\u012esivaizduokite radiolog\u0105, kuris per vien\u0105 darbo pamain\u0105 privalo \u012fvertinti daugyb\u0119 kr\u016btin\u0117s l\u0105stos rentgenogram\u0173. Kiekvien\u0105 vaizd\u0105 reikia atid\u017eiai per\u017ei\u016br\u0117ti, \u012fvertinti galimus pakitimus ir priimti sprendim\u0105, nuo kurio priklauso tolesn\u0117 paciento diagnostika bei gydymas. Dar visai neseniai tai buvo i\u0161imtin\u0117 gydytojo pareiga, ta\u010diau \u0161iandien kai kuriose gydymo \u012fstaigose, tokiose kaip Vilniaus \u0160e\u0161kin\u0117s poliklinika ar Kauno miesto poliklinika, radiologai \u012f pagalb\u0105 pasitelkia dirbtin\u012f intelekt\u0105. Algoritmai per kelias sekundes i\u0161analizuoja medicininius vaizdus, pa\u017eymi galimus pakitimus ir padeda radiologui priimti sprendim\u0105.<\/p>\n\n\n\n
Medicinos diagnostikoje \u2013 procese, kurio metu, \u012fvertinus paciento simptomus, tyrim\u0173 rezultatus ir kitus klinikinius duomenis, siekiama nustatyti lig\u0105, jos stadij\u0105 ir prie\u017eastis [1]<\/a> \u2013 dirbtinis intelektas pasiekia itin ger\u0173 rezultat\u0173: pavyzd\u017eiui, sistemingai \u012fvertinus \u012fvairias dirbtinio intelekto taikymo sritis medicinoje, nustatyta, kad giluminio mokymosi modeliai radiologijoje pasi\u017eymi vidutiniu 87 proc. jautrumu ir 89 proc. specifi\u0161kumu[2].<\/a> Kitoje didel\u0117s apimties meta-analiz\u0117je, lyginant radiolog\u0173 darb\u0105 su pagalba ir be jos, nustatyta, kad DI asistuojamiems specialistams pavyko padidinti diagnostin\u012f jautrum\u0105 nuo 0,67 iki 0,79, o specifi\u0161kum\u0105 \u2013 nuo 0,82 iki 0,87[3]<\/a>. Be to, dirbtinio intelekto \u012frankiai padeda optimizuoti klinikin\u0119 veikl\u0105, pavyzd\u017eiui, medicinini\u0173 vaizd\u0173 interpretavimo laik\u0105 sutrumpindami vidutini\u0161kai 27,2 proc[4].<\/a> Tai lemia DI geb\u0117jimas per labai trump\u0105 laik\u0105 i\u0161analizuoti didelius kiekius standartizuot\u0173 duomen\u0173, toki\u0173 kaip medicininiai vaizdai, laboratorini\u0173 tyrim\u0173 rezultatai ar elektroniniai sveikatos \u012fra\u0161ai, bei pasteb\u0117ti d\u0117sningumus, kuriuos \u017emogui atpa\u017einti b\u016bt\u0173 gerokai sud\u0117tingiau[5]<\/a>.<\/p>\n\n\n\n Kita vertus, tai n\u0117ra visi\u0161kai nauja sritis \u2013 medicinoje DI prad\u0117tas taikyti dar XX a. antroje pus\u0117je, sukuriant pirm\u0105sias ekspertines sistemas, tokias kaip infekcini\u0173 lig\u0173 diagnostikai skirt\u0105 \u201eMYCIN\u201c, veikusi\u0105 ,,jeigu-tada\u201c principu ir pad\u0117jusi\u0105 gydytojams parinkti tinkam\u0105 antibiotik\u0173 terapij\u0105, ta\u010diau tik ma\u0161ininio ir giluminio mokymosi pa\u017eanga sudar\u0117 s\u0105lygas pla\u010diam DI taikymui klinikin\u0117je praktikoje[5].<\/a> Be to, teisinis ai\u0161kumas d\u0117l to, k\u0105 apskritai galima laikyti dirbtiniu intelektu, atsirado tik pri\u0117mus 2024 m. bir\u017eelio 13 d. Europos Parlamento ir Tarybos reglament\u0105 (ES) 2024\/1689 (Dirbtinio intelekto aktas, DI aktas), kuriame pirm\u0105 kart\u0105 Europos S\u0105jungos lygmeniu \u012ftvirtinta vieninga dirbtinio intelekto sistemos apibr\u0117\u017etis. Pagal j\u012f, dirbtinio intelekto sistema \u2013 ma\u0161ina grind\u017eiama sistema, suprojektuota veikti \u012fvairiais autonomijos lygiais, kuri po diegimo gali veikti prisitaikydama ir kuri, siekiant ai\u0161ki\u0173 ar numanom\u0173 tiksl\u0173, i\u0161 gautos \u012fvesties duomen\u0173 daro i\u0161vad\u0105, kaip generuoti i\u0161vedinius, pavyzd\u017eiui, predikcijas, turin\u012f, rekomendacijas ar sprendimus, kurie gali tur\u0117ti \u012ftakos fizinei ar virtualiai aplinkai[6].<\/a> Siekdama u\u017etikrinti vienod\u0105 \u0161ios apibr\u0117\u017eties taikym\u0105 praktikoje, Europos Komisija 2025 m. paskelb\u0117 gaires, kuriose detaliau paai\u0161kino, kokios sistemos laikytinos dirbtinio intelekto sistemomis ir kokiais kriterijais jos atskiriamos nuo \u012fprastos programin\u0117s \u012frangos[7].<\/a><\/p>\n\n\n\n \u0160iandien dirbtinis intelektas taikomas beveik visose pagrindin\u0117se medicinos diagnostikos srityse. Spar\u010diausiai jis vystomas medicinini\u0173 vaizd\u0173 analiz\u0117je \u2013 radiologijoje, patologijoje, dermatologijoje, oftalmologijoje ir endoskopijoje[5]<\/a>. Ne ma\u017eiau svarbios sritys yra elektrokardiogram\u0173 (EKG), elektroencefalogram\u0173 (EEG), echokardiografijos bei kit\u0173 biomedicinini\u0173 signal\u0173 analiz\u0117, elektronini\u0173 sveikatos \u012fra\u0161\u0173 vertinimas ir laboratorin\u0117 diagnostika[8].<\/a> Vis da\u017eniau kuriami ir multimodaliniai modeliai, gebantys vienu metu analizuoti medicininius vaizdus, laboratorini\u0173 tyrim\u0173 rezultatus, klinikinius duomenis ir genetin\u0119 informacij\u0105, tod\u0117l gydytojai gali susidaryti i\u0161samesn\u012f paciento sveikatos b\u016bkl\u0117s vaizd\u0105. Ta\u010diau \u0161ios sistemos n\u0117ra universalios \u2013 kiekviena j\u0173 kuriama konkre\u010diai diagnostinei u\u017eduo\u010diai atlikti ir turi atitikti grie\u017etus saugos, veiksmingumo bei kokyb\u0117s reikalavimus, ypa\u010d kai jos naudojamos priimant klinikinius sprendimus[5].<\/a><\/p>\n\n\n\n Nepaisant spar\u010dios technologij\u0173 pa\u017eangos, dauguma medicinoje naudojam\u0173 dirbtinio intelekto sistem\u0173 n\u0117ra skirtos pakeisti gydytoj\u0105. Da\u017eniausiai jos veikia kaip klinikini\u0173 sprendim\u0173 palaikymo sistemos (angl. Clinical Decision Support Systems<\/em>, CDSS), kurios analizuoja medicininius duomenis, pateikia papildomas diagnostines ar prognostines \u012f\u017evalgas ir padeda priimti sprendimus[9].<\/a> Autonomini\u0173 sistem\u0173, galin\u010di\u0173 savaranki\u0161kai atlikti tam tikras diagnostines u\u017eduotis, kol kas yra nedaug, o net ir j\u0173 atveju \u017emogaus prie\u017ei\u016bra i\u0161lieka neatsiejama klinikinio proceso dalis[9].<\/a><\/p>\n\n\n\n Pavyzd\u017eiui, oftalmologijoje i\u0161vystyta ,,LumineticsCore\u2018\u2018 sistema analizuoja aki\u0173 dugno nuotraukas ir nustato diabetin\u0117s retinopatijos po\u017eymius \u2013 vien\u0105 da\u017eniausi\u0173 cukrinio diabeto komplikacij\u0173, galin\u010di\u0173 sukelti reg\u0117jimo praradim\u0105. ,,LumineticsCore\u201c priima savaranki\u0161k\u0105 diagnostin\u012f sprendim\u0105 \u2013 gydytojo atliekama vaizdo interpretacija \u0161iame etape neb\u0117ra b\u016btina. Jau 2018 m. \u0161i sistema tapo pirm\u0105ja JAV Maisto ir vaist\u0173 administracijos (angl. U.S. Food and Drug Administration<\/em>, FDA ) patvirtinta autonomine dirbtinio intelekto diagnostikos sistema[10].<\/a> Toks sprendimas svarbus ne tik technologij\u0173, bet ir teis\u0117s po\u017ei\u016briu, nes pirm\u0105 kart\u0105 i\u0161kilo klausimas, kaip paskirstyti atsakomyb\u0119, kai pirmin\u0119 diagnoz\u0119 pateikia ne \u017emogus, o algoritmas[9].<\/a> Tuo tarpu Europoje reik\u0161mingu reguliaciniu precedentu tapo Jungtin\u0117je Karalyst\u0117je sukurta sistema ,,DERM\u2018\u2018, 2025 m. tapusi pirm\u0105ja autonomine dirbtinio intelekto sistema, kuriai pagal Europos S\u0105jungos Medicinos priemoni\u0173 reglament\u0105 (ES) 2017\/745 (toliau \u2013 MDR) leista priimti klinikinius sprendimus d\u0117l odos v\u0117\u017eio be gydytojo per\u017ei\u016bros. Sistema buvo \u012fvertinta pagal grie\u017e\u010diausius III klas\u0117s medicinos priemon\u0117ms taikomus reikalavimus ir pa\u017eenklinta CE \u017eenklu[11]<\/a>.<\/p>\n\n\n\n Pastaraisiais metais vienas pa\u017eangiausi\u0173 \u0161ios srities sprendim\u0173 sukurtas Lietuvoje \u2013 Vilniuje \u012fsik\u016brusios bendrov\u0117s \u201eOxipit\u201c, kuri\u0105 2026 m. per\u0117m\u0117 tarptautin\u0117 medicinos technologij\u0173 \u012fmon\u0117 \u201eSectra\u201c, sukurta sistema \u201eChestLink\u201c, tapusi pirm\u0105ja pasaulyje CE IIb klas\u0117s sertifikuota autonomine dirbtinio intelekto sistema, skirta normalioms kr\u016btin\u0117s l\u0105stos rentgenogramoms atpa\u017einti[12].<\/a> Sistema per kelias sekundes \u012fvertina rentgenogram\u0105 ir, nenusta\u010diusi patologini\u0173 pakitim\u0173, pateikia i\u0161vad\u0105, kuri\u0105 galutinai patvirtina gydytojas. Toks \u017emogaus ir dirbtinio intelekto bendradarbiavimo modelis (angl. human-in-the-loop<\/em>), kai galutinis sprendimas i\u0161lieka gydytojo atsakomybe, o dirbtinis intelektas veikia kaip papildomas diagnostin\u0117s saugos ir darbo efektyvumo sluoksnis, Lietuvos gydymo \u012fstaigose s\u0117kmingai taikomas jau daugiau kaip ketverius metus[13].<\/a> \u0160is pavyzdys puikiai atspindi \u0161iandien vykstant\u012f pokyt\u012f \u2013 dirbtinis intelektas medicinos diagnostikoje tampa ne gydytojo pakaitalu, o patikimu pagalbininku, o Lietuva vis da\u017eniau minima ne tik kaip pa\u017eangi\u0173 technologij\u0173 naudotoja, bet ir kaip j\u0173 k\u016br\u0117ja.<\/p>\n\n\n\n Kita vertus, gerokai da\u017eniau diagnostikoje galima susidurti ne su autonomin\u0117mis o su klinikini\u0173 sprendim\u0173 palaikymo sistemomis. Pavyzd\u017eiui, sistema ,,Paige Prostate Detect\u201c padeda patologams tiksliau aptikti prostatos v\u0117\u017eio po\u017eymius skaitmeniniuose histologiniuose preparatuose ir suma\u017eina diagnostini\u0173 klaid\u0173 tikimyb\u0119[14].<\/a> Tuo tarpu Lietuvoje patologijoje reik\u0161mingu \u017eingsniu tapo 2024 m. Nacionalinio patologijos centro prisijungimas prie Europos skaitmenin\u0117s patologijos tinklo EMPAIA, o 2026 m. Vilniaus universiteto ligonin\u0117s Santaros klinik\u0173 Nacionaliniame patologijos centre prad\u0117ta naudoti dirbtinio intelekto sistema \u201eIbex Breast HER2\u201c, skirta HER2 biomarkeriui vertinti kr\u016bties v\u0117\u017eio diagnostikoje. Tai pirmasis Baltijos \u0161alyse toks dirbtinio intelekto sprendimas, pa\u017eenklintas CE \u017eenklu pagal In vitro diagnostikos medicinos priemoni\u0173 reglamento (ES) 2017\/746 (toliau \u2013 IVDR) reikalavimus[15].<\/a> Kardiologijos srityje Lietuvoje sukurta \u201eLigence Heart\u201c sistema automatizuoja echokardiografini\u0173 vaizd\u0173 analiz\u0119, atlieka standartizuotus \u0161irdies matavimus ir padeda rengti strukt\u016brizuotas klinikines ataskaitas[16].<\/a><\/p>\n\n\n\n Dirbtinis intelektas \u0161iandien taikomas \u012fvairiose diagnostikos srityse \u2013 nuo neurologijos iki endoskopijos. Pavyzd\u017eiui, EEG signal\u0173 analiz\u0117s sistema ,,autoSCORE\u201c padeda gydytojams grei\u010diau identifikuoti epilepsijai b\u016bdingus pakitimus[17],<\/a> o Lietuvoje LSMU Kauno ligonin\u0117 naudojama endoskopin\u0117 platforma ,,Olympus EVIS X1\u201c su integruotomis dirbtinio intelekto pagrindu veikian\u010diomis kompiuterin\u0117s pakitim\u0173 aptikimo ir diagnostikos (CAD) funkcijomis realiuoju laiku analizuoja kolonoskopijos vaizd\u0105 ir padeda aptikti ankstyvus gleivin\u0117s pakitimus[18].<\/a> Visais pamin\u0117taisiais atvejais DI veikia kaip klinikinio sprendimo palaikymo priemon\u0117, skirta atlikti ai\u0161kiai apibr\u0117\u017etas diagnostines u\u017eduotis, padedanti tiksliau ir nuosekliau \u012fvertinti tyrimo rezultatus, ta\u010diau galutin\u012f sprendim\u0105 priima sveikatos prie\u017ei\u016bros specialistas.<\/p>\n\n\n\n ES DI aktas grind\u017eiamas rizika pagr\u012fstu reguliavimo modeliu. Jame dirbtinio intelekto sistemos skirstomos \u012f keturias rizikos kategorijas: nepriimtinos rizikos, didel\u0117s rizikos, ribotos rizikos ir minimalios rizikos sistemas. Kuo didesn\u0117 galima sistemos \u012ftaka asmens sveikatai, saugai ar pagrindin\u0117ms teis\u0117ms, tuo grie\u017etesni teisiniai reikalavimai taikomi jos k\u016brimui, pateikimui rinkai ir naudojimui[7].<\/a><\/p>\n\n\n\n Medicinos diagnostikoje naudojamos dirbtinio intelekto sistemos da\u017eniausiai priskiriamos didel\u0117s rizikos sistemoms, ta\u010diau tokiomis laikomos ne visos medicinoje naudojamos DI sistemos, o tik tos, kurios atitinka DI akto 6 straipsnyje ir I priede nustatytus kriterijus[7<\/a>,19<\/a>].Medicinin\u0117s diagnostikos srityje didel\u0117s rizikos status\u0105 tokios sistemos da\u017eniausiai \u012fgyja tod\u0117l, kad jos yra medicinos priemon\u0117s arba in vitro diagnostikos medicinos priemon\u0117s (ar j\u0173 saugos komponentai), kuri\u0173 atitikties vertinimui pagal MDR arba IVDR privalomas notifikuotosios \u012fstaigos dalyvavimas. Ta\u010diau didel\u0117s rizikos DI sistemomis gali b\u016bti laikomos ir tam tikros DI akto III priede nurodytos sistemos, kuri\u0173 kvalifikavimas n\u0117ra siejamas su notifikuotosios \u012fstaigos atliekamu atitikties vertinimu. Tokiu atveju DI sistemos tiek\u0117jai privalo u\u017etikrinti ne tik auk\u0161t\u0105 sistemos diagnostin\u012f tikslum\u0105, bet ir \u012frodyti jos saug\u0105, klinikin\u012f veiksmingum\u0105, naudot\u0173 duomen\u0173 kokyb\u0119, \u012fdiegti rizikos valdymo priemones, u\u017etikrinti \u017emogaus prie\u017ei\u016br\u0105 bei vykdyti nuolatin\u0119 sistemos steb\u0117sen\u0105 viso jos gyvavimo ciklo metu[19]<\/a>. DI taikymas medicinos diagnostikoje reikalauja ne tik auk\u0161to algoritm\u0173 tikslumo, bet ir ai\u0161kaus teisinio bei organizacinio pagrindo. Prie\u0161 pradedant naudoti toki\u0105 sistem\u0105, sveikatos prie\u017ei\u016bros \u012fstaigos privalo u\u017etikrinti tinkam\u0105 \u017emogaus prie\u017ei\u016br\u0105, darbuotoj\u0173 ra\u0161tingum\u0105 DI srityje, u\u017etikrinti naudojam\u0173 duomen\u0173 kokyb\u0119, sistemos veikimo steb\u0117sen\u0105 ir jos naudojim\u0105 pagal gamintojo numatyt\u0105 paskirt\u012f[7].<\/a> Tod\u0117l medicinos diagnostikos ateit\u012f lems ne vien technologin\u0117 pa\u017eanga, bet ir geb\u0117jimas j\u0105 suderinti su teisiniu reguliavimu. D\u0117l \u0161ios prie\u017easties dirbtinio intelekto sistem\u0173 diegimas ir naudojimas negali b\u016bti grind\u017eiamas vien technologin\u0117mis galimyb\u0117mis \u2013 b\u016btina u\u017etikrinti j\u0173 atitikt\u012f Europos S\u0105jungos teis\u0117je nustatytiems saugos, kokyb\u0117s, skaidrumo, \u017emogaus prie\u017ei\u016bros ir atskaitomyb\u0117s reikalavimams.<\/p>\n\n\n\n Nepaisant spar\u010dios autonomini\u0173 sistem\u0173 pl\u0117tros, galutin\u0117 atsakomyb\u0117 u\u017e klinikin\u012f sprendim\u0105 daugeliu atvej\u0173 i\u0161lieka sveikatos prie\u017ei\u016bros specialistui. Tod\u0117l dirbtinio intelekto naudojimas medicinin\u0117je diagnostikoje nekei\u010dia gydytojo profesin\u0117s pareigos veikti r\u016bpestingai ir laikytis profesini\u0173 standart\u0173. Prie\u0161ingai \u2013 dirbtinis intelektas tampa papildomu sprendim\u0173 pri\u0117mimo \u012frankiu, kurio rekomendacijos turi b\u016bti kriti\u0161kai \u012fvertintos atsi\u017evelgiant \u012f konkre\u010di\u0105 klinikin\u0119 situacij\u0105. \u0160i aplinkyb\u0117 lemia, kad \u017emogaus prie\u017ei\u016bros principas tampa vienu svarbiausi\u0173 teisini\u0173 saugikli\u0173 diegiant dirbtinio intelekto sistemas sveikatos prie\u017ei\u016broje. Ne ma\u017eiau svarbus tampa ir sveikatos prie\u017ei\u016bros specialist\u0173 dirbtinio intelekto ra\u0161tingumas. Siekiant u\u017etikrinti teis\u0117t\u0105 ir saug\u0173 didel\u0117s rizikos dirbtinio intelekto sistem\u0173 naudojim\u0105, sveikatos prie\u017ei\u016bros specialistai turi ne tik geb\u0117ti naudotis tokiomis sistemomis, bet ir suprasti j\u0173 veikimo principus, taikymo ribas, galimas klaidas, duomen\u0173 kokyb\u0117s reik\u0161m\u0119, \u017emogaus prie\u017ei\u016bros pareig\u0105 bei su j\u0173 naudojimu susijusias teisines ir etines pasekmes. Tokie geb\u0117jimai yra b\u016btini \u012fgyvendinant Europos S\u0105jungos Dirbtinio intelekto akte \u012ftvirtint\u0105 pareig\u0105 u\u017etikrinti pakankam\u0105 dirbtinio intelekto ra\u0161tingum\u0105 (4 straipsnis), tinkamai vykdyti didel\u0117s rizikos sistemoms taikomus \u017emogaus prie\u017ei\u016bros reikalavimus (14 straipsnis) bei u\u017etikrinti, kad sistema b\u016bt\u0173 naudojama pagal tiek\u0117jo pateiktas naudojimo instrukcijas ir paskirt\u012f (26 straipsnis). Praktikoje tai rei\u0161kia, kad gydytojas privalo geb\u0117ti kriti\u0161kai vertinti dirbtinio intelekto pateikiamas rekomendacijas, atpa\u017einti situacijas, kai jos gali b\u016bti netikslios ar nepatikimos, ir priimti savaranki\u0161k\u0105 klinikin\u012f sprendim\u0105, grind\u017eiam\u0105 profesine kompetencija bei paciento interesai.<\/p>\n\n\n\n Atsi\u017evelgiant \u012f \u0161i\u0105 problematik\u0105, Vilniaus universiteto Teis\u0117s fakulteto ketvirto kurso student\u0117 Migl\u0117 Bernatonyt\u0117 vykdo mokslin\u012f tyrim\u0105 \u201eDirbtinio intelekto taikymo medicinin\u0117je diagnostikoje metodologijos parengimas: reguliaciniai i\u0161\u0161\u016bkiai ir praktinio \u012fgyvendinimo modelis Lietuvoje\u201c. Tyrimo metu siekiama i\u0161analizuoti Europos S\u0105jungos Dirbtinio intelekto akto reikalavimus, taikomus medicinin\u0117je diagnostikoje naudojamoms dirbtinio intelekto sistemoms, \u012fvertinti pagrindinius j\u0173 praktinio \u012fgyvendinimo teisinius i\u0161\u0161\u016bkius bei parengti Lietuvos sveikatos prie\u017ei\u016bros sektoriui pritaikytas rekomendacijas (gaires), skirtas teis\u0117tam, saugiam ir atsakingam dirbtinio intelekto sprendim\u0173 diegimui. Projekto vadov\u0117 \u2013 asistent\u0117 dr. Neringa Gaubien\u0117. Tyrimas finansuojamas Lietuvos mokslo taryba Student\u0173 vasaros praktikos programos l\u0117\u0161omis.<\/p>\n\n\n\n Straipsnis parengtas Vilniaus universiteto Teis\u0117s fakulteto ketvirto kurso student\u0117s Migl\u0117s Bernatonyt\u0117s, \u012fgyvendinant Lietuvos mokslo tarybos finansuojam\u0105 Student\u0173 vasaros praktikos projekt\u0105, vadovaujam\u0105 asistent\u0117s dr. Neringos Gaubien\u0117s.<\/em><\/p>\n\n\n\n ____<\/p>\n\n\n\n Literat\u016bros s\u0105ra\u0161as<\/strong><\/p>\n\n\n\n \u012esivaizduokite radiolog\u0105, kuris per vien\u0105 darbo pamain\u0105 privalo \u012fvertinti daugyb\u0119 kr\u016btin\u0117s l\u0105stos rentgenogram\u0173. Kiekvien\u0105 vaizd\u0105 reikia atid\u017eiai per\u017ei\u016br\u0117ti, \u012fvertinti galimus pakitimus ir priimti sprendim\u0105, nuo kurio priklauso tolesn\u0117 paciento diagnostika bei gydymas. Dar visai neseniai tai buvo i\u0161imtin\u0117 gydytojo pareiga, ta\u010diau \u0161iandien kai kuriose gydymo \u012fstaigose, tokiose kaip Vilniaus \u0160e\u0161kin\u0117s poliklinika ar Kauno miesto poliklinika, …<\/p>\n","protected":false},"author":2,"featured_media":53160,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"episode_type":"","audio_file":"","duration":"","filesize":"","date_recorded":"","explicit":"","block":"","filesize_raw":""},"categories":[45],"tags":[896,424,289,49],"_links":{"self":[{"href":"https:\/\/www.teise.pro\/index.php\/wp-json\/wp\/v2\/posts\/53156"}],"collection":[{"href":"https:\/\/www.teise.pro\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.teise.pro\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.teise.pro\/index.php\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/www.teise.pro\/index.php\/wp-json\/wp\/v2\/comments?post=53156"}],"version-history":[{"count":3,"href":"https:\/\/www.teise.pro\/index.php\/wp-json\/wp\/v2\/posts\/53156\/revisions"}],"predecessor-version":[{"id":53162,"href":"https:\/\/www.teise.pro\/index.php\/wp-json\/wp\/v2\/posts\/53156\/revisions\/53162"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.teise.pro\/index.php\/wp-json\/wp\/v2\/media\/53160"}],"wp:attachment":[{"href":"https:\/\/www.teise.pro\/index.php\/wp-json\/wp\/v2\/media?parent=53156"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.teise.pro\/index.php\/wp-json\/wp\/v2\/categories?post=53156"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.teise.pro\/index.php\/wp-json\/wp\/v2\/tags?post=53156"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}