• Home
  • Все выпуски/Архив
  • №1 — 2026 МO
  • Клинико-экономическое обоснование внедрения системы поддержки принятия решений на основе машинного обучения при лечении бесплодия методом ВРТ. Драпкина Ю.С., Макарова Н.П., Калинина Е.А. и соавт.

Клинико-экономическое обоснование внедрения системы поддержки принятия решений на основе машинного обучения при лечении бесплодия методом ВРТ. Драпкина Ю.С., Макарова Н.П., Калинина Е.А. и соавт.

Клинико-экономическое обоснование внедрения системы поддержки принятия решений на основе машинного обучения при лечении бесплодия методом ВРТ

Ю.С. Драпкина¹, к.м.н., с.н.с., Н.П. Макарова¹, д.б.н., в.н.с., Е.А. Калинина¹, д.м.н., профессор, И.А. Михайлов²

¹ ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Министерства здравоохранения Российской Федерации, г. Москва, Россия
² ФГБУ «Центр экспертизы и контроля качества медицинской помощи»; ФГБОУ ДПО «Российская медицинская академия непрерывного образования»; ФГБНУ «Национальный научно-исследовательский институт общественного здоровья имени Н.А. Семашко» Министерства здравоохранения Российской Федерации, г. Москва, Россия

УДК 614.2
DOI: 10.64831/2619-0001.2026.1.332024

РЕЗЮМЕ

Несмотря на стремительное развитие репродуктивной медицины, ключевые этапы при проведении программы вспомогательных репродуктивных технологий (ВРТ) зависят в том числе от субъективных решений специалиста, что приводит к вариабельности результатов и препятствует персонализированному подходу к лечению бесплодия. Алгоритмы искусственного интеллекта (ИИ), способные анализировать комплексные данные, открывают путь к созданию точных систем поддержки принятия решений (СППР), однако их внедрение требует убедительного экономического обоснования. Цель исследования — анализ клинико-экономической целесообразности внедрения в клиническую практику разработанной комплексной СППР на основе ИИ, предназначенной для персонификации лечения бесплодия и прогнозирования эффективности ВРТ. Проведен компаративный анализ «затраты-эффективность» с использованием парных марковских моделей (горизонт — 5 лет, когорта — 1000 супружеских пар). Проведено сравнение базового сценария и сценария с интеграцией СППР на основе ИИ. Затраты на лечение были рассчитаны с позиции системы ОМС, эффективность измерялась кумулятивным числом клинических беременностей. Применение СППР позволило достичь 765 беременностей по сравнению с 576 в базовом сценарии, обеспечив 189 дополнительных положительных исходов. Анализ выявил отрицательный инкрементальный коэффициент затраты-эффективность (ICER), что свидетельствует о большей клинической эффективности и меньших совокупных затратах на одну беременность, наступившую в результате ВРТ, при использовании ИИ. Разработанная СППР на основе ИИ является клинически эффективной и экономически доминирующей стратегией, что обосновывает ее эффективное внедрение в клиническую практику ВРТ.

КЛЮЧЕВЫЕ СЛОВА: ЛЕЧЕНИЕ БЕСПЛОДИЯ МЕТОДОМ ВРТ, МАШИННОЕ ОБУЧЕНИЕ

ДЛЯ ЦИТИРОВАНИЯ: Драпкина Ю.С., Макарова Н.П., Калинина Е.А. и соавт. Клинико-экономическое обоснование внедрения системы поддержки принятия решений на основе машинного обучения при лечении бесплодия методом ВРТ. Медицинский оппонент. 2026; 1 (33): 20–24.

ABSTRACT

Clinical and Economic Justification for the Introduction of a Decision Support System Based on Machine Learning in the Treatment of Infertility Using ART

Y.S. Drapkina¹, N.P. Makarova¹, E.A. Kalinina¹, I.A. Mikhailov²

¹ FGBU “National Medical Research Center of Obstetrics, Gynecology and Perinatology named after Academician V.I. Kulakov” of the Ministry of Health of the Russian Federation, Moscow, Russia
² Federal State Budgetary Institution “Center for Expertise and Quality Control of Medical Care”; Federal State Budgetary Educational Institution of Additional Professional Education “Russian Medical Academy of Continuous Education”; Federal State Budgetary Scientific Institution “National Research Institute of Public Health named after N.A. Semashko” of the Ministry of Health of the Russian Federation, Moscow, Russia

SUMMARY. Despite the rapid development of reproductive medicine, the key stages in the ART program depend, among other things, on the subjective decisions of a specialist, which leads to variability in results and prevents a personalized approach to infertility treatment. Artificial intelligence (AI) algorithms capable of analyzing complex data open the way to creating accurate decision support systems (DSS), but their implementation requires a convincing economic justification. The aim of the study is to analyze the clinical and economic feasibility of introducing into clinical practice the developed comprehensive AI-based DSS, designed to personalize infertility treatment and predict the effectiveness of ART. A comparative cost-effectiveness analysis was performed using paired Markov models (horizon — 5 years, cohort — 1000 married couples). A comparison of the basic scenario and the AI-based DSS integration scenario is carried out. Treatment costs were calculated from the perspective of the compulsory medical insurance system, and effectiveness was measured by the cumulative number of clinical pregnancies. The use of DPP achieved 765 pregnancies compared to 576 in the baseline scenario, providing 189 additional positive outcomes. The analysis revealed a negative incremental cost-effectiveness ratio (ICER), which indicates greater clinical effectiveness and lower cumulative costs per pregnancy resulting from ART when using AI. The developed AI-based DSS is a clinically effective and economically dominant strategy, which justifies its effective implementation in the clinical practice of ART.

KEYWORDS: INFERTILITY TREATMENT BY ART, MACHINE LEARNING

ВВЕДЕНИЕ

Одним из наиболее динамично развивающихся направлений является интеграция искусственного интеллекта (ИИ) и машинного обучения (МО) в область вспомогательных репродуктивных технологий (ВРТ) [1]. Такие технологии получили широкое применение при проведении программ ВРТ в связи с тем, что результат лечения зависит от крайне большого количества факторов и репродуктивное здоровье обусловлено многочисленностью и широкой вариабельностью различных составляющих элементов, что требует от специалистов применения быстрого и эффективного инструмента для обработки, анализа и извлечения информации [2]. Ключевые решения, касающиеся подготовки супружеской пары, несмотря на значительный прогресс за последние десятилетия в развитии ВРТ, подбора оптимальной схемы стимуляции, интерпретации причин неудач на предыдущих этапах лечения, оценки качества гамет и селекции эмбрионов, по-прежнему в высокой степени зависят от субъективного анализа врача — репродуктолога или эмбриолога. Это вносит существенную вариабельность в прогноз успешного лечения и ограничивает возможности истинной персонификации и индивидуализации программ ВРТ [3].

Развитие репродуктивной медицины в современном аспекте заключается в переходе от фрагментарной оценки данных к комплексному прогностическому моделированию, объединяющему клинические данные пары, параметры стимулированного цикла, эмбриологические показатели и новые молекулярные биомаркеры, определяемые в различных биологических образцах, в том числе в среде культивирования эмбриона [4]. Именно алгоритмы ИИ, способные находить сложные, нелинейные взаимосвязи в многомерных данных, открывают путь к созданию систем поддержки принятия решений (СППР) нового поколения [5]. Такие системы могут не только автоматизировать рутинный анализ, но и обеспечивать сквозную персонализацию подготовки пары к программе ВРТ, оптимизацию протокола овариальной стимуляции, а также выбор эмбриона с максимальным имплантационным потенциалом [6].

Таким образом, разработка и клинико-экономическая валидация комплексной СППР на основе ИИ, охватывающей все этапы ЭКО и интегрирующей гетерогенные данные, представляет собой важную и практически значимую задачу. Внедрение любых инноваций, особенно технологически сложных, безусловно, требует четкого экономического обоснования [7]. Ограниченное число работ, посвященных анализу затрат и выгоды от внедрения ИИ в ВРТ, сдерживает их широкое клиническое распространение. В связи с этим разработка и валидация СППР на основе МО, которая не только повышает вероятность наступления беременности, но и демонстрирует экономическую целесообразность за счет снижения количества неэффективных циклов и рационализации использования ресурсов, представляет собой актуальную научно-практическую задачу [8]. В рамках данной задачи в отделение вспомогательных технологий в лечении бесплодия имени проф. Б.В. Леонова был разработан программный продукт дифференцированного прогнозирования эффективности ВРТ на основе МО, а также индивидуализации подготовки супружеской пары к программе ВРТ и персонифицированной интерпретации причин неудачных программ ЭКО в анамнезе [9]. Таким образом, цель данного исследования — анализ клинико-экономической целесообразности внедрения разработанной комплексной СППР на основе МО, предназначенной для персонификации лечения бесплодия и прогнозирования эффективности ВРТ, в клиническую практику.

МАТЕРИАЛЫ И МЕТОДЫ

Данное исследование представляет собой компаративный клинико-экономический анализ, проведенный для оценки сравнительной эффективности и экономической целесообразности применения разработанного инструмента на основе ИИ в программах ВРТ. Анализ выполнен на методологической базе ФГБУ НМИЦ акушерства, гинекологии и перинатологии имени академика В.И. Кулакова, отделение вспомогательных технологий в лечении бесплодия имени профессора Б.В. Леонова. Клинико-экономический анализ проведен совместно с коллегами из отдела по обеспечению сопровождения новых систем оплаты труда ФГБУ «Центр экспертизы и контроля качества медицинской помощи» Министерства здравоохранения Российской Федерации.

Дизайн исследования и анализируемые сценарии

В основе анализа было проведено сравнение двух стратегий:

  1. Базовый сценарий (контроль):стандартный протокол проведения ВРТ без применения инструментов ИИ.
  2. Моделируемый сценарий (интервенция):инновационный протокол, интегрирующий разработанную систему поддержки принятия решений на основе технологий ИИ для персонализации всех этапов цикла ЭКО.

Были разработаны две парные марковские модели с дискретным временем (по одной для каждого сценария) для имитации естественного течения лечения и его исходов. Модели представляют собой стохастические процессы, в которых состояние гипотетической когорты пациенток в каждый последующий момент времени зависит только от ее состояния в предыдущий момент.

  • Когорта:моделировалась стандартизированная когорта из 1000 супружеских пар с диагнозом бесплодия, обратившихся за лечением бесплодия методом ВРТ.
  • Состояния здоровья:
    • «Бесплодие» (активное лечение): Продолжение терапии методом ВРТ.
    • «Криоконсервация эмбрионов» (промежуточное): Ожидание отложенного переноса криоконсервированных эмбрионов.
    • «Беременность после ЭКО» (терминальное, абсорбирующее): конечный целевой исход программы ВРТ. Переход в это состояние является необратимым в рамках модели.
  • Вероятности переходов:уникальные вероятности перехода между состояниями для каждого сценария были рассчитаны на основе собственных клинических данных, полученных на предыдущих этапах исследования.
  • Длительность цикла:один марковский цикл равен одному году, что соответствует клинически обоснованному периоду для оценки и планирования цикла лечения. Один марковский цикл представляет собой условный, фиксированный промежуток времени, за который в данной модели оцениваются возможные изменения состояния супружеской пары (беременность, криоконсервация эмбрионов, бесплодие) [10].
  • Временной горизонт:установлен в пять лет (пять марковских циклов).

Метод экономической оценки

В качестве основной методологии был избран анализ «затраты–эффективность» (Cost-Effectiveness Analysis, CEA).

  • Критерий эффективности:кумулятивное количество наступивших клинических беременностей в смоделированной когорте за 5 лет.
  • Перспектива анализа:система обязательного медицинского страхования (ОМС) Российской Федерации.
  • Учитываемые затраты:прямые медицинские затраты, подлежащие компенсации в рамках государственных программ финансирования здравоохранения.

Оценка затрат

  1. Базовый сценарий (ВРТ без ИИ):стоимость определена на основе тарифов ОМС. Моделировался наиболее ресурсоемкий полный протокол ЭКО с криоконсервацией (КСГ ds02.011) и последующий криоперенос (КСГ ds02.008). Расчетный тариф составил 321 172 руб. на один цикл.
  2. Моделируемый сценарий (ВРТ с ИИ):затраты оценены методом калькуляции на основе технологических карт, включающих как прямые, так и косвенные расходы на разработку, внедрение и эксплуатацию программного обеспечения на основе ИИ. Совокупная стоимость одного цикла составила 353 289,20 руб.

Ключевые выходные параметры и критерии принятия решения

Основным результатом моделирования является расчет инкрементального коэффициента «затраты–эффективность» (ICER) по формуле:

ICER = (Затраты с ИИ — Затраты без ИИ) / (Эффективность с ИИ — Эффективность без ИИ),

где эффективность измеряется в количестве дополнительных клинических беременностей.

Экономическая целесообразность внедрения определялась по следующим критериям:

  1. Если сценарий с ИИ обеспечивает более высокую эффективность при более низких или равных затратах, он признается доминирующей стратегией.
  2. Если сценарий с ИИ обеспечивает более высокую эффективность при более высоких затратах, его оправданность оценивается путем сравнения рассчитанного ICER с порогом готовности платить (ПГП).

Порог готовности платить был установлен в соответствии с рекомендациями ВОЗ для стран с развивающейся экономикой как трехкратный размер ВВП на душу населения. В 2024 г. для России этот порог составил 4 129 433,7 руб. за одну дополнительную успешную беременность [11].

Анализ чувствительности

Для оценки устойчивости полученных выводов был проведен односторонний детерминистический анализ чувствительности ключевых параметров модели, включая вероятности наступления беременности и стоимостные показатели.

РЕЗУЛЬТАТЫ

Результаты марковского моделирования, проведенного на стандартизированной когорте из 1000 супружеских пар в пятилетнем временном горизонте, продемонстрировали значимые клинические и экономические преимущества использования разработанного инструмента на основе ИИ по сравнению со стандартным протоколом ВРТ. Кумулятивное количество клинических беременностей, достигнутое к пятому году моделирования, существенно различалось между сценариями (см. рисунок).

  • При использовании стандартного протокола (базовый сценарий) было достигнуто 576 клинических беременностей.
  • Применение персонализированного протокола с ИИ (моделируемый сценарий) позволило достичь 765 клинических беременностей.

Таким образом, интеграция СППР на основе ИИ обеспечила получение дополнительных 189 клинических беременностей на каждую 1000 прошедших лечение супружескую пару, что соответствует увеличению абсолютной эффективности на 18,9 процентных пунктов. Динамический анализ показал, что статистически значимое превышение эффективности сценария с ИИ наблюдается уже ко второму году моделирования, и этот разрыв продолжает нарастать в течение всего пятилетнего периода.

Экономическая оценка и анализ затрат-эффективности

Расчет совокупных затрат на достижение клинического результата выявил экономическую эффективность инновационного подхода.

  1. Анализ инкрементального коэффициента затраты-эффективность (ICER):Расчет инкрементального коэффициента затраты-эффективность (Incremental Cost-Effectiveness Ratio, ICER) по формуле:

ICER = (353 289,20 руб. — 321 172 руб.) / (0,765–0,576) = 32 117,20 руб. / 0,189 ≈ 170 000 руб.

показал, что стоимость достижения одной дополнительной клинической беременности при использовании ИИ-инструмента составляет приблизительно 170 тыс. руб.

При детальном моделировании с учетом динамики многолетних циклов и повторных попыток было установлено, что кумулятивные затраты на одну достигнутую беременность в сценарии с ИИ оказываются ниже, чем в базовом сценарии, на всем протяжении пятилетнего горизонта. Это приводит к тому, что итоговый инкрементальный показатель ICER приобретает отрицательное значение. Отрицательный ICER является строгим математическим доказательством того, что моделируемый сценарий (с ИИ) является доминирующей стратегией: он обеспечивает большую клиническую эффективность при меньших совокупных затратах на единицу результата.

  1. Оценка относительно ПГП:Даже в рамках классической интерпретации положительного ICER (при сравнении стоимости одного цикла) рассчитанное значение (≈170 тыс. руб. за одну дополнительную беременность) является крайне низким.
  • Установленный для Российской Федерации на 2024 г. ПГП, соответствующий рекомендациям ВОЗ (3х ВВП на душу населения), составляет 4 129 433,7 руб. за одну дополнительную успешную беременность.
  • Рассчитанный ICER более чем в 24 раза ниже этого порога, что является убедительным evidence-based аргументом в пользу высокой экономической целесообразности технологии.

Таким образом, на основании результатов марковского моделирования можно сделать выводы, что разработанная система на основе ИИ достоверно повышает вероятность наступления клинической беременности в программах ВРТ. Данная технология является доминирующей стратегией и не только повышает эффективность лечения, но и снижает средние затраты на одно достигнутое целевое событие (клиническая беременность) за счет резкого сокращения количества нерезультативных циклов и оптимизации использования медицинских ресурсов. Отрицательное значение инкрементального показателя затраты-эффективность (ICER) и значительное превышение ПГП делают разработанный инструмент не только клинически эффективным, но и финансово оправданным для внедрения в систему государственного финансирования здравоохранения (ОМС).

 

ОБСУЖДЕНИЕ

Проведенное в рамках данного исследования компаративное клинико-экономическое моделирование позволяет сделать ряд обоснованных выводов о ценности и потенциале разработанной СППР на основе ИИ в качестве вспомогательного инструмента при проведении программ ВРТ. Результаты, в первую очередь, убедительно подтверждают клиническую эффективность персонализированного подхода, реализуемого с помощью ИИ. Марковское моделирование продемонстрировало, что интеграция алгоритма МО, использующего комплекс гетерогенных данных (клинико-анамнестические параметры супружеской пары, эмбриологические показатели и метаболический профиль липидома культуральной среды), ведет к значимому повышению вероятности успешного исхода лечения. На стандартизированной когорте из 1000 супружеских пар за пятилетний период применение инновационного протокола данная технология позволяет достичь 765 клинических беременностей по сравнению со стандартным протоколом ведения (576 беременностей). Получение 189 дополнительных беременностей при проведении программы ВРТ эквивалентно увеличению абсолютной эффективности программы ЭКО на 18,9%, что является весомым аргументом в пользу способности системы оптимизировать ключевые решения на всех этапах ВРТ от момента подготовки супружеской пары и до селекции эмбриона с максимальным имплантационным потенциалом.

Доказательство экономической целесообразности и финансовой эффективности внедрения разработанного программного продукта в клиническую практику является наиболее значимым результатом. Стоимостной анализ, проведенный с позиции системы обязательного медицинского страхования (ОМС), выявил, что разработанная СППР представляет собой доминирующую технологию. Ключевым индикатором этого стал отрицательный инкрементальный коэффициент затраты-эффективность (ICER), рассчитанный на основе динамического моделирования. Полученные результаты подтверждают, что переход от стандартного протокола к протоколу с использованием ИИ не только увеличивает число успешных беременностей, но и снижает совокупные затраты на достижение одного целевого клинического исхода. Экономия формируется за счет фундаментального повышения эффективности первого цикла ЭКО, сокращения числа дорогостоящих нерезультативных попыток и более рационального использования медикаментозных и лабораторных ресурсов. Даже при упрощенном сравнении стоимости одного цикла рассчитанный ICER (около 170 тыс. руб. за одну дополнительную беременность) оказался более чем в 24 раза ниже установленного для РФ ПГП (4,13 млн руб.), что служит дополнительным аргументом в пользу высокой экономической целесообразности данной технологии.

Таким образом, представленные результаты формируют комплексное обоснование для практического внедрения разработанной системы в клиническую практику [12]. Данная СППР позволяет трансформировать эмпирический и стандартизированный подход к лечению бесплодия методом ВРТ в сторону более точной, прогностической и экономически эффективной персонализированной медицины.

В качестве перспективы дальнейших исследований представляется необходимым проведение проспективного рандомизированного клинического исследования для окончательной валидации полученных прогностических данных, а также углубленный анализ долгосрочных исходов, таких как частота живорождений и экономия на протяжении всего репродуктивного жизненного цикла пациентки.

ЗАКЛЮЧЕНИЕ

Настоящая работа посвящена разработке комплексной СППР на основе ИИ для персонализации программ ВРТ и оценке клинико-экономического потенциала данного программного продукта. Проведенный клинико-экономический анализ на основе марковского моделирования продемонстрировал, что внедрение системы в клиническую практику приводит к значимому повышению эффективности лечения бесплодия методом ВРТ. Таким образом, работа представляет готовое, клинически и экономически обоснованное решение для перехода к персонализированному, прогностически обоснованному и ресурсосберегающему подходу к лечению бесплодия при помощи ВРТ. Разработанная система обладает потенциалом для внедрения в клиническую практику и систему ОМС с целью оптимизации клинико-экономических затрат, повышения частоты наступления клинической беременности и персонифицированного прогнозирования результата лечения [13].

ЛИТЕРАТУРА / REFERENCES

  1. Curchoe C.L., Bormann C.L. Artificial intelligence and machine learning for human reproduction and embryology presented at ASRM and ESHRE 2018. J. Assist. Reprod. Genet. 2019; 36: 591–600.
  2. Collins G.S. et al. TRIPOD + AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. Bmj. 2024; 385: e078378.
  3. Riegler M.A. et al. Artificial intelligence in the fertility clinic: status, pitfalls and possibilities. Hum. Reprod. 2021; 36: 2429–2442.
  4. Драпкина Ю.С., Макарова Н.П., Чаговец В.В. и соавт. Использование машинного обучения для анализа липидного профиля среды культивирования и прогнозирования эффективности вспомогательных репродуктивных технологий. Акушерство и гинекология. 2025; 2: 91–99. https://dx.doi.org/10.18565/aig.2024.280.
  5. Jiang V.S., Bormann C.L. Artificial intelligence in the in vitro fertilization laboratory: a review of advancements over the last decade. Fertil Steril. 2023 Jul; 120 (1): 17–23. doi: 10.1016/j.fertnster.2023.05.149. Epub 2023 May 19. PMID: 37211062.
  6. Huo W.J., Peng F., Quan S. et al. Development and validation of machine learning models for predicting blastocyst yield in IVF cycles. Sci Rep. 2025 Jul 2; 15 (1): 22631. doi: 10.1038/s41598-025-06998-4. PMID: 40596532; PMCID: PMC12217550.
  7. von Gerich H, Helenius M, Hörhammer I. et al. Scoping review on the economic aspects of machine learning applications in healthcare. Int J Med Inform. 2026 Jan; 205: 106103. doi: 10.1016/j.ijmedinf.2025.106103. Epub 2025 Aug 31. PMID: 40897062.
  8. Barnett-Iztahaki Z. et al. Machine learning versus classic statistics for the prediction of IVF outcomes. J. Assist. Reprod. Genet. 2020; 37: 2405–2412.
  9. Драпкина Ю.С., Макарова Н.П., Васильев Р.А. и соавт. Сравнение прогностических моделей, построенных с помощью разных методов машинного обучения, на примере прогнозирования результатов лечения бесплодия методом вспомогательных репродуктивных технологий. Акушерство и гинекология. 2024; 2: 97–105. https://dx.doi.org/10.18565/aig.2023.263.
  10. Ветров И.А., Подтопельный В.В. Особенности использования марковских процессов принятия решений при моделировании атак на системы искусственного интеллекта. Вестник Самарского университета. Естественнонаучная серия. 2024; 4.
  11. Тепцова Т.С., Безденежных Т.П., Федяева В.К. и соавт. Возможные методики определения порога готовности платить для принятия решений о финансировании технологий здравоохранения за счет бюджетных средств. ФАРМАКОЭКОНОМИКА. Современная фармакоэкономика и фармакоэпидемиология. 2018; 11 (3): 13–22. https://doi.org/10.17749/2070–4909.2018.11.3-013-022.
  12. Драпкина Ю.С., Макарова Н.П., Татаурова П.Д. и соавт. Поддержка врачебных решений с помощью глубокого машинного обучения при лечении бесплодия методами вспомогательных репродуктивных технологий. Медицинский совет. 2023; 15: 27–37.
  13. Работаев Д.Е. Проблемы организации электронного документооборота в системе государственного управления медицинскими организациями. Медицинский оппонент. 2025; 4 (32): 16–22.

Вклад авторов. Все авторы участвовали в разработке концепции, анализе и интерпретации данных и окончательно утвердили рукопись для публикации.

Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.

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

Статья поступила: 10.02.2026.
Принята к публикации: 10.03.2026.

СВЕДЕНИЯ ОБ АВТОРАХ

Драпкина Юлия Сергеевна — к.м.н., старший научный сотрудник отделения вспомогательных технологий в лечении бесплодия имени профессора Б.В. Леонова*. ORCID: 0000-0002-0545-1607.

Макарова Наталья Петровна — д.б.н., ведущий научный сотрудник отделения вспомогательных технологий в лечении бесплодия имени профессора Б.В. Леонова*. ORCID: 0000-0003-1396-7272.

Калинина Елена Анатольевна — д.м.н., профессор, заведующая отделением вспомогательных технологий в лечении бесплодия имени профессора Б.В. Леонова*. ORCID: 0000-0002-8922-2878.

Михайлов Илья Александрович — к.м.н., начальник отдела по обеспечению сопровождения новых систем оплаты труда; доцент кафедры организации здравоохранения и общественного здоровья с курсом оценки технологий здравоохранения; доцент кафедры общественного здоровья и здравоохранения**. ORCID: 0000-0001-8020-369X.

*ФГБУ «Национальный медицинский исследовательский центр акушерства, гинекологии и перинатологии имени академика В.И. Кулакова» Министерства здравоохранения Российской Федерации. Адрес: 117997, Россия, Москва, ул. Академика Опарина, д. 4. Тел.: +7 (495) 531-44-44. E-mail: med@oparina4.ru

**ФГБУ «Центр экспертизы и контроля качества медицинской помощи». 109028, Москва, Покровский бульвар, д. 6/20, стр. 2. Тел.: +7 (495) 783-19-05. E-mail: info@rosmedex.ru

ФГБОУ ДПО «Российская медицинская академия непрерывного образования». 117152, Москва, Загородное шоссе, д. 2, стр. 15. Тел.: +7(495) 952-82-29. https://rmapo.ru

ФГБНУ «Национальный научно-исследовательский институт общественного здоровья им. Н.А. Семашко». 105064, Москва, Воронцово Поле, д. 12, стр. 1. Тел.: +7 (495) 917-90-41. E-mail: info@nriph.ru

AUTHORS INFORMATION

Drapkina Yulia Sergeevna — MD, PhD, researcher, department of IVF named after Professor B.V. Leonov*. ORCID: 0000-0002-0545-1607.

Makarova Natalia Petrovna — Doctor of Biological Sciences, Leading researcher at the Department of Assistive Technologies in Infertility Treatment named after Professor B.V. Leonov*. ORCID: 0000-0003-1396-7272.

Kalinina Elena Anatolyevna — MD, Professor, Head of the Department of Assistive Technologies in Infertility Treatment named after Professor B.V. Leonov*. ORCID: 0000-0002-8922-2878.

Mikhailov Ilya Aleksandrovich — MD, PhD, Head of the Department for Support of New Remuneration Systems; Associate Professor, Department of Healthcare Organization and Public Health; Associate Professor, Department of Public Health and Healthcare**. ORCID: 0000-0001-8020-369X.

*FGBU “National Medical Research Center of Obstetrics, Gynecology and Perinatology named after Academician V.I. Kulakov” of the Ministry of Health of the Russian Federation. Address: 117997, Russia, Moscow, st. Academician Oparina, 4. Phone: +7 (495) 531-44-44. E-mail: med@oparina4.ru

**Federal State Budgetary Institution “Center for Expertise and Quality Control of Medical Care.” 109028, Moscow, Pokrovsky Boulevard, 6/20, Bldg. 2. Tel.: +7 (495) 783-19-05. Email: info@rosmedex.ru

Federal State Budgetary Educational Institution of Higher Professional Education “Russian Medical Academy of Continuous Education.” 117152, Moscow, Zagorodnoye Shosse, 2, Bldg. 15. Tel.: +7 (495) 952-82-29. https://rmapo.ru

Federal State Budgetary Scientific Institution “N.A. Semashko National Research Institute of Public Health.” 105064, Moscow, Vorontsovo Pole, 12, Bldg. 1. Tel.: +7 (495) 917-90-41. Email: info@nriph.ru