Саркопения: современные подходы к решению диагностических задач

Обложка

Цитировать

Полный текст

Аннотация

Саркопения является относительно новым диагнозом для медицинской статистики и системы здравоохранения, и тем не менее представляет социальное и экономическое бремя для системы здравоохранения из-за большого количества возможных неблагоприятных исходов, таких как повышение риска падений, физическая инвалидизация, увеличение времени пребывания в стационаре и увеличение смертности.

Несмотря на то, что узкоспециализированного медикаментозного лечения для саркопении не существует, профилактика и своевременное немедикаментозное лечение помогут снизить риск потенциальных неблагоприятных последствий.

Для установки диагноза саркопении необходимо подтверждение снижения не только мышечной силы, но и мышечной массы. Инструментальная диагностика включает в себя такие методы, как двухэнергетическая рентгеновская абсорбциометрия и биоимпедансометрия. Дополнением к этим методам могут быть алгоритмы искусственного интеллекта для автоматической сегментации мышечной и жировой ткани на компьютерно-томографических и магнитно-резонансных изображениях с последующим расчётом скелетно-мышечного индекса на уровне L3 позвонка. Такое программное обеспечение при его использовании в структурах, подобных Единому радиологическому информационному сервису Единой медицинской информационно-аналитической системы г. Москвы, открывает возможности для оппортунистического скрининга. Тем не менее общепризнанных количественных значений L3 скелетно-мышечного индекса для компьютерно-томографической и магнитно-резонансной диагностики саркопении пока не существует, несмотря на признание данных методик золотым стандартом Европейской рабочей группой по саркопении у пожилых людей. В дополнение к этому существует проблема унификации термина «скелетно-мышечный индекс».

При решении указанных проблем с помощью дальнейших популяционных исследований станет возможным получение новой методики инструментальной диагностики саркопении с последующим её применением для скрининга данного патологического состояния.

Об авторах

Анастасия Кирилловна Сморчкова

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: a.smorchkova@npcmr.ru
ORCID iD: 0000-0002-9766-3390
SPIN-код: 4345-8568
Scopus Author ID: 57213145638
Россия, Москва

Алексей Владимирович Петряйкин

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: alexeypetraikin@gmail.com
ORCID iD: 0000-0003-1694-4682
SPIN-код: 6193-1656

д.м.н.

Россия, Москва

Дмитрий Сергеевич Семенов

Научно-практический клинический центр диагностики и телемедицинских технологий

Email: d.semenov@npcmr.ru
ORCID iD: 0000-0002-4293-2514
SPIN-код: 2278-7290
Scopus Author ID: 57213154475
ResearcherId: P-5228-2017
Россия, Москва

Дарья Евгеньевна Шарова

Научно-практический клинический центр диагностики и телемедицинских технологий

Автор, ответственный за переписку.
Email: d.sharova@npcmr.ru
ORCID iD: 0000-0001-5792-3912
SPIN-код: 1811-7595
Россия, Москва

Список литературы

  1. Cruz-Jentoft A.J., Bahat G., Bauer J., et al. Sarcopenia: revised European consensus on definition and diagnosis // Age and Ageing. 2018. Vol. 48, N 1. P. 16–31. doi: 10.1093/ageing/afy169
  2. Ткачева О.Н., Котовская Ю.В., Рунихина Н.К., и др. Клинические рекомендации «Старческая астения» // Российский журнал гериатрической медицины. 2020. № 1. С. 11–46. doi: 10.37586/2686-8636-1-2020-11-46
  3. Bischoff-Ferrari H.A., Orav J.E., Kanis J.A., et al. Comparative performance of current definitions of sarcopenia against the prospective incidence of falls among community-dwelling seniors age 65 and older // Osteoporosis Int. 2015. Vol. 26, N 12. P. 2793–2802. doi: 10.1007/s00198-015-3194-y
  4. da Silva Alexandre T., de Oliveira Duarte Y.A., Ferreira Santos J.L., et al. Sarcopenia according to the European Working Group on sarcopenia in older people (EWGSOP) versus dynapenia as a risk factor for disability in the elderly // J Nutr Health Aging. 2014. Vol. 18, N 5. P. 547–553. doi: 10.1007/s12603-014-0465-9
  5. Sousa A.S., Guerra R.S., Fonseca I., et al. Sarcopenia and length of hospital stay // Eur J Clin Nutr. 2015. Vol. 70, N 5. P. 595–601. doi: 10.1038/ejcn.2015.207
  6. Faulkner J.A., Larkin L.M., Claflin D.R., Brooks S.V. Age-related changes in the structure and function of skeletal muscles // Clin Exp Pharmacol Physiol. 2007. Vol. 34, N 11. P. 1091–1096. doi: 10.1111/j.1440-1681.2007.04752.x
  7. Shafiee G., Keshtkar A., Soltani A., et al. Prevalence of sarcopenia in the world: a systematic review and meta-analysis of general population studies // J Diabetes Metab Disord. 2017. Vol. 16. P. 21. doi: 10.1186/s40200-017-0302-x
  8. Petermann-Rocha F., Balntzi V., Gray S.R., et al. Global prevalence of sarcopenia and severe sarcopenia: a systematic review and meta-analysis // J Cachexia Sarcopenia Muscle. 2021. Vol. 13, N 1. P. 86–99. doi: 10.1002/jcsm.12783
  9. Сафонова Ю.A., Зоткин Е.Г. Саркопения у пациенток старшего возраста с остеоартритом крупных суставов // Научно-практическая ревматология. 2019. Т. 57, № 2. С. 154–159. doi: 10.14412/1995-4484-2019-154-159
  10. Tsekoura M., Kastrinis A., Katsoulaki M., et al. Sarcopenia and its impact on quality of life // Adv Exp Med Biol. 2017. Vol. 987. P. 213–218. doi: 10.1007/978-3-319-57379-3_19
  11. Sepúlveda-Loyola W., Osadnik C., Phu S., et al. Diagnosis, prevalence, and clinical impact of SARCOPENIA IN COPD: a systematic review and meta-analysis // J Cachexia Sarcopenia Muscle. 2020. Vol. 11, N 5. P. 1164–1176. doi: 10.1002/jcsm.12600
  12. Nipp R.D., Fuchs G., El-Jawahri A., et al. Sarcopenia is associated with quality of life and depression in patients with advanced cancer // Oncologist. 2017. Vol. 23, N 1. P. 97–104. doi: 10.1634/theoncologist.2017-0255
  13. Beaudart C., Biver E., Reginster J.Y., et al. Development of a self-administrated quality of life questionnaire for sarcopenia in elderly subjects: the SarQol // Age Ageing. 2015. Vol. 44, N 6. P. 960–966. doi: 10.1093/ageing/afv133
  14. Geerinck A., Bruyère O., Locquet M., et al. Evaluation of the responsiveness of the SARQOL® questionnaire, a patient-reported outcome measure specific to sarcopenia // Adv Ther. 2018. Vol. 35, N 11. P. 1842–1858. doi: 10.1007/s12325-018-0820-z
  15. Geerinck A., Locquet M., Bruyère O., et al. Evaluating quality of life in frailty: applicability and clinimetric properties of the SARQOL questionnaire // J Cachexia Sarcopenia Muscle. 2021. Vol. 12, N 2. P. 319–330. doi: 10.1002/jcsm.12687
  16. Witham M.D., Heslop P., Dodds R.M., et al. Performance of the SARQOL quality of life tool in a UK population of older people with probable sarcopenia and implications for use in clinical trials: findings from the SARCNET registry // BMC Geriatrics. 2022. Vol. 22, N 1. P. 368. doi: 10.1186/s12877-022-03077-5
  17. Сафонова Ю.A., Лесняк О.М., Баранова И.А., и др. Русский перевод и валидация SarQoL ― опросника качества жизни для пациентов с саркопенией // Научно-практическая ревматология. 2019. Т. 57, № 1. С. 38–45.
  18. Gani F., Buettner S., Margonis G.A., et al. Sarcopenia predicts costs among patients undergoing major abdominal operations // Surgery. 2016. Vol. 160, N 5. P. 1162–1171. doi: 10.1016/j.surg.2016.05.002
  19. Bruyère O., Beaudart C., Ethgen O., et al. The health economics burden of sarcopenia: a systematic review // Maturitas. 2019. Vol. 119. P. 61–69. doi: 10.1016/j.maturitas.2018.11.003
  20. Peterson M.D., Rhea M.R., Sen A., Gordon P.M. Resistance exercise for muscular strength in older adults: a meta-analysis // Ageing Res Rev. 2010. Vol. 9, N 3. P. 226–237. doi: 10.1016/j.arr.2010.03.004
  21. McKendry J., Currier B.S., Lim C., et al. Nutritional supplements to support resistance exercise in countering the sarcopenia of aging // Nutrients. 2020. Vol. 12, N 7. P. 2057. doi: 10.3390/nu12072057
  22. Robinson S.M., Reginster J.Y., Rizzoli R., et al. Does nutrition play a role in the prevention and management of sarcopenia? // Clin Nutr. 2018. Vol. 37, N 4. P. 1121–1132. doi: 10.1016/j.clnu.2017.08.016
  23. Lozano-Montoya I., Correa-Pérez A., Abraha I., et al. Nonpharmacological interventions to treat physical frailty and sarcopenia in older patients: a systematic overview ― the senator Project Ontop series // Clin Interv Aging. 2017. Vol. 12. P. 721–740. doi: 10.2147/CIA.S132496
  24. Lappe J.M., Binkley N. Vitamin D and Sarcopenia/Falls // J Clin Densitometry. 2015. Vol. 18, N 4. P. 478–482.
  25. Rooks D., Roubenoff R. Development of pharmacotherapies for the treatment of sarcopenia // J Frailty Aging. 2019. P. 1–11. doi: 10.14283/jfa.2019.11
  26. Morley J.E., Abbatecola A.M., Argiles J.M., et al. Sarcopenia with limited mobility: an international consensus // J Am Med Dir Assoc. 2011. Vol. 12, N 6. P. 403–409. doi: 10.1016/j.jamda.2011.04.014
  27. Malmstrom T.K., Miller D.K., Simonsick E.M., et al. SARC-F: a symptom score to predict persons with sarcopenia at risk for poor functional outcomes // J Cachexia Sarcopenia Muscle. 2015. Vol. 7, N 1. P. 28–36. doi: 10.1002/jcsm.12048
  28. Bahat G., Yilmaz O., Kiliç C., et al. Performance of SARC-F in regard to sarcopenia definitions, muscle mass and functional measures // J Nutr Health Aging. 2018. Vol. 22, N 8. P. 898–903. doi: 10.1007/s12603-018-1067-8
  29. Porto J.M., Nakaishi A.P., Cangussu-Oliveira L.M., et al. Relationship between grip strength and global muscle strength in community-dwelling older people // Arch Gerontol Geriatr. 2019. Vol. 82. P. 273–278. doi: 10.1016/j.archger.2019.03.005
  30. Maggio M., Ceda G.P., Ticinesi A., et al. Instrumental and non-instrumental evaluation of 4-meter walking speed in older individuals // PLoS One. 2016. Vol. 11, N 4. P. e0153583. doi: 10.1371/journal.pone.0153583
  31. Podsiadlo D., Richardson S. The timed “Up & go”: a test of basic functional mobility for frail elderly persons // J Am Geriatr Soc. 1991. Vol. 39, N 2. P. 142–148. doi: 10.1111/j.1532-5415.1991.tb01616.x
  32. Beaudart C., McCloskey E., Bruyère O., et al. Sarcopenia in daily practice: assessment and management // BMC Geriatrics. 2016. Vol. 16, N 1. P. 170. doi: 10.1186/s12877-016-0349-4
  33. Stringer H.J., Wilson D. The role of ultrasound as a diagnostic tool for sarcopenia // J Frailty Aging. 2018. Vol. 7, N 4. P. 258−261. doi: 10.14283/jfa.2018.24
  34. Петряйкин А.В., Смолярчук М.Я., Петряйкин Ф.А., и др. Оценка точности денситометрических исследований. Применение фантома РСК ФК2 // Травматология и ортопедия России. 2019. Т. 25, № 3. С. 124–134. doi: 10.21823/2311-2905-2019-25-3-124-134
  35. Shen W., Punyanitya M., Wang Z., et al. Total body skeletal muscle and adipose tissue volumes: estimation from a single abdominal cross-sectional image // J Appl Physiol (1985). 2004. Vol. 97, N 6. P. 2333–2338. doi: 10.1152/japplphysiol.00744.2004
  36. Mourtzakis M., Prado C.M., Lieffers J.R., et al. A practical and precise approach to quantification of body composition in cancer patients using computed tomography images acquired during routine care // Appl Physiol Nutr Metab. 2008. Vol. 33, N 5. P. 997–1006. doi: 10.1139/H08-075
  37. Kim E.Y., Kim Y.S., Park I., et al. Prognostic significance of CT-determined sarcopenia in patients with small-cell lung cancer // J Thorac Oncol. 2015. Vol. 10, N 12. P. 1795–1799. doi: 10.1097/JTO.0000000000000690
  38. Baracos V., Kazemi-Bajestani S.M. Clinical outcomes related to muscle mass in humans with cancer and catabolic illnesses // Int J Biochem Cell Biol. 2013. Vol. 45, N 10. P. 2302–2308. doi: 10.1016/j.biocel.2013.06.016
  39. Franceschi C., Garagnani P., Morsiani C., et al. The continuum of aging and age-related diseases: common mechanisms but different rates // Front Med (Lausanne). 2018. Vol. 5. P. 61. doi: 10.3389/fmed.2018.00061
  40. Ferrucci L., Fabbri E. Inflammageing: chronic inflammation in ageing, cardiovascular disease, and frailty // Nature Rev Cardiol. 2018. Vol. 15, N 9. P. 505–522. doi: 10.1038/s41569-018-0064-2
  41. Zamboni M., Rubele S., Rossi A.P. Sarcopenia and obesity // Curr Opin Clin Nutr Metab Care. 2019. Vol. 22, N 1. P. 13–19. doi: 10.1097/MCO.0000000000000519
  42. Batsis J.A., Villareal D.T. Sarcopenic obesity in older adults: etiology, epidemiology and treatment strategies // Nat Rev Endocrinol. 2018. Vol. 14, N 9. P. 513–537. doi: 10.1038/s41574-018-0062-9
  43. Tomlinson D.J., Erskine R.M., Winwood K., et al. Obesity decreases both whole muscle and fascicle strength in young females but only exacerbates the aging-related whole muscle level asthenia // Physiol Rep. 2014. Vol. 2, N 6. P. e12030. doi: 10.14814/phy2.12030
  44. Kim K.M., Jang H.C., Lim S. Differences among skeletal muscle mass indices derived from height-, weight-, and body mass index-adjusted models in assessing sarcopenia // Korean J Intern Med. 2016. Vol. 31, N 4. P. 643–650. doi: 10.3904/kjim.2016.015
  45. Newman A.B., Kupelian V., Visser M., et al. Sarcopenia: alternative definitions and associations with lower extremity function // J Am Geriatr Soc. 2003. Vol. 51, N 11. P. 1602–1609. doi: 10.1046/j.1532-5415.2003.51534.x
  46. Ha J., Park T., Kim H.K., et al. Development of a fully automatic deep learning system for L3 selection and body composition assessment on computed tomography // Sci Rep. 2021. Vol. 11, N 1. P. 21656. doi: 10.1038/s41598-021-00161-5
  47. Prado C.M., Lieffers J.R., McCargar L.J., et al. Prevalence and clinical implications of SARCOPENIC obesity in patients with solid tumours of the respiratory and gastrointestinal tracts: a population-based study // Lancet Oncol. 2008. Vol. 9, N 7. P. 629–635. doi: 10.1016/S1470-2045(08)70153-0
  48. Martin L., Birdsell L., Macdonald N., et al. Cancer cachexia in the age of obesity: skeletal muscle depletion is a powerful prognostic factor, independent of body mass index // J Clin Oncol. 2013. Vol. 31, N 12. P. 1539–1547. doi: 10.1200/JCO.2012.45.2722
  49. Popuri K., Cobzas D., Esfandiari N., et al. Body composition assessment in axial CT images using FEM-based automatic segmentation of skeletal muscle // IEEE Trans Med Imaging. 2016. Vol. 35, N 2. P. 512–520. doi: 10.1109/TMI.2015.2479252
  50. Park J., Gil J.R., Shin Y., et al. Reliable and robust method for abdominal muscle mass quantification using CT/MRI: An explorative study in healthy subjects // PLoS One. 2019. Vol. 14, N 9. P. e0222042. doi: 10.1371/journal.pone.0222042
  51. Fedorov A., Beichel R., Kalpathy-Cramer J., et al. 3D Slicer as an image computing platform for the quantitative imaging network // Magn Reson Imaging. 2012. Vol. 30, N 9. P. 1323–1341. doi: 10.1016/j.mri.2012.05.001
  52. Burns J.E., Yao J., Chalhoub D., et al. A machine learning algorithm to estimate sarcopenia on abdominal CT // Acad Radiol. 2020. Vol. 27, N 3. P. 311–320. doi: 10.1016/j.acra.2019.03.011
  53. Blanc-Durand P., Schiratti J.B., Schutte K., et al. Abdominal musculature segmentation and surface prediction from CT using deep learning for sarcopenia assessment // Diagn Interv Imaging. 2020. Vol. 101, N 12. P. 789–794. doi: 10.1016/j.diii.2020.04.011
  54. Graffy P.M., Liu J., Pickhardt P.J., et al. Deep learning-based muscle segmentation and quantification at abdominal CT: Application to a longitudinal adult screening cohort for sarcopenia assessment // Br J Radiol. 2019. Vol. 92, N 1100. P. 20190327. doi: 10.1259/bjr.20190327
  55. Ackermans L.L., Volmer L., Wee L., et al. Deep learning automated segmentation for muscle and adipose tissue from abdominal computed tomography in polytrauma patients // Sensors (Basel). 2021. Vol. 21, N 6. P. 2083. doi: 10.3390/s21062083
  56. Ronneberger O., Fischer P., Brox T. U-Net: convolutional networks for biomedical image segmentation // Lecture Notes Computer Sci. 2015. P. 234–241. doi: 10.1007/978-3-319-24574-4_28
  57. Shelhamer E., Long J., Darrell T. Fully convolutional networks for semantic segmentation // IEEE Trans Pattern Anal Mach Intell. 2017. Vol. 39, N 4. P. 640–651. doi: 10.1109/TPAMI.2016.2572683
  58. Islam S., Kanavati F., Arain Z., et al. Fully-automated deep learning slice-based muscle estimation from CT images for sarcopenia assessment // Clin Radiol. 2022. Vol. 77, N 5. P. e363−e371. doi: 10.1016/j.crad.2022.01.036
  59. Kim D.W., Kim K.W., Ko Y., et al. Assessment of myosteatosis on computed tomography by automatic generation of a muscle quality map using a web-based toolkit: feasibility study // JMIR Med Inform. 2020. Vol. 8, N 10. P. e23049. doi: 10.2196/23049
  60. Dong X., Dan X., Yawen A., et al. Identifying sarcopenia in advanced non-small cell lung cancer patients using skeletal muscle CT radiomics and machine learning // Thorac Cancer. 2020. Vol. 11, N 9. P. 2650–2659. doi: 10.1111/1759-7714.13598
  61. Graffy P.M., Liu J., Pickhardt P.J., et al. Deep learning-based muscle segmentation and quantification at abdominal CT: Application to a longitudinal adult screening cohort for sarcopenia assessment // Br J Radiol. 2019. Vol. 92, N 1100. P. 20190327. doi: 10.1259/bjr.20190327
  62. Петряйкин А.В., Артюкова З.Р., Низовцова Л.А., и др. Анализ эффективности внедрения системы скрининга остеопороза // Менеджер здравоохранения. 2021. № 2. P. 31–39. doi: 10.21045/1811-0185-2021-2-31-39
  63. Морозов С.П., Владзимирский А.В., Ледихова Н.В., и др. Московский эксперимент по применению компьютерного зрения в лучевой диагностике: вовлеченность врачей-рентгенологов // Врач и информационные технологии. 2020. № 4. С. 14–23. doi: 10.37690/1811-0193-2020-4-14-23
  64. Сенюкова О.В., Пятковский С.А., Петряйкин А.В., и др. Автоматическая сегментация мышечной и жировой ткани на КТ-изображениях для оценки состава тела человека и диагностики саркопении // Конференция «Информационные технологии для персонализированной медицины» с блоком летней школы для молодых ученых, 4 ноября 2021 г.: сборник тезисов. Москва, 2021. С. 41. doi: 10.14341/cbaipm-2021-41

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. *Рис. 1. Пример диагностических изображений, полученных с помощью двухэнергетической рентгеновской абсорбциометрии (по D.J. Tomlinson и соавт. [43]) при различных значениях индекса массы тела (BMI) у молодых (a−d) и пожилых (e−h) женщин. Синим цветом выделена костная ткань, красным ― безжировая мышечная ткань, жёлтым ― жировая ткань.

Скачать (366KB)
Метаданные
3. Рис. 2. Пример измерения площади (в см2) мышечной ткани, подкожной жировой и висцеральной жировой ткани, попавших в срез на уровне L3, алгоритмом искусственного интеллекта L3SEG-net из работы J. Ha и соавт. [46]. Слева направо красным цветом выделена подкожная жировая ткань, фиолетовым ― скелетная мышечная масса, зелёным ― висцеральная жировая ткань.

Скачать (168KB)
Метаданные
4. Рис. 3. Карты качества мышечной ткани, полученные с использованием автоматизированного веб-инструмента (по D.W. Kim и соавт. [59]). IMAT: зона между-/внутримышечной жировой ткани; LAMA: зона мышечной ткани низкой плотности; NAMA: зона мышечной ткани нормальной плотности; SMA: зона скелетной мышечной ткани; TAMA: общая зона абдоминальной мышечной ткани.

Скачать (476KB)
Метаданные

© Эко-вектор, 2022

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».