Спосіб підтримки прийняття діагностичного рішення

Спосіб підтримки прийняття діагностичного рішення, який включає вибір семюлопчних симптомів із наявного списку, обчислення ймовірностей діагнозу пацієнта за теоремою Байєса, частоти зустрічі симптомів та їх чисельних значень, довільний вибір рівня значущості семіотики, групування проведених діагностичних розрахунків за довільними критеріями та формування діагностичних висновків, який відрізняється тим, що додатково чисельні показники розподілення семіотики перераховують за нозологічними формами, візуалізують ступінь збігу семюлопчних ознак пацієнта та прецеденту, покрокове трасують зміни ймовірностей діагнозів за кінцевим показником вірогідності, вибирають групи близьких діагнозів за показниками специфічності симптомів, виділяють СТІЙКІ збіги семюлопчних синдромів у групі однотипних нозолопй, при цьому перерахування чисельних показників розподілення семіотики за нозологічними формами супроводжують виділенням ймовірностей зустрічі та відсутності симптомів при даній чи будь-якій ВІДМІТНІЙ нозології, при обчисленні ймовірностей діагнозу математично будують однорангову нейромережу, в якій елементом мережі першого рівня є симптом, його ваговим коефіцієнтом ймовірність зустрічі при даному діагнозі, а елементом мережі другого рівня є результат обчислення діагностичної гіпотези за теоремою Байєса, вибір симптомів із наявного списку виконують шляхом розподілення симптомів за критеріями співпадшня чи їх відсутності з раніше вибраними симптомами та подібними критеріями відносно прецеденту, виділення стійких зв'язків семюлопчних синдромів у групі однотипних нозолопй здійснюють в масиві накопиченої діагностичної інформації, як базі логічно залежних чисельних і смислових даних, отриманих на попередніх стадіях діагностичного процесу, з їх подальшим послідовним логічним порівнянням з дискретним діагнозом, при урахуванні частоти співпадінь семіотики, визначають функцію збереження попередньо оброблених чисельних даних вкупі з даними неявної інформації, перетворюють її у штучно сформовану базу даних, з якістю самонавчання, що надається автоматичною зміною цифрових параметрів бази даних та вагових коефіцієнтів неймережі, під час введення нової інформації, візуалізацію ступеня збігу семюлопчних ознак здійснюють по змінних динамічних положеннях кіл семіотики та залежності їх площі від розподілення ознак нозології, прецеденту та близьких за вірогідністю діагнозів, а після формування діагнозу надають поради лікування у вигляді експертних правил типу «коли , то », а також щодо додаткових обстежень, у залежності від ступеня вірогідності основного та побічних діагнозів, що підлягають диференціації Винахід відноситься до методів цифрового обчислення або обробки даних, переважно прогностичного напряму, та може бути використаним в медицині й діагностиці, здебільшого в терапії, неврологи для виявлення неявної діагностичної інформації, а також вирішення наукових задач Відомий спосіб підтримки прийняття діагностичного рішення, який містить формування діагностичних висновків після перетворення параметрів дії нейро-нальної мережі в експертну систему, що базується на правилах прийняття рішення, шля хом використання поліномшального логічного представництва нейронів регресивної нейромережі[1] У наданому способі використовують експертну систему, яка базується на навченій нейрональній мережі та виражена програмним представництвом чисельних даних Правила прийняття рішень являють експертну систему, що розроблена на зв'язках сітки нейронів, даних ваги та порогових значень Система перетворює зміни алгебраїчних ознак, щоб усунути розходження алгебраїчної ваги 00 ^ со ю 53489 при вибірково налагоджених граничних даних та зберегти ЛОГІЧНІ відносини, визначені нейрональною мережею Генерація символів реалізує пошук вагових коефіцієнтів на кожен нейрон у мережі з подальшим знаходженням мультівиваженого логічного представництва кожного з нейронів До причин, що перешкоджають досягненню очікуваного технічного результату, відносяться невизначеність системи у колі експертних питань, ігнорування специфічних потреб медичної діагностики, що полягають в покроковому трасуванні шляху прийняття рішення, в потребі виділення групи близьких за семіотикою діагнозів, диференціації ймовірностей діагнозу, в залежності від співпадіння семіотики, а також при неспівпаданні симптомів Складовою вадою об'єкта є також необхідність навчання нейрональної мережі, при якійексперт контролює зміни вагових коефіцієнтів мережі по кожному з наявних правил, що призводить до непрогнозованих часових витрат, особливо при великій КІЛЬКОСТІ правил Відомий також спосіб підтримки прийняття діагностичного рішення, що містить вибір семюлопчних симптомів із наявного списку та остаточне формування діагностичних висновків шляхом послідовного порівняння симптомів з діагностичними правилами (алгоритмами) програмної оболонки, щодо станів головного болю, судом, серцевого болю, теплового удару, зміни рівня СВІДОМОСТІ, струсу, запаморочення, нерегулярного серцевого ритму, зомління, задишки, депресії, кашлю, високого кров'яного тиску, ппервентиляцм, мігрені, менінгіту, мозкової пухлини і субарахноідального крововиливу [2] До причин, що перешкоджають досягненню очікуваного технічного результату, відносяться ігнорування частоти зустрічі симптомів по групі нозологія, що спричиняє надання діагностичних порад без урахування ймовірностей діагнозів, відсутність автономного самонавчання системи, пов'язаного з ретельною зміною експертних алгоритмів по кожній нозології при появі нових наукомедичних поглядів на діагностичні алгоритми, а від того, стримується отримання точних діагностичних висновив У іншому способі підтримки прийняття діагностичного рішення MYCIN формування діагностичних висновків здійснюють, виходячи близько з 450 діагностичних правил типу «коли , то », де кожному з них експерт привласнює значення в межах від 0 до 1,0, керуючись рівнем власних знань, причому висновок про вірогідність будьякого з діагнозів отримується шляхом послідовного порівняння ланцюгу правил у зворотній ПОСЛІДОВНОСТІ ВІД вірогідного результату [3] Але отриманню точного результату запобігає статичний характер діагностичних правил, критичність висновків до навичок експерта, відсутність можливості автономного самонавчання системи та графічної візуалізацм інформації, щодо розподілення повних або часткових співпадінь симптомів по кожній з нозологічних форм У способі підтримки прийняття діагностичного рішення системи «Cartel» діагностичні висновки формують на базі фреймів, що сформовані на тлі стандартних шаблонів після комп'ютерного анке тування пацієнта [4] До причин, які перешкоджають досягненню очікуваного технічного результату, також належать вузька спрямованість системи на специфічне коло діагностичних питань, ігнорування покрокового трасування шляху прийняття рішення, замала диференціація анкетування, а також умови перенавчання експертної системи шляхом повної або часткової заміни правил, алгоритмів прийняття рішення, перебудування системи пояснень прийняття рішень, що запобігає отриманню точного результату Найбільш близьким до винаходу, що заявляється, по максимальній КІЛЬКОСТІ ІСТОТНИХ ознак є спосіб підтримки прийняття діагностичного рішення, який містить вибір семюлопчних симптомів із наявного списку, обчислення ймовірностей діагнозу пацієнта за теоремою Байєса, частоти зустрічі симптомів та їх чисельних значень, довільний вибір рівня значущості семіотики, групування проведених діагностичних розрахунків за довільними критеріями та формування діагностичних висновків [5] Формування діагнозу за прототипом здійснюють на підставі використання «КЛІНІЧНИХ портретів», як сукупностей наявних і відсутніх симптомів пацієнта, при яких обробка результатів зводиться до пошуку таких віртуальних значень ймовірностей симптомів, що за теоремою Байєса дозволяє декілька покращити точність висловлення діагнозу ПОСЛІДОВНІСТЬ підтримки прийняття діагностичного рішення полягає у створенні діагностичних правил з присвоєнням кожному значенню «віртуальних критеріїв» наступного типу Заключения експерта Чисельна характеристика Точно да 10 Точно ні 00 Ймовірність дуже велика 09 Ймовірність дуже мала 01 Ймовірність велика 08 Ймовірність мала 02 Ймовірність значна 07 Ймовірність незначна 0З Швидше да, чим ні 06 Швидше ні, чим да 04 І да, і ні 05 До причин, що перешкоджають отриманню очікуваного результату також належить відсутність можливості автономного самонавчання системи, необхідність втручання експерта до зміни значень «віртуальної статистики», проведення інформаційного пошуку по кожному з діагнозів при виявленні відомих значень частоти зустрічі семіотики та контролі ВІДПОВІДНОСТІ «віртуальної статистики» та відсутність функціональної оболонки щодо структурованої мови запитів (SQL) Сукупність вищенаведених причинин не дозволяє покращити точність підтримки прийняття діагностичного рішення та утруднює роботу з приводу обробки інформації В основу винаходу поставлена задача розробити такий спосіб підтримки 6 прийняття діагностичного рішення, який шляхом побудови самоорганізованої нейро-мережі та традиційних баз медичних даних, за рахунок залучення семюлопч 53489 них ознак хвороби, покращує точність і ефективність обробки та інформації при використанні Поставлена задача вирішується тим, що у відомому спосіб підтримки прийняття діагностичного рішення який містить вибір семюлопчних симптомів із наявного списку, обчислення ймовірностей діагнозу пацієнта за теоремою Байеса, частоти зустрічі симптомів та їх чисельних значень, довільний вибір рівня значущості семіотики, групування проведених діагностичних розрахунків за довільними критеріями та формування діагностичних висновків, згідно з винаходом, додатково чисельні показники розподілення семіотики перераховують за нозологічними формами, візуалізують ступінь збігу семюлопчних ознак пацієнта та прецедента, покроково трасують зміни ймовірностей діагнозів за кінцевим показником вірогідності, вибирають групи близьких діагнозів за показниками специфічності симптомів, виділяють СТІЙКІ збіги семюлопчних синдромів у групі однотипних нозолопй, при цьому перерахування чисельних показників розподілення семіотики за нозологічними формами супроводжують виділенням ймовірностей 6 зустрічі та відсутності симптомів при даній чи будьякій ВІДМІТНІЙ нозології, при обчисленні ймовірностей діагнозу математично будують однорангову нейромережу, в якій елементом мережі першого рівня є симптом, його ваговим коефіцієнтом - ймовірність зустрічі при даному діагнозі, а елементом мережі другого рівня є результат обчислення діагностичної гіпотези за теоремою Байєса, вибір симптомів із наявного списку виконують шляхом розподілення симптомів за критеріями співпадшня чи їх відсутності з раніше вибраними симптомами та подібними критеріями відносно прецеденту, виділення стійких зв'язків семюлопчних синдромів у групі однотипних нозолопй здійснюють в масиві накопиченої діагностичної інформації, як базі логічно залежних чисельних і смислових даних, отриманих на попередніх стадіях діагностичного процесу, з їх подальшим послідовним логічним порівнянням з дискретним діагнозом, при урахуванні частоти співпадінь семютикі, визначають функцію збереження попередньо оброблених чисельних даних вкупі з даними неявної інформації, перетворюють її у штучно сформовану базу даних, з якістю самонавчання, що надається автоматичною зміною цифрових параметрів бази даних та вагових коефіцієнтів неиромережі, під час введення нової інформації, візуалізацію стулену збігу семюлопчних ознак здійснюють по змінний динамічним положення кіл семіотики та залежності їх площі від розподілення ознак нозології, прецеденту та близьких за вірогідністю діагнозів, а після формування діагнозу надають поради лікування у вигляді експертних правил типу «коли , то », а також щодо додаткових обстежень, у залежності від ступеня вірогідності основного та побічних діагнозів, що підлягають диференціації Вибір даних зі списку семіологм, що характерна пацієнту, із забезпеченням можливості пошуку поодинокого симптому по всій базі даних, пошуку симптому по окремій нозології, надання всіх симптомів групи нозолопй, розбивку наявності у означених групах симптомів співпадінь та неспівпадань семіологм як пацієнта, так і прецеденту, що у порі внянні з прототипом підвищує ефективність на даному етапі роботи Надалі вводять діагностичні ознаки до реляційної бази медичних даних Ці дії характеризуються роздільним збереженням симптому та його власних характеристик у різних полях бази даних, що забезпечує підвищення точності за рахунок можливості подальшої діагностики при урахуванні поєднаної ваги симптому як з його характеристикою, так і без неї, сприяють збереженню вагових коефіцієнтів неиромережі в базі даних, як при урахуванні характеристик симптому, так і без них У подальшому перебудовують стандартну базу медичних даних у базу медичних знань, що при кожному введенні симптомів нового пацієнта до бази даних забезпечує автоматичне перерахування коефіцієнтів неявної неиромережі, ВІДПОВІДНО до змін значень ймовірності зустрічі симптому при даному діагнозі, ймовірності зустрічі симптому при будь-якому іншому діагнозі, КІЛЬКОСТІ однакових симптомів при однотипних діагнозах, та по всіх діагнозах, ймовірності зустрічі симптому при даному діагнозі без врахування його характеристик, ймовірності зустрічі симптому при будь-якому іншому діагнозі без врахування його характеристик, з КІЛЬКОСТІ однакових симптомів по всіх діагнозах без врахування його характеристик, як полів бази даних Перебудова бази даних забезпечує розподіл всіх показників за діагностичним значенням, а від так, забезпечує підвищення діагностики та умови отримання точних висновків У наступному, обчислюють ймовірності діагнозу за теоремою Байєса Особливість операції полягає в математичному обґрунтуванні однорангової неиромережі (нейросітківки), в якій елементом мережі є симптом, а ваговим коефіцієнтом кожного елементу першого рівня неиромережі - результат перетворення по Байєсу, а елементу другого рівня - ймовірність діагнозу, що посилює точність вихідних даних При цьому, спочатку обчислюються ймовірності діагнозу за співпадінням симптомів пацієнтпрецедент з візуалізацією у графічній формі діагностичної інформації Візуалізація ступеню збігу семюлопчних ознак відрізняється змінним динамічним положенням в двовимірному просторі логічних кіл семіотики та залежністю їх площі від розподілення ознак нозології пацієнту та прецеденту та близьких за вірогідністю діагнозів Цей крок діагностики дозволяє викрити більш широке коло захворювань, які мають спільну семіотику з верифікованими діагнозами бази даних і зменшити можливі діагностичні помилки внаслідок значної редукції значень ймовірностей діагнозу у випадках неспівпадінь рідкого симптому Потім обчислюють ймовірності діагнозів у випадках, коли частина симптомів верифіко-ваного діагнозу (прецеденту) не виявляється у пацієнта, що забезпечує точне відокремлення нозологічних форм від близьких за семіотикою станів і встановлення остаточного верифікованого діагнозу, при умові достатнього введення діагностичної інформації Виділення стійких зв'язків семюлопчних ознак (синдромів) у групі однотипних нозолопй провадиться на масиві накопичуваної у часі діагностичної інформації, що являє набір логічно залежних чисельних і смислових даних (отриманих на попередніх описаних стадіях діагностичного процесу), 53489 сприяє послідовному від ємному порівнянню даних з дискретним діагнозом при урахуванні частоти співпадінь семіотики, отриманню стійких сполучень симптомів, зв'язки між якими до цього знаходились у вигляді неявної, прихованої інформації Особливість сформованої на попередніх етапах бази знань полягає також у тому, що вона має якості самонавчання за рахунок застосування описаних процедур виявлення неявної інформації та автоматичної зміни цифрових параметрів бази даних та зміни вагових коефіцієнтів нейромережі при введенні нової інформації При цьому, коли внаслідок всіх проведених кроків обробки остаточна ймовірність діагнозу виявляється замалою, наприклад менше 0,5, користувач системи підтримки прийняття діагностичного рішення має можливість уточнення наявності у пацієнта тих або інших симптомів зі списку найбільш близьких за ймовірностями діагнозів, цей етап діагностики дозволяє викрити наявність ознак, на які лікар і пацієнт при звичайному огляді можуть не звертати уваги, як на апріорно малозначущі або цілеспрямовано викрити сполучення симптомів, які мають діагностичну вагу тільки у разі їх спільного прояву Після доповнення списку патологічних симптомів пацієнта, знову проводиться вищенадане обчислення діагностичних ймовірностей Формування діагностичних висновків включає підтвердження лікарем основного діагнозу або його доповнення, групування патологічних ознак пацієнта та трасування змін ймовірностей основного діагнозу порівняно з прецедентом Особливість формування діагностичних висновків полягає у можливості довільного вибору КІЛЬКОСТІ близьких за семюлопчними ознаками діагнозів, групування діагнозів до звіту за критеріями найбільшої ймовірності з вибором м рівня, найбільшого збігу семіологм у відсотках, повного входження симптомів пацієнта в коло симптомів прецеденту або навпаки Тож, сукупність наведених ознак запропонованого способу є істотною, бо має причинно-слідчий зв'язок з отрманням очікуваного технічного результату На Фіг 1 наданий розподіл діагнозів за ймовірностями на першому етапі діагностики пацієнта з попереднім діагнозом вегето-судинна дистонія, на фіг 2 - стан основного вікна програми з ймовірностями діагнозів після введення додаткової інформації про пацієнта ВІДОМОСТІ, ЩО підтверджують можливість здійснення способу підтримки прийняття діагностичного рішення, полягають в наступному Для здійснення способу підтримки прийняття діагностичного рішення необхідна наявність таких приладів і обладнання, як персональний комп'ютер класу не нижче за Pentium П, та близько 5 Гбайт вільного місця на жорсткому диску комп'ютера, монітор з частотою розрізняння, щонайменше, 800x600 крапок, принтер та програмне забезпечення з алгоритмами вводу, обробки та виводу інформації Спосіб підтримки прийняття діагностичного рішення виконується наступним чином Вибирають семюлопчні симптоми із наявного списку, обчислюють ймовірності діагнозу пацієнта за теоремою Байєса, частоту зустрічі симптомів та їх чисельні 8 значення, обирають у ДОВІЛЬНІЙ формі рівень значущості семіотики, та групують проведення діагностичних розрахунків При цьому, чисельні показники розподілення семіотики перераховують за нозологічними формами, візуалізують ступень збігу семюлопчних ознак пацієнта та прецедента, покроково трасують зміни ймовірностей діагнозів за кінцевим показником вірогідності Вибирають групи близьких діагнозів за показниками специфічності симптомів, виділяють СТІЙКІ збіги семюлопчних синдромів у групі однотипних нозолопй Разом із цим, перерахування чисельних показників розподілення семіотики за нозологічними формами супроводжують виділенням ймовірностей зустрічі та відсутності симптомів при даній чи будь-якій ВІДМІТНІЙ нозології, при обчисленні ймовірностей діагнозу математично будують одноран-гову нейромережу, в якій елементом мережі першого рівня є симптом, його ваговим и коефіцієнтом - ймовірність зустрічі при даному діагнозі, а елементом мережі другого рівня є результат обчислення діагностичної гіпотези по Байєсу Вибір симптомів із наявного списку виконують шляхом їх розподілення за критеріями співпадшня чи відсутності з раніше вибраними симптомами та подібними критеріями відносно прецеденту Надалі виділяють СТІЙКІ зв'язки семюлопчних синдромів у групі однотипних нозолопй, в масиві накопиченої діагностичної інформації, як базі логічно залежних чисельних і смислових даних, отриманих на попередніх стадіях діагностичного процесу, з подальшим послідовним логічним порівнянням з дискретним діагнозом При урахуванні частоти співпадінь семютикі визначають функцію збереження попередньо оброблених чисельних даних вкупі з даними неявної інформації, перетворюють її у штучно сформовану базу даних, з якістю самонавчання, що надається автоматичною зміною цифрових параметрів бази даних та вагових коефіцієнтів нейромережі Під час введення нової інформації візуалізують ступень збігу семюлопчних ознак по змінним динамічним положенням кіл семіотики та залежності їх площі від розподілення ознак нозології, прецеденту та близьких за вірогідністю діагнозів Після формування діагнозу надають поради лікування у вигляді експертних правил типу «коли , то », а також щодо додаткових обстежень, у залежності від ступеня вірогідності основного та побічних діагнозів, що підлягають диференціації Приклад Пацієнтка А , 34 років, звернулась по допомогу зі скаргами на головний біль, відчуття холоду, знижений депресивний настрій, відчуття дискомфорту у животі, запори, зябкість, загальну слабкість, тривожність, відчуття апатії періодично, інколи сонливість В анамнезі - початок підгострий, хворіє тривалий час Об'єктивно визначена блідість шкіряних покровів, зниження температури КІНЦІВОК Іншої об'єктивної симптоматики при першому огляді не визначено Думка лікарів, які оглядали та лікували пацієнтку декілька років поспіль, схилялась до діагнозу вегето-судинна дистонія, астенічний синдром Обґрунтування цього діагнозу - наявність характерних для даних хвороб ознак, загальна слабкість, головна біль, інколи знижений настрій Інша симп 53489 томатика стосовно психічного стану трактувалась, як ситуаційно обумовлена Після введення даних симптомів пацієнта до програми для здійснення способу і подальшої автоматичної обробки, був отриманий перелік діагнозів, розподілених довільно за частотою зустрічі симптомів при даних нозолопях - ппотіреоз, вегето-судинна дистонія внаслідок гіпокінезії, невроз пперстенична форма, невротичний розвиток, вегето-судинна дистонія по ппертоничному типу При цьому ймовірність діагнозів тільки з урахуванням симптомів, які співпали, складала ппотіреоз -0,9, вегето-судинна дистонія внаслідок гіпокінезії 0,41, невроз пперстенична форма - 0,9, невротичний розвиток - 0,9, вегето-судинна дистонія по ппертоничному типу - 0,9 Ймовірність тих же діагнозів з урахуванням симптомів, які не співпали, сягала -0,37 для неврозу пперстеничної форми та 0,01 для всіх інших Отже, введення діагностичної інформації виявилось замалим для надійного верифіковування будь-якого діагнозу Отримана ситуація стандартно викликає потребу у збільшенні об'єму діагностичної інформації, включно до параклінічних методів дослідження Далі вводили симптоми хвороби, яка мала значну КІЛЬКІСТЬ симптомів, подібних до симптомів пацієнта, при цьому система підтримки прийняття діагностичного рішення візуально показала, що частина симптомів прецеденту (по діагнозу ппотіреоз) не співпадає з симптомами пацієнта При поглибленому опитуванні і додатковому огляді у пацієнта виявлені симптоми, які при поодинокому знаходженні не мають суттєвого діагностичного значення, наприклад декілька уповільнена мова, суха шкіра, легка захриплість голосу, рідко - м'язові болі та інше При перерахуванні діагностичних гіпотез, ми отримали розподілення ймовірностей, відображене на фіг 2, при цьому ймовірність діагнозу ппотіреоз складала 0,9 за співпадавшім і 0,9 за відсутністю симптомів, невроз пперсте-нічної форми - 0,9 за співпадінням та 0,54 за відсутністю симптомів, хромофобна аденома гіпофізу - ВІДПОВІДНО 0,62 та 0,25 і так далі по зменшенню ймовірностей при інших діагнозах 10 Отже, у наданому прикладі був встановлений первинний діагноз ппотіре-оз Подальше обстеження хворої зі встановленням рівня гормонів дозволило остаточно верифікувати даний діагноз та призначити відповідне лікування Наданий спосіб підтримки допомогає знайти ефективне діагностичне рішення у випадках, що супроводжуються діагностичними труднощами або навіть помилками, що з урахуванням особливостей діагностичної гносеології, дозволяє дійти висновку, про досягнення більш високої точності та ефективності обробки діагностичної інформації Додатково використанаая запропонованого об'єкта підвищує сприйнятливість інформації, об'єктивність вихідних даних, сприяє підвищенню особистого пізнавального рівня лікаря (експерта), забезпечує можливість контролю «покро-кового прийняття рішення», відтворення способу в медичних закладах і наукових установах фахівцями будь-якої кваліфікації тощо Означені вище ВІДОМОСТІ інформують про можливість використання заявленого рішення задачи з можливістю забезпечення важливого технічного результату в практичній КЛІНІЧНІЙ діагностиці Отже, розроблене технічне рішення відповідає умовам «промислова придатність», «новизна», «винахідницький рівень» і може бути кваліфіковане винаходом України Література 1 Пат 6289329 США, МПК G06E 001/00/ Sethi Ishwar К, Yoo JaeH (США), -№ 979295, Заявл 26 11 97, Опубл 11 09 2001 2 Пат 5660176 США, МПК G06F 159/00, G06F 015/42 IhfFEdwin С (США), -№ 781082, Заявл 09 01 97, Опубл 09 02 99 3 К Нейлор Как построить свою експертную систему -М Энергоатомиз-дат,1991 -288с 4 Т А Гаврилова, В Ф Хорошевский Бази знаний интеллектуальних систем / СПб Питер, 2000 384с 5 Марьянчик Б В Метод виртуальних статистик и его применение в партнерских системах для компьютерной диагностики // Компьютер, хроника -1996 -№ 5 -С 65-74 11 53489 12 253 Фіг 1 Фіг 2 ТОВ "Міжнародний науковий комітет" вул Артема, 77, м Київ, 04050, Україна (044)236-47-24