საჯარო მონაცემები ჯანმრთელობისთვის

აპრილში დავიწყეთ⁠ „AI ალცჰაიმერის წინააღმდეგ“ — OpenAI Foundation-ის პირველი პროგრამა სიცოცხლის შემსწავლელი მეცნიერებებისა და დაავადებათა განკურნების მიმართულებით. დღეს ჩვენს მეორე სამეცნიერო პროგრამას წარმოგიდგენთ: „საჯარო მონაცემები ჯანმრთელობისთვის“.

„AI ალცჰაიმერის წინააღმდეგ“ ფოკუსირებულია დაავადებაზე, რომელიც ბევრ ოჯახს ეხება და რომლის უკეთესი მკურნალობის მეთოდების შემუშავებაშიც, ჩვენი აზრით, AI-ს შეუძლია მეცნიერებს დაეხმაროს. „საჯარო მონაცემები ჯანმრთელობისთვის“ მიზნად ისახავს სიცოცხლის შემსწავლელ მეცნიერებებში მრავალი დაავადების მიმართულებით პროგრესის ხელშეწყობას — მკვლევრებისთვის ფართოდ ხელმისაწვდომი, მაღალი ხარისხის სამეცნიერო მონაცემთა ნაკრებების შექმნისა და შენარჩუნების დაფინანსებით.

სამეცნიერო მონაცემები ჩვენ გარშემო არსებულ სამყაროზე დაკვირვებებს წარმოადგენს და კვლევისა და აღმოჩენების საფუძველია. ისეთ სფეროებში, სადაც გარღვევების გადამოწმება ახალი მონაცემების შეგროვების გარეშეც შეიძლება, მაგალითად, მათემატიკის ზოგიერთ ნაწილში, AI სისტემებმა ბოლო დროს დაიწყეს⁠ ახალი⁠ ცოდნის შექმნაში⁠ წვლილის შეტანა. ამავდროულად, ბიოლოგიაში AI სისტემები სულ უფრო უკეთ ახერხებენ ბიოლოგიური ინფორმაციის ფართო მასშტაბით გაანალიზებასა და არასრული მტკიცებულებებიდანაც კი ფარული სტრუქტურის აღდგენას — ზოგჯერ გასაოცარი ეფექტიანობით.

თუმცა, მოველით, რომ დაავადებათა პრევენციასა და მკურნალობაში დარჩენილი მრავალი გარღვევა ახალი მოდელების ინტელექტის სამყაროზე მეტ დაკვირვებასთან — სხვა სიტყვებით, მეტ მონაცემთან — შერწყმით იქნება მიღწეული.

უზარმაზარი საზოგადოებრივი ღირებულების მქონე ზოგიერთი მონაცემთა ნაკრები შეიძლება არასდროს შეიქმნას ან გაზიარდეს, რადგან არცერთ ცალკეულ დაწესებულებას არ აქვს მათი დასაფინანსებლად საკმარისი მოტივაცია ან შესაძლებლობა. ამიტომ ჯანმრთელობისთვის საჯარო მონაცემების მხარდაჭერა OpenAI Foundation-ის საქმიანობას შესანიშნავად შეესაბამება.

ჩვენი პირველი გრანტები

ვიწყებთ არაკომერციული ორგანიზაციებისა და უნივერსიტეტების პირველი ჯგუფისთვის 125 მილიონ დოლარზე მეტი ოდენობის გრანტების მხარდაჭერით. პროექტები მონაცემთა მრავალ დონეს მოიცავს — მოლეკულებიდან ეპიდემიოლოგიამდე და მარეგულირებელ ცოდნამდე.

გთავაზობთ ჩვენ მიერ მხარდაჭერილი პროექტების რამდენიმე მაგალითს:

1. OpenADMET⁠ შექმნის ღია მონაცემთა ნაკრებებს, შეფასების სტანდარტებსა და ბრმა კონკურსებს იმის შესამოწმებლად, შესაძლებელია თუ არა AI მოდელების გაწვრთნა ორგანიზმში მცირე მოლეკულების შეწოვისა და განაწილების პროგნოზირებისთვის. ეს წამლების შემუშავებას უფრო პროგნოზირებადს გახდის და ახალი პრეპარატების წარუმატებლობის მაჩვენებელს შეამცირებს.

   წამლის კანდიდატების 90% კლინიკურ კვლევებს ვერ გადის⁠. ამის მიზეზი ხშირად იმის პროგნოზირების სირთულეა, თუ როგორ შეიწოვება და გადაადგილდება პრეპარატი ორგანიზმში — ანუ როგორია მისი „ADMET თვისებები“⁠. მსგავსი გადაუჭრელი პროგნოზირების ამოცანები AI-სთვის განსაკუთრებით შესაფერისია, თუ მას მაღალი ხარისხის მონაცემები ახლავს, რომელთა საფუძველზეც სხვადასხვა მოდელის პროგნოზების სიზუსტე შემოწმდება. მაგალითად, AlphaFold2-მა ცილის სტრუქტურის პროგნოზირება გარდაქმნა Protein Data Bank-ის⁠ მონაცემების გამოყენებით, CASP-ის⁠ მიერ გამართულ კონკურსში, სადაც პროგნოზირების სხვა მიდგომებს ეჯიბრებოდა. ცილის სტრუქტურის პროგნოზირება უკვე ინტეგრირებულია წამლების აღმოჩენის მრავალ პროგრამაში, რომლებიც, სავარაუდოდ, მომავალში პაციენტებს სარგებელს მოუტანს.

   წამლის კანდიდატების ADMET თვისებების უკეთ პროგნოზირებისთვის OpenADMET-ის გუნდი შექმნის მაღალი ხარისხის მონაცემთა ნაკრებებს ახალი პროგნოზირების მოდელებისთვის და ჩაატარებს ღია კონკურსებს, რომლებშიც მონაწილეობას მთელი მსოფლიოს მკვლევრები შეძლებენ.

   

   „წამლების აღმოჩენის სფეროში მრავლადაა საერთო პრობლემები, რომელთა მარტო გადაჭრაც კონკრეტული დაავადების განკურნებით დაინტერესებულ არცერთ კომპანიას ან აკადემიურ ლაბორატორიას არ შეუძლია“, — თქვა ჯეიმს ფრეიზერმა, PhD-მ, OpenADMET-ის მმართველი საბჭოს წევრმა და UCSF-ის ბიოინჟინერიისა და თერაპიული მეცნიერებების პროფესორმა და კათედრის ხელმძღვანელმა. „OpenADMET შეიქმნა ამ პრობლემების ღია და მანქანური სწავლებისთვის მზა ფორმით გადასაჭრელად. მოხარულები ვართ, რომ შეგვიძლია შევქმნათ ფუნდამენტური ფენა, რომელიც AI-ს ახალი მკურნალობის მეთოდების შემუშავების მნიშვნელოვნად დაჩქარების საშუალებას მისცემს.“

2. CTD Commons⁠ შეინარჩუნებს და გამოაქვეყნებს წარუმატებელი წამლის შემუშავების პროგრამებიდან მიღებულ მარეგულირებელ ცოდნას, რათა მომავალმა გუნდებმა ჩვეულებრივ დახურულად შენახული გამოცდილებიდან ისწავლონ და პაციენტებისთვის ეფექტიანი მკურნალობა უფრო სწრაფად აღმოაჩინონ.

   CTD, ანუ საერთო ტექნიკური დოკუმენტი, აერთიანებს საკვლევი პრეპარატის სრულ ისტორიას — ცხოველებზე ტოქსიკოლოგიური კვლევებიდან და წარმოების დეტალებიდან დაწყებული, FDA-სთან მიმოწერით დამთავრებული, რომელიც შესაძლოა ყველაზე სასარგებლო ნაწილიც იყოს. თუმცა, ამ სამუშაოს მხოლოდ მცირე ნაწილი ხვდება გამოქვეყნებულ სამეცნიერო ნაშრომებში.

   CTD Commons შეამოწმებს წარუმატებელი ან შეჩერებული წამლის პროგრამებიდან CTD-ების მოპოვების შესაძლებლობას და მათ კვლევისა და ანალიზისთვის ყველასთვის ღიად ხელმისაწვდომს გახდის.

   „FDA-ში შეტანილი თითოეული განაცხადის უკან მკვლევრების, შემფასებლებისა და კვლევის მონაწილეების დიდი შრომა და მსხვერპლი დგას. მაშინაც კი, როცა ეს ძალისხმევა წარუმატებელია, მის შედეგად მიღებული ღირებული ინფორმაცია არ უნდა დაიკარგოს“, — ამბობს ჯოშ მორისონი, CTD Commons-ის წამყვანი ორგანიზატორი და 1Day Sooner-ის პრეზიდენტი. „CTD Commons შეამცირებს სამუშაოს დუბლირებასა და ხარჯებს და მაქსიმალურად გაზრდის კლინიკური კვლევების გავლენას.“

3. UNC⁠ დააფუძნებს გენერაციული იმუნოთერაპიის ინიციატივას და შექმნის საჯარო, მულტიმოდალურ მონაცემებს, რათა მომავალში კიბოს დიაგნოზის დასმისთანავე პაციენტებმა სწრაფად მიიღონ პერსონალიზებული კიბოს საწინააღმდეგო ვაქცინები.

   დღევანდელი „ნეოანტიგენური“ კიბოს ვაქცინები იმ მცირერიცხოვან პრეპარატებს მიეკუთვნება, რომლებიც თითოეული პაციენტისთვის გამოთვლითი მეთოდებით იქმნება: სიმსივნური უჯრედის სეკვენირებით პროგნოზირებენ, რომელი სიმსივნისთვის სპეციფიკური სამიზნეებია წარმოდგენილი მის ზედაპირზე. თუმცა, სეკვენირება თავადაც რეალობის მიახლოებითი მაჩვენებელია, რადგან უჯრედის ზედაპირზე არსებული სამიზნეების პირდაპირ გაზომვა რთული და ძვირია; ასევე რთულია იმის შემოწმება, თუ რამდენად ძლიერ რეაგირებს პაციენტის იმუნური სისტემა თითოეულ ამ ცილაზე.

   UNC ასობით სიმსივნესა და კიბოს მრავალ ტიპში შეავსებს ამ დანაკლისს და შექმნის ამ სფეროში ერთ-ერთ პირველ საწვრთნელ და შეფასების მონაცემთა ნაკრებს. დეიდენტიფიცირებული საჯარო მონაცემების გამოყენებასა და განვითარებას მთელი მსოფლიოს მკვლევრები შეძლებენ.

   „პერსონალიზებული კიბოს ვაქცინები საბოლოოდ იწყებს კლინიკური ეფექტიანობის ნიშნების გამოვლენას, თუმცა კვლავ რჩება ხარვეზები, რომელთა შევსებას მკურნალობის შემუშავების ტრადიციული მოდელით შეიძლება ათწლეულები დასჭირდეს. მაღალი ხარისხის მონაცემები ამ ხარვეზების უფრო სწრაფად აღმოფხვრაში დაგვეხმარება“, — თქვა ალექს რუბინსტეინმა, PhD-მ, UNC-ის მედიცინის სკოლის გენეტიკის ასისტენტ-პროფესორმა. „მოხარულები ვართ, რომ შეგვიძლია ეს ვადები შევამციროთ და ზოგადად ეფექტიანი პერსონალიზებული იმუნოთერაპიების რეალობად ქცევას შევუწყოთ ხელი.“

   

ჩვენი საწყისი სტრატეგია

მოველით, რომ ეს ნაწილი განსაკუთრებით საინტერესო იქნება მკვლევრებისთვის, რომლებიც OpenAI Foundation-ის სამომავლო საგრანტო შესაძლებლობებით არიან დაინტერესებული.

შესაგროვებელი ღირებული სამეცნიერო მონაცემების მოცულობა ბევრად აღემატება იმას, რისი მხარდაჭერაც რომელიმე ერთ დამფინანსებელს შეუძლია. ამიტომ გვსურს, კვლევით საზოგადოებას უფრო ვრცლად გავაცნოთ მონაცემთა ის ტიპები, რომელთა შემთხვევაშიც OpenAI Foundation-ის მხარდაჭერა, ჩვენი აზრით, ყველაზე სასარგებლო იქნება.

თავდაპირველად ყურადღებას ვამახვილებთ შემდეგ მონაცემებზე: დაკავშირებულ მონაცემებზე, იშვიათ მონაცემებსა და პირდაპირ მონაცემებზე. ჩვენ მიერ დაფინანსებულ მონაცემთა ნაკრებებს, ჩვეულებრივ, ექნება ქვემოთ უფრო დეტალურად აღწერილი ერთი ან ორი ასეთი თვისება, იშვიათ შემთხვევებში კი — სამივე.

ყველა მონაცემთა ნაკრების შემთხვევაში, ჩვენი აზრით, სულ უფრო მნიშვნელოვანი გახდება მონაცემების ფართოდ ხელმისაწვდომობა, ხოლო პაციენტთა მონაცემებთან მუშაობისას — კონფიდენციალურობის უზრუნველყოფაც. ეს მკვლევრებს ერთმანეთის ნაშრომებზე მუშაობის გაგრძელების საშუალებას მისცემს, სამეცნიერო პროგრესი კი მოულოდნელი წყაროებიდანაც წარმოიშობა.

1. დაკავშირებული მონაცემები: ბიოლოგიური პროცესების მრავალ ეტაპზე დაკვირვება

   ბიოლოგიური პროცესები სხვადასხვა მასშტაბზე ვითარდება, მაგრამ სიცოცხლის შემსწავლელი მეცნიერებების მონაცემთა ნაკრებების უმეტესობა რეალობის მხოლოდ ერთ ნაწილს ასახავს. უჯრედთა ატლასი შეიძლება ათასობით უჯრედში მოლეკულებს ზომავდეს, ხოლო ცალკეული მოლეკულების ვიზუალიზაცია მხოლოდ ერთ უჯრედს აკვირდებოდეს. ორივე ხედვა ღირებულია, თუმცა ასეთი მონაცემთა ნაკრებები, ჩვეულებრივ, დამოუკიდებლად იქმნება, ამიტომ სამეცნიერო შედეგებს შორის კავშირის დადგენას შეიძლება მრავალწლიანი დამატებითი მუშაობა დასჭირდეს. გვსურს, ცალკეულ კვლევით გუნდებს ხელი შევუწყოთ ამ მასშტაბებს შორის მიზანმიმართულად გადაადგილებასა და მდიდარი, დაკავშირებული მონაცემთა ნაკრებების შექმნაში, რომელთა სხვადასხვა ფენა ერთმანეთს გაამყარებს.

   მაგალითად, UCSF-ისთვის გაცემული ჩვენი გრანტი OpenADMET-ის გუნდს ათიათასობით ნაერთის მთავარი მოლეკულური თვისებებისა და ურთიერთქმედებების გაზომვის საშუალებას მისცემს. შემდეგ გუნდი ამ ფართო პროფილირებას წამლის ტრანსპორტირების ორ ხედვას დაუკავშირებს: შერჩეულ მოლეკულებთან შეკავშირებული გადამტანი ცილების ექსპერიმენტულად განსაზღვრულ სტრუქტურებსა და ანალიზებს, რომლებიც ზომავს, როგორ ურთიერთქმედებენ ეს ცილები მოლეკულებთან ფუნქციურად. ბოლოს ისინი ამ ნაერთების ნაწილს ადამიანის ჰემატოენცეფალური ბარიერის მოდელებში გამოცდიან და შედეგებს ცხოველებში ჩატარებულ in vivo გაზომვებს შეადარებენ.

   მონაცემთა შეგროვების ეს მიდგომა უჩვეულოდ სრულ სურათს შექმნის იმის შესახებ, თუ რა განსაზღვრავს ორგანიზმში წამლის გადაადგილებას, და AI მოდელებს ადამიანებისთვის მნიშვნელოვან დონეზე უკეთესი პროგნოზირების შესაძლებლობას მისცემს.

2. იშვიათი მონაცემები: იმის შენარჩუნება, რისი ხელახლა შექმნაც შეუძლებელია

   ვერცერთი მომავალი AI, როგორი შესაძლებლობებიც უნდა ჰქონდეს, ვერ დაბრუნდება წარსულში და ვერ დააკვირდება კონკრეტულ, უნიკალურ მომენტში მიმდინარე ბიოლოგიურ მოვლენებს — მაგალითად, სიკვდილისა და ავადმყოფობის მიზეზებს ქვეყნებში, სადაც სანდო სასიცოცხლო სტატისტიკა არ არსებობს, ან წარსულში კონკრეტულ მომენტებში პაციენტებისგან აღებული ბიოლოგიური ნიმუშების შიგთავსს. ბიოლოგიაში მრავლადაა ასეთი შეუქცევადი შესაძლებლობები და მომავალმა მოდელების შემქმნელებმა ამ მტკიცებულებებს შეიძლება ისეთი გამოყენება მოუძებნონ, რომელსაც დღევანდელი მკვლევრები ვერ განჭვრეტენ. ამიტომ განსაკუთრებით გვაინტერესებს წინადადებები, რომლებიც შესაძლებლობის გაქრობამდე ღირებულ მონაცემებს შეაგროვებს ან შეინარჩუნებს, ან ფართოდ ხელმისაწვდომს გახდის უკვე არსებულ კერძო მონაცემთა ნაკრებებს, რომელთა ხელახლა შექმნაც შეუძლებელია — კონფიდენციალურობისა და პირადი თანხმობის დაცვით.

   მაგალითად, CTD Commons-ისთვის გაცემული ჩვენი გრანტი გამოიკვლევს, შესაძლებელია თუ არა წარუმატებელი წამლის შემუშავების პროგრამების ჩანაწერების გადარჩენა კომპანიების დახურვამდე და ამ ჩანაწერების გაქრობამდე. მოკლევადიან პერსპექტივაში ეს დოკუმენტები წამლის შემუშავების ადრეულ ეტაპზე მყოფ გუნდებს დაეხმარება გაიგონ, რას ითხოვდნენ მარეგულირებლები მსგავსი პროდუქტებისგან, რათა ამის გარკვევა ძვირადღირებული ცდისა და შეცდომის გზით არ მოუწიოთ. გრძელვადიან პერსპექტივაში ეს დოკუმენტები შეიძლება მანქანური სწავლების სისტემებისთვის რესურსად იქცეს, რათა მათ წამლების წარუმატებლობისა და წარმატების კანონზომიერებები აღმოაჩინონ. ეს ხელს შეუწყობს რეგულირებისა და კვლევის სტრატეგიების გაუმჯობესებას და პაციენტებს ახალი მკურნალობით უფრო ადრე სარგებლობის საშუალებას მისცემს.

3. პირდაპირი მონაცემები: ყველაზე მნიშვნელოვანი ბიოლოგიური და კლინიკური მდგომარეობების უშუალოდ გაზომვა

   ბიოლოგიის ისტორიის განმავლობაში უმეტესწილად იზომებოდა ის, რისი გაზომვაც მარტივი ან იაფი იყო. მაგალითად, ადამიანის კლინიკური მონაცემების ნაცვლად ცალკეული უჯრედების მონაცემები იზომებოდა, ხოლო ცილების ნაცვლად — RNA-ს ექსპრესია. ეს მიახლოებითი მაჩვენებლები უაღრესად სასარგებლო იყო, თუმცა ისინი შეიძლება ბიოლოგიის გაგებისა და დაავადებათა პრევენციისა და მკურნალობის მიზნებსაც მოსწყდეს. ასეთ შემთხვევებში გვსურს, მკვლევრებს ყველაზე მნიშვნელოვანის გამზომი მონაცემთა ნაკრებების შესაქმნელად საჭირო რესურსები მივცეთ. ასევე შესაძლებელია, რომ „ბიოლოგიური ჭეშმარიტების“ გასაზომად საჭირო ხელსაწყოები ჯერ არ არსებობდეს ან მათი ფართო მასშტაბით გამოყენება უკიდურესად ძვირი იყოს. ამ პროგრამის ფარგლებში ორივე მიმართულების — ახალი მონაცემებისა და ახალი ხელსაწყოების — მხარდაჭერის იმედი გვაქვს.

   მაგალითად, UNC-ისთვის გენერაციული იმუნოთერაპიის ინიციატივის დასაარსებლად გაცემული ჩვენი გრანტი UNC Lineberger-ისა და UNC Health-ის გუნდებს ახალი თაობის კიბოს ვაქცინების გასაუმჯობესებლად საჭირო, ადამიანებზე დაფუძნებული მონაცემების შექმნის საშუალებას მისცემს. ეს ნიშნავს მხოლოდ სიმსივნის სეკვენირების ნაცვლად სიმსივნური უჯრედების ზედაპირული ცილებისა და პაციენტების T-უჯრედული პასუხების პირდაპირ გაზომვას. ამ მონაცემების შექმნა ძვირია; ვიმედოვნებთ, რომ ამჯერად მათი სრულყოფილად შეგროვებითა და შედეგების ღიად გამოქვეყნებით კიბოს ვაქცინებზე ყველა სამომავლო მუშაობას სარგებელს მოვუტანთ. კერძოდ, თუ ეს პროექტი წარმატებული იქნება, ვაქცინის მომავალ კანდიდატებს ადამიანებში დოზირების ეტაპზე უფრო სანდო სამიზნეებით გადასვლა შეეძლებათ. ამან მათი ეფექტიანობის ალბათობა უნდა გაზარდოს და წარუმატებლობის შემთხვევაშიც მეტი ცოდნის მიღების შესაძლებლობა შექმნას.

მონაცემების მკვლევრებისთვის ხელმისაწვდომობის უზრუნველყოფა

დაბოლოს, ყველა ჩვენს გრანტში ვზრუნავთ, რომ შექმნილი მონაცემთა ნაკრებები მთელი მსოფლიოს მკვლევრებისთვის მაქსიმალურად ხელმისაწვდომი იყოს.

სამეცნიერო ისტორიის უდიდესი ნაწილის განმავლობაში ჰიპოთეზების შემოწმება აღმოჩენების მთავარ შემაფერხებელ ფაქტორს წარმოადგენდა. პრობლემებზე სამუშაოდ მხოლოდ შეზღუდული ოდენობის „ინტელექტი“ იყო ხელმისაწვდომი — ასპირანტებისა და პროფესიონალი მეცნიერების განსაზღვრული რაოდენობა, რომლებიც პრობლემის გარშემო მონაცემებს ქმნიდნენ და აანალიზებდნენ. კოდირებასა და მონაცემთა ანალიზში AI-ს უწყვეტი პროგრესი ამ წარმოდგენას არღვევს. მონაცემთა ანალიზის მასშტაბირება შეიძლება გაცილებით მარტივი გახდეს, ხოლო მნიშვნელოვანი მიგნებები ისეთ თანამშრომლობებს მოჰყვეს, რომელთა განჭვრეტაც მონაცემების შექმნისას რთულია.

ჩვენი მისიაა, უზრუნველვყოთ, რომ ზოგადი ხელოვნური ინტელექტი მთელ კაცობრიობას სარგებელს აძლევდეს. ჩვენი მხარდაჭერით შექმნილი სამეცნიერო მონაცემები ფართოდ ხელმისაწვდომი უნდა გახდეს, ხოლო ადამიანთა მონაცემებთან მუშაობისას დაცული უნდა იყოს პირადი კონფიდენციალურობა და თანხმობა. თუმცა, ხელმისაწვდომობა მხოლოდ დაუმუშავებელი მონაცემების გამოქვეყნებას არ ნიშნავს. გრანტის მიმღებებს მოვუწოდებთ, ანალიზები პრეპრინტების სახით გამოაქვეყნონ, მონაცემები რეგულარულად გააზიარონ და არა მხოლოდ პროექტის ბოლოს, ხოლო თუ მათი მონაცემები „დაკავშირებული“ არ არის, მონაცემთა მომხმარებლებთან ერთად შეაფასონ მათი სარგებლიანობა ბიოლოგიურად მნიშვნელოვან პრობლემებზე.

იტერაციული სწავლა

ამ პოსტში აღწერილია პროგრამაში „საჯარო მონაცემები ჯანმრთელობისთვის“ ჩვენი საწყისი ხედვა. მეცნიერებისა და AI-ს განვითარებასთან ერთად, ასევე კვლევითი საზოგადოების წევრებთან საუბრების საფუძველზე, ჩვენს შეხედულებებს აქტიურად ვაახლებთ.

თუ პროგრამის „საჯარო მონაცემები ჯანმრთელობისთვის“ შესახებ იდეები გაქვთ, მოგვწერეთ მისამართზე [email protected]⁠. ჩვენი პროგრამებისა და დაფინანსების შესახებ სამომავლო სიახლეების მისაღებად საინფორმაციო ბიულეტენის გამოწერა აქ⁠ შეგიძლიათ.

თუ ამ პოსტში განხილულ მსგავს პრობლემებზე სრულ განაკვეთზე ფიქრი თქვენთვის საინტერესოა, სიცოცხლის შემსწავლელი მეცნიერებებისა და დაავადებათა განკურნების გუნდში ამჟამად ოთხ ვაკანტურ პოზიციაზე⁠ ვეძებთ თანამშრომლებს.