Особенности подготовки данных наблюдательных исследований к синтезу доказательств Текст научной статьи по специальности «Прочие медицинские науки»

•Vr'niyRWD

¿•к.

ОРИГИНАЛЬНОЕ ИССЛЕДОВАНИЕ ORIGINAL RESEARCH

УДК: 615.038 DOI: 10.37489/2782-3784-myrwd-58 EDN: KKSAEJ

Особенности подготовки данных наблюдательных исследований к синтезу доказательств

Лазарев А. А. 1, Сапожников К. В. 2, Толкачева Д. Г. 3, Саблева Н. А. 3

1 ФГБОУ ВО «Санкт-Петербургский государственный университет телекоммуникаций им. проф. М. А. Бонч-Бруевича», Санкт-Петербург,Российская Федерация

2 ФГБВОУ ВО «Военно-медицинская академия им. С. М. Кирова»,Санкт-Петербург,Российская Федерация

3 ФГБОУ ВО «Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации»,Москва,Российская Федерация

Аннотация

Актуальность. Наблюдательные (обсервационные) исследования (НИ) играют ключевую роль в медицине, так как они предоставляют данные о реальной клинической практике (РКП). В отличие от рандомизированных контролируемых исследований (РКИ), НИ могут лучше отразить, как медицинские вмешательства применяются на практике, что делает их особенно ценными для принятия решения в области улучшения качества и доступности медицинской помощи.

Цель. Целью данной статьи является анализ и обобщение ключевых моментов подготовки данных НИ для синтеза доказательств, полученных на основе данных РКП (ДРКП). Данная работа была проведена в рамках систематического обзора по бессимптомной гиперурикемии (БГ), который помог сформировать среди врачей консенсус по ведению пациентов с БГ среди ревматологов в Российской Федерации.

Материалы и методы. В рамках данной статьи был рассмотрен и описан процесс подготовки данных НИ к синтезу доказательств.

Результаты. В процессе анализа данных РКП были выделены значимые показатели эффективности и безопасности медицинских вмешательств, а также ключевые особенности подготовки данных НИ для дальнейшего синтеза доказательств. Для преодоления различий в представлении данных включённых НИ использовались такие инструменты, как пулирование подгрупп, выгрузка средних и стандартных отклонений из медиан и квартилей, а также синтез средних значений в квартилях из логнормального распределения путём многократного повторения. Был проведён синтез эстиматором Хантер-Шмидта значений мочевой кислоты (МК) из имеющихся НИ. Изменения скорости клубочковой фильтрации (СКФ) по квартилям были пулированы в соответствии с последовательным подходом Кокрейновского сообщества или пересчитаны по уравнениям выгрузки дельт сообщества в случае значений СКФ на границах времени наблюдения.

Выводы. Проведённая работа подтверждает важность правильной подготовки данных НИ для синтеза доказательств. НИ предоставляют ценные данные для практического использования, учитывая широкий спектр клинических факторов и оценивая долгосрочные результаты лечения.

Заключение. Таким образом, НИ и их подготовка обеспечивают более полное и точное понимание эффективности медицинских вмешательств, способствуя повышению качества и доступности медицинской помощи для всех пациентов.

Ключевые слова: систематический обзор; метаанализ; метарегрессия; многоуровневый метаанализ; бивариа-тивный метаанализ; наблюдательное исследование; обсервационное исследование; реальная клиническая практика; случайный эффект; фиксированный эффект; экстиматор Хантер-Шмидта

Для цитирования: Лазарев А. А., Сапожников К. В., Толкачева Д. Г., Саблева Н. А. Особенности подготовки данных наблюдательных исследований к синтезу доказательств. Реальная клиническая практика: данные и доказательства. 2024;4(3):13-21. https://doi.org/10.37489/2782-3784-myrwd-58. EDN: KKSAEJ.

Поступила: 27.09.2024. В доработанном виде: 30.10.2024. Принята к печати: 10.11.2024. Опубликована: 30.11.2024.

Key features of observational research data preparation for evidence synthesis

Andrei A. Lazarev1, Kirill V. Sapozhnikov2, Daria G. Tolkacheva3, Natalia A. Sableva3

1 Saint Petersburg State University of Telecommunications,Saint Petersburg,Russian Federation

2 Kirov Military Medical Academy,Saint Petersburg,Russian Federation

3 Russian Presidential Academy of National Economy and Public Administration,Moscow,Russian Federation

Abstract

Relevance. Observational studies (OS) play a key role in the healthcare system because they provide real-world data (RWD). Unlike randomized controlled trials (RCTs), such studies better reflect routine medical practice. This makes them especially valuable for decision-making aimed at improving the quality and accessibility of medical care.

The objective of this article was to analyze key points related to OS data preparation derived from RWD for further evidence synthesis. This work was conducted within a review of asymptomatic hyperuricemia (AH) and was intended to lead to the consensus among rheumatologists on the management patterns of patients with AH in the Russian Federation.

Materials and methods. This article examined and described the process of preparing OS data for evidence synthesis.

Results. The data analysis revealed significant measures of the efficacy and safety of the medical interventions and pivotal aspects of preparing OS data for subsequent evidence synthesis. We employed a number of techniques to overcome discrepancies in the presentation of the included OS data, including subgroup pooling, unloading of mean and standard deviations from medians and quartiles, and the synthesis of mean values in quartiles from a lognormal distribution via multiple replications. Urinary acid levels based on available OS were calculated using the Hunter-Schmidt estimator. Changes in glomerular filtration rate (GFR) across quartiles were pooled in accordance with the sequential Cochrane community approach or recalculated using community delta unloading equations in instances where GFR values fell within the observation time boundaries.

Findings. The results confirmed the importance of preparing appropriate OS data for evidence synthesis. OS provides valuable data for practical use when considering clinical factors and evaluating long-term treatment outcomes.

Conclusions. Consequently, observational studies and their preparations can provide a more comprehensive and precise understanding of the efficacy of medical interventions and enhance the quality and accessibility of care for all patients.

Keywords: systematic review; meta-analysis; meta-regression; multilevel meta-analysis; bivariate meta-analysis; observational study; real-world data; random effect; fixed effect; Hunter-Schmidt estimator

For citation: Lazarev AA, Sapozhnikov KV, Tolkacheva DG, Sableva NA. Key features of observational research data preparation for evidence synthesis. Real-World Data & Evidence. 2024;4(3):13-21. https://doi.org/10.37489/2782-3784-myrwd-58. EDN: KKSAEJ.

Received: 27.09.2024. Revision received: 30.10.2024. Accepted: 10.11.2024. Published: 30.11.2024.

Введение / Introduction

Наблюдательные (обсервационные) исследования (НИ) — это метод научного исследования, в котором исследователи наблюдают за субъектами в естественных условиях, не вмешиваясь в их лечение. Такой подход позволяет собирать данные, которые отражают реальные условия жизни и поведения людей, что делает его особенно ценным в области медицины и здравоохранения [1].

НИ позволяют исследователям изучать сложные клинические проблемы, когда проведение рандомизированных клинических исследований (РКИ) может быть неэтичным. Например, неэтично проводить исследование, чтобы изучить влияние курения на здоровье. Поэтому, НИ можно классифицировать как исследования с использованием доказательств, полученных на основе данных РКП (ДРКП) [1, 2].

За последние пять лет количество НИ значительно увеличилось. Этот рост можно объяснить растущим спросом на аналитические данные в здравоохранении, особенно в контексте персонализированной медицины. НИ стали предпочтительным методом изучения эффективности методов лечения. Поиск в PubMed по фразе «observational study» (обсервационное исследование) позволил найти чуть более 114 тысяч статей в период с 2019 по 2023 годы. За 2019 г. было опубликовано 25187 рукописей, за 2020 г. — 28492, за 2021 г. — 29905, за 2022 г. — 24324, за 2023 г. — 22628 [3]. В течение первых трёх лет наблюдался устойчи-

вый рост числа публикаций по НИ, однако затем пошёл спад:

• 2019-2020 гг.: увеличение на 3305 публикаций (примерно на 13,12%);

• 2020-2021 гг.: увеличение на 1413 публикаций (примерно на 4,96%);

• 2021-2022 гг.: уменьшение на 5581 публикацию (примерно на 18,66%);

• 2022-2023 гг.: уменьшение на 1696 публикаций (примерно на 6,97%).

Поиск по базе записей исследований □тканная (https://c1inica1tria1s.gov/) среди наблюдательных (обсервационных) исследований показал, что количество инициированных исследований (по дате включения первого пациента) в период с 2019 по 2023 годы составило 44832 исследования. За 2019 год было инициировано 7963 НИ, за 2020 г — 9679, за 2021 г — 9691, за 2022 г — 8871, за 2023 г — 8628 [4].

Среди числа инициированных НИ наблюдается примерно такой же тренд, как и среди публикаций по НИ:

• 2019-2020 гг.: увеличение на 1716 исследований (примерно на 21,55%);

• 2020-2021 гг.: увеличение на 12 исследований (стагнация);

• 2021-2022 гг.: уменьшение на 820 исследований (примерно на 8,46%);

• 2022-2023 гг.: уменьшение на 242 исследования (примерно на 2,73 %).

Сокращение числа публикаций по НИ в 20222023 годах можно объяснить пандемией COVГО-19, которая оказала существенное влияние на проведение клинических и наблюдательных исследований в 2020-2021 годах, что могло затруднить сбор данных и привело к сокращению числа новых исследований, а перенаправление ресурсов в медицинской сфере на изучение и борьбу с COVID-19 могло снизить количество исследований в других областях.

Тренд на увеличение публикаций и инициированных НИ с 2019 по 2021 годы можно объяснить растущим интересом к данным реальной клинической практики в системе здравоохранения, и, следовательно, возможным увеличением финансирования. Стагнация в 2020-2021 годах показывает, что пандемия могла затронуть ресурсы и возможности для проведения новых исследований. Снижение в числе публикаций с 2021 года можно связать как со стагнацией в числе новых НИ, так и с возросшими требованиями как к качеству исследований, так и публикаций.

НИ позволяют получить данные РКП, которые часто не достижимы в рамках РКИ из-за этических, логистических или финансовых ограничений. Исследования затрагивают следующие клинические проблемы: изучение этиологии заболеваний, эффективность и безопасность лечения пациентов [5].

НИ особенно полезны при оценке распространённости и частоты заболеваний, а также при изучении факторов риска, связанных с заболеваниями. Это может помочь выявить закономерности и потенциальные причинно-следственные связи, которые служат основой для клинической практики [1]. Например, Фрамингемское исследование сердца внесло значительный вклад в выявление факторов риска развития сердечно-сосудистых заболеваний, таких как гипертония и курение [6]. Также НИ предоставляют важные данные о долгосрочной эффективности и безопасности медицинских вмешательств в естественных условиях. В отличие от РКИ, которые могут иметь строгие критерии включения, НИ отражают реальную клиническую практику, позволяя лучше понять эффективность и безопасность лечения среди разных когорт пациентов, в том числе среди тех, которые не были охвачены РКИ. В добавок НИ ценно для изучения редких заболеваний или исходов, которые невозможно изучить с помощью РКИ из-за ограниченного числа подходящих пациентов [1].

Несмотря на свои преимущества, условия, в которых проводится НИ, могут ограничивать возможность обобщения данных. Если выборка не является репрезентативной для целевой популяции, выводы могут быть не применимы к другим группам, при этом выделение относительно небольших

подгрупп приводит к снижению мощности статистического вывода [2, 7]. Достоверность результатов для принятия решений снижается из-за риска систематической ошибки при их выборочной публикации. Кроме того, отсутствие заслепления и рандомизации, различное время наблюдения за пациентами может привести к большему смещению итогов по сравнению с РКИ [8]. Без контролируемых условий выделение влияния представляющих интерес прогностических переменных может оказаться сложной задачей, но при этом НИ несут важную информацию об эффективности и безопасности лекарственных препаратов, и также могут быть обобщены для получения всеобъемлющей картины действия препаратов на широкую популяцию пациентов. Методы синтеза доказательств, такие как метаанализ и скорректированные непрямые сравнения, могут быть использованы для объединения данных из различных исследований, что позволяет компенсировать отдельные ограничения и повысить надёжность выводов. Синтез данных множества НИ поможет дать всестороннюю эффективности и безопасности препарата в реальной клинической практике.

Целью данной работы является анализ ключевых аспектов подготовки данных наблюдательных исследований для синтеза доказательств с целью улучшения репрезентативности выборки и минимизации систематических ошибок. Для этого будет рассмотрен систематический поиск и подготовка данных больных бессимптомной гиперурикемии (БГ) для изучения влияния уратснижающей терапии (УСТ) на течение хронической болезни почек (ХБП), опубликованные в статье Мазурова В. И. и соавт. «Влияние уратснижающей терапии на течение хронической болезни почек у пациентов с бессимптомной гиперурикемией: метаанализ рандомизированных контролируемых исследований» [9].

Материалы и методы / Materials and methods

В рамках упомянутой работы был выполнен систематический обзор, поиск литературных источников осуществлялся в следующих базах данных: Embase, PubMed, Cochrane Library, Elibrary.

Подробное описание методов поиска и отбора литературных источников представлено в оригинальной публикации Мазурова В. И. и соавт. [9]. В рамках анализа проблем, связанных с обработкой и интерпретацией данных в области наблюдательных исследований, на примере исследования Мазурова В. И. и соавт. [9] были определены ключевые вопросы: изучено влияние БГ на функцию почек оценивалась у пациентов без ХБП и с ХБП в нетерминальной стадии (вопрос 1), а также оце-

• •§v,e *

METHODOLOGY • .

нено влияние УСТ на функцию почек у пациентов с БГ (вопрос 2). Для каждой выявленной проблемы предлагались и тестировались различные варианты решений, после чего был выбран наилучший подход.

В рамках работы применялась частотная парадигма метаанализа. Подготовка и анализ данных проводились в среде R 4.3.0, пакет metafor.

Результаты / Results

Всего в анализ было включено 30 исследований, 23 из которых являются наблюдательными. НИ имели среднюю продолжительность наблюдения 5 лет с минимальным сроком 2 года, и максимальным — 10 лет. Суммарное количество пациентов в исследованиях составило 216479 человек, процент лиц женского пола — 43,9%, средневзвешенный возраст — 56,9 лет.

Для синтеза в зависимости от задачи планировался сбор следующих данных: • оценка степени скорости клубочковой фильтрации на фоне БГ: дельты по исследованиям. Синтез — метаанализ средних изменений;

• оценка связи между скорости клубочковой фильтрации (СКФ) и величиной мочевой кислоты (МК): средние значения СКФ в подгруппах по заданным квартилям МК1 в исследованиях. Синтез — метаанализ среднего СКФ по подгруппам МК.

По результатам оценки отобранных публикаций в количестве 23 было выявлено, что во всех исследованиях деление было на разное количество квартилей (от двух до пяти) с разными границами, а также разные формулы расчёта СКФ. Это потребовало смены инструментария для решения второй задачи, т. к. разнородные квартили невозможно было разнести по подгруппам, поэтому вместо парного метаанализа была применена метарегрес-сия с фиксированными эффектами средней концентрации МК в каждом квартиле и формулы расчёта СКФ. Код исследования (или фамилия автора) были использованы в качестве случайного эффекта. Процесс синтеза в данном случае описывался моделью трёхуровневого метаанализа (см. рисунок) [10].

Уровень 3 Случайный эффект

Уровень 2

1 руины МК но квартилям

Уровень 1 Участники исследования

AAI AAA

Рис. Многоуровневый метаанализ [10] Fig. Multilevel meta-analysis [10]

J

6

о

11A aa! 1A1

Трёхуровневая модель содержит следующие уровни синтеза данных [10]:

• на первом уровне проводится синтез результатов по отдельным участникам в исследованиях, которые даются в публикациях в виде агре-тированного размера эффекта;

• на втором уровне данные размеры эффекта вкладываются в несколько кластеров, которые могут состоять как из отдельных иссле-

дований, так и состоять из подгрупп исследований;

• на третьем уровне при синтезе агрегированных эффектов кластеров находится общий истинный размер эффекта.

Формулы для модели определены следующим образом для первого уровня (формула 1), для второго уровня (формула 2) и для третьего уровня (формула 3):

1 Q1: МК <=368,90 мкмоль/л; Q2: 368,90 < МК <= 446,25 мкмоль/л; Q3: 446,25 < МК <= 495,85 мкмоль/л; Q4: МК > 495,85 мкмоль/л

8ц = вц + £ц (1)

где 8ц — оценка истинного размера эффекта вц, — ошибка выборки.

вц = к} + (2)

где ку — средний размер эффекта в кластере вц,

— внутрикластерная гетерогенность.

Ъ=ц + (3)

р — общий средний эффект популяции,

— межкластерная гетерогенность.

Помимо необходимости смены инструмента синтеза для одной из задач требовался большой объём дополнительной подготовки по одной или нескольким проблемам представления данных в 17 из 23 наблюдательных исследований [11]:

1. отсутствие размеров квартилей МК при наличии размера всей выборки — 1 исследование;

2. по квартилям представлены медианные значения МК и/или СКФ — 2 исследования;

3. данные представлены отдельно для мужчин и женщин — 8 исследований;

4. отсутствуют средние значения МК в квартилях, но есть среднее и СКО по общей группе — 6 исследований;

5. отсутствуют средние значения МК в квартилях, но есть медиана и квартили по общей группе — 4 исследования;

6. отсутствуют средние значения МК как в квартилях, так и по общей выборке — 1 исследование;

7. есть данные исходного статуса и на контрольной точке — 2 исследования;

8. дельты представлены по квартилям — 2 исследования;

9. есть данные исходного статуса и на контрольной точке по квартилям мочевой кислоты — 1 исследование.

Для задачи по оценке изменения СКФ во времени имелся готовый инструментарий получения нужных для синтеза данных. Указанные по квартилям дельты были пулированы в соответствии с последовательным подходом Кокрейновского сообщества, а в тех публикациях, где вместо дельт были представлены значения СКФ на начало и конец наблюдения, были использованы соответствующие уравнения выгрузки дельт, предоставленных Кокрейновским сообществом [12]. Дальнейший синтез проводился в запланированном объёме. Для данного вопроса с учётом риска систематической ошибки, значительного публикационного смещения, значительной методологической, популяцион-ной и статистической гетерогенности была выбрана модель случайных эффектов: эстиматор Хантер-Шмидта с коррекцией на малый размер выборок

исследований. Процесс подробно описан в публикации Мазурова В. И. и соавт. [11].

Часть данных для решения второй задачи также были получены на основании общепринятых подходов [12]: пулирование подгрупп, выгрузка средних и стандартных отклонений из медиан и квартилей. Вместе с тем оставалась проблема отсутствия средних значениях МК в квартилях при наличии данных за всю популяцию, которая решалась следующим образом:

• моделирование логнормального распределения МК ~ Lognorm(ln^), ln(sd)), где X — среднее значение МК в общей выборке, sd — её стандартное квадратическое отклонение;

• деление сгенерированной выборки на квартили согласно границам, указанным в публикации;

• расчёт среднего значения каждого из квартилей.

После большого числа повторений (1 000 раз) фиксировали средние результаты по каждому квартилю.

В одном из исследований отсутствовали не только средние значения МК в квартилях, но данные по МК за всю популяцию исследования. Для их получения проведён синтез (эстиматор Хантер-Шмидта) по другим отобранным наблюдательным исследованиям (всего 11), у которых такие данные были представлены. Обобщённые статистики были использованы в моделировании, как было указано выше.

Для дальнейшего синтеза данных по методологии многоуровневого метаанализа факт трансформации был внесён в модель, как дополнительный фиксированный эффект. Дополнительно с учётом различного числа квартилей и неоднородности их границ была выбрана модель трёхуровневого мета-анализа с эстиматором Хантер-Шмидта для синтеза данных СКФ.

Обсуждение / Discussion

Полученные ДРКП и их опубликованные результаты [9, 11] проделали сложный путь от этапа сбора данных до обоснованного научного консенсуса по ведению пациентов с бессимптомной гиперу-рикемией, принятого ревматологами РФ [13]. Этот процесс является ярким примером применения им-плементационной науки на практике, что позволяет трансформировать научные данные в клинические рекомендации.

Путь от старта исследования до формулировки консенсуса занял около года. В этот период были предприняты многочисленные усилия по сбору, обработке и анализу данных наблюдательных исследований. Работа с такими данными требует особого внимания к деталям и многоступенчатого подхода, чтобы обеспечить их достоверность и ре-

презентативность. Важно, чтобы на каждом этапе исследования соблюдать объективность, прозрачность и воспроизводимость работы, что позволяет минимизировать вероятность ошибок и получение некорректных результатов.

Первым этапом является тщательный сбор данных. Важно, чтобы данные были максимально полными и репрезентативными, что позволит избежать систематических ошибок и обеспечить надёжную базу для анализа. Следующий шаг включает в себя очистку и проверку данных на наличие ошибок и пропусков. Затем данные должны быть правильно закодированы и категоризированы, что упрощает дальнейший анализ. После тщательной подготовки и анализа данных, результаты должны быть интерпретированы в контексте существующих знаний и практики. В данном случае процесс перехода от старта исследования до получения данных, на основании которых был сформирован консенсус среди ревматологов РФ, иллюстрирует важность мультидисциплинарного подхода и взаимодействия специалистов на каждом этапе.

Имплементационная наука играет ключевую роль в этом процессе. Она позволяет трансформировать результаты НИ в практические рекомендации и клинические руководства, которые впоследствии могут быть приняты медицинскими сообществами и внедрены в клиническую практику. Эта междисциплинарная область включает в себя анализ барьеров и факторов, влияющих на интеграцию научных данных в реальную клиническую практику, и способствует более быстрому и эффективному внедрению инноваций.

ДРКП позволяют оценить, как технологии (лекарства, медицинские вмешательства и т. д.) работают в повседневной клинической практике с участием более разнообразных пациентов, чем в РКИ, а также позволяют оценить долгосрочную эффективность и безопасность технологий [14]. ДРКП могут использоваться для ответа на вопросы, которые невозможно или неэтично изучать при проведении РКИ [15].

Полученные и тщательно проанализированные данные НИ легли в основу нового консенсуса ревматологов РФ. Этот консенсус отражает актуальные научные достижения и обеспечивает основу для улучшения качества медицинской помощи пациентам с ревматическими заболеваниями в России.

Сложность анализа результатов НИ заключается в присущих им методологических проблем, поскольку они подвержены предвзятости, которая возникает из-за способов отбора пациентов в исследование и сбора данных, а также из-за различий между группами пациентов. В РКИ данные проблемы устраняются за счёт рандомизации, которая

помогает обеспечить сопоставимость групп на начальном этапе [7].

Также при проведении НИ часто не используют стандартизированные протоколы, затрудняющее извлечение необходимых данных для анализа, что приводит к проблемам при проведении метаанали-за из-за несогласованности данных в разных исследованиях.

В РКИ стандартизированные протоколы часто приводят к повышению качества данных. STROBE и рекомендации по надлежащей эпидемиологической практике являются инструментами повышения качества НИ, соблюдение требований которых, однако, не является обязательным для большинства научных журналов, что приводит к различиям в качестве исследований [16].

STROBE представляет собой основу для отчётности об исследованиях, проводимых с помощью наблюдений, с целью повышения прозрачности и последовательности в разработке исследований и отчётности [16].

В рекомендациях по надлежащей эпидемиологической практике уделяется внимание тщательному планированию и оценке НИ для минимизации предвзятости [17].

Сложные статистические методы необходимы для корректировки на конфаундеры. Такие методы, как propensity score matching и instrumental variable analysis, используются для установления причинно-следственных связей, но имеют свои собственные допущения и ограничения. В РКИ обычно используются более простые статистические анализы из-за их контролируемого характера [7].

Заключение / Conclusion

Наблюдательные исследования являются одним из центральных видов ДРКП исследований, которые играют важную роль в улучшении качества и доступности медицинской помощи. Данные исследования предоставляют ценные данные о действительном применении медицинских интервенций в повседневной практике, что позволяет глубже понять их эффективность и безопасность вне рамок строго контролируемых клинических исследований.

Хотя наблюдательные исследования играют решающую роль в обеспечении данными о действии лекарственных препаратов на пациентов, они страдают от ряда проблем. К основным проблемам относятся подверженность предвзятости, проблемы с качеством данных и отчётностью из-за отсутствия широкого применения существующих гайдлайнов, а также трудности с установлением причинно-следственной связи между конфаунде-рами и исходами.

ДОПОЛНИТЕЛЬНАЯ ИНФОРМАЦИЯ Конфликт интересов

Авторы декларируют отсутствие конфликта интересов.

Финансирование

Работа выполнялась без спонсорской поддержки.

Участие авторов. Все авторы внесли существенный вклад в подготовку работы, прочли и одобрили финальную версию статьи перед публикацией. Толкачева Д. Г. — концепция статьи и редактирование текста; Сапожников К. В. — написание и редактирование статьи; Лазарев А. А. — написание статьи; Саблева Н. А. — поиск литературы и оформление статьи.

СВЕДЕНИЯ ОБ АВТОРАХ

Лазарев Андрей Анатольевич — аспирант в ФГБОУ ВО «Санкт-Петербургский государственный университет телекоммуникаций им. проф. М. А. Бонч-Бруевича», Санкт-Петербург, Российская Федерация

Автор, ответственный за переписку e-mail: [email protected] https://orcid.org/0009-0006-6204-8423 РИНЦ SPIN-код: 9715-2124

Сапожников Кирилл Викторович — к. м. н.,

преподаватель кафедры автоматизации управления медицинской службой (с военно-медицинской статистикой) в ФГБВОУ ВО «Военно-медицинская академия им. С. М. Кирова», Санкт-Петербург, Российская Федерация

e-mail: [email protected] https://orcid.org/0000-0002-2476-7666 РИНЦ SPIN-код: 2707-0339

Толкачева Дарья Георгиевна — независимый эксперт исследовательских проектов Проектного офиса Северо-Западного института управления ФГБОУ ВО «Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации», Москва, Российская Федерация e-mail:[email protected] https://orcid.org/0000-0002-6314-4218 РИНЦ SPIN-код: 4186-5243

Саблева Наталья Александровна — независимый эксперт исследовательских проектов Проектного офиса Северо-Западного института управления в ФГБОУ ВО «Российская академия народного хозяйства и государственной службы при Президенте Российской Федерации», Москва, Российская Федерация

e-mail:[email protected] https://orcid.org/0000-0002-5809-9221

ADDITIONAL INFORMATION

Conflict of interests

The authors declare no conflict of interest.

Funding

The work was carried out without sponsorship.

Authors' participation. All the authors made a significant contribution to the preparation of the work, read and approved the final version of the article before publication. Tolkacheva DG — the concept of article and text editing; Sapozhnikov KV — writing and editing; Lazarev AA — writing; Sableva NA — literature search and article design.

ABOUT THE AUTHORS

Andrei A. Lazarev — post-graduate student in Saint Petersburg State University of Telecommunications, Saint Petersburg, Russian Federation Corresponding author e-mail: [email protected] https://orcid.org/0009-0006-6204-8423 RSCI SPIN-code: 9715-2124

Kirill V. Sapozhnikov — Cand. Sci. (Med), Lecturer at the Department of Automation of Medical Service Management (with military medical statistics) in Kirov Military Medical Academy, Saint Petersburg, Russian Federation

e-mail: [email protected] https://orcid.org/0000-0002-2476-7666 RSCI SPIN-code: 2707-0339

Daria G. Tolkacheva — Independent Expert of Research Projects, Project Office of Northwestern Institute of Management in Russian Presidential Academy of National Economy and Public Administration, Moscow, Russian Federation

e-mail:[email protected] https://orcid.org/0000-0002-6314-4218 RSCI SPIN-code: 4186-5243

Natalia A. Sableva — Independent Expert of Research Projects, Project Office of Northwestern Institute of Management in Russian Presidential Academy of National Economy and Public Administration, Moscow, Russian Federation

e-mail:[email protected] https://orcid.org/0000-0002-5809-9221

• •§v,e *

METHODOLOGY • .

Литература/References

1. Gilmartin-Thomas JF, Liew D, Hopper I. Observational studies and their utility for practice. Aust Prescr. 2018 Jun;41(3):82-85. doi: 10.18773/aust-prescr.2018.017.

2. Гольдина Т.А., Колбин А.С., Белоусов Д.Ю., Боровская В.Г. Обзор исследований реальной клинической практики. Качественная клиническая практика. 2021;(1):56-63. https://doi. org/10.37489/2588-0519-2021-1-56-63 [Goldina T.A., Kolbin A.S., Belousov D.Yu., Borovska-ya V.G. Review of real-world data study. Kachest-vennaya Klinicheskaya Praktika = Good Clinical Practice. 2021;(1):56-63. (In Russ.)].

3. PubMed [Электронный ресурс]: National Library of Medicine / c2024. URL: https://pubmed.ncbi. nlm.nih.gov/ (дата обращения: 12.08.24)

4. ClinicalTrials.gov [Электронный ресурс]: National Library of Medicine / c2024. URL: https://clini-caltrials.gov/ (дата обращения: 12.08.24)

5. Paul M, Maglaras L, Ferrag M A, Almomani I. Digitization of healthcare sector: A study on privacy and security concerns. ICTExpress. 2023;(9)4:571-588. doi: 10.1016/j.icte.2023.02.007.

6. Tsao CW, Vasan RS. Cohort Profile: The Framing-ham Heart Study (FHS): overview of milestones in cardiovascular epidemiology. Int J Epidemiol. 2015 Dec;44(6):1800-13. doi: 10.1093/ije/dyv337.

7. Boyko EJ. Observational research-opportunities and limitations. J Diabetes Complications. 2013 Nov-Dec;27(6):642-8. doi: 10.1016/jjdiacomp.2013. 07.007.

8. Gueyffier F, Cucherat M. The limitations of observation studies for decision making regarding drugs efficacy and safety. Therapie. 2019 Apr;74(2):181-185. doi: 10.1016/j.therap.2018.11.001.

9. Мазуров ВИ, Сайганов СА, Мартынов АИ, Баш-кинов РА, Гайдукова ИЗ, Сапожников КВ, Толкачева ДГ, Саблева НА, Цинзерлинг АЮ. Влияние уратснижающей терапии на течение хронической болезни почек у пациентов с бессимптомной гиперурикемией: метаанализ рандомизированных контролируемых исследований. Вестник Северо-Западного государственного медицинского университета им. И.И. Мечникова. 2024;15(4):5-18. doi: 10.17816/mechnikov604850. [Mazurov VI, Sayganov SA, Martynov AI, Bash-kinov RA, Gaydukova IZ, Sapozhnikov KV, Tol-kacheva DG, Sableva NA, Tsinzerling AY. Impact of urate-lowering therapy on the course of chronic kidney disease in patients with asymptomatic hy-peruricemia: a meta-analysis of randomized controlled trials. HERALD of North-Western State Medical University named after I.I. Mechnikov. 2024;15(4):5-18. (In Russ.)].

10. Harrer, M., Cuijpers, P., Furukawa, T.A., & Ebert, D.D. (2021). Doing Meta-Analysis with R: A Hands-On Guide. Boca Raton, FL and London: Chapmann & Hall/CRC Press. ISBN 978-0-36761007-4.

11. Мазуров В.И., Драпкина О.М., Мартынов А.И., Сайганов С.А., Башкинов Р.А., Гайдукова И.З., Сапожников К.В., Толкачева Д.Г., Саблева Н.А., Цинзерлинг А.Ю. Метаанализ наблюдательных когортных исследований о взаимосвязях бессимптомной гиперурикемии с хронической болезнью почек. Терапия. 2023;(9)10:21-39. doi: 10.18565/therapy.2023.10.21-39. [Mazurov VI, Drapkina OM, Martynov AI, Sayganov SA, Bash-kinov RA, Gaydukova IZ, Sapozhnikov KV, Tol-kacheva DG, Sableva NA, Tsinserling, A. Y. Me-ta-analysis of observational cohort studies on the relationships of asymptomatic hyperuricemia with chronic kidney disease. Therapy. 2023:9(10):21-39. doi: 10.18565/therapy.2023.10.21-39 (In Russ.)].

12. Cochrane Handbook for Systematic Reviews of Interventions. [Электронный ресурс]. URL: https:// training.cochrane.org/handbook/current (дата обращения: 07.08.24).

13. Драпкина О.М., Мазуров В.И., Мартынов А.И., Насонов Е.Л., Сайганов С.А., Лила А.М., Башкинов Р.А., Бобкова И.Н., Баймухамедов Ч.Т., Гайдукова И.З., Гусейнов Н.И., Дупляков Д.В., Елисеев М.С., Мамасаидов A.T., Мартусе-вич Н.А., Мирахмедова Х.Т., Муркамилов И.Т., Набиева Д.А., Невзорова В.А., Остроумова О.Д., Салухов В.В., Тогизбаев Г.А., Трофимов Е.А., Халимов Ю.Ш., Чесникова А.И., Якушин С.С. Консенсус для врачей по ведению пациентов с бессимптомной гиперурикемией в общетерапевтической практике. Кардиоваскулярная терапия и профилактика. 2024;23(1):3737. https:// doi.org/10.15829/1728-8800-2024-3737. EDN: WXKMIG. [Drapkina O.M., Mazurov V.I., Martynov A.I., Nasonov E.L., Saiganov S.A., Lila A.M., Bashkinov R.A., Bobkova I.N., Baimukhamedov Ch.T., Gaidukova I.Z., Guseinov N.I., Duplya-kov D.V., Eliseev M.S., Mamasaidov A.T., Martuse-vich N.A., Mirakhmedova Kh.T., Murkamilov I.T., Nabieva D.A., Nevzorova V.A., Ostroumova O.D., Salukhov V.V., Togizbaev G.A., Trofimov E.A., Khalimov Yu.Sh., Chesnikova A.I., Yakushin S.S. Consensus statement on the management of patients with asymptomatic hyperuricemia in general medical practice. Cardiovascular Therapy and Prevention. 2024;23(1):3737. (In Russ.)].

14. Новодережкина Е.А., Зырянов С.К. Значение исследований реальной клинической практики в оценке технологий здравоохранения. ФАРМА-

КОЭКОНОМИКА. Современная фармакоэконо-мика и фармакоэпидемиология. 2022;15(3):380-389. https://doi.org/10.17749/2070-4909/farmako-ekonomika.2022.120 [Novoderezhkina E.A., Zyry-anov S.K. The role of real world data and real world evidence in health technology assessment. FAR-MAKOEKONOMIKA. Modern Pharmacoeconom-ics and Pharmacoepidemiology. 2022;15(3):380-389. (In Russ.)].

15. Курылёв А.А., Журавков А.А., Колбин А.С. Реальная клиническая практика при оценке технологий здравоохранений: состояние на 2022 год. Реальная клиническая практика: данные и доказательства. 2022;2(4):1-9.

https://doi.org/10.37489/2782-3784-myrwd-21 [Kurylev A.A., Zhuravkov A.A., Kolbin A.S. Real-world clinical practice in health technology assessment: state of the art for 2022. Real-World Data & Evidence. 2022;2(4):1-9. (In Russ.)].

16. Metelli S, Chaimani A. Challenges in meta-anal-yses with observational studies. Evid Based Ment Health. 2020 May;23(2):83-87. doi: 10.1136/eb-mental-2019-300129.

17. Hammer GP, du Prel JB, Blettner M. Avoiding bias in observational studies: part 8 in a series of articles on evaluation of scientific publications. Dtsch Arztebl Int. 2009 0ct;106(41):664-8. doi: 10.3238/ arztebl.2009.0664.