Алгоритмы анализа информации и поддержки принятия решений в медицинских технологических процессах тема диссертации и автореферата по ВАК РФ 05.11.17, кандидат наук Доан Дык Ха
- Специальность ВАК РФ05.11.17
- Количество страниц 141
Оглавление диссертации кандидат наук Доан Дык Ха
ВВЕДЕНИЕ
1 ОСОБЕННОСТИ РАЗРАБОТКИ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ МЕДИЦИНСКИХ РЕШЕНИЙ
1.1 Вводные замечания
1.2 Неопределенность при обработке медико-технологических данных в задачах поддержки принятия медицинских решений
1.3 Методы получения статистической медицинской информации для управленческих медицинских решений
1.4 Применение теории нечетких множеств для представления медицинских знаний
1.5 Анализ медицинских информационных систем и систем поддержки принятия медицинских решений
1.6 Выводы по главе
2 ПРИМЕНЕНИЕ АЛГОРИТМА НЕЧЕТКОЙ КЛАСТЕРИЗАЦИИ ДЛЯ ИССЛЕДОВАНИЯ ДАННЫХ МЕДИКО-ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА
2.1 Вводные замечания
2.2 Задача анализа статистических данных в информационной системе медицинского назначения в условиях неопределенности
2.3 Применение кластеризации для анализа статистической информации медико-технологического процесса
2.4 Алгоритм нечеткой кластеризации в задаче поддержки принятия медицинских решений
2.5 Оценка качества нечеткой кластеризации
2.6 Использование алгоритма нечеткой кластеризации в системе поддержки принятия медицинских решений
2.7 Выводы по главе
3 ПОСТРОЕНИЕ МЕДИЦИНСКИХ ЭКСПЕРТНЫХ СИСТЕМ СОПРОВОЖДЕНИЯ МЕДИКО-ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА
3.1 Вводные замечания
3.2 Структура системы поддержки принятия медицинских решений в условиях неопределенности
3.3 Схема построения смешанной медицинской экспертной системы
3.4 Формирование модели состояния здоровья пациента в медицинских экспертных системах
3.5 Медицинская система поддержки принятия решения на основе алгоритма нечеткой кластеризации
3.6 Результаты применения разработанной методики для сопровождений медико-технологического процесса
3.7 Выводы по главе
4 ПРОГРАММНАЯ РЕАЛИЗАЦИЯ АЛГОРИТМОВ ОБРАБОТКИ СТАТИСТИЧЕСКИХ ДАННЫХ МЕДИКО-ТЕХНОЛИГИЧЕСКИХ ПРОЦЕССОВ В ИНТЕЛЛЕКТУАЛЬНЫХ МЕДИЦИСКИХ СИСТЕМАХ
4.1 Вводные замечания
4.2 Выбор вариантов течения заболевания на базе программного комплекса поддержки принятия решений на основе нечеткой логики «Эксперт 4. Обработка статистических данных медико-технологических процессов методом нечеткой кластеризации»
4.3 Оценка состояния здоровья пациента посредством медицинской системы поддержки принятия решений на базе применения нечеткой логики «Эксперт 4»
4.4 Автоматизированная информационная система медицинского назначения «Эксперт»
4.5 Выводы по главе
ЗАКЛЮЧЕНИЕ
СПИСОК СОКРАЩЕНИЙ
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЕ
Приложение 1. Перечень существующих СППМР
Приложение 2. Акт внедрения результатов диссертационной работы в
учебном процессе ФГБОУ ВО «РГРТУ»
Приложение 3. Акт внедрения результатов диссертационной работы в
ГБУ РО ОКПТД (г. Рязань)
Приложение 4. Свидетельство о регистрации программ
Рекомендованный список диссертаций по специальности «Приборы, системы и изделия медицинского назначения», 05.11.17 шифр ВАК
Методы и алгоритмы управления материальными потоками на основе когнитивного подхода в системах медицинского назначения2022 год, кандидат наук Жулева Светлана Юрьевна
Методологические основы построения интеллектуальной поддержки принятия решений в медицинских системах.2014 год, кандидат наук Крошилин, Александр Викторович
Поддержка принятия решений в системе ранней диагностики заболеваний2024 год, кандидат наук Серобабов Александр Сергеевич
Методы формирования нечетких моделей оценки состояния объектов в условиях неопределенности2019 год, доктор наук Катасёв Алексей Сергеевич
Исследование и разработка автоматизированных информационных распределенных систем управления производственными процессами медицинских комплексов2017 год, кандидат наук Мутин, Денис Игоревич
Введение диссертации (часть автореферата) на тему «Алгоритмы анализа информации и поддержки принятия решений в медицинских технологических процессах»
ВВЕДЕНИЕ
Актуальность темы диссертационного исследования. Компьютерные технологии уже давно являются неотъемлемой частью различных сфер жизни большинства развитых стран, и медицинская область не стала исключением. Фактически доказано, что внедрение информационных технологий в медицинских учреждениях значительно повышает эффективность профессиональной работы специалистов, а также непосредственное управление учреждением. Ключевым звеном системы здравоохранения являются медицинские информационные системы (МИС), а также их исследование, построение и разработка. МИС позволяют автоматизировать в них процессы для повышения доступности и качества оказания медицинской помощи населению, сокращения бумажного документооборота и уменьшения затрат на лечение, а также государственного расхода на компенсацию по утрате здоровья пациента.
Работа медицинских специалистов и врачей, чаще всего, связывается с принятием медицинских решений (ПМР) в медико-технологическом процессе, которые можно разделить на: лечебно-диагностические решения - медицинские решения относительно пациента, например, постановка диагноза, выбор варианта течения заболевания (ВТЗ), оценка состояния здоровья пациента (СЗП) и др.; медицинские управленческие решения (МУР); медицинские решения, связанные с деятельностью управления, например, управление медицинскими кадрами, распределение лекарственных препаратов, медицинского оборудования и др.
Для принятия рационального решения врачу, выступающему в качестве лица, принимающего медицинское решение (ЛПМР), нужно осуществлять анализ большего количества медицинской информации о проблемной ситуации, а при наличии ограничений по времени это невозможно или довольно затруднено. Таким образом, при работе с огромным объемом данных существует высокая вероятность пропустить потенциально полезную информацию.
Исходная медицинская информация характеризуется неопределенностью,
которая возникает по ряду различных причин: неполнота существующих знаний о проблемной ситуации, неполнота или неточность информации о СЗП; противоречивость имеющейся информации; отсутствие компетентных врачей-экспертов в момент ПМР, ограниченность ресурсов (временных, финансовых) медицинских учреждений. Во многих случаях ЛПМР, например, при необходимости осуществления мониторинга медико-технологического процесса, вырабатывает медицинское решение, опираясь на собственные опыт, знания и интуицию, в связи с чем процесс ПМР носит неопределенный характер. Приведенные факторы представляют собой причины врачебных ошибок, приводящих к дальнейшему ухудшению проблемной ситуации. При этом для поддержки ЛПМР в ПМР важной проблемой являются оценка неопределенности исходных данных и ее уменьшение при обработке медицинской информации медико-технологического процесса.
Для решения вышеуказанных задач в настоящее время применяются информационные системы медицинского назначения, важное место в которых занимают системы поддержки принятия медицинских решений (СППМР).
Задача применения информационных систем медицинского назначения в обеспечении инфекционной безопасности и эффективном лечении разных инфекционных заболеваний присуща ряду направлений в различных мероприятиях. Большинство современных медицинских учреждений, в том числе и медицинские учреждения диспансерного типа, используют в своей деятельности различные МИС, включая и СППМР. В процессе своего функционирования СППМР позволяют собирать и хранить большие объемы различного типа медицинской информации, которая может оказаться потенциально полезной при проведении дополнительных исследований. Эффективное использование накопленной статистической информации в СППМР позволяет решить некоторые медицинские задачи (подготовка мотивационной базы для ПМР при выборе ВТЗ, оценка СЗП). Это достигается путем применения средств интеллектуального анализа с использованием методов нечеткой кластеризации на основе теории нечетких множеств и нечеткой логики.
На основании вышеизложенного следует, что задача анализа статистической информации и поддержки принятия решения в МИС является актуальной и может быть решена посредством разработки СППМР, в основу которой должны быть заложены методы и алгоритмы нечеткой кластеризации на базе теории нечетких множеств и нечеткой логики.
Актуальность темы диссертации подтверждается тем, что она выполнялась в рамках госбюджетной НИР 14-01-97500 «Разработка интеллектуальной аналитической системы оценки состояния здоровья пациентов на основе нечеткой логики для медицинских учреждений с применением прогрессивных технологий, обеспечивающих инновационное развитие медицины и социальной сферы» (20142015г.).
Степень разработанности темы диссертационного исследования.
Основы теории нечетких множеств основаны на трудах авторов: Л.А. Заде [56, 111, 112]; А. Кофман [66]; Н.Г. Малышев и Л.С. Берштейн [82]; Р.Р. Ягер [98]; А.Н. Аверкин, И.З. Батыршин и А.Ф. Блишун [1]; А.Н. Борисов, О.А. Крумберг и И.П. Федоров [5]; К. Асаи, Д. Ватада, С. Иваи и Т. Тэрано [2]; Д.А. Поспелов [90] и др. Другие подходы в развитии теории нечетких множеств освещены в работах авторов: Д. Дюбуа [46]; А. Загорянская [55]; В.Н. Козлов [64]; К. Х. Нгуен [109] и др. Реализация ряда алгоритмов нечеткого вывода освещена в трудах: Е. Мамдани, М. Сугено, Х. Ларсена, Й. Цукамото [82, 100].
Основные принципы современной теории кластеризации основаны на работах авторов: Л.А. Демидова [19]; В.С. Заболотникова и О.Н. Ромашкова [54]; Т.А. Левченко и Е.В. Тунгусова [80]; Штовба, С.Д. [97]; Д.А. Девяткин, Р.Е. Суворов, И.В. Соченков [18]; Д.А. Вятченин [11]; А.А. Григорьев [15] и др. Алгоритмы нечеткой кластеризации предложены в работах: А.А. Барсегян [4]; Джемс Бездек [99]; Джеймс Данн [103]; Ф. Хёппнер [105]; Р.Р. Ягер [110]; А.Б. Гева [104]; И.Д. Мандель [83] и др.
В общей задаче ППМР важное место занимает проблема ППМР в условиях неопределенности. При этом для эффективного анализа медицинской информации, носящей нечеткий характер, необходимо применить методы
интеллектуального анализа данных на основе теории нечетких множеств, особое место среди которых занимают методы нечеткой кластеризации. Однако, традиционные методы нечеткой кластеризации не дают приемлемых решений на данных со сложной внутренней структурой. Это связано с рядом допущений, закладываемых в эти методы: кластер, имеет заданную форму и особую внутреннюю точку - центр кластера; разбиение определяется, исходя из взаимосвязей между данными и центрами кластеров. Так как кластеры в общем случае могут быть произвольной формы и не иметь центров, актуальной является разработка метода нечеткой кластеризации, свободного от указанных допущений и обеспечивающего разбиение только на базе нечетких отношений равнозначности, основанных на отношениях, порождаемых данными.
Применение автоматизированных МИС в современных медицинских учреждениях позволяет собирать и хранить большие объемы медицинской информации различного типа. Однако во многих случаях такая накопленная статистическая информация является практически бесполезной (поскольку она либо не используется врачами при ПМР, либо её использовать затруднено). В связи с этим для эффективного использования в медицинской практике имеющейся статистической информации существует необходимость в создании интеллектуальных систем медицинского назначения, обеспечивающих оценку СЗП [36, 69].
При построении таких систем чаще всего используются накопленные результаты как разных лечебно-профилактических процессов, так и результаты работы различных медицинских приборов для осуществления сбора больших объемов медицинских данных. В настоящее время для аппаратуры, аккумулирующей данные физических процессов, достигнуто оптимальное сочетание точности и качества отображения результатов наблюдений, что позволяет врачам не только оценивать влияние примененной схемы лечения на организм пациента, но и накапливать информацию для формирования представления о новых течениях заболеваний [91, 92]. Для заболеваний, течение которых на данный момент протекает по совершенно иным законам (не по
шаблонам, хранимым в системе), построена медицинская база знаний (МБЗ), которая помогает врачам-пользователям оценивать характер их влияния на организм пациента и на этой основе поэтапно формировать представления о новых течениях заболеваний.
Таким образом, необходимо создание медицинских экспертных систем (МЭС), предназначенных для сбора и обработки накопленных данных в различных профилактических и лечебных процессах, начиная с самых первых в учетной программе (регистрация историй болезней) с целью определения, являются ли изменения медицинских показателей (МП) закономерными для конкретной схемы течения заболевания или имеют частный характер.
Цели и задачи диссертационной работы. Целью исследования является разработка алгоритмов анализа информации медико-технологического процесса и поддержки принятия решения в МИС в условиях неопределенности для повышения эффективности лечения заболевания человека.
Для достижения цели исследования необходимо решить следующие задачи.
1 проанализировать проблемы, возникающие в задачах ППМР в условиях неопределенности исходных данных;
2 разработать модифицированный метод и алгоритм нечеткой кластеризации на базе нечеткого отношения равнозначности, не требующих дополнительной информации о кластерах и не привлекающих понятий центра и формы кластера для обработки данных медико-технологического процесса и осуществления выработки рекомендательных решений;
3 сформировать модель СЗП на основе семантической сети в СППМР, которая позволяет осуществлять адекватную поддержку в принятии МУР на основе данных медицинского контроля, статистических данных, истории болезни;
4 разработать структуру СППМР, в том числе и МЭС сопровождения медико-технологического процесса, и составить правила логического вывода для ППМР, с помощью разработанной системы решить задачу выбора ВТЗ, а также задачу оценки СЗП.
Научная новизна. В диссертационной работе содержится решение
актуальной научной задачи в медицинской практике - разработка алгоритмов и моделей для анализа медико-технологической информации и поддержки принятия решения в МИС. Научная новизна сформулирована в следующих результатах.
1 Предложен модифицированный алгоритм нечеткой кластеризации на основе нечеткого отношения равнозначности, не требующий дополнительной информации о кластерах и не привлекающий понятия центра и формы кластера. Использование указанного алгоритма в составе СППМР позволяет выполнять анализ объектов медицинской информации с учетом свойств кластерной типичности или кластерной относительности объектов данных моделируемой медицинской предметной области, а так же дает возможность выявлять нетипичные объекты при снижении их влияния на результаты нечеткой кластеризации или локализации их в отдельный кластер.
2 Разработан алгоритм выбора ВТЗ пациента, в основу которого положен модифицированный метод нечеткой кластеризации с использованием нечеткой медицинской информации в СППМР, позволяющий повысить обоснованность выбора на 9,4-19,1%.
3 Обоснована методика формирования модели СЗП на основе семантической сети в СППМР, которая позволяет осуществлять адекватную поддержку в ПМР медицинского решения. Предложена структура данных медико-технологического процесса для создания МБЗ, разработаны этапы её формирования на базе нечеткой логики, данных статической и динамической информации.
4 Предложена новая технология реализации информационных систем медицинского назначения (включая МЭС сопровождения медико-технологического процесса) для оптимизации и обработки полученных медицинских данных, а также интеллектуализации ППМР в условиях неопределенности.
Теоретическая и практическая значимость работы. Теоретическая значимость диссертационной работы состоит в развитии теории, моделей и алгоритмов анализа данных медико-технологических процессов для ППМР в
информационных системах медицинского назначения в условиях неопределенности, а также теории построения СППМР.
Практическая значимость диссертационной работы определяется разработанным модифицированными методами, алгоритмам и моделями, примененными в программном комплексе поддержки принятия решений на основе нечеткой логики «Эксперт 4. Обработка статистических данных медико-технологических процессов методом нечеткой кластеризации», ver. 4.04 [92]. Разработанный программный комплекс осуществляет эффективный анализ статистической медицинской информации медико-технологического процесса, что позволяет решить задачи выбора ВТЗ и оценки СЗП с использованием метода нечеткой кластеризации. Эффективность разработанных методов, алгоритмов и моделей в диссертационной работе дает возможность их применения в задачах: повышения качества МУР в условиях неполноты и неточности априорной информации; анализа статистической медицинской информации при решении задач ППМР, на основе которого осуществлены выбор ВТЗ и оценки СЗП; построения интеллектуальных МЭС сопровождения медико-технологического процесса на базе нечеткой логики, обеспечивающих адекватную ППМР.
Методология и методы исследования. Применительно к диссертационной работе методология связана с принципами системного подхода и интеллектуального анализа данных для решения постановленных задач.
Теоретические положения, выводы и экспериментальные результаты диссертационной работы получены с использованием следующих теорий: нечетких множеств, нечеткой логики, кластеризации данных, семантических сетей, принятия решений, построения информационных систем медицинского назначения.
Основные положения, выносимые на защиту:
1 Модифицированный алгоритм нечеткой кластеризации на базе нечеткого отношения равнозначности, не требующий дополнительной информации о кластерах и не привлекающий понятий центра и формы кластера.
2 Разработанный алгоритм выбора ВТЗ с использованием медицинской
информации в СППМР, позволяющий повысить точность выбора на 9,4-19,1%.
3 Методика формирования модели СЗП на основе семантической сети в СППМР и структура данных медико-технологического процесса для создания МБЗ на базе нечеткой логики, данных статической и динамической информации.
4 Новая технология реализации информационных систем медицинского назначения для оптимизации обработки информационных данных медико-технологических процессов и интеллектуализации ПМР в условиях неопределенности на основе нечетких множеств и нечеткой логики.
Достоверность. Степень достоверности теоретических выводов и практических результатов диссертационной работы определяется:
- корректностью использования полученных выводов и подходов теорий нечетких множеств и нечеткой логики, нечеткой кластеризации при многокритериальном анализе статистической медицинской информации в условиях неопределенности исходных данных;
- использованием разработанных модифицированных методов, алгоритмов и моделей в СППМР для решения реальных прикладных задач;
- использованием полученных результатов диссертационной работы в медицинской практике, подтвержденным актами внедрения.
Апробация работы. Результаты исследований докладывались и обсуждались на следующих международных и всероссийских научных конференциях: Международная заочная научно-практическая конференция «Наука и образование в жизни современного общества» (Тамбов, 2015); VI научно-практическая конференция «Междисциплинарные исследования в области математического моделирования и информатики» (Ульяновск, 2015); Международная конференция «Радиоэлектронные устройства и системы для инфокоммуникационных технологий - РЭУС-2015» (Москва, 2015); XVIII международная научно-техническая конференция «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций» (Рязань, 2015); XX юбилейная Всероссийская научно-техническая конференция студентов, молодых
ученых и специалистов «Новые информационные технологии в научных исследованиях» (Рязань, 2015); Всероссийская научно-техническая конференция «Интеллектуальные и информационные системы» (Тула, 2015); Proceedings of the VIII Intenational Academic Congress «Development of Countries in Asia, Africa and Europe: Past, Present and Future» (Seoul - Korea, 2015); The VI seminar on Industrial Control Systems: Analysis, Modeling and Computation: ITM Web of Conferences (Moscow, 2016); Международная научно-техническая и научно-методическая конференция «Современные технологии в науке и образовании (СТН0-2016)» (Рязань, 2016); Международная научно-техническая конференция «Информационные системы и технологии (ИСТ-2016)» (Нижний Новгород, 2016); Международная научно-практическая конференция «Математика: фундаментальные и прикладные исследования и вопросы образования» (Рязань, 2016); IV международная научно-практическая конференция «Научно-технический прогресс: Актуальные и перспективные направления будущего» (Кемерово, 2016); XXIX всероссийская научно-техническая конференция студентов, молодых ученых и специалистов «Биотехнические, медицинские и экологические системы и комплексы» (БИ0МЕДСИСТЕМЫ-2016) (Рязань, 2016); Международная научно-практическая конференция «Современный взгляд на будущее науки» (Казань, 2017); Международная научно-практическая конференция «Традиционная и инновационная наука: история, современное состояние, перспективы» (Екатеринбург, 2017); Международная научно-практическая конференция «Вопросы образования и науки» (Тамбов, 2017); Международная научно-практическая конференция «Научные механизмы решения проблем инновационного развития» (Уфа, 2017); Международная научно-практическая конференция «Новая наука: история становления, современное состояние, перспективы развития» (Пермь, 2017); Международная научно-практическая конференция «Приоритетные направления развития образования и науки» (Чебоксары, 2017); Всероссийская конференция студентов и молодых ученых с международным участием «Естественнонаучные основы медико-биологических знаний» (Рязань, 2017); Международная научно-
техническая конференция «Новые технологии в научных исследованиях, проектировании, управлении, производстве (НТ-2017)» (Воронеж, 2017); Международная научно-практическая конференция «Роль и место информационных технологий в современной науке» (Челябинск, 2018).
Публикации. По итогам исследований опубликована 31 работа, среди которых: 4 статьи из перечня ВАК РФ рецензируемых научных журналов; 4 статьи в научно-технологических журналах и межвузовских сборниках; 22 тезиса докладов на международных и всероссийских конференциях; 1 свидетельство о регистрации программ для ЭВМ и баз данных.
Реализация и внедрение результатов работы. Исследования по тематике диссертационной работы проводились в рамках госбюджетной НИР 14-01-97500 «Разработка интеллектуальной аналитической системы оценки состояния здоровья пациентов на основе нечеткой логики для медицинских учреждений с применением прогрессивных технологий, обеспечивающих инновационное развитие медицины и социальной сферы» (2014-2015г.).
Результаты исследований «Программный комплекс поддержки принятия решений на основе нечеткой логики «Эксперт 4. Обработка статистических данных медико-технологических процессов методом нечеткой кластеризации», ver. 4.04.» внедрены в Государственном бюджетном учреждении Рязанской области «Областной клинический противотуберкулезный диспансер» (ГБУ РО ОКПТД), г. Рязань.
Результаты полученных в диссертации теоретических, прикладных и экспериментальных исследований используются в учебном процессе РГРТУ на кафедре ВПМ при обучении студентов по специальностям: 09.03.04 и 09.04.04 -Программная инженерия; 09.03.03 и 09.04.03 - Прикладная информатика, в дисциплинах «Математические и инструментальные методы поддержки принятия решений», «Программное обеспечение социальных экономических систем», «Информационные системы в административном и банковском деле», «Корпоративные информационные системы», «Программное обеспечение экономических систем».
Использование результатов диссертационной работы на практике подтверждено соответствующими актами о внедрении.
Получено свидетельство о регистрации программ для ЭВМ и баз данных.
Копии актов о внедрении результатов диссертационной работы и свидетельства о регистрации программ для ЭВМ и баз данных приведены в Приложении.
Содержание диссертационной работы соответствует паспорту научной специальности: 05.11.17 - Приборы, системы и изделия медицинского назначения (п.2).
Структура работы. Диссертация содержит 141 страница основного текста и состоит из введения, четырех глав, заключения, списка сокращений, списка использованной литературы из 115 наименований и четырех приложений. В диссертационную работу включено 18 таблиц и 21 рисунок.
1 ОСОБЕННОСТИ РАЗРАБОТКИ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ
МЕДИЦИНСКИХ РЕШЕНИЙ
1.1 Вводные замечания
Проблемы в работе медицинских специалистов и врачей, в основном, связываются с принятием решений в медико-технологическом процессе и решением управленческих проблем при обеспечении таких процессов [40].
Здравоохранение - это сложная система социальных и медицинских мероприятий, в связи с чем медицинские решения медико-технологического процесса можно разделить на лечебно-диагностические и организационно-управленческие. ПМР связано с процессом выбора оптимального из возможных решений для достижения медицинским персоналом постановленных целей. Ключевую роль в большинстве аспектов ПМР играет проблема ПМР в условиях неопределенности [30].
Неопределенность в медицинской области возникает по различным причинам, основные из которых [22-26, 29-32, 36, 38, 41, 69, 101, 102]: неполнота существующих знаний о проблемной ситуации; неполнота и/или неточность информации о СЗП; противоречивость имеющейся информации; отсутствие компетентных врачей-экспертов в момент ПМР; ограниченность ресурсов (временных, финансовых, количества методик) медицинских учреждений. Приведенные факторы представляют собой причины врачебных ошибок, приводящих к дальнейшему ухудшению проблемной ситуации. При этом для поддержки ЛПМР важной задачей является оценка, и далее уменьшение неопределенности проблемной ситуации при обработке медицинской информации медико-технологического процесса. В настоящее время для успешного решения этой задачи применяются интеллектуальные МИС, важное место в которых занимают СППМР [24, 30, 41, 44, 69].
В медицинских учреждениях качество деятельности управления зависит от
МУР. Следовательно, к МУР необходимо предъявлять соответствующие требования. Принятие МУР в определенных условиях отличается от принятия МУР в условиях неопределенности тем, что в первом случае однозначно определяются вероятности исходов альтернатив, тогда как во втором случае это невозможно и множество возможных исходов с их вероятностями соответствует каждому варианту [30]. На практике медико-технологического процесса в момент принятия решений ЛПМР обычно не обладает точными знаниями о результатах каждого из альтернативных решений, в связи с чем полученные решения требуют уточнения и дополнительной детализации.
Для ППМР в условиях неопределенности необходима медицинская информация о проблемной ситуации, в том числе большое значение имеет статистическая медицинская информация, поскольку она содержит большое количество медицинских знаний: знания об исследуемых объектах медицинской предметной области; профессиональные знания медицинского персонала; знания в организационно-управленческой деятельности. Медицинскую информацию можно получить различными методами: использование общепринятой медицинской информации; использование стандартизированного опросного листа; использование истории болезни; непосредственный учет фактов; использование отчетности; использование результатов медицинского анализа, оценки, исследования, разработки новых схем, моделей.
Неполнота исходной медицинской информации обусловлена неопределенностью, неточностью, нечеткостью. При этом для формализации нечетких медицинских данных успешно и эффективно применяются теории нечетких множеств и нечеткой логики, предложенные Л. Заде [55, 56, 111, 112]. С помощью математических средств на основе теории нечетких множеств и нечеткой логики (нечетких алгоритмов, лингвистических переменных, нечетких переменных и систем правил нечеткого вывода) осуществляется моделирование медико-технологических процессов медицинской предметной области и построение нечеткой модели, более адекватной реальности.
В системах медицинского назначения для представления медицинских
знаний используется модель медицинской предметной области с помощью семантической сети [52], в которой осуществляется ПМР. Большинство моделей представления медицинских знаний позволяют получить новые знания на основе имеющихся с помощью нечеткого логического вывода [41]. В медицинской области наиболее адекватным является представление нечетких знаний с использованием МБЗ, которая построена на основе теории нечетких множеств и нечеткой логики. Такой поход позволяет представлять неопределенности медицинской информации при описании нечетких медицинских знаний ЛПМР, характеризующихся субъективностью и качественностью.
Похожие диссертационные работы по специальности «Приборы, системы и изделия медицинского назначения», 05.11.17 шифр ВАК
Гибридные алгоритмы анализа и обработки данных в задачах поддержки принятия решений2011 год, кандидат технических наук Титов, Сергей Борисович
Инструменты разработки и сопровождения информационных систем субъектов экономической деятельности с использованием ИТ-аутсорсинга2019 год, кандидат наук Салов Николай Андреевич
Многокритериальный выбор и принятие решений на основе экспертных знаний и нечеткого распознавания ситуаций2008 год, кандидат технических наук Кузьменко, Оксана Леонидовна
Система поддержки принятия решений при управлении инновационными ИТ-проектами2017 год, кандидат наук Чертина Елена Витальевна
Модели прогнозирования и алгоритмы анализа временных рядов для поддержки принятия управленческих решений в социально-экономической сфере2021 год, кандидат наук Степанов Максим Анатольевич
Список литературы диссертационного исследования кандидат наук Доан Дык Ха, 2019 год
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ
1. Аверкин, А.Н. Нечеткие множества в моделях управления и искусственного интеллекта / А.Н. Аверкин, И.З. Батыршин, А.Ф. Блишун, В.Б. Силов, В.Б. Тарасов // Под. ред. Д.А. Поспелова. - М.: Наука. Гл. ред. физ.-мат. Лит., 1986. - 312 с. - (Проблемы искусственного интеллекта).
2. Айвазян, С.А. Прикладная статистика: Классификация и снижение размерности: Справ. изд. / С.А. Айвазян, В.М. Бухштабер, И.С. Енюков, Л.Д. Мешалкин; под ред. С.А. Айвазяна. - М: Финансы и статистика, 1989. - 607 с.
3. Асаи, К. Прикладные нечеткие системы: Пер. с япон. / К. Асаи, Д. Ватада, С. Иваи и др.; под редакцией Т. Тэрано, К. Асаи, М. Сугэно. - М.: Мир, 1993. -386 с., ил.
4. Барсегян, А.А. Технологии анализа данных: Data mining, Visual Mining, Text Mining, OLAP: учебное пособие / А.А. Барсегян, М.С. Куприянов, В.В. Степаненко, И.И. Холод. - 2-е изд., перераб. и доп. - СПБ.: БХВ-Петербург, 2007. - 384 с.: ил. + CD-ROM.
5. Бешелев, С.Д. Математико-статистические методы экспертных оценок / С.Д. Бешелев, Ф.Г. Гурвич. - М.: Статистика, 1980. - 263с.
6. Борисов, А.Н. Принятие решений на основе нечетких моделей: Примеры использования / А.Н. Борисов, О.А. Крумберг, И.П. Федоров. - Рига: Зинатне, 1990. - 184 с.
7. Ващенко, Н.Д. Формирование понятий в семантических сетях / Н.Д. Ващенко // Кибернетика, 1983. - № 2. - С. 101-107.
8. Веревченко, А.П. Информационные ресурсы для принятия решений: учеб. пособие для вузов / А. П. Веревченко, В. В. Горчаков, И. В. Иванов, О. В. Голодова. - М.: Академический Проект: Деловая книга, 2002. - 559 с. - (Сер. "Gaudeamus").
9. Виноградова, Л.И. Внедрение информационных технологий в Рязанском областном клиническом противотуберкулезном диспансере / Л.И. Виноградова,
A.В. Крошилин; под ред. В.Л. Дробина // Анналы рязанской фтизиатрии: сб. науч.-практ. работ. - Рязань, 2000. - С. 33-43.
10. Воронцов, К.В. Алгоритмы кластеризации и многомерного шкалирования: курс лекций / К.В. Воронцов. - М.: МГУ, 2007.
11. Вятченин, Д.А. Методология анализа данных, основанная на многоэтапной нечеткой кластеризации / Д.А. Вятченин // Искусственный интеллект. - 2009. - № 3. - С. 33-46.
12. Гаврилова, Т.А. Базы знаний интеллектуальных систем / Т.А. Гаврилова,
B.Ф. Хорошевский. - СПб: Питер, 2000. - 384 с.:ил.
13. Гайдышев, И. Анализ и обработка данных: специальный справочник / И. Гайдышев. - СПб.: Питер, 2001. - 752 с.: ил.
14. Гильманов, А.А. Медицинские информационные системы. Использование информационных медицинских систем в управлении лечебно-профилактическим учреждением: Учебно-методическое пособие для студентов / А.А. Гильманов, В.Г. Шерпутовский, А.Н.Хисамутдинов. - Казань: КГМУ, 2011. - C. 6-17.
15. Григорьев, А.А. Кластерный анализ как инструмент обработки данных при анализе информационных систем / А.А. Григорьев // Электронный научный журнал «Известия РЭУ им. Г.В. Плеханова». - 2013. - Вып. 11.
16. Гулиев, Я.И. Медицинские информационные системы и информационная безопасность. Проблемы и решения / Я.И. Гулиев, И.А. Фохт, О.А. Фохт, А.Ю. Белякин // Программные системы: теория и приложения. -Переславль-Залесский, 2009. - С. 175-206.
17. Гусев, С.Д. Медицинская информатика [Электронное учебное пособие] /
C.Д. Гусев, Е.И. Кичигина, Е.Г. Мягкова. - Красноярск: ГОУ ВПО КрасГМУ им. проф. В.Ф. Войно-Ясенецкого, 2009.
18. Девяткин, Д.А. Метод тематической кластеризации масштабных коллекций научно-технических документов / Д.А. Девяткин, Р.Е. Суворов, И.В. Соченков // Информационные технологии и вычислительные системы 1/2013. -С.33-42.
19. Демидова, Л.А. Подходов к проблеме нечеткой кластеризации в условиях неопределенности выбора целевой функции / Л.А. Демидова, С.Б. Типов // Вестник РГРТУ. - 2009. - № 29. - С. 54-60.
20. Джарратано, Дж. Экспертные системы: принципы разработки и программирование, 4-е издание.: Пер. с англ. / Дж. Джарратано, Г. Райли. - М.: ООО "И.Д. Вильямс", 2007. - 1152 с.: ил. - Парал. тит. англ.
21. Джексон, П. Введение в экспертные системы. Пер. с англ.: уч. пос. / П. Джексон. - М.: Издательский дом «Вильямс», 2001. - 393 с.
22. Доан, Д.Х. Анализ существующих систем поддержки принятия решений медицинского назначения / Д.Х. Доан, С.Ю. Жулева, С.В. Крошилина // Научные механизмы решения проблем инновационного развития: сб. статей Междунар. науч.-практ. конф. (1 апреля 2017 г., г. Уфа). В 4 ч. Ч.2/ - Уфа: АЭТЕРНА, 2017. -С. 17-19.
23. Доан, Д.Х. Задачи и основы построения систем поддержки принятия решений в медицине / Д.Х. Доан, А.В. Крошилин, С.В. Крошилина // Проблемы передачи и обработки информации в сетях и системах телекоммуникаций: Мат-лы 18-й Междунар. науч.-техн. конф. - М.: Горячая-линия Телеком, 2015. - С. 291293.
24. Доан, Д.Х. Использование нечеткой кластеризации в анализе статистической медицинской информации для формирования наборов вариантов течения болезни в системах поддержки принятия медицинских решений / Д.Х. Доан, С.В. Крошилина, С.Ю. Жулева // Новые технологии в научных исследованиях, проектировании, управлении, производстве: труды Междунар. науч.-техн. конф. Воронеж: ФГБОУ ВО «Воронежский государственный технический университет», 2017, Т. 1. - С. 268-272.
25. Доан, Д.Х. Исследование статистических данных методом нечеткой кластеризации / Д.Х. Доан, А.В. Крошилин, С.В. Крошилина // Фундаментальные и прикладные исследования и вопросы образования [Электронный ресурс]: мат-лы Междунар. науч.-прак. конф., 26-28 апреля 2016 года / под общ. ред. канд. физ.-мат. наук, доц. Е.Ю. Лискиной; РГУ имени С.А. Есениа. - Рязань, 2016. - С.
210-213.
26. Доан, Д.Х. Нечеткая кластеризация данных в поддержке принятия решений в условиях неопределенности / Д.Х. Доан, А.В. Крошилин, С.В. Крошилина // Современные технологии в науке и образовании - СТНО-2016 [текст]: сб. тр. междунар. науч.-техн. и науч.-метод. конф: в 4 т. Т.3. / под общ. ред. О.В. Миловзорова. - Рязань: РГРТУ, 2016. - С. 105-108.
27. Доан, Д.Х. Обзор алгоритмов нечеткой кластеризации данных / Д.Х. Доан, А.В. Крошилин, С.В. Крошилина // Математическое и программное обеспечение вычислительных систем: Межвуз. сб. науч. тр. / Под ред. А.Н. Пылькина. - М.: Горячая линия-Телеком, 2016. - С. 182-184.
28. Доан, Д.Х. Обзор подходов к организации работы медицинских информационных систем / Д.Х. Доан, А.В. Крошилин, С.В. Крошилина // Математическое и программное обеспечение вычислительных систем: Межвуз. сб. науч. тр. / Под ред. А.Н. Пылькина. - Рязань: РГРТУ, 2014. - С. 32-35.
29. Доан, Д.Х. Обзор подходов к организации работы систем поддержки принятия медицинских решений / Д.Х. Доан, А.В. Крошилин, С.В. Крошилина // Научно-технический прогресс: актуальные и перспективные направления будущего: сб. мат-лов IV Междунар. науч.-прак. конф. (30 ноября 2016 года), Том II. - Кемерово: ЗапСибНЦ, 2016. - С. 77-78.
30. Доан, Д.Х. Обзор подходов к проблеме принятия решений в медицинских информационных системах в условиях неопределенности / Д.Х. Доан, А.В. Крошилин, С.В. Крошилина // Фундаментальные исследования. - 2015. - № 12. - Часть 1. - С. 26-30.
31. Доан, Д.Х. Обзор существующих систем поддержки принятия медицинских решений / Д.Х. Доан, А.В. Крошилин, С.В. Крошилина // Биотехнические, медицинские и экологические системы и комплексы -БИОМЕДСИСТЕМЫ-20 16: Сб. мат-лов XXIX Всерос. науч.-техн. конф. студентов, молодых ученых и специалистов. - Рязань: РГРТУ, 2016. - С. 97-100.
32. Доан, Д.Х. Описание мониторинга статистических данных в медицинских информационных системах / Д.Х. Доан, А.В. Крошилин, С.В.
Крошилина // Новые информационные технологии в научных исследованиях: мат-лы XX Юбилейной. Всерос. науч.-техн. конф. студентов, молодых ученых и специалистов. - Рязань: РГРТУ, 2015. - С. 32-34.
33. Доан, Д.Х. Особенности медицинских информационных систем / Д.Х. Доан, А.В. Крошилин, С.В. Крошилина // Информационные технологии: Межвуз. сб. науч. тр. - Рязань: РГРТУ, 2015. - С. 43-48.
34. Доан, Д.Х. Особенности организации работы автоматизированных медицинских информационных систем / Д.Х. Доан, А.В. Крошилин, С.В. Крошилина // Междисциплинарные исследования в области математического моделирования и информатики: Мат-лы 6-й науч.-прак. Мете^конф. 14-15 мая 2015 г. / отв. ред. Ю.С. Нагорнов. - Ульяновск: SIMJET, 2015. - С. 49-52.
35. Доан, Д.Х. Особенности работы медицинских информационных систем / Д.Х. Доан, К.М. Ву // Наука и образование в жизни современного общества: сб. науч. труд. по мат-лам междунар. заоч. науч.-прак. конф. 30 апреля 2015 г. Том 10. - Тамбов: ООО «Консалтинговая компания Юком», 2015. - С. 52-54.
36. Доан, Д.Х. Особенности работы медицинских экспертных систем / Д.Х. Доан, А.В. Крошилин, С.В. Крошилина // Роль и место информационных технологий в современной науке: сбор. стат. междунар. науч.-прак. конф. (10 апреля 2018 г., г. Челябинск). В 2 ч. Ч. 2 / - Уфа: АЭТЕРНА, 2018. - С. 32-35.
37. Доан, Д.Х. Особенности работы систем поддержки принятия решений в медицине / Д.Х. Доан, А.В. Крошилин, С.В. Крошилина // Интеллектуальные и информационные системы (ИНТЕЛЛЕКТ-2015): Мат-лы Всерос. науч.-техн. конф. - Тула: ТулГУ, 2015. - С. 31-32.
38. Доан, Д.Х. Подходы к проблеме поддержки принятия решений в медицине / Д.Х. Доан, С.Ю. Жулева, С.В. Крошилина // Информационные системы и технологии - ИСТ-2016: Мат-лы XXII Междунар. науч.-техн. конф. 22 апреля 2016 г. - Н. Новгород: НГТУ им. Р.Е. Алексеева, 2016. - С. 234-235.
39. Доан, Д.Х. Предназначение медицинских информационных систем / Д.Х. Доан // Радиоэлектронные устройства и системы для инфокоммуникационных технологий - РЭУС-2015: Доклады междунар. конф.
REDS-2015. - М.: РНТОРЭС имени А.С. Попова, 2015. - С. 272-275.
40. Доан, Д.Х. Применение метода нечеткой кластеризации в системах поддержки принятия медицинских решений для решения задачи выбора варианта лечения заболевания / Д.Х. Доан, А.В. Крошилин, С.В. Крошилина // Известия Юго-западного государственного университета. Серия Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2018. Т8, № 1 (26). - С. 63-73.
41. Доан, Д.Х. Применение нечеткой кластеризации в системах поддержки принятия медицинских решений для формирования наборов вариантов течения болезни / Д.Х. Доан, А.В. Крошилин, С.В. Крошилина // Мат-лы всеросс. конф. студентов и молодых ученых с междунар. участием "Естественнонаучные основы медико-биологических знаний" / ред. кол.: Т.Г. Авачева, В.М. Пащенко, А.А. Кривушин; ФГБОУ ВО РязГМУ Минздрава России. Рязань, 2017. - С. 18-21.
42. Доан, Д.Х. Применение теории нечетких множеств и нечеткой логики для представления медицинских знаний в системах поддержки принятия решений медицинского назначения / Д.Х. Доан, С.Ю. Жулева, С.В. Крошилина // Современный взгляд на будущее науки: сб. статей Междунар. науч.-практ. конф. (20 марта 2017 г., г. Казань). В 3 ч. Ч.2/ - Уфа: АЭТЕРНА, 2017. - С. 22-25.
43. Доан, Д.Х. Схема построения медицинских экспертных систем / Д.Х. Доан, А.В. Крошилин, С.В. Крошилина // Математическое и программное обеспечение вычислительных систем: Межвуз. сб. науч. тр. / Под ред. А.Н. Пылькина. - Рязань: РГРТУ, 2018.
44. Доан, Д.Х. Формирование наборов вариантов течения болезни методом нечеткой кластеризации в системах поддержки принятия медицинских решений / Д.Х. Доан, С.Ю. Жулева, А.В. Крошилин, С.В. Крошилина, В.В. Тишкина // Биомедицинская радиоэлектроника. - 2017. - № 7. - С. 60-65.
45. Доан, Д.Х. Функциональная классификация медицинских информационных систем в здравоохранении / Д.Х. Доан, С.Ю. Жулева, С.В. Крошилина // Новая наука: история становления, современное состояние, перспективы развития: сб. статей Междунар. науч.-практ. конф. (8 апреля 2017 г.,
г. Пермь). В 3 ч. Ч.2/ - Уфа: МЦИИ ОМЕГА САЙНС, 2017. - С. 45-47.
46. Долженко, Е.Н. Поддержка принятия решений на основе нечеткой логики в системах медицинского назначения / Е.Н. Долженко, С.Ю. Жулева, А.В. Крошилин, А.Н. Пылькин // Биомедицинская радиоэлектроника. №7 - М: Радиотехника, 2015. - С. 60-70.
47. Дюбуа, Д. Теория возможностей. Приложения к представлению знаний в информатике / Д. Дюбуа, А. Прад; пер. с фр. В.А. Тарасова. - М.: Радио и связь, 1990. - 288 с.
48. Дюран, Б. Кластерный анализ / Б. Дюран, и П. Оделл. - Пер. с англ. Е.З. Демиденко. Под ред. А.Я. Боярского. Предисловие А.Я. Боярского. - М.: Статистика, 1997.
49. Ершов, К.С. Анализ и классификация алгоритмов кластеризации / К.С. Ершов, Т.Н. Романова // Новые информационные технологии в автоматизированных системах. - 2016. - № 19. - С. 274-279.
50. Жулева, С.Ю. Когнитивная модель управления медицинским персоналом / С.Ю. Жулева, Д.Х. Доан, С.В. Крошилина // Традиционная и инновационная наука: история, современное состояние, перспективы: сб. статей Междунар. науч.-прак. конф. (28 марта 2017 г., г. Екатеринбург). В 2 ч. Ч.1 / -Уфа: МЦИИ ОМЕГА САЙНС, 2017. - С. 23-26.
51. Жулева, С.Ю. Модель управления медицинским материальным потоком, базирующаяся на когнитивной карте / С.Ю. Жулева, Д.Х. Доан, А.В. Крошилин, С.В. Крошилина // Вопросы образования и науки: сб. науч. тр. по мат-лам междунар. науч.-прак. конф. 31 марта 2017 г. Часть 3. - Тамбов: ООО «Консалтинговая компания Юком», 2017. - С. 44-46.
52. Жулева, С.Ю. Представление модели предметной области на основе семантической сети в системах медицинского назначения / С.Ю. Жулева, А.В. Крошилин, С.В. Крошилина // Динамика сложных систем. - М.: Радиотехника, 2015. - т. 9. - № 4. - С. 29-33.
53. Жулева, С.Ю. Распределение нагрузки медицинского персонала на основе теории нечетких множеств / С.Ю. Жулева, Д.Х. Доан, А.В. Крошилин //
Приоритетные направления развития образования и науки: мат-лы Междунар. науч.-практ. конф. (Чебоксары, 9 апр. 2017 г.). В 2 т. Т. 2 / редкол.: О.Н. Широков [и др.]. - Чебоксары: ЦНС «Интерактив плюс», 2017. - С. 57-59.
54. Заболотникова, В.С. Анализ методов кластеризации для эффективного управления процессами в налоговой службе / В.С. Заболотникова, О.Н. Ромашкова // Фундаментальные исследования. - 2017. - № 9-2. - С. 303-307.
55. Загорянская, А. Методы вывода в условиях неопределенности и нечеткости исходных данных: обзор зарубежных достижений / А. Загорянская // Новости искусственного интеллекта. - 1997. - № 4. - С. 6-24.
56. Заде, Л. Понятие лингвистической переменной и её применение к принятию приближенных решений / Л. Заде; пер. с англ. Н.И. Ринго. - М.: Мир, 1976. - 168 с.
57. Зак, Ю.А. Принятие решений в условиях нечетких и размытых данных: Fuzzy-технологии. - М.: Книжный дом «ЛИБРОКОМ», 2013. - 352 с.
58. Каширин, И.Ю. Автоматизированный анализ деятельности предприятия с использованием семантических сетей / И.Ю. Каширин, А.В. Крошилин, С.В. Крошилина. - М.: Горячая линия - Телеком, 2011. - 140 с.
59. Ким, Дж.-О. Факторный, дискриминантный и кластерный анализ: Пер. с англ. / Дж.-О. Ким, Ч.У. Мьюллер, У.Р. Клекка и др.; под ред. И.С. Енюкова. - М.: Финансы и статистика, 1989. - 215 с. ил.
60. Кирсанова, А.В. Современное состояние и перспективы развития экспертных медицинских систем / А.В. Кирсанова // Новый университет, серия «Технические науки». - № 11-12 (45-46), 2015. - С. 58-63.
61. Кобринский, Б.А. Консультативные интеллектуальные медицинские системы: классификации, принципы построения, эффективность / Б.А. Кобринский // Врач и информационные технологии. - 2008. - № 2. - С. 38-47.
62. Кобринский, Б.А. Медицинская информатика: учеб. для студ. высш. учеб. заведений / Б.А. Кобринский, Т.В. Зарубина. - М.: Издательский центр «Академия», 2009. - С. 56-72.
63. Козин, Р.Г. Экспертные системы / Р.Г. Козин // Учебное пособие. - М.:
МИФИ, 2008. - 87 с.
64. Козлов, В.Н. Системный анализ, оптимизация и принятие решений / В.Н. Козлов. - М.: Проспект, 2010. - 176 с.
65. Кононов, Д.А. Сценарный анализ динамики поведения СЭС / Д.А. Кононов, С.А. Косяченко, В.В. Кульба. - М.: МГУ, 1999.
66. Кофман, А. Введение в теорию нечетких множеств: Пер. с франц. / А. Кофман. - М.: Радио и связь, 1982. - 432 с.
67. Крошилин А.В. Оверлейная модель пациента в медицинских системах поддержки принятия решений / А.В. Крошилин, С.В. Крошилина, С.Ю. Жулева // Фундаментальные исследования. - 2015. - № 9-2. - С. 261-265.
68. Крошилин, А.В. Автоматизированная информационная система медицинского учреждения на основе нечеткой логики «Эксперт» / А.В. Крошилин, С.В. Крошилина, А.Н. Пылькин // Математические и компьютерные методы в медицине, биологии и экологии: монография / под науч. ред. В.И.Левина. - Вып.3. - Пенза; Москва: ПДЗ; МИЭМП, 2014. - С. 31-39.
69. Крошилин, А.В. Использование нечеткой кластеризации для оптимизации информационных данных в медицинском технологическом процессе / А.В. Крошилин // Вестник РГРТУ. 2015. №52. С. 144-149.
70. Крошилин, А.В. Обзор существующих систем поддержки принятия решений в медицине / А.В. Крошилин, С.В. Крошилина // Математическое и программное обеспечение вычислительных систем: Межвуз. сб. науч. тр. / Под ред. А.Н. Пылькина. - Рязань: РГРТУ, 2012. - С. 188-189.
71. Крошилин, А.В. Обзор существующих систем поддержки принятия решений в медицине / А.В. Крошилин, С.В. Крошилина; под ред. А.Н. Пылькина // Математическое и программное обеспечение вычислительных систем: межвуз. сб. науч. тр. - Рязань: РГРТУ, 2012. - С.188-189.
72. Крошилин, А.В. Особенности построения систем поддержки принятия решений на основе нечеткой логики / А.В. Крошилин, А.В. Бабкин, С.В. Крошилина // Научно-технические ведомости. - СП-б.: СПбГПУ, 2010. - №2(97). - С. 58-63.
73. Крошилин, А.В. Оценка факторов риска, влияющих на результаты лечения впервые выявленных больных туберкулезом легких / А.В. Крошилин, Э.Б. Цыбикова, Е.Н. Долженко, Л.И. Виноградова, Т.П. Сабгайда // Научно-практический журнал "Туберкулез и болезни легких". - 2014 - №12 - Москва: Изд.дом"Нью терра". - С. 40-46.
74. Крошилин, А.В. Построение методики автоматизированной оценки состояния здоровья пациента / А.В. Крошилин, С.В. Крошилина, А.Н. Пылькин, Е.Н. Долженко // Фундаментальные исследования. - 2012. - № 6 (часть 1). - С. 128-132.
75. Крошилин, А.В. Построение модели оценки состояния здоровья пациента в нечетких медицинских экспертных системах / А.В. Крошилин, С.В. Крошилина // Вестник РГРТУ. - 2012. - № 41. - С. 64-70.
76. Крошилин, А.В. Разработка методов и исследование эффективности применения нечеткой логики в системах поддержки принятия управленческих решений / А.В. Крошилин, С.В. Крошилина, А.Н. Пылькин; под общ. ред. Б.Н. Герасимова // Управление экономическими системами: коллективная монография. - Пенза: Приволжский дом знаний, 2010. - С. 206-217.
77. Крошилина, С.В. Формирование базы знаний в экспертных системах медицинского назначения / С.В. Крошилина, А.В. Крошилин, С.Ю. Жулева // Современные проблемы науки и образования. - 2015. - № 2-2; URL: https://science-education.ru/129-21631.
78. Лапина, А.В. Интеллектуальные информационные системы: Учебное пособие / А.В. Лапина. - Красноярск, СФУ ИКИТ, 2012 г.
79. Лапыгин, Д.Ю. Управленческие решения: учебное пособие / Д.Ю. Лапыгин. - М.: Эксмо, 2009. - 448 с.
80. Левченко, Т.А. Кластерные структуры: основные характеристики и генерируемый эффект / Т.А. Левченко, Е.В. Тунгусова // Фундаментальные исследования. - 2017. - № 3. - С. 144-148.
81. Литвак Б.Г. Разработка управленческого решения: учебник. - 3-е изд., испр. - М.: Дело, 2002. - С. 68-85.
82. Малышев, Н.Г. Нечеткие модели для экспертных систем в САПР / Н.Г. Малышев, Л.С. Берштейн, А.В. Боженюк. - М.: Энергоатомиздат, 1991. - 136 с.
83. Мандель, И.Д. Кластерный анализ / И.Д. Мандель. - М: Финансы и статистика, 1988. - 176 с.
84. Монахов, М.Ю. Модели обеспечения достоверности и доступности информации в информационно-телекоммуникационных системах: монография / М. Ю. Монахов [и др.]; Владим. гос. ун-т им. А. Г. и Н. Г. Столетовых. -Владимир: Изд-во ВлГУ, 2015. - 208с.
85. Назаренко, Г.И. Медицинские информационные системы: Теория и практика / Г.И. Назаренко, Я.И. Гулиев, Д.Е. Ермаков; под редакцией Г.И. Назаренко, Г.С. Осипова. - М.: Физматлит, 2005. - С. 27-36.
86. Павлов, А.Н. Принятие решений в условиях нечеткой информации: учебное пособие / А.Н. Павлов, Б.В. Соколов. - СПб.: ГУАП, 2006. - 72 с.
87. Паклин, Н.Б. Имитационное моделирование организационных систем с применением нечеткой логики / Н.Б. Паклин, В.А. Тененев // Информационные технологии в науке, образовании, телекоммуникации и бизнесе (IT+SE'2003): материалы XXX юбил. междунар. конф. - Украина, Крым, Грузуф, 18-19 мая 2003г. - С. 66-68.
88. Подольский В.Е. Методы искусственного интеллекта для синтеза проектных решений: учебное пособие / В.Е. Подольский, И.Л. Коробова, И.В. Милованов, И.А. Дьяков, Н.В. Майстренко. - Тамбов: Изд-во ГОУ ВПО ТГПУ, 2010. - 80 с. - 100 экз.
89. Попов, Е.В. Экспертные системы: Решение неформализованных задач в диалоге с ЭВМ. - М.: Наука. гл. ред. фих.-мат. Лит., 1987. - 288 с.
90. Поспелов, Д.А. Логико-лингвистические модели в системах управления / Д.А. Поспелов. - М.: Энерготомиздат, 1981. - 231 с.
91. Пылькин, А.Н. Построение медицинских экспертных систем сопровождения медико-технологического процесса / А.Н. Пылькин, А.В. Крошилин, С.В. Крошилин, Д.Х. Доан // Вестник РГРТУ. - 2017. - № 2 (Вып. 60). - С. 123-130.
92. Пылькин, А.Н. Учет качества разбиения при использовании модифицированного алгоритма нечеткой кластеризации исследуемых данных и методика её построения / А.Н. Пылькин, К.А. Майков, А.В. Крошилин, А.М. Белицкий // Вестник РГРТУ. 2016. №58. С. 57-63.
93. Свидетельство о государственной регистрации программы для ЭВМ №2016618420, Программный комплекс поддержки принятия решений на основе нечеткой логики «Эксперт 4. Обработка статистических данных медико-технологических процессов методом нечеткой кластеризации» ver. 4.04 / С.В. Крошилина, А.В. Крошилин, А.Н. Пылькин, Д.Х. Доан; Зарегистр. в реестре программ для ЭВМ 28.07.2016 г.
94. Сотник, С.Л. Проектирование систем искусственного интеллекта / С.Л. Сотник. 2-ое издание, исправленное. - М.: Национальный Открытый Университет " Интуит ", 2016.
95. Спицнадель, В.Н. Основы системного анализа / В.Н. Спицнадель // Учебное пособие. - СПб.: Изд. дом «Бизнесс-пресса», 2000 г. - 326 с.
96. Столов, А.П. Новые требования к организации обработки персональных данных в медицинском учреждении / А.П. Столбов // Здравоохранение. - 2014. -№ 3. - С. 42-51.
97. Штовба, С.Д. Введение в теорию нечетких множеств и нечеткую логику [Электронный ресурс] - Режим доступа: http://matlab.exponenta.ru/fuzzylogic/book1/index.php (дата обращения: 15.05.2017).
98. Ягер, Р.Р. Нечеткие множества и теория возможностей: последние достижения: Пер. с англ. / Под ред. Р.Р. Ягер. - М.: Радио и связь, 1986. - 408 с.: ил.
99. Bezdek, J.C. Pattern Recognition with Fuzzy Objective Function Algorithms / Bezdek J.C. - New York: Plenum Press, 1981. - 230 p.
100. Bothe, H.H. Fuzzy Neural Networks. Tutorium / H.H. Bothe // IFSA'97, Prague, 1997, 37p.
101. Doan, D.H. Fuzzy clustering for effective research of the accumulated statistical data / D.H. Doan, A.V. Kroshilin, S.V. Kroshilina // Development of
Countries in Asia, Africa and Europe: Past, Present and Future: Proceedings of the VIII Intenational Academic Congress, 3-5 November 2015. - Seoul, Republic of Korea: Seoul National University Press, 2016. - Volume II. - P. 256-260.
102. Doan, D.H. Support of decision-making in the conditions of uncertainty of different types / D.H. Doan, A.N. Pylkin, A.V. Kroshilin, S.V. Kroshilina and V.V. Tishkina // 6th Seminar on Industrial Control Systems: Analysis, Modeling and Computation: ITM Web of Conferences. Vol. 6 (2016). Moscow, Russia, February 2526, 2016. E.V. Nikulchev and E.I. Veremey (Eds.). Published online: 25 March 2016. -DOI: https://doi.org/10.1051/itmconf/20160602006.
103. Dunn, J.C. Well-separated clusters and the optimal fuzzy partitions / J.C. Dunn // Journal of Cybernetics. -1974. - Vol. 4. - P. 95-104.
104. Geva A.B. Hierarchical unsupervised fuzzy clustering / A.B. Geva // IEEE Transactions on Fuzzy Systems. - 1999 - Vol. 7. - P. 723-733.
105. Hoppner, F. Fuzzy Cluster Analysis: Methods for Classification, Data Analysis and Image Recognition / F. Hoppner, F. Klawonn, R. Kruse, T. Runkler. -Chichester: Wiley Intersciences, 1999. - 289 p.
106. Jain, A.K. Data Clustering: A Review / A.K. Jain, M.N. Murty, P.J. Flynn // ACM Computing Surveys. - 1999. - vol. 31, № 3. - C. 264-323.
107. Kroshilin, A.V. Intellectual material flows management in expert systems / A.V. Kroshilin, A.N. Pylkin, S.V. Kroshilina // International conference on computer technologies in physical and engineering applications (ICCTPEA). Editor: E.I. Veremey. (IEEE Catalog number CFP14BDA-USB). - 2014. - P. 89-90.
108. Larose, Daniel T. Discovering knowledge in data: An introduction to data mining / Daniel T. Larose, 2004. - ISBN 0-471-66657-2. Copyright © 2005 John Wiley & Sons, Inc. - C. 147-162.
109. Nguyen, C.H. Extended hedge algebras and their application to Fuzzy logic /
C.H. Nguyen, W. Wechler // Fuzzy Sets and System, No.52 (1992), 259-281.
110. Yager, R.R. Approximate clustering via the mountain method / R.R. Yager,
D.P. Filev// IEEE Transactions on Systems, Man, and Cybernetics. - 1994. - Vol. 24. -P. 1279-1284.
111. Zadeh, L.A. Fuzzy sets / L.A. Zadeh // Information and Control, 8. - 1965. -P. 338-353.
112. Zadeh, L.A. Fuzzy sets and systems / L.A. Zadeh // System Theory (Fox J., ed.), Microware Research Institute Symposia Series XV, Politechnic Press, Brooklyn, NY, 29-37. Reprinted in Int. J. of General Systems, 17, 1990, 129-138.
113. Zadeh, L.A. Outline of a new approach to the analysis of complex systems and decision processes / L.A. Zadeh // IEEE Trans. Systems, Man and Cybernetics, 3. -1973. - P. 28-44.
114. _ https://www.intuit.ru/studies/courses/1122/167/lecture/4582.
115. _http://rokptd.ru/struk.php «Список отделений и служб ГБУ РО ОКПТД».
ПРИЛОЖЕНИЕ
Приложение 1. Перечень существующих СППМР
№ п/п Название систем Организация разработки Описание
1 SIMER+ MIR ИПС РАН, РФ Автоматизированная диагностика, выведение заключения о диагнозе, описание клинической картины диагностированных заболеваний, текста решения, принципов лечения и др.
2 ДИАГЕН Московский НИИ педиатрии и детской хирургии, РФ Выделение узкого круга синдромов из большого числа заболеваний, позволяющих окончательно уточнить диагноз
3 PUFF Станфордский университет, США Диагностика у пациента наличия и степени тяжести заболевания легких
4 BLUE FOX Станфордский университет, США Помочь врачам в выборе подходящего лечения для пациентов с депрессией
5 CASNET/ GLAUCO MA Рутжерский университет, США Диагностика у пациента болезненных состояний, связанных с глаукомой, и постановка плана их лечения
6 AI/RHEU Университет штата Миссури, США Помочь врачам в диагностике заболеваний соединительной ткани в клинической ревматологии.
7 АЙБОЛИТ НЦ ССХ им. А.Н. Бакулева, РФ Экспертная система для мониторно-компьютерного контроля
8 ONCOCIN Станфордский университет, США Помочь врачам в планировании лечения раковых больных
Продолжение
№ п/п Название систем Организация разработки Описание
9 MYCIN Станфордский университет, США Помочь врачам в выборе подходящей антимикробной терапии для госпитализированных больных с бактериемией, менингитом и циститом
10 VM Станфордский университет, США Система выдает диагностические и терапевтические предложения о послеоперационных больных, помещенных в блок интенсивной терапии
11 ABEL Массачусетский технологический институт, США Помочь клиницистам в диагностике у пациентов нарушения кислотно-щелочного и водно-солевого равновесия
12 ANNA Массачусетский технологический институт, США Помочь врачам прописывать пациентам сердечных заболеваний (аритмия или застойная сердечная недостаточность).
13 GUIDON Станфордский университет, США Помочь выбрать противомикробную терапию для госпитализированных пациентов с бактериальными инфекциями в обучении студентов-медиков
14 AI/COAG Университет штата Миссури, США Помочь врачам в диагностике, нарушении свертываемости крови, а также в оценке изменения представленных параметров в процессе лечения и наблюдения пациента для подтверждения диагноза
15 CADUCE US Питсбургский университет, США Система используется для обучения студентов-медиков, а также диагностики внутренних заболеваний
Приложение 2. Акт внедрения результатов диссертационной работы в учебном процессе ФГБОУ ВО «РГРТУ»
Настоящим актом удостоверяется, что результаты исследований, полученные в кандидатской диссертации Доана Д.Х., внедрены в учебный процесс специальностей:
09.03.04 и 09.04.04 - Программная инженерия;
09.03.03 и 09.04.03 - Прикладная информатика.
Доан Д.Х. в процессе работы над диссертацией получил модели и алгоритмы поддержки принятий решений, использованы в дисциплинах:
Математические и инструментальные методы поддержки принятия решений;
Программное обеспечение социальных экономических систем;
Информационные системы в административном и банковском деле;
Корпоративные информационные системы;
Программное обеспечение экономических систем.
Основные положения и выводы диссертации Доана Д.Х. позволили качественно по новому раскрыть в учебном процессе вопросы, связанные с задачами анализа статистической информации методами нечеткой кластеризации и поддержки принятия управленческих решений в социальных системах на основе нечеткой логики.
Председатель научно-методичег^"™
Акт
об использовании в учебном процессе Рязанского государственного радиотехнического университета результатов диссертационной работы Доана Д.Х. на тему «Алгоритмы анализа информации и поддержки принятия решений в медицинских технологических процессах»
совета РГРТУ, д.т.н., профессор Заведующий вычислительной и математики РГРТУ, д.т.н., профессор
кафе прикла
А.Н. Пылькин
Г.В. Овечкин
Приложение 3. Акт внедрения результатов диссертационной работы в ГБУ
РО ОКПТД (г. Рязань)
Акт внедрения программного комплекса поддержки принятия решений на основе нечеткой логики «Эксперт 4. Обработка статистических данных медико-технологических процессов методом нечеткой кластеризации я Государственном бюджетном учреждении Рязанской области «Областной клинический противотуберкулезный диспансер»
(<Областной клинический .испансер»
М.А. Муравьева 20Л£ года
акт внедрения
результатов диссертационной работы Доан Дык Ха
Результаты диссертационной работы Доан Д.Х. нашли свое научное и практическое применение в программном комплексе поддержки принятия решений на основе нечеткой логики «Эксперт 4. Обработка статистических данных медико-технологических процессов методом нечеткой кластеризации» (ПК ППР «Эксперт 4») и были использованы при многокритериальном анализе и классификации статистической информации о пациентах.
Применение предлагаемого автором модифицированного метода нечеткой кластеризации позволило повысить обоснованность и объективность принимаемых медицинских решений по кластеризации групп статистической медицинской информации по множествам заранее определенных критериев.
Разработанный автором ПК ППР «Эксперт 4» позволяет производить качественную нечеткую кластеризацию статистической медицинской информации, характеризующуюся различными оценками по многочисленным критериям.
Использование разработанного модифицированной метода нечеткой кластеризации в составе системы является особенно эффективным в тех случае, когда множество анализируемых объектов статистической медицинской информации содержит кластеры значительно разной плотности, существенно разного объема или кардинально разной мощности. Предлагаемые в разработанном программном комплексе модифицированные алгоритмы нечеткой кластеризации позволяют выполнять анализ объектов статистической медицинской информации с учетом свойств кластерной типичности или кластерной относительности объектов моделируемой медицинской предметной области и выявлять нетипичные объекты, снижая их влияние на результаты нечеткой кластеризации или локализуя их в отдельный кластер.
Внедрение программного комплекса поддержки принятия решений на основе нечеткой логики «Эксперт 4» для обработки статистических данных медико-технологических процессов методом нечеткой кластеризации позволило автоматизировать многокритериальный анализ и классификацию объектов статистической медицинской информации, а также обеспечить подготовку мотивационной базы для принятия эффективных решений в сложных неоднозначных ситуациях.
Начальник отдела внедрения компьютерных технологий ГБУ РО ОКПТД
Л.И. Виноградова
чМ> 20/^года
Приложение 4. Свидетельство о регистрации программ
Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.