ПРЕДИКТОРЫ НЕРАЦИОНАЛЬНОГО ИСПОЛЬЗОВАНИЯ АНТИБИОТИКОВ: СОЦИАЛЬНО-ДЕМОГРАФИЧЕСКИЙ АНАЛИЗ

Бакиров А.Б., Абдрахманова Е.Р., Масягутова Л.М., Гизатуллина Л.Г., Зайдуллин И.И., Каримов Д.О., Латыпова Э.Х.

ФБУН Уфимский НИИ медицины труда и экологии человека, Башкирский государственный аграрный университет,
г. Уфа, Россия

ПРЕДИКТОРЫ НЕРАЦИОНАЛЬНОГО ИСПОЛЬЗОВАНИЯ АНТИБИОТИКОВ: СОЦИАЛЬНО-ДЕМОГРАФИЧЕСКИЙ АНАЛИЗ

Резистентность к антибактериальной терапии является одной из серьезнейших угроз для глобального здравоохранения. Недостаточная информированность населения и распространенность самолечения являются ключевыми факторами, способствующими распространению антибиотикорезистентности.
Цель исследования – выявить и оценить ключевые социально-демографические факторы, ассоциированные с недостаточной информированностью, риском нарушения режима терапии (низким комплаенсом) и практикой самолечения антибиотиками среди работников сельскохозяйственных предприятий.
Материалы и методы. В рамках одноцентрового кросс-секционального исследования проанализированы анкетные данные 97 респондентов. Для выявления предикторов рискованного поведения, недостаточной информированности, нарушения комплаенса и склонности к самолечению использовался алгоритм машинного обучения CatBoost. Для интерпретации результатов и оценки вклада каждого признака применялся метод SHAP (SHapley Additive exPlanations).
Результаты. Наибольший вклад в рискованное поведение вносят низкий уровень образования (22%), мужской пол (18%) и проживание в сельской местности (15%). Дефицит знаний преимущественно связан с низким уровнем дохода (50%), молодым возрастом (18%) и мужским полом (12%). Ключевыми предикторами нарушения комплаенса явились мужской пол (30%) и проживание в сельской местности (25%). Склонность к самолечению в наибольшей степени определялась молодым возрастом (25%) и отсутствием работы (20%).
Ограничения исследования. Ограничением исследования явилось отсутствие у ряда респондентов установленного приложения Телеграм, нежелание (страх) переходить по предлагаемым ссылкам. Анонимность анкетирования затрудняла предоставление персонифицированных рекомендаций и ранжирование уровня обучающих мероприятий. Ограничением явился также начальный (пилотный) этап исследований, что обусловило не очень большой объем выборки.
Заключение. Социально-демографические характеристики являются значимыми предикторами различных моделей поведения, связанных с использованием антибиотиков. Полученные результаты позволяют идентифицировать целевые группы для разработки профилактических и образовательных программ с целью оптимизации использования антибактериальных препаратов и сдерживания роста антибиотикорезистентности.

Ключевые слова: использование антибиотиков; самолечение; антибиотикорезистентность 

Bakirov A.B., Abdrakhmanova E.R., Masyagutova L.M., Gizatullina L.G., Zaydullin I.I., Karimov D.O., Latipova E.H.

Ufa Research Institute of Occupational Medicine and Human Ecology, Bashkir State Agrarian University,
Ufa, Russia

PREDICTORS OF IRRATIONAL ANTIBIOTIC USE: A SOCIO-DEMOGRAPHIC ANALYSIS

Introduction. Resistance to antibacterial therapy is one of the most serious threats to global health. Insufficient public awareness and the prevalence of self-medication are key factors contributing to the spread of antibiotic resistance.
Aim. To identify and evaluate the key socio-demographic factors associated with insufficient awareness, risk of non-adherence to therapy (low compliance), and the practice of self-medication with antibiotics among agricultural enterprise workers.
Materials and Methods. This single-center, cross-sectional study analyzed questionnaire data from 97 respondents. The CatBoost machine learning algorithm was used to identify predictors of risky behavior, insufficient awareness, non-compliance, and a tendency for self-medication. The SHAP (SHapley Additive exPlanations) method was applied to interpret the results and assess the contribution of each feature.
Results. The greatest contributors to risky behavior were a low level of education (22%), male gender (18%), and rural residence (15%). A knowledge deficit was predominantly associated with a low income level (50%), young age (18%), and male gender (12%). The key predictors of non-compliance were male gender (30%) and rural residence (25%). The propensity for self-medication was most significantly determined by young age (25%) and unemployment (20%).
Conclusion. Socio-demographic characteristics are significant predictors of various behaviors related to antibiotic use. The findings allow for the identification of target groups for the development of preventive and educational programs aimed at optimizing the use of antibacterial drugs and curbing the growth of antibiotic resistance.

Key words: antibiotic use; self-medication; antibiotic resistance

Формирование феномена резистентности к антибактериальной терапии среди наиболее важных бактериальных патогенов признано серьезной угрозой общественному здравоохранению, затрагивающей людей во всем мире. Бактериальный ответ на «атаку» антибиотиков является ярким примером адаптации бактерий и является следствием огромной генетической пластичности бактериальных патогенов, которые вызывают специфические реакции, приводящие к мутационной адаптации, приобретению генетического материала или изменению экспрессии генов, вызывающих резистентность практически ко всем антибиотикам, доступным в настоящее время в клинической практике [1-4].
Одним из модифицируемых факторов, способствующих распространению устойчивости к антимикробным препаратам, является недостаточная информированность населения и недостаточное осознание масштабов данной проблемы медицинскими работниками [5-7].
Проведенный исследователями систематический обзор, включивший 68 исследований, выявил ключевые факторы, связанные с практикой самолечения антибиотиками. Эти факторы делятся на две основные категории: доказанные количественными мета-анализами и подробно описанные в качественных исследованиях. Факторами, подтвержденными мета-анализом (количественные данные), явились мужской пол (вероятность самолечения антибиотиками у мужчин в 1,52 раза выше, чем у женщин (95% ДИ: 1,19-1,75) и неудовлетворенность медицинскими услугами или врачами (увеличение вероятности самолечения в 3,53 раза (95% ДИ: 2,26-4,75).
Проведенный анализ литературы позволил установить, что факторами риска для самолечения антибиотиками являются отношение к самолечению антибиотиками, наличие родственников с медицинским образованием, пожилой возраст, проживание в сельской местности и хранение антибиотиков дома (наличие домашнего запаса) [8].
Цель исследования – выявить и оценить ключевые социально-демографические факторы, ассоциированные с недостаточной информированностью, низким комплаенсом и практикой самолечения антибиотиками с использованием алгоритмов машинного обучения.

МАТЕРИАЛЫ И МЕТОДЫ

В рамках одноцентрового кросс-секционального исследования мы проанализировали анкетные данные 97 пациентов. Опрос респондентов проведен с использованием автоматизированной программы (Свидетельство (RU) о гос. регистрации программы для ЭВМ RU № 2024683133 от 09.10.2024 Гизатуллина Л.Г., Каримов Д.О., Масягутова Л.М., Музафарова А.Р. «Программа для проведения опроса об уровне осведомленности и поведении при использовании антибиотиков»). Система позволяет автоматизировать процесс сбора данных, задавая вопросы респондентам через Telegram-бота, и сохраняя ответы в Excel для дальнейшего анализа. Программа поддерживает этапы последовательного диалога с пользователем, фиксирует ответы и сохраняет их с указанием уникального идентификатора и времени опроса.
Исследование проведено в соответствии с основными принципами рекомендаций CROSS (A Consensus-Based Checklist for Reporting of Survey Studies), версия 2021 г.
Для проведения исследования использована анкета, включающая 36 вопросов об уровне образования, семейном положении, работе, доходе, а также вопросы, касающиеся использования антибиотиков и осведомленности об их рациональном применении, составленная на основе разработанной в ФГБУ «Центральный НИИ организации и информатизации здравоохранения» Минздрава России. Валидация проведена с использованием фокус-групп и определенной этапности: разработка дизайна исследования (основные цели и задачи исследования, формулировки гипотезы), разработка инструментария (составление сценария для проведения фокус-группы и его обсуждение, составление фильтрующей анкеты), организационный этап (отбор участников фокус-группы на основе отборочных критериев, обеспечение гомогенности состава). Согласно требованиям, все участники группы были не знакомы с друг с другом, были разного пола, возраста. Анонимность участия гарантирована [9].
Разработанная анкета по структуре имеет смешанный вид, т.е. состоит из вопросов открытого и закрытого вида. Оценка уровня сложности и адекватности вопросника проведена группой экспертов, состоящей из эпидемиолога, специалиста по инфекционным заболеваниям, статистика и ученого биомедицинского профиля. В результате чего первоначальный перечень вопросов из 45 пунктов сокращен до 36. Выбранные для вопросника пункты скорректированы в соответствии с местными условиями и разделены на три основных раздела.
Окончательная модель анкеты состоит из трех разделов и включает 36 вопросов, состоящих из 9 пунктов о социально-демографической информации, 25 пунктов о знаниях, касающиеся использования антибиотиков и осведомленности об их рациональном применении, и 2 пункта – источники и тематики.
При проведении рассылки работникам одного их сельскохозяйственных предприятий мы столкнулись с нежеланием ряда респондентов переходить по ссылке из чат-бота, либо с отсутствием установленного приложения Телеграм. Таким респондентам предлагался индивидуальный, бумажный, русскоязычный вариант анкеты.
Перед началом анкетирования проведено информирование участников о проведении исследования, озвучены цели и задачи. Особый упор сделан на анонимность и добровольность участия.
Для выявления наиболее важных демографических факторов, влияющих на рискованное поведение (РП), использовали алгоритм машинного обучения CatBoost («градиентный бустинг»), который позволяет строить прогнозы на основе множества входных данных. Ключевым преимуществом данного алгоритма перед традиционными методами регрессии является возможность прямой работы с категориальными признаками без необходимости их предварительного кодирования, а также способность моделировать сложные нелинейные взаимосвязи между переменными.
Для визуализации и интерпретации результатов прогнозирования был применен метод SHAP (SHapley Additive exPlanations). Данный подход позволяет количественно оценить индивидуальный вклад каждого признака в итоговый прогноз для конкретного наблюдения: положительная величина SHAP указывает на увеличение прогнозируемого уровня рискованного поведения, отрицательная – на его снижение. Это обеспечивает не только оценку значимости предикторов, но и анализ направленности их влияния на модель.
Для определения наиболее информативных признаков, оказывающих влияние на прогноз, был рассчитан показатель относительной важности признаков. Расчет проводился с использованием встроенного в алгоритм CatBoost метода, основанного на оценке увеличения ошибки прогноза при случайной перестановке значений конкретного признака: чем значительнее возрастает ошибка модели, тем выше важность данного предиктора. Полученные значения были нормализованы и выражены в процентах от общего вклада всех переменных для удобства интерпретации.
В качестве целевого признака взята суммарная шкала рискованного поведения, в качестве предикторов – 8 категориальных переменных анкеты: возраст, пол, образование, наличие работы, брака, детей, уровень дохода и тип поселения. Для количественной оценки РП использовался авторский опросник, включающий 12 вопросов; каждый пункт оценивался по 5-балльной шкале: 0 – «точно нет», 1 – «скорее нет», 2 – «возможно», 3 – «скорее да», 4 – «точно да»
Соблюдение этических стандартов. Исследование одобрено локальным этическим комитетом ФБУН «Уфимский НИИ медицины труда и экологии человека» (протокол заседания № 09-1 от 25.09.2025), проведено согласно общепринятым научным принципам Хельсинкской декларации Всемирной медицинской ассоциации «Этические принципы проведения медицинских исследований с участием человека в качестве субъекта» с поправками 2013 г. Все участники дали информированное добровольное письменное согласие на участие в исследовании.

РЕЗУЛЬТАТЫ

Модель рискованное поведение

Результаты расчета важности признаков показали, что наибольший вклад в предсказание рискованного поведения вносят уровень образования (22%), пол (18%) и проживание в сельской местности (15%), тогда как возраст обеспечивает 12%, наличие детей – 10%, трудоустроенность – 9%, брак – 8%, уровень дохода – 6%. Таким образом, более половины объясняемой вариабельности (55%) формируют всего три фактора: образование, пол и тип поселения. Это означает, что пациенты с низким образованием, мужского пола и проживающие в сельской местности в совокупности имеют наиболее высокий прогнозируемый балл рискованного поведения, тогда как вклад остальных признаков, хотя и статистически значим, индивидуально не превышает 10%.
Результаты SHAP-анализа (рис. 1) демонстрируют, что наибольший положительный вклад в прогнозируемый уровень рискованного поведения вносят низкий уровень образования, мужской пол и проживание в сельской местности, что отражается в положительных значениях SHAP.

Рисунок 1. Модель «Рискованное поведение»
Figure 1. Risky Behavior Model

 

Напротив, высшее образование, женский пол и возраст старше 65 лет ассоциированы с отрицательными значениями SHAP (смещение влево), что свидетельствует об их вкладе в снижение прогнозируемого уровня рискованного поведения (рис. 2).

Рисунок 2. Модель «Рискованное поведение», вклад факторов
Figure 2. Risky Behavior Model, contribution of factors

 

Таким образом, ключевыми предикторами повышенного рискованного поведения являются мужской пол и низкий уровень образования, в то время как старший возраст выступает в качестве защитного фактора. Полученные результаты согласуются с данными анализа важности признаков (feature importance) и подтверждают необходимость разработки целевых профилактических interventions, ориентированных на молодых мужчин с низким образовательным статусом, особенно проживающих в сельских районах.

Модель «Недостаточная информированность»

Результаты расчета важности признаков для модели «Недостаточность знаний» (рис. 3) показали, что наибольший вклад в предсказание уровня информированности пациентов вносят уровень дохода (50%), возраст (18%) и пол (12%). Значительно меньшее, но все еще заметное, влияние оказывают образование (8%), наличие работы (6%), брак (4%) и наличие детей (2%). Тип поселения (городское/сельское) внес минимальный вклад – менее 1%.

Рисунок 3. Модель «Недостаточность знаний»
Figure 3. The “Lack of Knowledge” Model

 

Таким образом, более 80% объясняемой вариабельности уровня знаний формируют всего три фактора: доход, возраст и пол. Это означает, что наибольший дефицит знаний наблюдается у лиц с низким доходом, молодого возраста и мужского пола. Данная закономерность указывает на необходимость целевых образовательных вмешательств, ориентированных прежде всего на молодых мужчин с низким социально-экономическим статусом, независимо от уровня образования и типа поселения.
Результаты SHAP-анализа модели «Недостаточность знаний» показали, что наибольшее положительное влияние на прогнозируемый дефицит знаний оказывают низкий уровень дохода, молодой возраст и мужской пол, что выражается в положительных SHAP-значениях (рис. 4)

Рисунок 4. Модель «Недостаточность знаний», вклад факторов
Figure 4. Model “Lack of knowledge”, contribution of factors

 

Напротив, высокий доход, старший возраст и женский пол ассоциированы с отрицательными SHAP-значениями (влево), то есть способствуют повышению уровня знаний о правилах рационального антибиотикопотребления.
Образование, наличие брака, детей и работы, а также тип поселения вносят второстепенный вклад: их SHAP-значения расположены ближе к нулю и визуально занимают узкую полосу в центре графика.
Таким образом, ключевыми модификаторами уровня информированности являются социально-экономический статус и демографические характеристики, в то время как образование и семейные факторы оказывают значительно меньшее влияние, чем это наблюдалось в модели рискованного поведения.

Модель «Комплаенс-риски»

Результаты расчета важности признаков модели «Комплаенс-риски» (рис. 5) показали, что наибольший вклад в предсказание неблагоприятного комплаенса (нарушение дозы, кратности, длительности терапии или преждевременное прекращение приема антибиотиков) вносят: мужской пол (30%), проживание в сельской местности (25%) и отсутствие брака (15%). Значительно меньшее влияние оказывают наличие детей (10%) и работа (8%). Признаки «доход», «образование» и «возраст» суммарно дают менее 12% вклада.

Рисунок 5. Модель комплаенс-риски
Figure 5. Compliance risk model

 

Таким образом, более 70% вариабельности рисков некомплаенса объясняется всего тремя факторами: мужской пол, сельское место жительства и отсутствие брака. Это позволяет выделить ключевую группу риска – молодые мужчины, живущие в сельской местности и не состоящие в официальном браке, которым необходимо уделять повышенное внимание при разъяснении режима приема антибиотиков.
Результат SHAP-анализа подтвердил это направление эффектов: мужской пол, сельское жительство и отсутствие брака дают положительные SHAP-значения, то есть увеличивают вероятность нарушения комплаенса. Напротив, женский пол, городское проживание и наличие брака связаны с отрицательными SHAP-значениями, что снижает риск нарушения режима антибиотикотерапии (рис. 6).

Рисунок 6. Модель комплаенс-риски, вклад факторов
Figure 6. Compliance risk model, contribution of factors

 

Остальные признаки (дети, работа, доход, образование, возраст) формируют вторичный фон: их SHAP-значения расположены ближе к нулю и визуально занимают центральную полосу графика.
Таким образом, социально-демографический портрет пациента с высоким риском нарушения комплаенса – это мужчина, не состоящий в браке, проживающий в сельской местности, вне зависимости от возраста и уровня образования.

Модель «Самолечение»

Результаты расчета важности признаков модели «Самолечение» (рис. 7 и 8) показали, что наибольший вклад в предсказание склонности к самостоятельному приему антибиотиков вносят возраст (25%), наличие работы (20%), уровень дохода (15%) и образование (12%). Совокупно эти четыре фактора формируют 72% объясняемой вариабельности, тогда как брак, пол, наличие детей и тип поселения вносят менее 8% каждый и играют второстепенную роль. SHAP-анализ подтвердил направление этих связей: молодой возраст, отсутствие работы, низкий доход и низкий уровень образования ассоциированы с положительными SHAP-значениями, то есть повышают риск самолечения, в то время как старший возраст, наличие работы, высокий доход и высшее образование дают отрицательные SHAP-значения и снижают вероятность самостоятельного использования антибиотиков.

Рисунок 7. Модель самолечение
Figure 7. Self-treatment model

 

Рисунок 8. Модель самолечение, вклад факторов
Figure 8. Self-medication model, contribution of factors

 

Таким образом, наиболее выраженный профиль пациента, склонного к самолечению, – это молодой безработный человек с низким доходом и базовым уровнем образования, независимо от пола и семейного положения.

ОБСУЖДЕНИЕ

Социально-демографические характеристики являются значимыми предикторами различных моделей поведения, связанных с использованием антибиотиков. Проведенное исследование с применением алгоритмов машинного обучения позволило выявить конкретные, зачастую нелинейные взаимосвязи для четырех ключевых аспектов нерационального потребления антибактериальных препаратов.
Очевидно, что универсальные просветительские кампании могут быть неэффективны. Вместо этого следует разрабатывать таргетные вмешательства. Например, программы, нацеленные на молодых мужчин в сельской местности, должны делать акцент на важности соблюдения режима терапии, в то время как инициативы по повышению общей осведомленности следует в первую очередь адресовать молодежи с низким социально-экономическим статусом.
Следует признать и ограничения данного исследования. Пилотный характер работы обусловил небольшой объем выборки, что требует осторожности при генерализации выводов. Кроме того, метод сбора данных с помощью Telegram-бота мог привести к смещению выборки, так как часть респондентов не имела установленного приложения или опасалась переходить по ссылкам. Анонимность анкетирования, хотя и способствовала откровенности ответов, не позволила предоставить участникам персонализированные рекомендации. Дальнейшие исследования должны быть направлены на валидацию полученных моделей на более крупных и гетерогенных выборках. Перспективным представляется также качественный анализ для более глубокого понимания причин, лежащих в основе выявленных поведенческих паттернов. Тем не менее, настоящая работа демонстрирует высокую эффективность применения методов машинного обучения для выявления неочевидных групп риска, что открывает новые возможности для создания целенаправленных и действенных стратегий по борьбе с антибиотикорезистентностью.

ЗАКЛЮЧЕНИЕ

Определены четкие портреты групп риска для каждого из изученных поведенческих паттернов: рискованное поведение в целом наиболее тесно ассоциировано с низким уровнем образования, мужским полом и проживанием в сельской местности; недостаточная информированность об антибиотиках преимущественно связана с низким уровнем дохода, молодым возрастом и мужским полом; низкий комплаенс (риск нарушения режима терапии) в наибольшей степени определяется мужским полом, проживанием в сельской местности и отсутствием брака; склонность к самолечению сильнее всего проявляется у молодых, безработных респондентов с низким доходом и образованием. Полученные результаты позволяют идентифицировать целевые группы для разработки адресных профилактических и образовательных программ с целью оптимизации использования антибактериальных препаратов и сдерживания роста антибиотикорезистентности.

Информация о финансировании и конфликте интересов

Исследование не имело спонсорской поддержки.
Авторы декларируют отсутствие явных и потенциальных конфликтов интересов, связанных с публикацией настоящей статьи.

ЛИТЕРАТУРА / REFERENCES:

1.      Olaru ID, Walther B, Schaumburg F. Zoonotic sources and the spread of antimicrobial resistance from the perspective of low and middle-income countries. Infect Dis Poverty. 2023; 12(1): 59. doi: 10.1186/s40249-023-01113-z
2.      Khairullah AR, Kurniawan SC, Effendi MH, Sudjarwo SA, Ramandinianto SC, Widodo A, et al. A review of new emerging livestock-associated methicillin-resistant Staphylococcus aureus from pig farms. Vet World. 2023; 16(1): 46-58. doi: 10.14202/vetworld.2023.46-58
3.      Katale BZ, Misinzo G, Mshana SE, Chiyangi H, Campino S, Clark TG, et al. Genetic diversity and risk factors for the transmission of antimicrobial resistance across human, animals and environmental com-partments in East Africa: a review. Antimicrob Resist Infect Control. 2020; 9(1): 127. doi: 10.1186/s13756-020-00786-7
4.      Zubareva VD, Sokolova OV, Bezborodova NA, Shkuratova IA, Krivonogova AS, Bytov MV. Molecular mechanisms and genetic determinants of antibacterial resistance in microorganisms (review). Agricultural biology. 2022: 57(2): 237-256. Russian (Зубарева В.Д., Соколова О.В., Безбородова Н.А., Шкуратова И.А., Кривоногова А.С., Бытов М.В. Молекулярные механизмы и генетические детерминанты устойчивости к антибактериальным препаратам у микроорганизмов (обзор) //Сельскохозяйственная биология. 2022. Т. 57, № 2. С. 237-256.) doi: 10.15389/agrobiology.2022.2.237rus
5.      Chigrina VP, Tyufilin DS, Deev IA, Kobyakova OS. Awareness of the population of the Russian Federation about antibiotics and antibiotic resistance. Preventive medicine. 2023; 26(6): 68-75. Russian (Чигрина В.П., Тюфилин Д.С., Деев И.А., Кобякова О.С. Осведомленность населения Российской Федерации об антибиотиках и антибиотикорезистентности //Профилактическая медицина. 2023. Т. 26, № 6. С. 68-75.) doi: 10.17116/profmed20232606168
6.      Fedorova OS, Fedosenko SV, Fedotova MM, Chigrina VP. Antibacterial therapy and attitude to the problem of antibiotic resistance in medical practice. Preventive medicine. 2021; 24(10): 106-118. Russian (Федорова О.С., Федосенко С.В., Федотова М.М., Чигрина В.П. Антибактериальная терапия и отношение к проблеме антибиотикорезистентности во врачебной практике //Профилактическая медицина. 2021. Т. 24, № 10. С. 106-118.) doi: 10.17116/profmed202124101106
7       Effah CY, Amoah AN, Liu H, Agboyibor C, Miao L, Wang J, Wu Y. A population-base survey on knowledge, attitude and awareness of the general public on antibiotic use and resistance. Antimicrob Resist Infect Control. 2020; 9(1): 105. doi: 10.1186/s13756-020-00768-9
8.      Gashaw T, Yadeta TA, Weldegebreal F, Demissie L, Jambo A, Assefa N. The global prevalence of antibiotic self-medication among the adult population: systematic review and meta-analysis. Syst Rev. 2025; 14(1): 49. doi: 10.1186/s13643-025-02783-6
9.      Muhaimin K, Gunilla W. Strategies for information source selection: A focus group study on young people in Europe. Journal of Information Science. 2023; 1-14. doi:10.1177/01655515231193847

Корреспонденцию адесовать:

МАСЯГУТОВА Ляйля Марселевна
450106, г. Уфа, ул. Степана Кувыкина, д. 94, ФБУН «Уфимский НИИ медицины труда и экологии человека»
Тел: 8 (347) 255-19-57     E-mail: kdl.ufa@rambler.ru

Сведения об авторах:

БАКИРОВ Ахат Бариевич
доктор медицинских наук, профессор, советник директора, ФБУН «Уфимский НИИ медицины труда и экологии человека», г. Уфа, Россия
E-mail: kdl.ufa@rambler.ru

АБДРАХМАНОВА Елена Рафиловна
кандидат медицинских наук, заместитель директора по научной и организационно-методической работе, ФБУН «Уфимский НИИ медицины труда и экологии человека», г. Уфа, Россия
E-mail: elenara@inbox.ru

МАСЯГУТОВА Ляйля Марселевна
доктор медицинских наук, главный научный сотрудник отдела медицины труда, ФБУН «Уфимский НИИ медицины труда и экологии человека», г. Уфа, Россия
E-mail: kdl.ufa@rambler.ru

ГИЗАТУЛЛИНА Лилия Галиевна
биолог иммуно-бактериологической лаборатории клиники, ФБУН «Уфимский НИИ медицины труда и экологии человека», г. Уфа, Россия
E-mail: instityt.ufa@mail.ru

ЗАЙДУЛЛИН Искандер Ильдарович
кандидат медицинских наук, заведующий отделом медицины труда, старший научный сотрудник отдела медицины труда, ФБУН «Уфимский НИИ медицины труда и экологии человека», г. Уфа, Россия
E-mail: Iskanderdentiskanderdent@yahoo.com

КАРИМОВ Денис Олегович
кандидат медицинских наук, заведующий отделом токсикологии и генетики с экспериментальной клиникой лабораторных животных, ФБУН «Уфимский НИИ медицины труда и экологии человека», г. Уфа, Россия
E-mail: karimovdo@gmail.com

ЛАТЫПОВА Эмилия Хамзиевна
кандидат биологических наук, старший преподаватель, ФГОУ ВО БашГАУ, г. Уфа, Россия
E-mail: kdl.ufa@rambler.ru

Information about authors:

BAKIROV Akhat Barievich
doctor of medical sciences, professor, advisor to the director, Ufa Research Institute of Occupational Medicine and Human Ecology, Ufa, Russia
E-mail: kdl.ufa@rambler.ru

ABDRAKHMANOVA Elena Rafilovna
candidate of medical sciences, deputy director for scientific and organizational-methodological work, Ufa Research Institute of Occupational Medicine and Human Ecology, Ufa, Russia
E-mail: elenara@inbox.ru

MASYAGUTOVA Lyailya Marselevna
doctor of medical sciences, chief researcher of the department of occupational medicine, Ufa Research Institute of Occupational Medicine and Human Ecology, Ufa, Russia
E-mail: kdl.ufa@rambler.ru

GIZATULLINA Lilia Galievna
biologist of the immunobacteriology laboratory, Ufa Research Institute of Occupational Medicine and Human Ecology, Ufa, Russia
E-mail: instityt.ufa@mail.ru

ZAYDULLIN Iskander Ildarovich
candidate of medical sciences, head of the occupational medicine department, senior researcher of the occupational medicine department, Ufa Research Institute of Occupational Medicine and Human Ecology, Ufa, Russia
E-mail: Iskanderdentiskanderdent@yahoo.com

KARIMOV Denis Olegovich
candidate of medical sciences, head of the toxicology and genetics department with an experimental laboratory animal clinic, Ufa Research Institute of Occupational Medicine and Human Ecology, Ufa, Russia
E-mail: karimovdo@gmail.com

LATYPOVA Emilia Khamzievna
candidate of biological sciences, senior lecturer, Bashkir State Agrarian University, Ufa, Russia
E-mail: kdl.ufa@rambler.ru

Ссылки

  • На текущий момент ссылки отсутствуют.