Индексы системного воспаления в прогнозировании ранних инфекций после эндопротезирования крупных суставов

Полный текст

ВВЕДЕНИЕ

Инфекционные осложнения после эндопротезирования являются серьезной проблемой как для пациента, так и для лечебного учреждения, в связи с чем прогнозирование таких осложнений имеет важное клиническое значение [1]. Среди сывороточных маркеров воспаления важно найти наиболее информативные, чтобы разработать простой и эффективный метод выявления риска инфекций на этапе подготовки пациента к эндопротезированию.

Общий анализ крови (ОАК) является простым, общедоступным, недорогим и информативным методом исследования, используемым врачами в повседневной практике для диагностики различных заболеваний, в том числе инфекционных. Однако информативность результатов ОАК касаемо отдельных форменных элементов крови ограничена.

В последние годы в разных областях медицины все чаще стали использовать комбинацию отдельных параметров ОАК для оценки прогноза тяжести течения заболеваний, которые получили название «новые интегральные маркеры воспаления». К ним относятся SII (Systemic Immune-Inflammation Index) — индекс системного воспаления, SIRI (Systemic Inflammation Response Index) — индекс системного воспалительного ответа и AISI (Aggregate Index of Systemic Inflammation) — совокупный системный индекс воспаления. Эти индексы объединяют несколько параметров крови, что повышает их информативность по сравнению с отдельными маркерами. Они комплексно отражают активность лейкоцитов, нейтрофилов, моноцитов и тромбоцитов, играющих ключевую роль в инфекционном процессе [2, 3, 4].

Показатель SII математически соотносит тромбоциты, нейтрофилы и лимфоциты и, как было показано, является хорошим предиктором развития синдрома системного воспалительного ответа и сепсиса у пациентов с одонтогенным абсцессом [2].

При расчете показателя SIRI используются данные о количестве нейтрофилов, моноцитов и лимфоцитов. Показатель доказал свою полезность в прогнозировании успешной реимплантации протеза после двухэтапных ревизионных операций («1,5-этапные ревизионные артропластики») в хронических случаях перипротезной инфекции (ППИ) [3].

Показатель AISI, отражающий соотношение нейтрофилов, лимфоцитов, моноцитов и тромбоцитов, является инструментом прогнозирования тяжести течения заболевания и смертности при различных воспалительных процессах [4]. Индекс AISI является более точным предиктором тяжести одонтогенного абсцесса по сравнению с другими системными воспалительными маркерами и СРБ. Его внедрение в клиническую практику может улучшить раннее выявление пациентов с высоким риском, что приведет к улучшению результатов лечения и снижению вероятности развития осложнений [5].

В области ортопедии и травматологии эти биомаркеры полезны для количественной оценки тяжести хирургической травмы и выработки рекомендаций для различных протоколов остеосинтеза [6, 7].

Мы предположили, что индексы воспаления SIRI, SII и AISI благодаря своей способности отражать системное воспаление и иммунный дисбаланс могут быть полезны для прогнозирования ранних инфекционных осложнений в области проведенного хирургического вмешательства (эндопротезирования). Гипотеза данного исследования заключается в том, что названные индексы могут указывать на скрытое воспаление, ранее произошедшую колонизацию носоглотки, кишечника, мочевыводящих путей и других органов патогенными микроорганизмами, способствующие развитию ранней ППИ.

Цель исследования — определить возможность использования индексов системного воспаления (SII, SIRI, AISI) для прогноза развития ранней перипротезной инфекции на этапе планирования эндопротезирования крупных суставов.

МАТЕРИАЛ И МЕТОДЫ

Одноцентровое ретроспективное нерандомизированное сравнительное исследование проведено в условиях Федерального центра травматологии, ортопедии и эндопротезирования (г. Чебоксары), далее — Центр.

Выборка включала случаи первичного эндопротезирования тазобедренного или коленного сустава (n = 6036), выполненного в Центре, с изучением данных медицинской информационной системы «Медиалог» (МИС).

Критерии включения: возраст пациента — 18 лет и старше, шифры заболеваний M17.0-M17.9 и М16.0-М16.9 согласно МКБ-10.

Критерии исключения: ревизионные вмешательства, инфекционный артрит, системные заболевания.

В группу 1 вошли пациенты без последующего развития инфекции на сроке 4 нед. и менее после первичного эндопротезирования, проведенного в 2023 г. (n = 5843); в группу 2 — пациенты с ранней ППИ (n = 193), оперированные в период с 2015 по 2023 г. (ввиду крайне небольшого числа наблюдаемых случаев ранней ППИ) (табл. 1).

 

Таблица 1

Характеристика групп исследования

Показатель		Группа 1	Группа 2	p
Пол	мужской, n	2102	78	0,2350
	женский, n	3741	115
Сустав	коленный, n	2895	99	0,6860
	тазобедренный, n	2948	94
Возраст, лет, Me [Q1; Q3]		64 [57; 70]	62 [54; 68]	0,0067
ИМТ, кг/м2, Me [Q1; Q3]		30,5 [27, 2; 34, 1]	31,0 [26, 7; 34, 5]	0,6153

 

Катамнез собран по данным МИС. Средний срок наблюдения за пациентами обеих групп составил 3,6 года.

Группы исследования были сопоставимы по полу, ИМТ и соотношению оперированных коленных и тазобедренных суставов. Группа 2 статистически значимо отличалась от группы 1 по возрасту с преобладанием более молодых пациентов.

Помимо демографических характеристик (пол, возраст) и ИМТ, оценивались: лабораторные данные (ОАК с подсчетом форменных элементов — нейтрофилов, моноцитов, лимфоцитов, тромбоцитов) при поступлении пациентов в стационар перед первичной имплантацией эндопротеза коленного или тазобедренного сустава; диагноз при поступлении (МКБ-10). Индексы системного воспаления рассчитывались по следующим формулам:

SIRI = количество нейтрофилов × количество моноцитов ÷ количество лимфоцитов;

SII = количество нейтрофилов × количество тромбоцитов ÷ количество лимфоцитов;

AISI = количество нейтрофилов × количество моноцитов × количество тромбоцитов ÷ количество лимфоцитов.

Все форменные элементы крови при расчетах представлены в абсолютных числах.

На первом этапе исследования был проведен расчет количественных показателей, в том числе индексов системного воспаления, с оценкой чувствительности и специфичности каждого из факторов, а также и их пороговых значений. С целью улучшения точности прогноза инфекции показатели были объединены с построением многофакторной регрессионной модели. Вклад категориальных признаков (пол, сустав) в развитие ранних инфекционных осложнений определяли методом логистической регрессии.

На втором этапе многофакторная модель риска ранних инфекционных осложнений после эндопротезирования коленного и тазобедренного суставов тестировалась с использованием машинного обучения на основе искусственного интеллекта, позволяющего оценить достоверность полученных на первом этапе результатов. В качестве модели для тестирования предложенного алгоритма прогноза ранних инфекционных осложнений была выбрана взвешенная логистическая регрессия (ввиду наличия категориальных данных, бинарной классификации, несбалансированности данных по причине редкости возникновения ранней инфекции). Эта модель эффективно борется с дисбалансом классов, улучшает калибровку предсказанных вероятностей, автоматически оцифровывает категориальные данные.

Статистический анализ

Статистический анализ выполнен с использованием программного пакета MedCalc и встроенной библиотеки описательной статистики Python statistics для программ на языке Python. Оценка нормальности распределения непрерывных переменных проводилась с использованием тестов Колмогорова – Смирнова и Шапиро – Уилка (для выборки объемом n = 193). Для количественных показателей с распределением, отличным от нормального, рассчитывали медиану (Me) и межквартильный интервал [Q₁; Q₃]. Для категориальных переменных межгрупповая значимость исследовалась с помощью χ² или точного критерия Фишера. Различия считались статистически значимыми при p < 0,05. Для определения диагностической мощности предлагаемых сывороточных биомаркеров (пороговые значения, AUC, 95% ДИ, чувствительность и специфичность) была построена кривая рабочей характеристики приемника (ROC). Для определения оптимального порогового значения для каждого из биомаркеров использовался индекс Юдена (индекс Юдена = чувствительность + специфичность — 1, диапазон от 0 до 1). Многофакторный анализ проведен с помощью построения многофакторной регрессионной модели на основе взвешенной логистической регрессии. Для оценки влияния данных на результативный признак (возникновение инфекции) использован коэффициент Крамера.

РЕЗУЛЬТАТЫ

Индексы системного воспаления SIRI, SII, AISI у пациентов группы 2 были статистически значимо выше, чем в группе 1 (табл. 2).

 

Таблица 2

Сравнение показателей системного воспаления в группах исследования, Me [Q₁; Q₃]

Индекс системного воспаления	Группа 1	Группа 2	p
SIRI	1,1 [0, 8; 1, 6]	1,2 [0, 9; 1, 8]	0,0195
SII	484,0 [349, 8; 676, 2]	533,9 [363, 6; 770, 7]	0,0191
AISI	280,1 [185, 7; 427, 4]	326,6 [201, 2; 489, 3]	0,0054

 

На основе программного анализа всех исследованных случаев получены пороговые значения возраста, ИМТ, SIRI, SII, AISI, сопряженные с ранней инфекцией. Среди изучаемых параметров AISI имел наиболее значимую диагностическую ценность (AUC = 0,56 с чувствительностью 54,4% и специфичностью 56,8%) (табл. 3).

 

Таблица 3

ROC-анализ индексов системного воспаления, возраста и ИМТ

Параметр	Возраст, лет	ИМТ, кг/м2	SIRI	SII	AISI
Пороговые значения	≤ 61	> 32,5	> 0,8	> 498,9	> 312,2
AUC (95% ДИ)	0,56 (0,55–0,57)	0,51 (0,50–0,52)	0,55 (0,54–0,56)	0,55 (0,54–0,56)	0,56 (0,55–0,57)
Чувствительность (95% ДИ)	48,2 (41,0–55,5)	40,9 (33,9–48,2)	86,5 (80,9–91,0)	58,0 (50,7–65,1)	54,4 (47,1–61,6)
Специфичность (95% ДИ)	61,4 (60,2–62,7)	64,7 (63,5–66,0)	22,1 (21,0–23,2)	52,7 (51,4-54,0)	56,8 (55,5–58,0)
Положительная прогностическая ценность, %	4,0	3,7	3,5	3,9	4,0
Отрицательная прогностическая ценность, %	97,3	97,1	98,0	97,4	97,4
Точность, %	61,0	64,0	24,1	52,9	56,7

 

На рисунке 1 представлены ROC-кривые значимости количественных факторов (индексов системного воспаления SIRI, SII и AISI, ИМТ, возраста) в качестве предикторов ранней инфекции после эндопротезирования крупных суставов. Площадь AUC под ROC-кривой графика чувствительности и специфичности варьирует от 0 до 1, показывая корреляцию исследуемого показателя с наличием инфекции. Чем ближе результат AUC к 1, тем выше информативность интегрального показателя.

 

Рисунок 1. ROC-кривые для исследуемых признаков

Figure 1. ROC curves for the examined parameters

 

Для повышения точности прогноза инфекционных осложнений мы решили провести анализ совокупности нескольких факторов со стороны пациента, которые являются независимыми и объективными: пол, ИМТ, возраст, сустав, SII, SIRI. Показатель AISI был исключен из анализа в силу его высокой корреляции с другими показателями системного воспаления (SII и SIRI).

В ходе тестирования модели было выбрано оптимальное соотношение при разделении данных на обучающую и тестовую выборки: 80% данных выбрано для обучения (n₁ = 4828), 20% — для тестирования (n₂ = 1208).

В основе модели лежит логистическая (сигмоидная) функция:

$p=\frac{1}{1+e^{-z}},$

где z = a₁X₁ + a₂X₂ + ..., X₁, X₂ + ,... — факторы; a₁, a₂ — найденные коэффициенты, e — постоянная величина; p — вероятность попадания в тот или иной класс (класс «без инфекции», класс «с инфекцией»).

Для удобства построения модели в ходе машинного обучения мы оцифровали категориальные признаки (пол, сустав). Количественные данные также были оцифрованы: если фактическое значение признака соответствовало вычисленному пороговому значению, оно принималось за «1» (риск инфекции высокий); при меньших значениях — за «0» (риск инфекции низкий) (табл. 4).

 

Таблица 4

Модель прогноза риска ранней инфекции после эндопротезирования на основе многофакторной логистической регрессии

Признак	Коэффициент	Значение признака
Количественные признаки
		0	1
Возраст	0,1827	> 61	≤ 61
ИМТ	0,1263	≤ 32,5	> 32,5
SIRI	0,1532	≤ 0,8	> 0,8
SII	0,2108	≤ 498,9	> 498,9
Категориальные признаки
Пол	-0,1365	Женский
	0,1260		Мужской
Сустав	-0,1712	Тазобедренный
	0,1607		Коленный

 

На рисунке 2 графически представлены значения коэффициентов модели, характеризующие важность признаков. Положительное значение коэффициента говорит о положительном «весе» данного признака в возникновении нежелательного события, отрицательное значение коэффициента — о снижении вероятности появления нежелательного события (риска возникновения инфекции). Таким образом, «женский пол» и «тазобедренный сустав» не увеличивают риск возникновения ранней инфекции, в то время как все остальные факторы его повышают. Наиболее значимым фактором в прогнозе развития инфекции является индекс SII с коэффициентом логистической регрессии 0,2108.

 

Рисунок 2. Графическое распределение степени влияния признаков на риск развития ранних инфекционных осложнений

Figure 2. Representation of the impact of variables on the risk of early infectious complications

 

На основании найденных коэффициентов логистической функции построена ROC-кривая для многофакторного анализа: AUC = 0,62 (95% ДИ: 0,30–0,72) с чувствительностью 55,2% и специ-фичностью 65,6%. Результатом построения модели является вероятность попадания пациента с совокупностью изучаемых признаков в группу «с инфекцией» или в группу «без инфекции». Эта вероятность находится в интервале от 0,30 до 0,72. Границей разделения вероятности для двух групп выбран уровень 0,5 (рис. 3).

 

Рисунок 3. Roc-кривая для многофакторного анализа

Figure 3. ROC curve for multivariate analysis

 

По результатам тестирования алгоритма прогноза ранних инфекционных осложнений получена матрица ошибок для тестируемых данных (n₂ = 1208) (табл. 5).

 

Таблица 5

Матрица ошибок для тестируемых данных

Предсказанные данные	Группа пациентов	Фактические тестовые данные
		с инфекцией	без инфекции	всего
	Группа 2 (с инфекцией)	23	486	509
	Группа 1 (без инфекции)	18	681	699
	Всего	41	1167	1208

 

Модель тестировали на 1208 случаях первичного эндопротезирования, из которых 41 фактически закончился развитием ранней инфекции. Предсказанные моделью данные о количестве последующих инфекций совпали с фактическими (n = 41) в 23 случаях, 18 случаев были ошибочно отнесены моделью к группе «без инфекции». Модель верно спрогнозировала случаи «без инфекции» в количестве 681, тогда как по факту их было 1167.

Дополнительно проведен анализ сопряженности матрицы ошибок с пораженным суставом (табл. 6).

 

Таблица 6

Расширенная матрица сопряженности с пораженным суставом

Предсказанные данные	Группа пациентов		Фактические тестовые данные
			с инфекцией	без инфекции	всего
	Группа 2 (с инфекцией)	коленный сустав	13	278	291
		тазобедренный сустав	10	208	218
	Группа 1 (без инфекции)	коленный сустав	9	279	288
		тазобедренный сустав	9	402	411
	Всего		41	1167	1208

 

Чувствительность метода для тазобедренного сустава составила 57,9%, для коленного — 54,5%, специфичность метода была равной (58,4%). Модель демонстрирует схожие чувствительность и специфичность для обоих суставов. Влияние категориального признака (пораженный сустав) на возникновение инфекции анализировали с помощью коэффициента сопряженности Крамера, который выявил слабую связь между переменными (p = 0,16). Полученная математическая модель обладает средней точностью прогноза (в интервале от 0,6 до 0,7).

ОБСУЖДЕНИЕ

Прогноз риска инфекционных осложнений имеет огромное значение в клинической практике, поскольку количество операций эндопротезирования растет с каждым годом, что, в свою очередь, увеличивает частоту инфекций [1, 8].

Ученые, стремясь найти механизмы, способствующие снижению числа инфекций после оперативных вмешательств, исследовали различные факторы со стороны пациента. Так, было выявлено, что к модифицируемым факторам риска развития ППИ относятся анемия, сахарный диабет, ожирение, в то время как пожилой возраст и мужской пол представляют собой немодифицируемые факторы риска инфекции [9, 10, 11, 12]. В своем исследовании с помощью математической модели мы подтвердили выводы коллег о том, что мужской пол, возраст (старше 61 года) и ожирение (ИМТ более 32,5 кг/м²) являются факторами риска развития ранней инфекции после эндопротезирования.

Американская коллегия хирургов (ACS-NSQIP) разработала «Калькулятор хирургического риска» для прогноза развития послеоперационных осложнений (в том числе и инфекционных), однако исследователи пришли к заключению, что данный инструмент не позволяет точно прогнозировать осложнения у пациентов, нуждающихся в эндопротезировании [13, 14].

Российские исследователи предложили модель прогноза инфекции после эндопротезирования на основе анализа 14 факторов, которая позволила снизить частоту последующих инфекций с 7,5% (в группе ретроспективных исследований) до 4,1% в группе проспективных исследований [15]. Этот факт побуждает ученых к дальнейшим исследованиям в области поиска факторов риска со стороны пациента, которые можно использовать для прогнозирования риска инфекции.

Отдельные параметры лейкоцитарной формулы не всегда специфичны и могут быть повышены из-за причин, не связанных с инфекцией (например, послеоперационный стресс), но в комбинации дают более точную оценку. Известно, что определение количества отдельных форменных элементов крови — в частности лейкоцитов — не обладает высокой диагностической ценностью при рутинной верификации ППИ из-за низких чувствительности (55%) и специфичности (66%), хотя некоторые клиницисты все еще используют ОАК из-за легкой доступности [16].

Количество нейтрофилов в сыворотке увеличивается при многих инфекционных заболеваниях и является важным параметром в диагностике инфекции, однако данный показатель используется только в сочетании с другими диагностическими инструментами для идентификации ППИ [17].

S. Zareifar с соавторами продемонстрировали роль тромбоцитов в инфекционном процессе, показав, что с увеличением их количества происходит снижение их среднего объема при активных инфекционных заболеваниях по сравнению с выздоровевшими пациентами [18].

Моноциты после миграции к месту инфекции дифференцируются в макрофаги и дендритные клетки, которые необходимы для фагоцитоза патогенов и устранения поврежденных клеток, однако большее значение они имеют в контроле и устранении грибковых, вирусных и протозойных инфекций [19].

Лимфоциты отвечают за специфический иммунный ответ, и снижение их уровня может указывать на подавленную функцию адаптивного иммунитета, что может привести к более тяжелой инфекции. Более того, было продемонстрировано, что стойкая лимфопения, сохраняющаяся через четыре дня после диагностики сепсиса, может предсказывать преждевременную и отсроченную смертность и может использоваться в качестве биомаркера иммуносупрессии, вызванной сепсисом [20].

В 2014 г. B. Hu с соавторами предложили показатель, получивший название «системный индекс иммунного воспаления» (SII), для прогноза течения заболевания у пациентов после радикальной резекции гепатоцеллюлярной карциномы [21]. В последующем SII показал себя многообещающим прогностическим показателем при различных воспалительных заболеваниях, включая злокачественные опухоли, ишемическую болезнь сердца, острый ишемический инсульт и ряд хронических системных заболеваний [22], в связи с чем возможность его применения при инфекционных заболеваниях в настоящее время активно изучается. Полезность SII для выявления пациентов с повышенным риском развития тяжелых инфекций определяется различной ролью, которую элементы крови — лимфоциты, нейтрофилы и тромбоциты — играют в формировании иммунного ответа. Лимфоциты — единственные клетки организма, способные точно распознавать и воспринимать различные антигены. Они играют ключевую роль в большинстве хронических воспалительных поражений, особенно при аутоиммунных заболеваниях и заболеваниях с персистирующими антигенами. Нейтрофилы играют ключевую роль в борьбе с инфекциями, в то время как тромбоциты отвечают за свертывание крови и также вовлечены в воспалительные и защитные процессы [23]. Включение в расчет индекса нескольких форменных элементов крови (лимфоциты, нейтрофилы, тромбоциты) позволяет SII более широко отражать баланс воспалительного и иммунного статуса организма. В нашем исследовании была подтверждена роль индекса SII как наиболее значимого фактора в прогнозе развития инфекции после эндопротезирования.

В сравнении с традиционными маркерами (СРБ и СОЭ), которые часто повышены при хронических заболеваниях, но не всегда предсказывают раннюю инфекцию, индексы системного воспаления учитывают значения нескольких форменных элементов крови, что может быть более специфичным для скрытого воспаления. Так, в 2024 г. было опубликовано исследование F. Moldovan о роли сывороточных маркеров в дифференциальной диагностике ППИ и асептической нестабильности сустава, в котором на основе ROC-анализа были получены пороговые значения и AUC для индексов SII (605,31; AUC = 0,851; 95% ДИ 0,758–0,943), SIRI (83,34; AUC = 0,810; 95% ДИ 0,712–0,909) и AISI (834,86; AUC = 0,822; 95% ДИ 0,726–0,917), демонстрирующие высокую значимость исследуемых показателей в диагностике инфекции [4].

Для прогноза развития поздних осложнений у пациентов с травмами и другими заболеваниями предлагалось оценивать индекс CAR (соотношение уровня С-реактивного белка к уровню альбумина), повышение которого было связано с риском инфекции, сепсиса и смерти [24]. Мы не смогли оценить этот показатель для прогноза ранних инфекций после эндопротезирования, поскольку исследования на СРБ и альбумин не входили в перечень стандартного предоперационного исследования.

Полученные нами статистически значимые различия показателей интегральных маркеров воспаления в группах исследования послужили основанием для использования их в многофакторной модели прогноза инфекционных осложнений при планировании эндопротезирования крупных суставов. Нами отмечено, что индекс AISI имеет высокую корреляцию с другими показателями системного воспаления (SII и SIRI), вследствие чего и был исключен из многофакторной прогностической модели. Полученные нами пороговые значения SII и SIRI отличались от представленных значений в исследовании F. Moldovan [4] и составляли 498,9 и 0,8 соответственно, AUC = 0,55 (95% ДИ: 0,54–0,56).

Примененная нами многофакторная модель предложена для предоперационного скрининга предрасположенности пациента к ранней ППИ. При отклонении коэффициента от принятой нами эмпирически границы, равной 0,5, в меньшую сторону (от 0,30 до 0,50) — риск инфекции низкий, при ее превышении (0,51–0,72) — риск инфекции высокий. Определить реальную границу можно только опытным путем, проспективно тестируя модель на практике. При получении расчетных показателей от 0,51 до 0,72 перед операцией необходимо привести в норму корректируемые факторы пациента для снижения риска ранней ППИ.

Практическое применение математической модели заключается в оценке индивидуального риска послеоперационной инфекции. На основании этой оценки реализуется комплекс мер: перед операцией — коррекция гликемии у пациентов с диабетом, санация хронических очагов инфекции (ротовой полости, мочевыводящих путей), отказ от курения; в послеоперационном периоде — нутритивная поддержка, продленная антибиотикопрофилактика (до 72 ч.) и пристальное наблюдение за областью проведенного хирургического вмешательства.

Ограничения исследования

Исследование носит моноцентровый характер. Для внедрения в клиническую практику необходимы проспективные исследования, доказывающие ценность индексов системного воспаления для прогноза ранней инфекции в области эндопротеза. В работе не учитывались сопутствующие заболевания пациента (аутоиммунные, онкологические), которые могли бы повлиять на результаты исследования.

ЗАКЛЮЧЕНИЕ

Использование индексов системного воспаления (SII, SIRI, AISI) в математической модели прогноза развития ранней перипротезной инфекции и применение комплекса профилактических мер у пациентов на этапе подготовки к первичному эндопротезированию может снизить частоту ее возникновения. С учетом недостаточно высокой точности прогностической модели необходим поиск других факторов, влияющих на риск развития инфекционных осложнений в раннем послеоперационном периоде.

ДОПОЛНИТЕЛЬНАЯ ИНФОРМАЦИЯ

Заявленный вклад авторов

Любимова Л.В. — концепция исследования, анализ и интерпретация данных, написание текста рукописи.

Микишанина Е.А. — построение математической модели, редактирование текста рукописи.

Николаев Н.С. — концепция исследования, научное руководство.

Любимов Е.А. — сбор, анализ и интерпретация данных.

Преображенская Е.В. — статистическая обработка данных, редактирование текста рукописи.

Все авторы прочли и одобрили финальную версию рукописи статьи. Все авторы согласны нести ответственность за все аспекты работы, чтобы обеспечить надлежащее рассмотрение и решение всех возможных вопросов, связанных с корректностью и надежностью любой части работы.

Источник финансирования. Авторы заявляют об отсутствии внешнего финансирования при проведении исследования.

Возможный конфликт интересов. Авторы декларируют отсутствие явных и потенциальных конфликтов интересов, связанных с публикацией настоящей статьи.

Этическая экспертиза. Исследование одобрено локальным этическим комитетом ФГБУ «Федеральный центр травматологии, ортопедии и эндопротезирования» Минздрава России (г. Чебоксары), протокол № 14 от 01.07.2025.

Информированное согласие на публикацию. Не требуется.

Генеративный искусственный интеллект. При создании статьи технологии генеративного искусственного интеллекта не использовали.

Об авторах

Людмила Валентиновна Любимова

ФГБУ «Федеральный центр травматологии, ортопедии и эндопротезирования» Минздрава России (г. Чебоксары)

Автор, ответственный за переписку.
Email: borisova-80@mail.ru
ORCID iD: 0000-0002-5750-4459
SPIN-код: 5462-6973
Россия, г. Чебоксары

Евгения Арифжановна Микишанина

ФГБУ «Федеральный центр травматологии, ортопедии и эндопротезирования» Минздрава России (г. Чебоксары); ФГБОУ ВО «Чувашский государственный университет им. И.Н. Ульянова»

Email: evaeva_84@mail.ru
ORCID iD: 0000-0003-4408-1888
SPIN-код: 3727-5392

канд. физ.-мат. наук

Россия, г. Чебоксары; г. Чебоксары

Николай Станиславович Николаев

ФГБУ «Федеральный центр травматологии, ортопедии и эндопротезирования» Минздрава России (г. Чебоксары); ФГБОУ ВО «Чувашский государственный университет им. И.Н. Ульянова»

Email: nikolaevns@mail.ru
ORCID iD: 0000-0002-1560-470X
SPIN-код: 8723-9840

д-р мед. наук, профессор

Россия, г. Чебоксары; г. Чебоксары

Евгений Александрович Любимов

ФГБУ «Федеральный центр травматологии, ортопедии и эндопротезирования» Минздрава России (г. Чебоксары)

Email: elyubimov@mail.ru
ORCID iD: 0000-0001-5262-0197
SPIN-код: 7759-8083
Россия, г. Чебоксары

Елена Васильевна Преображенская

ФГБОУ ВО «Чувашский государственный университет им. И.Н. Ульянова»

Email: alenka_22@bk.ru
ORCID iD: 0000-0003-3556-145X
SPIN-код: 1525-3912
Россия, г. Чебоксары

Список литературы

Дополнительные файлы