127 -6 (92) 2026 - Икрамов А.А., Амонов Ш.Э. - ДИАГНОСТИЧЕСКАЯ ЦЕННОСТЬ АВТОМАТИЗИРОВАННОГО АНАЛИЗА ЦИФРОВЫХ РЕНТГЕНОГРАММ ПРИ СИНУСИТАХ У ПАЦИЕНТОВ В УСЛОВИЯХ ПЕРВИЧНОГО ЗВЕНА МЕДИЦИНСКОЙ ПОМОЩИ РЕСПУБЛИКИ УЗБЕКИСТАН: ВЛИЯНИЕ НА КЛИНИЧЕСКУЮ МАРШРУТИЗАЦИЮ

ДИАГНОСТИЧЕСКАЯ ЦЕННОСТЬ АВТОМАТИЗИРОВАННОГО АНАЛИЗА ЦИФРОВЫХ РЕНТГЕНОГРАММ ПРИ СИНУСИТАХ У ПАЦИЕНТОВ В УСЛОВИЯХ ПЕРВИЧНОГО ЗВЕНА МЕДИЦИНСКОЙ ПОМОЩИ РЕСПУБЛИКИ УЗБЕКИСТАН: ВЛИЯНИЕ НА КЛИНИЧЕСКУЮ МАРШРУТИЗАЦИЮ

Икрамов А.А., Амонов Ш.Э. - Ташкентский государственный медицинский университет

Резюме

Синуситы являются одной из наиболее распространённых причин обращения пациентов за специализированной оториноларингологической помощью. На уровне первичного звена своевременное выявление патологии околоносовых пазух и правильная маршрутизация пациентов имеют принципиальное значение для повышения эффективности диагностики и рационального использования ресурсов здравоохранения. Применение нейросетевых технологий для автоматизированного анализа цифровых рентгенограмм позволяет стандартизировать интерпретацию изображений, сократить количество диагностических ошибок и оптимизировать принятие клинических решений.

Ключевые слова: синусит; околоносовые пазухи; искусственный интеллект; маршрутизация пациентов; первичная медицинская помощь; цифровая рентгенография; диагностический алгоритм; Узбекистан

First page

771

Last page

777

For citation:Икрамов А.А., Амонов Ш.Э. - ДИАГНОСТИЧЕСКАЯ ЦЕННОСТЬ АВТОМАТИЗИРОВАННОГО АНАЛИЗА ЦИФРОВЫХ РЕНТГЕНОГРАММ ПРИ СИНУСИТАХ У ПАЦИЕНТОВ В УСЛОВИЯХ ПЕРВИЧНОГО ЗВЕНА МЕДИЦИНСКОЙ ПОМОЩИ РЕСПУБЛИКИ УЗБЕКИСТАН: ВЛИЯНИЕ НА КЛИНИЧЕСКУЮ МАРШРУТИЗАЦИЮ//New Day in Medicine 6(92)2026 771-777 https://newdayworldmedicine.com/en/new_day_medicine/6-92-2026

List of References

1. Fokkens WJ, Lund VJ, Hopkins C, et al. European Position Paper on Rhinosinusitis and Nasal Polyps 2020. Rhinology. 2020;58(Suppl S29):1-464. doi:10.4193/Rhin20.600.
2. Beule AG. Epidemiology of chronic rhinosinusitis, selected risk factors, comorbidities, and economic burden. GMS Curr Top Otorhinolaryngol Head Neck Surg. 2015;14:Doc11. doi:10.3205/cto000126.
3. Jeon S, Lee KC, Lee S, et al. Diagnostic accuracy of paranasal sinus radiography and computed tomography: a meta-analysis. Diagnostics (Basel). 2021;11(8):1324. doi:10.3390/diagnostics11081324.
4. Bossuyt PM, Reitsma JB, Bruns DE, et al. STARD 2015: an updated list of essential items for reporting diagnostic accuracy studies. BMJ. 2015;351:h5527. doi:10.1136/bmj.h5527.
5. Landis JR, Koch GG. The measurement of observer agreement for categorical data. Biometrics. 1977;33(1):159-174. doi:10.2307/2529310.
6. Kim H, Howk G, Bae J, et al. Deep learning algorithm for automated detection of paranasal sinusitis on plain radiographs. AJNR Am J Neuroradiol. 2019;40(8):1370-1377. doi:10.3174/ajnr.A6130.
7. Jeon S, Noh G, Kim H, Lee S. Multi-view deep learning model for paranasal sinusitis detection. Diagnostics (Basel). 2021;11(11):2085. doi:10.3390/diagnostics11112085.
8. Murata M, Ariji Y, Ohashi Y, et al. Deep-learning for maxillary sinusitis on panoramic radiography. Oral Radiol. 2019;35(3):301-307. doi:10.1007/s11282-018-0363-7.
9. Swets JA. Measuring the accuracy of diagnostic systems. Science. 1988;240(4857):1285-1293. doi:10.1126/science.3287615.
10. Bossuyt PM, Cohen JF, Gatsonis CA, Dendukuri N. QUADAS-C: a tool for assessing the risk of bias in comparative diagnostic accuracy studies. Ann Intern Med. 2021;174(4):547-555. doi:10.7326/M20-6983.

    file

    download