-
1
-
2
-
3Academic Journal
-
4Academic Journal
Authors: Skvortsova, K. E., Mamyachenkov, V. N.
Subject Terms: PATIENT SATISFACTION, EFFICIENCY, СОРТИРОВКА ПАЦИЕНТОВ, RESOURCES, EMERGENCY MEDICAL CARE, TRIAGE, ЭФФЕКТИВНОСТЬ, ТРИАЖ, SVERDLOVSK REGION, ВРЕМЯ ОЖИДАНИЯ, РЕСУРСЫ, PATIENT SORTING, СКОРАЯ МЕДИЦИНСКАЯ ПОМОЩЬ, СВЕРДЛОВСКАЯ ОБЛАСТЬ, УДОВЛЕТВОРЕННОСТЬ ПАЦИЕНТОВ, WAITING TIME
Access URL: https://elar.urfu.ru/handle/10995/143677
-
5
-
6
-
7Academic Journal
Subject Terms: инструменты системного анализа, диаграмма причинно-следственных связей, утилизация упаковочных отходов, утилизация отходов упаковки, диаграмма Исикавы, сортировка отходов упаковки
File Description: application/pdf
Access URL: https://elib.belstu.by/handle/123456789/68966
-
8Academic Journal
Subject Terms: drum dryer, density, волокно, семена, плотность, шнековый транспортер, seeds, seed grade, устройство, cotton, хлопок, floating and sinking seeds, screw conveyor, сортность семян, сортировка, плавучие и тонущие семена, барабанная сушилка, device, sorting, fiber
File Description: application/pdf
Access URL: https://rep.bsatu.by/handle/doc/24122
-
9Academic Journal
Subject Terms: распараллеливание вычислений, сортировка данных, усовершенствование сортировки выбором, скорости работы алгоритмов, гипотезы ускорения работы алгоритма, алгоритмы сортировок, двусторонняя сортировка
File Description: application/pdf
Access URL: https://elib.belstu.by/handle/123456789/68215
-
10Academic Journal
Source: Высшая школа: научные исследования.
Subject Terms: гиперспектральные сенсоры, мехатронный модуль, сортировка овощных культур, система автоматического управления
-
11Academic Journal
Source: Высшая школа: научные исследования.
Subject Terms: join, order by, SQL, соединение, сортировка, JSON, NoSQL, Map(), Reduce
-
12Academic Journal
Source: Экономика и предпринимательство. :458-462
Subject Terms: линейная экономика, linear economy, сортировка, circular economy, waste management, циркулярная экономика, управление отходами, sorting, экономика замкнутого цикла
-
13Academic Journal
Authors: P. A. Seliverstov, Yu. G. Shapkin, N. Yu. Stekolnikov, П. А. Селиверстов, Ю. Г. Шапкин, Н. Ю. Стекольников
Source: Russian Sklifosovsky Journal "Emergency Medical Care"; Том 14, № 3 (2025); 609-618 ; Журнал им. Н.В. Склифосовского «Неотложная медицинская помощь»; Том 14, № 3 (2025); 609-618 ; 2541-8017 ; 2223-9022
Subject Terms: сортировка, trauma, prehospital care, machine learning, triage, травма, догоспитальная помощь, машинное обучение
File Description: application/pdf
Relation: https://www.jnmp.ru/jour/article/view/2217/1650; Toy J, Warren J, Wilhelm K, Putnam B, Whitfield D, Gausche-Hill M, et al. Use of artificial intelligence to support prehospital traumatic injury care: A scoping review. J Am Coll Emerg Physicians Open. 2024;5(5): e13251. PMID: 39234533 https://doi.org/10.1002/emp2.13251; Alvi U, Khattak MAK, Shabir B, Malik AW, Muhammad SR. A Comprehensive Study on IoT Based Accident Detection Systems for Smart Vehicles. IEEE Access. 2020;8:122480–122497. https://doi.org/10.1109/ACCESS.2020.3006887; Hozhabr Pour H, Li F, Wegmeth L, Trense C, Doniec R, Grzegorzek M, et al. A Machine Learning Framework for Automated Accident Detection Based on Multimodal Sensors in Cars. Sensors (Basel). 2022;22(10):3634. PMID: 35632039 https://doi.org/10.3390/s22103634; Taamneh S, Taamneh MM. A machine learning approach for building an adaptive, real-time decision support system for emergency response to road traffic injuries. Int J Inj Contr Saf Promot. 2021;28(2):222–232. PMID: 33818273 https://doi.org/10.1080/17457300.2021.1907596; Assi K, Rahman SM, Mansoor U, Ratrout N. Predicting Crash Injury Severity with Machine Learning Algorithm Synergized with Clustering Technique: A Promising Protocol. Int J Environ Res Public Health. 2020;17(15):5497. PMID: 32751470 https://doi.org/10.3390/ijerph17155497; Mansoor U, Ratrout NT, Rahman SM, Assi K. Crash severity prediction using two-layer ensemble machine learning model for proactive emergency management. IEEE Access. 2020;8:210750-210762. https://doi.org/10.1109/ACCESS.2020.3040165; Zheng M, Li T, Zhu R, Chen J, Ma Z, Tang M. Traffic accident’s severity prediction: A deep-learning approach-based CNN Network. IEEE Access. 2019;7:39897-39910. https://doi.org/10.1109/ACCESS.2019.2903319; Chin KC, Cheng YC, Sun JT, Ou CY, Hu CH, Tsai MC, et al. Machine Learning-Based Text Analysis to Predict Severely Injured Patients in Emergency Medical Dispatch: Model Development and Validation. J Med Internet Res. 2022;24(6):e30210. PMID: 35687393 https://doi.org/10.2196/30210; Ceklic E, Ball S, Finn J, Brown E, Brink D, Bailey P, et al. Ambulance dispatch prioritisation for traffic crashes using machine learning: A natural language approach. Int J Med Inform. 2022;168:104886. PMID: 36306652 https://doi.org/10.1016/j.ijmedinf.2022.104886; Liang Y, Liu Y, Liu B, Xu A, Wang J. Deep Learning-Based Medical Information System in First Aid of Surgical Trauma. Comput Math Methods Med. 2022:8789920. PMID: 35469219 https://doi.org/10.1155/2022/8789920; Rickards CA, Vyas N, Ryan KL, Ward KR, Andre D, Hurst GM, et al. Are you bleeding? Validation of a machine-learning algorithm for determination of blood volume status: application to remote triage. J Appl Physiol (1985). 2014;116(5):486–494. PMID: 24408992 https://doi.org/10.1152/japplphysiol.00012.2013; Achkoski J, Koceski S, Bogatinov D, Temelkovski B, Stevanovski G, Kocev I. Remote triage support algorithm based on fuzzy logic. J R Army Med Corps. 2017;163(3):164–170. PMID: 27418264 https://doi.org/10.1136/jramc-2015-000616; Kim D, You S, So S, Lee J, Yook S, Jang DP, et al. A data-driven artificial intelligence model for remote triage in the prehospital environment. PLoS One. 2018;13(10):e0206006. PMID: 30352077 https://doi.org/10.1371/journal.pone.0206006; Reljin N, Zimmer G, Malyuta Y, Shelley K, Mendelson Y, Blehar DJ, et al. Using support vector machines on photoplethysmographic signals to discriminate between hypovolemia and euvolemia. PLoS One. 2018;13(3):e0195087. PMID: 29596477 https://doi.org/10.1371/journal.pone.0195087; Zhang W, Zhou Q, Li R, Niu F. Research on Camouflaged Human Target Detection Based on Deep Learning. Comput Intell Neurosci. 2022;2022:7703444. PMID: 36275951 https://doi.org/10.1155/2022/7703444; Al-Naji A, Perera AG, Mohammed SL, Chahl J. Life Signs Detector Using a Drone in Disaster Zones. Remote Sens. 2019;11:2441. https://doi.org/10.3390/rs11202441; Queirós Pokee D, Barbosa Pereira C, Mösch L, Follmann A, Czaplik M. Consciousness Detection on Injured Simulated Patients Using Manual and Automatic Classification via Visible and Infrared Imaging. Sensors (Basel). 2021;21(24):8455. PMID: 34960551 https://doi.org/10.3390/s21248455; Lu J, Wang X, Chen L, Sun X, Li R, Zhong W, et al. Unmanned aerial vehicle based intelligent triage system in mass-casualty incidents using 5G and artificial intelligence. World J Emerg Med. 2023;14(4):273–279. PMID: 37425090 https://doi.org/10.5847/wjem.j.1920-8642.2023.066; Chen Q, Qin Y, Jin Z, Zhao X, He J, Wu C, et al. Enhancing Performance of the National Field Triage Guidelines Using Machine Learning: Development of a Prehospital Triage Model to Predict Severe Trauma. J Med Internet Res. 2024;26:e58740. PMID: 39348683 https://doi.org/10.2196/58740; Adebayo O, Bhuiyan ZA, Ahmed Z. Exploring the effectiveness of artificial intelligence, machine learning and deep learning in trauma triage: A systematic review and meta-analysis. Digit Health. 2023;9:205 52076231205736. PMID: 37822960 https://doi.org/10.1177/2055207623 1205736; Bakidou A, Caragounis EC, Andersson Hagiwara M, Jonsson A, Sjöqvist BA, Candefjord S. On Scene Injury Severity Prediction (OSISP) model for trauma developed using the Swedish Trauma Registry. BMC Med Inform Decis Mak. 2023;23(1):206. PMID: 37814288 https://doi.org/10.1186/s12911-023-02290-5; Xu Y, Malik N, Chernbumroong S, Vassallo J, Keene D, Foster M, et al. Triage in major incidents: development and external validation of novel machine learning-derived primary and secondary triage tools. Emerg Med J. 2024;41(3):176–183. PMID: 37751994 https://doi.org/10.1136/emermed-2022-212440; Kim D, Chae J, Oh Y, Lee J, Kim IY. Automated remote decisionmaking algorithm as a primary triage system using machine learning techniques. Physiol Meas. 2021;42(2):025006. PMID: 33567409 https://doi.org/10.1088/1361-6579/abe524; Stallings JD, Laxminarayan S, Yu C, Kapela A, Frock A, Cap AP, et al. APPRAISE-HRI: an artificial intelligence algorithm for triage of hemorrhage casualties. Shock. 2023;60(2):199–205. PMID: 37335312 https://doi.org/10.1097/SHK.0000000000002166; Larsson A, Berg J, Gellerfors M, Gerdin Wärnberg M. The advanced machine learner XGBoost did not reduce prehospital trauma mistriage compared with logistic regression: a simulation study. BMC Med Inform Decis Mak. 2021;21(1):192. PMID: 34148560 https://doi.org/10.1186/s12911-021-01558-y; Candefjord S, Sheikh MA, Bangalore P, Buendia R. On-Scene Injury Severity Prediction (OSISP) machine learning algorithms for motor vehicle crash occupants in US. Journal of Transport & Health. 2021;22:101124. https://doi.org/10.1016/j.jth.2021.101124; Li Y, Wang L, Liu Y, Zhao Y, Fan Y, Yang M, et al. Development and Validation of a Simplified Prehospital Triage Model Using Neural Network to Predict Mortality in Trauma Patients: The Ability to Follow Commands, Age, Pulse Rate, Systolic Blood Pressure and Peripheral Oxygen Saturation (CAPSO) Model. Front Med (Lausanne). 2021;8:810195. PMID: 34957169 https://doi.org/10.3389/fmed.2021.810195; Choi Y, Park JH, Hong KJ, Ro YS, Song KJ, Shin SD. Development and validation of a prehospital-stage prediction tool for traumatic brain injury: a multicentre retrospective cohort study in Korea. BMJ Open. 2022;12(1):e055918. PMID: 35022177 https://doi.org/10.1136/bmjopen-2021-055918; Abe D, Inaji M, Hase T, Takahashi S, Sakai R, Ayabe F, et al. A Prehospital Triage System to Detect Traumatic Intracranial Hemorrhage Using Machine Learning Algorithms. JAMA Netw Open. 2022;5(6):e2216393. PMID: 35687335 https://doi.org/10.1001/jamanetworkopen.2022.16393; Moyer JD, Lee P, Bernard C, Henry L, Lang E, Cook F, et al. Machine learning-based prediction of emergency neurosurgery within 24 h after moderate to severe traumatic brain injury. World J Emerg Surg. 2022;17(1):42. PMID: 35922831 https://doi.org/10.1186/s13017-022-00449-5; Apiratwarakul K, Cheung LW, Tiamkao S, Phungoen P, Tientanopajai K, Taweepworadej W, et al. Smart Glasses: A New Tool for Assessing the Number of Patients in Mass-Casualty Incidents. Prehosp Disaster Med. 2022;37(4):480–484. PMID: 35757837 https://doi.org/10.1017/S1049023X22000929; Gan RK, Ogbodo JC, Wee YZ, Gan AZ, González PA. Performance of Google bard and ChatGPT in mass casualty incidents triage. Am J Emerg Med. 2024;75:72–78. PMID: 37967485 https://doi.org/10.1016/j.ajem.2023.10.034; Gan RK, Uddin H, Gan AZ, Yew YY, González PA. ChatGPT’s performance before and after teaching in mass casualty incident triage. Sci Rep. 2023;13(1):20350. PMID: 37989755 https://doi.org/10.1038/s41598-023-46986-0; Valiente Fernández M, García Fuentes C, Delgado Moya FP, Marcos Morales A, Fernández Hervás H, Barea Mendoza JA, et al. Could machine learning algorithms help us predict massive bleeding at prehospital level? Med Intensiva (Engl Ed). 2023;47(12):681–690. PMID: 37507314 https://doi.org/10.1016/j.medine.2023.07.007; Nederpelt CJ, Mokhtari AK, Alser O, Tsiligkaridis T, Roberts J, Cha M, et al. Development of a field artificial intelligence triage tool: Confidence in the prediction of shock, transfusion, and definitive surgical therapy in patients with truncal gunshot wounds. J Trauma Acute Care Surg. 2021;90(6):1054–1060. PMID: 34016929 https://doi.org/10.1097/TA.0000000000003155; Lammers D, Marenco C, Morte K, Conner J, Williams J, Bax T, et al. Machine Learning for Military Trauma: Novel Massive Transfusion Predictive Models in Combat Zones. J Surg Res. 2022;270:369–375. PMID: 34736129 https://doi.org/10.1016/j.jss.2021.09.017; Zadorozny EV, Weigel T, Galvagno SM, Brown JB, Guyette FX. Identifying Trigger Cues for Hospital Blood Transfusions Based on Ensemble Learning Methods. Int J Emerg Med. 2024;17(1):76. PMID: 38464129 https://doi.org/10.1186/s12245-024-00650-0; Nemeth C, Amos-Binks A, Rule G, Laufersweiler D, Keeney N, Flint I, et al. TCCC Decision Support with Machine Learning Prediction of Hemorrhage Risk, Shock Probability. Mil Med. 2023;188(Suppl 6):659– 665. PMID: 37948287 https://doi.org/10.1093/milmed/usad298; Convertino VA, Techentin RW, Poole RJ, Dacy AC, Carlson AN, Cardin S, et al. AI-Enabled Advanced Development for Assessing Low Circulating Blood Volume for Emergency Medical Care: Comparison of Compensatory Reserve Machine-Learning Algorithms. Sensors (Basel). 2022;22(7):2642. PMID: 35408255 https://doi.org/10.3390/s22072642; Gupta JF, Arshad SH, Telfer BA, Snider EJ, Convertino VA. Noninvasive Monitoring of Simulated Hemorrhage and Whole Blood Resuscitation. Biosensors (Basel). 2022;12(12):1168. PMID: 36551134 https://doi.org/10.3390/bios12121168; Koons NJ, Owens GA, Parsons DL, Schauer SG, Buller JL, Convertino VA. Combat medic testing of a novel monitoring capability for early detection of hemorrhage. J Trauma Acute Care Surg. 2020;89(2S Suppl 2):S146– S152. PMID: 32118826 https://doi.org/10.1097/TA.0000000000002649; Liu G, Xu J, Wang C, Yu M, Yuan J, Tian F, et al. A machine learning method for predicting the probability of MODS using only non-invasive parameters. Comput Methods Programs Biomed. 2022;227:107236. PMID: 36384060 https://doi.org/10.1016/j.cmpb.2022.107236; Kawai Y, Yamamoto K, Miyazaki K, Asai H, Fukushima H. Explainable Prediction Model of the Need for Emergency Hemostasis Using Field Information During Physician-Staffed Helicopter Emergency Medical Service Interventions: A Single-Center, Retrospective, Observational Pilot Study. Air Med J. 2023;42(5):336–342. PMID: 37716804 https://doi.org/10.1016/j.amj.2023.04.005; Hernandez Torres SI, Ruiz A, Holland L, Ortiz R, Snider EJ. Evaluation of Deep Learning Model Architectures for Point-of-Care Ultrasound Diagnostics. Bioengineering (Basel). 2024;11(4):392. PMID: 38671813 https://doi.org/10.3390/bioengineering11040392; Montgomery S, Li F, Funk C, Peethumangsin E, Morris M, Anderson JT, et al. Detection of pneumothorax on ultrasound using artificial intelligence. J Trauma Acute Care Surg. 2023;94(3):379–384. PMID: 36730087 https://doi.org/10.1097/TA.0000000000003845; Cheng CY, Chiu IM, Hsu MY, Pan HY, Tsai CM, Lin CR. Deep Learning Assisted Detection of Abdominal Free Fluid in Morison’s Pouch During Focused Assessment with Sonography in Trauma. Front Med (Lausanne). 2021;8:707437. PMID: 34631730 https://doi.org/10.3389/fmed.2021.707437; Leo MM, Potter IY, Zahiri M, Vaziri A, Jung CF, Feldman JA. Using Deep Learning to Detect the Presence and Location of Hemoperitoneum on the Focused Assessment with Sonography in Trauma (FAST) Examination in Adults. J Digit Imaging. 2023;36(5):2035–2050. PMID: 37286904 https://doi.org/10.1007/s10278-023-00845-6; Candefjord S, Nguyen L, Buendia R, Oropeza–Moe M, Andersen NG, Fhager A, et al. A wearable microwave instrument can detect and monitor traumatic abdominal injuries in a porcine model. Sci Rep. 2021;11(1):23220. PMID: 34853326 https://doi.org/10.1038/s41598-021-02008-5; Jin X, Frock A, Nagaraja S, Wallqvist A, Reifman J. AI algorithm for personalized resource allocation and treatment of hemorrhage casualties. Front Physiol. 2024;15:1327948. PMID: 38332989 https://doi.org/10.3389/fphys.2024.1327948; Brattain LJ, Pierce TT, Gjesteby LA, Johnson MR, DeLosa ND, Werblin JS, et al. AI-Enabled, Ultrasound-Guided Handheld Robotic Device for Femoral Vascular Access. Biosensors (Basel). 2021;11(12):522. PMID: 34940279 https://doi.org/10.3390/bios11120522; Birch E, Couperus K, Gorbatkin C, Kirkpatrick AW, Wachs J, Candelore R, et al. Trauma THOMPSON: Clinical Decision Support for the Frontline Medic. Mil Med. 2023;188(Suppl 6):208–214. PMID: 37948255 https://doi.org/10.1093/milmed/usad087; Timbi-Sisalima C, Rodas EB, Salamea JC, Sacoto H, Monje-Ortega D, Robles-Bykbaev V. An Intelligent Ecosystem for Providing Support in Prehospital Trauma Care in Cuenca, Ecuador. Stud Health Technol Inform. 2015;216:329–332. PMID: 26262065; Mammas CS, Mamma AS. Remote Monitoring, AI, Machine Learning and Mobile Ultrasound Integration upon 5G Internet in the Prehospital Care to Support the Golden Hour Principle and Optimize Outcomes in Severe Trauma and Emergency Surgery. Stud Health Technol Inform. 2024;316:1807–1811. PMID: 39176842 https://doi.org/10.3233/SHTI240782; https://www.jnmp.ru/jour/article/view/2217
-
14Academic Journal
Authors: Роштова Александра Сергеевна, МАОУ «Гимназия №5» м.о. г. Чебоксары – столицы Чувашской Республики, Aleksandra S. Roshtova,
MAOU "Gimnaziia 5" m.o. g. Cheboksary - stolitsy Chuvashskoi Respubliki Source: Law, Economics and Management; ; Актуальные вопросы экономики, права и социологии
Subject Terms: лабораторные работы, экология, переработка, отходы, утилизация, технологии искусственного интеллекта, экологическая обстановка, сортировка
File Description: text/html
Relation: info:eu-repo/semantics/altIdentifier/isbn/978-5-908083-12-6; https://phsreda.com/e-articles/10783/Action10783-151083.pdf; Иванов А.А. Управление отходами: современные методы и технологии / А.А. Иванов. – М.: Экология, 2022.; Петров Б.Б. Искусственный интеллект в системах управления отходами / Б.Б. Петров. – СПб.: Наука, 2023.; Smith J. Intelligent Waste Management Systems: An Overview / J. Smith. – New York: Tech Press, 2021.; Brown L. Machine Learning Applications in Waste Collection and Sorting / L. Brown // Journal of Environmental Management. – 2022. – Vol. 160. – P. 150–165.; Lee K. Integration of AI and IoT for Smart Waste Management / K. Lee, S. Park // International Journal of Smart Cities. – 2023. – Vol. 8. No. 1. – P. 35–50.; World Health Organization (WHO). Waste Management and Environmental Health: A Comprehensive Review. – Geneva: WHO, 2021.; Chen Y. AI-Driven Waste Collection Optimization / Y. Chen, R. Zhao // Environmental Science & Technology. – 2022. – Vol. 60. No. 5. – P. 220–235.; Johnson M. Implementing AI-Based Waste Management Systems in Urban Areas / M. Johnson // Urban Planning Review. – 2023. – Vol. 15. No. 2. – P. 90–105.; Garcia M. Case Studies on AI-Enhanced Waste Management / M. Garcia, P. Lopez // Waste Management Case Studies. – 2024. – Vol. 11. – P. 60–75.; Kumar S. Challenges in Deploying AI Systems for Waste Management / S. Kumar, A. Singh // International Journal of Environmental Research. – 2023. – Vol. 22. No. 3. – P. 320–335.; https://phsreda.com/article/151083/discussion_platform
-
15Academic Journal
Source: Advanced Economics and Pedagogical Technologies
Subject Terms: Indonesia, устойчивость, sustainability, barqarorlik, искусственный интеллект, artificial intelligence, sun’iy intellekt, переработка, circular economy, циркулярная экономика, waste reduction, recycling, smart sorting, сокращение отходов, умная сортировка, sun’iy intellektchiqindilarni kamaytirish, qayta ishlash, aqlli saralash
File Description: application/pdf
-
16Academic Journal
Authors: A. Yu. Perminov, N. S. Fomenko, S. S. Petrikov, A. R. Samarin, N. P. Dragunova, A. I. Maksimov, I. K. Melnikova, V. A. Molodov, А. Ю. Перминов, Н. С. Фоменко, С. С. Петриков, А. Р. Самарин, Н. П. Драгунова, А. И. Максимов, И. К. Мельникова, В. А. Молодов
Contributors: The study has no sponsorship, Исследование не имеет спонсорской поддержки. Плановая НИР № 5.1.23.25
Source: Russian Sklifosovsky Journal "Emergency Medical Care"; Том 13, № 4 (2024); 691-705 ; Журнал им. Н.В. Склифосовского «Неотложная медицинская помощь»; Том 13, № 4 (2024); 691-705 ; 2541-8017 ; 2223-9022
Subject Terms: проект развития, organizational development, small group, personnel orientation, classification features, sorting of proposals for improvement, artificial intelligence, blitz project, development project, организационное развитие, малая группа, персоналоориентированность, классификационные признаки, сортировка предложений по совершенствованию, искусственный интеллект, блиц-проект
File Description: application/pdf
Relation: https://www.jnmp.ru/jour/article/view/2012/1514; https://www.jnmp.ru/jour/article/view/2012/1673; Федеральный закон от 21.11.2011 № 323-ФЗ (ред. от 26.05.2021) «Об основах охраны здоровья граждан в Российской Федерации». URL: https://minzdrav.gov.ru/documents/7025 [Дата обращения 12.12.2023].; Адизес И.К. Управление жизненным циклом компании. Как организации растут, развиваются и умирают и что с этим делать: практическое пособие: пер. с англ. Москва: Альпина Паблишер; 2022.; Соловьев В.С. Полное собрание сочинений и писем в двадцати томах. Сочинения в пятнадцати томах. Т. 2: Сочинения, 1875–1877. Москва: Наука; 2000.; Михневич С.И. О некоторых тенденциях развития мировой экономики в эпоху цифровой глобализации. Торговая политика. 2019;1(17):120–140. https://doi.org/10.17323/2499-9415-2019-1-17-120-140; Друкер П. Задачи менеджмента в ХХI веке: пер. с англ. Москва: ИД Вильямс; 2007.; Боно Э. Серьезное творческое мышление: пер. с англ. Минск: Поппури; 2005.; Серебрякова Г.В., Незамайкин И.В. Модели управления развитием организации. Чебоксары: Среда; 2022.; Паскаль Р., Этос Э. Искусство японского менеджмента: пер. с англ. Москва, Олимп-Бизнес; 2006.; Мищенко И.К. Основы планирования деятельности предприятия: учеб. пособие. Барнаул: Изд-во Алт. гос. ун-та; 2008.; Портер МЕ. Конкурентная стратегия: методика анализа отраслей и конкурентов: пер. с англ. Москва: Альпина Паблишер; 2019.; Борисенко И.Л., Елфимова И.Ф., Каблашова И.В., Логунова И.В. Основы менеджмента: практикум: учеб. пособие. Воронеж: ФГБОУВПО Воронежский государственный технический университет; 2011.; Минцберг Г., Альстранд Б., Лампель Ж. Стратегическое сафари: Экскурсия по дебрям стратегического менеджмента: пер. с англ. Москва: Альпина Паблишер; 2013.; Хэнна Д. Лидерство на все времена. Результаты сегодня – наследие на века: пер. с англ. Москва: Альпина Паблишер; 2014.; Иванова И.А., Сергеев А.М. Менеджмент: учебник и практикум для среднего профессионального образования. Москва: Издательство Юрайт; 2018.; Бугакова М.С., Григорьянц И.А. Модель изменений Курта Левина. В кн.: Современные подходы в управлении экономическими системами в условиях глобальных преобразований: сб. материалов I междунар. науч.-практ. конф. (Самара 8 октября 2019 г.). Самара; 2020. с. 27–33. URL: http://repo.ssau.ru/bitstream/Sovremennye-podhodyv-upravlenii-ekonomicheskimi-sistemami/Model-izmenenii-KurtaLevina-83930/1/с.%2027-33.pdf [Дата обращения 05 февраля 2024 г.]; Управление организационными изменениями: учеб. пособие. СанктПетербург: Издат. дом С.-Петерб. гос. ун-та; 2005.; Менеджмент организации в условиях стратегических изменений. Барнаул: Изд-во Алт. ун-та; 2009.; Готсданкер А. Бизнес-психология: Почему сотрудники всегда против изменений. Издательские решения; 2015.; Зазыгин С.П. Алгоритмы управления изменениями в организации.; E-SCIO. 2021;3(54):393–400.; Satir V, Banmen J, Gerber J, Gomori M. The Satir Model: Family Therapy and Beyond. Palo Alto, California: Science and Behavior Books; 1991.; Маурер Р. За стеной сопротивления: пер. с англ. Austin: Bard Books;1996.; Управление изменениями в первичной медико-санитарной помощи: исследовательские компетенции врачей и критическое мышление. Москва: ГБУ «НИИОЗММ ДЗМ»;2023. URL: https://niioz.ru/upload/iblock/16d/16d600199781bc3f82efb61e7151f8e2.pdf [Дата обращения 05 февраля 2024 г.]; Коттер Д.П. Впереди перемен: пер. с англ. Москва: Олимп-Бизнес; 2014.; Имаи М. Кайдзен. Ключ к успеху японских компаний: пер. с англ. Москва: Альпина Паблишер; 2016.; Имаи М. Гемба Кайдзен: Путь к снижению затрат и повышению качества: пер. с англ. Москва: Альпина Бизнес Букс; 2005.; Перминов А.Ю., Фоменко Н.С., Петриков С.С., Навзади Ф.М. Организационно-методический подход к описанию и нормированию лечебно-диагностических процессов многопрофильного стационара. Журнал им. Н.В. Склифосовского «Неотложная медицинская помощь». 2021;10(1):153–160. https://doi.org/10.23934/2223-9022-2021-10-1-153-160; Фоменко Н.С., Перминов А.Ю., Петриков С.С. Опыт внедрения организационно-методического подхода к описанию и нормированию лечебно-диагностических процессов в ГБУЗ «НИИ СП им. Н.В. Склифосовского ДЗМ». Журнал им. Н.В. Склифосовского «Неотложная медицинская помощь». 2021;10(2):367–376. https://doi.org/10.23934/2223-9022-2021-10-2-367-376; Перминов А.Ю., Фоменко Н.С., Петриков С.С.; НИИ СП им. Н.В. Склифосовского. Методические рекомендации по описанию и нормированию лечебно-диагностических процессов: методические рекомендации № 65. Москва, 2022.; Приказ Департамента здравоохранения города Москвы от 10.02.2017 № 79 «О дальнейшем совершенствовании организации оказания медицинской помощи больным с острыми нарушениями мозгового кровообращения в медицинских организациях государственной системы здравоохранения города Москвы». URL: https://base.garant.ru/71628284/ [Дата обращения 05 февраля 2024 г.]; Субботин А.Л. Классификация. – Москва: ИФ РАН; 2001.; Философская энциклопедия: в 5 т. Т. 2. Москва: Советская энциклопедия; 1962. с. 488–489.; Фасетная классификация. URL: https://ru.wikipedia.org/wiki/Фасетная_классификация [Дата обращения 05 февраля 2024 г.]; https://www.jnmp.ru/jour/article/view/2012
-
17Academic Journal
Source: Экономика и предпринимательство. :667-670
Subject Terms: regional project, количество разработанных электронных моделей, share of equipment imports, the number of developed electronic models, share of municipal solid waste sent for treatment, sorting of used materials, 6. Clean water, сортировка использованных материалов, доля твердых бытовых отходов, 12. Responsible consumption, integrated management of municipal solid waste, 13. Climate action, 11. Sustainability, доля импорта оборудования, share of municipal solid waste sent for disposal, комплексное управление твердыми бытовыми отходами, региональный проект, отправляемых на переработку, отправляемых на утилизацию
-
18Academic Journal
Authors: Linas Svolkinas, George Holmes, Lilia Dmitrieva, Ilya Ermolin, Pavel Suvorkov, Simon J. Goodman
Source: People and Nature, Vol 5, Iss 4, Pp 1187-1206 (2023)
Linked Full TextSubject Terms: 0106 biological sciences, незаконный, несообщаемый и нерегулируемый (ННН) промысел, Россия, Ecology, 15. Life on land, барьерный анализ, политика в области рыболовства, 01 natural sciences, 12. Responsible consumption, GF1-900, прилов, Q сортировка, Human ecology. Anthropogeography, 13. Climate action, 14. Life underwater, ластоногие, Кавказ, QH540-549.5
-
19Academic Journal
Subject Terms: технологический процесс сортировки отходов, сбор твердых бытовых отходов, сортировка твердо-бытовых отходов, твердые бытовые отходы, полимерсодержащие отходы, переработка отходов
File Description: application/pdf
Access URL: https://elib.belstu.by/handle/123456789/66739
-
20Academic Journal
Source: Экономика и предпринимательство. :1390-1393
Subject Terms: искусственный интеллект, 9. Industry and infrastructure, втоматическая группировка, экономическая эффективность, оптимизация, производственные процессы, машинное зрение, сортировка, 8. Economic growth, индустрия 4.0, анализ данных, автоматизация, киберфизические системы, интернет вещей, информация
