⁉ Быть исследованию или не быть?
Роль feasibility в планировании неинтервенционных исследований (НИ)
🤔 🧐 В клинических исследованиях feasibility — привычный этап планирования. Но как обстоит дело с оценкой выполнимости в неинтервенционных исследованиях?
С этим будем разбираться в серии декабрьских публикаций.
🧐 Что такое feasibility?
Оценка выполнимости исследования (feasibility — осуществимость, практическая реализуемость) представляет собой систематический анализ целесообразности и практической реализуемости исследования в заданных странах, регионах и исследовательских центрах.
Целью feasibility является подтверждение возможности достижения ключевых параметров исследования (сроки, набор, качество данных, ресурсы) и выявление факторов, способных повлиять на успешную реализацию проекта.
📄 Регуляторная основа для feasibility в КИ
Feasibility включает научные, операционные, регуляторные и рекрутинговые (набор пациентов) аспекты и рассматривается как один из элементов риск-ориентированного планирования и подхода quality by design, закреплённых в ICH E6(R3) и ICH E8(R1).
В соответствии с Решением Совета ЕЭК от 01.08.2025 № 63 (дата вступления в силу: 10.03.2026), в Правилах надлежащей клинической практики ЕАЭС прямо указано, что методы обеспечения и контроля качества должны быть соразмерны рискам исследования и значимости собираемой информации, а спонсор обязан обеспечивать практическую выполнимость исследования, избегая чрезмерной сложности, избыточных процедур и сбора ненужных данных.
Аналогичные принципы сформулированы в ICH E6(R3), где подчёркивается, что дизайн и проведение клинического исследования должны быть операционно выполнимыми и не должны создавать неоправданной нагрузки на участников и исследовательские центры, а процессы и меры по управлению рисками — соразмерными значимости данных и рискам для субъектов исследования.
📌 А что же с feasibility в НИ?
Термин «оценка выполнимости исследования» (feasibility) применим как к КИ, так и НИ. На уровне комплексных действий по оценке выполнимости исследования проявляются ключевые различия между планированием КИ и НИ.
В НИ feasibility во многом определяется особенностями реальной клинической практики в конкретной системе здравоохранения. Многие различия между КИ и НИ, о которых мы писали ранее в постах, напрямую влияют и на подходы к feasibility.
☝ При проведении feasibility НИ важно учитывать как особенности исследований реальной клинической практики, так и фундаментальные различия между КИ и НИ, включая регуляторные требования стран, порядок сбора, хранения и управления данными.
Feasibility НИ включает оценку нескольких направлений, каждое из которых имеет свою специфику. Ключевые составляющие feasibility в НИ представлены в карточках к посту.
Быть или не быть НИ — решает feasibility.
Этот инструмент применим и к неинтервенционным исследованиям, однако подходы и акценты неизбежно отличаются в связи с фундаментальными различиями между КИ и НИ по своей природе, структуре данных и операционным процессам
Роль feasibility в планировании неинтервенционных исследований (НИ)
🤔 🧐 В клинических исследованиях feasibility — привычный этап планирования. Но как обстоит дело с оценкой выполнимости в неинтервенционных исследованиях?
С этим будем разбираться в серии декабрьских публикаций.
🧐 Что такое feasibility?
Оценка выполнимости исследования (feasibility — осуществимость, практическая реализуемость) представляет собой систематический анализ целесообразности и практической реализуемости исследования в заданных странах, регионах и исследовательских центрах.
Целью feasibility является подтверждение возможности достижения ключевых параметров исследования (сроки, набор, качество данных, ресурсы) и выявление факторов, способных повлиять на успешную реализацию проекта.
📄 Регуляторная основа для feasibility в КИ
Feasibility включает научные, операционные, регуляторные и рекрутинговые (набор пациентов) аспекты и рассматривается как один из элементов риск-ориентированного планирования и подхода quality by design, закреплённых в ICH E6(R3) и ICH E8(R1).
В соответствии с Решением Совета ЕЭК от 01.08.2025 № 63 (дата вступления в силу: 10.03.2026), в Правилах надлежащей клинической практики ЕАЭС прямо указано, что методы обеспечения и контроля качества должны быть соразмерны рискам исследования и значимости собираемой информации, а спонсор обязан обеспечивать практическую выполнимость исследования, избегая чрезмерной сложности, избыточных процедур и сбора ненужных данных.
Аналогичные принципы сформулированы в ICH E6(R3), где подчёркивается, что дизайн и проведение клинического исследования должны быть операционно выполнимыми и не должны создавать неоправданной нагрузки на участников и исследовательские центры, а процессы и меры по управлению рисками — соразмерными значимости данных и рискам для субъектов исследования.
📌 А что же с feasibility в НИ?
Термин «оценка выполнимости исследования» (feasibility) применим как к КИ, так и НИ. На уровне комплексных действий по оценке выполнимости исследования проявляются ключевые различия между планированием КИ и НИ.
В НИ feasibility во многом определяется особенностями реальной клинической практики в конкретной системе здравоохранения. Многие различия между КИ и НИ, о которых мы писали ранее в постах, напрямую влияют и на подходы к feasibility.
☝ При проведении feasibility НИ важно учитывать как особенности исследований реальной клинической практики, так и фундаментальные различия между КИ и НИ, включая регуляторные требования стран, порядок сбора, хранения и управления данными.
Feasibility НИ включает оценку нескольких направлений, каждое из которых имеет свою специфику. Ключевые составляющие feasibility в НИ представлены в карточках к посту.
Быть или не быть НИ — решает feasibility.
Этот инструмент применим и к неинтервенционным исследованиям, однако подходы и акценты неизбежно отличаются в связи с фундаментальными различиями между КИ и НИ по своей природе, структуре данных и операционным процессам
🔥14❤2
Коллеги, есть ли у Вас опыт проведения feasibility?
Anonymous Poll
35%
Да, в КИ и НИ
41%
Да, только в КИ
8%
Да, только в НИ
16%
Нет, не проводил (-а)
🗣️ Приглашаем к дискуссии:
Поделитесь, пожалуйста, Вашим опытом feasibility НИ. С какими трудностями Вы сталкивались?
Поделитесь, пожалуйста, Вашим опытом feasibility НИ. С какими трудностями Вы сталкивались?
🔍 Пропущенные данные – это не просто пустые ячейки, это часть клинической логики
Часто кажется, что замещение пропусков (imputation) — это чисто техническая процедура «заполнения пробелов», нужная лишь для того, чтобы анализ прошёл без ошибок. Но это не так. Пропуски — это прежде всего клиническая, а не техническая проблема. Они являются частью общей картины, и работа с ними должна основываться на тех клинических предположениях, которые заложены в протокол исследования. При этом, следует минимизировать bias и сохранить валидность статистических выводов.
Если говорить более формально, в терминах ICH E9(R1), то замещение – это инструмент для реализации стратегии обработки интеркуррентных событий (intercurrent events) в рамках анализируемого эстиманда (estimand).
Менее формально – наши данные должны рассказать определенную клиническую «историю». Причины отсутствия данных являются частью этой истории, поэтому замещение должно помочь рассказать историю с минимальными искажениями.
Без предварительного определения эстиманда и стратегии обработки интеркуррентных событий любой разговор о замещении пропусков лишен смысла и является лишь математическим упражнением. Но это не отменяет необходимости знать методы замещения пропусков.
Single imputation (точечное замещение)
Last Observation Carried Forward (LOCF): Берётся последнее известное значение и вносится во все последующие пропуски.
Логика: если данные пропущены, значит, состояние пациента не изменилось с последнего визита.
Baseline Observation Carried Forward (BOCF): Берётся исходное (baseline) значение и вносится в пропуски.
Логика: если данные пропущены, значит, у пациента не было улучшения, и его состояние вернулось к исходному.
Mean imputation (замещение средним): Пропуск заполняется средним значением по группе (или похожей подгруппе).
Логика: если значение неизвестно, предположим, что оно такое же, как у «среднего» пациента.
Regression imputation: Пропущенное значение предсказывается регрессионной моделью, построенной на пациентах с полными данными. Часто добавляют случайную ошибку из остатков модели, чтобы избежать излишней «гладкости» данных.
Логика: мы можем оценить значение на основе данных похожих пациентов.
Best-case / Worst-case imputation: Замещение наилучшим или наихудшим возможным значением.
Логика: если данные пропущены, это говорит в пользу (или против) исследуемой терапии.
Non-responder imputation (замещение на неответчиков): В случае анализа бинарной переменной (наличие или отсутствие ответа на терапию), если данных об ответе нет, это считается отсутствием ответа.
Почему методы single imputation критикуются регуляторами? Они заменяют отсутствующие данные одним, зачастую произвольным значением, создавая иллюзию полноты. Это ведёт к двум ключевым проблемам:
1. Вносит смещение (bias), основанное порой на нереалистичных клинических допущениях (например, что состояние пациента после выбытия «замораживается»).
2. Искусственно занижает вариабельность данных, поскольку замещённые значения анализируются как реальные. Это приводит к некорректным p-значениям и слишком узким доверительным интервалам, нарушая валидность статистического вывода.
Такой подход противоречит принципам ICH E9(R1), согласно которым стратегия обработки пропусков должна явно отражать клинический вопрос и адекватно учитывать связанную с ними неопределённость.
Multiple Imputation (множественное замещение)
Это статистический метод, который не пытается угадать одно «правильное» значение. Вместо этого он создаёт несколько (например, 20–100) разных, но правдоподобных версий полного набора данных, каждая со слегка различающимися импутированными значениями.
Логика MI: признание фундаментальной неопределённости. Мы не можем точно знать исход для выбывшего пациента, поэтому рассматриваем спектр правдоподобных сценариев, основанных на всей доступной информации.
⬇️⬇️⬇️
Часто кажется, что замещение пропусков (imputation) — это чисто техническая процедура «заполнения пробелов», нужная лишь для того, чтобы анализ прошёл без ошибок. Но это не так. Пропуски — это прежде всего клиническая, а не техническая проблема. Они являются частью общей картины, и работа с ними должна основываться на тех клинических предположениях, которые заложены в протокол исследования. При этом, следует минимизировать bias и сохранить валидность статистических выводов.
Если говорить более формально, в терминах ICH E9(R1), то замещение – это инструмент для реализации стратегии обработки интеркуррентных событий (intercurrent events) в рамках анализируемого эстиманда (estimand).
Менее формально – наши данные должны рассказать определенную клиническую «историю». Причины отсутствия данных являются частью этой истории, поэтому замещение должно помочь рассказать историю с минимальными искажениями.
Без предварительного определения эстиманда и стратегии обработки интеркуррентных событий любой разговор о замещении пропусков лишен смысла и является лишь математическим упражнением. Но это не отменяет необходимости знать методы замещения пропусков.
Single imputation (точечное замещение)
Last Observation Carried Forward (LOCF): Берётся последнее известное значение и вносится во все последующие пропуски.
Логика: если данные пропущены, значит, состояние пациента не изменилось с последнего визита.
Baseline Observation Carried Forward (BOCF): Берётся исходное (baseline) значение и вносится в пропуски.
Логика: если данные пропущены, значит, у пациента не было улучшения, и его состояние вернулось к исходному.
Mean imputation (замещение средним): Пропуск заполняется средним значением по группе (или похожей подгруппе).
Логика: если значение неизвестно, предположим, что оно такое же, как у «среднего» пациента.
Regression imputation: Пропущенное значение предсказывается регрессионной моделью, построенной на пациентах с полными данными. Часто добавляют случайную ошибку из остатков модели, чтобы избежать излишней «гладкости» данных.
Логика: мы можем оценить значение на основе данных похожих пациентов.
Best-case / Worst-case imputation: Замещение наилучшим или наихудшим возможным значением.
Логика: если данные пропущены, это говорит в пользу (или против) исследуемой терапии.
Non-responder imputation (замещение на неответчиков): В случае анализа бинарной переменной (наличие или отсутствие ответа на терапию), если данных об ответе нет, это считается отсутствием ответа.
Почему методы single imputation критикуются регуляторами? Они заменяют отсутствующие данные одним, зачастую произвольным значением, создавая иллюзию полноты. Это ведёт к двум ключевым проблемам:
1. Вносит смещение (bias), основанное порой на нереалистичных клинических допущениях (например, что состояние пациента после выбытия «замораживается»).
2. Искусственно занижает вариабельность данных, поскольку замещённые значения анализируются как реальные. Это приводит к некорректным p-значениям и слишком узким доверительным интервалам, нарушая валидность статистического вывода.
Такой подход противоречит принципам ICH E9(R1), согласно которым стратегия обработки пропусков должна явно отражать клинический вопрос и адекватно учитывать связанную с ними неопределённость.
Multiple Imputation (множественное замещение)
Это статистический метод, который не пытается угадать одно «правильное» значение. Вместо этого он создаёт несколько (например, 20–100) разных, но правдоподобных версий полного набора данных, каждая со слегка различающимися импутированными значениями.
Логика MI: признание фундаментальной неопределённости. Мы не можем точно знать исход для выбывшего пациента, поэтому рассматриваем спектр правдоподобных сценариев, основанных на всей доступной информации.
⬇️⬇️⬇️
❤8🔥3
⬆️⬆️⬆️
Алгоритм:
1. Создаётся несколько (M) датасетов с замещёнными пропусками.
2. В каждом датасете выполняется запланированный статистический анализ.
3. Получается M точечных оценок и M доверительных интервалов.
4. Результаты объединяются в единую точечную оценку и доверительный интервал по правилу Рубина (Rubin’s rule), которое корректно учитывает вариацию как внутри, так и между датасетами.
Какие подходы предпочесть?
Как было сказано, выбор метода напрямую вытекает из клинических предположений, зафиксированных в эстиманде. На практике в качестве основного анализа часто используют MMRM (Mixed Model for Repeated Measures) или Multiple Imputation. Методы же single imputation чаще применяются в качестве анализа чувствительности для оценки устойчивости выводов.
Полезные ссылки на руководства
ICH E9 (R1) Addendum on estimands and sensitivity analysis in clinical trials
Guideline on Missing Data in Confirmatory Clinical Trials (EMA)
Ришат Габидуллин,
Руководитель подразделения биостатистики фармацевтической компании.
Алгоритм:
1. Создаётся несколько (M) датасетов с замещёнными пропусками.
2. В каждом датасете выполняется запланированный статистический анализ.
3. Получается M точечных оценок и M доверительных интервалов.
4. Результаты объединяются в единую точечную оценку и доверительный интервал по правилу Рубина (Rubin’s rule), которое корректно учитывает вариацию как внутри, так и между датасетами.
Какие подходы предпочесть?
Как было сказано, выбор метода напрямую вытекает из клинических предположений, зафиксированных в эстиманде. На практике в качестве основного анализа часто используют MMRM (Mixed Model for Repeated Measures) или Multiple Imputation. Методы же single imputation чаще применяются в качестве анализа чувствительности для оценки устойчивости выводов.
Полезные ссылки на руководства
ICH E9 (R1) Addendum on estimands and sensitivity analysis in clinical trials
Guideline on Missing Data in Confirmatory Clinical Trials (EMA)
Ришат Габидуллин,
Руководитель подразделения биостатистики фармацевтической компании.
🔥6
Уважаемые коллеги!
🕑 Уже сегодня ! Первая AMA-сессия.
https://news.1rj.ru/str/proRWE/147
Дата, время: 16 декабря 2025г. 12:00 - 13:00/последнего вопроса
✅ И наш первый гость - Александр Гусев (платформа Webiomed), к.т.н., директор по развитию
Мы обсудим:
🧩 Искусственный интеллект: старт-апы в области ИИ в медицине, оценка и инвестиции;
🧩 Платформа Webiomed: возможности для здравоохранения;
🧩 Real World Data: проблема низкого качества данных и возможности ее решения.
И любые ваши вопросы в прямом эфире 📞
Ждем вас сегодня https://us06web.zoom.us/j/85489738791?pwd=bw91hKuV1PgFdJUcnmQJNQncEMrDFc.1
🕑 Уже сегодня ! Первая AMA-сессия.
https://news.1rj.ru/str/proRWE/147
Дата, время: 16 декабря 2025г. 12:00 - 13:00/последнего вопроса
✅ И наш первый гость - Александр Гусев (платформа Webiomed), к.т.н., директор по развитию
Мы обсудим:
🧩 Искусственный интеллект: старт-апы в области ИИ в медицине, оценка и инвестиции;
🧩 Платформа Webiomed: возможности для здравоохранения;
🧩 Real World Data: проблема низкого качества данных и возможности ее решения.
И любые ваши вопросы в прямом эфире 📞
Ждем вас сегодня https://us06web.zoom.us/j/85489738791?pwd=bw91hKuV1PgFdJUcnmQJNQncEMrDFc.1
❤7
✅ Ама-сессия с Александром Гусевым (платформа Webiomed)
📽 Видеозапись опубликована: https://vkvideo.ru/video-77859052_456239219
Мы реализовали все цели и ответили на все вопросы - как заранее полученные, так и поступившие в ходе сессии. 🔥
Получилось очень насыщенно. Поэтому в подстрочнике к видео мы прописали время начала ключевых тем и вопросов. Выбирайте любое интересное место и слушайте.
Отдельное огромное спасибо всем авторам вопросов! Получилось замечательно.🌸🌼🌺
📽 Видеозапись опубликована: https://vkvideo.ru/video-77859052_456239219
Мы реализовали все цели и ответили на все вопросы - как заранее полученные, так и поступившие в ходе сессии. 🔥
Получилось очень насыщенно. Поэтому в подстрочнике к видео мы прописали время начала ключевых тем и вопросов. Выбирайте любое интересное место и слушайте.
Отдельное огромное спасибо всем авторам вопросов! Получилось замечательно.🌸🌼🌺
VK Видео
AMA - сессия с участием директора по развитию Webiomed А.Гусева
Ведущий: Гольдина Татьяна, к.б.н., независимый консультант и эксперт RWD/RWE, руководитель рабочих групп «RWE» АМФП и НАИИО. Организаторы: рабочая группа RWE (ccылка на телеграм-канал: https://news.1rj.ru/str/proRWE), НАИИО (Национальная Ассоциация Исследователей и…
🔥11
🚀 Уже завтра. Вебинар "Результаты опроса по RWE: что исполнители и заказчики могли бы сказать друг другу в открытом диалоге"
https://news.1rj.ru/str/proRWE/151
🧩 Результаты социологического исследования мнения индустрии о проблемах в RWE - 9 ключевых барьеров.
Многие из этих проблем могли быть решены в ходе открытого диалога сторон исследования, готовности слышать, понимать и принимать.
🧩 Какие риски несут эти проблемы и как их можно предупреждать/уменьшать/разрешать
Дата и время: 19 декабря, с 12:00 до 13:00
Вебинар проходит на площадке Ассоциации Международных Фармацевтических Производителей (АМФП).
Форма для регистрации здесь
https://news.1rj.ru/str/proRWE/151
🧩 Результаты социологического исследования мнения индустрии о проблемах в RWE - 9 ключевых барьеров.
Многие из этих проблем могли быть решены в ходе открытого диалога сторон исследования, готовности слышать, понимать и принимать.
🧩 Какие риски несут эти проблемы и как их можно предупреждать/уменьшать/разрешать
Дата и время: 19 декабря, с 12:00 до 13:00
Вебинар проходит на площадке Ассоциации Международных Фармацевтических Производителей (АМФП).
Форма для регистрации здесь
🙏 Мы внимательно читаем Ваши комментарии и следим за результатами опроса по feasibility. Спасибо Вам за Ваше участие! Отметили для себя, что у многих из Вас есть опыт проведение feasibility как КИ, так и НИ. Сегодня хотим поделиться актуальной информацией в регуляторном поле исследований РКП.
📄 Регуляторная база для проведения feasibility НИ
Несмотря на тот факт, что НИ по сравнению с КИ зарегулированы значительно меньше, а многие организации внедряли принципы и активности feasibility из КИ в НИ, в мировом регуляторном поле мы наблюдаем новые документы, описывающие особенности проведения feasibility НИ.
🔍 Данные документы, в первую очередь, направлены на повышения роли RWD в принятии регуляторных решений. Предлагаем сегодня рассмотреть несколько документов с точки зрения рекомендаций к проведению feasibility:
1. European Medicines Agency. Reflection paper on use of real-world data in noninterventional studies to generate real-world evidence for regulatory purposes. EMA/99865/2025
2. European Medicines Agency. Guideline on registry-based studies. EMA/426390/2021
3. European Medicines Agency. Real-world evidence provided by EMA. Support for regulatory decision-making. EMA/152628/2024.
4. FDA Considerations for the Use of Real-World Data and Real-World Evidence to Support Regulatory Decision-Making for Drug and Biological Products. August 2023
5. Рекомендация ЕЭК от 10 июня 2025 г. N 15 «О Руководстве по общим вопросам использования данных реальной клинической практики в рамках обращения лекарственного препарата».
📌 Ключевые тезисы:
1. Регуляторы США, ЕС и ЕАЭС подробно описывают основании факторы, которые прямо или косвенно влияют на признание данных реальной клинической практики пригодными для получения доказательств.
2. Оценка выполнимости НИ позволяет удостовериться, что данные и дизайн исследования подходят для использования результатов в том числе и для регуляторных целей.
3. В случае работы с регистрами, для надлежащего проведения feasibility EMA рекомендует использовать дополнительный чек-лист.
4. Платформа DARWIN EU (https://www.darwin-eu.org/) активно поддерживает процесс оценки выполнимости, особенно при планировании НИ, registry-based studies и post-authorisation studies.
5. Надлежащее проведение feasibility НИ охватывает целый спектр компетенций, включая регуляторику, data privacy, data management, клинические операции.
☝ Читайте подробнее в карточках ⬇️
📄 Регуляторная база для проведения feasibility НИ
Несмотря на тот факт, что НИ по сравнению с КИ зарегулированы значительно меньше, а многие организации внедряли принципы и активности feasibility из КИ в НИ, в мировом регуляторном поле мы наблюдаем новые документы, описывающие особенности проведения feasibility НИ.
🔍 Данные документы, в первую очередь, направлены на повышения роли RWD в принятии регуляторных решений. Предлагаем сегодня рассмотреть несколько документов с точки зрения рекомендаций к проведению feasibility:
1. European Medicines Agency. Reflection paper on use of real-world data in noninterventional studies to generate real-world evidence for regulatory purposes. EMA/99865/2025
2. European Medicines Agency. Guideline on registry-based studies. EMA/426390/2021
3. European Medicines Agency. Real-world evidence provided by EMA. Support for regulatory decision-making. EMA/152628/2024.
4. FDA Considerations for the Use of Real-World Data and Real-World Evidence to Support Regulatory Decision-Making for Drug and Biological Products. August 2023
5. Рекомендация ЕЭК от 10 июня 2025 г. N 15 «О Руководстве по общим вопросам использования данных реальной клинической практики в рамках обращения лекарственного препарата».
📌 Ключевые тезисы:
1. Регуляторы США, ЕС и ЕАЭС подробно описывают основании факторы, которые прямо или косвенно влияют на признание данных реальной клинической практики пригодными для получения доказательств.
2. Оценка выполнимости НИ позволяет удостовериться, что данные и дизайн исследования подходят для использования результатов в том числе и для регуляторных целей.
3. В случае работы с регистрами, для надлежащего проведения feasibility EMA рекомендует использовать дополнительный чек-лист.
4. Платформа DARWIN EU (https://www.darwin-eu.org/) активно поддерживает процесс оценки выполнимости, особенно при планировании НИ, registry-based studies и post-authorisation studies.
5. Надлежащее проведение feasibility НИ охватывает целый спектр компетенций, включая регуляторику, data privacy, data management, клинические операции.
☝ Читайте подробнее в карточках ⬇️
🔥6
🚀 Вебинар "Результаты опроса по RWE: что исполнители и заказчики могли бы сказать друг другу в открытом диалоге"
https://news.1rj.ru/str/proRWE/151
📽 Видео опубликовано VKvideo
Мы представили методологию социологического исследования, основные проблемы и для части из них разобрали корневые причины, проявление проблем в организации, как надо проводить RWE-исследование (чтобы снизить риски появления проблем) и пути решения.
📌 2 ключевых системных подхода:
1) мы никогда не смотрим на проблему как на поиск виновных, осуждение, критику или оценку сторон - мы применяем бизнес-подходы управления качеством и управления рисками;
2) партнерство всех сторон по принципу win-win: достижение стратегических целей исследования (то, ради чего мы это исследование делаем) - то, что всех объединяет при реализации исследования.
https://news.1rj.ru/str/proRWE/151
📽 Видео опубликовано VKvideo
Мы представили методологию социологического исследования, основные проблемы и для части из них разобрали корневые причины, проявление проблем в организации, как надо проводить RWE-исследование (чтобы снизить риски появления проблем) и пути решения.
📌 2 ключевых системных подхода:
1) мы никогда не смотрим на проблему как на поиск виновных, осуждение, критику или оценку сторон - мы применяем бизнес-подходы управления качеством и управления рисками;
2) партнерство всех сторон по принципу win-win: достижение стратегических целей исследования (то, ради чего мы это исследование делаем) - то, что всех объединяет при реализации исследования.
🔥3
Дорогие коллеги, на этой предпраздничной неделе предлагаем немного отвлечься от серьезных научных тем, поделиться праздничным настроением и лучше узнать друг друга🎅🏻🎄
Ниже вы найдете несколько коротких опросов.
Выбирайте те варианты ответов, которые лучше всего описывают Ваши планы и предпочтения.
Поехали! 👇
Ниже вы найдете несколько коротких опросов.
Выбирайте те варианты ответов, которые лучше всего описывают Ваши планы и предпочтения.
Поехали! 👇
❤9