Интеллектуализация диагностики критических состояний больных с бронхо-легочной недостаточностью на основе нейросетевого моделирования тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Андрюнькина, Елена Владимировна

• Андрюнькина, Елена Владимировна
• кандидат технических наук
• 2006

Оглавление диссертации кандидат технических наук Андрюнькина, Елена Владимировна

ВВЕДЕНИЕ

ГЛАВА 1. АНАЛИЗ МЕТОДОВ ДИАГНОСТИКИ БОЛЬНЫХ С БРОНХО-ЛЕГОЧНОЙ НЕДОСТАТОЧНОСТЬЮ, НАПРАВЛЕНИЯ ПО СОВЕРШЕНСТВОВАНИЮ ПРОЦЕССОВ ИХ ДИАГНОСТИКИ И ТЕРАПИИ

1.1. Современные методы и средства диагностики и терапии больных с бронхо-легочной недостаточностью

1.2. Методы интеллектуального анализа данных и их использование в задачах медицинской диагностики

1.3. Цель и задачи исследования

ГЛАВА 2. МОДЕЛИРОВАНИЕ КРИТИЧЕСКИХ СОСТОЯНИЙ БОЛЬНЫХ С БРОНХО-ЛЕГОЧНОЙ НЕДОСТАТОЧНОСТЬЮ С ИСПОЛЬЗОВАНИЕМ ТЕХНОЛОГИИ ДОБЫЧИ ДАННЫХ

2.1. Рациональный выбор показателей критического состояния больных с бронхо-легочной недостаточностью для целей медицинской диагностики

2.2. Алгоритм восстановления пробелов в массиве данных

2.3. Нейросетевое моделирование критических состояний больных с бронхо-легочной недостаточностью 58 Выводы по главе

ГЛАВА 3. ИНТЕЛЛЕКТУАЛИЗАЦИЯ ВЫБОРА РАЦИОНАЛЬНЫХ МЕТОДОВ ДИАГНОСТИКИ И ПРОГНОЗИРОВАНИЕ ОСЛОЖНЕНИЙ У БОЛЬНЫХ С БРОНХО-ЛЕГОЧНОЙ НЕДОСТАТОЧНОСТЬЮ

3.1. Статистическая оценка эффективности диагностических методов больных бронхо-легочной недостаточностью

3.2. Прогнозирование возникновения осложнений у больных бронхо-легочной недостаточностью по данным оперативного мониторинга и ретроспективной информации

3.3. Рациональный выбор методов диагностических исследований больных бронхо-легочной недостаточностью по показателям эффективности 106 Выводы по главе

ГЛАВА 4. РАЗРАБОТКА И АПРОБАЦИЯ ПОДСИСТЕМЫ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ВРАЧА-РЕАНИМАТОЛОГА

4.1. Структура программно-информационного обеспечения подсистемы интеллектуальной поддержки врача-реаниматолога

4.2. Рационализация диагностики состояний и выбора тактики интенсивной терапии больных с применением подсистемы

Введение диссертации (часть автореферата) на тему «Интеллектуализация диагностики критических состояний больных с бронхо-легочной недостаточностью на основе нейросетевого моделирования»

Актуальность темы. Исходное тяжелое состояние, сопутствующая патология и чрезвычайно агрессивное влияние многочасовых хирургических вмешательств в условиях вспомогательного кровообращения довольно часто формируют критическое расстройство гомеостаза. В этой связи ближайший послеоперационный период, едва ли не самый ответственный и трудоемкий во всей схеме лечения больного, диктует необходимость постановки и решения задачи прогнозирования текущего состояния больного с бронхо-легочной недостаточностью, т.е. предвидения вероятного возникновения того или иного осложнения или предсказания характера течения и исхода болезни. Другой аспект, являющийся одним из решений задачи прогнозирования, во многом обуславливающий благоприятный исход послеоперационной интенсивной терапии, связан с выбором адекватной для каждого больного тактики лечения. Учитывая вероятностный характер возникновения и развития послеоперационных осложнений, неопределенность в выборе цели управления лечением, а также устойчивую тенденцию перехода к инновационным медицинским технологиям, подходы к прогнозированию состояния и рационализации лечения больных с бронхо-легочной недостаточностью в послеоперационном периоде должны опираться на интеграцию клинической тактики лечения, основанную на знании закономерностей развития патологических процессов, с применением математических методов поддержки интеллектуальной деятельности врача.

Среди комплексных задач, связанных с оптимизацией лечения, проблеме прогнозирования и рационализации терапевтической тактики с применением компьютерных средств реализации математического описания принадлежит ведущая роль. Данному направлению были посвящены ряд работ как отечественных, так и зарубежных клиницистов. Однако, эти исследования были направлены на построение в основном линейных прогностических моделей характеризующих исход самих хирургических вмешательств с учетом дооперационных и интраоперационных факторов и не учитывали динамики развития патологического процесса в течение первых 3-5 суток с момента поступления больного в реанимацию, без механизма адаптивной коррекции оценок эффективности лечения в зависимости от предпочтений врача на каждом шаге интенсивной терапии.

Таким образом, актуальность темы диссертационного исследования определяется необходимостью повышения эффективности медицинской помощи больным с бронхо-легочной недостаточностью в остром периоде за счет прогнозирования раннего возникновения и течения осложнений на основе текущей и ретроспективной информации и коррекции терапевтических мероприятий на основе нейросетевого моделирования.

Целью работы является оптимизация лечения в остром периоде у больных с бронхо-легочной недостаточностью на основе разработки методов и программных средств моделирования состояния с применением технологии добычи данных, а также реализация проблемно-ориентированных алгоритмов принятия решений и анализа оценок эффективности лечения.

Для достижения поставленной цели необходимо было решить следующие основные задачи:

- провести системный анализ инновационных технологий лечения критических состояний больных с бронхо-легочной недостаточностью;

- на основе анализа структуры ретроспективной информации провести оптимизацию признакового пространства показателей критического состояния больных;

- построить многокритериальные модели оценки эффективности лечебных мероприятий;

- реализовать методы интеллектуализации диагностики критических состояний и терапии больных с бронхо-легочной недостаточностью на основе нейросетевых технологий;

- разработать логико-лингвистическую модель выбора лечебных мероприятий интенсивной терапии и алгоритмические процедуры интеллектуальной поддержки врача-реаниматолога;

- провести рационализацию диагностики состояний и выбора тактики интенсивной терапии больных с применением подсистемы интеллектуальной поддержки врача-реаниматолога;

- провести оценку эффективности интеллектуализации диагностики критических состояний и терапии больных с бронхо-легочной недостаточностью на основе нейросетевого моделирования.

Методы исследования. Для решения поставленных задач помимо клинических методов использовались основные положения теории вероятности и математической статистики, методы нейросетевого моделирования и деревьев решений, основные положения теории управления биосистемами.

Научная новизна. В диссертации получены следующие основные результаты, характеризующиеся научной новизной: логические модели диагностики критических состояний больных с бронхо-легочной недостаточностью на основе методов деревьев решений и нейронных сетей, позволяющие установить в явном виде зависимости между параметрами гомеостаза больных с бронхо-легочной недостаточностью и наличием у больного осложнений; алгоритм восстановления пробелов в массиве данных, обеспечивающий повышение достоверности прогнозов, выдаваемых всей системой в целом; алгоритм сквозного контроля уровня достоверности предсказаний, осуществляемого при подготовке данных для обучения нейросети, при прогнозировании и подборе оптимальной методики лечения для больного или группы больных; алгоритмическая схема обеспечения интеллектуальной поддержки врача при выборе диагностических и лечебных мероприятий в зависимости от уровня состояния больных с бронхо-легочной недостаточностью; алгоритм многокритериального выбора методов медицинской диагностики по показателям эффективности, использующий метод свертывания векторного критерия, учитывающего относительную важность частных критериев оптимальности с помощью построения скалярной функции; комплекс взаимосвязанных программных модулей, обеспечивающих реализацию интеллектуализации принятия решений на основе имитационносемантического моделирования путем интерактивного построения модели и управления тактикой лечения на основе разработанных алгоритмов.

Практическая ценность работы. В результате проведенного исследования решена задача многокритериального выбора методов медицинской диагностики по показателям эффективности. На основе экспертного заключения проводится формирование множества альтернативных методов диагностики, определение набора показателей и критериев эффективности этих методов. Разработана функциональная структура распознавания и анализа данных, обеспечивающая эффективное решение задач дифференциальной диагностики состояний больных бронхо-легочной недостаточностью.

В рамках предложенной структуры разработан комплекс взаимосвязанных программных модулей, обеспечивающих реализацию принятия решений на основе нейросетевого моделирования путем интерактивного построения модели и управления тактикой лечения на основе разработанных алгоритмов. Результатом работы системы является комплекс мероприятий по диагностике и тактике лечения больных бронхо-легочной недостаточностью с учетом хронических заболеваний и вероятности возникновения осложнений, позволяющий сократить время, требуемое на вынесение диагноза, и снизить значения риска неверного диагностирования. Своевременная же постановка диагноза приводит к снижению времени, требуемого на лечение, и повышает его эффективность.

Реализация и внедрение результатов работы. Созданный комплекс лингвистических средств поддержки принятия решений апробирован и внедрен в клиническую практику кардиологического, нефрологического и эндокринологического отделений МУЗ ГО г. Воронеж ГКБ № 10.

Теоретические и практические результаты работы внедрены в учебный процесс кафедры Технология и обеспечение гражданской обороны в чрезвычайных ситуациях Воронежского государственного технического университета для студентов специальности 280103 «Защита в чрезвычайных ситуациях».

Апробация работы. Научные результаты и положения диссертационной работы докладывались и обсуждались на следующих конференциях и семинарах: Всероссийской конференции "Интеллектуальные информационные системы" (Воронеж, 2003); Всероссийской конференции "Интеллектуализация управления в социальных и экономических системах" (Воронеж, 2003); ежегодных научных конференциях профессорско-преподавательского состава Воронежского государственного технического университета.

Публикации. По теме диссертационной работы опубликовано 14 печатных работ, в том числе в изданиях по перечню ВАК РФ 2 работы.

В работах, опубликованных в соавторстве, лично соискателю принадлежит: в [2, 3] детальная проработка структуры процессов и путей повышения эффективности задач стандартизации и сертификации здравоохранения, в [4, 5] фрагменты моделей приобретения знаний из баз данных медицинского профиля, в [7] анализ эффективности медицинских исследований в задачах медицинской диагностики, в [13] принципы восстановления пробелов в массиве данных, в [14] подход к подбору оптимальной методики лечения больного бронхо-легочной недостаточностью.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, изложенных на 151 странице машинописного текста, списка литературы из 155 наименований, 6 приложений, содержит 17 таблиц и 34 иллюстрации.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Андрюнькина, Елена Владимировна

Выводы по главе

1. Разработанное программное обеспечение представляет собой комплекс взаимосвязанных программных модулей, обеспечивающих реализацию интеллектуализации принятия решений на основе имитационно-семантического моделирования путем интерактивного построения модели и управления тактикой лечения на основе предложенных алгоритмов. В основе комплекса лежат математические модели идентификации осложнений и течения заболевания, полученные в предыдущих разделах. Все модели, используемые программой, хранятся в базе данных. Это позволяет производить их обновление без перекомпиляции исходного кода программного комплекса.

Несмотря на то, что компьютеризация терапии увеличила материальные затраты, экономически она выгодна, благодаря повышению эффективности усилий по сокращению продолжительности лечения.

2. Модель больного БЛН должна прогнозировать только один показатель - эффективность лечения. Длительность пребывания больного в стационаре при применении заданной схемы лечения целесообразно прогнозировать с помощью отдельной нейросети - так как эксперименты показали, что достоверность прогнозирования времени пребывания оказывается заметно ниже достоверности прогнозирования эффективности лечения.

3. Разработанная схема лечения была применена для 38 больных с аналогичными параметрами и показала увеличение эффективности лечения по сравнению с прогнозируемой при применении стандартной схемы лечения без учета всех параметров больного. При этом повышение эффективности лечения выражалось в снижении длительности пребывания больных в стационаре в среднем на 14% по сравнению со стандартной схемой лечения. Результаты применения стандартной схемы лечения были получены на тех же больных, которые проходили лечение ранее в том же отделении. Такое сравнение возможно в связи с тем, что БЛН в настоящее время не является излечимой в полном объеме, и целью лечения является достижение временной ремиссии большей или меньшей продолжительности этого заболевания.

149

ЗАКЛЮЧЕНИЕ

Разработка методов, моделей и алгоритмов, ориентированных на конкретные классы лечения больных, является одним из основных направлений прикладного системного анализа и теории управления. Особую значимость приобретает интеграция предметно-ориентированных процедур в систему интеллектуальной поддержки принятия решений врачом. Именно такую цель преследуют реализованные в диссертации задачи моделирования и прогнозирования состояния больных бронхо-легочной недостаточностью. Тем самым обеспечивается выбор рациональной тактики лечения на основе адаптивных алгоритмов с использованием комплекса программно-аппаратных средств.

Основными результатами работы являются следующие:

1. В результате проведенного системного анализа инновационных технологий лечения больных бронхо-легочной недостаточностью обоснована концепция разработки интегрированной системы прогнозирования состояния и рационализации лечения больных.

2. Проанализированы существующие подходы к динамическому принятию решений и определена возможность организации на этой основе интеллектуальной поддержки принятия решений врача при лечении бронхо-легочной недостаточности. Показаны основные подходы к организации систем имитационно-семантического моделирования, а также существующие методики решения и определены направления интеграции этих методик.

3. Разработана структура рационального выбора показателей критического состояния больных. Она позволяет сформировать базу знаний интеллектуальной медицинской системы, предназначенной для диагностики бронхо-легочной недостаточности по данным мониторинга показателей гомеоста-за.

4. Разработан алгоритм восстановления пробелов в массиве данных, применяющийся до построения модели, и не влияющий на быстродействие системы интеллектуальной поддержки деятельности врача в процессе дальнейшего функционирования, обеспечивающий в то же время повышение достоверности прогнозов, выдаваемых всей системой в целом.

5. Построены модели диагностики критических состояний больных с бронхо-легочной недостаточностью на основе нейронных сетей. Указанные модели позволяют установить в явном виде зависимости между рядом параметров гомеостаза больных с бронхо-легочной недостаточностью и наличием у больного осложнений.

6. Предложена схема алгоритма сквозного контроля уровня достоверности предсказаний. Такой контроль осуществляется при подготовке данных для обучения нейросети, при прогнозировании и при подборе оптимальной методики лечения для больного или группы больных.

7. Проведена интегральная оценка состояния больных с бронхо-легочной недостаточностью. Она позволяет проводить коррекцию лечебных мероприятий, выбранных с применением логической модели, путем вероятностного моделирования системы приоритетов возможных вариантов коррекции лечения с использованием адаптивных алгоритмических схем по экспертной и объективной информации, а так же на основе прогностических модельных оценок.

8. Решена задача многокритериального выбора методов медицинской диагностики по показателям эффективности. На основе экспертного заключения проводится формирование множества альтернативных методов диагностики, определение набора показателей и критериев эффективности этих методов. При решении данной задачи используется метод свертывания векторного критерия, учитывающего относительную важность частных критериев оптимальности с помощью построения скалярной функции.

9. Разработан комплекс взаимосвязанных программных модулей, обеспечивающих реализацию интеллектуализации принятия решений на основе имитационно-семантического моделирования путем интерактивного построения модели и управления тактикой лечения на основе разработанных алгоритмов.

10. Комплекс моделей, алгоритмов и программных средств внедрен в учебный процесс кафедры Технология и обеспечение гражданской обороны в чрезвычайных ситуациях Воронежского государственного технического университета для студентов специальности 280103 «Защита в чрезвычайных ситуациях».

152

Список литературы диссертационного исследования кандидат технических наук Андрюнькина, Елена Владимировна, 2006 год

1.Айвазян С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики // - М.: ЮНИТИ. - 1998. - 117 с.

2. Андрюнькина (Жукова) Е.В., Федянин В.И., Некравцева Т.А. Пути повышения эффективности задач сертификации ЛДП // Управление в социальных и экономических системах.: межвуз. сб. науч. тр.: Воронеж, 2002, С.65.

3. Андрюнькина (Жукова) Е.В., Федянин В.И. Технология приобретения знаний из баз данных медицинского профиля // Труды Всероссийской конференции "Интеллектуальные информационные системы", часть 1.: Воронеж, 2003, С.51.

4. Андрюнькина (Жукова) Е.В., Федянин В.И. Основные типы задач и виды моделей, решаемые с помощью технологии исследования баз данных // Труды Всероссийской конференции "Интеллектуальные информационные системы", часть 1.: Воронеж, 2003, С.79.

5. Андрюнькина Е.В., Плетнев А.В., Федянина Я.В. Многокритериальные модели оценки эффективности лечебных мероприятий. Вестник ВГТУ, серия "Системы и средства безопасности в чрезвычайных ситуациях", С.102.

6. Андрюнькина Е.В., Плетнев А.В., Федянина Я.В. Обзор методов добычи данных в медицинских исследованиях и анализ их эффективности в задачах медицинской диагностики, межвуз. сб. "Системы жизнеобеспечения и управления в ЧС", ч. 1. Воронеж, 2004, С.43-45.

7. Андрюнькина Е.В., Плетнев А.В., Федянин В.И. Анализ зависимостей показателей критических состояний больных с сердечнойнедостаточностью // Системы жизнеобеспечения и управления в ЧС: межвуз. сб., Ч. 1. Воронеж, 2004, С.64.

8. Андрюнькина Е.В., Плетнев А.В., Федянин В.И. Обоснование логической модели выбора интенсивной терапии больных с сердечной недостаточностью // Вестник ВГТУ, серия "Системы и средства безопасности в чрезвычайных ситуациях", Воронеж, 2004. С.96.

9. Андрюнькина Е.В., Плетнев А.В., Федянина Я.В. Рационализация диагностики состояний больных с сердечной недостаточностью, межвуз. сб. "Системы жизнеобеспечения и управления в ЧС", Ч. 1. Воронеж, 2004, С.80.

10. Андрюнькина Е.В., Плетнев А.В., Федянина Я.В. Анализ методов и средств диагностики критических состояний и терапии больных с сердечной недостаточностью, межвуз. сб. "Системы жизнеобеспечения и управления в ЧС", Ч. 2. Воронеж, 2004. С.31.

11. Андрюнькина Е.В., Плетнев А.В., Усов Ю.И. Нейросетевое моделирование критических состояний больных с сердечной недостаточностью, межвуз. сб. "Системы жизнеобеспечения и управления в ЧС", Ч. 2. Воронеж, 2004. С.135.

12. Андрюнькина Е.В., Федянин В.И. Алгоритм восстановления пробелов в массиве медицинских данных больных бронхо-легочной недостаточностью, межвуз. сб. "Оптимизация и моделирование в информационных системах" Воронеж: ВГТУ, 2004, С.37-40.

13. Андрюнькина Е.В., Федянина Я.В. Подбор оптимальной методики лечения больного бронхо-легочной недостаточностью с помощью нейросетевой модели, межвуз. сб. "Системы жизнеобеспечения и управления в ЧС", Ч. 2. Воронеж, 2005, С.46.

14. Андрюнькина Е.В., Федянина Я.В. Оптимизация показателей состояния больных с бронхо-легочной недостаточностью для построения адекватной модели, межвуз. сб. "Системы жизнеобеспечения и управления в ЧС", Ч. 2. Воронеж, 2005, С.50.

15. Ахутин В.М. Анализ и синтез биотехнических систем // Моделирование физиологических и биологических процессов. МД977.-С.З-7.

16. П.Балантер Б.И. Вероятностные модели в физиологии. // М., Наука. -1977.-252 с.

17. Бериков В.Б. Априорные оценки качества распознавания при ограниченном объеме обучающей выборки. ЖВМиМФ, 2003, том 43 ,№ 9, С. 1448 -1456.

18. Бериков В.Б. Об устойчивости алгоритмов распознавания в дискретной постановке//Искусственный интеллект. 2000. Т. 2. С. 5-8.

19. Браверман Э.М., Мучник И.Б. Структурные методы обработки эмпирических данных. М.: Наука. 1983, С.

20. Бураковский В.И., Бокерия Л.А., Газизова Д.Ш., Лищук В.А. и др. Компьютерная технология интенсивного лечения: контроль, анализ, диагностика, лечение, обучение. М.: НЦ ССХ РАМН. 1995.

21. Валькман Ю.Р. Графическая метафора основа когнитивной графики // Нац. конф. с междунар. участием «Искусственный интеллект-94» (КИИ-94). T.I. Рыбинск. 1994. С.195-199.

22. Варфоломеев В.И., Воробьев С.Н. Принятие управленческих решений: Учеб. пособие для вузов, М.: КУДИЦ-ОБРАЗ, 2001. 288 с.

23. Васильев В.И. Распознающие системы: Справочник. К.: Наук, думка, 1983,- 422 с.

24. Викторов В.А. О развитии медико-технической науки // "Вестник РАМН" N5, 2001 г., С. 3-7.

25. Виноградов А.В. Дифференциальный диагноз внутренних болезней: справочное руководство для врачей. М.: Медицина. 1987, с.

26. Власов В.В. Эффективность диагностических исследований. М.: Медицина, 1988. 256 с.

27. Воскресенский А.Д., Прохоров А.И. Применение ЭВМ в медицине //

28. Военно-медицинский журнал 1959. - №6. - С.81-88.

29. Газизова Д.Ш. Построение и исследование классификации острых нарушений кровообращения с помощью современных алгоритмических методов: Дис. канд.мед.наук: М. - 1987. - 242 с.

30. Гельфанд И.М., Розенфельд Б.И., Шифрин М.А, Очерки о совместной работе математиков и врачей. М.: Наука. 1989.

31. Гублер Е.В. Вычислительные методы анализа и распознавания патологических процессов.// JL: Медицина. - 1978. - 294 с.

32. Дубко М.И., Марголин А.Д. Математические модели физиологических процессов дыхания и кровообращения // Проблемы создания аппаратуры для медицинских лабораторных исследований. J1. -1974.-№3.-С.89-91.

33. Дюк В.А. Компьютерная психодиагностика. СПб: «Братство», 1994.364 с.

34. Дюк В.А. Обработка данных на ПК в примерах. СПб: "Питер", 1997.240 с.

35. Дюк В.А., Самойленко А.П. Data Mining: учебный курс СПб: «Питер», 2001. 368 с.

36. Ездаков A.JL, Покатаева Е.Н. Компьютерная медицинская диагностика как опыт автоматизации работ в слабоформализованной предметной области//Компьютерная хроника. 1994. № 8-9. С.13-30.

37. Ивашко В.Г., Финн В.К. Экспертные системы и некоторые проблемы их интеллектуализации // Семантика и информатика. М.: ВИНИТИ. 1986. №27.

38. Классификация и кластер. М.: Мир, 1980. - 393 с.

39. Кобринский Б.А. Значение визуализации данных при компьютерной обработке в медицине // Вестник АМН СССР. 1988. №8. С.92-97.

40. Кобринский Б.А. К проблеме машинного распознавания наследственных болезней // Специализированная помощь детям с наследственной патологией: Сб. тр. Моск. НИИ пед. и дет. хир. Вып.16. М.: 1981. С.147-153.

41. Кобринский Б.А. Нечеткая логика в анализе образных представлений в медицинских системах искусственного интеллекта // Междунар. конф. по мягким вычислениям и измерениям: Сб. докл. Т.1. СПб.: 1998. С.233-235.

42. Кобринский Б.А. Рефлексия и нечеткие представления в медицинских системах искусственного интеллекта // Рефлексивное управление. Тез. междунар. симпоз. М.: Изд-во «Ин-т психологии РАН». 2000. С. 85-86.

43. Кобринский Б.А., Фельдман А.Е. Анализ и учет ассоциативных знаний в медицинских экспертных системах // Новости искусственного интеллекта. 1995. № 3. С.90-96.

44. Коротких И.Н., Родионов О.В., Фролов М.В. Технология реабилитационных мероприятий // Учебное пособие. Воронеж. - 1993. - 23 с.

45. Крайнес М.Г. Проблемы эффективности технических систем и устройств, используемых в медицине, по данным зарубежной литературы // ВНИИМИ, экспресс-информация. Медицинская техника. 1983. - №8. - С.1-20.

46. Кузнецов О.П. Образное мышление и быстрые процессы // Новости искусственного интеллекта. 1998. №2. С.117-130.

47. Курочкина А.И. Методы многомерной статистики, ориентированные на специфику клинико-диагностических данных: Дис. канд.физ.-мат. наук. -М.,1982.

48. Ларичев О.И. Наука и искусство принятия решений. М: Наука, 1979.200 с.

49. Ларичев О.И. Теория и методы принятия решений, а также Хроникасобытий в Волшебных Странах: Учебник. М.: Логос. 2000.

50. Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений. Вербальный анализ решений. М.: Наука. 1996. 208 с.

51. Ластед Л. Введение в проблему принятия решений в медицине: Пер. с англ.- М.: Мир, 1971.- 282 с.

52. Лбов Г.С, Старцева Н.Г. Логические решающие функции и вопросы статистической устойчивости решений // Новосибирск: Изд-во Ин-та математики. 1999.

53. Левит В.Е., Переверзев-Орлов B.C. Структура и поле данных при распознавании образов. М.: Наука. 1984.

54. Ледли В., Ластер Л. Использование ЭВМ для обработки медицинских данных // Электроника и кибернетика в биологии и медицине. -1983.-С.315-360.

55. Лищук В.А. Математическая теория кровообращения. М.: Медицина. - 1991. - 256 с.

56. Лищук В.А., Граничкин Ю.Н., Брод П.Г.„ Беленький Я.В., Подгорный В.Ф. Комплекс программ Тарвей". Центральный информационный фонд алгоритмов и программ ГОСФАП. № Гос. Регистрации П 005142,1981.-95 с.

57. Лукашевич И.П., Сыркин А.Л. Проблема получения и передачи медицинских знаний // Компьютерная хроника. 1994. №8-9. С.39-43.

58. Львович Я.Е., Фролов М.В. Управление в биологических и медицинских системах // Воронеж. 1994. - 183 с.

59. Львович Я.Е., Назаренко Е.А., Родионов О.В., Федянин В.И., Фролов М.В. Теоретические и практические основы физиологии человека и управление лечением заболеваний // Воронеж. 1999. - 159 с.

60. Макаров И.М. Теория выбора и принятия решений. М.: Наука,1987.350 с.63 .Малышев В. Д. Острая дыхательная недостаточность. М.: Медицина, 1989.-240 с.

61. Марьянчик Б.В. Метод виртуальных статистик и его применение впартнерских системах для компьютерной диагностики // Компьютерная хроника. 1996. №5. С.65-74.

62. Михайлов М.Н., Харольская Н.А. Извлечение экспертных знаний из научного текста в полуавтоматическом режиме / Тр. III конф. по искусственному интеллекту-92. Тверь. 1992.

63. Мулен Э. Кооперативное принятие решений: аксиомы и модели. М: Мир, 1991.464 с.

64. Неймарк Ю.И., Баталова З.С., Васин Ю.Г., Бредо М.Д. Распознавание образов и медицинская диагностика // М.: Наука. 1972. - 328 с.

65. Николаев А.Ю., Милованов Ю.С. Лечение почечной недостаточности. М. 1999. - 362 с.

66. Нильсон Н.Д. Принципы искусственного интеллекта. М.: Мир. 1985 71.Осипов Г.С. Информационные технологии, основанные на знаниях //

67. Новости искусственного интеллекта. 1993. №1. С.1-41.72.0сипов Г.С. Построение моделей предметных областей. 4.1. Неоднородные семантические сети // Известия АН СССР. Техн. кибернетика. 1990. №5. С.32-45.

68. Отраслевой стандарт "Протоколы ведения больных. Общие положения" № 91500.09.0001-1999.

69. Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ // М.: Высшая школа. 1989. - 368 с.

70. Поспелов Д.А. Прикладная семиотика и искусственный интеллект // Программные продукты и системы. 1996. №3. С. 10-13.

71. Ригельман Р. Как избежать врачебных ошибок. Книга практикующего врача. М.: Практика. 1994.

72. Сазыкина JI.B., Газизова Д.Ш., Стороженко И.Н. Количественные показатели гемодинамики для оценки состояния больных с острой недостаточностью кровообращения. Методические рекомендации // М.: МЗ СССР.-1983.-32 с.

73. Сайке М.К., Мак-Никол М.У., Кэмпбел Э.Д. Дыхательная недостаточность. М.: Медицина, 1974. - 341.

74. Скурихин В.И., Морозов А.А. Проблемы создания и функционирования комплексных автоматизированных систем управления // Управляющие системы и машины. 1987. № 3. С. 124.

75. Соколова Л.В., Фуремс Е.М. Экспертная система диагностики бронхиальной астмы у детей // Компьютерная хроника. 2000. №1. С. 103-118.

76. Справочник-словарь терминов АСУ / Под ред. Ю.Э. Антипова, А.А. Морозова. М.:Радио и слово, 1990. 127 с.

77. Таперова Л.Н., Веприцкая О.В. Автоматизированное рабочее место детского врача-реаниматолога // Компьютерная хроника. 1994. №3-4. С.49-60.

78. Тарасов В.Б. Моделирование психических образов: как совместить дискретное и непрерывное? // Новости искусственного интеллекта. 1998. №3. С.86-100.

79. Уосермен Ф. Нейрокомпьютерная техника: теория и практика // М: Мысль.- 1992.- 184с.

80. Уотерман Д. Построение экспертных систем. М.: Мир, 1987. 240 с.

81. Уотерман Д. Руководство по экспертным системам. М.: Мир, 1987.230 с.

82. Уэст Дж. Физиология дыхания // М.: Мир. 1988. - 200 с.

83. Файнзильберг Л.С. Байесова схема принятия коллективных решений в условиях противоречий // Проблемы управления и информатики. 2002. № 3.1. С. 112-122.

84. Федорков Е.Д. Моделирование и оптимизация дуальных объектов в медицине // Воронеж. 1997. - 143 с.

85. Финн В.К. Интеллектуальные системы: проблемы их развития и социальные последствия // Будущее искусственного интеллекта. М.: Наука. 1991. С.157-177.

86. Финн В.К. Об интеллектуальных системах автоматизированной поддержки научных исследований // НТИ. Сер.2. 1996. №5-6. С.1-2.

87. Финн В.К. Об обобщенном ДСМ-методе автоматического порождения гипотез // Семиотика и информатика. 1989. Вып.29. С.93-123.

88. Фоминых И.Б. Интеграция логических и образных методов отражения информации в системах // Новости искусственного интеллекта. 1998. №3. С.76-85.

89. Фролов В.Н. Выбор тактики лечения с применением математических методов. // Воронеж. 1977. - 137с.

90. Цховребов С.В. Легочный обмен и гемодинамика при искусственной и перемежающейся принудительной вентиляции легких с положительным давлением на выдохе у больных после операции на открытом сердце: Автореферат дисс. д-ра. мед. наук. М. - 1987. - 45 с.

91. Черняховская М.Ю. Представление знаний в экспертных системах медицинской диагностики. Владивосток: Институт автоматики и процессов управления ДВНЦ АН СССР. 1983.

92. Шанин Ю.Н., Костюченко А.Л. Интенсивная терапия острых дыхательных расстройств // Реаниматология / (Под ред. Г.Н.Цыбуляка). М.: Медицина, 1976. - С.39-40.

93. ЮО.Шевченко Ю.А., Шихвердиев Н.Н., Оточкин А.В. Прогнозирование в кардиохирургии // Санкт-Петербург. Литер Пресс. 1999. - 208 с.

94. Шерстнева А.С., Марасанова В.В., Кябуру И.В. К вопросу о математическом моделировании систем дыхания и кровообращения. -Кишинев. 1980. - С. 119-120.

95. Шидловский В.А. Результаты применения математических методов и ЭВМ в экспериментальных исследованиях // Реализация математических методов с использованием ЭВМ в клинической и экспериментальной медицине. Всесоюзная конференция, М., 1984. - С. 18-21.

96. Azar F.S. Multiattribute Decision-Making: Use of three scoring methods to compare the perfomance of imaging techniques for breast cancer detection. // Technical Report MS-BE-00-01, MS-CIS-00-10. Dept. of BioEngineering. U. of Penn. 2000. P. 1-24.

97. Bagui S.C., Pal N.R. A multistage generalization of the rank nearest neighbor classification rule// Pattern Recognition Letters, 1995. V. 16.- No. 6.- P. 601-614.

98. Berikov, V.B. A priori estimates of recognition quality for discrete features. Pattern Recognition and Image Analysis, Vol. 12, N 3,235-242. 2002.

99. Berikov, V.B. An approach to the evaluation of the performance of a discrete classifier. Pattern Recognition Letters. Vol. 23 (1-3), 227-233. 2002.

100. Berg R.A., Donnerstein R.L., Padbury J.F. Dobytamine infusions in stable, crically ill children: Pharmacokinetics and hemodinamic action // Crit. Care Med. 1993. - V.21, N5. - P.676-687.

101. Breiman, L., Friedman, J., Olshen, R. and Stone, С Classification and Regression Trees. Wadsworth International, California. 1984.

102. Bronzino J.D. The Biomedical Engineering Handbook. Second Edition, IEEE Press, 2000.

103. Burattini R., Fioretti S., Jetto L. // Comput. Biomed. Res. 1985. - VI8,1. N4. -Р.303-312.

104. Chang L.Ch., Tou J.T. Medics a medical knowledge system // IEEE Trans. Syst., Man and Cybern. 1984. Vol.14. N.5. P.746-750.

105. Chatfield C. Model Selection, Data Mining and Model Uncertainty. // Proceedings of the 18th International Workshop on Statistical Modelling. 2003, Leuven. Belgium, p.79-84

106. Cho S.B.,Kim J.H. Multiple network fusion using fuzzy logic// IEEE Transactions on Neural Networks. 1995. V. 6. No. 2. P. 497-501.

107. Clevert H.D., Schober H.J., Weiss H. "INTENSIV" organization and structure of a knowledge-based PC system for the intensive care unit // Klin Wochenschr. -1991. - V.69, N26. - P.234-240.

108. Cohen P., Day D., Delisio J. et al. Management of uncertainty in medicine // 6lh Annu. Int. Phoenix Conf. Comput. and Common, Scottsdale, Ariz., Conf. Proc. Washington. 1987. P.501-506.

109. Davis R., Buchanan B.G., Shortliffe E.H. Production rules as representation for a knowledge-based consultation program // Artif. Intell. 1977. Vol.8. N.l.P.15-45.

110. Domik G.O. The role of visualization in understending data // Lecture notes on computer science "New trends and result in computer" Springer Verlag. - 1993 -P.91-107.

111. Engel R.L. Attempts to use computers as diagnostic aids in medical decision making: a therty-year experience // Perspect. Biol. Med. 1992. - V.35, N2.-P.111-136.

112. Fieschi M., Joubert M., Fieschi D. et al. SPHINX: A production rules expert system for medical consultations // MEDINFO'83: Proc. 4th World Conf. Med. Inf. Pt.l. Amsterdam. 1983. P.503-506.

113. Fries J.F. Time-oriented patient records and a computer databank // J. Amer. Med. Ass. 1972. Vol.222. P.1536-1542.

114. Funchs H., Levoy M., Pizer S.M. Interactive visuaizatiom of 3D medical data// Computer. 1989. - N8. - P.46-51.

115. Ganascia J.C. Explanation facilities for diagnosis systems // Cyberneticsand Syst. Res. Amsterdam e.a. 1984. Vol.2. P.805-810.

116. Hashem S., Schmeiser B. Improving model accuracy using optimal linear combinations of trained neural networks// IEEE Transactions on Neural Networks, 1995. V.6. No. 3. P. 792-794.

117. Heiser J.F., Brooks R.E., Ballard G.P. Progress report: A computerized psychopharmacology advisor // Proc. Eleventh Colloquium Intern. Neuro-Psychopharmacol. Vienna, Austria. 1978.

118. Hertzberg-Todd M., Tremblay G.F., Lam Ch.F. Computer-assisted localization of nervous system injuries // Comput. and Biomed. Res. 1987. Vol.20. N.5. -P.489-496.

119. Ho Т.К., Hull J.J., Srihari S.N. Decision combination in multiple classifier systems // IEEE Transactions on Pattern Analysis and Machine Intelligence,!994.- V.I6.-N0. 1,1994, P. 66-75.

120. Kimura F., Shridhar M Handwritten numerical recognition based on multiple algorithms //Pattern Recognition, 1991.- V. 24.-No. 10.- P. 969-983.

121. Kinney E.L. Expert system detection of drug interactions: Results in consecutive inpatients // Comput. and Biomed. Res. 1986. Vol. 19. N.5. P.462-467.

122. Koski E.M., Makivirta A., Sukuvaara Tkari A. Development of an expert system for haemodynamic monitoring: computerized symbolizatio of online monitoring data // Int. J. Clin. Monit. Comput. -1991. V.8, N4. - P.289-293.

123. Lesmo L., Marzuoli M., Molino G., Torasso P. An expert system for the evaluation of liver functional assessment // J. Med. Syst. 1984. Vol.8. N.l-2. P.87-101.

124. Lipscombe B. Expert systems and computer-controlled decision making in medicine // Ai & Soc. 1989. - N3. - P. 184-197.

125. Long W.J., Naimi S., Criscitiello M.G. Development of a knowledge base for diagnostic reasoning in cardiology // Comput. Biomed. Res. 1992. -V.25, N3.-P.292-311.

126. Masarie F.E., Miller R.A., Myers J.D. INTERNIST-I properties: Representing common sense and good medical practice in a computerized medical knowledge base // Comput. and Biomed. Res. 1985. Vol.18. N.5. P.458-479.

127. Miller P.L., Blumenfruchi S.J., Black H.R. An expert system which critiques patient workup: modelling conflicting expertise // Comput. and Biomed. Res. 1984 Vol.17. N.6. P.554-569.

128. Politakis P., Weiss S.M. Using empirical analysis to refine expert system knowledge bases // Artif. Intell. 1984. Vol.22. N.l. P.23-48.

129. Pranke J., Mandler E. A Comparison of Two Approaches for Combining the Votes of Cooperating Classifiers // Proceedings 11-th IAPR International Conference on Pattern Recognition, 1992. V. 2. P. 611-614.

130. Reggia J.A., Nau D.S., Wang P.Y. Diagnostic expert systems based on a set covering model // Intern. J. Man Machine Stud. 1983. Vol.19. P.437-460.

131. Schultz B. Scientific visualization: transforming numbers into computer pictures // Computer Pict. 1988. - N1. - P.I 1-16.

132. Senko O.V. The Method of Dependencies Description with the Help of Optimal Multistage Partitioning // Proceedings of the Conference CSIT, Yerevan, Armenia, 2001, pp. 167-169.

133. Senko O.V., Kuznetsova A.V., Echin A. The method of data analysis based on partitioning. // Proceedings in Comput. Statistics. Short Commun. and Posters. COMPSTAT. 2000, p. 259-260.

134. Shabot M.M., Carlton P.O., Sadoff S, Nolan-Avia L. Graphical reports and displays for complex ICU data: a new, flixible and configurable method // Computer Metods and Programs in Biomedicine. 1986. - N.22,- P.I 11-116.

135. Sheppard L.C. The computer in the care of critically ill patients // Proc/ IEEE/ 1979. - V.67, N.9. - P. 1300-1305.

136. Sonnenberg F.A., Hagerty C.G., Kulikowski C.A. An architecture for knowledge-based construction of decision models // Medical Decision Makong. -1994.-V.14, N.1.-P.27-39.

137. Sykes M.K. Clinical measurements and clinical practice // Anaesthesia.1992.-V.47,N.5.-P.425-432.

138. Szolovits P., Pauker S.G. Categorial and probabilistic reasoning in medical diagnosis//Artif. Intell. 1978. Vol.11. N.l-2. P.l 15-144.

139. Woods K.S., Bowyer K., Kergelmeyer W.P. Combination of multiple classifiers using local accuracy estimates // Proc. of the IEEE Computer Vision and Pattern Recognition Conf. (CVPR'96), San Francisco, Ca, USA. 1996. P. 391-396.

140. Xiang Z., Srihari S.N., Shapiro S.C., Chulkow J.G. Analogical and prepositional representations of structure in neurological diagnosis // Proc. of the First Conf. On Artif. Intell.Appl. IEEE Comput. Soc. 1984.

141. Xu L., Krzyzak A., Suen C.Y. Methods of combining multiple classifiers and their applications to handwriting recognition // IEEE Trans. SMC,1992. V. 22. No. 3. P. 418-435.

142. Yerushalmy J. Statistical problems in assessing methods of medical diagnosis with special reference to X-ray techniques // Publ. Health Rep. 1947. -Vol. 62, N 10.-P. 1432-1449.

143. Yu V.L., Buchanan B.G., Shortliffe E.H. et al. Evaluating the perfomance of the computer-based consultant // Comput. Biomed. 1979. V.9. N.l. P.95-102.

144. Zadeh L.A. Discussion: Probability theory and fuzzy logic are complementary rather than competitive // Technometrics. 1995. Vol.37. N.3. P.271-276.