Перспективы использования машинного обучения для усовершенствования коронарографии

Обложка

Цитировать

Полный текст

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

Аннотация

Сердечно-сосудистые заболевания являются главной угрозой для здоровья населения Российской Федерации и находятся на первом месте среди причин смерти. Наибольшие стандартизированные коэффициенты смертности среди населения России приходятся на ишемическую болезнь сердца. Комплексная диагностика этого заболевания включает оценку коронарного атеросклероза с использованием как неинвазивных методов, таких как мультиспиральная компьютерная томография коронарных артерий, так и инвазивных, включая коронарную ангиографию, а иногда и внутрисосудистой визуализации. Указанные методы являются наиболее эффективными для диагностики ишемической болезни сердца.

Распространение медицинских технологий, основанных на искусственном интеллекте, в последние годы привело к появлению новых диагностических и терапевтических возможностей. Искусственный интеллект позволил преодолеть разрыв между массивными наборами данных и полезной информацией, обрабатывая и анализируя важные данные в беспрецедентных масштабах.

В обзоре выделено пять потенциальных и перспективных направлений использования машинного обучения в области коронарографии: улучшение качества и эффективности исследования, определение характеристик бляшек, оценка гемодинамики, прогнозирование исходов заболевания и диагностика неатеросклеротических поражений коронарных артерий. В то время как машинное обучение обладает преобразующим потенциалом в области анализа коронарных ангиограмм, тщательное рассмотрение его ограничений, включая протоколы обмена данными и интерпретируемость моделей, имеет важное значение для полного использования его возможностей и обеспечения оптимальной диагностики и лечения пациентов.

Об авторах

Юрий Александрович Трусов

Самарский государственный медицинский университет

Автор, ответственный за переписку.
Email: secretplace@internet.ru
ORCID iD: 0000-0001-6407-3880
SPIN-код: 3203-5314

ассистент

Россия, Самара

Айрина Айгизовна Вильданова

Башкирский государственный медицинский университет

Email: airinavildanowa@gmail.com
ORCID iD: 0009-0000-0625-9732
Россия, Уфа

Амина Нагимовна Загитова

Башкирский государственный медицинский университет

Email: zagitova.amina@mail.ru
ORCID iD: 0009-0006-9528-4019
Россия, Уфа

Мария Олеговна Симененкова

Крымский федеральный университет им. В.И. Вернадского

Email: masha.simenenkova@mail.ru
ORCID iD: 0009-0003-0523-3655
Россия, Симферополь

Фериде Экремовна Сеттарова

Крымский федеральный университет им. В.И. Вернадского

Email: ferideshka.settarova@gmail.com
ORCID iD: 0009-0003-5059-6105
Россия, Симферополь

Зарина Наилевна Рашитова

Российский национальный исследовательский медицинский университет им. Н.И. Пирогова

Email: rashitovazarina@yandex.ru
ORCID iD: 0009-0004-7890-5472
Россия, Москва

Анастасия Сергеевна Курченко

Первый Московский государственный медицинский университет имени И.М. Сеченова (Сеченовский Университет)

Email: kurchenko.anastasiia@yandex.ru
ORCID iD: 0009-0004-1055-3394
Россия, Москва

Юлия Николаевна Лапшина

Пензенский государственный университет

Email: jul1a110401@yandex.ru
ORCID iD: 0009-0001-0985-9212
SPIN-код: 2724-5472
Россия, Пенза

Анастасия Андреевна Романова

Санкт-Петербургский государственный педиатрический медицинский университет

Email: romanna96@mail.ru
ORCID iD: 0009-0005-5675-835X
Россия, Санкт-Петербург

Константин Михайлович Нечаев

Санкт-Петербургский государственный педиатрический медицинский университет

Email: kostanechaev16@gmail.com
ORCID iD: 0009-0005-6937-0215
Россия, Санкт-Петербург

Родион Алексеевич Архипов

Крымский федеральный университет им. В.И. Вернадского

Email: nomier@list.ru
ORCID iD: 0009-0004-3971-733X
Россия, Симферополь

Аким Рефатович Умеров

Крымский федеральный университет им. В.И. Вернадского

Email: ufadime74@mail.ru
ORCID iD: 0009-0007-9134-1044
Россия, Симферополь

Ильдар Ильсурович Зайнуллин

Ижевская государственная медицинская академия

Email: il116rus22@gmail.com
ORCID iD: 0009-0005-0812-6171
Россия, Ижевск

Камила Фанисовна Бикмуллина

Ижевская государственная медицинская академия

Email: kbikmullina@mail.ru
ORCID iD: 0009-0003-2881-1876
Россия, Ижевск

Список литературы

  1. Концевая А.В., Муканеева Д.К., Игнатьева В.И., и др. Экономика профилактики сердечно-сосудистых заболеваний в Российской Федерации // Российский кардиологический журнал. 2023. Т. 28, № 9. С. 19–26. EDN: KNLBZO doi: 10.15829/1560-4071-2023-5521
  2. Самородская И.В., Старинская М.А., Бойцов С.А. Динамика региональных показателей смертности от сердечно-сосудистых заболеваний и когнитивных нарушений в России 2019–2021 годах // Российский кардиологический журнал. 2023. Т. 28, № 4. С. 94–101. EDN: EYFUHW doi: 10.15829/1560-4071-2023-5256
  3. Черняк А.А., Дешко М.С., Снежицкий В.А., и др. Чрескожные коронарные вмешательства: внутрисосудистые методы визуализации и измерение внутрикоронарной гемодинамики // Журнал Гродненского государственного медицинского университета. 2020. Т. 18, № 5. С. 513–522. EDN: IQBKOL doi: 10.25298/2221-8785-2020-18-5-513-522
  4. Личикаки В.А., Мордовин В.Ф., Фальковская А.Ю., и др. Особенности коронарной патологии и её связь с маркерами фиброза миокарда у больных с резистентной гипертензией // Российский кардиологический журнал. 2023. Т. 28, № 6. С. 95–100. EDN: OPUXND doi: 10.15829/1560-4071-2023-5394
  5. Ковальская А.Н., Дупляков Д.В. Биомаркеры в оценке уязвимости атеросклеротических бляшек: нарративный обзор // Рациональная фармакотерапия в кардиологии. 2023. Т. 19, № 3. С. 282–288. EDN: DVSIQI doi: 10.20996/1819-6446-2023-2878
  6. Миронова О.Ю., Исаев Г.О., Бердышева М.В., и др. Современные методики оценки физиологической значимости стенозирующих поражений коронарных артерий // Терапевтический архив. 2023. Т. 95, № 4. C. 341–346. EDN: ZLYNOW doi: 10.26442/00403660.2023.04.202169
  7. Даренский Д.И., Грамович В.В., Жарова Е.А., и др. Определение пороговых значений моментального резерва кровотока при оценке функциональной значимости стенозов коронарных артерий пограничной степени тяжести с использованием неинвазивных методов верификации ишемии миокарда в качестве стандарта // Евразийский кардиологический журнал. 2016. № 4. С. 34–41. EDN: XYKQLR
  8. Даренский Д.И., Грамович В.В., Жарова Е.А., и др. Сравнение методов моментального и фракционного резервов кровотока с неинвазивными методами выявления ишемии миокарда при оценке пограничных коронарных стенозов у больных с хронической формой ишемической болезни сердца // Кардиология. 2017. Т. 57, № 8. С. 11–19. EDN: WQKQLB doi: 10.18087/cardio.2017.8.10012
  9. Семенова А.А., Меркулова И.Н., Шария М.А., и др. Структурные особенности атеросклеротических бляшек по данным компьютерной томографии коронарных артерий и их динамика у больных с острым коронарным синдромом в ходе проспективного наблюдения // Кардиологический вестник. 2021. Т. 16, № 4. С. 66–75. EDN: SSCCNI doi: 10.17116/Cardiobulletin20211604166
  10. Williams M.C., Moss A.J., Dweck M., et al. Coronary artery plaque charaeristics associated with adverse outcomes in the SCOT-HEART study // J Am Coll Cardiol. 2019. Vol. 73, N. 3. P. 291–301. doi: 10.1016/j.jacc.2018.10.066
  11. Йео К.К. Искусственный интеллект в кардиологии: сработал ли он? // Российский журнал персонализированной медицины. 2022. Т. 2, № 6. С. 16–22. EDN: UIENOT doi: 10.18705/2782-3806-2022-2-6-16-22
  12. Johnson K.W., Torres Soto J., Glicksberg B.S., et al. Artificial intelligence in cardiology // J Am Coll Cardiol. 2018. Vol. 71, N. 23. P. 2668–2679. doi: 10.1016/j.jacc.2018.03.521
  13. Сумин А.Н. Алгоритмы диагностики у больных хроническим коронарным синдромом — что показывает реальная клиническая практика? // Российский кардиологический журнал. 2023. Т 28, № 9. С. 87–97. EDN: KAVIKE doi: 10.15829/1560-4071-2023-5483
  14. Баркалов М.Н., Атанесян Р.В., Агеев Ф.Т., Матчин Ю.Г. Оценка клинико-экономической эффективности эндоваскулярного лечения больных с протяженным поражением коронарных артерий с использованием стентов длиной 40–60 мм // Кардиологический вестник. 2021. Т. 16, № 2. С. 28-35. EDN: MHVGNO doi: 10.17116/Cardiobulletin20211602
  15. Jonas R.A., Weerakoon S., Fisher R., et al. Interobserver variability among expert readers quantifying plaque volume and plaque characteristics on coronary CT angiography: a CLARIFY trial sub-study // Clin Imaging. 2022. Vol. 91. P. 19–25. doi: 10.1016/j.clinimag.2022.08.005
  16. Zhang H., Mu L., Hu S., et al. Comparison of physician visual assessment with quantitative coronary angiography in assessment of stenosis severity in China // JAMA Intern Med. 2018. Vol. 178, N. 2. P. 239–247. doi: 10.1001/jamainternmed.2017.7821
  17. Budoff M.J., Dowe D., Jollis J.G., et al. Diagnostic performance of 64-multidetector row coro- nary computed tomographic angiography for evaluation of coronary artery stenosis in individuals without known coronary artery disease: results from the prospective multicenter ACC URACY (Assessment by Coronary Computed Tomographic Angiography of Individuals Undergoing Invasive Coronary Angiography) trial // J Am Coll Cardiol. 2008. Vol. 52, N. 21. P. 1724–1732. doi: 10.1016/j.jacc.2008.07.031
  18. Руголь Л.В., Сон И.М., Кириллов В.И., Гусева С.Л. Организационные технологии, повышающие доступность медицинской помощи для населения // Профилактическая медицина. 2020. Т. 23, № 2. С. 26–34. EDN: KBCBYP doi: 10.17116/profmed20202302126
  19. Гаджиев Я., Шалбузова К. Применение методов машинного обучения в прогнозировании и раннем обнаружении рака // Sciences of Europe. 2022. Т. 108. С. 46–50. EDN: PVXDIB doi: 10.5281/zenodo.7523833
  20. Chilamkurthy S., Ghosh R., Tanamala S., et al. Deep learning algorithms for detection of critical findings in head CT scans: a retrospective study // Lancet. 2018. Vol. 392, N. 10162. P. 2388–2396. doi: 10.1016/s0140-6736(18)31645-3
  21. Lansberg M.G., Christensen S., Kemp S., et al. Computed tomographic perfusion to predict response to recanalization in ischemic stroke // Ann Neurol. 2017. Vol. 81, N. 6. P. 849–856. doi: 10.1002/ana.24953
  22. Esteva A., Kuprel B., Novoa R.A., et al. Dermatologist-level classification of skin cancer with deep neural networks // Nature. 2017. Vol. 542, N. 7639. P. 115–118. doi: 10.1038/nature21056
  23. Gulshan V., Peng L., Coram M., et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs // JAMA. 2016. Vol. 316, N. 22. P. 2402–2410. doi: 10.1001/jama.2016.17216
  24. Al’Aref S.J., Anchouche K., Singh G., et al. Clinical applications of machine learning in cardiovascular disease and its relevance to cardiac imaging // Eur Heart J. 2019. Vol. 40, N. 24. P. 1975–1986. doi: 10.1093/ eurheartj/ehy404
  25. Lin A., Manral N., McElhinney P., et al. Deep learning-enabled coronary CT angiography for plaque and stenosis quantification and cardiac risk prediction: an international multicentre study // Lancet Digit Health. 2022. Vol. 4, N. 4. P. e256–e265. doi: 10.1016/s2589-7500(22)00022-X
  26. van Rosendael A.R., Maliakal G., Kolli K.K., et al. Maximization of the usage of coronary CTA derived plaque information using a machine learning based algorithm to improve risk stratification; insights from the CONFIRM registry // J Cardiovasc Comput Tomogr. 2018. Vol. 12, N. 3. P. 204–209. doi: 10.1016/j.jcct.2018.04.011
  27. Гусев А.В., Гаврилов Д.В., Корсаков И.Н., и др. Перспективы использования методов машинного обучения для предсказания сердечно-сосудистых заболеваний // Врач и информационные технологии. 2019. №3. С. 41–47. EDN: KKDZXQ
  28. Liu F., Jang H., Kijowski R., et al. Deep learning MR imaging-based attenuation correction for PET/MR imaging // Radiology. 2018. Vol. 286, N. 2. P. 676–684. doi: 10.1148/radiol.2017170700
  29. Wang G., Li W., Ourselin S., Vercauteren T. Automatic brain tumor segmentation based on cascaded convolutional neural networks with uncertainty estimation // Front Comput Neurosci. 2019. Vol. 13. P. 56. doi: 10.3389/fncom.2019.00056
  30. Азизов В.А., Султанова М.Д., Улудаг К., Эфендиева Л.Г. Возможности компьютерной томографии в оценке состояния коронарных артерий у больных ишемической болезнью сердца // Евразийский кардиологический журнал. 2014. № 2. С. 39–43. EDN: SMLQOD doi: 10.38109/2225-1685-2014-2-39-43
  31. Douglas P.S., Hoffmann U., Patel M.R., et al. Outcomes of anatomical versus functional testing for coronary artery disease // N Engl J Med. 2015. Vol. 372, N. 14. P. 1291–1300. doi: 10.1056/NEJMoa1415516
  32. De la Garza-Salazar F., Lankenau-Vela D.L., Cadena-Nuñez B., et al. The effect of functional and intra-coronary imaging techniques on fluoroscopy time, radiation dose and contrast volume during coronary angiography // Sci Rep. 2020. Vol. 10, N. 1. P. 6950. doi: 10.1038/s41598-020-63791-1
  33. Koskinas K.C., Nakamura M., Räber L., et al. Current use of intracoronary imaging in interventional practice – results of a European Association of Percutaneous Cardiovascular Interventions (EAPCI) and Japanese Association of Cardiovascular Interventions and Therapeutics (CVIT) Clinical Practice Survey // EuroIntervention. 2018. Vol. 14, N. 4. P. e475–e484. doi: 10.4244/eijy18m03_01
  34. Dey D., Gaur S., Ovrehus K.A., et al. Integrated prediction of lesion-specific ischaemia from quantitative coronary CT angiography using machine learning: a multicentre study // Eur Radiol. 2018. Vol. 28, N. 6. P. 2655–2664. doi: 10.1007/s00330-017-5223-z
  35. Krittanawong C., Zhang H., Wang Z., et al. Artificial intelligence in precision cardiovascular medicine // J Am Coll Cardiol. 2017. Vol. 69, N. 21. P. 2657–2664. doi: 10.1016/j.jacc.2017.03.571
  36. Веселова Т.Н., Терновой С.К., Чеповский А.М., и др. Оценка фракционного резерва кровотока по данным компьютерной томографии: сравнение расчетных показателей с результатами инвазивных измерений // Кардиология. 2021. Т. 61, № 7. С. 28–35. EDN: WMFYUW doi: 10.18087/cardio.2021.7.n1540
  37. Даренский Д.И., Грамович В.В., Жарова Е.А., и др. Диагностическая ценность измерения моментального резерва кровотока по сравнению с неинвазивными методами выявления ишемии миокарда при оценке функциональной значимости пограничных стенозов коронарных артерий // Терапевтический архив. 2017. Т. 89, № 4. С. 15-21. EDN: YNEVZR doi: 10.17116/terarkh201789415-21
  38. Cho H., Lee J.G., Kang S.J., et al. Angiography-based machine learning for predicting fractional flow reserve in intermediate coronary artery lesions // J Am Heart Assoc. 2019. Vol. 8, N. 4. P. 011685. doi: 10.1161/jaha.118.011685
  39. Kogame N., Ono M., Kawashima H., et al. The impact of coronary physiology on contemporary clinical decision making // JACC Cardiovasc Interv. 2020. Vol. 13, N. 14. P. 1617–1638. doi: 10.1016/j.jcin.2020.04.040
  40. Журавлев К.Н., Васильева Е.Ю., Синицын В.Е., Шпектор А.В. Кальциевый индекс как скрининговый метод диагностики сердечно-сосудистых заболеваний // Российский кардиологический журнал. 2019. Т. 24, № 12. С. 153–161. EDN: RKSFGF doi: 10.15829/1560-4071-2019-12-153-161
  41. Kral B.G., Becker L.C., Vaidya D., et al. Noncalcified coronary plaque volumes in healthy people with a family history of early onset coronary artery disease // Circ Cardiovasc Imaging. 2014. Vol. 7, N. 3. P. 446–453. doi: 10.1161/circimaging.113.000980
  42. Nakanishi R., Slomka P.J., Rios R., et al. Machine learning adds to clinical and CAC assess- ments in predicting 10-year CHD and CVD deaths // JACC Cardiovasc Imaging. 2021. Vol. 14, N. 3. P. 615–625. doi: 10.1016/j.jcmg.2020.08.024
  43. Жукова Н.С., Шахнович Р.М., Меркулова И.Н., и др. Спонтанная диссекция коронарных артерий // Кардиология. 2019. Т. 59, № 9. С. 52–63. EDN: RIDCFO doi: 10.18087/cardio.2019.9.10269
  44. Халиков А.А., Кузнецов К.О., Искужина Л.Р., Халикова Л.В. Судебно-медицинские аспекты внезапной аутопсия-отрицательной сердечной смерти // Судебно-медицинская экспертиза. 2021. Т. 64, № 3. С. 59–63. EDN: FOBSBA doi: 10.17116/sudmed20216403159
  45. Зайнобидинов Ш.Ш., Хелимский Д.А., Баранов А.А., и др. Современные аспекты диагностики и лечения пациентов со спонтанной диссекцией коронарных артерий // Кардиоваскулярная терапия и профилактика. 2022. Т. 21, № 8. С. 106–118. EDN: WVUPET doi: 10.15829/1728-8800-2022-3193
  46. Тайтакова Б.Ю., Сердечная А.Ю., Сукманова И.А. Инфаркт миокарда у пациента после ортотопической трансплантации сердца, причины развития и особенности ведения // Атеросклероз. 2022. Т. 18, № 1. С. 81–86. EDN: WKTCBV doi: 10.52727/2078-256X-2022-18-1-81-86
  47. Воронина Т.С., Раскин В.В., Фролова Ю.В., Дземешкевич С.Л. Болезнь коронарных артерий пересаженного сердца и системный атеросклероз сходства и различия // Атеросклероз и дислипидемии. 2014. № 3(16). С. 16–20. EDN: SISNQV
  48. Галин П.Ю., Губанова Т.Г. Микрососудистая стенокардия как проблема современной кардиологии // Оренбургский медицинский вестник. 2018. Т. VI, № 1(21). С. 4–10. EDN: OJYCSA
  49. Marinescu M.A., Löffler A.I., Ouellette M., et al. Coronary microvascular dysfunction, microvascular angina, and treatment strategies // JACC Cardiovasc Imaging. 2015. Vol. 8, N. 2. P. 210–220. doi: 10.1016/j.jcmg.2014.12.008
  50. Mathew R.C., Bourque J.M., Salerno M., Kramer C.M. Cardiovascular imaging techniques to assess microvascular dysfunction // JACC Cardiovasc Imaging. 2020. Vol. 13, N. 7. P. 1577–1590. doi: 10.1016/j.jcmg.2019.09.006
  51. Ford T.J., Stanley B., Sidik N., et al. 1-year outcomes of angina management guided by invasive coronary function testing (CorMicA) // JACC Cardiovasc Interv. 2020. Vol. 13, N. 1. P. 33–45. doi: 10.1016/j.jcin.2019.11.001
  52. Topol E.J. High-performance medicine: the convergence of human and artificial intelligence // Nat Med. 2019. Vol. 25, N. 1. P. 44–56. doi: 10.1038/s41591-018-0300-7
  53. Shen D., Wu G., Suk H.I. Deep learning in medical image analysis // Annu Rev Biomed Eng. 2017. Vol. 19. P. 221–248. doi: 10.1146/annurev-bioeng-071516-044442
  54. Obermeyer Z., Emanuel E.J. Predicting the future – big data, machine learning, and clinical medicine // N Engl J Med. 2016. Vol. 375, N. 13. P. 1216–1219. doi: 10.1056/NEJMp1606181
  55. Brisimi T.S., Chen R., Mela T., et al. Federated learning of predictive models from federated electronic health records // Int J Med Inform. 2018. Vol. 112. P. 59–67. doi: 10.1016/j.ijmedinf.2018.01.007
  56. Castelvecchi D. Can we open the black box of AI? // Nature. 2016. Vol. 538, N. 7623. P. 20–23. doi: 10.1038/538020a
  57. Simonyan K., Vedaldi A., Zisserman A. Deep inside convolutional networks: visualising image classification models and saliency maps // arXiv. 2013. doi: 10.48550/arXiv.1312.6034
  58. Zhou B., Khosla A., Lapedriza A., et al. Learning deep features for discriminative localization. In: 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, 27-30 June 2016. P. 2921–2929. doi: 10.1109/CVPR.2016.319
  59. Olah C., Mordvintsev A., Schubert L. Feature Visualization // Distill. Nov. 7, 2017. doi: 10.23915/distill.00007
  60. McGovern A., Lagerquist R., John Gagne D., et al. Making the black box more transparent: understanding the physical implications of machine learning // Bull Am Meteor Soc. 2019. Vol. 100, N. 11. P. 2175–2199. doi: 10.1175/BAMS-D-18-0195.1
  61. Wagstaff K.L., Lee J. Interpretable discovery in large image data sets // arXiv. 2018. doi: 10.48550/arXiv.1806.08340

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рисунок. Алгоритм поиска исследований

Скачать (385KB)
Метаданные

© Эко-Вектор, 2024

Ссылка на описание лицензии: https://eco-vector.com/for_authors.php#07

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».