Интеллектуальная система поддержки принятия решений для формирования схем лечения на основе методов машинного обучения с подкреплением тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Демченко Мария Владиславовна

• Демченко Мария Владиславовна
• кандидат наук
• 2022

Оглавление диссертации кандидат наук Демченко Мария Владиславовна

Введение

Глава 1. Исследование алгоритмического инструментария поддержки принятия решений при формировании эффективных схем лечения на основе обучения с подкреплением

1.1. Современное состояние проблемы автоматизированного формирования эффективных схем лечения

1.2. Исследование подходов и алгоритмов отбора диагностических признаков и ассоциаций для модели обучения с подкреплением

1.3. Обзор современных инструментов обработки естественного языка для учета клинических взаимосвязей в модели обучения с подкреплением

1.4. Проблематика конструирования состояний для модели обучения с подкреплением

1.5. Проблема настройки пороговых значений мониторинговых показателей

1.6. Цель работы и задачи исследования

Выводы первой главы

Глава 2. Разработка алгоритмов отбора значимых признаков и поиска клинических взаимосвязей с использованием методов обработки естественного языка

2.1. Формализация задачи автоматизированного формирования схем лечения на основе методов машинного обучения с подкреплением

2.2. Алгоритм отбора признаков с использованием нейросетевых классификаторов

2.3. Поиск значимых признаков с помощью метода ассоциативных правил

2.4. Поиск клинических взаимосвязей на основе методов обработки естественного языка

Выводы второй главы

Глава 3. Разработка алгоритмов мониторинга состояний и назначения лечения на основе машинного обучения с подкреплением

3.1. Конструирование состояний с помощью кластерного анализа для модели обучения с подкреплением

3.2. Разработка способа мониторинга состояний на основании параметрических маркеров методами несбалансированной классификации

3.3. Выбор алгоритмов обучения с подкреплением для задачи назначения схем лечения

3.4. Разработка модели обучения с подкреплением для задачи формирования эффективных схем лечения

Выводы третьей главы

Глава 4. Разработка системы поддержки принятия решений для автоматизированного динамического формирования и корректировки схем лечения на основе методов машинного обучения с подкреплением

4.1. Апробация алгоритма отбора признаков с использованием нейросетевых классификаторов

4.2. Реализация алгоритма поиска значимых признаков на основе анализа ассоциативных правил

4.3. Результаты решения задачи поиска клинических состояний методами обработки естественного языка

4.3. Выделение когорт пациентов с атеросклерозом методами кластерного анализа

4.4. Поиск значимых пороговых значений параметрических маркеров

4.5. Результаты решения задачи поиска оптимальных схем лечения с использованием обучения с подкреплением

4.6. Медицинская информационная система поддержки принятия решений для автоматизированного динамического формирования и корректировки схем лечения

Выводы четвертой главы

Заключение

Список использованных источников

Приложение 1. Апробация нейросетевых классификаторов с помощью набора

данных М1М1С-111

Приложение 2. Результаты поиска клинических сущностей с помощью методов обработки естественного языка на основе нейронной сети Б1Ь8ТМ-

СШ

Приложение 3. Анализ кластерного разбиения измерений пациентов

Приложение 4. Исследование параметрических маркеров атеросклероза

Приложение 5. Действия модели обучения с подкреплением

Приложение 6. Результирующие стратегии назначения лечения

Приложение 7. Список входных параметров для проведения отбора признаков

Приложение 8. Акты о внедрении

Приложение 9. Свидетельства о регистрации программ для ЭВМ

Введение диссертации (часть автореферата) на тему «Интеллектуальная система поддержки принятия решений для формирования схем лечения на основе методов машинного обучения с подкреплением»

Введение

Актуальность темы исследования. Развитие современных информационных технологий дало возможность накопления больших массивов данных, применимых для совершенствования методов управления современными сложными системами. На смену существующим подходам приходит управление на основе объективных данных, автоматизация и роботизация. Расширяется спектр областей, в которых осуществляется оперативный мониторинг объектов управления, предоставляющий инструменты динамического воздействия на контролируемую систему, и автоматической выработки управленческих воздействий.

С появлением в последние годы электронных медицинских карт стало возможным использование персонифицированных медицинских данных для оптимизации принятия клинических решений при назначении лечения. Таким образом, актуальные научные исследования в этой области также постепенно переходят от разработки систем управления знаниями к системам управлениями данными.

Однако, по-прежнему отсутствует теоретически обоснованный подход для персонифицированного формирования и корректировки схем лечения, опирающийся на динамику изменения мониторинговых показателей, характеризующих состояние пациента. В качестве основы для создания интеллектуальной системы поддержки принятия решений, позволяющей учитывать такую динамику, предлагается использовать подход на основе алгоритмов машинного обучения с подкреплением

Алгоритм обучения с подкреплением представляет собой последовательность адаптированных процедур, соответствующих динамическому изменению состояния системы. Таким образом, стратегия лечения пациента, разработанная на основе метода обучения с подкреплением, будет динамически меняться с течением времени по мере накопления наблюдений.

Сложность разработки методов машинного обучения с подкреплением связана с тем, что в настоящий момент этот подход существует в виде общей схемы, разработка алгоритмических этапов которой для решения определенного класса задач является достаточно сложной проблемой.

В связи с этим, развитие, разработка и обоснование эффективных методов машинного обучения с подкреплением для интеллектуальных систем поддержки принятия решений в задачах поиска эффективных стратегий лечения, является актуальной научной проблемой, имеющей большую теоретическую и практическую значимость.

Степень разработанности темы исследования. Эффективность применения методов машинного обучения в решении диагностических и прогностических задач медицины доказывают работы Гельцера Б.И., Циванюка М.М., Борисова Н.М., Буздина А.А., E. Ross, N. Shah. В трудах O. Terrada, B. Cherradi, E. Munger, J. Hickey. В работах Yom-Tov E., Noori A, Komorowski M., Gari D. Clifford продемонстрированы впечатляющие результаты, полученные при использовании алгоритмов обучения с подкреплением для выбора оптимальных схем лечения отдельных заболеваний. Однако к настоящему моменту в современных исследованиях не решен вопрос разработки интеллектуальной системы поддержки принятия решений на основе модели машинного обучения с подкреплением для общего класса задач формирования схем лечения. Для решения этой проблемы требуется, во-первых, формализовать множество состояний в модели обучения с подкреплением. Кроме того, необходимо алгоритмизировать процесс назначения вознаграждений, при этом, использование нетривиальных функций вознаграждения представляется многообещающим подходом в задачах, связанных с формированием схем лечения. Далее, требуется разработать метод отыскания наиболее значимых признаков для эффективной оценки состояния пациента. Помимо этого, надо разработать алгоритм определения граничных значений показателей для осуществления динамического мониторинга состояния. Наконец, еще одной важной задачей является разработка алгоритмов обработки текстовых медицинских протоколов, для анализа клинических данных и использования выявленных закономерностей при формировании обучающей выборки и назначении оптимальных клинических процедур.

Целью диссертационной работы является разработка и обоснование интеллектуальных алгоритмов поддержки принятия решений на основе методов машин-

ного обучения с подкреплением для повышения эффективности решения задач автоматизированного формирования схем лечения.

Для достижения поставленной цели предполагается решение следующих задач:

1. формализация и постановка задачи автоматизированного формирования схем лечения;

2. исследование и обоснование алгоритмического инструментария для решения задачи формирования схем лечения с использованием модели обучения с подкреплением, разработка критериев эффективности ее решения;

3. разработка алгоритмического аппарата, позволяющего обеспечить предварительный отбор значимых признаков и поиск взаимосвязей, выявленных методами обработки естественного языка;

4. разработка алгоритма формирования схем лечения на основе подхода обучения с подкреплением с учетом способов мониторинга состояний, сформированных с помощью методов машинного обучения;

5. разработка системы поддержки принятия решений для автоматизированного динамического формирования и корректировки стратегий лечения на основе методов машинного обучения с подкреплением.

Объект исследования - процесс автоматизированного формирования схем лечения.

Предмет исследования - алгоритмы машинного обучения, в том числе, обучения с подкреплением, для решения задачи формирования схем лечения на основе данных электронных медицинских карт.

Область исследования соответствует паспорту специальности 05.13.01. -«Системный анализ, управление и обработка информации (в науке и промышленности)», а именно: п. 2 - Формализация и постановка задач системного анализа, оптимизации, управления, принятия решений и обработки информации; п. 3 -Разработка критериев и моделей описания и оценки эффективности решения задач системного анализа, оптимизации, управления, принятия решений и обработки ин-

формации; п. 4 - Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации; п. 5 - Разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации

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

- формализация задачи автоматизированного формирования схем лечения, отличающаяся возможностью адекватного описания с использованием модели машинного обучения с подкреплением;

- метод определения наиболее значимых входных признаков модели обучения с подкреплением на основе использования полносвязных и рекуррентных нейронных сетей, отличающийся возможностью исследовать однократные и динамические измерения показателей, а также признаки, формирующие значимые ассоциации, выявленные методом аргюп;

- метод автоматизированного формирования рекомендаций для построения модели обучения с подкреплением, отличающийся распознаванием в тексте клинических сущностей и выявлением именованных зависимостей на основе современных гибридных нейросетевых моделей BiLSTM-CNN;

- модифицированный алгоритм обучения с подкреплением на основе алгоритма итераций по значениям, отличающийся использованием нетривиальной функции вознаграждений, применимой в условиях конструирования множества состояний на базе кластерного разбиения с ограничениями входных параметров;

- структура интеллектуальной системы поддержки принятия решений, отличающаяся применением модуля обучения с подкреплением для формирования оптимальных схем лечения.

Методы исследования. Для решения поставленных задач использовались методы системного анализа, ансамблевые методы классификации, нейросетевые технологии, методы анализа ассоциативных правил, методы обработки естественного языка, методы кластерного анализа, методы обучения с подкреплением.

Основные положения, выносимые на защиту.

1. Метод определения входных признаков модели обучения с подкреплением на основе использования полносвязных и рекуррентных нейронных сетей, а также значимых ассоциаций, выявленных методом Aprюri.

2. Метод автоматизированного формирования клинических рекомендаций для построения модели обучения с подкреплением, на основе современных гибридных нейросетевых моделей BiLSTM-CNN.

3. Модифицированный алгоритм обучения с подкреплением на основе алгоритма итераций по значениям.

4. Структура интеллектуальной СППР для динамического наблюдения и лечения пациентов с атеросклерозом, отличающаяся применением модуля обучения с подкреплением для формирования оптимальных схем лечения.

Теоретическая значимость диссертационной работы заключается в разработке модифицированного алгоритма обучения с подкреплением, опирающегося на конструирование множества состояний методами кластерного анализа и выявление клинических взаимосвязей методами обработки естественного языка.

Практическая значимость диссертационной работы заключается в разработке программного комплекса, позволяющего производить автоматизированное динамическое формирование и корректировку стратегий лечения на основе методов машинного обучения с подкреплением. Разработанные алгоритмы прошли апробацию на множестве реальных данных электронных медицинских карт, полученных из международной базы данных MIMIC-Ш, а также на основе деперсони-фицированных региональных данных.

Внедрение результатов работы. Материалы диссертации в форме СППР внедрены в практику медицинских исследований Воронежского областного клинического консультативно-диагностического центра. Теоретические результаты диссертационной работы внедрены в учебный процесс ФГБОУ ВО Воронежского государственного университета.

Основные результаты диссертационного исследования представлялись

и докладывались на научных конференциях: «Актуальные проблемы прикладной математики, информатики и механики» (Воронеж, 2020 - 2022); «Информационно-телекоммуникационные системы и технологии» (Кемерово, 2017), XIX, XX, XXI Международная научно-методическая конференция «Информатика: проблемы, методы, технологии» (Воронеж, 2019-2021); XXII International Conference on Data Analytics and Management in Data Intensive Domains (DAMDID/RCDL 2020).

Публикации. Основные результаты диссертации опубликованы в 26 научных работах, в том числе 6 - в изданиях, рекомендованных ВАК РФ и 2 работы - в изданиях, индексируемых Scopus, получены 6 свидетельств о государственной регистрации программ для ЭВМ.

Личный вклад автора. В работах, опубликованных в соавторстве, лично автором получены следующие результаты: [77, 78] - разработка подхода к мониторингу состояния с использованием методов кластерного анализа; [92] - разработка модели обучения с подкреплением для назначения лечения; [40, 101] - исследование современных нейросетевых архитектур и разработка метода отбора на их основе; [74, 82-84, 86, 87] - исследование значимых биомаркеров с целью разработки способа предварительного мониторинга состояния; [75] - разработка алгоритма ассоциативных правил для поиска коморбидных состояний; [76] - разработка основных этапов алгоритма поиска клинических взаимосвязей с помощью методов обработки естественного языка; [93,94] - реализация компонентов программного комплекса для поддержки принятия врачебных решений.

Структура и объем работы. Диссертация состоит из введения, 4 глав с выводами, заключения, приложения и списка литературы из 101 наименований. Основная часть работы изложена на 136 страницах, содержит 43 рисунка и 22 таблицы.

Глава 1. Исследование алгоритмического инструментария поддержки принятия решений при формировании эффективных схем лечения на основе обучения с подкреплением

1.1. Современное состояние проблемы автоматизированного формирования эффективных схем лечения

Благодаря высокому уровню развития информационных технологий в настоящее время накапливаются большие объемы медицинских данных, которые могут стать основой для разработки информационных систем поддержки принятия решений в этой области. В медицину активно внедряются технологии мониторинга за состоянием пациентов, на основе которых можно разрабатывать динамические методы автоматизированного формирования рекомендаций по лечению.

Интеграция ИТ-решений в медицинскую практику является одним из наиболее эффективных и перспективных методов предотвращения врачебных ошибок. Их задача заключается в том, чтобы предотвратить путем проведенного всестороннего анализа действия, потенциально угрожающие здоровью и жизни пациента.

Согласно исследованию [1], к наиболее ранним формам СППР в медицине, которые продолжают свое развитие уже на протяжении долгого времени, можно отнести справочники, медицинские энциклопедии, монографии, а также другие медицинские источники. В исследовании [2] говорится о том, что к СППР в медицине различные научные литературные источники определяют информационно-поисковые системы, системы обработки изображений, медицинские базы данных, а также телемедицину. В источнике [3] отмечаются результаты международных исследований, согласно которым к инструментам поддержки принятия решений определяют так же мобильные приложения, в частности, различные справочники для врачей.

Автоматизация формирования схем лечения является наиболее распространенной на сегодняшний день задачей поддержки принятия решений в медицинских информационных системах (МИС). Зачастую решение данной задачи осуществляется путем введения «электронных листов назначений» (ЭЛН), позволяющих повысить эффективность предпринимаемых врачебных действий относительно здоровья и жизни пациентов.

Грамотная разработка и использование МИС предполагает ведение единой базы клинических предписаний, исследование совместимости назначаемых медикаментов, а также осуществление дополнительных проверок, исходя как из текущей истории лечения, так и из имеющейся (при возможности) полной ЭМК, отражающей анамнез пациента. При создании клинических назначений МИС должна предоставлять подсказки врачу, учитывая комплекс лечебно-профилактических мер, применяемых к пациенту в рамках амбулаторного лечения, а также, например, полагаясь на данные об известных противопоказаниях. Таким образом, при условии реализации таких систем, существенно повышается вероятность сокращения рисков, связанных с ошибками в назначениях клинических предписаний.

Можно дать следующее определение: интеллектуальная система поддержки принятия решений для формирования схем лечения - это информационная система, обеспечивающая путем анализа данных с использованием технологий искусственного интеллекта информационное сопровождение врача при назначении лечения с целью снижения возможности допущения врачебных ошибок и повышения качества оказываемой медицинской помощи.

Среди современных систем поддержки принятия решений для формирования схем лечения можно выделить ряд разработок.

- «CoBrain-Аналитика» - система для обработки медицинской информации применительно о головном мозге человека в различных состояниях. Данная платформа помогает осуществлять постановку диагнозов, разрабатывать индивидуальные схемы лечения для пациентов с заболеваниями мозга (https://cobrain.io/)

- «Справочник врача». Мобильное приложение (для Android и iOS), позволяющее врачам иметь доступ к различным медицинским шкалам оценки состояния пациента, терапевтическим рекомендациям и различным библиотекам для принятия медицинских решений (https://www.medsolutions.ru/apps/spravochnik-vracha)

- «Электронный клинический фармаколог» - приложение для врача, осуществляющее поддержку принятия решений в фармакотерапии, повышающее эффективность медицинских назначений и предотвращающее вероятность клинических ошибок (https://www.ecp.umkb.com/)

- «Киберис» - онлайн сервис разработки методов лечения и валидации назначенных методов терапии (https://kiberis.ru/)

- «Galenos» - платформа, сопровождающая принятие медицинских решений и позволяющая производить контроль соблюдения медицинских стандартов (https: //galenos.ru/)

- «Автоматизированный скрининг лекарственных назначений» помогает проверить правильность и безопасность при назначении лекарственной терапии (http://element-lab.ru/)

Однако следует заметить, что среди данных разработок отсутствуют полноценные универсальные системы формирования схем лечения, которые, во-первых, не ограничивались бы применимостью относительно какого-либо конкретного заболевания, а во-вторых, грамотно учитывали динамику состояния пациента и позволяли бы производить индивидуальные корректировки лечения.

Выделяется несколько основных подходов к разработке систем поддержки принятия решений для формирования схем лечения.

1. Информационно-справочные системы поддержки принятия решений.

Автоматизация формирования клинических назначений осуществляется в рамках наиболее эффективных реализаций МИС путем внедрения и применения медицинских шаблонов и стандартов, валидации медикаментозных назначений, предоставления пациенту рекомендаций, относящихся к его диагнозу и состоянию и т. д. При этом в отечественной практике отмечается богатый опыт в разработке и анализе эффективности такого подхода, результаты которого отражены, например, в работах Е. И. Шульмана [4, 5] и профессора В. М. Тавровского [6], создавшего и описавшего полноценный комплекс решений, названных им «частными алгоритмами действий врача». Полученные результаты демонстрируют клиническую эффективность применения подобных функций, выражающуюся в сокращении рисков нежелательных результатов лечения и повышении результативности работы практикующих врачей.

Ряд справочников, необходимых для возможности поддержки автоматизированного формирования назначений в рамках МИС, включает:

• справочник медицинских стандартов;

• справочник международной классификации болезней (МКБ-10);

• справочник лекарственных средств на основе международных непатентованных наименований;

• справочник медицинских услуг (перечень диагностических, лечебных и консультативных мероприятий, которые могут оказываться в медицинских организациях).

Указанные справочники, во-первых, должны быть предусмотрены в рамках МИС, а во-вторых, непрерывно обновляться для поддержки актуального состояния, поскольку наиболее сложной составляющей СППР является не столько внутренняя реализация алгоритмов и функций справочников, сколько их актуальность, полнота и достоверность. При этом, в идеальном случае подобные справочники должны разрабатываться и обновляться в составе сервиса «Федеральной нормативно-справочной информации»: это позволило бы надеяться на повсеместную реализацию СППВР в рамках широкого ряда различных МИС.

2. Медицинские экспертные системы (МЭС), основанные на знаниях.

В результате проведения академических исследований в области ИИ на протяжении 30 лет, в середине 1980-х годов началось повсеместное развитие экспертных систем. Системы, основанные на знаниях - это системы программного обеспечения, основными структурными элементами которых являются база знаний и механизм логических выводов. Примеры разработки экспертных систем в медицине описываются в источниках [7-11]

Подход к разработке экспертных систем на основе баз знаний доказывают высокую эффективность по причине ряда преимуществ.

• Постоянство. Базы знаний, которые лежат в основе разработанных экспертных систем, обеспечивают сохранность множества ценной информации без риска ее потери или модификации.

• Эффективность. Применение эффективных современных экспертных систем позволяет увеличить производительность и уменьшать затраты персонала.

• Широта. Базы знаний предполагают объединение опыта многих экспертов, что дает системе больше широты, по сравнению с тем, чего, вероятно, может достичь один человек.

Несмотря на успешный опыт применения данных систем, в настоящее время эксперты отмечают ряд недостатков систем поддержки принятия решений, основанных на правилах.

• Высокая степень обобщения предоставляемых рекомендаций. Зачастую системы поддержки принятия решений, основанные на правилах, задействуют ограниченный набор критериев и решающих условий, в результате которых формируется список из нескольких вариантов рекомендаций. При этом, зачастую реальные случаи являются более сложными и подобный инструментарий может не в полной мере учитывать все особенности рассматриваемых ситуаций.

• Сложность улучшения и обновления. Зачастую разработанные экспертные системы достигают высокой точности за счет того, что предлагаемые решения основаны на базах знаний с большим количеством правил. Однако с возрастанием сложности и количества правил уменьшается возможность обновления и улучшения используемых условий. Большая размерность правил приводит к тому, что становится сложно отследить значимые взаимосвязи, выявить недостающую или дублирующую информацию.

• Информативность правил. Многие системы поддержки принятия клинических решений, основанные на правилах, редко подвергаются изменениям, используя в основе базу знаний многолетнего накопленного и, на протяжении долго времени, достоверного опыта. Однако данная сложившаяся практика связана с таким возможным недостатком, как неактуальность используемой информации. Многие правила в существующих экспертных системах могут утратить актуальность в связи с изменяющейся ситуацией как в мире, так и в отдельных регионах. Новые тенденции могут не входить в рассмотрение в качестве правил, однако данные неучтенные факторы могут являться ключевыми для принятия решений в настоящем времени.

Несмотря на то, что многие экспертные системы, основанные на правилах, являются действующими и с высокой эффективностью решают поставленные задачи, существует ряд недостатков данного подхода, многие из которых возможно эффективно решить с помощью современных методов машинного обучения.

3. Системы, построенные с помощью методов машинного обучения (системы, построенные на данных). Следует заметить, что современной тенденцией развития систем поддержки принятия решений является разработка интеллектуальных систем, т.е. систем, действующих на основе машинного обучения. Такие системы не используют заданные базы знаний или правила: значимые закономерности выявляются на основе методов машинного обучения и искусственного интеллекта. При этом, важнейшей сферой применения данного инструментария является сфера медицины. Использование эффективных моделей и методов искусственного интеллекта является инновационным направлением современной медицины и персонализированного здравоохранения, объявленного одним из приоритетов стратегического развития Российской Федерации на период до 2030 года «Стратегией научно-технического развития РФ». [12]

В рамках развития интеллектуальных систем поддержки принятия решений разрабатываются все более эффективные нейросетевые архитектуры глубокого обучения. [13]-[20].

С другой стороны, модели, основанные на деревьях решений, являются не только эффективным инструментом интеллектуальной поддержки принятия врачебных решений, но и позволяют производить интерпретацию полученных результатов и анализировать выявленные закономерности [21].

Впечатляющие результаты доказывают разработки интеллектуальных систем поддержки принятия решений в задаче формирования схем лечения: ссогласно данным всесторонних метаисследований (Н. Помбо [22], И. Ф. Астахова, Е. И. Киселева [23]), точность существующих алгоритмов поддержки принятия решений для формирования схем лечения варьируется от 53% до 87.5%.

Однако, данные подходы не позволяют динамически корректировать назначенное лечение при ухудшении (или улучшении) состояния пациента. С этой целью

в последние годы применяются перспективные подходы на основе обучения с подкреплением.

Обучение с подкреплением - это один из разделов машинного обучения, исследующий вычислительный подход к обучению агента, который пытается максимизировать свою совокупную накопленную награду путем взаимодействия со сложной, зачастую стохастической средой. Последние несколько лет исследования этого подхода переживают стремительное развитие, что отражается в современных научных публикациях, конференциях по искусственному интеллекту, более того, все больше компаний в России и за рубежом начинают применять последние достижения этой области в своем бизнесе для улучшения различных внутренних процессов - от рекомендательных систем до оптимизации цепей поставок. Обучение с подкреплением - это обучение тому, что делать, т. е. как отобразить ситуации на действия, чтобы максимизировать численный сигнал - вознаграждение. Обучаемому не говорят, какие действия предпринимать, он должен сам понять, какие действия приносят максимальное вознаграждение, пробуя их.

Системы поддержки принятия клинических решений, разработанные с использованием методов обучения с подкреплением, доказывают эффективность при решении задач назначения оптимальных схем лечения, в частности, поиска оптимальных медикаментов, их оптимальной дозировки, поиска наиболее эффективного интервала применения медикаментов и др.

Список литературы диссертационного исследования кандидат наук Демченко Мария Владиславовна, 2022 год

Список использованных источников

1. Купеева, И. А. Разработка интеллектуальной системы поддержки принятия врачебных решений в дерматовенерологии / И. А. Купеева, К. И. Разнатов-ский, Р. А. Раводин // Проблемы медицинской микологии. — 2015. — Т. 17, вып. 3. — C. 27-31.

2. Система поддержки принятия врачебных решений / О. Ю. Атьков [и др.] // Врач и информационные технологии. — 2013. — Вып. 6. — C. 67-75.

3. Актуальные направления развития справочно-информационных онлайн приложений для врачей / Э. Л. Гаврилов [и др.] // Вестник Национального медико-хирургического центра им. Н. И. Пирогова. — 2017. — Т. 12, вып. 1. — C. 83-87.

4. Клиническая информационная система ДОКА+: решения, свойства, возможности и результаты применения / Е. И. Шульман [и др.] // Врач и информационные технологии. — 2007. — Вып. 1. — C. 12-19.

5. Назначение фармакотерапии в клинической информационной системе ДОКА+: реакция врачей Краснозёрской ЦРБ на сообщения проактивных функций // Врач и информационные технологии. — 2011. — Вып. 1. — C. 43-49.

6. Тавровский, В. М. Лечебно-диагностический процесс / В. М. Тавров-ский. — Тюмень : СофтДизайн, 1997. — ISBN 5887090626.

7. Computer-based consultations in clinical therapeutics: Explanation and rule acquisition capabilities of the MYCIN system [Electronic resource] / E. H. Shortliffe [et al.] // Computers and Biomedical Research. — 1975. — Vol. 8, № 4. — P. 303-320. — Available from: https://doi.org/10.1016/0010-4809(75)90009-9.

8. Weiss, S. Glaucoma consultation by computer [Electronic resource] / S. Weiss, C. A. Kulikowski, A. Safir // Computers in Biology and Medicine. — 1978. — Vol. 8, № 1. — P. 25-40. — Available from: https://doi.org/10.1016/0010-4825(78)90011-2.

9. Бураковский, В. И. «Айболит» - новая технология для классификации, диагностики и интенсивного индивидуального лечения / В. И. Бураковский, В. А.

Лищук, Д. Ш. Газизова // Институт сердечно-сосудистой хирургии. — 1991. — C. 62.

10. Gardner, R. M. The HELP hospital information system: update 1998 [Electronic resource] / R. M. Gardner, T. A. Pryor, H. R. Warner // International Journal of Medical Informatics. — 1999. — Vol. 54, № 3. — P. 169-182. — Avail-able from: https://doi.org/10.1016/s1386-5056(99)00013-1.

11. SETH: an expert system for the management on acute drug poisoning in adults [Electronic resource] / S. J. Darmoni [et al.] // Computer Methods and Programs in Biomedicine. — 1994. — Vol. 43, № 3-4. — P. 171-176. — Available from: https://doi.org/10.1016/0169-2607(94)90067-1.

12. Шляхто, Е. В. Персонализированная медицина. История, современное состояние проблемы и перспективы внедрения / Е. В. Шляхто, А. О. Конради // Российский журнал персонализированной медицины. — 2021. — Т. 1, №2 1. — C. 620.

13. Classification of prediabetes and type 2 diabetes using artificial neural network [Electronic resource] / D. SejdinoviC [et al.] // IFMBE Proceedings. — 2017. — P. 685-689. — Available from: https://doi.org/10.1007/978-981-10-4166-2 103.

14. A Neural Network Based Expert System for the Diagnosis of Diabetes Mellitus [Electronic resource] / O. M. Alade [et al.] // Advances in Intelligent Systems and Computing. — 2018. — P. 14-22. — Available from: https://doi.org/10.1007/978-3-319-74980-8 2.

15. Prediction of Diabetes Using Artificial Neural Network Approach [Electronic resource] / S. Srivastava [et al.] // Engineering Vibration, Communication and Information Processing. — 2018. — P. 679-687. — Available from: https://doi.org/10.1007/978-981-13-1642-5 59.

16. Li, X. Artificial intelligence neural network based on intelligent diagnosis [Electronic resource] / X. Li // Journal of Ambient Intelligence and Humanized Computing. — 2020. — Vol. 12, iss. 1. — P. 923-931. — Available from: https://doi.org/10.1007/s12652-020-02108-6.

17. Asad, M. A Review of Continuous Blood Glucose Monitoring and Prediction of Blood Glucose Level for Diabetes Type 1 Patient in Different Prediction Horizons (PH) Using Artificial Neural Network (ANN) [Electronic resource] / M. Asad, U. Qamar // Advances in Intelligent Systems and Computing. — 2019. — P. 684-695. — Available from: https://doi.org/10.1007/978-3-030-29513-4 51.

18. Diabetes Mellitus Risk Prediction Using Artificial Neural Network [Electronic resource] / M. Raihan [et al.] // Proceedings of International Joint Conference on Computational Intelligence. — 2020. — P. 85-97. — Available from: https://doi.org/10.1007/978-981-15-3607-6 7.

19. Arul, K. Application of back propagation artificial neural network in detection and analysis of diabetes mellitus [Electronic resource] / K. Arul, T. Jayanthy // Journal of Ambient Intelligence and Humanized Computing. — 2020. — Vol. 12, iss. 7. — P. 7063-7070. — Available from: https://doi.org/10.1007/s12652-020-02371-7.

20. Jayashree, J. Linear Discriminant Analysis Based Genetic Algorithm with Generalized Regression Neural Network - A Hybrid Expert System for Diag-nosis of Diabetes [Electronic resource] / J. Jayashree, A. S. Kumar // Programming and Computer Software. — 2018. — Vol. 44, iss. 6. — P. 417-427. — Available from: https://doi.org/10.1134/s0361768818060063.

21. Построение систем поддержки принятия решений в медицине на основе деревьев решений [Электронный ресурс] / О. С. Жаркова [и др.] // Современные наукоемкие технологии. — 2016. — Вып. 6, № 1. — C. 33-37. — Режим доступа: https://top-technologies.ru/ru/article/view?id=35973.

22. Pombo, N. Knowledge discovery in clinical decision support systems for pain management: A systematic review [Electronic resource] / N. Pombo, P. Araujo, J. Viana // Artificial Intelligence in Medicine. — 2014. — Vol. 60, iss. 1. — P. 1-11. — Available from: https://doi.org/10.1016/j.artmed.2013.11.005.

23. Астахова, И. Ф. Интеллектуальная поддержка принятия врачебных решений / И. Ф. Астахова, Е. И. Киселева // Международный научный журнал «Современные информационные технологии и ИТ-образование». — 2020. — Т. 16, вып. 3. — C. 664-672.

24. A reinforcement learning approach for individualizing erythropoietin dosages in hemodialysis patients [Electronic resource] / J. D. Martin-Guerrero [et al.] // Expert Systems with Applications. — 2009. — Vol. 36, №№ 6. — P. 9737-9742. — Available from: https://doi.org/10.1016/j.eswa.2009.02.041.

25. Supervised Reinforcement Learning with Recurrent Neural Network for Dynamic Treatment Recommendation / L. Wang, W. Zhang, X. He, H. Zha // arXiv:1807.01473: электронный ресурс. - 2018. URL: https://arxiv.org/abs/1807.01473 (дата обращения 13.01.2022). DOI: https://doi.org/10.48550/arXiv.1807.01473

26. Learning the Dynamic Treatment Regimes from Medical Registry Data through Deep Q-network [Electronic resource] / N. Liu [et al.] // Scientific Reports. — 2019. — Vol. 9, № 1. — Available from: https://doi.org/10.1038/s41598-018-37142-0.

27. Istepanian, S. H. m-Health 2.0: New perspectives on mobile health, ma-chine learning and big data analytics [Electronic resource] / S. H. Istepanian, T. Al-Anzi // Methods. — 2018. — Vol. 151. — P. 34-40. — Available from: https://doi.org/10.1016/j.ymeth.2018.05.015.

28. Identifying pneumonia in chest X-rays: A deep learning approach [Electronic resource] / A. K. Jaiswal [et al.] // Measurement. — 2019. — Vol. 145. — P. 511518. — Available from: https: //doi. org/ 10.1016/j.measurement.2019.05.076.

29. Multitask learning and benchmarking with clinical time series data [Electronic resource] / H. Harutyunyan [et al.] // Scientific Data. — 2019. — Vol. 6, № 1. — Available from: https://doi.org/10.1038/s41597-019-0103-9.

30. Analyzing MRI scans to detect glioblastoma tumor using hybrid deep belief networks [Electronic resource] / V. N. Reddy [et al.] // Journal of Big Data. — 2020. — Vol. 7, № 1. — Available from: https://doi.org/10.1186/s40537-020-00311-y.

31. Mining association rules from clinical databases: an intelligent diagnos-tic process in healthcare / S. Stilou [и др.] // Stud Health Technol Inform. — 2001. — Vol. 84, Pt 2. — C. 1399-403.

32. Thambusamy, V. Implementing Association Rules in Medical Diagnosis test data / V. Thambusamy, M. Jeyam // Conference: International Conference on Information and Convergence Technology for Smart Society. — 2015.

33. Lakshmi, K. S. Extracting Association Rules from Medical Health Records Using Multi-Criteria Decision Analysis [Electronic resource] / K. S. Lakshmi, G. Vadivu // Procedia Computer Science. — 2017. — Vol. 115. — P. 290-295. — Available from: https://doi.org/10.1016/i.procs.2017.09.137.

34. Reynolds, A. P. The Application of K-Medoids and PAM to the Clustering of Rules [Electronic resource] / A. P. Reynolds, G. Richards, V. J. Rayward-Smith // Lecture Notes in Computer Science. — 2004. — P. 173-178. — Available from: https://doi.org/10.1007/978-3-540-28651-6 25.

35. Applying Machine Learning Algorithms to Segment High-Cost Patient Populations [Electronic resource] / J. Yan [et al.] // Journal of General Internal Medicine. — 2018. — Vol. 34, №№ 2. — P. 211-217. — Available from: https://doi.org/10.1007/s11606-018-4760-8.

36. Zhang, Q. A New and Efficient K-Medoid Algorithm for Spatial Clustering [Electronic resource] / Q. Zhang, I. Couloigner // Computational Science and Its Applications - ICCSA 2005. — 2005. — P. 181-189. — Available from: https://doi.org/10.1007/11424857 20.

37. Hochreiter, S. Long Short-Term Memory [Electronic resource] / S. Hochreiter, J. Schmidhuber // Neural Computation. — 1997. — Vol. 9, № 8. — P. 17351780. — Available from: https://doi.org/10.1162/neco.1997.9.8.1735.

38. Шолле, Ф. Глубокое обучение на Python / Ф. Шолле. — Санкт-Петербург : Питер, 2021. — 400 c. — ISBN 978-5-4461-0770-4.

39. Géron, A. Hands-On Machine Learning with Scikit-Learn, Keras, and Ten-sorFlow / A. Géron. — Sebastopol, California : O'Reilly Media, 2019. — ISBN 9781492032649.

40. Каширина, И. Л. Исследование и сравнительный анализ методов оптимизации, используемых при обучении нейронных сетей [Электронный ресурс] / И.

Л. Каширина, М. В. Демченко // Вестник ВГУ. Серия: Системный анализ и информационные технологии. — 2018. — № 4. — C. 123-132. — Ре-жим доступа: https://doi.org/10.17308/sait.2018.4/1262.

41. Ruder, S. An overview of gradient descent optimization algorithms [Электронный ресурс] / S. Ruder // Cornell University Library. — 2016. — Режим доступа: https: //arxiv. org/abs/1609.04747.

42. Robbins, H. A Stochastic Approximation Method [Electronic resource] / H. Robbins, S. Monro // The Annals of Mathematical Statistics. — 1951. — Vol. 22, № 3.

— p. 400-407. — Available from: https://doi.org/10.1214/aoms/1177729586.

43. Поляк, Б. Т. О некоторых способах ускорения сходимости итерационных методов / Б. Т. Поляк // Ж. вычисл. матем. и матем. физ. — 1964. — Т. 4, № 5.

— C. 1-17.

44. Duchi, J. Adaptive Subgradient Methods for Online Learning and Stochastic Optimization / J. Duchi // The Journal of Machine Learning Research. — 2011. — Т. 12.

— C. 2121-2159.

45. Zeiler, M. D. ADADELTA: An Adaptive Learning Rate Method [Электронный ресурс] / M. D. Zeiler // Cornell University Library. — 2012. — Режим доступа: https: //arxiv. org/abs/1212.5701.

46. Николенко, С. Глубокое обучение / С. Николенко, А. Кадурин, Е. Архангельская. — Санкт-Петербург : Питер, 2018. — 480 c.

47. Kingma, D. P. Adam: A Method for Stochastic Optimization [Электронный ресурс] / D. P. Kingma, J. Ba // Cornell University Library. — 2014. — Режим доступа: https: //arxiv.org/abs/1412.6980.

48. Ferguson, T. Notes on a stochastic game with information structure [Electronic resource] / T. Ferguson, L. Shapley, R. Weber // International Journal of Game Theory. — 2003. — Vol. 31, № 2. — P. 223-228. — Available from: https://doi.org/10.1007/s001820200112.

49. Анализ данных и процессов / A. A. Барсегян [и др.]. — Изд. 3-е. — Санкт-Петербург : БХВ-Петербург, 2009. — 512 c.

50. Dias, K. Репозиторий алгоритма для выделения предложений в тексте [Электронный ресурс]. — Режим доступа: https://github.com/diasks2/pragmatic segmenter.

51. Smith, L. MedPost: a part-of-speech tagger for bioMedical text [Electronic resource] / L. Smith, T. Rindflesch, W. J. Wilbur // Bioinformatics. — 2004. — Vol. 20, № 14. — P. 2320-2321. — Available from: https://doi.org/10.1093/bioinformat-ics/bth227.

52. Pennington, J. Glove: Global vectors for word representation / J. Pennington, R. Socher, C. D. Manning // Proceedings of the 2014 conference on empirical methods in natural language processing (EMNLP). — 2014. — C. 1532-43.

53. Dernoncourt, F. PubMed 200k RCT: a Dataset for Sequential Sentence Classification in Medical Abstracts [Электронный ресурс] / F. Dernoncourt, J. Y. Lee // Cornell University Library. — 2014. — Режим доступа: https: //arxiv.org/abs/1710.06071.

54. Chiu, P. C. Named Entity Recognition with Bidirectional LSTM-CNNs [Electronic resource] / P. C. Chiu, E. Nichols // Transactions of the Association for Computational Linguistics. — 2016. — Vol. 4. — P. 357-370. — Available from: https://doi.org/10.1162/tacl a 00104.

55. Viterbi, A. Viterbi algorithm [Electronic resource] / A. Viterbi // Scholar-pedia. — 2009. — Vol. 4, № 1. — P. 6246. — Available from: https://doi.org/ 10.4249/scholarpedia.6246.

56. Cohort selection for clinical trials: n2c2 2018 shared task track 1 [Electronic resource] / A. Stubbs [et al.] // Journal of the American Medical Informatics Association. — 2019. — Vol. 26, № 11. — P. 1163-1171. — Available from: https://doi.org/10.1093/j amia/ocz163.

57. Fawcett, T. Learning from imbalanced classes [Электронный ресурс] / T. Fawcett // Silicon Valley Data Science. — 2016. — Режим доступа: https://www.svds.com/learning-imbalanced-classes.

58. Treating epilepsy via adaptive neurostimulation: a reinforcement learning approach [Electronic resource] / J. PINEAU [et al.] // International Journal of Neural Systems. — 2009. — Vol. 19, № 04. — P. 227-240. — Available from: https://doi.org/10.1142/s0129065709001987.

59. The Artificial Intelligence Clinician learns optimal treatment strategies for sepsis in intensive care [Electronic resource] / M. Komorowski [et al.] // Nature Medicine.

— 2018. — Vol. 24, № 11. — P. 1716-1720. — Available from: https://doi.org/10.1038/s41591-018-0213-5.

60. Utomo, C. P. Treatment Recommendation in Critical Care: A Scalable and Interpretable Approach in Partially Observable Health States [Электронный ресурс] / C. P. Utomo, X. Li, W. Chen // ICIS 2018 Proceedings. — 2018. — Ре-жим доступа: https://aisel.aisnet.org/icis2018/healthcare/Presentations/9/.

61. Jaimes, L. G. CALMA, an algorithm framework for mobile just in time interventions / L. G. Jaimes, M. Llofriu, A. Raij // SoutheastCon. — 2015.

62. Sutton, R. S. Learning to predict by the methods of temporal differences [Electronic resource] / R. S. Sutton // Machine Learning. — 1988. — Vol. 3, № 1. — P. 9-44. — Available from: https://doi.org/10.1007/bf00115009.

63. Rummery, G. On-Line Q-Learning Using Connectionist Systems/ G. Rummery, M. Niranjan// Technical Report CUED/F-INFENG/TR. - 166 P. - 1994.

64. Noori, A. Glucose level control using Temporal Difference methods [Электронный ресурс] / A. Noori, M. A. Sadrnia, M. Sistani // IEEE Xplore. — 2017.

— Режим доступа: https://ieeexplore.ieee.org/document/7985166.

65. Reinforcement learning approach to individualization of chronic pharmacotherapy / A. E. Gaweda [и др.] // Proceedings. 2005 IEEE International Joint Conference on Neural Networks. — 2005.

66. Watkins, C. Learning from delayed rewards. - 234 P. - 1989.

67. Baniya, A. Adaptive Interventions Treatment Modelling and Regimen Optimization Using Sequential Multiple Assignment Randomized Trials (Smart) and Q-Learning. — 107 P. — 2018.

68. Control of Blood Glucose for Type-1 Diabetes by Using Reinforcement Learning with Feedforward Algorithm [Electronic resource] / P. D. Ngo [et al.] // Computational and Mathematical Methods in Medicine. — 2018. — Vol. 2018. — P. 1-8. — Available from: https://doi.org/10.1155/2018/4091497.

69. Re: "Tools for the precision medicine era: how to develop highly personalized treatment recommendations from cohort and registry data using q-learning" [Electronic resource] // American Journal of Epidemiology. — 2019. — Vol. 188, № 1. — P. 258-258. — Available from: https://doi.org/10.1093/aje/kwy215.

70. A theoretical and empirical analysis of Expected Sarsa [Electronic re-source] / H. van Seijen [et al.] // 2009 IEEE Symposium on Adaptive Dynamic Programming and Reinforcement Learning. — 2009. — Available from: https://doi.org/10.1109/adprl.2009.4927542.

71. Саттон, Р. Обучение с подкреплением: Введение / Р. Саттон, Э. Д. Барто. — М : ДМК Пресс, 2020. — 552 c.

72. Каширина, И. Л. Разработка моделей расчета риска атеросклероза с использованием методов машинного обучения [электронный ресурс] / и. Л. Каши-рина, м. А. Фирюлина, м. В. Демченко // Моделирование, оптимизация и информационные технологии. — 2021. — Т. 9, № 2(33). — Режим доступа: https://doi.org/10.26102/2310-6018/2021.33.2.023.

73. MIMIC-III, a freely accessible critical care database [Electronic re-source] / E. W. Johnson [et al.] // Scientific Data. — 2016. — Vol. 3, № 1. — Available from: https://doi.org/10.1038/sdata.2016.35.

74. Demchenko, M. V. The development of the atherosclerosis diagnostic models under conditions of unbalanced classes [Electronic resource] / M. V. Demchenko, I. L. Kashirina // Journal of Physics: Conference Series. — 2020. — Vol. 1479, № 1. — P. 012026. — Available from: https://doi.org/10.1088/1742-6596/1479/1/012026.

75. Демченко М.В., Каширина И.Л. Исследование заболеваний, сопутствующих атеросклерозу магистральных артерий, с использованием метода ассоциативных правил // Информатика: проблемы, методология, технологии: сб. по итогам XIX междунар. науч.-метод. конф. - Воронеж, 2019. - С. 1161-1165.

76. Демченко М.В., Каширина И.Л. Поиск клинических состояний, сопутствующих атеросклерозу, с помощью методов обработки естественного языка // Актуальные проблемы прикладной математики, информатики и механики: сб. по итогам междунар. науч.-техн. конф. - Воронеж, 2021. С. 165-173.

77. Демченко, М. В. Кластеризация состояний пациентов для модели назначения схем лечения атеросклероза [Электронный ресурс] / М. В. Демченко, И. Л. Каширина, М. А. Фирюлина // Вестник ВГУ. Серия: Системный анализ и информационные технологии. — 2021. — № 2. — C. 126-137. — Режим доступа: https://doi.org/10.17308/sait.2021.2/3509.

78. Демченко М.В., Каширина И.Л. Применение методов машинного обучения в задаче анализа когорт пациентов с атеросклерозом артерий конечностей // Информатика: проблемы, методы, технологии: сб. по итогам XXI междунар. науч.-метод. конф. - Воронеж, 2021. - С. 1394-1401.

79. Multi-channel volume sphygmography in cardioangiological screening of the adult population [Electronic resource] / R. A. Khokhlov [et al.] // Rational Pharmacotherapy in Cardiology. — 2015. — Vol. 11, № 4. — P. 371-379. — Available from: https://doi.org/10.20996/1819-6446-2015-11-4-371-379.

80. Khokhlov, R. A. Predictors of atherosclerotic lesions of limb arteries according to cardioangiological screening of the adult population [Electronic re-source] / R. A. Khokhlov, A. E. Gaydashev, N. M. Akhmedzhanov // Rational Pharmacotherapy in Cardiology. — 2015. — Vol. 11, № 5. — P. 470-476. — Available from: https://doi.org/10.20996/1819-6446-2015-11 -5-470-476.

81. Mitchell, E. Noninvasive diagnosis of arterial disease [Electronic re-source] / E. Mitchell, J. F. Eidt, K. A. Collins // Up-ToDate. — 2018. — Available from: https://www.uptodate.com/contents/noninvasive-diagnosis-of-arterial-disease.

82. Lvovich, Y. E. The Use of Machine Learning Methods to Study Markers of Atherosclerosis of the Great Arteries [Electronic resource] / Y. E. Lvovich, I. L. Kashirina, M. V. Demchenko // INFORMACIONNYE TEHNOLOGII. — 2020. — Vol. 26, № 1. — P. 46-55. — Available from: https://doi.org/10.17587/it.26.46-55.

83. Demchenko, M. The Use of Machine Learning Methods to the Automated Atherosclerosis Diagnostic and Treatment System Development / M. Demchenko, I. Kashirina // Proceedings of the XXII International Conference on Data Analytics and Management in Data Intensive Domains, DAMDID. — 2020. — Т. 2790. — C. 240-252.

84. Демченко М.В., Каширина И.Л. Использование методов машинного обучения в диагностике атеросклероза магистральных артерий // Актуальные проблемы прикладной математики, информатики и механики: сб. по итогам междунар. науч.-техн. конф. - Воронеж, 2020. С. 738-792.

85. Демченко М.В. Исследование предикторов атеросклероза методами интеллектуального анализа данных // Актуальные проблемы прикладной математики, информатики и механики: сб. по итогам междунар. науч.-техн. конф. - Воронеж, 2016. С. 66-68.

86. Демченко М.В., Каширина И.Л. Сравнительный анализ и оценка эффективности маркеров атеросклероза магистральных артерий // Информационно-телекоммуникационные системы и технологии: материалы Всероссийской научно-практической конференции. - Кемерово, 2017. С. 636-643.

87. Демченко М.В., Каширина И.Л. Применение самоорганизующихся карт Кохонена в задаче диагностики атеросклероза // Информатика: проблемы, методология, технологии: сб. по итогам XVIII междунар. науч.-метод. конф. - Воронеж, 2018. - С. 141-147.

88. Демченко М.В. Применение методов интеллектуального анализа данных в доказательной медицине // Вестник факультета прикладной математики, информатики и механики, 2016. Вып. 12. С.68-77.

89. Демченко М.В. Анализ маркеров атеросклероза магистральных артерий // Вестник факультета прикладной математики, информатики и механики, 2017. Вып. 14. С.20-29.

90. Демченко М.В. Построение нейросетевого классификатора для выявления риска атеросклероза магистральных артерий // Оптимизация и моделирование в автоматизированных системах: материалы Всероссийской молодежной научной школы. - Воронеж, 2017. С. 29-36.

91. Scikit-learn - машинное обучение на Python [Электронный ресурс]. — Режим доступа: https://github.com/scikit-learn.

92. Демченко М.В, Каширина И.Л., Фирюлина М.А. Использование методов обучения с подкреплением в задачах медицинской практики // Вестник ВГУ. Серия: Системный анализ и информационные технологии, 2022. №2 - С. 116-127.

93. Демченко, М. В. Разработка медицинской информационной системы с элементами поддержки принятия решений в кардиологии [Электронный ресурс] / М. В. Демченко, М. А. Фирюлина, И. Л. Каширина // Международный научно-исследовательский журнал. — 2021. — № 8(110) Часть 1. — C. 69-76. — Режим доступа: https://doi.Org/10.23670/IRJ.2021.110.8.010.

94. Хохлов Р.А., Фирюлина М.А., Демченко М.В. Разработка автоматизированного рабочего места врача-кардиолога // Информатика: проблемы, методы, технологии: сб. по итогам XX междунар. науч.-метод. конф. - Воронеж, 2020. - С. 1311-1318.

95. Демченко М.В. Разработка веб-приложения онлайн-диагностики атеросклероза магистральных артерий // Информационно-телекоммуникационные системы и технологии: материалы Всероссийской научно-практической конференции. - Кемерово, 2017. С. 348-350.

96. Рихтер, Д. CLR via C#. Программирование на платформе Microsoft .NET Framework 4.5 на языке С# / Д. Рихтер. — СПб : Питер, 2013. — ISBN 9785496004336.

97. Файн, Я. Angular и TypeScript. Сайтостроение для профессионалов / Я. Файн, А. Моисеев. — СПб : Питер, 2018. — 464 c.

98. Документация Flask [Электронный ресурс]. — Режим доступа: https://flask.palletsproiects.com/en/2.0.x/.

99. Документация Python [Электронный ресурс]. — Режим доступа: https://docs.python.org/3/.

100. Бен-Ган, И. Microsoft SQL Server 2008. Основы T-SQL / И. Бен-Ган. — СПб : БХВ-Петербург, 2009. — 432 c.

101. Каширина, и. Л. Разработка моделей расчета риска атеросклероза с использованием методов машинного обучения [электронный ресурс] / и. Л. Каширина, м. А. Фирюлина, м. В. Демченко // Моделирование, оптимизация и информационные технологии. — 2021. — Т. 9, № 2(33). — Режим доступа: https://doi.Org/10.26102/2310-6018/2021.33.2.023.

Приложение 1. Апробация нейросетевых классификаторов с помощью набора данных М1М1С-111

Таблица 1.1. Описание признаков исходного набора данных.

Название признака Среднее Стандартное отклоне-

Arterial BP Mean mmHg (Среднее АД, мм.рт.ст.) 79.732 20.39и2

Arterial BP [Diastolic] mmHg (ДАД, мм.рт.ст.) 57.971 15.6301

Arterial BP [Systolic] mmHg (САД, мм.рт.ст.) 117.27 28.3709

CVP mmHg (ЦВД, мм.рт.ст.) 12.627 5.88487

Cardiac Index (Сердечный индекс) 3.3135 1.32933

GCS Total points (Шкала комы Глазго) 9.7507 4.31108

Heart Rate BPM (ЧСС, уд./мин) 88.174 16.5762

Previous WeightF kg (Вес, кг) 89.458 24.7123

Respiratory Rate BPM (Частота дыхания, вд./мин) 19.867 6.76115

SVRI (ИССС) 1767.8 681.851

SpO2 % 97.344 4.20927

Anion Gap mEq/L (Анионный разрыв, мЭкв/л) 14.11 4.39705

Bicarbonate mEq/L (Бикарбонаты, мЭкв/л) 24.455 4.68257

Chloride mEq/L (Хлориды, мЭкв/л) 104.57 6.32482

Cholesterol Total mg/dL (ОХ, мг/дл) 145.8 45.2837

Creatinine mg/dL (Креатинин, мг/дл) 1.6194 1.35438

Glucose mg/dL (Глюкоза, мг/дл) 133.96 44.2023

Hematocrit Calculated % (Гематокрит, %) 31.196 4.99344

Hemoglobin g/dL (Гемоглобин, г/дл) 10.386 1.66315

INR(PT) (ПТВ) 1.472 0.614018

MCV Fl (Средний объем эритроцита, фл) 89.106 4.85267

Magnesium mg/dL (Магний, мг/дл) 2.1046 0.394753

PTT sec (АЧТВ, сек) 39.501 19.2713

Platelet Count K/uL 191.77 125.999

Potassium mEq/L (Калий, мЭкв/л) 4.1747 0.574529

RDW % (Ширина распределения эритроцитов, %) 15.809 2.10405

Red Blood Cells m/uL (эритроциты, млн/мкл) 3.457 0.524133

Sodium mEq/L (мЭкв/л) 138.64 4.89356

White Blood Cells K/uL (Лейкоциты, кг/мкл) 12.992 6.53232

pCO2 mm Hg (pCO2, мм.рт.ст.) 41.183 8.38721

pH units 7.3907 0.066547

pO2 mm Hg (pO2, мм.рт.ст.) 119.54 61.3043

AGE (возраст) 64.184 14.3889

LOS (длительность госпитализации, дней) 22.021 22.1368

Приложение 2. Результаты поиска клинических сущностей с помощью методов обработки естественного языка на основе нейронной сети Б1Ь8ТМ-СШ

Таблица 2.1. Пример результата поиска клинических сущностей.

Достоверность Клиническая сущность (1) Класс клинической сущности (1) Клиническая сущность (2) Класс клинической сущности (2)

1.000 extubation TREATMENT thick pale yellow secretions PROBLEM

1.000 low filling pressures, hct PROBLEM mild metabolic acidosis PROBLEM

1.000 low filling pressures, hct PROBLEM open face mask TREATMENT

1.000 low filling pressures, hct PROBLEM thick pale yellow secretions PROBLEM

1.000 mild metabolic acidosis PROBLEM open face mask TREATMENT

1.000 mild metabolic acidosis PROBLEM thick pale yellow secretions PROBLEM

1.000 open face mask TREATMENT thick pale yellow secretions PROBLEM

0.689 cough pillow TREATMENT splinting instructions TREATMENT

1.000 cough pillow TREATMENT cough PROBLEM

0.999 cough pillow TREATMENT pain PROBLEM

0.591 splinting instructions TREATMENT cough PROBLEM

0.740 splinting instructions TREATMENT pain PROBLEM

1.000 cough PROBLEM pain PROBLEM

0.877 toradol TREATMENT pain PROBLEM

0.954 toradol TREATMENT coughing, turning PROBLEM

Приложение 3. Анализ кластерного разбиения измерений пациентов

Таблица 3.1. Показатели полученных кластеров (метод k-средних).

Cluster_Id 1 3 5 7 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45

Cluster_Size 778 844 1534 4440 1291 1250 1390 205 2233 1044 832 747 558 472 120 205 887 221 311 220 392 240

Expired_Rate 0.0 0.0 0.0 0.2 0.0 0.0 0.0 0.0 0.9 1.0 2.1 1.7 3.9 0.0 0.0 6.8 5.2 0.0 23.5 50.0 100.0 100.0

Creatinine [Abnormal] 3.5 3.8 3.3 4.3 3.7 5.2 7.6 3.2 5.3 12.9 5.8 15.0 11.0 26.5 35.8 5.9 14.8 38.7 13.9 8.7 18.9 27.2

Glucose mg/dL [Abnormal] 14.8 16.9 15.2 18.3 19.4 16.7 19.0 20.9 17.8 20.5 19.4 21.4 18.7 15.1 30.4 16.8 18.1 28.9 29.2 24.2 17.4 18.5

HR Alarm [High] 0.0 0.2 0.1 0.2 0.1 0.9 0.9 1.5 1.0 3.4 3.1 3.5 4.7 0.9 0.0 1.4 0.2 0.7 0.8 0.8 0.5 0.0

HR Alarm [Low] 6.3 7.3 7.6 11.9 9.0 14.2 18.1 15.8 10.5 9.3 7.4 6.7 9.5 17.0 0.1 10.7 11.1 35.3 17.0 4.4 1.3 27.2

ABP Alarm [High] 7.2 11.4 10.9 11.3 13.8 13.0 11.6 13.2 11.8 8.3 9.2 11.4 8.9 7.4 0.0 9.8 11.2 21.8 24.9 4.0 4.5 12.5

ABP Alarm [Low] 4.4 4.3 4.7 6.7 3.7 7.4 10.7 6.7 6.1 6.5 6.0 3.5 6.7 12.9 1.7 6.1 5.9 14.4 2.5 4.0 1.4 14.9

Bicarbonate [Abnormal] 2.8 4.3 4.5 3.4 6.0 4.2 4.2 4.4 5.6 5.4 3.6 6.7 5.2 9.2 18.5 6.3 7.0 15.3 11.2 10.6 11.0 15.5

Calcium [Abnormal] 10.0 11.1 9.6 11.8 13.0 12.3 11.7 10.4 11.7 11.6 14.3 14.8 13.9 8.9 17.7 10.4 12.0 9.4 16.0 15.9 10.5 16.3

Chloride [Abnormal] 10.4 10.6 7.0 6.0 10.0 4.1 4.1 8.3 7.7 6.7 10.2 5.6 5.8 9.3 0.0 7.3 10.0 0.4 7.7 15.5 9.6 15.9

Hemoglobin [Abnormal] 18.2 23.4 21.1 24.2 23.7 22.3 23.9 24.4 23.5 25.1 24.5 25.1 23.2 26.5 35.8 23.4 24.7 38.9 34.6 26.5 21.4 27.7

Magnesium [Abnormal] 3.4 2.8 3.1 2.1 3.1 2.7 1.8 5.0 3.5 4.4 1.4 2.1 5.3 2.9 1.3 3.1 2.9 0.9 3.4 0.3 0.6 3.8

Phosphate [Abnormal] 6.1 7.8 5.9 6.5 7.7 7.3 7.9 3.7 8.5 8.1 9.0 10.1 8.1 23.5 14.3 6.8 8.9 6.2 12.1 13.4 13.0 12.7

Potassium [Abnormal] 2.6 1.9 1.5 1.6 1.5 1.1 2.0 3.8 1.6 2.4 3.1 1.3 2.0 9.6 0.0 1.8 2.9 2.6 4.7 2.8 2.4 3.2

Sodium [Abnormal] 0.5 1.3 1.7 2.4 3.1 1.4 4.2 1.4 2.4 6.8 2.5 6.5 3.2 6.5 2.0 0.5 4.2 0.5 11.1 6.4 7.1 15.1

White Blood Cells [Abnormal] 13.3 16.9 11.5 14.2 14.7 11.3 14.4 18.8 14.6 17.1 17.3 21.4 16.0 15.7 32.3 15.2 16.3 17.4 28.3 21.1 18.5 21.3

Resp Alarm [High] 0.1 0.3 0.2 0.3 0.3 0.1 0.3 0.1 0.4 0.5 0.3 0.3 0.4 0.2 2.6 0.2 0.2 0.0 0.2 0.2 0.0 0.1

Resp Alarm [Low] 6.4 7.3 7.7 12.2 9.0 14.9 19.0 16.5 11.5 11.3 8.4 10.2 12.0 17.7 0.0 10.7 10.9 36.0 18.8 4.4 2.1 27.2

SpO2 Alarm [Low] 6.4 7.7 8.0 12.3 9.3 15.5 19.0 16.1 11.4 11.6 9.5 9.1 12.1 17.7 0.3 10.7 11.8 36.2 17.7 5.7 2.1 27.4

Anion Gap [Abnormal] 0.0 0.6 0.4 0.5 0.5 0.7 0.1 3.1 0.7 0.7 0.9 0.7 0.8 10.9 5.1 1.7 1.7 0.0 7.9 1.7 2.8 6.0

Hematocrit [Abnormal] 18.2 23.6 22.4 25.4 25.0 23.6 24.5 25.5 24.3 25.4 24.2 26.5 23.2 26.5 35.8 23.5 25.0 37.2 35.3 27.3 21.7 27.7

Platelet [Abnormal] 7.7 9.6 11.0 11.3 12.1 12.5 11.6 14.3 11.4 11.3 10.3 11.8 9.2 8.7 25.3 9.2 14.5 9.4 9.2 5.7 9.5 24.5

Red Blood Cells [Abnormal] 18.1 23.5 21.7 24.5 25.1 23.0 24.3 25.0 23.9 25.0 24.1 26.7 23.2 26.5 35.8 23.8 24.6 38.9 35.3 27.8 21.8 27.7

Urea Nitrogen [Abnormal] 5.3 7.2 5.6 9.0 7.9 9.4 12.4 6.2 9.2 18.7 9.6 19.4 15.8 26.3 35.8 7.7 16.4 38.3 23.0 18.6 20.4 27.2

Reward 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.3 0.5 0.9 1.0

Таблица 3.2. Показатели полученных кластеров (метод k-медоидов).

Cluster_Id 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Cluster_Size 2684 1583 4110 1547 1423 3794 1791 2987 136 1845 5338 3845 185 1432 6282 785 221 421 351 246

Expired_Rate 0.6 0.33 0.23 1.35 0 0.5 0.91 1.19 0 2.3 2.49 2.02 0 3.4 6.68 5.26 0 3.85 12.73 14.29

Creatinine [Abnormal] 3.33 4.27 3.98 5.92 5.42 5.73 7.8 6.09 10.2 5.6 7.81 6.74 16 7.22 13.8 17.4 38.7 13.9 7.79 6.25

Glucose mg/dL [Abnormal] 14.1 15.4 18 16.3 20 18.4 18.3 19.2 21.8 18.6 17.5 18.9 22 19.3 18.2 22.9 28.9 28.2 18.52 19.56

HR Alarm [High] 0.3 0.19 0.16 0.06 0.13 1.03 0.21 0.22 0.38 0.74 0.61 2.11 0.31 0.39 1.99 0.93 0.66 4.16 1.06 0.26

HR Alarm [Low] 9.85 7.1 11.9 8.62 8.59 9.86 9.34 11.6 16 8.18 9.62 12 1.09 7.5 9.69 15.7 35.3 14.8 11.77 10.3

ABP Alarm [High] 9.37 10.7 11.2 9.1 13.2 11.7 11.6 11.1 19.2 11.2 10.5 10.5 6.13 9.75 9.94 13.9 21.8 18.5 10.98 13.65

ABP Alarm [Low] 5.88 4.45 6.62 4.48 3.56 5.68 5.07 6.37 4.78 4.29 4.92 7.59 0.62 3.94 6.54 6.24 14.4 6.88 5.65 4.05

Bicarbonate [Abnormal] 2.99 5.13 3.23 3.86 6.68 4.57 4.76 3.84 11.1 4.67 5.88 5.05 0.85 5.84 7.86 7.78 15.3 11 5.67 6.21

Calcium [Abnormal] 9.05 9.19 11.2 10.4 13.3 12.4 11.7 14.1 5.64 13.1 11.1 12.4 25.5 11.6 11.6 16.8 9.39 14.3 8.7 11.01

Chloride [Abnormal] 6.69 7.58 6.08 9.71 9.37 9.18 8.98 8.55 3.44 9.1 8.83 7.23 13.9 10.6 6.78 4.53 0.38 8.19 9.24 6.69

Hemoglobin [Abnormal] 19.1 21.5 23.7 20.5 24.3 23.5 24 24.7 27.7 23.6 22.1 23.8 31.3 24.6 24.3 27.7 38.9 35.2 21.94 22.02

Magnesium [Abnormal] 2.63 2.48 2.1 3.57 2.96 3.61 2.83 2.71 0 2.75 3.1 2.19 8.61 2.86 3.88 5.15 0.85 3.14 4.37 4.69

Phosphate [Abnormal] 5.93 5.87 6.36 6.96 8.02 8.78 8.36 8.57 16.4 9.16 7.49 8.73 10.9 8.31 11.3 16.7 6.17 14 5.48 4.2

Potassium [Abnormal] 1.18 1.58 1.56 2.98 1.38 2.01 1.93 2.29 0 2.37 1.69 2.44 2.17 1.75 2.92 2.11 2.56 3.1 3.17 1.97

Sodium [Abnormal] 1.27 2.09 2.45 1.53 3.07 2.66 2.67 1.73 0.29 3.63 3.05 3.17 14.7 4.14 4.63 3.59 0.47 9.97 1.69 4.24

White Blood Cells [Abnormal] 10.3 12 13.4 13.2 15.7 15 17 16.9 14.4 17.8 14.3 15.1 27.7 16 16.7 18.7 17.4 25.6 16.36 14.58

Resp Alarm [High] 0.16 0.24 0.25 0.08 0.41 0.3 0.28 0.19 0 0.33 0.23 0.34 1.01 0.61 0.44 0.29 0 0.34 0.81 0.41

Resp Alarm [Low] 10.1 7.14 12.3 8.14 8.59 10.6 9.46 11.7 16.4 8.52 10.2 13 1.32 7.69 11 15.9 36 18.3 12.16 10.08

SpO2 Alarm [Low] 10.3 7.49 12.3 8.17 8.83 10.6 9.88 11.9 16.5 8.87 10.2 13.4 1.71 8.09 11.8 16.8 36.2 18.1 12.55 10.12

Anion Gap [Abnormal] 0.36 0.37 0.48 0.47 0.72 0.4 1.58 0.75 1.05 0.18 0.64 0.86 0 1.25 3.5 0.96 0 5.9 3.07 0.22

Hematocrit [Abnormal] 20.2 22.5 24.9 20.7 25.5 23.9 24.2 25 27.7 24 22.9 24.2 31.2 25.3 24.5 28.3 37.2 35.1 22.77 22.46

Platelet [Abnormal] 11.9 10.6 11 8.92 12.8 10.6 9.8 9.34 15.9 10.6 12.4 10.8 13.1 12.6 12.6 7.78 9.39 11.2 13.12 7.66

Red Blood Cells [Abnormal] 19.5 21.9 24.1 20.7 25.6 23.7 24.1 24.9 27.7 23.6 22.6 23.9 31.3 25.2 24.3 28.4 38.9 34.4 22.72 22.46

Urea Nitrogen [Abnormal] 6.74 6.39 7.99 8.27 9.44 10.1 11.6 9.26 16.5 8.67 11.6 10.5 28.1 12.1 17.1 24.1 38.3 24.6 10.46 10.52

Reward 0 0 0.08 0.09 0.1 0.12 0.15 0.19 0.23 0.23 0.24 0.25 0.27 0.32 0.62 0.66 0.67 0.73 0.94 1

Приложение 4. Исследование параметрических маркеров атеросклероза

Таблица 4.1. Входные признаки.

Категория признаков Переменные

Гемодинамические Систолическое/диастолическое/пульсовое артериальное давление на правой/левой руке/ноге (САДпр, ДАДпр, ПДпр, САДлр, ДАДлр, ПДлр, САДпн, САДлн), частота сердечных сокращений (ЧСС), скорость пульсовой волны (cfPWV, baPWV)

Социально-демографические Пол, возраст, курильщик

Антропометрические Рост, вес, индекс массы тела (ИМТ)

Лабораторные Глюкоза, общий холестерин (ОХ)

Клинические Артериальная гипертония (АГ), стенокардия, инфаркт миокарда (ИМ), острое нарушение мозгового кровообращения (ОНМК), аорто-коронарное шунтирование/чрескожное вмешательство (АКШ/ЧКВ), сахарный диабет (СД), хроническая сердечная недостаточность (ХСН), фибрилляция/трепетание предсердий (ФП/ТП), ожирение

Приложение 5. Действия модели обучения с подкреплением

Таблица 5.1. Действия модели обучения с подкреплением (комбинации медикаментозных методов лечения).

№ стратегии лечения аБртп а1;огуа81а1;т Шго8еш1ёе ше1орго1о1 ро!а88ШШ

1 1 0 0 0 0

2 1 0 1 0 0

3 1 0 1 1 0

4 1 0 1 1 1

5 1 1 1 1 1

6 1 1 0 0

7 1 1 1 1 0

8 0 0 1 1 1

9 1 0 0 1 0

10 0 0 0 1 0

11 0 0 1 1 0

12 0 0 1 0 0

13 1 1 1 0 0

14 1 1 0 1 0

15 1 0 1 0 1

Приложение 6. Результирующие стратегии назначения лечения

Таблица 6.1. Оптимальная стратегия (множество состояний на основе к-средних).

Состояние\Действие 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0

2 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0

3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

4 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0

5 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0

6 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0

7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0

8 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

10 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0

11 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

12 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0

13 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0

14 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

15 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

16 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

17 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0

18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0

19 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0

20 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0

21 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0

22 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0

23 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0

24 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

25 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0

26 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0

27 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

28 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0

29 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0

30 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0

31 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0

32 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0

33 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0

34 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0

35 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0

36 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0

37 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0

38 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0

39 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0

40 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0

41 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0

42 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

43 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0

44 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0

45 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0

Таблица 6.2. Оптимальная стратегия (множество состояний получено методом к-медоидов).

Состоя-ние\ Действие 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

1 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0

2 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

3 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0

4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

5 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0

6 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0

7 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

8 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0

9 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0

10 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0

11 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0

12 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0

13 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

14 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0

15 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0

16 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0

17 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0

18 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0

19 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0

20 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Приложение 7. Список входных параметров для проведения отбора признаков

Таблица 7.1. Входные параметры для модели прогнозирования риска

атеросклероза на основе однократных измерений.

Название Категория

Возраст Социально-демографические

Курильщик Социально-демографические

Пол Социально-демографические

АГ (артериальная гипертензия) Анамнез

Диабет Анамнез

Стенокардия Анамнез

Аритмия Анамнез

ИМ (перенесенный инфаркт миокарда ) Анамнез

СД (сахарный диабет) Анамнез

ФП (фибрилляция предсердий) Анамнез

ОНМК (острое наруш. мозгового кровообращения) Анамнез

ХСН (Хроническая сердечная недостаточность) Анамнез

Рост Антропометрические

ИМТ Антропометрические

Глюкоза Лабораторные

Холестерин Лабораторные

САДпр (систолич. артер. давление на правой руке) Гемодинамические

ДАДпр (диастол. артер. давление на правой руке) Гемодинамические

ПДпр (пульсовое давление на правой руке) Гемодинамические

САДпр (систолич. артер. давление на правой руке) Гемодинамические

ДАДпр (диастол. артер. давление на правой руке) Гемодинамические

ПДлр (пульсовое давление на левой руке) Гемодинамические

САДпн (систолич. артер. давление на правой ноге) Гемодинамические

САДлн (систолич. артер. давление на левой ноге) Гемодинамические

ЧСС (частота сердечных сокращений) Гемодинамические

Таблица 7.2. Входные параметры для модели прогнозирования риска атеросклероза на основе последовательных измерений.

Название признака Тип показателей

Среднее АД (мм.рт.ст.), ДАД (мм.рт.ст.), САД (мм.рт.ст.), ЦВД (мм.рт.ст.), Сердечный индекс, Шкала комы Глазго, ЧСС (уд./мин), Вес (кг), Тип сердечного ритма, Тип вербальной реакции) Физиологические показатели

Частота дыхания (вд./мин), ИССС, SpO2 %, Анионный разрыв (мЭкв/л), Бикарбонаты (мЭкв/л), Хлориды (мЭкв/л), ОХ (мг/дл), Креатинин (мг/дл), Глюкоза (мг/дл), Гематокрит (%), Гемоглобин (г/дл), ПТВ, Средний объем эритроцита (фл), Магний (мг/дл), АЧТВ (сек), Тромбоциты (кг/мкл), Калий (мЭкв/л), Ширина распределения эритроцитов (%), Эритроциты (млн/мкл), Натрий (мЭкв/л), Лейкоциты (кг/мкл), рС02 (мм.рт.ст.), р02 (мм.рт.ст.) Лабораторные показатели

Возраст, Пол, Тип госпитализации, Семейное положение Статические показатели на этапе госпитализации показатели

Приложение 8. Акты о внедрении

УТВЕРЖДАЮ Проректор по науке, инновациям и цифровизации

: ФГБОУ ВО «Воронежский

о внедрении результатов диссертационного исследования Демченко Марии Владиславовны

Комиссия в составе: председателя комиссии - декана факультета прикладной математики, информатики и механики, доктора физико-математических наук, профессора Шашкина А.И. и членов комиссии: преподавателя кафедры вычислительной математики и прикладных информационных технологий, кандидата физико-математических наук, доцента Медведева С.Н.; заведующего кафедрой математических методов исследования операций, доктора технических наук, профессора Азарновой Т.В. составила настоящий Акт о том, что результаты диссертационного исследования аспиранта Демченко М.В. по теме «Интеллектуальная система поддержки принятия решений для формирования схем лечения на основе методов машинного обучения с подкреплением» внедрены в учебный процесс факультета прикладной математики, информатики и механики в программах следующих учебных дисциплин:

• Data Mining (направление бак&тавриата 01.03.02 - Прикладная математика и информатика);

• Прикладное машинное обучение на языке Python (направление магистратуры 02.04.02 - Фундаментальная информатика и информационные технологии)

Члены комиссии:

Председатель комиссии:

Приложение 9. Свидетельства о регистрации программ для ЭВМ

ГОССШЖШАЖ ФВДИ

СВИДЕТЕЛЬСТВО

о государственной регистрации программы для ЭВМ

№ 2020665986

Автоматизированное раоочее место врача

Правообладатель: федеральное государственное бюджетное

образовательное учреждение высшего образования «Воронежский

государственный университет» (ФГБОУ ВО «В/'У») (ЯС!)

Авторы: Демченко Мария Владиславовна (ИС),

Каширина Ирина Леонидовна (ЯС)

Заявка № 2020665169

Дата поступления 24 нонорн 2020 Г.

Дата государственной регистрации

в Реестре программ для эвм 02 декабря 2020 г.

Руководитель Федеральной службы

по интеллектуальной собственности

Г. П. Ивлиев