [et al.] - DOI: 10.1001/jamacardio.2020.1017. - Текст: электронный // JAMA Cardiol. - 2020. - Volume 5, № 7. - P. 811-818. - URL:
https://jamanetwork.com/journals/jamacardiology/fullarticle/2763845 (дата обращения: 23.07.2021).
[74] Gupta, A. Extrapulmonary manifestations of COVID-19 / A. Gupta, M. V. Madhavan, K. Sehgal, N. Nair [et al.] - DOI: 10.1038/s41591-020-0968-3. - Текст: электронный // Nat Med. - 2020. - Volume 26, № 7. - P. 1017-1032. - URL: https://www.nature.com/articles/s41591-020-0968-3 (дата обращения: 29.05.2021).
[75] Hartvigsen, T. Early Prediction of MRSA Infections using Electronic Health Records / T. Hartvigsen, C. Sen, S. Brownell, E. Teeple [et al.] - DOI: 10.5220/0006599601560167. -Текст: электронный // HEALTHINF. - 2018. - P. 156-167. - URL: https://www.scitepress.org/Link.aspx? doi=10.5220/0006599601560167 (дата обращения : 08.02.2021).
[76] Hatzakis, G. E. Neural network-longitudinal assessment of the Electronic Anti-Retroviral THerapy (EARTH) cohort to follow response to HIV-treatment / G. E. Hatzakis, M. Mathur,
L. Gilbert, G. Panos [et al.] - Текст: электронный // AMIA Annu Symp Proc. - 2005. -Volume 2005. - P. 301-305. - URL:
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1560514/ (дата обращения: 17.01.2022).
[77] Herlekar, R. Hypoalbuminaemia in COVID-19 infection: a predictor of severity or a potential therapeutic target / R. Herlekar, A. S. Roy, M. Matson [et al.] - DOI: 10.1002/jmv.26151. -Текст: электронный // J Med Virol. - 2020. - Volume 93, № 1. - P. 83-84. - URL: https://onlinelibrary.wiley.com/doi/10.1002/jmv.26151 (дата обращения: 12.01.2022).
[78] Hernandez, B. Supervised learning for infection risk inference using pathology data / B. Hernandez, P. Herrero, T. M. Rawson, L. S. Moore [et al.] - DOI: 10.1186/s12911-017-0550-1. - Текст: электронный // BMC medical informatics and decision making. - 2017. - Volume 17, № 168. - P. 1-12. - URL: https://bmcmedinformdecismak.biomedcentral.com/articles/10.1186/s12911-017-0550-1 (дата обращения: 26.02.2021).
[79] Hessami, A. Cardiovascular diseases burden in COVID-19: Systematic review and meta-analysis / A. Hessami, A. Shamshirian, K. Heydari, F. Pourali [et al.] - DOI: 10.1016/j.ajem.2020.10.022. - Текст: электронный // Am J Emerg Med. - 2021. - Volume 46. - P. 382-391. - URL:
https://www.sciencedirect.com/science/article/pii/S07356757203090867via%3Dihub (дата обращения: 21.09.2021).
[80] Hinton, G. Deep learning—a technology with the potential to transform health care / G. Hinton - DOI: 10.1001/jama.2018.11100. - Текст: электронный // Jama. - 2018. - Volume 320, № 11. - P. 1101-1102. - URL:
https://jamanetwork.com/journals/jama/article-abstract/2701666 (дата обращения: 01.02.2021).
[81] Hirsch J. S. Acute kidney injury in patients hospitalized with COVID-19 / J. S. Hirsch, J. H. Ng, D. W. Ross, P. Sharma [et al.] - DOI: 10.1016/j.kint.2020.05.006. - Текст: электронный // Kidney Int. - 2020. - Volume 98, № 1. - P. 209-218. - URL: https://www.kidney-international.org/article/S0085-2538(20)30532-9/fulltext (дата обращения: 21.02.2021).
[82] Ho, T. K. The random subspace method for constructing decision forests / T. K. Ho - DOI: 10.1109/34.709601. - Текст: электронный // IEEE Trans Pattern Anal Mach Intell. -1998. - Volume 20, № 8. - P. 832-844. - URL: https://ieeexplore.ieee.org/document/709601 (дата обращения: 12.03.2022).
[83] Hoffman, M. SARS-CoV-2 cell entry depends on ACE2 and TMPRSS2 and is blocked by a clinically proven protease inhibitor / M. Hoffman, H. Kleine-Weber, S. Schroeder, N. Kruger [et al.] - DOI: 10.1016/j.cell.2020.02.052. - Текст: электронный // Cell. -2020. - Volume 181, № 2. - P. 271-280. - URL:
https://linkinghub.elsevier.com/retrieve/pii/S0092867420302294 (дата обращения:
11.03.2021).
[84] Holstiege, J. Patients at high risk for a severe clinical course of COVID-19 - small-area data in support of vaccination and other population-based interventions in Germany / J. Holstiege, M.K. Akmatov, C. Kohring [et al.] - DOI:10.1186/s12889-021-11735-3. - Текст: электронный // BMC Public Health. -2021. - Vol. 21(1):1769. - URL: https://pubmed.ncbi.nlm.nih.gov/34583657/ (дата обращения: 13.02.2022)
[85] Hu, C. Early prediction of mortality risk among patients with severe COVID-19, using machine learning / C. Hu, Z. Liu, Y. Jiang, O. Shi [et al.] - DOI: 10.1093/ije/dyaa171. -Текст: электронный // Int J Epidemiol. - 2020. - Volume 49, № 6. - P. 1918-1929. - URL: https://academic.oup.com/ije/article/49/6/1918/5913398?login=false (дата обращения:
05.04.2022).
[86] Huang, C. Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China / C. Huang, Y. Wang, X. Li, L. Ren [et al.] - DOI: 10.1016/S0140-6736(20)30183-5. -Текст: электронный // Lancet. - 2020. - Volume 395, № 10223. - P. 497-506. - URL: https://www.thelancet.com/journals/lancet/article/PIIS0140-6736(20)30183-5/fulltext (дата обращения: 12.01.2021).
[87] Huang, J. Hypoalbuminemia predicts the outcome of COVID-19 independent of age and co-morbidity / J. Huang, A. Cheng, R. Kumar, Y. Fang [et al.] - DOI: 10.1002/jmv.26003. -Текст: электронный // J Med Virol. - 2020. - Volume 92, № 10. - P. 2152-2158. - URL: https://onlinelibrary.wiley.com/doi/10.1002/jmv.26003 (дата обращения: 18.12.2021).
[88] Huang, S. COVID-19 patients with hypertension have more severe disease: a multicenter retrospective observational study / S. Huang, J. Wang, F. Liu, J. Liu [et al.] - DOI: 10.1038/s41440-020-0485-2. - Текст: электронный // Hypertens Res. - 2020. - Volume 43. - P. 824-831. - URL: https://www.nature.com/articles/s41440-020-0485-2 (дата обращения: 24.01.2022).
[89] Huang, W. Lymphocyte subset counts in COVID-19 patients: a meta-analysis / W. Huang, J. Berube, M. McNamara, S. Saksena [et al.] - DOI: 10.1002/cyto.a.24172. - Текст: электронный // Cytometry. - 2020. - Volume 97, № 8. - P. 772-776. - URL: https://onlinelibrary.wiley.com/doi/10.1002/cyto.a.24172 (дата обращения: 03.10.2021).
[90] Huang, Z. MACE prediction of acute coronary syndrome via boosted resampling classification using electronic medical records / Z. Huang, T.-M. Chan, W. Dong - DOI: 10.1016/j .jbi.2017.01.001. - Текст: электронный // J Biomed Inform. - 2017. - Volume 66. - P. 161-170. - URL:
https://www.sciencedirect.com/science/article/pii/S1532046417300011?via%3Dihub (дата обращения: 27.01.2022).
[91] Ibanez-Samaniego, L. Elevation of 37 fibrosis index FIB-4 is associated with poor clinical outcomes in patients with COVID-19 / L. Ibanez-Samaniego, F. Bighelli, C. Uson,
C. Caravaca [et al.] - DOI: 10.1093/infdis/jiaa355. - Текст: электронный // J Infect Dis. -2020. - Volume 222, № 5. - P. 726-733. - URL:
https://academic.oup.com/jid/article/222/5/726/5860441?login=false (дата обращения: 14.01.2022).
[92] Ichimasa, K. Artificial intelligence may help in predicting the need for additional surgery after endoscopic resection of T1 colorectal cancer / K. Ichimasa, S.-E. Kudo, Y. Mori, M. Misawa [et al.] - DOI: 10.1055/s-0043-122385. - Текст: электронный // Endoscopy. -2018. - Volume 50, № 3. - P. 230-240. - URL:
https://www.thieme-connect.de/products/ejournals/abstract/10.1055/s-0043-122385 (дата обращения: 06.02.2022).
[93] Illg, Z. Analysis of absolute lymphocyte count in patients with COVID-19 / Z. Illg, G. Muller, M. Mueller, J. Nippert, B. Allen - DOI:10.1016/j.ajem.2021.02.054. - Текст: электронный // Am J Emerg Med. - 2021. - Vol. 46 P. 16-19. - URL:
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7923864/ (дата обращения: 13.02.2022)
[94] Imam, Z. Older age and comorbidity are independent mortality predictors in a large cohort of 1305 COVID-19 patients in Michigan, United States / Z. Imam, F. Odish, I. Gill,
D. O'Connor [et al.] - DOI: 10.1111/joim.13119. - Текст: электронный // J Intern Med. -2020. - Volume 288, № 4. - URL: https://onlinelibrary.wiley.com/doi/10.1111/joim.13119 (дата обращения: 11.01.2022).
[95] India: COVID-19 Crisis. - Текст: электронный // ACT Alliance - Action by Churches Together: reports. - 2021. - URL:
https://reliefweb.int/report/india/act-alliance-alert-india-covid-19-crisis-30-april-2021 (дата обращения: 20.01.2022).
[96] Jiang, M. T-Cell subset counts in peripheral blood can be used as discriminatory biomarkers for diagnosis and severity prediction of COVID-19 / M. Jiang, Y. Guo, Q. Luo,
Z. Huang [et al.] - DOI: 10.1093/infdis/jiaa252. - Текст: электронный // J Infect Dis. -2020. - Volume 222, № 2. - P. 198-202. - URL:
https://academic.oup.com/jid/article/222/2/198/5831863?login=false (дата обращения: 03.11.2021).
[97] Jin, J.-M. Gender Differences in Patients With COVID-19: Focus on Severity and Mortality / J.-M. Jin, P. Bai, W. He, F. Wu [et al.] - DOI: 10.3389/fpubh.2020.00152. - Текст: электронный // Frontiers in public health. - 2020. - Volume 8, № 152. - URL: https://www.frontiersin.org/articles/10.3389/fpubh.2020.00152/full (дата обращения: 01.06.2021).
[98] Jin, S. Prevalence and Impact of Coagulation Dysfunction in COVID-19 in China / S. Jin, Y. Jin, B. Xu, J. Hong [et al.] - DOI: 10.1055/s-0040-1714369. - Текст: электронный // Thromb Haemost. - 2020. - Volume 120, № 11. - P. 1524-1535. - URL: https://www.thieme-connect.de/products/ejournals/abstract/10.1055/s-0040-1714369 (дата обращения: 18.01.2022).
[99] Joshi, R. P. A predictive tool for identification of SARS-CoV-2 pcr-negative emergency department patients using routine test results / R. P. Joshi, V. Pejaver, N. E. Hammarlund, H. Sung [et al.] - DOI: 10.1016/j.jcv.2020.104502. - Текст: электронный // J Clin Virol. -2020. - Volume 129, № 104502. - URL:
https://www.sciencedirect.com/science/article/pii/S1386653220302444?via%3Dihub (дата обращения: 04.04.2022).
[100] Kiss, S. Early changes in laboratory parameters are predictors of mortality and ICU admission in patients with COVID-19: a systematic review and meta-analysis / S. Kiss, N. Gede, P. Hegyi [et al.] - DOI:10.1007/s00430-020-00696-w. - Текст: электронный // Med Microbiol Immunol. - 2021. - Vol.210(1). - P. 33-47. - URL:
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7679241/ (дата обращения: 13.02.2022)
[101] Klok, F. A. Incidence of thrombotic complications in critically ill ICU patients with COVID-19 / F. A. Klok, M. Kruip, N. J. M. van der Meer, M. S. Arbous [et al.] - DOI: 10.1016/j.thromres.2020.04.013. - Текст: электронный // Thromb Res. - 2020. - Volume 191. - P. 145-147. - URL:
https://www.thrombosisresearch.com/article/S0049-3848(20)30120-1/fulltext (дата обращения: 06.01.2021).
[102] Korber, B. Tracking Changes in SARS-CoV-2 Spike: Evidence that D614G Increases Infectivity of the COVID-19 Virus / B. Korber, W. M. Fischer, S. Gnanakaran, H. Yoon [et al.] - DOI:
10.1016/j.cell.2020.06.043. - Текст: электронный // Cell. - 2020. - Volume 182, № 4. - P. 812-827. - URL:
https://www.cell.com/cell/fulltext/S0092-8674(20)30820-5?_returnURL=https%3A%2F%2Fli nkinghub.elsevier.com%2Fretrieve%2Fpii%2FS0092867420308205%3Fshowall%3Dtrue (дата обращения: 10.11.2021).
[103] Krolewski, R. C. Global expression profiling of globose basal cells and neurogenic progression within the olfactory epithelium / R. C. Krolewski, A. Packard, J. E. Schwob -DOI: 10.1002/cne.23204. - Текст: электронный // J Comp Neurol. - 2013. - Volume 521, № 4. - P. 833-59. - URL: https://onlinelibrary.wiley.com/doi/10.1002/cne.23204 (дата обращения: 15.01.2021).
[104] Kronstein-Wiedemann, R. SARS-CoV-2 Infects Red Blood Cell Progenitors and Dysregulates Hemoglobin and Iron Metabolism / R. Kronstein-Wiedemann, M. Stadtmuller, S. Traikov [et al.] - DOI:10.1007/s12015-021-10322-8. - Текст: электронный // Stem Cell Rev Rep. - 2022. - Vol.18(5). - P. 1809-1821. - URL:
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8856880/ (дата обращения: 13.02.2022)
[105] Kukar, M. Covid-19 diagnosis by routine blood tests using machine learning / M. Kukar, G. Guncar, T. Vovko, S. Podnar [et al.] - DOI: 10.1038/s41598-021-90265-9. - Текст: электронный // Sci Rep. - 2021. - Volume 11, № 10738. - URL:
https://www.nature.com/articles/s41598-021-90265-9#citeas (дата обращения: 02.03.2022).
[106] LaBarbera, F. D. A prediction model for Clostridium difficile recurrence / F. D. LaBarbera, I. Nikiforov, A. Parvathenani, V. Pramil [et al.] - DOI: 10.3402/jchimp.v5.26033. - Текст: электронный // J Community Hosp Intern Med Perspect. - 2015. - Volume 5, № 1. - URL: https://www.tandfonline.com/doi/full/10.3402/jchimp.v5.26033 (дата обращения: 16.01.2022).
[107] Lalmuanawma, S. Applications of machine learning and artificial intelligence for Covid-19 (SARS-CoV-2) pandemic: a review / S. Lalmuanawma, J. Hussain, L. Chhakchhuak - DOI: 10.1016/j .chaos.2020.110059. - Текст: электронный // Chaos, Solit Fractals. - 2020. -Volume 139, № 110059. - URL:
https://www.sciencedirect.com/science/article/pii/S0960077920304562?via%3Dihub (дата обращения: 06.03.2022).
[108] Lamping, F. Development and validation of a diagnostic model for early differentiation of sepsis and non-infectious SIRS in critically ill children-a data-driven approach using machine-learning algorithms / F. Lamping, T. Jack, N. Rubsamen, M. Sasse [et al.] - DOI:
10.1186/s12887-018-1082-2. - Текст: электронный // BMC pediatrics. - 2018. - Volume 18, № 1. - P. 1-11. - URL:
https://bmcpediatr.biomedcentral.com/articles/10.1186/s12887-018-1082-2 (дата обращения: 28.11.2021).
[109] Lane, A Clinical characteristics and symptom duration among outpatients with COVID-19 / A. Lane, K. Hunter, E. L. Lee [et al.] - DOI:10.1016/j.ajic.2021.10.039. - Текст: электронный // Am J Infect Control. - 2022. - №50(4). - P. 383-389. - URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8590478/ (дата обращения: 13.02.2022)
[110] Lei, J. Nsp3 of coronaviruses: Structures and functions of a large multi-domain protein / J. Lei, Y. Kusov, R. Hilgenfeld - DOI: 10.1016/j.antiviral.2017.11.001. - Текст: электронный // Antiviral Res. - 2018. - Volume 149. - P. 58-74. - URL:
https://www.sciencedirect.com/science/article/pii/S0166354217303972?via%3Dihub (дата обращения: 15.01.2022).
[111] Li, B. Y. Using Machine Learning and the Electronic Health Record to Predict Complicated Clostridium difficile Infection / B. Y. Li, J. Oh, V. B. Young, K. Rao [et al.] -DOI: 10.1093/ofid/ofz186. - Текст: электронный // Open Forum Infect Dis. - 2019. -Volume 6, № 5. - URL:
https://academic.oup.com/ofid/article/6/5/ofz186/5475497?login=false (дата обращения: 27.01.2022).
[112] Li, M.-Y. Expression of the SARS-CoV-2 cell receptor gene ACE2 in a wide variety of human tissues / M.-Y. Li, L. Li, Y. Zhang, X.-S. Wang - DOI: 10.1186/s40249-020-00662-x. - Текст: электронный // Infect. Dis. Poverty. - 2020. -Volume 9, № 45. - URL:
https://idpjournal.biomedcentral.com/articles/10.1186/s40249-020-00662-x (дата обращения: 07.09.2021).
[113] Li, Q. Hematological features of persons with COVID-19 / Q. Li, Y. Cao, L. Chen, D. Wu [et al.] - DOI: 10.1038/s41375-020-0910-1. - Текст: электронный // Leukemia. -2020. - Volume 34. - P. 2163-2172. - URL:
https://www.nature.com/articles/s41375-020-0910-1#:~:text=Our%20data%20indicate%20t wo%20baseline,hospitalized%20persons%20with%20COVID%2D 19 (дата обращения: 23.05.2021).
[114] Li, S. Clinical and pathological investigation of patients with severe COVID-19 / S. Li, L. Jiang, X. Li, F. Lin [et al.] - DOI: 10.1172/jci.insight.138070. - Текст: электронный //
JCI Insight. - 2020. - Volume 5, № 12. - URL: https://insight.jci.org/articles/view/138070 (дата обращения: 09.11.2021).
[115] Li, W. T. Using machine learning of clinical data to diagnose covid-19: a systematic review and meta-analysis / W. T. Li, J. Ma, N. Shende, G. Castaneda [et al.] - DOI: 10.1186/s12911-020-01266-z. - Текст: электронный // BMC Med Inf Decis Making. -2020. - Volume 20, № 1. - P. 247. - URL:
https://bmcmedinformdecismak.biomedcentral.com/articles/10.1186/s12911-020-01266-z# citeas (дата обращения: 17.03.2022).
[116] Li, Y. Individual-level fatality prediction of covid-19 patients using ai methods / Y. Li, M. A. Horowitz, J. Liu, A. Chew [et al.] - DOI: 10.3389/fpubh.2020.587937. - Текст: электронный // Frontiers in Public Health. - 2020. - Volume 8. - URL: https://www.frontiersin.org/articles/10.3389/fpubh.2020.587937/full (дата обращения: 14.04.2022).
[117] Lino, K. Serum ferritin at admission in hospitalized COVID-19 patients as a predictor of mortality / K. Lino, G. M. C. Guimarâes, L. S. Alves, A. C. Oliveira [et al.] - DOI: 10.1016/j .bjid.2021.101569. - Текст: электронный // Braz J Infect Dis. - 2021. -Volume 25, № 2. - URL:
https://www. sciencedirect. com/science/ article/pii/S1413867021000386?via%3Dihub (дата обращения: 08.01.2022).
[118] Liu, F. Prognostic value of interleukin-6, C-reactive protein, and procalcitonin in patients with COVID-19 / F. Liu, L. Li, M. Xu, J. Wu [et al.] - DOI: 10.1016/j.jcv.2020.104370. -Текст: электронный // J Clin Virol. - 2020. - Volume 127, № 104370. - URL: https://www.sciencedirect.com/science/article/pii/S1386653220301128?via%3Dihub (дата обращения: 08.10.2021).
[119] Liu, Y. Clinical and biochemical indexes from 2019-nCoV infected patients linked to viral loads and lung injury / Y. Liu, Y. Yang, C. Zhang, F. Huang [et al.] - DOI: 10.1007/s11427-020-1643-8. - Текст: электронный // Sci China Life Sci. - 2020. -Volume 63, № 3. - P. 364-374. - URL:
https://link.springer.com/article/10.1007/s11427-020-1643-8 (дата обращения: 11.12.2021).
[120] Liu, Z. Lymphocyte subset (CD4+, CD8+) counts reflect the severity of infection and predict the clinical outcomes in patients with COVID-19 / Z. Liu, W. Long, M. Tu, S. Chen [et al.] -DOI: 10.1016/j.jinf.2020.03.054. - Текст: электронный // J Infect. - 2020. -Volume 81, № 2. - P. 318-356. - URL:
https://www.journalofinfection.com/article/S0163-4453(20)301B2-1/fulltext (дата
обращения: 05.11.2021).
[121] Lu, R. Genomic characterisation and epidemiology of 2019 novel coronavirus: implications for virus origins and receptor binding / R. Lu, X. Zhao, J. Li, P. Niu [et al.] - DOI: 10.1016/S0140-6736(20)30251-B. - Текст: электронный // The Lancet. - 2020. -Volume 395. - P. 565-574. - URL:
https://www.thelancet.com/journals/lancet/article/PIIS0140-6736(20)30251-B/fulltext (дата обращения: 13.02.2021).
[122] Ma, A. Neutrophil-to-lymphocyte ratio as a predictive biomarker for moderate-severe ARDS in severe COVID-19 patients / A. Ma, J. Cheng, J. Yang, M. Dong [et al.] - DOI: 10.11B6/s13054-020-03007-0. - Текст: электронный // Crit Care. - 2020. -Volume 24, № 2BB. - URL:
https://ccforum.biomedcentral.com/articles/10.11B6/s13054-020-03007-0 (дата
обращения: 20.10.2021).
[123] Mani, V. R. New York Inner City Hospital COVID-19 Experience and Current Data: Retrospective Analysis at the Epicenter of the American Coronavirus Outbreak / V. R. Mani, A. Kalabin, S. C. Valdivieso, M. Murray-Ramcharan [et al.] - DOI: 10.2196/2054B. - Текст: электронный // J Med Internet Res. - 2020. - Volume 22, № 9. - URL: https://www.jmir.org/2020/9/e2054B (дата обращения: 29.01.2021).
[124] Martha, J.W. Prognostic value of elevated lactate dehydrogenase in patients with COVID-19: a systematic review and meta-analysis. / J.W. Martha, A. Wibowo, R. Pranata. -D0I:10.1136/postgradmedj-2020-139542 Postgrad Med J. - 2022. - Vol.9B(1160). -P. 422-427. - URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7B13054/ (дата обращения: 13.02.2022)
[125] Martínez-Agüero, S. Machine learning techniques to identify antimicrobial resistance in the intensive care unit / S. Martínez-Agüero, I. Mora-Jiménez, J. Lérida-García, J. Álvarez-Rodríguez [et al.] - DOI: 10.3390/e21060603. - Текст: электронный // Entropy. - 2019. - Volume 21, № 6. - URL: https://www.mdpi.com/1099-4300/21/6/603 (дата обращения: 1B.12.2021).
[126] Mejía, F. Oxygen saturation as a predictor of mortality in hospitalized adult patients with COVID-19 in a public hospital in Lima, Peru / F. Mejía, C. Medina, E. Cornejo, E. Morello [et al.] - DOI: 10.1371/journal.pone.0244171. - Текст: электронный // PloS one. - 2020. - Volume 15, № 12. - URL:
https://j ournals.plos.org/plosone/arti cle?id=10.1371/j ournal.pone.0244171
(дата обращения: 19.10.2021).
[127] Mhlanga, D. The Role of Artificial Intelligence and Machine Learning Amid the COVID-19 Pandemic: What Lessons Are We Learning on 4IR and the Sustainable Development Goals / D. Mhlanga. - DOI:10.3390/ijerph19031879. - Текст: электронный // Int J Environ Res Public Health. - 2022. - Vol.19(3):1879. - URL:
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8835201/ (дата обращения: 13.02.2022)
[128] Mitchell, T. M. Machine learning / T. M. Mitchell - Текст: электронный // Burr Ridge, IL: McGraw Hill. - 1997. - Volume 45, № 37. - P. 870-877. - URL: https://www.cin.ufpe.br/~cavmj/Machine%20-%20Learning%20-%20Tom%20Mitchell.pdf (дата обращения: 08.01.2021).
[129] Mizumoto, K. Estimating the asymptomatic proportion of coronavirus disease 2019 (COVID-19) cases on board the Diamond Princess cruise ship, Yokohama, Japan, 2020 / K. Mizumoto, K. Kagaya, A. Zarebski, G. Chowell - DOI: 10.2807/1560-7917.ES.2020.25.10.2000180. - Текст: электронный // Euro Surveill. -2020. - Volume 25, № 10. - URL:
https://www.eurosurveillance.org/content/10.2807/1560-7917.ES.2020.25.10.2000180 (дата обращения: 05.05.2021).
[130] Mortazavi, B. J. Analysis of machine learning techniques for heart failure readmissions / B. J. Mortazavi, N. S. Downing, E. M. Bucholz, K. Dharmarajan [et al.] - DOI: 10.1161/CIRCOUTCOMES.116.003039. - Текст: электронный // Circ Cardiovasc Qual Outcomes. - 2016. - Volume 9. - P. 629-40. - URL:
https://www.ahajournals.org/doi/full/10.1161/CIRCOUTCOMES.116.003039 (дата
обращения: 22.01.2022).
[131] Mosquera-Sulbaran J.A. C-reactive protein as an effector molecule in Covid-19 pathogenesis / J.A. Mosquera-Sulbaran, A. Pedreanez, Y. Carrero, D. Callejas. -DOI:10.1002/rmv.2221. - Текст: электронный // Rev Med Virol. - 2021. -Vol.31(6):e2221. - URL: https://pubmed.ncbi.nlm.nih.gov/34773448/ (дата обращения: 13.02.2022)
[132] Motawea, K.R. Lactate Dehydrogenase can be Considered a Predictive Marker of Severity and Mortality of Covid-19 in Diabetic and Non-Diabetic Patients. A Case Series. / K.R. Motawea, J. Varney, N.E. Talat [et al.] - DOI:10.1016/j.ahj.2022.10.040. - Текст: электронный // Am Heart J. - 2022. - Vol. 254. - P246-247. - URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9723252/ (дата обращения: 13.02.2022)
[133] Mueller, A. A. Inflammatory Biomarker Trends Predict Respiratory Decline in COVID-19 Patients / A. A. Mueller, T. Tamura, C. P. Crowley, J. R. DeGrado [et al.] - DOI: 10.1016/j.xcrm.2020.100144. - Текст: электронный // Cell Rep Med. - 2020. - Volume 1, № 8. - URL:
https://www.cell.com/cell-reports-medicine/fulltext/S2666-3791(20)30188-9?_returnURL= https%3A%2F%2Flinkinghub. elsevier. com%2Fretrieve%2Fpii%2FS26663 79120301889% 3Fshowall%3Dtrue (дата обращения: 12.01.2022).
[134] Mwenda, M. Detection of B.1.351 SARS-CoV-2 Variant Strain - Zambia, December 2020 / M. Mwenda, N. Saasa, N. Sinyange, G. Busby [et al.] - DOI: 10.15585/mmwr.mm7008e2. -Текст: электронный // MMWR Morb Mortal Wkly Rep. - 2021. -Volume 70, № 8. - P. 280-282. - URL:
https://www.cdc.gov/mmwr/volumes/70/wr/mm7008e2.htm?s_cid=mm7008e2_w (дата обращения: 28.03.2021).
[135] Mykytyn, A.Z. Antigenic cartography of SARS-CoV-2 reveals that Omicron BA.1 and BA.2 are antigenically distinct / A.Z. Mykytyn, M. Rissmann, A. Kok [et al.]. -DOI:10.1126/sciimmunol.abq4450. - Текст: электронный // Sci Immunol. - 2022. -№7(75):eabq4450. - URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9273038/ (дата обращения: 13.02.2022)
[136] Nadeem, R. Prediction of Cytokine Storm and Mortality in Patients with COVID-19 Admitted to ICU: Do Markers Tell the Story / R. Nadeem, A. M. Elhoufi, N. E. Iqbal, Z. A. Ob aida [et al.] - DOI: 10.1159/000514406. - Текст: электронный // Dubai Medical Journal. - 2021. - Volume 4, № 2. - P. 142-150. - URL: https://www.karger.com/Article/FullText/514406 (дата обращения: 27.01.2022).
[137] Naudé, W. Artificial intelligence vs Covid-19: limitations, constraints and pitfalls / W. Naudé - DOI: 10.1007/s00146-020-00978-0. - Текст: электронный // AI Soc. - 2020. -Volume 35. - P. 761-765. - URL:
https://link.springer.com/article/10.1007/s00146-020-00978-0#citeas (дата обращения: 14.03.2022).
[138] Niel, O. Artificial intelligence can predict GFR decline during the course of ADPKD / O. Niel, C. Boussard, P. Bastard - DOI: 10.1053/j.ajkd.2018.01.051. - Текст: электронный // Am J Kidney Dis Off J Natl Kidney Found. - 2018. - Volume 71, № 6. - P. 911-912. -URL: https://www.ajkd.org/article/S0272-6386(18)30519-5/fulltext (дата обращения: 29.01.2022).
[139] Niel, O. Artificial intelligence in nephrology: core concepts, clinical applications, and perspectives / O. Niel, P. Bastard - DOI: 10.1053/j.ajkd.2019.05.020. - Текст: электронный // Am J Kidney Dis. - 2019. - Volume 74, № 6. - P. 803-810. - URL: https://www.ajkd.org/article/S0272-6386(19)30842-X/fulltext (дата обращения: 25.02.2021).
[140] Nishiura, H. Estimation of the asymptomatic ratio of novel coronavirus infections (COVID-19) / H. Nishiura, T. Kobayashi, T. Miyama, A. Suzuki [et al.] - DOI: 10.1016/j .ijid.2020.03.020. - Текст: электронный // Int J Infect Dis. - 2020. - Volume 94. -P. 154-155. - URL: https://www.ijidonline.com/article/S1201-9712(20)30139-9/fulltext (дата обращения: 08.01.2021).
[141] Oonsivilai, M. Using machine learning to guide targeted and locally-tailored empiric antibiotic prescribing in a children's hospital in Cambodia / M. Oonsivilai, Y. Mo, N. Luangasanatip, Y. Lubell [et al.] - DOI: 10.12688/wellcomeopenres.14847.1. - Текст: электронный // Wellcome Open Res. - 2018. - Volume 3, № 131. -URL: https://wellcomeopenresearch.org/articles/3-131/v1 (дата обращения: 25.01.2022).
[142] Oreshkova, N. SARS-CoV-2 infection in farmed minks, the Netherlands, April and May 2020 / N. Oreshkova, R. J. Molenaar, S. Vreman, F. Harders [et.al.] - DOI: 10.2807/1560-7917.ES.2020.25.23.2001005. - Текст: электронный // Euro Surveill. -2020. - Volume 25, № 23. - URL:
https://www.eurosurveillance.org/content/10.2807/1560-7917.ES.2020.25.23.2001005 (дата обращения: 19.03.2021).
[143] Oxley, T. J. Large-vessel stroke as a presenting feature of Covid-19 in the young / T. J. Oxley, J. Mocco, S. Majidi, C. P. Kellner [et al.] - DOI: 10.1056/NEJMc2009787. - Текст: электронный // N Engl J Med. - 2020. - Volume 382. - URL: https://www.nejm.org/doi/10.1056/NEJMc2009787 (дата обращения: 16.01.2022).
[144] Peiffer-Smadja, N. Machine learning for clinical decision support in infectious diseases: a narrative review of current applications / N. Peiffer-Smadja, T. M. Rawson, R. Ahmad, A. Buchard [et al.] - DOI: 10.1016/j.cmi.2019.09.009. - Текст: электронный // Clin Microbiol Infect. - 2020. - Volume 26, № 5. - P. 584-595. - URL: https://www.clinicalmicrobiologyandinfection.com/article/S1198-743X(19)30494-X/fulltext (дата обращения: 28.01.2022).
[145] Peng, J. C. Seasonal variation in onset and relapse of IBD and a model to predict the frequency of onset, relapse, and severity of IBD based on artificial neural network / J. Peng, Z. H. Ran, J. Shen - DOI: 10.1007/s00384-015-2250-6. - Текст: электронный // Int J
Colorect Dis. - 2015. - Volume 30, № 9. - P. 1267-1273. - URL: https://link.springer.com/article/10.1007/s00384-015-2250-6 (дата обращения: 07.02.2022).
[146] Petersen, M. L. Super Learner Analysis of Electronic Adherence Data Improves Viral Prediction and May Provide Strategies for Selective HIV RNA Monitoring / M. L. Petersen, E. LeDell, J. Schwab, V. Sarovar [et al.] - DOI: 10.1097/QAI.0000000000000548. - Текст: электронный // J Acquir Immune Defic Syndr. - 2015. - Volume 69, № 1. - P. 109-118. -URL:
https://j ournals.lww.com/jaids/Fulltext/2015/05010/Super_Learner_Analysis_of_Electronic _Adherence.15.aspx (дата обращения: 08.02.2022).
[147] Petrilli, C. M. Factors associated with hospital admission and critical illness among 5279 people with coronavirus disease 2019 in New York City: prospective cohort study / C. M. Petrilli, S. A. Jones, J. Yang, H. Rajagopalan [et al.] - DOI: 10.1136/bmj.m1966. -Текст: электронный // BMJ. - 2020. - Volume 369. - URL: https://www.bmj.com/content/369/bmj.m1966 (дата обращения: 15.01.2022).
[148] Piano, S. Abnormal 37 function tests predict transfer to intensive care unit and death in COVID-19 / S. Piano, A. Dalbeni, E. Vettore, D. Benfaremo [et al.] - DOI: 10.1111/liv.14565. - Текст: электронный // 37 Int. - 2020. - Volume 40, № 10. -P. 2394-2406. - URL: https://onlinelibrary.wiley.com/doi/10.1111/liv.14565 (дата обращения: 15.12.2021).
[149] Poggiali, E. Lactate dehydrogenase and C-reactive protein as predictors of respiratory failure in CoVID-19 patients / E. Poggiali, D. Zaino, P. Immovilli, L. Rovero [et al.] - DOI: 10.1016/j.cca.2020.06.012. - Текст: электронный // Clin Chim Acta. - 2020. -Volume 509. - P. 135-138. - URL:
https://www.sciencedirect.com/science/article/pii/S000989812030276X?via%3Dihub (дата обращения: 21.08.2021).
[150] Rawson, T. M. A systematic review of clinical decision support systems for antimicrobial management: are we failing to investigate these interventions appropriately / T. M. Rawson, L. S. Moore, B. Hernandez, E. Charani [et al.] - DOI: 10.1016/j.cmi.2017.02.028. - Текст: электронный // Clinical Microbiology and Infection. - 2017. - Volume 23, № 8. -
P. 524-532. - URL:
https://www.clinicalmicrobiologyandinfection.com/article/S1198-743X(17)30125-8/fulltext (дата обращения: 17.02.2021).
[151] Rawson, T. M. Artificial intelligence can improve decision-making in infection management / T. M. Rawson, R. Ahmad, C. Toumazou, P. Georgiou [et al.] - DOI: 10.1038/s41562-019-0583-9. - Текст: электронный // Nature human behavior. - 2019. -Volume 3, № 6. - P. 543-545. - URL: https://www.nature.com/articles/s41562-019-0583-9 (дата обращения: 17.01.2022).
[152] Rechtman, E. Vital signs assessed in initial clinical encounters predict covid-19 mortality in an NYC hospital system / E. Rechtman, P. Curtin, E. Navarro, S. Nirenberg [et al.] - DOI: 10.1038/s41598-020-78392-1. - Текст: электронный // Sci Rep. - 2020. - Volume 10, № 21545. - P. 1-6. - URL: https://www.nature.com/articles/s41598-020-78392-1 (дата обращения: 28.03.2022).
[153] Revell, A. D. 2018 update to the HIV-TRePS system: the development of new computational models to predict HIV treatment outcomes, with or without a genotype, with enhanced usability for low-income settings / A. D. Revell, D. Wang, M.-J. Perez-Elias, R. Wood [et al.] - DOI: 10.1093/jac/dky179. - Текст: электронный // J Antimicrob Chemother. - 2018. - Volume 73, № 8. - P. 2186-2196. - URL: https://academic.oup.com/jac/article/73/8/2186/5026600?login=false (дата обращения: 06.02.2022).
[ 154] Revuelta-Zamorano, P. Prediction of healthcare associated infections in an intensive care unit using machine learning and big data tools / P. Revuelta-Zamorano, A. Sánchez, J. L. Rojo-Álvarez, J. Álvarez-Rodríguez [et al.] - DOI: 10.1007/978-3-319-32703-7_163. -Текст: электронный // XIV Mediterranean conference on medical and biological engineering and computing, Springer International Publishing. - 2016. - Volume 57. -P. 840-845. - URL: https://link.springer.com/chapter/10.1007/978-3-319-32703-7_163 (дата обращения: 11.03.2022).
[155] Ross, C. IBM's Watson Supercomputer Recommended 'Unsafe and Incorrect' Cancer Treatments, Internal Documents Show / C. Ross, I. Swetlitz - Текст: электронный // STAT+. - 2020. - URL:
https://www.statnews.com/wp-content/uploads/2018/09/IBMs-Watson-recommended-unsaf e-and-incorrect-cancer-treatments-STAT.pdf (дата обращения: 13.09.2021).
[156] Russo, A. Implication of COVID-19 on Erythrocytes Functionality: Red Blood Cell Biochemical Implications and Morpho-Functional Aspects / A. Russo, E. Tellone, D. Barreca, S. Ficarra, G. Laganá. - DOI:10.3390/ijms23042171. - Текст: электронный // Int J Mol Sci. - 2022. - Vol.23(4):2171. - URL:
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8878454/ (дата обращения: 13.02.2022)
[157] Sargolzaee Aval F. Predicting the outcomes of combination therapy in patients with chronic hepatitis C using artificial neural network / F. Sargolzaee Aval, N. Behnaz, M. R. Raoufy, S. M. Alavian - DOI: 10.5812/hepatmon.17028. - Текст: электронный // Hepat Mon. -2014. - Volume 14, № 6. - URL: https://brief.land/hepatmon/articles/15385.html (дата обращения: 23.01.2022).
[158] Sato, F. Prediction of survival in patients with esophageal carcinoma using artificial neural networks / F. Sato, Y. Shimada, F. M. Selaru, D. Shibata [et al.] - DOI: 10.1002/cncr.20938. - Текст: электронный // Cancer. - 2005. - Volume 103, № 8. -P. 1596-1605. - URL: https://acsjournals.onlinelibrary.wiley.com/doi/10.1002/cncr.20938 (дата обращения: 05.02.2022).
[159] Schimke, L.F. Severe COVID-19 Shares a Common Neutrophil Activation Signature with Other Acute Inflammatory States / L.F. Schimke, A.H.C. Marques, G.C. Baiocchi [et al.] -DOI:10.3390/cells11050847. - Текст: электронный // Cells. - 2022. - Vol. 11(5):847. -URL: https://pubmed.ncbi.nlm.nih.gov/35269470/ (дата обращения: 13.02.2022)
[ 160] Severe outcomes among patients with coronavirus disease 2019 (COVID-19) - United States, February 12-March 16, 2020 / S. Bialek, E. Boundy, V. Bowen, N Chow [et al.] - DOI: 10.15585/mmwr.mm6912e2. - Текст: электронный // MMWR Morb Mortal Wkly Rep. -2020. - Volume 69, № 12. - P. 343-346. - URL:
https://www.cdc.gov/mmwr/volumes/69/wr/mm6912e2.htm?s_cid=mm6912e2_w (дата обращения: 05.01.2022).
[161] Shang, W. The value of clinical parameters in predicting the severity of COVID-19 / W. Shang, J. Dong, Y. Ren, M. Tian [et al.] - DOI: 10.1002/jmv.26031. - Текст: электронный // J Med Virol. - 2020. - Volume 92, № 10. - P. 2188-2192. - URL: https://onlinelibrary.wiley.com/doi/10.1002/jmv.26031 (дата обращения: 28.10.2021).
[162] Shoer, S. A prediction model to prioritize individuals for SARS-CoV-2 test built from national symptom surveys / S. Shoer, T. Karady, A. Keshet, S. Shilo [et al.] - DOI: 10.1016/j.medj.2020.10.002. - Текст: электронный // Med. - 2020. - Volume 2, № 2. -P. 196-208. - URL:
https://www. cell. com/med/fulltext/ S2666-6340(20)30019-2?_returnURL=https%3 A%2F%2Flin kinghub.elsevier.com%2Fretrieve%2Fpii%2FS2666634020300192%3Fshowall%3Dtrue (дата обращения: 04.04.2022).
[163] Shortliffe, E. Computer-based medical consultations: MYCIN / E. Shortliffe - DOI: 10.1097/00004669-197610000-00011. - Текст: электронный // Elsevier. - 2012. -Volume 2. - URL:
https://books.google.ru/books/about/Computer_Based_Medical_Consultations_MYC.html? id=i9QXugPQw6oC&redir_esc=y (дата обращения: 29.01.2022).
[164] Soares, F. A novel high specificity covid-19 screening method based on simple blood exams and artificial intelligence / F. Soares, A. Villavicencio, M. J. Anzanello, F. S. Fogliatto [et al.] - DOI: 10.1101/ 2020.04.10.20061036. - Текст: электронный // medRxiv. - 2020. - URL:
https://www.medrxiv.org/content/10.1101/2020.04.10.20061036v1 (дата обращения: 13.04.2022).
[165] Spinato, G. Alterations in smell or taste in mildly symptomatic outpatients with SARS-CoV-2 Infection / G. Spinato, C. Fabbris, J. Polesel, D. Cazzador [et al.] - DOI: 10.1001/jama.2020.6771. - Текст: электронный // JAMA. - 2020. - Volume 323, № 20. -P. 2089-2090. - URL: https://jamanetwork.com/journals/jama/fullarticle/2765183 (дата обращения: 14.02.2021).
[166] Stokes, E. K. Coronavirus Disease 2019 Case Surveillance - United States, January 22-May 30, 2020 / E. K. Stokes, L. D. Zambrano, K. N. Anderson, E. P. Marder [et al.] - DOI: 10.15585/mmwr.mm6924e2. - Текст: электронный // MMWR Morb Mortal Wkly Rep. -2020. - Volume 69, № 24. - P. 759-765. - URL:
https://www.cdc.gov/mmwr/volumes/69/wr/mm6924e2.htm?s_cid=mm6924e2_w (дата обращения: 05.11.2021).
[167] Su, W.L. COVID-19 and the lungs: A review / W.L. Su, K.C. Lu, C.Y. Chan, Y.C. Chao -D0I:10.1016/j.jiph.2021.09.024. - Текст: электронный // J Infect Public Health. - 2021.-Vol. 14(11). - P. 1708-1714. - URL:
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8486577/ (дата обращения: 05.11.2022).
[168] Sun, C., Early Prediction of Severe COVID-19 in Patients by a Novel Immune-Related Predictive Model / C. Sun, M. Xue, M. Yang [et al.] - DOI:10.1128/mSphere.00752-21. -Текст: электронный // mSphere. - 2021. - Vol.6(5):e0075221. - URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8513681/ (дата обращения: 13.02.2022)
[169] Sun, K. Atlas of ACE2 gene expression in mammals reveals novel insights in transmission of SARS-CoV-2 / K. Sun, L. Gu, L. Ma, Y. Duan - DOI: 10.1016/j.heliyon.2020.e05850. -Текст: электронный // Heliyon. - 2020. - Volume 7, № 1. - URL: https://www.cell.com/heliyon/fulltext/S2405-8440(20)32692-X?_returnURL=https%3A%2 F%2Flinkinghub.elsevier.com%2Fretrieve%2Fpii%2FS240584402032692X%3Fshowall% 3Dtrue (дата обращения: 10.01.2022).
[170] Sun, L. Combination of four clinical indicators predicts the severe/critical symptom of patients infected covid-19 / L. Sun, F. Song, N. Shi, F. Liu [et al.] - DOI: 10.1016/j.jcv.2020.104431. - Текст: электронный // J Clin Virol. - 2020. -Volume 128, № 104431. - URL:
https://www.sciencedirect.com/science/article/pii/S1386653220301736?via%3Dihub (дата обращения: 01.04.2022).
[171] Tan, C. C-reactive protein correlates with computed tomographic findings and predicts severe COVID-19 early / C. Tan, Y. Huang, F. Shi, K. Tan [et al.] - DOI: 10.1002/jmv.25871. -Текст: электронный // J Med Virol. - 2020. - Volume 92, № 7. - P. 856-862. - URL: https://onlinelibrary.wiley.com/doi/10.1002/jmv.25871 (дата обращения: 14.10.2021).
[172] Tan, L. Lymphopenia predicts disease severity of COVID-19: a descriptive and predictive study / L. Tan, Q. Wang, D. Zhang, J. Ding [et al.] - DOI: 10.1038/s41392-020-0159-1. -Текст: электронный // Signal Transduction and Targeted Therapy. - 2020. -Volume 5, № 61. - URL: https://www.nature.com/articles/s41392-020-0159-1
(дата обращения: 09.02.2022).
[173] Taneri, P.E. Anemia and iron metabolism in COVID-19: a systematic review and meta-analysis / P.E. Taneri, S.A. Gomez-Ochoa, E. Llanaj [et al.] . -DOI:10.1007/s10654-020-00678-5. - Текст: электронный // Eur J Epidemiol. -2020. -Vol. 35(8). - P. 763-773. - URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7438401/ (дата обращения: 13.02.2022)
[174] Tang, N. Abnormal coagulation parameters are associated with poor prognosis in patients with novel coronavirus pneumonia / N. Tang, D. Li, X. Wang, Z. Sun - DOI: 10.1111/jth.14768. - Текст: электронный // J Thromb Haemost. - 2020. - Volume 18, № 4. - P. 844-847. - URL: https://onlinelibrary.wiley.com/doi/10.1111/jth.14768 (дата обращения: 04.01.2022).
[175] Tariq, R. Prevalence and Mortality of COVID-19 Patients with Gastrointestinal Symptoms: A Systematic Review and Meta-analysis / R. Tariq, S. Saha, F. Furqan, L. Hassett [et al.] -DOI: 10.1016/j.mayocp.2020.06.003. - Текст: электронный // Mayo Clin Proc. - 2020. -Volume 98, № 8. - P. 1632-1648. - URL:
https://www.mayoclinicproceedings.org/article/S0025-6196(20)30600-5/fulltext (дата обращения: 11.05.2021).
[176] Tegally, H. Detection of a SARS-CoV-2 variant of concern in South Africa / H. Tegally, E. Wilkinson, M. Giovanetti, A. Iranzadeh [et al.] - DOI: 10.1038/s41586-021-03402-9. -
Текст: электронный // Nature. - 2021. - Volume 592, № 7854. - P. 438-443. - URL: https://www.nature.com/articles/s41586-021-03402-9 (дата обращения: 23.07.2021).
[177] Teuwen, L.-A. COVID-19: the vasculature unleashed / L.-A. Teuwen, V. Geldhof, A. Pasut, P. Carmeliet - DOI: 10.1038/s41577-020-0343-0. - Текст: электронный // Nat Rev Immunol. - 2020. - Volume 20, № 7. - P. 389-391. - URL:
https://www.nature.com/articles/s41577-020-0343-0 (дата обращения: 05.08.2021).
[178] Tian, J. Clinical characteristics and risk factors associated with COVID-19 disease severity in patients with cancer in Wuhan, China: a multicentre, retrospective, cohort study / J. Tian, X. Yuan, J. Xiao, Q. Zhong [et al.] - DOI: 10.1016/S1470-2045(20)30309-0. - Текст: электронный // Lancet Oncol. - 2020. - Volume 21, № 7. - P. 893-903. - URL: https://www.thelancet.com/journals/lanonc/article/PIIS1470-2045(20)30309-0/fulltext (дата обращения: 16.01.2022).
[179] Tian, S. Characteristics of COVID-19 infection in Beijing / S. Tian, N. Hu, J. Lou, K. Chen [et al.] - DOI: 10.1016/j.jinf.2020.02.018. - Текст: электронный // J Infect. -2020. - Volume 80, № 4. - P. 401-406. - URL: https://www.journalofinfection.com/article/S0163 -4453(20)30101 -8/fulltext (дата обращения: 18.11.2021).
[180] Tong, J. Y. The prevalence of olfactory and gustatory dysfunction in COVID-19 patients: a systematic review and meta-analysis / J. Y. Tong, A. Wong, D. Zhu, J. H. Fastenberg [et al.] - DOI: 10.1177/0194599820926473. - Текст: электронный // Otolaryngol Head Neck Surg. - 2020. - Volume 163, № 1. - P. 3-11. - URL: https://journals.sagepub.com/doi/10.1177/0194599820926473 (дата обращения: 16.02.2021).
[181] Topol, E. J. High-performance medicine: the convergence of human and artificial intelligence / E. J. Topol - DOI: 10.1038/s41591-018-0300-7. - Текст: электронный // Nature medicine. - 2019. - Volume 25, № 1. - P. 44-56. - URL: https://www.nature.com/articles/s41591-018-0300-7 (дата обращения: 14.01.2022).
[182] Tordjman, M. Pre-test probability for SARS-CoV-2-related infection score: the Paris score / M. Tordjman, A. Mekki, R. D. Mali, I. Saab [et al.] - DOI: 10.1371/journal.pone.0243342. -Текст: электронный // PLoS One. - 2020. - Volume 15, № 12. - URL: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0243342
(дата обращения: 07.04.2022).
[183] Tschoellitsch, T. Machine learning prediction of SARS-CoV-2 polymerase chain reaction results with routine blood tests / T. Tschoellitsch, M. Dunser, C. Bock, K. Schwarzbauer [et
al.] - DOI: 10.1093/labmed/lmaa111. - Текст: электронный // Lab Med. - 2020. - Volume 52, № 2. - P. 146-149. - URL:
https://academic.oup.com/labmed/article/52/2/146/6042108?login=false (дата обращения: 30.03.2022).
[184] Vaid, A. Machine learning to predict mortality and critical events in covid-19 positive New York city patients: a cohort study / A. Vaid, S. Somani, A. J. Russak, J. K. De Freitas [et al.] - DOI: 10.2196/24018. - Текст: электронный // J Med Internet Res. - 2020. - Volume 22, № 11. - URL: https://www.jmir.org/2020/11/e24018 (дата обращения: 19.03.2022).
[185] Van de Veerdonk, F. L. Kallikrein-kinin blockade in patients with COVID-19 to prevent acute respiratory distress syndrome / F. L. van de Veerdonk, M. G. Netea, M. van Deuren, J. W. van der Meer [et al.] - DOI: 10.7554/eLife.57555. - Текст: электронный // Elife. -2020. - Volume 9. - URL: https://elifesciences.org/articles/57555 (дата обращения: 13.08.2021).
[186] Van Steenkiste, Tom. Accurate prediction of blood culture outcome in the intensive care unit using long short-term memory neural networks / T. Van Steenkiste, J. Ruyssinck, L. De Baets, J. Decruyenaere [et al.] - DOI: 10.1016/j.artmed.2018.10.008. - Текст: электронный // Artificial intelligence in medicine. - 2019. - Volume 97. - P. 38-43. - URL: https://www.sciencedirect.com/science/article/pii/S0933365717301951?via%3Dihub#! (дата обращения: 26.11.2021).
[187] Volz, E. Assessing transmissibility of SARS-CoV-2 lineage B.1.1.7 in England / E. Volz, S. Mishra, M. Chand, J. C. Barrett [et al.] - DOI: 10.1038/s41586-021-03470-x. - Текст: электронный // Nature. - 2021. - Volume 593, № 7858. - P. 266-269. - URL: https://www.nature.com/articles/s41586-021-03470-x (дата обращения: 02.04.2021).
[188] Von Bartheld, C. S. Prevalence of chemosensory dysfunction in COVID-19 patients: a systematic review and meta-analysis reveals significant ethnic differences / C. S. von Bartheld, M. M. Hagen, R. Butowt - DOI: 10.1021/acschemneuro.0c00460. -Текст: электронный // ACS Chem. Neurosci. - 2020. - Volume 11, № 19. - P. 2944-2961. -URL: https://pubs.acs.org/doi/10.1021/acschemneuro.0c00460 (дата обращения: 12.04.2021).
[189] Walensky, R. P. SARS-CoV-2 Variants of Concern in the United States-Challenges and Opportunities / R. P. Walensky, H. T. Walke, A. S. Fauci - DOI: 10.1001/jama.2021.2294. -Текст: электронный // JAMA. - 2021. - Volume 325, № 11. - P. 1037-1038. - URL: https://jamanetwork.com/journals/jama/fullarticle/2776739 (дата обращения: 17.06.2021).
[190] Wang, D. Clinical characteristics of 138 hospitalized patients with 2019 novel coronavirus-infected pneumonia in Wuhan, China / D. Wang, B. Hu, C. Hu, F. Zhu [et al.] -DOI: 10.1001/jama.2020.1585. - Текст: электронный // JAMA. - 2020. - Volume 323, № 11. - P. 1061-1069. - URL: https://jamanetwork.com/journals/jama/fullarticle/2761044 (дата обращения: 11.02.2021).
[191] Wang, J. Cytokine storm and leukocyte changes in mild versus severe SARS-CoV-2 infection: Review of 3939 COVID-19 patients in China and emerging pathogenesis and therapy concepts / J. Wang, M. Jiang, X. Chen, L. J. Montaner - DOI: 10.1002/JLB.3œVR0520-272R. - Текст: электронный // J Leukoc Biol. - 2020. - Volume 108, № 1. - P. 17-41. - URL:
https://jlb.onlinelibrary.wiley.com/doi/10.1002/JLB.3COVR0520-272R (дата обращения:
15.02.2021).
[192] Wang, K. Clinical and laboratory predictors of in-hospital mortality in patients with coronavirus disease-2019: a cohort study in Wuhan, China / K. Wang, P. Zuo, Y. Liu, M. Zhang [et al.] - DOI: 10.1093/cid/ciaa538. - Текст: электронный // Clinical Infectious Diseases. - 2020. - Volume 71, № 16. - P. 2079-2088. - URL:
https://academic.oup.com/cid/article/71/16/2079/5828281?login=false (дата обращения:
21.03.2022).
[193] Wang, P. Increased Resistance of SARS-CoV-2 Variant P.1 to Antibody Neutralization / P. Wang, R. G. Casner, M. S. Nair, M. Wang [et al.] - DOI: 10.1016/j.chom.2021.04.007. -Текст: электронный // Cell Host Microbe. - 2021. - Volume 29, № 5. - P. 747-751. - URL: https://www.cell.com/cell-host-microbe/fulltext/S1931-3128(21)00183-9?_returnURL=http s%3A%2F%2Flinkinghub.elsevier.com%2Fretrieve%2Fpii%2FS1931312821001839%3Fs howall%3Dtrue (дата обращения: 20.01.2022).
[194] Wibmer, C. K. SARS-CoV-2 501Y.V2 escapes neutralization by South African COVID-19 donor plasma / C. K. Wibmer, F. Ayres, T. Hermanus, M. Madzivhandila [et al.] - DOI: 10.1038/s41591-021-01285-x. - Текст: электронный // Nat Med. - 2021. - Volume 27. -P. 622-625. - URL: https://www.nature.com/articles/s41591-021-01285-x (дата обращения: 28.07.2021).
[195] World Health organization Coronavirus (COVID-19) Dashboard // World Health organization: официальный сайт. - URL: https://covid19.who.int (дата обращения:
10.01.2023) - Текст: электронный
[196] Wu, C. Risk factors associated with acute respiratory distress syndrome and death in patients with coronavirus disease 2019 pneumonia in Wuhan, China / C. Wu, X. Chen, Y. Cai,
J. Xia [et al.] - DOI: 10.1001/jamainternmed.2020.0994. - Текст: электронный // JAMA Intern Med. - 2020. - Volume 180, № 7. - P. 934-943. - URL: https://j amanetwork.com/journals/jamainternalmedicine/fullarticle/2763184 (дата
обращения: 17.12.2021).
[197] Wu, J. Rapid and accurate identification of covid-19 infection through machine learning based on clinical available blood test results / J. Wu, P. Zhang, L. Zhang, W. Meng [et al.] -DOI: 10.1101/2020.04.02.20051136. - Текст: электронный // medRxiv. - 2020. - URL: https://www.medrxiv.org/content/10.1101/2020.04.02.20051136v1 (дата обращения: 29.03.2022).
[198] Wu, K. mRNA-1273 vaccine induces neutralizing antibodies against spike mutants from global SARS-CoV-2 variants / K. Wu, A. P. Werner, J. I. Moliva, M. Koch [et al.] - DOI: 10.1101/2021.01.25.427948. - Текст: электронный // bioRxiv. - 2021. - URL: https://www.biorxiv.org/content/10.1101/2021.01.25.427948v1 (дата обращения:
06.04.2021).
[199] Xie, G. The role of peripheral blood eosinophil counts in COVID-19 patients / G. Xie, F. Ding, L. Han, D. Yin [et al.] - DOI: 10.1111/all.14465. - Текст: электронный // Allergy. - 2020. - Volume 76, № 2. - P. 471-482. - URL: https://onlinelibrary.wiley.com/doi/10.1111/all.14465 (дата обращения: 22.11.2021).
[200] Xie, J. Association between hypoxemia and mortality in patients with COVID-19 / J. Xie, N. Covassin, Z. Fan, P. Singh [et al.] - DOI: 10.1016/j.mayocp.2020.04.006. - Текст: электронный // Mayo Clin Proc. - 2020. - Volume 95, № 6. - P. 1138-1147. - URL: https://www.mayoclinicproceedings.org/article/S0025-6196(20)30367-0/fulltext (дата обращения: 06.10.2021).
[201] Xiong, W. New onset neurologic events in people with COVID-19 infection in three regions in China / W. Xiong, J. Mu, J. Guo, L. Lu [et al.] - DOI: 10.1212/WNL.0000000000010034. - Текст: электронный // Neurology. - 2020. - Volume 95, № 11. - P. 1479-1487. - URL: https://n.neurology.org/content/95/11/e1479 (дата обращения: 10.01.2022).
[202] Xu, P. Mechanism of thrombocytopenia in COVID-19 patients / P. Xu, Q. Zhou, J. Xu -DOI: 10.1007/s00277-020-04019-0. - Текст: электронный // Ann Hematol. - 2020. -Volume 99, № 6. - P. 1205-1208. - URL:
https://link.springer.com/article/10.1007/s00277-020-04019-0 (дата обращения:
15.03.2022).
[203] Xuan, W. Predictive Value of Eosinophil Count on COVID-19 Disease Progression and Outcomes, a Retrospective Study of Leishenshan Hospital in Wuhan, China / W. Xuan, X. Jiang X, L. Huang [et al.] - D01:10.1177/08850666211037326. - Текст: электронный // J Intensive Care Med. - 2022. - Vol.37(3). - P.359-365. - URL: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8986993/ (дата обращения: 13.02.2022)
[204] Yan, L. Prediction of criticality in patients with severe covid-19 infection using three clinical features: a machine learning-based prognostic model with clinical data in Wuhan / L. Yan, H.-T. Zhang, Y. Xiao, M. Wang [et al.] - DOI: 10.1101/2020.02.27.20028027. - Текст: электронный // MedRxiv. - 2020. - URL:
https://www.medrxiv.org/content/10.1101/2020.02.27.20028027v3 (дата обращения: 24.03.2022).
[205] Yang, H. X. Support vector machine-based nomogram predicts postoperative distant metastasis for patients with oesophageal squamous cell carcinoma / H. X. Yang, W. Feng, J. C. Wei, T. S. Zeng [et al.] - DOI: 10.1038/bjc.2013.379. - Текст: электронный // Br J Cancer. - 2013. - Volume 109, № 5. - P. 1109-1116. - URL: https://www.nature.com/articles/bjc2013379 (дата обращения: 03.02.2022).
[206] Yang, X. Clinical course and outcomes of critically ill patients with SARS-CoV-2 pneumonia in Wuhan, China: a single-centered, retrospective, observational study / X. Yang, Y. Yu, J. Xu, H. Shu [et al.] - DOI: 10.1016/S2213-2600(20)30079-5. - Текст: электронный // Lancet Respir Med. - 2020. - Volume 8, № 5. - P. 475-481. - URL: https://www.thelancet.com/journals/lanres/article/PIIS2213-2600(20)30079-5/fulltext (дата обращения: 19.01.2022).
[207] Yang, Y. J. Application of artificial intelligence in gastroenterology / Y. J. Yang, C. S. Bang -DOI: 10.3748/wjg.v25.i14.1666. - Текст: электронный // World J Gastroenterol. - 2019. -Volume 25, № 14. - P. 1666-1683. - URL:
https://www.wjgnet.com/1007-9327/full/v25/i14/1666.htm (дата обращения: 01.02.2022).
[208] Yao, H. Severity detection for the coronavirus disease 2019 (covid-19) patients using a machine learning model based on the blood and urine tests / H. Yao, N. Zhang, R. Zhang, M. Duan [et al.] - DOI: 10.3389/fcell.2020.00683. - Текст: электронный // Frontiers in cell and developmental biology. - 2020. - Volume 8, № 683. - URL: https://www.frontiersin.org/articles/10.3389/fcell.2020.00683/full (дата обращения: 02.04.2022).
[209] Yao, N. Clinical characteristics and influencing factors of patients with novel coronavirus pneumonia combined with 37 injury in Shaanxi region / N. Yao, S. N. Wang, J. Q. Lian,
Y. T. Sun [et al.] - DOI: 10.3760/cma.j.cn501113-20200226-00070. - Текст: электронный // Zhonghua Gan Zang Bing Za Zhi. - 2020. - Volume 28, № 3. - P. 234-239. - URL: http://rs.yiigle.com/CN501113202003/1190119.htm (дата обращения: 15.11.2021).
[210] Zazzi, M. Predicting response to antiretroviral treatment by machine learning: the EuResist project / M. Zazzi, F. Incardona, M. Rosen-Zvi, M. Prosperi [et al.] - DOI: 10.1159/000332008. - Текст: электронный // Intervirology. - 2012. - Volume 55, № 2. -P. 123-127. - URL: https://www.karger.com/Article/FullText/332008 (дата обращения: 31.01.2022).
[211] Zhang, C. Clinical and epidemiological characteristics of pediatric SARS-CoV-2 infections in China: a multicenter case series / C. Zhang, J. Gu, Q. Chen, N. Deng [et al.] - DOI: 10.1371/journal.pmed.1003130. - Текст: электронный // PLoS Med. - 2020. - Volume 17, № 6. - URL:
https://journals.plos.org/plosmedicine/article?id=10.1371/journal.pmed.1003130 (дата обращения: 02.12.2021).
[212] Zhang, T. Probable Pangolin Origin of SARS-CoV-2 Associated with the COVID-19 Outbreak / T. Zhang, Q. Wu, Z. Zhang - DOI: 10.1016/j.cub.2020.03.022. - Текст: электронный // Curr Biol. - 2020. - Volume 30, № 7. - P. 1346-1351. - URL: https://www.cell.com/current-biology/fulltext/S0960-9822(20)30360-2?_returnURL=https %3A%2F%2Flinkinghub.elsevier.com%2Fretrieve%2Fpii%2FS0960982220303602%3Fsh owall%3Dtrue (дата обращения: 22.05.2021).
[213] Zhao, C. Risk factors related to the severity of covid-19 in Wuhan / C. Zhao, Y. Bai, C. Wang, Y. Zhong [et al.] - DOI: 10.7150/ijms.47193. - Текст: электронный // Int J Med Sci. -2021. - Volume 18, № 1. - P. 120-127. - URL: https://www.medsci.org/v18p0120.htm (дата обращения: 03.04.2022).
[214] Zheng, H.-Y. Elevated exhaustion levels and reduced functional diversity of T cells in peripheral blood may predict severe progression in COVID-19 patients / H.-Y. Zheng, M. Zhang, C.-X. Yang, N. Zhang [et al.] - DOI: 10.1038/s41423-020-0401-3. - Текст: электронный // Cell Mol Immunol. - 2020. - Volume 17, № 5. - P. 541-543. - URL: https://www.nature.com/articles/s41423-020-0401-3 (дата обращения: 23.10.2021).
[215] Zhou, F. Clinical course and risk factors for mortality of adult inpatients with COVID-19 in Wuhan, China: a retrospective cohort study / F. Zhou, T. Yu, R. Du, G. Fan [et al.] - DOI: 10.1016/S0140-6736(20)30566-3. - Текст: электронный // Lancet. - 2020. - Volume 395, № 10229. - P. 1054-1062. - URL:
https://www.thelancet.com/journals/lancet/article/PIIS0140-6736(20)30566-3/fulltext (дата обращения: 23.01.2021).
[216] Zhou, P. A pneumonia outbreak associated with a new coronavirus of probable bat origin / P. Zhou, X.-L. Yang, X.-G. Wang, B. Hu [et al.] - DOI: 10.1038/s41586-020-2951-z. -Текст: электронный // Nature. - 2020. - Volume 579. - P. 270-273. - URL: https://www.nature.com/articles/s41586-020-2012-7 (дата обращения: 02.10.2021).
[217] Zhou, Y. Development and validation a nomogram for predicting the risk of severe COVID-19: a multi-center study in Sichuan, China / Y. Zhou, Y. He, H. Yang, H. Yu [et al.] - DOI: 10.1371/journal.pone.0233328. - Текст: электронный // PLoS One. - 2020. -Volume 15, № 5. - URL:
https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0233328#:~:text=The%20 total%20score%20on%20each,risk%20of%20severe%20COVID%2D19.&text=The%20C %2Dindex%20of%20the,model%20had%20good%20discriminative%20ability (дата обращения: 21.09.2021).
[218] Zhu, Z. Clinical value of immune-inflammatory parameters to assess the severity of coronavirus disease 2019 / Z. Zhu, T. Cai, L. Fan, K. Lou [et al.] - DOI: 10.1016/j.ijid.2020.04.041. - Текст: электронный // Int J Infect Dis. - 2020. - Volume 95. -P. 332-339. - URL: https://www.ijidonline.com/article/S1201-9712(20)30257-5/fulltext (дата обращения: 21.11.2021).
[219] Ziegler, C. G. K. SARS-CoV-2 Receptor ACE2 Is an Interferon-Stimulated Gene in Human Airway Epithelial Cells and Is Detected in Specific Cell Subsets across Tissues / C. G. K. Ziegler, S. J. Allon, S. K. Nyquist, I. M. Mbano [et al.] - DOI: 10.1016/j.cell.2020.04.035. - Текст: электронный // Cell. - 2020. - Volume 181, № 5. -P. 1016-1035. - URL:
https://www.cell.com/cell/fulltext/S0092-8674(20)30500-6?_returnURL=https%3A%2F%2Fli nkinghub.elsevier.com%2Fretrieve%2Fpii%2FS0092867420305006%3Fshowall%3Dtrue (дата обращения: 16.04.2021).
[220] Zong, X. Thrombocytopenia Is Associated with COVID-19 Severity and Outcome: An Updated Meta-Analysis of 5637 Patients with Multiple Outcomes / X. Zong, Y. Gu, H. Yu, Z. Li [et al.] - DOI: 10.1093/labmed/lmaa067. - Текст: электронный // Lab Med. - 2021. - Volume 52, № 1. - P. 10-15. - URL: https://academic.oup.com/labmed/article/52/1/10/5905622?login=false
(дата обращения: 05.03.2022).
Приложение А
Приложение Б
Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.