Технологии искусственного интеллекта в гинекологии

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В обзоре приведены научные данные отечественных и зарубежных работ, 90% из которых опубликованы за последние 5 лет. Их тематика связана с апробацией и анализом эффективности искусственного интеллекта (ИИ) в диагностике, лечении и превенции гинекологической патологии. Сделаны выводы о том, что в диагностике рака шейки матки, рака эндометрия, рака яичников и эндометриоза эффективность алгоритмов ИИ по многим параметрам превосходят специалистов в оценке результатов прямой и непрямой визуализации. Данные литературы показывают, что интеграция ИИ в клиническую практику существенно сокращает время диагностики и является весьма перспективной. В то же время работа ИИ в оценке цитологии и гистологии показывает противоречивые результаты – в цитологии шейки матки ИИ превзошел специалистов, тогда как в гистологии рака шейки матки полученные результаты пока не позволяют интегрировать ИИ в клиническую работу.

Значительные перспективы перед пациентами и врачами открывают большие языковые модели (large language mode, LLM), примером которой является ChatGPT. Уже сегодня чат-бот чаще всего дает правильные ответы на вопросы гинекологических пациентов, однако точность ответов при детализации вопросов медицинским работником пока еще остается недостаточной.

Интеграция профессиональной деятельности с системами управления на основе ИИ, возможно, позволит снизить частоту ошибок в клинической практике, однако их широкое внедрение пока ограничено.

Заключение: Обзор демонстрирует значительный прогресс в применении ИИ в гинекологии, особенно в диагностике рака шейки матки, эндометрия, яичников и эндометриоза. Алгоритмы ИИ показывают высокую эффективность в анализе медицинских изображений, часто превосходя традиционные методы по точности и скорости. Однако внедрение ИИ сталкивается с этическими, юридическими и практическими вызовами, такими как прозрачность решений, ответственность за ошибки и интеграция в клиническую практику. Несмотря на это, потенциал ИИ для улучшения диагностики и оптимизации работы врача акушера гинеколога очевиден.

Об авторах

Вадим Гельевич Мозес

Кемеровский государственный университет

Email: vadimmoses@gmail.com
ORCID iD: 0000-0002-3269-9018

д.м.н., профессор, директор медицинского института

Россия, 650000, Кемерово, ул. Красная, 6

Роман Михайлович Котов

Кемеровский государственный университет

Email: kotov@kemsu.ru
ORCID iD: 0000-0003-0238-3466

д.э.н., проректор по цифровой трансформации

Россия, 650000, Кемерово, ул. Красная, 6

Елена Владимировна Рудаева

Кемеровский государственный медицинский университет

Автор, ответственный за переписку.
Email: rudaevae@mail.ru
ORCID iD: 0000-0002-6599-9906

к.м.н., доцент кафедры акушерства и гинекологии имени профессора Г.А. Ушаковой

Россия, 650056, Кемерово, ул. Ворошилова, 22а

Светлана Ивановна Елгина

Кемеровский государственный медицинский университет

Email: elginas.i@mail.ru
ORCID iD: 0000-0002-6966-2681

д.м.н., профессор кафедры акушерства и гинекологии имени профессора Г.А. Ушаковой

Россия, 650056, Кемерово, ул. Ворошилова, 22а

Кира Борисовна Мозес

Кемеровский государственный медицинский университет

Email: kbsolo@mail.ru
ORCID iD: 0000-0003-2906-6217

ассистент кафедры поликлинической терапии и сестринского дела

Россия, 650056, Кемерово, ул. Ворошилова, 22а

Григорий Валерьевич Вавин

Кузбасская областная клиническая больница имени С.В. Беляева

Email: okb-lab@yandex.ru
ORCID iD: 0000-0003-0179-0983

к.м.н., заместитель главного врача по лабораторной диагностике

Россия, 650066, Кемерово, пр-т Октябрьский, 22

Список литературы

  1. Ламоткин А.И., Корабельников Д.И., Ламоткин И.А., Лившиц С.А., Перевалова Е.Г. Искусственный интеллект в здравоохранении и медицине: история ключевых событий, его значимость для врачей, уровень развития в разных странах. Фармакоэкономика. Современная фармакоэкономика и фармакоэпидемиология. 2024; 17(2): 243-50. [Lamotkin A.I., Korabelnikov D.I., Lamotkin I.A., Livshitz S.A., Perevalova E.G. Artificial intelligence in healthcare and medicine: the history of key events, its significance for doctors, the level of development in different countries. Farmakoekonomika. Modern pharmacoeconomics and pharmacoepidemiology. 2024; 17(2): 243-50 (in Russian)]. https://doi.org/10.17749/2070-4909/farmakoekonomika.2024.254
  2. Greeven M. China and AI in 2025: What global executives must know to stay ahead. Forbes. Available at: https://www.forbes.com/sites/markgreeven/2024/12/23/china-and-ai-in-2025-what-global-executives-must-know-to-stay-ahead
  3. Dhombres F., Bonnard J., Bailly K., Maurice P., Papageorghiou A.T., Jouannic J.M. Contributions of artificial intelligence reported in obstetrics and gynecology journals: systematic review. J. Med. Internet Res. 2022; 24(4): e35465. https://dx.doi.org/10.2196/35465
  4. Brandão M., Mendes F., Martins M., Cardoso P., Macedo G., Mascarenhas T. et al. Revolutionizing women's health: a comprehensive review of artificial intelligence advancements in gynecology. J. Clin. Med. 2024; 13(4): 1061. https://dx.doi.org/10.3390/jcm13041061
  5. Eshraghi N., Ghaemi M., Shabannejad Z., Bazmi E., Foroozesh M., Haddadi M. et al. Analysis of medico-legal claims related to deliveries: Caesarean section vs. vaginal delivery. PLoS ONE. 2024; 19(11): e0312614. https:// dx.doi.org/10.1371/journal.pone.0312614
  6. Vickers H., Jha S. Medicolegal issues in gynaecology. Obstetrics, gynaecology and reproductive medicine. 2020; 30(2): 43-7. https://dx.doi.org/10.1016/ j.ogrm.2019.11.004
  7. Khan I., Khare B.K. Exploring the potential of machine learning in gynecological care: a review. Arch. Gynecol. Obstet. 2024; 309(6): 2347-65. https:// dx.doi.org/10.1007/s00404-024-07479-1
  8. Recker F., Gembruch U., Strizek B. Clinical ultrasound applications in obstetrics and gynecology in the year 2024. J. Clin. Med. 2024; 13(5): 1244. https:// dx.doi.org/10.3390/jcm13051244
  9. Коломеец Е.В., Тарасова Л.П., Потехина Т.Д., Виривская Е.В., Бахтияров К.Р. Ошибки в диагностике интраэпителиальных поражений и рака шейки матки и современные возможности улучшения качества первичного скрининга. Архив акушерства и гинекологии им. В.Ф. Снегирёва. 2024; 11(1): 57-67. [Kolomeets E.V., Tarasova L.P., Potekhina T.D., Virivskaya E.V., Bakhtiyarov K.R. Errors in the diagnosis of intraepithelial lesions and cervical cancer and modern opportunities to improve the quality of primary screening. V.F. Snegirev archives of obstetrics and gynecology. 2024; 11(1): 57-67 (in Russian)]. https://dx.doi.org/10.17816/ 2313-8726-2024-11-1-57-67
  10. Akash R.S., Islam R., Badhon S.S.I., Hossain K.T. CerviXpert: a multi-structural convolutional neural network for predicting cervix type and cervical cell abnormalities. Digit. Health. 2024; 10: 20552076241295440. https:// dx.doi.org/10.1177/20552076241295440
  11. Liao W, Xu X. Progress in the application research of cervical cancer screening developed by artificial intelligence in large populations. Discov. Oncol. 2025; 16(1): 1282. https://dx.doi.org/10.1007/s12672-025-03102-0
  12. Li J., Adobo S.D., Shi H., Judicael K.A.W., Lin N., Gao L. Screening methods for cervical cancer. ChemMedChem. 2024; 19(16): e202400021. https:// dx.doi.org/10.1002/cmdc.202400021
  13. Giansanti D., Lastrucci A., Pirrera A., Villani S., Carico E., Giarnieri E. AI in cervical cancer cytology diagnostics: a narrative review of cutting-edge studies. Bioengineering (Basel). 2025; 12(7): 769. https://dx.doi.org/10.3390/bioengineering12070769
  14. Mehlhorn G., Münzenmayer C., Benz M., Kage A., Beckmann M.W., Wittenberg T. Computer-assisted diagnosis in colposcopy: results of a preliminary experiment? Acta Cytol. 2012; 56(5): 554-9. https://dx.doi.org/10.1159/000341546
  15. Park J., Yang H., Roh H.J., Jung W., Jang G.J. Encoder-weighted W-Net for unsupervised segmentation of cervix region in colposcopy images. Cancers (Basel). 2022; 14(14): 3400. https://dx.doi.org/10.3390/cancers14143400
  16. Ledwaba L., Saidu R., Malila B., Kuhn L., Mutsvangwa T.E.M. Automated analysis of digital medical images in cervical cancer screening: a systematic review. medRxiv. [Preprint]. 2024: 2024.09.27.24314466. https:// dx.doi.org/10.1101/2024.09.27.24314466
  17. Asiedu M.N., Simhal A., Chaudhary U., Mueller J.L., Lam C.T., Schmitt J.W. et al. Development of algorithms for automated detection of cervical pre-cancers with a low-cost, point-of-care, pocket colposcope. IEEE Trans. Biomed. Eng. 2019; 66(8): 2306-18. https://dx.doi.org/10.1109/TBME.2018.2887208
  18. Sampaio A.F., Rosado L., Vasconcelos M.J. Towards the mobile detection of cervical lesions: a region-based approach for the analysis of microscopic images. IEEE Access. 2021; 9: 152188-205. https://dx.doi.org/10.1109/ACCESS.2021.3126486
  19. Hussain E., Mahanta L.B., Das C.R., Talukdar R.K. A comprehensive study on the multi-class cervical cancer diagnostic prediction on pap smear images using a fusion-based decision from ensemble deep convolutional neural network. Tissue Cell. 2020; 65: 101347. https://dx.doi.org/10.1016/j.tice.2020.101347
  20. Xue P., Xu H.M., Tang H.P., Wu W.Q., Seery S., Han X. et al. Assessing artificial intelligence enabled liquid-based cytology for triaging HPV-positive women: a population-based cross-sectional study. Acta Obstet. Gynecol. Scand. 2023; 102(8): 1026-33. https://dx.doi.org/10.1111/aogs.14611
  21. Park Y.R., Kim Y.J., Ju W., Nam K., Kim S., Kim K.G. Comparison of machine and deep learning for the classification of cervical cancer based on cervicography images. Sci. Rep. 2021; 11(1): 16143. https://dx.doi.org/10.1038/ s41598-021-95748-3
  22. Fu L., Xia W., Shi W., Cao G.X., Ruan Y.T., Zhao X.Y. et al. Deep learning based cervical screening by the cross-modal integration of colposcopy, cytology, and HPV test. Int. J. Med. Inform. 2022; 159: 104675. https://dx.doi.org/10.1016/ j.ijmedinf.2021.104675
  23. Urushibara A., Saida T., Mori K., Ishiguro T., Sakai M., Masuoka S. et al. Diagnosing uterine cervical cancer on a single T2-weighted image: comparison between deep learning versus radiologists. Eur. J. Radiol. 2021; 135: 109471. https://dx.doi.org/10.1016/j.ejrad.2020.109471
  24. Tanos V., Neofytou M., Tanos P., Pattichis C.S., Pattichis M.S. Computer-aided diagnosis by tissue image analysis as an optical biopsy in hysteroscopy. Int. J. Mol. Sci. 2022; 23(21): 12782. https://dx.doi.org/10.3390/ ijms232112782
  25. Takahashi Y., Sone K., Noda K., Yoshida K., Toyohara Y., Kato K. et al. Automated system for diagnosing endometrial cancer by adopting deep-learning technology in hysteroscopy. PLOS One. 2021; 16(3): e0248526. https:// dx.doi.org/10.1371/journal.pone.0248526
  26. Urushibara A., Saida T., Mori K., Ishiguro T., Inoue K., Masumoto T. et al. The efficacy of deep learning models in the diagnosis of endometrial cancer using MRI: a comparison with radiologists. BMC Med. Imaging. 2022; 22(1): 80. https://dx.doi.org/10.1186/s12880-022-00808-3
  27. Petrila O., Stefan A.E., Gafitanu D., Scripcariu V., Nistor I. The applicability of artificial intelligence in predicting the depth of myometrial invasion on MRI studies-a systematic review. Diagnostics (Basel). 2023; 13(15): 2592. https://dx.doi.org/10.3390/diagnostics13152592
  28. Hart G.R., Yan V., Huang G.S., Liang Y., Nartowt B.J., Muhammad W. et al. Population-based screening for endometrial cancer: human vs. machine intelligence. Front. Artif. Intell. 2020; 3: 539879. https://dx.doi.org/10.3389/frai.2020.539879
  29. Lee B., Chang S.J., Kwon B.S., Son J.H., Lim M.C., Kim Y.H. et al. Clinical guidelines for ovarian cancer: the Korean Society of gynecologic oncology guidelines. J. Gynecol. Oncol. 2024; 35(1): e43. https://dx.doi.org/10.3802/jgo.2024.35.e43
  30. Xu H.L., Gong T.T., Liu F.H., Chen H.Y., Xiao Q., Hou Y. et al. Artificial intelligence performance in image-based ovarian cancer identification: A systematic review and meta-analysis. EClinicalMedicine. 2022; 53: 101662. https://dx.doi.org/10.1016/j.eclinm.2022.101662
  31. Ma L., Huang L., Chen Y., Zhang L., Nie D., He W. et al. AI diagnostic performance based on multiple imaging modalities for ovarian tumor: a systematic review and meta-analysis. Front. Oncol. 2023; 13: 1133491. https://dx.doi.org/10.3389/fonc.2023.1133491
  32. Barnard M.E., Pyden A., Rice M.S., Linares M., Tworoger S.S., Howitt B.E. et al. Inter-pathologist and pathology report agreement for ovarian tumor characteristics in the Nurses' Health Studies. Gynecol Oncol. 2018; 150(3): 521-526. https://dx.doi.org/10.1016/j.ygyno.2018.07.003
  33. Zeng X, Li Z, Dai L, Li J, Liao L, Chen W. Machine learning in ovarian cancer: a bibliometric and visual analysis from 2004 to 2024. Discov. Oncol. 2025; 16(1): 755. https://dx.doi.org/10.1007/s12672-025-02416-3
  34. Breen J., Allen K., Zucker K., Adusumilli P., Scarsbrook A., Hall G. et al. Artificial intelligence in ovarian cancer histopathology: a systematic review. NP J. Precis. Oncol. 2023; 7(1): 83. https://dx.doi.org/10.1038/s41698-023-00432-6
  35. Ioannidou A., Machairiotis N., Stavros S., Potiris A., Karampitsakos T., Pantelis A.G. et al. Comparison of surgical interventions for endometrioma: a systematic review of their efficacy in addressing infertility. Biomedicines. 2024; 12(12): 2930. https://dx.doi.org/10.3390/biomedicines12122930
  36. Greene A.D., Lang S.A., Kendziorski J.A., Sroga-Rios J.M., Herzog T.J., Burns K.A. Endometriosis: where are we and where are we going? Reproduction. 2016; 152(3): R63-78. https://dx.doi.org/10.1530/REP-16-0052
  37. Bendifallah S., Puchar A., Suisse S., Delbos L., Poilblanc M., Descamps P. et al. Machine learning algorithms as new screening approach for patients with endometriosis. Sci. Rep. 2022; 12(1): 639. https://dx.doi.org/10.1038/ s41598-021-04637-2
  38. Sivajohan B., Elgendi M., Menon C., Allaire C., Yong P., Bedaiwy M.A. Clinical use of artificial intelligence in endometriosis: a scoping review. NP J. Digit. Med. 2022; 5(1): 109. https://dx.doi.org/10.1038/s41746-022-00638-1
  39. Littmann M., Selig K., Cohen-Lavi L., Frank Y., Hönigschmid P., Kataka E. et al. Validity of machine learning in biology and medicine increased through collaborations across fields of expertise. Nat. Mach. Intell. 2020; 2(1): 18-24. https://dx.doi.org/10.1038/s42256-019-0139-8
  40. Balica A., Dai J., Piiwaa K., Qi X., Green A.N., Philips N. et al. Augmenting endometriosis analysis from ultrasound data with deep learning. Medical imaging 2023: ultrasonic imaging and tomography. 2023; 12470: 118-23. https://dx.doi.org/10.1117/12.2653940
  41. Hu P., Gao Y., Zhang Y., Sun K. Ultrasound image-based deep learning to differentiate tubal-ovarian abscess from ovarian endometriosis cyst. Front. Physiol. 2023; 14: 1101810. https://dx.doi.org/10.3389/fphys.2023.1101810
  42. Cetera G.E., Tozzi A.E., Chiappa V., Castiglioni I., Merli C.E.M., Vercellini P. Artificial intelligence in the management of women with endometriosis and adenomyosis: can machines ever be worse than humans? J. Clin. Med. 2024; 13(10): 2950. https://dx.doi.org/10.3390/jcm13102950
  43. Voelker R. The promise and pitfalls of AI in the complex world of diagnosis, treatment, and disease management. JAMA. 2023; 330(15): 1416-19. https://dx.doi.org/10.1001/jama.2023.19180
  44. Sahni N.R., Carrus B. Artificial intelligence in U.S. health care delivery. N. Engl. J. Med. 2023; 389(4): 348-58. https://dx.doi.org/10.1056/NEJMra2204673
  45. Kanjee Z., Crowe B., Rodman A. Accuracy of a generative Artificial intelligence model in a complex diagnostic challenge. JAMA. 2023; 330(1): 78-80. https://dx.doi.org/10.1001/jama.2023.8288
  46. Eriksen A.V., Möller S., Ryg J. Use of GPT-4 to diagnose complex clinical cases. NEJM AI. 2023; 19(1): AIp2300031. https://dx.doi.org/10.1056/AIp2300031
  47. Ozgor B.Y., Simavi M.A. Accuracy and reproducibility of ChatGPT’s free version answers about endometriosis. Int. J. Gynaecol. Obstet. 2024; 165(2): 691-5. https://dx.doi.org/10.1002/ijgo.15309
  48. Jiang V.S., Bormann C.L. Artificial intelligence in the in vitro fertilization laboratory: a review of advancements over the last decade. Fertil. Steril. 2023; 120(1): 17-23. https://dx.doi.org/10.1016/j.fertnstert.2023.05.149
  49. McCallum C., Riordon J., Wang Y., Kong T., You J.B., Sanner S. et al. Deep learning-based selection of human sperm with high DNA integrity. Commun. Biol. 2019; 2: 250. https://dx.doi.org/10.1038/s42003-019-0491-6
  50. Cherouveim P., Velmahos C., Bormann C.L. Artificial intelligence for sperm selection-a systematic review. Fertil. Steril. 2023; 120(1): 24-31. https:// dx.doi.org/10.1016/j.fertnstert.2023.05.157
  51. Salih M., Austin C., Warty R.R., Tiktin C., Rolnik D.L., Momeni M. et al. Embryo selection through artificial intelligence versus embryologists: a systematic review. Hum. Reprod. Open. 2023; 2023(3): hoad031. https://dx.doi.org/10.1093/hropen/hoad031
  52. Драпкина Ю.С., Макарова Н.П., Васильев Р.А., Амелин В.В., Франкевич В.Е., Калинина Е.А. Изучение аналитической обработки клинико-анамнестических и эмбриологических данных пациентов в программе вспомогательных репродуктивных технологий различными методами машинного обучения. Акушерство и гинекология. 2024; 3: 96-107. [Drapkina Yu.S., Makarova N.P., Vasilev R.A., Amelin V.V., Frankevich V.E., Kalinina E.A. Application of various machine learning techniques to the analysis of clinical, anamnestic, and embryological data of patients undergoing assisted reproductive technologies. Obstetrics and Gynecology. 2024; (3): 96-107 (in Russian)]. https://dx.doi.org/10.18565/aig.2023.281
  53. Драпкина Ю.С., Макарова Н.П., Чаговец В.В., Васильев Р.А., Амелин В.В., Калинина Е.А. Использование машинного обучения для анализа липидного профиля среды культивирования и прогнозирования эффективности вспомогательных репродуктивных технологий. Акушерство и гинекология. 2025; 2: 91-9. [Drapkina Yu.S., Makarova N.P., Chagovets V.V., Vasiliev R.A., Amelin V.V., Kalinina E.A. Using machine learning to analyze the lipid profile of culture medium and predict the efficacy of assisted reproductive technologies. Obstetrics and Gynecology. 2025; (2): 91-9 (in Russian)]. https://dx.doi.org/10.18565/aig.2024.280
  54. Alowais S.A., Alghamdi S.S., Alsuhebany N., Alqahtani T., Alshaya A.I., Almohareb S.N. et al. Revolutionizing healthcare: the role of artificial intelligence in clinical practice. BMC Med. Educ. 2023; 23(1): 689. https:// dx.doi.org/10.1186/s12909-023-04698-z
  55. Boudi A.L., Boudi M., Chan C., Boudi F.B. Ethical challenges of Artificial intelligence in medicine. Cureus. 2024; 16(11): e74495. https://dx.doi.org/ 10.7759/cureus.74495
  56. Mohanasundari S.K., Kalpana M., Madhusudhan U., Vasanthkumar K., B R., Singh R. et al. Can Artificial intelligence replace the unique nursing role? Cureus. 2023; 15(12): e51150. https://dx.doi.org/10.7759/cureus.51150
  57. World Health Organization. Ethics and governance of artificial intelligence for health. WHO Guidance. Geneva: World Health Organization; 2021. Available from: https://www.who.int/publications/i/item/9789240029200

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рисунок. Блок-схема исследования

Скачать (153KB)
Метаданные

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».