Алгоритмы прогноза развития пневмонии при острых отравлениях психотропными и снотворными средствами тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат физико-математических наук Ельков, Александр Никонорович

• Ельков, Александр Никонорович
• кандидат физико-математических наук
• 2003

Оглавление диссертации кандидат физико-математических наук Ельков, Александр Никонорович

С - относительное содержание сегментоядерных нейтрофилов

ТО2 - транспорт кислорода

УОК — ударный объем крови

ЦВД - центральное венозное давление

ЦОК -центральный объем крови

BE - избыток оснований

НСО2 — истинное содержание углекислоты

IgA - иммуноглобулины класса А

IgG - иммуноглобулины класса G

IgM- иммуноглобулины класса М рСОг — напряжение углекислоты в крови рОг - напряжение кислорода в крови

SO2 - насыщение крови кислородом

ТСО2 — общее содержание углекислоты

ОГЛАВЛЕНИЕ

• стр. ВВЕДЕНИЕ.

ГЛАВА 1. ПОСТАНОВКА ЗАДАЧИ ИСПОЛЬЗОВАНИЯ МЕТОДОВ РАСПОЗНАВАНИЯ ОБРАЗОВ ДЛЯ ПРОГНОЗА РАЗВИТИЯ ПНЕВМОНИИ ПРИ ОСТРЫХ ОТРАВЛЕНИЯХ ПСС.

1.1. Вводные замечания.

1.2. Решающее правило в задаче распознавания с двумя классами

• 1.3. Неоднородная последовательная процедура.

1.4. Постановка задачи прогноза развития пневмонии при острых отравлениях ПСС.

ГЛАВА 2. ОТБОР ПРИЗНАКОВ, СУЩЕСТВЕННЫХ ДЛЯ

ПРОГНОЗА РАЗВИТИЯ ПНЕВМОНИИ.

2.1. Сбор медицинских данных.

2.2. Инструментальная база данных.

2.2.1 Вводные замечания.

2.2.2 Схема инструментальной базы данных.

• 2.2.3 Язык записи данных.

2.2.4 Структура базы данных больных с острыми отравлениями ПСС.

2.3. Редукция пространства признаков.

2.4. Проверка статистической независимости прогностических признаков.

2.5. Выводы.

ГЛАВА 3. О РАСПРЕДЕЛЕНИИ ВЕРОЯТНОСТЕЙ ЛОГАРИФМА

ОТНОШЕНИЯ ПРАВДОПОДОБИЯ.

3.1. Функция плотности логарифма отношения правдоподобия при неравных внутриклассовых дисперсиях.

3.2. Функция плотности логарифма отношения правдо- * подобия при равных внутриклассовых дисперсиях.

3.3. Функция плотности логарифма отношения правдоподобия для качественных признаков.

3.4. Выводы.

ГЛАВА 4. МОДИФИКАЦИЯ НЕОДНОРОДНОЙ ПОСЛЕДОВАТЕЛЬНОЙ ПРОЦЕДУРЫ.

4.1. Вычисление функции плотности суммы Вальда.

4.1.1. Непрерывные признаки.

4.1.1.1. Вычисление функции плотности суммы.

4.1.1.2. Теорема об ограниченности функции /2Л (s).

4.1.2. Дискретные признаки.

4.1.3. Функция плотности суммы непрерывных и дискретных признаков.81 ■

4.1.2. Обобщение для случая отсутствующих значений.

4.2. Классификатор Байеса.

4.3. Интерпретация модели распознавания на исходных данных.

4.4. Выводы.

ГЛАВА 5. ПРОГНОЗ РАЗВИТИЯ ПНЕВМОНИИ ПРИ ОСТРЫХ

ОТРАВЛЕНИЯХ ПСС ПО ДВУМ ПРИЗНАКАМ.

5.1. Вводные замечания.

5.2. Прогноз на основе аппроксимации выборочных данных двумерным нормальным законом.

5.2.1. Определение границы области принятия решений.

5.2.2. Интерпретация модели распознавания на исходных данных.

5.3. Прогноз на основе аппроксимации выборочных данных произведением кривых Пирсона I типа.

5.3.1. Способ аппроксимации.

5.3.2. Алгоритм вычисления границы области принятия решений.

5.3.3. Интерпретация модели распознавания на исходных данных.

5.4. Оценка вероятности ошибки классификации.

5.5. Выводы.

ГЛАВА 6. ПРОВЕРКА ЭФФЕКТИВНОСТИ РАЗРАБОТАННЫХ АЛГОРИТМОВ ПРОГНОЗА РАЗВИТИЯ ПНЕВМОНИИ ПРИ ОСТРЫХ ОТРАВЛЕНИЯХ ПСС.

6.1. Прогноз пневмонии по шести параметрам больного.

6.2. Прогноз пневмонии по двум параметрам больного.

6.2. Выводы.

Введение диссертации (часть автореферата) на тему «Алгоритмы прогноза развития пневмонии при острых отравлениях психотропными и снотворными средствами»

Предлагаемая работа выполнена в Государственном учреждении "Информационно-консультативный токсикологический центр" (ГУ ИКТЦ) Минздрава России, в Московском центре лечения острых отравлений НИИ скорой помощи им. Н.В. Склифосовского и в Институте прикладной математики им. М.В. Келдыша Российской Академии Наук в связи со следующими обстоятельствами. Современный этап отечественного здравоохранения характеризуется стремительным развитием фармакологической помощи населению Российской Федерации. Одним из побочных эффектов этого процесса является увеличение числа и тяжести течения острых отравлений лекарственными средствами и медикаментами, которые в соответствии с Международной классификацией болезней и проблем, связанных со здоровьем, ВОЗ 10-го пересмотра входят в группы Т36-Т50. Это приводит к росту смертности среди населения. По данным Международной программы химической безопасности ЮНЕП/МОТ/ВОЗ, случайные и преднамеренные острые отравления такого вида определяют до 40-60% от всей острой химической патологии в развитых странах [123]. Аналогичная картина наблюдается и в современной России, при этом причинными факторами примерно половины острых медикаментозных отравлений являются психотропные препараты и снотворные средства. Ниже станет понятной важность этого обстоятельства для данной диссертационной работы.

Приказ Министерства Здравоохранения Российской Федерации от 08.01.2002 г. №9 "О мерах по совершенствованию организации токсикологической помощи населению Российской Федерации" определил в качестве одного из основных направлений развития клинической токсикологии разработку и внедрение информационных технологий в систему медицинской помощи населению при острых химических отравлениях. Это объясняется тем, что в последние годы острым химическим отравлениям придается все большее значение как одному из основных факторов, определяющих смертность населения от неинфекционных заболеваний [117, 144, 147]. При этом, несмотря на относительно высокий уровень лечебно-диагностических технологий, отечественная клиническая токсикология существенно отстает от развитых стран в практическом использовании компьютерных технологий для информационной поддержки врача токсиколога в условиях продолжающегося возрастания числа, видов и тяжести течения острых отравлений [121, 122, 123].

Данная работа посвящена одному из направлений информатизации токсикологии - разработке и внедрению в клиническую практику алгоритмов прогноза осложнений острых химических отравлений. Известно, что осложнения значительно увеличивают вероятность неблагоприятного исхода при всех патологических состояниях человека [45], а для некоторых нозологических форм заболеваний1 осложнения являются одной из основных причин смерти [108, 124].

В Московском центре лечения острых отравлений НИИ скорой помощи им. Н.В. Склифосовского отмечено, что одним из основных осложнений, приводящих к летальному исходу после острых медикаментозных отравлений препаратами психофармакологического действия и снотворными средства является последующая пневмония, осложняющая заболевание примерно у 40% (по некоторым данным [74] у 50%) больных. Тяжелые формы таких отравлений и сами по себе отличаются высокой летальностью (их общая летальность колеблется в пределах 3-6 % [109]), но при наличии осложнения пневмонией летальность возрастает по разным данным от 30 % до 40 % [70,73,108].

Следствием своевременного прогноза развития пневмонии при острых отравлениях ПСС могло бы стать снижение вероятности смерти больных за счет более раннего начала проведения превентивных лечебных мероприятий [70, 108]. Однако количественная оценка вероятности развития пневмонии

1 медицинский термин нозологическая форма заболевания означает то же, что и вид заболевания для конкретных больных при острых отравлениях ПСС до сих пор не проводилась. Между тем, такая оценка, возможная в результате разработки и использования в данной области методов прикладной математики, позволила бы повысить обоснованность и надежность решений, принимаемых врачом при лечении больных с острыми отравлениями ПСС.

Таким образом, целью предлагаемого исследования является разработка математического и программного обеспечения для прогноза возможности развития пневмонии при острых отравлениях психотропными и снотворными средствами (ПСС). Для достижения этой цели должны были быть решены следующие задачи:

• создание базы данных больных с острыми отравлениями ПСС.

• определение подмножества клинико-лабораторных признаков, существенных для прогноза развития пневмонии у больных с острыми отравлениями ПСС (такие признаки далее называются прогностическими признаками);

• синтез и исследование решающих правил с использованием выделенных признаков для прогноза развития пневмонии при острых отравлениях ПСС;

• создание комплекса программ для прогноза развития пневмонии при острых отравлениях ПСС, предназначенного для использования врачами;

Для решения этих задач автором использовалась совокупность историй болезни 129 больных с острыми отравлениями ПСС (79 без пневмонии и 50 с развившейся не позднее первых 3-х суток с момента отравления пневмонией), лечившихся в Московском центре лечения острых отравлений НИИ скорой помощи им. Н.В. Склифосовского, содержащая 109 качественных и численных параметров протекания болезни, ее лечения и результатов процесса лечения. Информация предоставлена ведущим научным сотрудником Московского центра лечения острых отравлений НИИ скорой помощи им. Н.В. Склифосовского, доктором мед. наук К.К. Ильяшенко.

Для анализа и возможности преобразования и развития этой достаточно большой и весьма неоднородной совокупности данных понадобилось разработать в качестве инструментального средства специализированную базу данных, описываемую в главе 2.

В базе данных исходная совокупность историй болезни была использована как для выделения в результате их анализа подмножества признаков, значимых для данного прогнозирования (эта работа выполнялась в непосредственном контакте с врачом), так и для последующего определения параметров аппроксимационной модели рассеивания данных на выделенном подмножестве из множества всех признаков (логика этого анализа и его результаты также описаны в главе 2).

В результате анализа распределения данных в совокупности уже известных сведений о протекании болезни и лечении больных с отравлениями ПСС оказалось возможным (очевидно, в силу внутренней специфики исследуемой болезни) последовательное сокращение пространства значащих признаков с 109 до 59 и затем до 6-ти, а при ограничении исходного пространства признаков форменными элементами крови - до двух (см. главы 1, 2 и 5). Этот результат, естественно, упростил последующие процедуры принятия решений.

Для решения задачи прогнозирования пневмонии на выбранной совокупности признаков понадобилось развить известные статистические методы построения решающего правила в проблеме распознавания образов. Для этого оказалось возможным и целесообразным (в силу независимости выбранных признаков в данном случае) отказаться от известной процедуры последовательного анализа Вальда, но воспользоваться суммой Вальда в качестве статистического критерия отнесения результата анализа признаков данного больного к тому или иному классу (см. главы 3 и 4). Это потребовало разработки специального алгоритма для приближенного вычисления функций плотности распределения суммы Вальда в пространстве наблюдаемых признаков.

В случае двумерного пространства признаков в задаче прогнозирования пневмонии необходимо описать два двумерных внутриклассовых распределения рассеивания признаков в каждом классе. Их аппроксимация может быть выполнена, в частности, следующими двумя способами:

• посредством двумерных нормальных распределений,

• посредством двумерных распределений, функции плотности вероятности которых представляют собой произведение двух кривых Пирсона I типа [15, 90, 111], построенных на осях такой системы координат на плоскости, в которой исследуемые величины статистически независимы.

При обоих способах аппроксимации потребовалась разработка алгоритма построения границы областей принятия решений.

Метод аппроксимации функциями плотности двумерных нормальных распределений удобен тем, что в этом случае удается получить аналитическое решение уравнения минимума ошибки классификации. Преимуществом аппроксимации произведениями кривых Пирсона I типа является отсутствие необходимости в том, чтобы внутриклассовые выборочные распределения соответствовали нормальному закону (см. главу 5).

Таким образом, решение задачи прогнозирования развития пневмонии состояло из трех этапов:

1) анализ и преобразование пространства признаков с целью сокращения его размерности,

2) аппроксимация полученных в пространстве значащих признаков статистических параметров внутриклассовых распределений и

3) построение решающего правила на базе исходной совокупности больных.

В результате проведенных исследований разработаны оригинальные алгоритмы прогнозирования пневмонии, как осложнения при острых отравлениях ПСС, основанные на совокупности анализов, выполняемых в Московском центре лечения острых отравлений НИИ скорой помощи им. Н.В.

Склифосовского. Задача решена разработанными методами построения решающих правил на доступном объеме обучающей выборки. Основными предположениями о статистических свойствах распределений анализов больных являются: разделимость классов, приемлемость нормальной аппроксимации и, для модификации неоднородной последовательной процедуры, независимость распределений отдельных признаков.

В результате описанного подхода был разработан алгоритм прогноза развития пневмонии и соответствующее программное средство (см. Приложение). Они внедрены в практику работы Московского отделения лечения острых отравлений НИИ скорой помощи им. Н.В. Склифосовского.

Принцип организации упомянутой выше инструментальной базы данных и программные механизмы управления данными, разработанные в ходе диссертационного исследования, использованы в "Компьютерной информационно-аналитической токсикологической системе Токсстат 1.0", которая была создана ГУ ИКТЦ Минздрава России во исполнение приказа Министерства здравоохранения Российской Федерации от 29.12.2000 г. №460 "Об утверждении учетной документации токсикологического мониторинга". КИАТС Токсстат 1.0 (свидетельство Минздрава России от 04.03.2002 №80 -см. Приложение).

Предлагаемый алгоритм и его программная реализация имеют достаточно общий характер. Это позволяет их рекомендовать для опытного использования при решении аналогичных задач и при других нозологических формах острых химических отравлений.

Результаты диссертационной работы были доложены на I Всесоюзной конференции по клинической токсикологии "Острые токсикозы в клинической токсикологии" (Баку, 1991), на Всероссийской конференции "Актуальные вопросы оказания экстренной медицинской помощи при неотложных состояниях и перспективы их развития" (Новокузнецк, 1994), на Городской научно-практической конференции "Актуальные проблемы клинической токсикологии" (Москва, 1997), на I съезде токсикологов России (Москва, 1998), на V международном, форуме "Информационные технологии и интеллектуальное обеспечение медицины" (Турция, Кемер, 1998), на Всеармейской научно-практической конференции "Актуальные вопросы военно-полевой терапии" (Санкт-Петербург, 1999), на международной научной конференции "Интеллектуализация обработки информации" (Алушта, 2000 г.), на двух семинарах в Институте прикладной математики им. М.В. Келдыша РАН (Москва, 2001 и 2002 гг.), на семинаре в Институте проблем информатики РАН (Москва, 2002 г.), на семинаре в Вычислительном Центре им. А.А. Дородницына РАН (Москва, 2003 г.) и прошли апробацию в НИИ скорой помощи им. Н.В. Склифосовского Комитета здравоохранения Правительства Москвы и Государственном учреждении "Информационно-консультативный токсикологический центр" Минздрава России.

По теме диссертации опубликовано 19 работ, в том числе 3 международных.

Автор выражает глубокую благодарность д.т.н. проф. В.Н. Новосельцеву (ИПУ им. В.А. Трапезникова РАН), д.м.н. К.К. Ильяшенко (НИИ скорой помощи им. Н.В. Склифосовского) и к.м.н. Н.Н. Литвинову (ГУ ИКТЦ Минздрава РФ).

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Ельков, Александр Никонорович

6.3. Выводы

Сравнительная оценка двух различных разработанных алгоритмов прогноза развития пневмонии у больных с острыми отравлениями ПСС на независимых выборках показала следующее:

1. Были проанализированы две независимые выборки таких больных в количестве 71 и 38 человек. При этом оба алгоритма показали возможность их использования в наборе медицинских средств диагностики.

2. Вероятность возможных погрешностей прогноза развития пневмонии на независимых контрольных выборках историй болезни составила (соответственно 1-й и 2-й алгоритмы):

• Прогноз заболевания при его отсутствии — 0.14 и 0.125.

• Прогноз незаболевания при его наличии — 0.26 и 0.36.

• С учетом вероятности заболевания общая вероятность ошибки прогноза составила 0.18 и 0.21.

3. Обращает на себя внимание относительно высокий процент ошибки (36%) при распознавании больных с пневмонией с применением 2-го алгоритма. Это делает 1-й алгоритм более предпочтительным для использования.

4. Целесообразно при поступлении больных с острыми отравлениями ПСС в сомнительных случаях выполнять анализы всех шести выбранных клинических параметров.

5. Приведенные в главе анализ показывает примеры применения предлагаемых алгоритмов прогнозирования развития болезни.

Таким образом, разработанные нами алгоритмы для прогноза развития пневмонии при острых отравлениях ПСС показали достаточную эффективность и могут быть рекомендованы для применения в клинической практике.

Заключение

Предложены алгоритмы прогнозирования развития пневмонии при острых отравлениях ПСС. Практическое значение этих алгоритмов для клинической токсикологии определяется тем, что пневмония является распространенным осложнением подобных острых отравлений, во многом определяющим тяжесть течения и исход заболеваний.

1. Разработанные алгоритмы прогноза развития пневмонии при острых отравлениях ПСС, основанные на статистической теории распознавания образов, являются достаточно эффективными и могут быть использованы как одно из средств медицинской диагностики. Апробация разработанных алгоритмов в Московском центре лечения острых отравлений НИИ скорой помощи им. Н.В. Склифосовского показала их практическую пригодность: полная вероятность ошибок прогноза развития пневмонии при острых отравлениях ПСС не превышала 21%.

2. В тех случаях, когда все прогностические признаки статистически независимы, доступны одновременно и для аппроксимации рассеивания данных в подпространстве непрерывных признаков всего пространства прогностических признаков допустимо использование нормального распределения, целесообразна замена неоднородной последовательной процедуры на одномерную процедуру распознавания образов путем приближенного вычисления условных функций плотности распределения суммы Вальда одновременно по всем ее слагаемым. Предложенный алгоритм для приближенного вычисления таких функций плотности описан в главе 4.

3. При поступлении больных с острыми отравлениями ПСС, если известны значения только тех признаков, которые использованы в двумерной модели аппроксимации признакового пространства (гл.5, признаки Л и С), для прогноза пневмонии при острых отравлениях ПСС можно использовать метод, изложенный в 5-й главе. Однако в сомнительных случаях целесообразно выполнять анализы всех шести выбранных клинических параметров, т.к. относительно высокий процент ошибки (36%) при распознавании больных с пневмонией с использованием двух признаков (гл.5) делает применение алгоритма, изложенного в 4-й главе, более предпочтительным.

4. Предлагаемый подход и разработанная база данных имеет общий характер и успешно применяется для решения аналогичных задач при других нозологических формах острых химических отравлений.

Список литературы диссертационного исследования кандидат физико-математических наук Ельков, Александр Никонорович, 2003 год

1. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Основы моделирования и первичная обработка данных. — М.: Финансы и статистика, 1983.

2. Айвазян С.А., Мхитарян B.C. Теория вероятностей и прикладная статистика. М.: Юнити, 2001. Т.1. - 656 с.

3. Айзерман М.А., Браверман Э.М., Розоноэр Л.И. Теоретические основы метода потенциальных функций в задаче об обучении автоматов разделению входных сигналов на классы// Автоматика и телемеханика. 1964, №6. с.917-936.

4. Айзерман М.А., Браверман Э.М., Розоноэр Л.И. Метод потенциальных функций в теории обучения машин. — М.: Наука, 1970. 384 с.

5. Алексеевский А.В., Гельфанд И.М., Извекова М.Л., Шифрин М.А. О роли формальных методов в клинической медицине: от цели к постановке задачи // Информатика и медицина / Под ред. И.М. Макарова, М.: Наука, 1997, С.6-35.

6. Апраушева Н.Н. Статистическая система автоматической классификации. М.: ВЦ РАН. 1999.

7. Аркадьев А.Г., Браверман Э.М. Обучение машины распознаванию образов. М.: Наука, 1964.

8. Барабаш Ю.Л., Варский Б.В., Зиновьев В.Т., Кириченко B.C., Сапегин В.Ф. Вопросы статистической теории распознавания. М.: "Советское радио", 1967.

9. Бейли Н. (Bailey N.) Математика в биологии и медицине. Пер. с англ. М.: Мир, 1970. 326 С.

10. З.Беклемишев Д.В. Курс аналитической геометрии и линейной алгебры. М.: Наука, 1971.-328 С.

11. Беллман Р. Математические методы в медицине (пер. с англ.). М.: Мир, 1987.

12. Болыпев JT.H., Смирнов Н.В. Таблицы математической статистики. М., Наука, 1983.

13. Браверман Э. М. Метод потенциальных функций в задаче обучения машины распознаванию образов без учителя. «Автоматика и телемеханика», 1966, № 10.

14. Бурлаков И.А. Автоматизированная история болезни для больных с острыми химическими отравлениями. Автореф. канд. дисс. М., 1984.

15. Бурлаков И.А., Дагаев В.Н. и др. Автоматизированная система дифференциальной диагностики токсических ком//В кн.: Научные и технические аспекты охраны окружающей среды. М., ВИНИТИ. — 1991. - №1. - С. 15-22.

16. Быховский М. Л., Вишневский А. А., Харнас С. Ш. Вопросы построения диагностического процесса при помощи математических машин. — Экспер. хир. и анестезиол., 1961, № 4, С. 3-15.

17. Быховский М.Л. Вероятностная логика построения самообучающегося диагностического процесса на математических машинах. Экспер. хир. и анестезиол., 1962, №1, с.3-11.

18. Вадзинский Р.Н. Справочник по вероятностным распределениям. — СПб.: Наука, 2001.-295 с.

19. Вальд А. Последовательный анализ. М.: Физматгиз, 1960.

20. Вапник В.Н. Машины, обучающиеся распознаванию образов. В кн.: Алгоритмы обучения распознаванию образов. М.: Советское радио, 1973. — С.5-28.

21. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов. М., 1974.

22. Вентцель Е.С. Теория вероятностей. — М.: ГИФМЛ, 1962. 564 С.

23. Верхаген К., Дейн Р., Грун Ф., Йостен Й., Вербек П. Распознавание образов. Состояние и перспективы. Пер. с англ. М.: Радио и связь, 1985.

24. Власов В.В. Эффективность диагностических исследований. М.: Медицина, 1988.

25. Волков Е.А. Численные методы. М.: Наука, 1987, 248 С.

26. Волошин Г.Я., Бурлаков И.А., Косенкова С.Т. Статистические методы решения задач распознавания, основанные на аппроксимационном подходе. Владивосток, 1992.

27. Гаспарян С.А., Пашкина Е.П. Страницы информатизации здравоохранения России. М.: Московский государственный медицинский университет, 2002. 304 с.

28. Гельфанд И.М., Гурфинкель B.C., Цетлин M.JI. О тактиках управления сложными системами в связи с физиологией// В кн.: Биологические аспекты кибернетики. М.:1962. с. 66—73.

29. Гельфанд И.М., Розенфельд Б.И., Шифрин М.А. Очерки о совместной работе математиков и врачей. М.: Наука, 1982. — 272 С.

30. Генкин А.А., Гублер Е.В. Применение последовательного анализа для дифференциальной диагностики и использование этого метода для различения двух форм ожоговой болезни // В кн.: Применение математических методов в биологии. Сб. 3. Л. 1964. С.174-185.

31. Генкин А.А. Интервальные и бинарные структуры — новые понятия медицинской информатики//Сб. докл. VI С.-Петербургской междунар. конф. "Региональная информатика 98". Информационные технологии в здравоохранении. СПб, 1998. с.45-53.

32. Генкин А.А. О последовательной стратегии Байеса и механизме принятия решений в интеллектуальной системе ОМИС. Клин. лаб. диагн., 1998. -№4. С.42-49.

33. Глазкова Т.Г. Алгоритмы и программы распознавания образов// В кн.: "Алгоритмы и программы восстановления зависимостей". Под ред. Вап-никаВ.Н./ М.: Наука, 1984. С.108-385.

34. Гольдфарб Ю.С., Лужников Е.А., Е.В. Ястребова Е.В., Ельков А.Н., Бадалян А.В., Мелконян Ш.Л. Детоксикационные эффекты физико-химической гемотерапии при острых экзогенных отравлениях. Анестезиология и реаниматология. М.-1998. - № 6. С.7-11.

35. Гончарова Л.Н., Иванова Н.В. Математическое прогнозирование течения и исходов отравлений уксусной кислотой. Тер. арх., 1973, № 7, с. 100109.

36. Горелик А.Л., Скрипкин В.А. Методы распознавания. М.: Высшая школа, 1977.

37. Грис Д. Конструирование компиляторов для цифровых вычислительных машин (пер. с англ.). М.: Мир, 1975. 544 с.

38. Гублер Е.В. Вычислительные методы анализа и распознавания патологических процессов. Ленинград: Медицина, 1978.

39. Гублер Е.В. Информатика в патологии, клинической медицине и педиатрии-Л., 1990

40. Гукасян А.Г. Внутренние болезни. М.: Медицина, 1972. - 416 с.

41. Дагаев В.Н., Лужников Е.А., Воротынцев А.П., Горин Э.Э. Критерии тяжести патологического процесса при острых отравлениях. Суд.-мед. экспертиза. -M.-1982.-N3, С.37-39.

42. Дагаев В.Н., Воротынцев А.П., Бурлаков И.А. и др. Оценка информативности признаков отравлений для прогноза их исходов. Гигиена труда и профзаболевания. -М.-1983.-№ 9, С.4-8.

43. Дагаев В.Н., Лужников Е.А., Томилин В.В. и др. Количественная оценка риска смерти и характера морфологических повреждений внутренних органов при острых пероральных, отравлениях. Суд.-мед. экспертиза. -1985.-№ 4, С.34-37

44. Дагаев В.Н., Искандаров А.И., Лужников Е.А., Горин Э.Э., Лисовик Ж.А., Ельков А.Н. Экспертные критерии степени тяжести химической травмы при острых отравлениях ФОИ /Суд.мед.экспертиза. 1990. -№1, С. 16-17

45. Дагаев В.Н., Новосельцев В.Н. Параметризация фармакокинетиче-ских моделей для анализа процессов управления в организме. Автоматика и телемеханика. 1995. - №6. - С. 130-144.

46. Дагаев В.Н., Лужников Е.А., Казачков В.И. Клиническая токсикометрия острых отравлений. — Екатеринбург: Чароид, 2001. 182 с.

47. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976.512 с.

48. Дьяконов В.П. Справочник по алгоритмам и программам на языке бейсик для персональных ЭВМ. М.: Наука, 1989, 240 С.

49. Ельков А.Н. Об одном алгоритме распознавания образов для решения задачи прогноза заболевания. Препринт Ин-та прикладной математики им. М.В. Келдыша РАН, 1998, №34.

50. Ельков А.Н. Прогноз пневмонии при острых отравлениях как задача распознавания образов Препринт Ин-та прикладной математики им. М.В. Келдыша РАН, 1999, №65.

51. Ельков А.Н. Ильяшенко К.К. Байесовский классификатор для прогноза развития пневмонии при острых отравлениях психотропными средствами. В кн. "ИОИ-2000. Интеллектуализация обработки информации." Тез. докл. междкнар. научн. конф. Симферополь, 2000.

52. Ельков А.Н. Ильяшенко К.К. Варианты классификации по Байесу для прогноза развития пневмонии при острых отравлениях психотропными средствами // Искусственный интеллект. Донецк, 2000. - №2. - С. 363-370

53. Ельков А.Н. Об одном способе замены переменных в задачах медицинской прогностики. Автоматика и телемеханика. 2002. - №10. — С. 114— 128.

54. Епаненчиков В.А. Непараметрическая оценка многомерной плотности вероятности // Теория вероятности и ее применения. — 1969. Т. 14, вып. 1.-С. 156-161.

55. Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания и классификации // Проблемы кибернетики. Вып. 33. М.: Наука, 1978. С.5-68.

56. Журавлев Ю.И., Рудаков К.В. Об алгебраической коррекции процедур обработки (преобразования) информации. М.: Наука, 1987. С.187-198.

57. Ильяшенко К.К. Токсическое поражение дыхательной системы при острых отравлениях и его лечение. Автореф. докт. дисс. М., 1997.

58. Ильяшенко К.К., Ельков А.Н. Особенности диагностики и лечения пневмоний при острых отравлениях // В кн.: Актуальные проблемы клинической токсикологии / Матер, городской научн.-практ. конф. М.: НИИ скорой помощи им. Н.В. Склифосовского, 1997. С. 9-10

59. Ильяшенко К.К., Ястребова Е.В., Калянова Н.А., Ельков А.Н. Поражение дыхательной системы при острых экзогенных отравлениях// В кн.: Тез. докл. I съезда токсикологов России. М, 1998. С. 172.

60. Ильяшенко К.К. Пневмонии при острых экзогенных отравлениях. Скор. мед. помощь.,2002,№2, Т.З, С24

61. Ильяшенко К.К., Лужников Е.А., Коваленко JI.A., Белова М.В., Лисо-вик Ж.А., Ельков А.Н. Токсикометрическая оценка острых отравлений фин-лепсином// Токсикологический вестник. 2002. - №6. - С.23-27.

62. Ильяшенко К.К., Петров С.И., Давыдова Н.А., Ельков А.Н. Влияние гипохлорита натрия на состояние нейрорегуляторных систем организма при острых отравлениях психотропными препаратами. Анест. и реанимат.,2002, №2, С.35-38

63. Казанцев B.C. Задачи классификации и их программное обеспечение. М.: Наука, 1990, 135 С.

64. Капитаненко A.M., Дочкин И.М. Клинический анализ лабораторных исследований. М.: Воениздат, 1985. - 237 с.

65. Капп Д., Лебен Дж. Техника программирования для IMS. Методология использования DL/1 (пер. с англ.). М.: Мир, 1983. 247 С.

66. Каталог выставки "Программное обеспечение и прикладные системы ИИ" при Всесоюзной Конференции по Искусственному Интеллекту ВКИИ -90. (Минск 21-24/10 1990). ИВЦ МГТПО, 1990

67. Келина Н.Ю., Васильков В.Г., Безручко Н.В. Методология доказательной биохимической оценки развития эндотоксикоза. Вестник интенсивной терапии. 2002. № 4. С. 13-17.

68. Клюжев В.М. и др. Применение методов математического моделирования в клинической практике. Военно-медиц. журнал. 1997. № 5. С. 41-44.

69. Кожевников Ю.В. Теория вероятностей и математическая статистика. М.: Машиностроение, 2002, 414 С.

70. Котов Ю.Б., Федорова М.В., Шалаев О.Н. Минимизация размерности описания объекта при выборе тактики в медицинской задаче // V Всероссийекая конференция "Нейрокомпьютеры и их применение", сб. докл., М.: 1999, С.310-313.

71. Котов Ю.Б. Технология построения шкалы оценки состояния организма // Препринт Института прикладной математики им. М.В. Келдыша РАН, 2000, №26,19 С.

72. Котов Ю.Б. Методы формализации профессионального знания врача в задачах медицинской диагностики. Автореф. докт. дисс. М., 2003.

73. Коуден Д. (Cowden D.J.) Статистические методы контроля качества. М.: Физматлит, 1961. 623 С.

74. Крамер Г. Математические методы статистики. М., Мир, 1978

75. Красовский И. И., Чирейкин JI. В., Зубков А. А., Девицкий Б.С. О применении последовательного статистического анализа для диагностики ЭКГ-признаков легочного сердца у больных хронической пневмонией. Тер. арх., 1973, № 3, с. 70-77.

76. Крылов А.А., Купчинский Р.А. Применение последовательной статистической процедуры для прогнозирования при инфаркте миокарда//Проблемы вычислительной диагностики. Л.: Наука, 1969, С. 139-143.

77. Кульбак У. Информация и статистика (пер. с англ.). М.: Мир, 1967.

78. Лаврентьев А.А. Прогнозирование состояния и рационализация лечения кардиохирургических больных в послеоперационном периоде в условиях перехода к инновационным медицинским технологиям. Автореф. докт. дисс. Воронеж, 2001.

79. Лапко А.В., Лапко В.А., Соколов М.И., Ченцов С.В. Непараметрические модели коллективного типа. Новосибирск: Наука, 2000, 143 С.

80. Ларичев О.И., Асанов А.А., Нарыжный Е.В., Страхов С.И. Экспертная лечебно-диагностическая система при острых лекарственных отравлениях у детей//В кн.: Научные и технические аспекты охраны окружающей среды. М., ВИНИТИ. - 2002. - №12. - С.34-39.

81. Ластед Л. Введение в проблему принятия решений в медицине (пер. с англ.). М., Мир, 1971.

82. Лбов Г. С. Выбор эффективной системы зависимых признаков // Вычислительные системы. Новосибирск, 1965. Вып. 19. С. 21-34.

83. ЮО.Ледли P. (Ledley R.) Программирование и использование вычислительных машин (пер. с англ.). М.: Мир, 1966, С.428-445.

84. Леман Е.Л. (Lehmann E.L.). Проверка статистических гипотез. М.: Наука, 1979. 407 С.

85. Литвинов Н.Н., Казачков В.И., Остапенко Ю.Н. и др. Федеральная система информационного обеспечения проблемы острых химических отравлений человека. Актуальные проблемы теоретической и прикладной токсикологии. СПб.: 1995, часть 3. С.32.

86. Лужников Е.А., Гаспарян С.А., Волошин Г.Я., Бурлаков ИА., Дагаев В.Н. Автоматическая дифференциальная диагностика в режиме диалога с ЭВМ коматозных состояний при острых отравлениях. Анестезиология и реаниматология. -M.-1983.-N 6. С.24-26.

87. Лужников Е.А., Дагаев В.Н., Горин Э.Э., Лисовик Ж.А. Факторные аспекты оценки состояния гомеостаза при острых пероральных отравлениях. Гигиена труда и профзаболеваний. -М.-1985.-№ 1, С.27-30

88. Лужников Е.А., Костомарова Л.Г., Новиковская Т.В., Савина А.С., Ильяшенко К.К. Экзотоксический шок (клиник, диагностика, лечение). Методические рекомендации. М.: Изд. МЗ РФ. 1985. - 17 С.

89. Лужников Е.А. Клиническая токсикология. М.: Медицина, 1999.

90. Лужников Е.А., Остапенко Ю.Н., Суходолова Г.Н. Неотложные состояния при острых отравлениях . М.: Медпрактика-М, 2001.- 220 С.

91. Ю.Львовский Е.Н. Статистические методы построения эмпирических формул. М.: Финансы и статистика, 1988. - 239 с.111 .Митропольский А.К. Техника статистических вычислений. — М.: Наука, 1971.-576 с.

92. Мучник И.Б., Петренко Е.С. Программы для решения задач распознавания методом потенциальных функций. В кн.: Алгоритмы обучения распознаванию образов. М.: Советское радио, 1973. С.50-84.

93. Новосельцев В.Н. Теория управления и биосистемы. — М.: Наука, 1978.-324 С.

94. Новосельцев В.Н., Дагаев В.Н., Талмасская И.И. Метода теории управления и моделирования в токсикологии //В кн.: Научные и технические аспекты охраны окружающей среды. М., ВИНИТИ. - 1991. - №1. - С.39-65.

95. Прудников А.П., Брычков Ю.А., Маричев О.И. Интегралы и ряды. — М.: Наука, 1981.-800 С.

96. Пугачев B.C. Введение в теорию вероятностей. М., Наука, 1968. -368 с.

97. Пугачев B.C. Теория вероятностей и математическая статистика. -М., Наука, 1979.

98. Пустыльник Е.И. Статистические методы анализа и обработки наблюдений. М.: Наука, 1968. - 288 с.

99. Распознавание образов и медицинская диагностика. Под ред. Ю.И. Неймарка. М.: Наука, 1972.

100. Растригин Л.А., Эренштейн Р.Х. Метод коллективного распознавания. М.: Энергоиздат, 1981.

101. Родионов В.Н., Львович Я.Е., Шевчук Д.В. и др. Автоматизированная оценка тяжести острых отравлений грибами// В кн. "Интенсивная терапия неотложных состояний" Матер, научно-практ. конф. 2000. с.70-76.

102. Рунион Р. Справочник по непараметрической статистике (пер. с англ.). М., Финансы и статистика, 1982.

103. Сарманаев С.Х., Яманаева И.Е. Применение вероятностных методов распознавания в клинической токсикологии. Токсикологический вестник, 2002, № 4. С. 17-29.

104. Сборник научных программ на фортране. Вып. I, II (пер. с англ.). М., Статистика, 1974.

105. Себеста Р. Основные концепции языков программирования (пер. с англ.). М., СПб, Киев: Вильяме, 2001, 668 С.

106. Стручков П.В., Виницкая Р.С., Люкевич И.А. Введение в функциональную диагностику внешнего дыхания. М.: "ТОО Транссервис", 1996. 72 С.

107. Стуколова Т.И. Современное состояние и перспективы развития информатизации в здравоохранении Российской Федерации. Проблемы управления здравоохранением, 2002, № 1. -С. 20-22.

108. Томилин В.В., Лужников ЕА, Дагаев В.Н. и др. Применение компьютерных методов анализа при решении актуальных вопросов судебно-медицинской и клинической токсикологии. Суд.-мед. экспертиза. -1986.-№3, С.3-8

109. Ту Дж., Гонсалес Р. Принципы распознавания образов (пер. с англ.). М.: Мир, 1978.

110. Уилкс С. Математическая статистика (пер. с англ.). М.: Наука, 1967.-632 с.

111. Фомин Я.А., Тарловский Г.Р. Статистическая теория распознавания образов. М.: Радио и связь. 1986.

112. Хальфин Р.А., Оганов Р.Г. Проблемы медицинской профилактики неинфекционных заболеваний в современных условиях. Проблемы управления здравоохранением, 2002, № 1. С. 26-31.

113. Хант Э. Искусственный интеллект (пер. с англ.). М.: Мир, 1978. 558 С.

114. Нб.Чернецов В.А., Ардашев В.Н. Прогнозирование осложнений крупноочагового инфаркта миокарда// Компьютерные модели и прогресс медицины / Под ред. О.М. Белоцерковского и А.С. Холодова, М.: Наука, 2001, С. 16-34.

115. Шевченко Ю.Л. Основные направления реализации государственной политики в области здравоохранения. Проблемы управления здравоохранением, 2002, № 1. С. 5-9.

116. Штейн Л.Б. Опыт прогнозирования в медицине с помощью ЭВМ. Л.: Изд-во Ленингр. ун-та. 1987.

117. Эндрю А. Искусственный интеллект. М.: МИР, 1985.

118. Anderson T.W., Bahadur R.R. Classification into two multivariate normal distributions with different covariance matrices. Ann. Math. Stat., 33,422-431 (1962).

119. Chow C.K. An optimum character recognition system using decision functions, IRE Trans, on Elec. Сотр., EC-6, 247- 254 (December 1957).

120. FeigenbaumE.A. "Themes and case studies of knowledge engineering" -in: Expert System in the Microelectronics Age. Edinburg, 1979

121. Fu K.S. Sequential Methods in Pattern Recognition and Machine Learning (Academic Press, New York, 1968).

122. Ledley R. and Lasted L. Reasoning foundations on reasoning diagnosis. Sience 130 (1959), №3366, p.9-21.

123. Litvinov N.N. et. al. Pattern recognition and artificial intellect applications in expert computer toxicological systems. 2 Meeting on computer as an aid in poison centres. France, Lille, 1995. P. 94.

124. Parzen E. On estimation of a probability density // Ann. Math. Statistic. -1969.-P. 1038-1050.