1. Введение

Организация учета и мониторинга инфекционных заболеваний является одним из ключевых направлений совершенствования системы здравоохранения в Российской Федерации. Цифровая трансформация, рассматриваемая как важнейший управленческий ресурс, обладает значительным потенциалом для повышения качества и оперативности сбора, обработки и анализа информации об инфекционных болезнях, что непосредственно влияет на эффективность принимаемых управленческих решений в сфере здравоохранения [1], [2].

Внедрение современных информационных технологий, включая искусственный интеллект и методы машинного обучения, в процессы учета и прогнозирования инфекционной заболеваемости позволяет не только повысить точность эпидемиологического анализа, но и создать условия для своевременного выявления угроз, рационального планирования ресурсов здравоохранения и разработки стратегий профилактики [3].

Значительный ущерб, нанесённый пандемией новой коронавирусной инфекции (COVID-19), и масштаб распространения заболевания с особой остротой продемонстрировали необходимость совершенствования организационных подходов к учету инфекционных заболеваний. Возникла потребность в создании новых программных решений, позволяющих в оперативном режиме анализировать сведения о проявлениях эпидемического процесса на всей территории страны, что стало важным стимулом для развития цифровых инструментов в системе здравоохранения [4].

В настоящее время в Российской Федерации реализуется ряд стратегических инициатив в области цифровизации государственного управления. Указ Президента РФ от 07.05.2024 г. № 309 «О национальных целях развития Российской Федерации на период до 2030 года и на перспективу до 2036 года» определяет цифровую трансформацию здравоохранения как одну из ключевых национальных целей [5]. В рамках нового национального проекта «Экономика данных» предусмотрена реализация федеральных проектов, направленных на создание цифровой инфраструктуры и внедрение технологий сбора, обработки и анализа данных, что создаёт организационные предпосылки для модернизации системы учета инфекционной заболеваемости [6].

Вместе с тем, совершенствование организации учета инфекционных заболеваний в системе общественного здравоохранения сопряжено с рядом проблем. Ключевыми вызовами являются обеспечение совместимости различных медицинских информационных систем, стандартизация форматов передачи данных, защита персональной информации, а также интеграция ведомственных информационных ресурсов Роспотребнадзора, Министерства здравоохранения и других заинтересованных структур, без чего невозможно формирование единого информационного пространства мониторинга [7].

Цель исследования: провести анализ современных организационных подходов к учету и мониторингу инфекционных заболеваний в Российской Федерации.

Научной базой исследования послужили публикации отечественных и зарубежных специалистов в области организации здравоохранения и цифровой эпидемиологии, данные о функционировании программных решений в системе учета инфекционных заболеваний за период 2020–2025 гг., а также нормативно-правовые акты, регламентирующие цифровую трансформацию здравоохранения и статистический учет инфекционной патологии. Проведен обзор данных литературных источников преимущественно за последние пять лет. Для подготовки публикации использованы аналитический метод, метод контент-анализа информации, сравнительный анализ организационных моделей учета инфекционной заболеваемости, а также методы систематизации и обобщения научных данных.

2. Основные результаты

Организация учета инфекционных заболеваний является неотъемлемой частью системы здравоохранения, обеспечивающей информационную основу для принятия управленческих решений на всех уровнях — от муниципального до федерального. В классическом виде система учета инфекционных болезней на территории Российской Федерации представляет собой комплекс подсистем, включающий сбор, архивирование и передачу информации, ее обработку и анализ, а также подготовку информационно-аналитических материалов для планирования профилактических и противоэпидемических мероприятий [7].

Как отмечал академик В.Д. Беляков, на современном этапе выделяются два ключевых фактора для повышения эффективности: развитие научно-технического прогресса и улучшение методов управления. Данный тезис сохраняет свою актуальность и в контексте организации учета инфекционной заболеваемости, где научно-технический прогресс воплощается в цифровых технологиях, а совершенствование управления — в оптимизации организационных структур и межведомственного взаимодействия [8].

Пандемия COVID-19 выступила мощным катализатором процессов цифровизации в сфере учета инфекционных заболеваний. В ответ на возникшие вызовы в Российской Федерации был создан ряд цифровых платформенных решений, которые стали ключевыми элементами модернизированной системы мониторинга инфекционной заболеваемости. Центральным научно-исследовательским институтом эпидемиологии Роспотребнадзора разработаны и внедрены три основные программные платформы: VGARus, SOLAR и EpidSmart [3].

С точки зрения организации здравоохранения, внедрение цифровых платформ учета инфекционных заболеваний создает возможности для сокращения временного интервала между выявлением случая заболевания и принятием управленческого решения, повышения полноты и достоверности статистической информации об инфекционных заболеваниях, оптимизации планирования ресурсов (коечный фонд, медицинские кадры, лабораторные мощности) на основе прогнозных данных, а также усиления межведомственного взаимодействия при координации профилактических мероприятий [3], [6].

2.1. Платформа VGARus (Virus Genome Aggregator of Russia)

Данная цифровая платформа создана для осуществления мониторинга изменчивости возбудителей инфекционных заболеваний, в первую очередь SARS-CoV-2. VGARus выполняет роль системы агрегации информации о геномах вирусов и является ключевым элементом молекулярно-генетического мониторинга [9].

По состоянию на 1 августа 2024 г. на платформу загружено более 327 тыс. нуклеотидных последовательностей. Из них более 206 тыс. представляют собой полные геномы, 120 тыс. — фрагменты генома. Представлены генетические последовательности различных вариантов SARS-CoV-2: Alpha — более 1600, Beta — более 140, Delta — более 62 300, Gamma — более 20, Omicron — более 232 900 [3].

Метаданные платформы включают в себя 20 различных показателей, в том числе данные эпидемиологического анамнеза, и имеют обезличенный характер. К платформе подключено более 130 организаций, представляющих различные ведомства. Все загруженные последовательности обрабатываются с помощью программного обеспечения, встроенного в платформу, которое определяет геновариант возбудителя в автоматическом режиме [3].

Потенциал платформы выходит за рамки исследований SARS-CoV-2: она расширяется для сбора данных о других патогенах, что соответствует стратегии геномного эпидемиологического надзора, разработанной в Российской Федерации [10].

Создание платформы VGARus позволило решить ключевую проблему, существовавшую в период начала пандемии — отсутствие единой базы данных генетических последовательностей, доступной для исследовательских и контрольно-надзорных организаций. В настоящее время платформа является основой для принятия решений о тактике проведения противоэпидемических мероприятий с учетом доминирующих генетических вариантов возбудителя. Важным преимуществом VGARus является ее интеграция с международными базами данных (GISAID, NCBI), что обеспечивает сопоставимость результатов российских исследований с глобальными трендами [9].

2.2. Платформа SOLAR (System of Laboratory Aggregation Results)

Данное программное решение создано с целью консолидации сведений о результатах лабораторных исследований. SOLAR представляет собой централизованную базу данных результатов ПЦР-исследований и позволяет осуществлять эффективный обмен данными между различными медицинскими учреждениями и государственными органами, а также передавать информацию о проведённых исследованиях непосредственно на портал «Госуслуги» в личные кабинеты физических лиц [1].

Платформа предоставляет возможность централизованного хранения всех результатов лабораторных исследований, что упрощает их дальнейшее изучение и позволяет использовать данные для контроля за распространением возбудителя [3].

Архитектура SOLAR построена на принципах горизонтального масштабирования, что позволяет обрабатывать до нескольких миллионов записей в сутки. В период пиковой нагрузки пандемии платформа обеспечивала прием результатов ПЦР-исследований из более чем 1500 лабораторий по всей стране [1].

Важной функциональной особенностью SOLAR является возможность формирования сводной отчетности по регионам, что позволяет оценивать уровень охвата тестированием и своевременно выявлять регионы с недостаточными объемами лабораторных исследований. Кроме того, интеграция с Единой государственной информационной системой в сфере здравоохранения (ЕГИСЗ) обеспечивает возможность сопоставления данных лабораторных исследований с клинической картиной заболевания, хранящейся в электронных медицинских картах пациентов [6].

2.3. Аналитическая платформа EpidSmart

Задачу комплексного анализа данных о развитии эпидемического процесса на территории России с выявлением категорий и территорий риска заражения решает платформа EpidSmart. Она используется в качестве аналитического инструмента для проведения оперативного и ретроспективного эпидемиологического анализа и прогноза распространения генетических вариантов патогенов с использованием больших данных (Big Data) [3].

В рамках федерального проекта «Санитарный щит — безопасность для здоровья» в Роспотребнадзоре активно внедряются мобильные технологии и аналитические платформы, использующие искусственный интеллект и методы суперинтеграции больших данных, что позволяет значительно повысить уровень санитарно-эпидемиологического благополучия [11].

Архитектура EpidSmart предусматривает возможность подключения различных модулей анализа, включая инструменты прогнозного моделирования на основе методов машинного обучения и регрессионного анализа [11].

Платформа EpidSmart также интегрирована с системами эпидемиологического надзора других ведомств, что позволяет формировать комплексное представление об эпидемической ситуации с учетом данных о заболеваемости, лабораторных исследованиях, молекулярно-генетическом мониторинге и социально-демографических характеристиках населения. Особое значение имеет возможность визуализации эпидемиологических данных на карте с помощью геоинформационных технологий, что позволяет выявлять пространственно-временные кластеры заболеваемости и оценивать эффективность проводимых противоэпидемических мероприятий на региональном и муниципальном уровнях [11].

2.4. Проблемы интеграции медицинских информационных систем в системе учета инфекционной заболеваемости

Несмотря на успешную реализацию отдельных платформенных решений, формирование единой организационной модели учета инфекционных заболеваний сталкивается с рядом проблем, требующих системного подхода с позиций общественного здоровья и организации здравоохранения [12].

Первая группа проблем связана с технической несовместимостью информационных систем. В Российской Федерации функционирует множество медицинских информационных систем (МИС) как в государственном, так и в частном секторе, которые используют различные форматы данных, протоколы обмена и классификаторы. Отсутствие единых стандартов обмена данными приводит к необходимости разработки сложных интеграционных решений, что увеличивает затраты на создание единой системы учета и замедляет процесс цифровой трансформации [6].

По данным Министерства здравоохранения Российской Федерации, на территории страны эксплуатируется более 200 различных медицинских информационных систем, многие из которых разработаны на заказ и не имеют встроенных механизмов интеграции с внешними сервисами. Такое разнообразие создает серьезные барьеры для формирования единого информационного пространства учета инфекционных заболеваний [12].

Даже при наличии единых форматов передачи данных (например, XML или JSON), различия в логике заполнения полей, объемах передаваемой информации и периодичности обновления данных создают дополнительные сложности для своевременного получения достоверной информации [12].

Вторая группа проблем связана с разграничением полномочий и ведомственной принадлежностью информационных ресурсов. Данные эпидемиологического надзора формируются в системах Роспотребнадзора, данные о заболеваемости — в информационных системах Министерства здравоохранения в рамках ЕГИСЗ, данные о лабораторных исследованиях — в лабораторных информационных системах различных ведомств. Интеграция этих разнородных источников информации требует не только технических, но и организационных решений, включая согласование регламентов межведомственного взаимодействия, что является сложной управленческой задачей [12].

Ведомственная разобщенность проявляется не только на федеральном, но и на региональном уровне. В субъектах Российской Федерации сложились собственные практики ведения медицинских регистров и информационных систем, которые часто не унифицированы даже в пределах одного федерального округа. Это создает дополнительные сложности при попытке консолидации данных для федеральных аналитических платформ и затрудняет проведение сравнительного анализа эпидемиологической ситуации между регионами [6].

Третья группа проблем связана с обеспечением защиты персональных данных. В соответствии с Федеральным законом № 152-ФЗ «О персональных данных», обработка информации о состоянии здоровья граждан требует соблюдения строгих требований к защите информации. Обезличивание данных, необходимое для эпидемиологического анализа, должно обеспечивать как сохранение возможности проведения эпидемиологических расследований, так и недопустимость повторной идентификации субъектов персональных данных [13].

Особую сложность представляет организация обмена данными между различными информационными системами в условиях действующего законодательства о защите персональных данных. Передача информации о пациентах между медицинскими организациями и органами эпидемиологического надзора требует наличия правовых оснований, а также применения сертифицированных средств криптографической защиты информации. Это существенно увеличивает стоимость внедрения интеграционных решений и замедляет процесс создания единой системы учета инфекционной заболеваемости [13].

2.5. Перспективы совершенствования организации учета инфекционной заболеваемости

Перспективы развития системы учета инфекционных заболеваний определяются как технологическими трендами, так и стратегическими документами государственного планирования в сфере общественного здравоохранения [6].

Важнейшим направлением является использование технологий искусственного интеллекта и машинного обучения для прогнозирования эпидемического процесса. В Роспотребнадзоре уже активно обсуждаются вопросы применения агентного компьютерного моделирования — способа проводить эксперименты в эпидемиологии, создание системы геномного эпидемиологического надзора, разработка и апробация разных видов машинного обучения для моделирования исследований [11].

Искусственный интеллект и машинное обучение играют ключевую роль в прогнозировании и оперативном реагировании на биологические угрозы. Использование методов глубокого анализа данных позволяет выявлять скрытые закономерности распространения инфекционных заболеваний, оценивать эффективность противоэпидемических мероприятий и оптимизировать распределение ресурсов здравоохранения [14].

В частности, нейросетевые модели, обученные на многолетних данных о заболеваемости, демонстрируют высокую точность при прогнозировании сезонных подъемов заболеваемости гриппом и другими острыми респираторными вирусными инфекциями [15].

Вторым перспективным направлением является расширение функциональности существующих платформ на другие нозологии. Опыт, накопленный в ходе пандемии COVID-19, может быть экстраполирован на мониторинг гриппа и других острых респираторных вирусных инфекций, а также на социально значимые инфекции (ВИЧ, туберкулез, вирусные гепатиты). Платформа VGARus уже расширяется для сбора данных о других патогенах, что позволит создать единую систему геномного надзора за широким спектром инфекционных возбудителей [1].

Расширение функциональности предполагает не только включение новых нозологий, но и разработку специализированных модулей анализа для каждой группы инфекций. Для воздушно-капельных инфекций важны инструменты моделирования распространения, для кровяных инфекций (ВИЧ, гепатиты) — инструменты анализа путей передачи и охвата профилактическими мероприятиями, для природно-очаговых инфекций — геоинформационные системы для мониторинга ареалов переносчиков [16].

Третьим направлением является интеграция цифровых платформ учета инфекционных заболеваний с системами здравоохранения и государственными сервисами. Передача информации о результатах лабораторных исследований в личные кабинеты граждан на портале «Госуслуги» не только повышает информированность населения, но и создает дополнительный канал сбора эпидемиологически значимой информации. В перспективе возможно создание единой цифровой среды, объединяющей данные первичного звена здравоохранения, лабораторных исследований, скорой медицинской помощи и стационаров [6].

Интеграция с государственными сервисами позволяет также использовать данные о миграции населения, транспортных потоках и социально-экономических характеристиках территорий для прогнозирования распространения инфекционных заболеваний. Например, анализ данных о пассажиропотоках в аэропортах может быть использован для оценки рисков завоза инфекций из эпидемически неблагополучных регионов [12].

Четвертым направлением является внедрение методов синдромного эпидемиологического надзора на основе цифровых данных. Анализ обращений за медицинской помощью, данных электронных медицинских карт, информации из аптек о продаже противовирусных препаратов и жаропонижающих средств может служить инструментом раннего выявления эпидемических подъемов задолго до получения лабораторного подтверждения диагноза [16].

Синдромный надзор в цифровом формате предполагает разработку алгоритмов, позволяющих автоматически выявлять отклонения от базовых уровней обращаемости с определенными симптомами (лихорадка, кашель, диарея и др.). В ряде стран (США, Великобритания, Канада) такие системы уже функционируют и демонстрируют высокую эффективность для раннего обнаружения вспышек гриппа, энтеровирусных инфекций и других заболеваний [17].

Пятым направлением является внедрение единых стандартов обмена данными (HL7 FHIR, openEHR) и создание федеральной платформы интеграции медицинских информационных систем. В настоящее время в рамках реализации национального проекта «Экономика данных» ведется работа по разработке единых требований к форматам передачи данных медицинских информационных систем, что должно обеспечить их совместимость [5].

Создание единой платформы интеграции позволит консолидировать данные из различных источников в едином хранилище, обеспечив к ним доступ для уполномоченных органов без необходимости разработки сложных индивидуальных решений для каждой пары информационных систем [12].

Важным элементом этой работы является внедрение единого классификатора медицинских услуг и единых справочников, что обеспечит однозначную интерпретацию данных независимо от источника их происхождения. В настоящее время различия в классификаторах, используемых в разных информационных системах, существенно затрудняют интеграцию данных и снижают качество эпидемиологического анализа [6].

2.6. Роль больших данных и интернета вещей в системе учета инфекционной заболеваемости

Развитие системы учета инфекционных заболеваний также связано с использованием технологий интернета вещей (IoT) и обработки больших данных. Подключение носимых устройств (фитнес-трекеры, умные часы) к системам мониторинга здоровья позволяет собирать данные о физиологических показателях населения в реальном времени [18].

Хотя в настоящее время такие технологии в основном применяются в рамках добровольных программ, их потенциал для раннего выявления эпидемических подъемов (например, по изменению частоты сердечных сокращений или температуры тела) остается значительным [18].

Анализ больших данных также включает обработку информации из интернет-источников и социальных сетей. Исследования показывают, что анализ поисковых запросов пользователей, связанных с симптомами заболеваний, может применяться для раннего выявления эпидемических вспышек. В ряде случаев такие методы позволяют обнаружить рост заболеваемости раньше, чем традиционные системы эпидемиологического надзора [19], [20].

Включение этих источников данных в аналитический контур единой цифровой платформы эпидемиологического надзора является перспективным направлением развития [21].

В Российской Федерации в рамках федерального проекта «Санитарный щит — безопасность для здоровья» уже ведутся работы по использованию технологий анализа больших данных для мониторинга эпидемиологической ситуации. Разрабатываются алгоритмы, позволяющие на основе анализа данных о продажах лекарственных препаратов, обращаемости за медицинской помощью и лабораторных исследованиях выявлять ранние признаки осложнения эпидемической ситуации [11].

2.7. Кадровое обеспечение и организационно-правовые аспекты

Внедрение единой системы учета инфекционной заболеваемости требует не только технологических решений, но и соответствующей подготовки специалистов. Недостаток квалифицированных кадров в области медицинской информатики и цифровой эпидемиологии является одним из сдерживающих факторов развития [6].

В настоящее время в систему последипломного образования вводятся программы повышения квалификации для врачей-статистиков, эпидемиологов, направленные на освоение методов работы с большими данными, использования инструментов машинного обучения и геоинформационных систем [1].

Важным направлением является также подготовка специалистов, способных не только использовать готовые аналитические инструменты, но и участвовать в разработке и настройке алгоритмов анализа под конкретные задачи учета инфекционной патологии. Взаимодействие между организаторами здравоохранения, эпидемиологами и специалистами в области информационных технологий должно осуществляться на всех этапах создания и развития цифровой платформы [2].

Формирование единой системы учета инфекционных заболеваний требует не только технологических, но и организационно-правовых решений. В настоящее время в Российской Федерации функционирует несколько разрозненных информационных систем, принадлежащих различным ведомствам: Единая государственная информационная система в сфере здравоохранения (ЕГИСЗ) Министерства здравоохранения, информационные системы Роспотребнадзора, системы обязательного медицинского страхования, а также региональные медицинские информационные системы [12].

Отсутствие единого правового акта, регламентирующего порядок межведомственного обмена данными в целях учета инфекционной заболеваемости, создает дополнительные барьеры для интеграции. Для решения этой проблемы необходимо внесение изменений в федеральное законодательство, закрепляющих обязательность предоставления данных о случаях инфекционных заболеваний и результатах лабораторных исследований в единую цифровую платформу, а также определяющих порядок обезличивания персональных данных для целей эпидемиологического анализа [13].

Важным аспектом является также разграничение ответственности за достоверность и полноту передаваемых данных. В настоящее время ответственность за качество информации, передаваемой в системы эпидемиологического надзора, распределена между медицинскими организациями, лабораториями и органами Роспотребнадзора, что создает предпосылки для дублирования и разночтений. Создание единой платформы предполагает переход к модели «однократного ввода данных», при которой информация о случае заболевания вносится один раз и становится доступной всем заинтересованным сторонам [6].

3. Обсуждение

Внедрение единой системы учета инфекционной заболеваемости требует значительных инвестиций, однако экономическая эффективность таких вложений подтверждается как отечественным, так и зарубежным опытом. По оценкам экспертов, затраты на создание и развитие цифровых систем эпидемиологического мониторинга многократно окупаются за счет снижения потерь от преждевременной смертности и временной нетрудоспособности, а также за счет оптимизации расходов на проведение противоэпидемических мероприятий [6].

В период пандемии COVID-19 использование цифровых платформ VGARus, SOLAR и EpidSmart позволило существенно сократить время от регистрации случая заболевания до принятия управленческих решений. По данным Роспотребнадзора, время передачи информации о подтвержденных случаях COVID-19 из лабораторий в органы эпидемиологического надзора сократилось с нескольких дней до нескольких часов, что сыграло ключевую роль в сдерживании распространения инфекции [3].

Экономический эффект от внедрения единой цифровой платформы также связан с оптимизацией лабораторных исследований и сокращением дублирования. Возможность централизованного хранения результатов лабораторных исследований позволяет исключить повторное тестирование при переводе пациента из одной медицинской организации в другую, что снижает нагрузку на лабораторную службу и уменьшает расходы на диагностику [1].

Создание единой системы учета инфекционной заболеваемости предполагает выбор архитектурных решений, обеспечивающих масштабируемость, отказоустойчивость и безопасность. Наиболее перспективным подходом является использование сервис-ориентированной архитектуры и микросервисного подхода, при котором функциональные модули платформы реализованы в виде независимых взаимодействующих между собой сервисов [6].

Такой подход позволяет постепенно внедрять новые функции без необходимости полной перестройки всей системы, а также обеспечивает возможность подключения различных поставщиков услуг и разработчиков. Важным требованием является также использование открытых стандартов обмена данными (HL7 FHIR, openEHR), что обеспечивает совместимость с международными системами и возможность интеграции с зарубежными базами данных [22].

Хранение данных должно осуществляться в централизованном хранилище с возможностью распределенной обработки. Использование технологий Big Data (распределенные файловые системы, базы данных) позволяет обрабатывать терабайты информации в режиме реального времени. Важным элементом является также создание резервных центров обработки данных для обеспечения непрерывности функционирования платформы в случае чрезвычайных ситуаций [18].

Важным компонентом единой системы учета инфекционных заболеваний являются геоинформационные системы (ГИС), позволяющие визуализировать эпидемиологические данные на карте и выявлять пространственно-временные кластеры заболеваемости. В настоящее время в субъектах Российской Федерации уже используются ГИС-технологии для мониторинга природно-очаговых инфекций (клещевой энцефалит, геморрагическая лихорадка с почечным синдромом), что позволяет своевременно проводить противоклещевую обработку и информировать население о зонах риска [23].

В рамках единой цифровой платформы предполагается создание федеральной ГИС, интегрирующей данные о заболеваемости, факторах риска, численности переносчиков и результатах профилактических мероприятий. Это обеспечит возможность пространственного анализа на различных уровнях (от федерального до муниципального) и позволит принимать управленческие решения с учетом конкретных эпидемиологических условий каждой территории [24].

4. Заключение

Совершенствование организации учета инфекционных заболеваний является важнейшим направлением развития системы общественного здравоохранения в Российской Федерации. Пандемия COVID-19 ускорила процессы цифровизации и привела к созданию и внедрению ряда эффективных платформенных решений (VGARus, SOLAR, EpidSmart), которые продемонстрировали свой потенциал в области сбора, агрегации и анализа данных, а также в организации молекулярно-генетического мониторинга возбудителей.

Вместе с тем, формирование единой организационной модели учета инфекционных заболеваний сдерживается проблемами технической совместимости информационных систем, ведомственной разобщенностью информационных ресурсов и необходимостью обеспечения защиты персональных данных. Решение этих проблем требует не только технологических, но и организационно-управленческих решений, включая гармонизацию нормативно-правовой базы и разработку единых стандартов межведомственного взаимодействия.

Перспективы развития системы учета инфекционной заболеваемости в контексте общественного здравоохранения связаны с широким внедрением технологий искусственного интеллекта для прогнозирования эпидемического процесса, расширением функциональности существующих платформ на другие нозологии, интеграцией с региональными системами здравоохранения и государственными сервисами, а также использованием методов синдромного мониторинга на основе цифровых данных. Реализация этих направлений позволит создать эффективную систему информационного обеспечения управления в сфере здравоохранения, обеспечивающую своевременное выявление угроз, рациональное планирование ресурсов и принятие обоснованных управленческих решений.

The additional file for this article can be found as follows: