Биоимпедансная спектроскопия в классификаторах риска панкреатита, построенных на основе гибридных технологий искусственного интеллекта тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Стадниченко Никита Сергеевич

• Стадниченко Никита Сергеевич
• кандидат наук
• 2023

Оглавление диссертации кандидат наук Стадниченко Никита Сергеевич

Оглавление

Введение

1 Методы и модели биоимпедансных исследований для систем поддержки принятия врачебных решений

1.1 Общие положения

1.2 Анализ факторов риска панкреатита и методов его диагностики

1.3 Биоимпедансные исследования в диагностике различных заболеваний

1.4 Модели электрохимической импедансной спектрометрии

1.5 Цель и задачи исследования

2 Развитие технологии биоимпедансной спектроскопии в системах поддержки принятия врачебных решений

2.1 Метод построения модифицированной модели Войта биоматериала

2.2 Алгоритмы селекции частот для построения модифицированной модели Войта

2.3 Синтез структуры гибридного классификатора, построенного на основе анализа локальных и глобальных импедансных диаграмм

2.4 Выводы второго раздела

3 Биоимпедансная спектроскопия в системах искусственного интеллекта для поддержки принятия врачебных решений при дифференциальной диагностике заболеваний поджелудочной железы

3.1 Структурно-функциональные решения для системы интеллектуальной поддержки по оценке риска панкреатита на основе гибридных нейронных сетей

3.2 Структура гибридной нейронной сети

3.3 Байесовский логико-вероятностный метод синтеза модулей второго макрослоя гибридной нейронной сети

3.4 Выводы третьего раздела

4 Разработка элементов системы поддержки принятия решений и результаты экспериментальных исследований

4.1 Разработка программно-аппаратных средств для биоимпедансных исследований поджелудочной железы

4.2 Программный модуль получения данных для построения импедансной диаграммы

4.3 Система искусственного интеллекта для классификации рисков заболеваний поджелудочной железы

4.4 Модуль настройки классификаторов

4.5 Экспериментальная проверка моделей классификаторов риска заболеваний поджелудочной железы

4.6 Выводы четвертого раздела 120 Заключение 122 Список сокращений и условных обозначений 124 Список литературы

Введение диссертации (часть автореферата) на тему «Биоимпедансная спектроскопия в классификаторах риска панкреатита, построенных на основе гибридных технологий искусственного интеллекта»

Введение

Актуальность исследований. Традиционная диагностика панкреатита основывается на анализе клинических и лабораторно-инструментальных данных, что на начальных этапах развития заболевания представляет собой сложную задачу и сопровождается диагностическими ошибками. Традиционные лабораторно-инструментальные методы имеют чувствительность от 58% до 93%, однако у 40% больных диагноз острого панкреатита (ОП) устанавливается при его фактическом отсутствии. Значительная доля ложноположительных результатов объясняется тем, что на состояние пациента оказывают влияние факторы риска (ФР) не только по отдельности, но и в определенных сочетаниях. Обработать большое количество информации и выявить закономерности врачу-клиницисту зачастую не под силу. Поэтому с развитием и совершенствованием информационных технологий актуальной является проблема обеспечения компьютерной поддержки принятия решений в диагностике и лечении панкреатита. Для ее реализации успешно применяются интеллектуальные системы поддержки принятия решений, в основном на искусственных нейронных сетях (ИНС). Однако, потенциал ИНС для этих целей изучен недостаточно, что требует проведения дальнейших исследований.

Степень разработанности темы исследования. Традиционно эндоскопическая ретроградная панкреатография (ЭРП) и тесты функции поджелудочной железы (например, секретин-стимулирующий тест) считались золотыми стандартами для диагностики панкреатита. Однако к тому времени, когда с помощью этих обычных тестов будут обнаружены аномалии, панкреатит может уже находиться на поздней стадии. Поэтому существует необходимость в более качественной диагностике и оценке тяжести панкреатита на ранней стадии для обеспечения надлежащего лечения [Atsushi Irisawa, Kyoko Katakura е! а1., 2007].

Методы машинного обучения (МО) показали потенциал для создания прогностических моделей медицинского риска (МР), которые можно применять в

системах поддержки принятия врачебных решений (СППВР) для широкого спектра клинических задач, в частности, и связанных с диагностикой заболеваний поджелудочной железы (ПЖ). Однако, хотя некоторые модели прогнозирования и пытаются предсказать МР, но большинство этих исследований имеют существенные недостатки (высокая систематическая ошибка, низкая чувствительность), которые делают их непригодными для принятия клинических решений [Wynants L., Calster B. Van, Bonten M.M.J. et al., 2020].

Таким образом, современные требования к медицинским информационным системам и, в частности, к СППВР, показывают, что технологии искусственного интеллекта в области диагностики и дифференциальной диагностики заболеваний ПЖ нуждаются, как в разработке новых методов формирования предикторов этих заболеваний, так и совершенствовании математических моделей МР этих заболеваний.

Цель работы. Повышение эффективности диагностики и дифференциальной диагностики заболеваний поджелудочной железы посредством классификаторов медицинского риска, основанных на гибридных технологиях искусственного интеллекта, с использованием дескрипторов, полученных посредством спектроскопии биоимпеданса.

Для достижения поставленной цели необходимо решить следующие задачи:

- выполнить системный анализ факторов риска заболеваний поджелудочной железы и методов спектроскопии биоимпеданса в задачах диагностики и дифференциальной диагностики заболеваний поджелудочной железы;

- разработать гибридный классификатор медицинского риска, построенный на основе биоимпеданной спектроскопии, и предназначенный для классификации риска заболеваний поджелудочной железы;

- разработать гибридную нейронную сеть с макрослоями, выполненными на основе вероятностной нейронной сети и моделей нечеткого логического вывода, предназначенную для интеллектуальной поддержки дифференциальной диагностики риска заболеваний поджелудочной железы;

- разработать метод синтеза макрослоя гибридной нейронной сети, построенной на основе биоимпедансной спектроскопии в экспериментах in vivo;

- разработать программное обеспечение для интеллектуальной поддержки риска заболеваний поджелудочной железы на основе спектроскопии биоимпеданса в экспериментах in vivo;

- провести апробацию предложенных моделей, методов и алгоритмов интеллектуальной поддержки при диагностике острого деструктивного панкреатита и дифференциальной диагностике рака поджелудочной железы и хронического панкреатита.

Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной:

- гибридный классификатор медицинского риска, построенный на основе биоимпедансных исследований в экспериментах in vivo, отличающийся наличием двух автономных агентов на нижнем иерархическом уровне, в первом из которых дескрипторы сформированы на основе локальной аппроксимации импедансной диаграммы модифицированной моделью Войта, а во втором - на основе глобальной аппроксимации импедансной диаграммы, позволяющий повысить эффективность классификации риска заболеваний поджелудочной железы;

- гибридная нейронная сеть с макрослоями, выполненными на основе вероятностной нейронной сети и моделей нечеткого логического вывода, отличающаяся тем, что число нейронных сетей в первом макрослое равно числу частотных диапазонов, которые выделены в глобальной модели импедансной диаграммы биоматериала, второй макрослой выполнен на основе нечеткой логики принятия решений, третий макрослой осуществляет операции нечеткое «ИЛИ» и нечеткое «И» над выходами второго макрослоя, четвертый макрослой определяет уверенности в дискриминируемых классах, а пятый - определяет класс-победитель, позволяющая дифференцировать риски заболеваний поджелудочной железы;

- метод синтеза модулей второго макрослоя гибридной нейронной сети, заключающийся в формировании байесовской логико-вероятностной модели

нечетких решающих правил, отличающийся представлением их в виде ортогональной дизъюнктивной нормальной формы и последующим формальным переходом от функции алгебры логики, заданной в ортогональной дизъюнктивной нормальной форме, к соответствующей функции вероятностной логики, при этом условные вероятности соответствующих событий определяются согласно формуле Байеса по соответствующим выходам вероятностной нейронной сети первого макрослоя гибридной нейронной сети, включение которого в гибридную нейронную сеть позволяет повысить качество дифференцирования риска заболеваний поджелудочной железы не менее чем на 10%.

Теоретическая и практическая значимость работы состоит в том, что разработаны новые методы построения СППВР, и, в частности, методы синтеза гибридных классификаторов для интеллектуальной поддержки диагностики и дифференциальной диагностики заболеваний поджелудочной железы. Предложены новые модели формирования дескрипторов для автономных интеллектуальных агентов, основанные на совершенствовании методов биоимпедансной спектроскопии. Разработанные методы, модели, алгоритмы и соответствующее программное обеспечение составили основу построения СППВР по диагностике и дифференциальной диагностике заболеваний ПЖ, опытная эксплуатация элементов которой позволяет рекомендовать её к использованию при ведении больных с заболеваниями желудочно-кишечного тракта.

Работа выполнена в рамках реализации программы развития ФГБОУ ВО «Юго-Западный государственный университет» программы стратегического академического лидерства «Приоритет-2030» и в соответствии с научным направлением Юго-Западного государственного университета «Разработка медико-экологических информационных технологий».

Результаты работы внедрены в образовательный процесс Юго-Западного государственного университета при подготовке магистров по направлению 12.04.04 «Биотехнические системы и технологии» и прошли испытания в Клиническом Научно-Медицинском центре «Авиценна» г. Курска. Испытания

показали целесообразность их использования в системах поддержки принятия решений при диагностике заболеваний поджелудочной железы.

Методы исследований. Для решения поставленных задач использовались методы: теории биотехнических систем медицинского назначения, теоретических основ электротехники, математической статистики, нечеткой логики принятия решений, теории нейронных сетей. При разработке моделей Войта использовался математический пакет Mathcad 14. При разработке нейросетевых и нечетких моделей в качестве инструментария использовался MATLAB 2018b со встроенным пакетом Fuzzy Logic Toolbox и с графическим интерфейсом пользователя для Neural Network Toolbox. При статистической обработке данных использовался пакет Excel 2013.

Положения, выносимые на защиту. Гибридный классификатор медицинского риска, построенный на основе спектроскопии биоимпеданса, позволяет повысить эффективность классификации риска заболеваний поджелудочной железы; гибридная нейронная сеть с макрослоями, выполненными на основе вероятностной нейронной сети и моделей нечеткого логического вывода, позволяет дифференцировать заболевания поджелудочной железы; метод синтеза модулей второго макрослоя гибридной нейронной сети, основанный на представлении нечетких решающих правил в виде ортогональной дизъюнктивной нормальной формы и последующим формальным переходом от функции алгебры логики к соответствующей функции вероятностной логики, позволяет повысить показатели качества дифференцирования риска заболеваний поджелудочной железы не менее чем на 10%.

Степень достоверности и апробация работы. Результаты исследования показали возможность воспроизводимости в разных условиях, согласованность с методами биоимпедансной спектроскопии, теорией искусственных нейронных сетей и нечеткого логического вывода, а также аналогичными результатами спектроскопии биоимпеданса, которые были получены другими исследователями. Итоги экспериментальных исследований классификаторов риска заболеваний ПЖ

не противоречат ранее опубликованными исследовательским данным по теме диссертации.

Основные теоретические положения и научные результаты диссертационной работы излагались, обсуждались, а также получили положительную оценку на 14 Всероссийских и Международных конференциях: «Нейроинформатика, её приложения и анализ данных» (Красноярск - 2020); «Физика и радиоэлектроника в медицине и экологии - ФРЭМЭ» (Владимир-Суздаль - 2020, 2022); «Медико-экологические информационные технологии» (Курск - 2020); «Лазерно-информационные технологии в медицине, биологии, геоэкологии и на транспорте» (Новороссийск - 2020); «Лазерно-информационные технологии» (Новороссийск -2021, 2022); «Биотехнические, медицинские и экологические системы, измерительные устройства и робототехнические комплексы» (Рязань - 2020, 2021); «Радиоэлектроника. Проблемы и перспективы развития» (Тамбов - 2021); «Актуальные проблемы медицинской науки и образования» (Пенза - 2022); «Искусственный интеллект в решении актуальных социальных и экономических проблем XXI века» (Пермь - 2021, 2022); «Моделирование и прогнозирование развития отраслей социально-экономической сферы» (Курск - 2023); на семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск - 2019-2023).

Публикации. Основные результаты диссертационного исследования отражены в 22 научных работах, из них 6 статей в ведущих рецензируемых научных журналах, 1 статья в Международной наукометрической базе Scopus и один патент на изобретение.

Структура и объем работы. Диссертация состоит из введения, четырех разделов, заключения и списка литературы, включающего 86 отечественных и 35 зарубежных наименований. Работа изложена на 142 страницах машинописного текста, содержит 35 рисунков и 4 таблицы.

1 Методы и модели биоимпедансных исследований для систем поддержки

принятия врачебных решений

1.1 Общие положения

Панкреатит - это заболевание пищеварительной системы, при котором воспаляется ПЖ. Оно может привести к гибели тканей органа и нарушению его функций: выделению. ферментов, необходимых для нормального пищеварения, и эндокринной регуляции, в частности, контролю содержания глюкозы в крови [41]. Ферменты и токсины, которые при этом выделяются, зачастую попадают в кровоток и могут нанести вред другим органам (мозгу, легким, сердцу, почкам, печени) [37].

Принято различать три вида панкреатита, которые имеют собственные причины развития, степень риска и способы лечения. Не все формы развиваются непосредственно в ПЖ, но все они с ней связаны [40].

- Острый панкреатит (ОП) представляет собой заболевание, которое может развиться вследствие инфекции, приема определенных медикаментов, алкоголя, химиотерапии, перевязки панкреатина, или болезней щитовидной железы. В некоторых случаях причина может быть неизвестна. Различные инфекции, включая вирусные, бактериальные, паразитарные и грибковые инфекции, могут вызвать ОП. Среди вирусных инфекций, вызывающих ОП, могут быть грипп, аденовирус, вирус папилломы человека, вирус Эбола, вирус краснухи, вирус гепатита В, вирус гепатита С и вирус Зостера. Бактериальные инфекции, вызывающие ОП, могут быть вызваны бактериями, такими как Escherichia coli, Klebsiella pneumoniae, Staphylococcus aureus, Streptococcus pneumoniae и другими. Паразитарные инфекции, вызывающие ОП, могут быть вызваны лямблиями, амебами, глистами и другими паразитами. Грибковые инфекции, вызывающие острый панкреатит, могут быть вызваны кандидой, церкистомицетом и другими грибками [12, 18, 38]. Также ОП может быть вызван приемом некоторых медикаментов, включая

антибиотики, нестероидные противовоспалительные препараты, антидепрессанты, бета-адреноблокаторы, ингибиторы ароматазы, антиаритмические средства и другие [39]. Алкогольная интоксикация может также привести к ОП. Это заболевание проявляется быстро и может привести к необратимым изменениям.

- Хронический панкреатит (ХП) может развиваться в результате ряда причин. Он может быть вызван внешними факторами, такими как алкоголь, пищевая интоксикация, инфекции, прием некоторых лекарств, продолжительное применение нестероидных противовоспалительных препаратов и бактериальные инфекции [47]. Также возможно, что ХП может развиваться в результате наследственных факторов, а также из-за несбалансированного рациона питания и недостатка витаминов и микроэлементов [76]. Также ХП развивается на фоне болезней двенадцатиперстной кишки и желчного пузыря, а также некоторых видов аутоиммунных заболеваний, либо после отсутствия лечения при острой стадии этого заболевания.

- Реактивный панкреатит - это воспаление ПЖ, которое может возникнуть в результате нескольких факторов. Они включают в себя инфекции, пищевые аллергены, прием некоторых лекарств, алкоголь, перенесенные заболевания печени и последствия процедур по исследованию поджелудочной железы. Также причиной может быть острая форма заболевания одного из органов пищеварительной системы [40].

СППВР - это программное обеспечение (ПО), которое помогает врачам принимать обоснованные решения. Оно может использоваться для анализа истории болезни пациента, а также для анализа данных из других источников, таких как лабораторные тесты, исследования и другие источники данных. Это помогает врачам принимать более обоснованные решения и предотвращает ошибки в диагностике и лечении. СППВР могут быть использованы для предоставления пациентам более полной информации о их здоровье и технологии диагностики, а также предотвращать ошибки в диагностике и лечении. Например, СППВР могут предоставлять врачам информацию о потенциальных препаратах и их побочных

эффектах, а также предоставлять информацию о потенциальных противопоказаниях и осложнениях. СППВР также могут помочь врачам принимать более обоснованные решения по применению новых технологий и методов лечения [51, 52].

Развитие систем интеллектуальной поддержки, использующих методы МО, требует разработки методологии моделирования живых объектов для получения дескрипторов (входных переменных) для этих систем, чтобы адекватно идентифицировать функциональное состояние (ФС) живого объекта в настоящем и прогнозировать его будущее [24, Ошибка! Источник ссылки не найден.].

Биоимпедансные исследования - это способ оценки ФС живых систем, основанный на отслеживании изменения импеданса биобъекта при изменении его состояния. Биоимпеданс является одним из релевантных предикторов изменения ФС живой системы, однако его величина, представленная компонентами действительной и мнимой составляющих, не отражает тонких структур изменений в биоматериале, то есть не позволяет оценить изменения импеданса в его отдельных компонентах и сегментах. Для устранения этого недостатка биоимпедансных исследований используют многочастотное и многомерное зондирование [44].

Исследования многочастотного и многомерного зондирования биоимпеданса предназначены для получения более детальной информации об изменениях ФС живой системы. Такие исследования позволяют оценить структуру и величину изменений импеданса на различных частотах и в нескольких измерениях, предоставляя более точную и полную картину функционального состояния живой системы. Результаты таких исследований могут быть использованы для разработки систем интеллектуальной поддержки принятия врачебных решений, которые позволяют адекватно идентифицировать ФС живого объекта в настоящем и прогнозировать его будущее [21, 46, 63, 83].

1.2 Анализ факторов риска панкреатита и методов его диагностики

Одними из первых найти применение СППВР в вопросах, связанных с панкреатитом, попытались S.C. Kazmierczak et.al. в 1993г [28]. Ученые проанализировали данные по ферментам ПЖ у 508 пациентов с подозрением на панкреатит с помощью нейросетевого анализа, Expert multirole generation protocol и ROC-анализа. Нейросетевой анализ показал, что использование липазы дает лучшие результаты для диагностики панкреатита. Точность диагностики, достигнутая при использовании только амилазы, только липазы и комбинации амилазы и липазы составила соответственно 76%, 82% и 84%. Использование Expert multirole generation protocol привело к диагностической точности 92% при объединении правил для одиночных и многократных замеров. ROC-анализ для начальных активностей ферментов показал максимальную диагностическую точность 82% и 85% для амилазы и липазы соответственно; использование пиковой активности ферментов дало точность 81% и 88% соответственно. Оценка данных лабораторных испытаний должна включать анализ диагностической точности лабораторных исследований с помощью многомерных техник, таких как нейросетевой анализ или использование экспертных систем. Многомерный анализ должен позволить более реалистично оценить точность диагностики лабораторных исследований, поскольку все доступные данные включены в оценку [101].

Подобное исследование проводилось в 2016 г. Heidar Ali Esmaili et.al. в больнице Имама Резы города Тебриз. Как они утверждают в своем исследовании [98], обычно диагноз панкреатит ставится при повышении уровня панкреатических ферментов, включая амилазу и липазу в три раза выше нормы. Исследование было посвящено диагностической ценности амилазы и липазы в диагностике ОП с учетом чувствительности, специфичности, положительной прогностической ценности и отрицательной прогностической ценности. Данное исследование является описательно-аналитическим и в результате его проведения было обследовано 458 пациентов с острой болью в животе, которые были направлены в

отделение неотложной помощи больницы Имама Резы города Тебриз. Информация составлялась по контрольному списку, а для анализа использовалась программа SPSS 15. Результаты показали, что среди 458 обследованных пациентов 189 (41,3%) мужчин и 269 (58,7%) женщин. У 88 (19,2%) пациентов был диагностирован ОП. У пациентов с ОП средний уровень амилазы составил 397,17 МЕ/л. Среди пациентов с ОП амилаза крови 22,7% была 110 МЕ/л, 35/2 % - в пределах 330-110 МЕ/л и 42 % - 330 МЕ/л. Диагностическая точность амилазы для отсечки 110 МЕ/л была следующей: чувствительность равна 79,2%, отрицательная предсказательная ценность (NPV) = 92% (подходит), положительная предсказательная ценность (PPV) = 43%, специфичность равна 69% (не подходит и не может помочь в диагностике). Точность диагностики амилазы для отсечки в 330 МЕ/л была следующей: специфичность равна 92%, NPV = 84% (подходит для диагностики), чувствительность равна 42%, PPV = 61%, (не подходит и не может помочь в диагностике). Исследование показало, что средний уровень липазы у пациентов с ОП составил 399 МЕ/л. Среди 19,3% пациентов с ОП уровень липазы в крови был 80 МЕ/л, 22,7% - 240...280 МЕ/л, а 58% - выше 240 МЕ/л. Диагностическая ценность липазы, для отсечки 80 МЕ/л, была следующей: чувствительность равна 80 %, NPV = 92% (подходит для диагностики), но специфичность равна 69% и PPV = 44%, которые не подходят для диагностики. Для отсечки в 240 МЕ/л специфичность рана 88%, NPV= 87% (подходит для диагностики), но чувствительность равна 57% и PPV = 58% не подходят и не могут помочь в диагностике. Уровни ферментов липазы и амилазы помогают в диагностике ОП. Различные диагностические пороги для каждого ферментного анализа имеют различную чувствительность и специфичность. Поэтому при повышении уровня диагностического порога специфичность тестов увеличивается, а чувствительность снижается. Диагностический порог отрицательного прогностического значения был приемлемым, но положительное прогностическое значение было неприемлемым [98].

Помимо панкреатических ферментов, о воспалительных процессах в организме (в том числе вызванных панкреатитом) может говорить результат

анализа крови на скорость оседания эритроцитов [53]. Скорость оседания эритроцитов - это биохимический анализ, который измеряет скорость оседания эритроцитов в пробе крови. Этот тест может быть использован в качестве дополнительной диагностической процедуры для панкреатита. При панкреатите уровень скорости оседания эритроцитов обычно повышен, так как этот процесс связан с воспалительным процессом в организме. Числовые показатели скорости оседания эритроцитов при панкреатите могут быть увеличены или понижены в зависимости от типа заболевания. При ХП скорость оседания эритроцитов обычно повышается и может достигать уровня более чем в два раза выше нормы. При воспалительных заболеваниях ПЖ показатель скорости оседания эритроцитов может быть низким и даже ниже нормы. При ОП скорость оседания эритроцитов может быть высокой и достигать уровня до пяти раз превышающего норму. При опухолях ПЖ скорость оседания эритроцитов может быть высокой и достигать уровня в шесть раз превышающего норму. Норма скорости оседания эритроцитов в крови человека составляет от 5 до 35 единиц активности на миллилитр. При заболеваниях ПЖ уровень скорости оседания эритроцитов может достигнуть шестикратного превышения нормы, то есть достигать 210 единиц активности на миллилитр. Повышение уровня скорости оседания эритроцитов может быть проявлением воспаления в ПЖ. Однако, повышение уровня скорости оседания эритроцитов не является явным свидетельством панкреатита, так как уровень скорость оседания эритроцитов может повышаться и при других заболеваниях. Поэтому, для точного диагноза необходимы и другие методы исследования, включающие, например, анализ крови на уровень амилазы и липазы. Таким образом, хотя анализ на скорость оседания эритроцитов может быть полезен для дополнительной диагностики панкреатита, он не может быть использован как основной метод диагностики [7].

Также при панкреатите обычно наблюдается увеличение уровня лейкоцитов в крови, что свидетельствует о наличии воспалительного процесса в организме. Однако уровень лейкоцитов может быть повышен не только при панкреатите, но и при других заболеваниях. Конкретные цифры уровня лейкоцитов могут

различаться в зависимости от лаборатории и используемых методик, но обычно нормальный уровень лейкоцитов в крови составляет от 4 до 11 тысяч в микролитре крови. При панкреатите уровень лейкоцитов может быть повышен до 20 тысяч и выше, что свидетельствует о тяжести заболевания. Однако важно учитывать и другие показатели крови, такие как уровень амилазы и липазы, чтобы более точно диагностировать панкреатит и определить его степень тяжести [6].

В исследовании [8] было выяснено, что при панкреатите происходит активация нейтрофильных лейкоцитов периферической крови. Цель исследования заключалась в выявлении изменения активности НАДФН-оксидазы в цитоплазме активированных нейтрофильных лейкоцитов у больных с ОП. Объектом исследования стали нейтрофильные лейкоциты периферической крови у больных, принятых в госпиталь с диагнозом «острый панкреатит». Чтобы получить данные, взяли кровь из средней вены плеча или подключичной вены у 52 пациентов, возраст которых варьировался от 28 до 77 лет, и разбили их на 4 группы в зависимости от стадии заболевания. В качестве контрольной группы были взяты 18 здоровых людей. Для измерения активности НАДФН-оксидазы использовалась реакция НСТ-теста с нейтрофильными лейкоцитами.

В группе здоровых людей активность НАДФН-оксидазы составляла 0,49 ± 0,04 отн. ед. У пациентов, больных на 1-3 день заболевания, интегральный цитохимический показатель увеличивался в 18,2 раза и составлял 8,92 ± 0,82 отн. ед. (р < 0,01), а уже в первые 10 часов наблюдался подъем значений до 3,88 ± 0,57 отн. ед. На 4-6 день показатель снизился в 1,3 раза до 6,71 ± 1,37 (р < 0,01), а на 7 -9 день уменьшился еще в 1,8 раза до 3,66 ± 0,3 (р < 0,01). С 10 по 16 день произошло дальнейшее снижение активности НАДФН-оксидазы в нейтрофилах периферической крови. Среднее значение интегрального цитохимического показателя в этот период составило 0,84 ± 0,5 (р < 0,01), что можно рассматривать как нормализацию [8].

Список литературы диссертационного исследования кандидат наук Стадниченко Никита Сергеевич, 2023 год

Список литературы

1. Активированное частичное тромбопластиновое время (АЧТВ) [Электронный ресурс] // Хеликс. - Copyright, 2016-2023. - URL: https://helix.ru/kb/item/03-003 (дата обращения: 24.03.2023).

2. АЛТ и АСТ при панкреатите: норма и отклонение в анализе при заболевании поджелудочной железы [Электронный ресурс] // netflix. - Copyright, 2023. - URL: https://diabetystop.com/informatsiya/alt-i-ast-pri-pankreatite-norma-i-otklonenie-v-analize-pri-zabolevanii-podzheludochnoj-zhelezy/ (дата обращения: 26.03.2023).

3. Альбумин (в крови) (Albumin) [Электронный ресурс] // ООО «ИНВИТРО-Объединенные коммуникации». - Copyright, 1998-2023. - URL: https://www.invitro.ru/analizes/for-doctors/482/2868/ (дата обращения: 01.04.2023).

4. Анализ крови. Общий анализ крови (без лейкоцитарной формулы и СОЭ) (Complete Blood Count, CBC) [Электронный ресурс] // ООО «ИНВИТРО-Объединенные коммуникации». - Copyright, 1998-2023. - URL: https://www.invitro.ru/analizes/for-doctors/156/2852/ (дата обращения: 01.04.2023).

5. Анализ мочи при панкреатите [Электронный ресурс] // Панкреатиту. net. -Copyright, 2013-2023. - URL: https://pankreatitu.net/blog/diagnostika/analizy/mocha (дата обращения: 30.03.2023).

6. Анализы при панкреатите [Электронный ресурс] // Открытая клиника. -Copyright, 2010-2023. - URL: https://openclinics.ru/bolezni/pankreatit/analizy-pri-pankreatite/ (дата обращения: 04.03.2023).

7. Анализы при панкреатите: какие должны быть проведены исследования и о чем говорят показатели [Электронный ресурс] // Поджелудочная железа. Симптомы и лечение. Диета. - Copyright, 2023. - URL: https://pankreotit-med.com/analizy-pri-pankreatite-kakie-dolzhny-byt-provedeny-issledovaniya-i-o-chem-govoryat-pokazateli// (дата обращения: 04.03.2023).

8. Барсук, А.В Активация нейтрофильных лейкоцитов периферической крови у больных острым панкреатитом / А.В. Барсук, В.В. Нарсия, А.А. Славинский // Современные наукоемкие технологии. - 2012. - №2 8. - С. 8-9. - URL: https://top-technologies.m/m/artide/view?id=30825 (дата обращения: 07.03.2023).

9. Билирубин при панкреатите [Электронный ресурс] // Панкреатиту.пе! -Copyright, 2013-2023. - URL: https://pankreatitu.net/blog/diagnostika/analizy/bilirubin (дата обращения: 08.03.2023).

10. Булатов, Р.Д. Применение интегральной двухчастотной импедансометрии в клиническом мониторинге у больных деструктивным панкреатитом / Р.Д. Булатов // Анестезиология и реаниматология. - 2012. - № 3. -С. 59-62.

11. Винник, Ю.С. Особенности нарушения гемостаза при остром панкреатите / Ю.С. Винник, С.С. Дунаевская, В.А. Фокин [и др.] // Медицинское обозрение. - 2018. - № 12. - С. 3-6.

12. Вирусный (инфекционный) панкреатит [Электронный ресурс] // Поликлиника "Помощь". - Copyright, 2022. - URL: https://kdp-pomosh.ru/info/virusnyj-infektsionnyj-pankreatit (дата обращения: 26.01.2023).

13. Витамин B12 (цианокобаламин, кобаламин, Cobalamin) [Электронный ресурс] // ООО «ИНВИТРО-Объединенные коммуникации». - Copyright, 19982023. - URL: https://www.invitro.ru/analizes/for-doctors/487/2248/ (дата обращения: 01.04.2023).

14. Все самое важное о кетонах [Электронный ресурс] // Правило 15. -Copyright, 2023. - URL: https://rule15s.com/knowledge/vse-samoye-vazhnoye-o-ketonakh (дата обращения: 10.03.2023).

15. Гамма-глютамилтранспептидаза [Электронный ресурс] / Хеликс. -Copyright, 2016-2023. - URL: https://helix.ru/kb/item/06-013 (дата обращения: 29.03.2023).

16. Гемоглобин при панкреатите [Электронный ресурс] // Панкреатиту.net. -Copyright, 2013-2023. - URL: https://pankreatitu.net/blog/oslojneniya/gemoglobin (дата обращения: 20.03.2023).

17. Жукова, Е.Н. Сравнительная оценка различных диагностических критериев при обострении хронического панкреатита / Е.Н. Жукова // Российский Гастроэнтерологический журнал. - 1998. - № 1. - C.5-6.

18. Исследование ферментативного состава крови [Электронный ресурс] // БелМАПО. - Copyrigth, 2015-2023. - URL: https://clinicsbel.by/diagnostika/issledovanie-fermentativnogo-sostava-krovi.html (дата обращения: 10.03.2023).

19. Как меняется билирубин при панкреатите [Электронный ресурс] // bilirubin.online. - Copyright, 2023. - URL: https://bilirubin.online/bilirubin-pri-pankreatite/ (дата обращения: 08.03.2023).

20. Кассим, К.Д.А. Моделирование систем искусственного интеллекта в среде MATLAB и FUZZYTECH: учебное пособие / К.Д.А. Кассим, С.А. Филист, О.В. Шаталова. - Курск, 2016. - 186 с.

21. Кассим, К.Д.А. Параметрические модели биоимпеданса для идентификации функционального состояния живой системы / К.Д.А. Кассим, И.А. Ключиков, О.В. Шаталова, З.Д. Яа // Биомедицинская радиоэлектроника. - 2012. -№ 4. - С. 50-56.

22. Киселев, А.В. Классификация функционального состояния системы дыхания на основе анализа вариабельности медленных волн VLF диапазона / А.В. Киселев, А.А. Кузьмин, М.Б. Мяснянкин, А.А. Маслак, С.А. Филист, А.Ф. Рыбочкин // Известия Юго-Западного государственного университета. Серия Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2022. - Т. 12, № 1. - С. 8-32.

23. Киселев, А.В. Модели латентных предикторов в интеллектуальных системах прогнозирования состояния живых систем / А.В. Киселев, О.В. Шаталова, З.У. Протасова, С.А. Филист, Н.С. Стадниченко // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение - 2020. - Т. 10, № 1. - С. 114-133.

24. Киселев, А.В. Нейросетевые модули с виртуальными потоками для классификации и прогнозирования функционального состояния сложных систем /

А.В. Киселев, Т.В. Петрова, С.В. Дегтярев, А.Ф. Рыбочкин, С.А. Филист, О.В. Шаталова, В.Н. Мишустин // Известия Юго-Западного государственного университета. - 2018. - № 4 (79). - С. 123-134.

25. Кореневский, Н.А. Нечеткие модели дифференциальной диагностики рака поджелудочной железы и хронического панкреатита по данным эндоскопической ультрасонографии / Н.А. Кореневский, О.И. Охотников, В.А. Белозеров, С.Н. Родионова // Медицинская техника. - 2022. - №2. - С. 39-43.

26. Лактатдегидрогеназа (ЛДГ) [Электронный ресурс] // Лаборатория Глобал Тест. - Copyright, 2020-2023. - URL: https://globaltest.ua/ru/laktatdegidrogenaza.html (дата обращения: 12.03.2023).

27. Лейкоцитарная формула (дифференцированный подсчет лейкоцитов, лейкоцитограмма, Differential White Blood Cell Count) с микроскопией мазка крови при наличии патологических сдвигов [Электронный ресурс] // ООО «ИНВИТРО-Объединенные коммуникации». - Copyright, 1998-2023. - URL: https://www.invitro.ru/analizes/for-doctors/156/3310/ (дата обращения: 01.04.2023).

28. Литвин, А.А. Системы поддержки принятия решений в диагностике и лечении острого панкреатита / А.А. Литвин, О.Ю. Реброва // Проблемы здоровья и экологии. - 2016. - № 2 (48). - С. 10-17.

29. Мирошников, А.В. Алгоритм оптимизации модели Войта в классификаторах функционального состояния живых систем / А.В. Мирошников, О.В. Шаталова, М.А. Ефремов, Н.С. Стадниченко, А.Ю. Новоселов, А.В. Павленко // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2022. -Т.12, № 2. - С. 59-75.

30. Мирошников, А.В. Классификации биологических объектов на основе многомерного биоимпедансного анализа / А.В. Мирошников, О.В. Шаталова, Н.С. Стадниченко, Л.В. Шульга // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2020. - Т. 10, № 3/4. - С. 29-49.

31. Мирошников, А.В. Модели импеданса биоматериала для формирования дескрипторов в интеллектуальных системах диагностики инфекционных заболеваний / А.В. Мирошников, Н.С. Стадниченко, О.В. Шаталова, С.А. Филист // Моделирование, оптимизация и информационные технологии. Научный журнал - 2020. - Т. 7, № 1. - С. 1-14.

32. Мирошников, А.В. Разработка мультимодальных классификаторов риска вирусных инфекций и их осложнений на основе рекуррентных моделей импеданса биоматериала: дис. ... канд. тех. наук : 2.2.12 / А.В. Мирошников. - Курск, 2022. -144 с.

33. Моросанова, Н.А. Алгебраические свойства схемы Шортлиффа / Н.А. Моросанова, С.Ю. Соловьев // УБС. - 2012. - № 36. - С. 1-32.

34. Мясникова, О.И. Вторичный сахарный диабет как осложнение панкреонекроза / О.И. Мясникова, Л.Ф. Гайсина, А.В. Леднева // Успехи современного естествознания. - 2011. - № 8. - С. 123. - URL: https://natural-sciences.ru/ru/article/view?id=27715 (дата обращения: 08.03.2023).

35. Мяснянкин, М.Б. Формирование дескрипторов для классификаторов функционального состояния системы дыхания на основе спектрального анализа электрокардиосигнала / М.Б. Мяснянкин, С.А. Филист, А.В. Киселев, А.А. Кузьмин // Известия Юго-Западного государственного университета. Серия Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2020. -Т. 10, №3/4. - С. 8-28.

36. Орлов, Ю. Нарушение обмена железа при остром панкреатите / Ю. Орлов, В. Долгих, В. Лукач [и др.] // Общая реаниматология. - 2010. - Т. 6, № 5. -С. 55-61.

37. Острый панкреатит [Электронный ресурс] // Городская клиническая больница №29 им. Н.Э. Баумана. - Copyright, 2023. - URL: https://www.klinika29.ru/diseases/ostryy-pankreatit (дата обращения: 22.01.2023).

38. Острый панкреатит [Электронный ресурс] // Справочник MSD. -Copyright, 2023. - URL: https:// www.msdmanuals.com / ru-ru / профессиональный

/заболевания-желудочно-кишечного-тракта/панкреатит/острый-панкреатит (дата обращения: 26.01.2023).

39. Панкреатит [Электронный ресурс] // Doc.ua. - Copyright, 2021-2023. -URL: https://doc.ua/bolezn/pankreatit (дата обращения: 26.01.2023).

40. Панкреатит [Электронный ресурс] // Клиника «Консилиум». - Copyright, 2010-2023. - URL: https://consilium.su/what-do-we-treat/diseases/6003/ (дата обращения: 26. 01.2023).

41. Панкреатит [Электронный ресурс] // ООО «СМ-Клиника». - Copyright, 2002-2023. - URL: https://www.smclinic.ru/diseases/pankreatit/ (дата обращения: 22.01.2023).

42. Панкреатит [Электронный ресурс] // Хеликс. - Copyright, 2016-2023. -URL: https://helix.ru/kb/item/754 (дата обращения: 30.03.2023).

43. Пат. 2504328 Российская Федерация, МПК A 61 B 5/053. Устройство для контроля анизотропии электрической проводимости биотканей / Томакова Р.А., Филист С.А., Кузьмин А.А., Кузьмина М.Н., Алексенко В.А., Волков И.И.; заявитель и патентообладатель Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Юго-Западный государственный Университет" (ЮЗГУ). - № 2012128471/14; заявл. 06.07.2012; опубл. 20.01.2014, Бюл. № 2. - 2 с. : ил.

44. Пат. 2752594 Российская Федерация, МПК А 61 B 5/053. Способ классификации биологических объектов на основе многомерного биоимпедансного анализа и устройство для его реализации / Филист С.А., Шаталова О.В., Протасова З.У. Стадниченко Н.С.; заявитель и патентообладатель Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Юго-Западный государственный университет" (ЮЗГУ). - № 2020115879; заявл. 15.05.2020; опубл. 29.07.2021, Бюл. № 22. - 27 с. : ил.

45. Поджелудочная железа в Калининске [Электронный ресурс] / ООО «Лаборатория Гемотест». - Copyright, 2023. - URL: https://gemotest.ru

/kaHninskcatalog/chasto-ishchut/profilaktika-i-gospitalizatsiya/podzheludochnaya-zheleza / (дата обращения: 02.04.2023).

46. Попечителев, Е.П. Способы и модели идентификации биоматериалов на основе анализа многочастотного импеданса / Е.П. Попечителев, С.А. Филист // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника. Медицинское приборостроение - 2011. - № 1. - С. 74-80.

47. Причины возникновения хронического панкреатита (этиология) [Электронный ресурс] // Будь здоров. - Copyright, 2023. - URL: http://zdorov-bud.m/hronicheskij-pankreatit-i-profilakti/ (дата обращения: 01.02.2023).

48. Протромбиновое время [Электронный ресурс] // ФБУН ЦНИИ Эпидемиологии Роспотребнадзора. - Copyright, 2023. - URL: https://www.cmd-online.ru/vracham/ spravochnik-vracha/protrombinovoe-vremya/ (дата обращения: 23.03.2023).

49. Рябинин, И.А. Логико-вероятностный анализ и его история / И.А. Рябинин // Проблемы анализа риска. - 2014. - T. 11, № 3. - С. 6-12.

50. Свиридов, С.В. Исследование водных секторов у хирургических больных острым панкреатитом методом биоимпедансометрии / С.В. Свиридов, Д.В. Николаев, Д.А. Гафоров // Российский медицинский журнал. - 2010. - №2 3. - С. 2327.

51. Системы поддержки принятия врачебных решений [Электронный ресурс] // SberMedAI. - Copyrigth, 2022-2023. - URL: https://sbermed.ai/sistemy-podderzhki-prinyatiya-vrachebnykh-resheniy/ (дата обращения: 07.02.2023).

52. Системы поддержки принятия врачебных решений: виды, цели, применение в клинической практике [Электронный ресурс] // ООО «Медицинские скрининг системы». - Copyright, 2023. - URL: https://celsus.ai/blog/sistemy-podderzhki/ (дата обращения: 07.02.2023).

53. СОЭ при панкреатите анализ крови [Электронный ресурс] // Заболевания крови: лечение, симптомы и профилактикаю - Copyright, 2019-2023. - URL: https://domofoniya.com/krov/soe-pri-pankreatite-analiz-krovi/ (дата обращения: 04.03.2023).

54. Суржикова, С.Е. Использование гибридных нейросетевых моделей для многоагентных систем классификации в гетерогенном пространстве информативных признаков / С.Е. Суржикова, А.Г. Курочкин, В.В. Жилин, С.А. Филист // Прикаспийский журнал: управление и высокие технологии. - 2015. - № 3 (31) - С. 85-95.

55. Суржикова, С.Е. Исследование проводимости биоматериалов в биоактивных точках при циклических воздействиях токами различной полярности / С.Е. Суржикова, Ю.Б. Мухатаев, Л.В. Плесканос, О.В. Шаталова // Биомедицинская радиоэлектроника. - 2016. - № 9. - С. 32-37.

56. Суржикова, С.Е. Программно-аппаратный комплекс диагностики социально значимых заболеваний / С.Е. Суржикова, О.В. Шаталова, В.В. Федянин // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение - 2015. -№ 2 (15). - С. 79-87.

57. Суржикова, С.Е. Программно-аппаратный комплекс для анализа вольтамперных характеристик биоактивных точек на основе модуля L-CARD E20-10 / С.Е. Суржикова, О.В. Шаталова, В.В. Федянин // Прикаспийский журнал: управление и высокие технологии - 2015. - № 2 (30). - С. 150-161.

58. Таблица показателей анализа крови [Электронный ресурс] // ПозитивМед. - Copyright, 2023. - URL: https://positivemed.ru/journal/biohim-anaHz-krovi/ (дата обращения: 26.03.2023).

59. Топчиев, М.А. Свойства и клинико-диагностическое значение определения лактоферрина и ферритина при остром панкреатите / М.А. Топчиев, Д.С. Паршин, Э.А. Кчибеков, М.К. Мисриханов // Клиническая и экспериментальная хирургия. - 2018. - №4. - C. 55-61.

60. Торнуев, Ю.В. Диагностические возможности неинвазивной биоимпедансометрии / Ю.В. Торнуев, Д.Л. Непомнящих, Д.Б. Никитюк [и др.] // Фундаментальные исследования. - 2014. - № 10-4. - С. 782-788.

61. Факторы, позволяющие прогнозировать тяжесть течения острого панкреатита [Электронный ресурс] // Интернист. - Всероссийская образовательная интернет-сессия, 2014-2023. - URL: https://internist.ru/publications/detail/faktory,-

pozvolyayuschie-prognozirovat-tyazhest-techeniya-ostrogo-pankreatita/ (дата

обращения: 15.03.2023).

62. Филист, С.А. Алгоритм выделения медленных волн и дыхательных ритмов из электрокардиосигнала / С.А. Филист, В.В. Жилин, В.Н. Мишустин, В.С. Титов // Медицинская техника. - 2013. - № 4 (280). - С. 21-23.

63. Филист, С.А. Биотехническая система для контроля импеданса биоматериалов в экспериментах invivo / С.А. Филист, А.А. Кузьмин, М.Н. Кузьмина // Биомедицинская радиоэлектроника. - 2014. - №9. - С. 38-42.

64. Филист, С.А. Гибридная нейронная сеть с макрослоями для медицинских приложений / С.А. Филист, О.В. Шаталова, М.А. Ефремов // Нейрокомпьютеры. Разработка и применение. - 2014. - № 6. - С. 35-39.

65. Филист, С.А. Гибридные нечеткие модели для прогнозирования возникновения и осложнений артериальной гипертензии с учетом энергетических характеристик биоактивных точек / С.А. Филист, Е.А. Ефремов, О.В. Шаталова, М.А. Старцев, Л.В. Шульга // Известия Юго-Западного государственного университета. Серия: управление, вычислительная техника, информатика. Медицинское приборостроение. - 2018. - Т 8, №. 4(29). - С. 104-119.

66. Филист, С.А. Гибридные информационные технологии по экспресс-диагностике инфекционных заболеваний на основе многочастотного анализа пассивных свойств биотканей / С.А. Филист, В.А. Алексенко, К.Д.А. Кассим // Известия ЮФУ. Технические науки. Тематический выпуск. «Медицинские информационные системы». - 2010. - №8 (109). - С.12-17.

67. Филист, С.А. Гибридные решающие системы для прогнозирования послеоперационных осложнений у больных с доброкачественной гиперплазией предстательной железы / С.А. Филист, К.Д.А. Кассим, Р.В. Руцкой // Известия Юго-Западного государственного университета. - 2013. - № 5 (50). - С. 40-49.

68. Филист, С.А. Использование гибридных нейросетевых моделей для многоагентных систем классификации в гетерогенном пространстве информативных признаков / С. А. Филист, А. Г. Курочкин, В. В. Жилин [и др.] //

Прикаспийский журнал: управление и высокие технологии. Научно-технический журнал. - 2015. - № 3 (31). - C.85-95.

69. Филист, С.А. Модели биоимпеданса при нелинейной вольтамперной характеристике и обратимом пробое диэлектрической составляющей биоматериала / С.А. Филист, О.В. Шаталова, А.С. Богданов // Бюллетень сибирской медицины. -2014. - Т. 13, № 4. - С. 129-135.

70. Филист, С.А. Модели нечетких нейронных сетей с трех-стабильным выходом в инструментарии для психологических и физиологических исследований / С.А. Филист, Абдул Рахим Салем Халед, О.В. Шаталова, В.В. Руденко // Системный анализ и управление в биомедицинских системах. - 2007. - Т.6, №2. -С. 475-479.

71. Филист, С.А. Модель формирования функциональных систем с учетом менеджмента адаптационного потенциала / С.А. Филист, А.Н. Шуткин, Е.С. Шкатова, С.В. Дегтярев, Д.Ю. Савинов // Биотехносфера. - 2018. - №1(55). - С.32-37.

72. Филист, С.А. Метод и алгоритмы декодирования электрофизиологических сигналов в биотехнических системах реабилитационного типа / С.А. Филист, А.А. Трифонов, Е.В. Петрунина, А.А. Кузьмин, Р.И. Сафронов, Е.В. Крикунова // Известия Юго-Западного государственного университета. Серия: управление, вычислительная техника, информатика. Медицинское приборостроение. - 2021. - Т 11, №. 3. - С. 48-77.

73. Филист, С.А. Универсальные сетевые модели для задач классификации биомедицинских данных / С.А. Филист, Р.А. Томакова, З.Д. Яа // Известия Юго -Западного государственного университета. - 2012. - № 4 (43), Ч. 2. - С. 44-50.

74. Фолиевая кислота (Folic Acid) [Электронный ресурс] // ООО «ИНВИТРО-Объединенные коммуникации». - Copyright, 1998-2023. - URL: https://www.invitro.ru/analizes/for-doctors/487/2249/ (дата обращения: 01.04.2023).

75. Хронический панкреатит : конспект лекций / Е.В. Краевский ; Санкт-Петербургский государственный медицинский университет имени академика И.П. Павлова. - Санкт-Петербург, 2013. - 57с. - URL:

https://www.1spbgmu.ru/images/home/universitet/Struktura/Kafedry/Kafedra_terapii_f akultetskoy/lektsii/gastroenterology4.pdf (дата обращения: 13.03.2023).

76. Хронический панкреатит [Электронный ресурс] // Клиника высоких медицинских технологий им. Н.И. Пирогова. - Copyright, 2023. - URL: https://www.gosmed.ru/lechebnaya-deyatelnost/spravochnik-zabolevaniy /gastroenterologiya-bolezny/khronicheskiy-pankreatit/ (дата обращения: 01.02.2023).

77. Хронический панкреатит [Электронный ресурс] // Многопрофильный медицинский центр ЮНИОН КЛИНИК. - Copyright, 2023. - URL: https://unionclinic.ru/gastro/pancreas (дата обращения: 01.04.2023).

78. Хронический панкреатит [Электронный ресурс] // Федеральное государственное бюджетное научное учреждение. Центральная клиническая больница Российской академии наук, г. Москва. - Copyright, 2007-2023. - URL: https://www.ckbran.ru/cure/alimentary-system/khronicheskij-pankreatit-1 (дата обращения: 01.04.2023).

79. Чикаев, В.Ф. Особенности тромбоцитарной реакции организма при остром панкреатите в неотложной хирургии / В.Ф. Чикаев, А.Р. Айдаров, О.Д. Зинкевич [и др.] // Казанский мед.ж. - 2017. - № 2. - С. 172-175.

80. Что покажет копрограмма при панкреатите? [Электронный ресурс] // Mostalony. - Copyright, 2017. - URL: https://mostalony.ru/chto-pokazhet-koprogramma-pri-pankreatite#toc-chto-pokazhet-analiz-kala-pri-pankreatite (дата обращения 30.01.2023).

81. Шаталова, О.В. Ассоциации решающих модулей в интеллектуальных системах прогнозирования сердечно-сосудистых заболеваний / О.В. Шаталова // Системный анализ и управление в биомедицинских системах. - 2019. - Т. 18, № 2. - С.153-162.

82. Шаталова, О.В. Интеллектуальные системы мониторинга медицинских рисков с учетом биоимпедансных исследований: монография / О.В. Шаталова; Юго-Зап. гос. ун-т. - Курск, 2020. - 356 с.

83. Шаталова, О.В. Итерационная многопараметрическая модель биоимпеданса в экспериментах in vivo / О.В. Шаталова // Известия Юго-Западного

государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. - 2019. - Т. 9, № 1 (30). - С. 26-38.

84. Шаталова, О.В. Мультиагентная интеллектуальная система для прогноза риска сердечно-сосудистых осложнений с синергетическими каналами / О.В. Шаталова, Д.А. Медников, З.У. Протасова // Системный анализ и управление в биомедицинских системах. - 2020. - Т. 19, № 3. - С. 177-188.

85. Шаталова, О.В. Применение автоматизированной системы для исследования вольтамперных характеристик биоматериалов / О.В. Шаталова, С.Е. Суржикова, А.С. Богданов // Биомедицинская радиоэлектроника. - 2014. - № 9. -С. 43-46.

86. Шаталова, О.В. Развитие технологии биоимпедансной спектроскопии в системах поддержки принятия врачебных решений / О.В. Шаталова, Н.С. Стадниченко, М.А. Ефремов, А.Ю. Новоселов, И.А. Башмакова // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение - С. 143-169 - Т. 13, №1.

87. Al-Kasasbeh, R.T. Biotechnical monitoring system for determining person's health state in polluted environment using hybrid decisive rules / R.T. Al-Kasasbeh, N. Korenevskiy, S. Filist, O.V. Shatalova, M.S. Alshamasin, A.A. Shaqadan // International Journal of Modelling, Identification and Control. - 2019. - Vol. 32. - Pp. 10-22.

88. Atsushi, Irisawa Usefulness of endoscopic ultrasound to diagnose the severity of chronic pancreatitis / Atsushi Irisawa, Kyoko Katakura, Hiromasa Ohira, Ai Sato, Manoop S. Bhutani, Lyndon V. Hernandez, Masaru Koizumi // J Gastroenterol. - 2007.-Vol.42. - Pp. 90-94. - DOI 10.1007/s00535-006-1916-9.

89. Barsoukov E. Impedance Spectroscopy Theory, Experiment, and Applications: 2nd Edition / E. Barsoukov, J.R. Macdonald. - New Jersey: Wiley Interscience Publication, 2005. - 595 p.

90. Bartoletti, R. Bioelectric Impedance Analysis Test Improves the Detection of Prostate Cancer in Biopsy Candidates: A Multifeature Decision Support System / R. Bartoletti, A. Greco, T. Di Vico, J. Durante, V. Ficarra, E.P. Scilingo, G. Valenza // Frontiers in Oncology. - 2021. - Vol. 11. - Pp. 1-9. - DOI: 10.3389/fonc.2021.555277.

91. Baskaran, R. Vibrational, ac impedance and dielectric spectroscopic studies of poly(vinylacetate)-N,N-dimethylformamide-LiClO4 polymer gel electrolytes / R. Baskaran, S. Selvasekarapandian, G. Hirankumar, M.S Bhuvaneswari // Journal of Power Sources. - 2004. - Vol.134. - Pp. 235-240. - DOI: 10.1016/j.jpowsour.2004.02.025.

92. Cardoso, F.S. C-reactive protein prognostic accuracy in acute pancreatitis: timing of measurement and cutoff points / F.S. Cardoso, L.B. Ricardo, A.M. Oliveira, J.M. Canena, D.V. Horta, A.L. Papoila, J.R. Deus // Eur J Gastroenterol Hepatol. - 2013. - Vol 25, No. 7. - Pp. 784-9. - DOI: 10.1097/MEG.0b013e32835fd3f0.

93. Filist, S. Biotechnical system based on fuzzy logic prediction for surgical risk classification using analysis of current-voltage characteristics of acupuncture points / S. Filist, R.T. Al-Kasasbeh, O. Shatalova, N. Korenevskiy, A. Shaqadan, Z. Protasova, M. Ilyash, M. Lukashov// Journal of Integrative Medicine. - 2022. - Vol. 20, Issue 3. - Pp. 252-264. - DOI: 10.1016/j.joim.2022.02.007.

94. Filist, S. Classifier for the functional state of the respiratory system via descriptors determined by using multimodal technology / S. Filist, R.T. Al-Kasasbeh, O. Shatalova, A.A. Aikeyeva, O.M. Al-Habahbeh, M.S. Alshamasin, N.A. Korenevskiy, M. Khrisat, M. B. Myasnyankin & M. Ilyash // Computer Methods in Biomechanics and Biomedical Engineering. - 2022. - Pp. 1-19. - DOI: 10.1080/10255842.2022.2117551.

95. Filist, S. Developing neural network model for predicting cardiac and cardiovascular health using bioelectrical signal processing / S. Filist, R.T. Al-Kasasbeh, O. Shatalova, A. Aikeyeva, N. Korenevskiy, A. Shaqadan, A. Trifonov, M. Ilyash // Computer Methods in Biomechanics and Biomedical Engineering. - 2022. - Vol. 20, Issue 8 - Pp. 908-921. - DOI: 10.1080/10255842.2021.1986486.

96. Geisz, A. A preclinical model of chronic pancreatitis driven by trypsinogen autoactivation / A. Geisz, M. Sahin-Toth // Nat Commun. - 2018. - Vol. 9, No. 1. - Pp. 1-9. - DOI: 10.1038/s41467-018-07347-y.

97. Grimnes, S. Bioimpedance and bioelectricity basics / S. Grimnes, O.G. Martinsen. - Amsterdam: Elsevier, 2008. - 471p.

98. Heidar, A. Diagnostic Value of Amylase and Lipase / A. Heidar, M. Bahareh, M. Parham, A. Ghasemi, T. Pourlak // Biomedical & Pharmacology Journal. - 2016. -Vol. 10, Issue 1. - Pp. 389-394. - DOI: 10.13005/bpj/1120.

99. Hemochromatosis [Electronic Resource] // Mayo Clinic. - Copyright, 19982023. - URL: https://www.mayoclinic.org/diseases-conditions /hemochromatosis/symptoms-causes/syc-20351443 (дата обращения 18.03.2023).

100. How to Interpret and Pursue an Abnormal Prothrombin Time, Activated Partial Thromboplastin Time, and Bleeding Time in Adults [Electronic Resource] // Elsevier Inc. - Copyright, 2023. - URL: https://www.mayoclinicproceedings.org/article/S0025-6196(11)61313-X/fulltext (date of reference: 24.03.2023).

101. Kazmierczak S.C. Diagnostic accuracy of pancreatic enzymes evaluated by use of multivariate data analysis / S.C. Kazmierczak, P.G. Catrou, F. Van Lente // Clin. Chem. - 1993. - Vol. 39. - Pp. 1960-1965.

102. Khatatneh, K. Hybrid neural networks with virtual flows in medical risk classifiers / K. Khatatneh, S. Filist, R.T. Al-Kasasbeh // Journal of Intelligent & Fuzzy Systems - 2022. - Vol. 43, No. 1. - Pp. 1621-1632. - DOI: 10.3233/JIFS-212617.

103. Liu, F. Noninvasive investigation of the cardiodynamic response to 6MWT in people after stroke using impedance cardiography / F. Liu, A.Y.M. Jones, R.C.C. Tsang, Y. Wang, J. Zhou, M. Zhou, Y. Wang // PLoS One. - 2020. - Vol. 15, No. 6. -DOI: 10.1371/journal.pone.0233000.

104. Liu, G. An Electrochemical Impedance Immunosensor Based on Gold Nanoparticle-Modified Electrodes for the Detection of HbA1c in Human Blood / G. Liu, S. G. Iyengar, J.J. Gooding // Electroanalysis. - 2012. - Vol. 24. - P.1509. - DOI: 10.1002/elan.201200233.

105. Mathebula, N.S. Recognition of anti-mycolic acid antibody at self-assembled mycolic acid antigens on a gold electrode: a potential impedimetric immunosensing platform for active tuberculosis / N.S. Mathebula, J. Pillay, G. Toschi, J.A. Verschoor, K.I. Ozoemena // Chem. Commun. - 2009. - Vol.23. - Pp. 3345-3347. - DOI: 10.1039/B905192A.

106. Miroshnikov, A.V. Biomaterial impedance model for medical risk classifiers in in vivo experiments / A.V. Miroshnikov, O.V. Shatalova, V.V. Zhilin // Journal of Physics: Conference Series. - 2021. - Vol.1801. - Pp. 012045. - DOI: 10.1088/17426596/1801/1/012045.

107. Miroshnikov, A.V. Formation of descriptors for medical risk classifiers based on the current-voltage characteristics of biologically active points / A.V. Miroshnikov, A.V. Kiselev, O.V. Shatalova, S. Kadyrova // Journal of Physics: Conference Series -2021. - Vol. 2060. - Pp. 012013. - DOI: 10.1088/1742-6596/2060/1/012013.

108. Miroshnikov, A.V. Iterative models of bioimpedance in intelligent systems for early diagnosis of infectious diseases / A.V. Miroshnikov, A.V. Kiselev, O.V. Shatalova, R.A. Krupchatnikov // CEUR Workshop Proceedings. - 2021. - Vol. 2843. -P. 25.

109. Manohar, M. Эозинофильный панкреатит: редкое или неизученное заболевание? / M. Manohar, A.K. Verma, G. Singh, A. Mishra // Вестник клуба панкреатологов. - 2021. - №2 (51). - C.20-25.

110. №1, АЧТВ (АПТВ, активированное частичное (парциальное) тромбопластиновое время, Activated Partial thromboplastin time, APTT) [Электронный ресурс] // ООО «Таврика», ООО «Таврика Медикал». - Copyright, 2022-2023. - URL: https://ivitro.su/medicinskie_analizy/171/3311/ (дата обращения: 24.03.2023).

111. Prats-Alfonso, E. Biosensors: Cancer Prognostics by Direct Detection of p53-Antibodies on Gold Surfaces by Impedance Measurements / E. Prats-Alfonso, X. Sisquella, N. Zine, G. Gabriel, A. Guimerva, F. J. Del Campo, R. Villa, A. H. Mrksich, A. Errachid, J. Aquilo, F. Albericio // Small. - 2012. - Vol.8. - P.1962. - DOI: 10.1002/smll.201290073.

112. Remes-Troche, J.M. Hemoconcentration is a poor predictor of severity in acute pancreatitis / J.M. Remes-Troche, A. Duarte-Rojo, G. Morales, G. Robles-Díaz // World J Gastroenterol. - 2005. - Vol. 11, No. 44. - Pp.7018-7023. - DOI: 10.3748/wjg.v11.i44.7018.

113. Rybak, K. Badanie ogolne moczu u chorych z ostrym zapaleniem trzustki we wczesnej fazie rozwoju choroby [Urinalysis in patients at the early stage of acute pancreatitis] / K. Rybak, M. Sporek, A. Gala-Bl^dzinska, M. Mazur-Laskowska, P. Dumnicka, J. Walocha, R. Drozdz, M. Kuzniewski, P. Ceranowicz, B. Kusnierz-Cabala // Przegl Lek. - 2016. - Vol. 73, No. 2. - pp. 88-92.

114. Shatalova, O. Application of fuzzy neural network model and current-voltage analysis of biologically active points for prediction post-surgery risks / O. Shatalova, S. Filist, N. Korenevskiy, Z. Protasova, R. Taha Al-kasasbeh, A. Shaqadan, M. Ilyash, A. Rybochkin // Computer methods in biomechanics and biomedical engineering. - 2021. -Vol. 24. Issue 13. - Pp. 1504-1516. - DOI: 10.1080/10255842.2021.1895128.

115. Siddiqui, S. A quantitative study of detection mechanism of a label-free impedance biosensor using ultrananocrystalline diamond microelectrode array / S. Siddiqui, Z. Dai, C.J. Stavis, H. Zeng, N. Moldovan, R.J. Hamers, J.A. Carlisle // Arumugam PU Biosens Bioelectron. - 2012. - Vol.35, No.1. - Pp.284-290. - DOI: 10.1016/j.bios.2012.03.001.

116. Singh, R. Nanostructured platform for the detection of Neisseria gonorrhoeae using electrochemical impedance spectroscopy and differential pulse voltammetry / R. Singh, Z. Matharu, A. K. Srivastava, S. Sood, R. K. Gupta, B. D. Malhotra // Microchim. Acta. - 2012. - Vol.177. - Pp.201-210 - DOI: 10.1007/s00604-012-0765-x.

117. Venarusso, L.B. Versatile charge transfer through anthraquinone films for electrochemical sensing applications / L.B. Venarusso, K. Tammeveski, G. Maia // Electrochim. Acta. - 2011. - Vol.56. - Pp.8926-8933. - DOI: 10.1016/j .electacta.2011.07.126.

118. Wang Qiang, M.D. Eosinophilia Associated With Chronic Pancreatitis / M.D.Wang, Qiang; Lu, M.D.Chong-Mei; M.D. Guo, Tao; M.D. Qian, Jia-Ming // Pancreas. - 2009. - Vol. 38, No. 2. - Pp.149-153. - DOI: 10.1097/MPA.0b013e31818d8ecc.

119. Wang, Z. Label-free, electrochemical detection of methicillin-resistant staphylococcus aureus DNA with reduced graphene oxide-modified electrodes / Z. Wang, J. Zhang, P. Chen, X. Zhou, Y. Yang, S. Wu, L. Niu, Y. Han, L. Wang, P. Chen, F. Boey,

Q. Zhang, B. Liedberg, H. Zhang // Biosens. Bioelectron. - 2011. - Vol.26. - Pp.38813886. - DOI: 10.1016/j.bios.2011.03.002.

120. Wilson, R.B. Serum elastase in the diagnosis of acute pancreatitis: a prospective study / R.B. Wilson, J. Warusavitarne, D.M. Crameri, F. Alvaro, D.J. Davies, N. Merrett // ANZ J Surg. - 2005. - Vol. 75, No. 3. - Pp. 152-156. - DOI: 10.1111/j.1445-2197.2005.02579.x.

121. Yang, Y. Prolonged activated partial thromboplastin time predicts poor short-term prognosis in patients with acute pancreatitis: A retrospective cohort study / Y. Yang, S. Du, W. Yuan, Y. Kou, B. Nie // Clin Transl Sci. - 2022. - Vol. 15, No. 10. - P. 25052513. - DOI: 10.1111/cts.13378.