Методика структурного прогнозирования состояния сложноорганизованных объектов: На прим. задач медицины тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Пудова, Наталья Викторовна

  • Пудова, Наталья Викторовна
  • кандидат технических науккандидат технических наук
  • 1998, Москва
  • Специальность ВАК РФ05.13.01
  • Количество страниц 194
Пудова, Наталья Викторовна. Методика структурного прогнозирования состояния сложноорганизованных объектов: На прим. задач медицины: дис. кандидат технических наук: 05.13.01 - Системный анализ, управление и обработка информации (по отраслям). Москва. 1998. 194 с.

Оглавление диссертации кандидат технических наук Пудова, Наталья Викторовна

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

ГЛАВА 1.

Проблемы диагностики и прогнозирования в кардиомедицине

1.1. Формализация проблемы исследования

1.2. Цели и задачи исследования

1.3. Оценка существующих методов решения

1.4. Обоснование выбора метода решения

1.5. Выводы

ГЛАВА 2.

Построение решающих правил классификации с помощью метода

перебора конъюнкций

2.1. Проблема классификации в медицине

2.2. Постановка задачи альтернативной диагностики динамических объектов

2.3. Организация исследования и формирование базы данных

2.4. Преобразование исходного пространства признаков

2.5. Формирование групп для обучения и контроля

2.6. Метод перебора конъюнкций и выбор параметров алгоритма

2.7. Тестирование полученного решающего правила

2.8. Выводы

ГЛАВА 3.

Компьютерная система САНДИДА для диагностики и прогнозирования состояния пациентов при остром инфаркте миокарда.

3.1. Выбор среды программирования

3.2. Архитектура компьютерной системы САНДИДА

3.3. Принцип иерархии при постановке диагноза

3.4. Формирование заключения о состоянии пациента

3.5. Рекомендации по использованию системы САНДИДА

3.6. Выводы

ГЛАВА 4.

Результаты исследования

4.1. Анализ результатов диагностики

4.2. Оценка границ применимости полученных результатов

4.3. Сравнение результатов прогнозирования компьютерной системы САНДИДА с экспертными заключениями врачей

4.4. Перспективы развития

4.5. Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ

Рекомендованный список диссертаций по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК

Введение диссертации (часть автореферата) на тему «Методика структурного прогнозирования состояния сложноорганизованных объектов: На прим. задач медицины»

ВВЕДЕНИЕ

Последние два десятилетия применения вычислительной техники (ВТ) в различных областях знаний показали, что развитие теоретической и прикладной кибернетики дает основания рассчитывать на успешное расширение сферы использования математических методов и ВТ, особенно в решении проблем, требующих имитации мышления человека [1].

В связи с тем значением, которое международная общественность придает проблемам охраны здоровья человека, резко возрос интерес программистов и математиков к проблемам медицины. Своими успехами и достижениями она в значительной мере обязана современной научно-технической революции. Соединенные Штаты Америки тратят на нужды здравоохранения 15% валового национального продукта [2, с. 3-4].

Математические методы в медицине стали широко использоваться около 50 лет назад. Одним из основоположников математического подхода к проблемам биологии и медицины был Винер. Он изучал биологические системы управления [3] и, в частности, занимался анализом клинической информации.

История применения математических методов в медицине - это фактически история применения автоматической обработки информации (АОД). В настоящее время на смену термину АОД пришло понятие компьютерных систем (КС) для решения определенного круга задач, в том числе и в медицине.

Исследования в области КС в нашей стране можно условно разбить на два этапа. На первом из них, с середины 60-х до конца 70-х годов, активно развивалась общая теория компьютерных систем и велась серия экспериментальных проектов по созданию систем - прототипов. В эти годы были заложены:

- основы теории ситуационного управления (подхода, опередившего многие зарубежные работы в этой области);

- основы теории и практики автоматического синтеза программ;

- разработаны экспериментальные автоматизированные системы управления с попытками представления и манипулирования знаниями;

- созданы прототипы систем взаимодействия с ЭВМ на естественном языке [4-6].

Все эти работы были фундаментом для второго этапа развития исследований в области экспертных систем [7, 8].

Исторически технология экспертных систем развивалась во всем мире применительно к медицинским приложениям [9, 10]. Одной из первых медицинских ЭС была ситема принятия решений в неотложной хирургии органов брюшной полости [11].

Была предложена технология построения проблемноориентирован- У ных КС для решения конкретной задачи [12]. В частности, она включает в себя несколько этапов. На первом этапе формулируется постановка задачи и определяется то пространство характеристик объектов, которое представляется важным для решения задачи. На следующих этапах вы-

бираются адекватные математические методы с целью достижения поставленной задачи, строятся алгоритмы и разрабатывается программы. Здесь могут быть использованы стандартные языки программирования, управления заданиями, манипулирования данными и т. п. [13, с. 150]. Наконец, осуществляется оформление результатов исследования и представление их в удобном для анализа виде с соответствующими пояснениями и обоснованиями.

Повсеместное развитие получили компьютерные системы, предназначенные для обеспечения медико-биологических исследований математическими и вычислительными методами с целью дальнейшего использования полученных результатов в практической медицине [14]. Примером могут служить различные прикладные программы, связанные с анализом временных рядов (ритмов) для помощи в решении задач, которые сформировались в медицине как хронобиологические проблемы [15]. Наибольшим вкладом хронобиологии является использование ее подходов для профилактики различных заболеваний [16].

Медики-хронобиологи изучают ритмические процессы с целью выявления как инвариантных составляющих этих ритмов, так и вариабельных для лечения и предупреждения заболеваний [17 - 27]. Привлечение математических методов и моделей дает основание расчитывать на то, что удастся, в частности, выделить группы риска по тому или иному заболеванию [20, 21, 23, 25, 28, 29] и, следовательно, поднять на более высокий уровень профилактическую работу среди населения.

В настоящее время сердечно-сосудистые заболевания являются главным фактором, определяющим показатель смертности населения (40-50%) во всех странах мира. На борьбу с этими заболеваниями в США тратится около 120 млрд. долларов в год [2].

Появившиеся сообщения о высокой прогностической ценности анализа вариабильности физиологических показателей для оценки вероятности развития осложнений при остром инфаркте миокарда (ОИМ) свидетельствуют о практической целесообразности использования биоритмологического подхода и вычислительных методов в этой области [19 -21, 23, 25].

В 1986 году в Лонг Биче была организована компания Декстра Ме-дикал Инкорпорейтед, которая со дня своего основания занимается разработкой приборов для нужд кардиологии и анализом информации, полученной с помощью этих приборов. Продукция, выпущенная на рынок этой фирмой, используется в клинических эхокардиологических лабораториях (проверка ритма сердца на наличие стресса), коронарных отделениях, пунктах скорой помощи (быстрое определение острого инфаркта миокарда), операционных (контроль за функционированием деятельности левого желудочка), катетеризационных лабораторий (анализ работы клапанов, определение стеноза сосудов).

В Новосибирском Институте медицинской и биологической кибернетики Сибирского отделения Академии медицинских наук с 1994 года выпускаются системы физиологического мониторинга и биологической

обратной связи. Эти системы представляют собой многоканальные устройства компьютерного мониторинга, записи и воспроизведения физиологических сигналов, в частности и ЭКГ, причем каждый из сигналов может регистрироваться по двум каналам [30].

В существующих прикладных технологических системах повышение качества функционирования во многом связано с тем, насколько эффективно удается использовать ресурсы управления при возникновении сложных и аварийных ситуаций. Действительно, в обычных (штатных) случаях возможности исполнительных устройств и соответствующих им алгоритмов подчиненного уровня вполне достаточны для выполнения всех текущих задач управления. Однако, при возникновении различного рода критических ситуаций, например, при кратковременном снижении ресурсов, жестко запрограммированные последовательности действий приводят подчас к разрушению структуры системы, потере работоспособности. Тогда, даже если в дальнейшем ресурс удается восстановить, структура системы остается неполноценной [31 - 33].

Причиной такого результата является обычный способ организации работы технической системы, а именно: достаточно жесткая связь "центр - периферия", когда снабжение блоков периферии необходимыми для их функционирования ресурсами осуществляется по заранее сформированной программе. Очевидный недостаток такой организации - невозможность гибкого реагирования на возникновение критических ситуаций. Жесткая иерархия приводит к тому, что периферийные блоки

подчиненного уровня централизованно лишаются способности к выживанию и необратимо теряют работоспособность [34].

Сопоставление аналогичных ситуаций в системах живой природы показало, что в естественных биологических системах задачи сохранения работоспособности и структуры систем такого типа решаются достаточно успешно. В связи с этим предлагается использовать способы иерархической организации управления в биологических системах как основу для создания аналогичных алгоритмов высшего уровня управления в технических системах. Делаются попытки алгоритмически перенести на задачи управления сложными системами принципы гомеостатиче-ского управления в живой природе. Идея такого подхода опирается на положение о разделении двух основных функций (информационной и исполнительной) системы управления, которые выполняются разными структурами - диагностической системой и системой, принимающей решения. В рамках этого положения последняя опирается в первую очередь на результат работы узнающей системы и, следовательно, качество принятия решения зависит в основном от качества функционирования узнающей системы. Так, в случае неполного или ошибочного узнавания ситуации система, принимающая решение, либо не мобилизует свои ресурсы, либо расходует их ошибочно. Отсюда идея оптимизации управления состоит в попытке переноса центра тяжести с увеличения "силовых" ресурсов системы на интеллектуализацию их использования [32].

Круг проблем, относящихся к динамическим задачам принятия решений и управления в сложноорганизованных объектах, практически неограничен [35 - 40]. В последнее десятилетие в связи с ужесточением требований к современным технологическим системам (их надежности, эффективности, безопасности, автономности и др.) ведущее место заняла проблема выявления аналогий в принципах управления, существующих между системами различной природы (техническими, социально-экономическими, биологическими и т. д.). Подходы, развиваемые в современной теории управления и теории систем, позволяют дать анализ некоторых общих явлений, свойственных таким системам вне зависимости от их природы и особенностей, хотя для каждого класса систем характерны свои специфические черты [34, 36, 41 - 44].

Важнейшей областью сотрудничества медиков и математиков является медицинская диагностика и прогнозирование. В этой области существуют определенного рода трудности. В первую очередь, это обилие информации, которую врач считает существенной для принятия решения. Информационная карта больного, содержащая ответы на несколько сот вопросов, в таком случае значительно превышает материал исследования. В сочетании с реально имеющим место ограниченным объемом материала исследования это приводит к тому, что формальный отбор наиболее важных признаков и анализ связей между ними становятся затруднительными и очень ответственными.

Имеющийся в медицине уровень формализации исходных данных обычно не удовлетворяет требованиям математических методов, используемым при обработке материала исследования. Отсутствие общего достаточно четкого языка, на котором врач и математик могли бы вести содержательное обсуждение интересующих их проблем, также характерно для медицинских исследований. Общаясь между собой, врачи, как и другие профессионалы, могут в нескольких словах передать друг другу необычайно большую информацию. Изучение такого лаконичного способа описания больных может оказаться чрезвычайно полезным для формализации и решения медицинских задач [13, 38]. Врачебный опыт может оказаться полезным для того, чтобы провести структуризацию медицинских понятий, т.е. уточнить медицинские термины так, чтобы они практически однозначно понимались разными врачами, но не утратили своего содержания. Этому служит использование унифицированных медицинских машинно-ориентированных документов.

Наиболее актуальной в настоящее время для решения медицинских проблем является разработка интеллектуальных проблемноориентиро-ванных автоматизированных систем для поддержки принятия решений в трудных для врача обстоятельствах.

Такие системы представляют собой совокупность программных средств и правил работы с информацией, которые обеспечивают ввод, накопление, интегрированное хранение, перестройку структуры, обновление и выборку данных, вывод их на внешнее устройство и дифферен-

цированное использование этих данных для решения поставленных задач.

В группу систем поддержки принятия решений в ситуации неопределенности входят диагностические системы, системы прогнозирования состояния, системы для выделения групп риска и т. д. Эта группа предназначена для врачей при решении трудных для них задач. Если в практике здравоохранения диагностика какого-либо заболевания не вызывает трудностей, то в этом случае компьютерная разработка не требуется. С другой стороны, когда часто возникают сомнительные ситуации, врачу требуется из всего многообразия проявлений заболевания выделить (быстро и безошибочно) именно те, которые обеспечат правильное решение относительно конкретного больного. В этом случае проблемноориенти-рованные компьютерные системы, аккумулируя в себе "опыт" решения подобных ситуаций и имея неоспоримые преимущества при переборе признаков проявления заболевания, могут оказать врачу необходимую помощь. Поэтому одной из целей использования ВТ является систематизация и формализация имеющихся эмпирических правил. Такой подход построен, в основном, на извлечении "знаний" из эксперта. Чем выше квалификация специалиста и чем богаче ресурс его опыта, тем более привлекательной является перспектива формализации его интуитивных знаний. Этот подход получил развитие в серии компьютерных экспертных систем (ЭС).

Другой подход к использованию ВТ заключается в тщательном математическом анализе большого объема первичной информации, предполагающей как уточнение известных связей между симптоматикой и диагнозом, так и поиск новых, еще неизвестных закономерностей. Иными словами, возникает необходимость использования всего имеющегося ресурса медико-биологических данных в качестве материала, на котором с помощью КС можно производить процесс обучения, т. е. процесс поиска закономерностей, необходимых для формирования эффективных диагностических правил. Такой подход основан на извлечении "новых знаний" из данных.

До настоящего времени большие трудности в клинической практике вызывает диагностика и прогнозирование состояния пациентов при быстротекущих процессах, таких, например, как острый инфаркт миокарда (ОИМ). Возникли основания предполагать, что характер изменений электрофизиологических (ЭКГ) показателей в течение первых двух суток от начала заболевания могут быть значимыми (информативными) для прогноза некоторой категории жизнеугрожающих осложнений. Была сформулирована гипотеза о том, что в группе больных ОИМ без осложнений характер изменений показателей ЭКГ по данным Холтеровского мониторинга (ХМ) уже в первые двое суток отличается от "поведения" их (в эти же дни) в группе больных, у которых в последствии были зафиксированы какие-либо осложнения, связанные с нарушением ритма или недостаточностью кровообращения.

Требовалось найти такие характеристики динамики показателей ХМ первых двух суток от момента развития заболевания, которые позволили бы дать прогноз благополучного или неблагополучного течения ОИМ и тем самым выделить группу риска в плане возникновения таких опасных осложнений, как нарушения ритма или недостаточность кровообращения.

Для решения задач классификации можно воспользоваться достаточно широким набором математических и вычислительных методов, в частности геометрическими, вероятностными или математическим моделированием [45 - 49]. С математической стороны все эти методы применимы для различения любых классов объектов, однако эффективность их использования существенно зависит от того, насколько оправданны предпосылки и предположения, лежащие в основе каждого из этих методов [37, 50 - 53].

Проблемы при использовании вышеперечисленных методов возникают в связи с тем, что большинство из них используют функции распределения параметров, которые должны быть точно известны (без пропусков) и не искажены ошибками измерения. Эти методы часто оказываются недостаточно эффективными при решении задач практической медицины.

Принципиально иной подход к решению проблем медицины был предложен Бонгардом в 1961 году [50]. В основе этого подхода лежит метод перебора конъюнкций (МПК). Идея МПК состоит в том, что ха-

рактеристики, по которым может быть осуществлено разделение классов, следует искать в виде различных логических функций симптомов исходного описания, в первую очередь, в виде конъюнкций (сочетаний) этих симптомов [51, с. 3]. Задача диагностики (классификации) в данном случае сводится к тому, чтобы отнести объект к одному из заданных классов, используя конечный определенный набор сочетаний признаков [12, 52-55].

При использовании метода перебора конъюнкций (МПК) предполагается, что классы состояний характеризуются некоторым устойчивым сочетанием симптомов объектов в одном из представленных классов в сопоставлении с объектами другого класса.

Привлекательность этого метода состоит в том, что при его использовании не требуется выполнения условия независимости признаков, участвующих в описании объекта, данные для анализа могут носить как количественный, так и качественный характер, быть дискретными, и не делается никаких предположений о характере функции распределения объектов в пространстве исходных признаков. Последнее позволяет предлагать для обучения и предъявлять для экзамена объекты с неполной информацией. Попутно решается задача минимизации количества признаков. В разделе 2.6. дается подробное описание МПК и основных его составляющих.

Качество работы узнающего алгоритма вне зависимости от того, какой математичесий метод лежит в его основе, оценивается обычно по

числу совпадений правильных ответов с установленными (или экспертными) диагнозами. Качество решения задачи классификации зависит от внешних и внутренних по отношению к системе типов обстоятельств. Внешними обстоятельствами считаются: задание входного признакового пространства, количество объектов материала обучения (МО) и др. Внутренние - определяются качеством самой диагностической системы, включая «мощность» алгоритма узнавания, положенного в основу, уровнем сигнала, способного восприниматься данной системой, степенью контрастности системы, т.е. способностью фиксировать различия, а также «восстанавливать» рабочий режим и выработанные ранее РП (при сбоях системы или частичной ее поломке) [39].

Целью настоящего исследования являлась разработка методики структурного прогнозирования состояния сложных динамических объектов на примере решения задачи прогнозирования ближайших и отдаленных осложнений у больных ОИМ по данным ХМ. Указанная цель была достигнута постановкой и решением следующих задач:

1. Сконструировать проблемно-ориентированное пространство "производных характеристик" (ПХ) для адекватного описания быстротекущего процесса.

2. Разработать способ расчета информативности (диагностической значимости) "производных характеристик" описания исследуемого динамического процесса.

3. Выбрать критерии и на их основе провести формирование групп для хронобиологического исследования динамики процесса.

4. Произвести построение решающих правил (РП) альтернативной дифференциальной диагностики для анализа структуры состояния сложноорганизованных объектов с использованием метода перебора конъюнкций (МПК).

5. Разработать методику структурного прогнозирования состояния объектов исследования на множестве неоднородных данных.

6. Разработать архитектуру и алгоритм построения многоуровневой системы для прогнозирования осложнений при ОИМ.

На основе проведенного исследования впервые получены следующие результаты:

1. Предложен оригинальный способ конструирования проблемно-ориентированного пространства "производных характеристик" для адекватного описания быстротекущего процесса.

2. Разработана методика структурного описания быстротекущего процесса по комплексу динамических показателей.

3. Предложен подход к решению задачи структурного прогнозирования состояния объектов исследования на множестве неоднородных данных.

Приведенные результаты являются новыми применительно к анализу динамического процесса на множестве дискретных данных, актуальными с точки зрения их практического применения разработчиками.

Принципиальный вклад в развитие теории конструирования интеллектуальных компьютерных систем составляют следующие положения, выносимые на защиту:

- методика структурного описания динамических объектов на основе выделенных информативных параметров;

- способ оценки ранжирования непрерывных динамических показателей, обеспечивающих формирование условно-оптимального пространства диагностических признаков;

- итерационные алгоритмы решения многофакторных задач с динамическими данными;

- алгоритм построения многоуровневой диагностической системы для оценки и прогнозирования состояния сложных динамических объектов.

Практическая ценность работы состоит в следующем:

1. Выявлены аналитические хронобиологические зависимости, позволяющие дать прогноз состояния больного ОИМ на основе показателей ХМ, проводимого в течение первых двух суток от начала заболевания.

2. Предложена методика для осуществления структурного прогнозирования состояния сложноорганизованных объектов.

3. Разработана конкретная компьютерная система САНДИДА, ориентированная на анализ динамических хронобиологических данных.

Аналогов разрабатываемой системы в отечественных и зарубежных публикациях не выявлено.

Результаты диссертационной работы внедрены в реанимационном отделении интенсивной терапии Центрального Военного Госпиталя (г. Москва).

Основные положения диссертационной работы были представлены и доложены на следующих конференциях:

- Проблемная комиссия по хронобиологии и хрономедицине" РАМН (ноябрь 95);

- Международная конференция "Новые информационные технологии в медицине и экологии (IT-ME 96), Украина, Гурзуф, 1996;

- I Всероссийский конгресс "Патофизиология органов и систем. Типовые патологические процессы", Москва, 1996;

- IV Российский национальный конгресс "Человек и лекарство", Москва, 1997;

- International Conference on Informatics and Control Proceedings (ICI&C97), Russia, St. Peterburg, 1997;

- XLIV - XLVII научно-технические конференции МИРЭА, Москва, 1995, 1996, 1997; 1998 гг.

По результатам исследования опубликовано 9 научных работ.

Похожие диссертационные работы по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Пудова, Наталья Викторовна

4.5 Выводы

1. Способ анализа информативности признаков позволил сконструировать условно-оптимальное пространство производных характеристик для решения конкретной медицинской задачи.

2. Используя многоуровневую архитектуру построения решающих правил классификации, удалось осуществить прогнозирование состояния пациентов при ОИМ по совокупности всех представленных к рассмотрению сегментов.

3. Выявлены новые, неизвестные ранее хронобиологические закономерности, связанные с характером быстротекущего патологического процесса.

4. Разработана КС САНДИДА, позволяющая практическому врачу получить прогноз по конкретному пациенту еще на ранней стадии терапевтического лечения.

5. Анализ результатов практического использования САНДИДЫ позволил сформулировать принцип определения границ применимости конкретного метода.

ЗАКЛЮЧЕНИЕ

Применение математических методов в решении хронобиологиче-ских проблем - один из основных путей для выяснения временной структуры организма в норме, в условиях развития патологии и при разработке способов коррекции и профилактики патологических состояний.

В работе проведен анализ математических и вычислительных методов обработки биоритмологических физиологических показателей, используемых при решении задач классификации сложных, плохо формализуемых многомерных динамических объектов в медицине.

Разработан принципиально новый подход к решению задачи классификации с использованием биоритмологических характеристик процесса и специальных методов анализа релаксационных колебаний на примере прогнозирования осложнений у больных при остом инфаркте миокарда по данным мониторинга ЭКГ.

В диссертации использованы основные принципы организации клинических наблюдений и сбора данных, а также критерии формирования групп состояний больных, материала обучения и контроля.

Предложен метод перебора конъюнкций для анализа данных Холте-ровского мониторинга ЭКГ пациентов с целью выявления закономерностей, отличающих течение ритмического процесса в одной группе исследуемых от течения этого процесса у представителей другой группы.

В работе выявлены аналитические зависимости и приведены результаты анализа характеристик ЭКГ в решении поставленной задачи. Проведена экспериментальная проверка полученных результатов, которая подтвердила исходные представления и положения, лежащие в основе исследования.

Практическая ценность настоящего исследования состоит в следующем:

1. Выявлены аналитические хронобиологические зависимости, позволяющие дать прогноз состояния больного ОИМ на основе показателей ХМ, проводимого в течение первых двух суток от начала заболевания.

2. Предложена методика для осуществления структурного прогнозирования состояния сложноорганизованных объектов.

3. Разработана конкретная компьютерная система "САНДИДА", ориентированная на анализ динамических хронобиологических данных.

Аналогов разрабатываемой системы в отечественных и зарубежных публикациях не выявлено.

Использование ситемы САНДИДА для решения практической медицинской задачи слежения за динамикой состояния больных, находящиху /■• и ся в острой ситуации, обеспечивающей экспресс-диагностику состояния и прогнозирование возможных осложнений, подтвердило практическую значимость подобных разработок [54, с. 39].

В сложной обстановке, в условиях острого дефицита времени врач, принимающий решение, будет обращаться за помощью и консультацией к ЭВМ. В этом случае качество решения, его уместность в конкретном случае, возможные последствия целиком и полностью будут зависеть от огромной предварительной работы специалистов из данной предметной области - математиков и программистов - по тщательному прогнозу возможных ситуаций и формализации вариантов решений. А ответственность будет нести врач, принявший в качестве решения тот или иной машинный вариант [13, с. 55]. Поэтому разработка моделей и методов в данной области представляют собой актуальную ответственную задачу, решение которой позволит эффективнее реализовать научные достижения в теории и практике здравоохранения и в какой-то мере облегчить труд практикующих врачей.

В итоге исследования, выполненного в настоящей работе, достигнуты следующие результаты:

1. Сконструировано проблемно-ориентированное пространство "производных характеристик" для адекватного описания быстротекущего процесса.

2. Предложен способ расчета диагностической информативности "производных характеристик" описания исследуемого динамического процесса.

3. Выбраны критерии и на их основе проведено формирование групп для исследования многомерных динамических объектов.

4. Модифицирован подход к решению задачи классификации с использованием МПК для построения РП альтернативной дифференциальной диагностики.

5. Разработана методика структурного прогнозирования состояния объектов на множестве неоднородных данных.

6. Предложена архитектура и алгоритм построения многоуровневой системы для прогнозирования осложнений при ОИМ.

7. Ряд положений диссертации получил практическое внедрение в диагностической системе САНДИДА, прошедшей успешную апробацию в реанимационном блоке интенсивной терапии Центрального Военного Госпиталя (г. Москва).

Разработка методов и методик для прогнозирования быстротекущих патологических процессов представляет собой актуальную задачу, решение которой позволит практическому врачу эффективнее осуществлять лечение и профилактику различных заболеваний.

Список литературы диссертационного исследования кандидат технических наук Пудова, Наталья Викторовна, 1998 год

СПИСОК ЛИТЕРАТУРЫ

1. Московский государственный институт радиотехники, электроники и автоматики (технический университет). Математические и вычислительные методы в медико-биологических исследованиях: Программа и методические указания. - М., 1997. - 24 с.

2. Малков Л.П. Медицина и технический прогресс // Компьютерные технологии в медицине. - 1996. - № 2. - с. 4-7.

3. Винер Н. Кибернетика или управление и связь в животном и машине.

- 2-е изд. - М.: Наука, 1983. - 343 с.

4. Клещев A.C. Представление знаний. Методология и формализмы: Препр. - Владивосток: Ин-т автоматики и процессов управления с ВЦ ДВНЦ АН СССР, 1981. - № 21. - 41 с.

5. Горбачев С.Б., Клещев A.C., Черняховская М.Ю. Обзор языка представления знаний МЕДИФОР-2 // Теоретические основы компиляции. -Новосибирск: Изд-во Новосиб. ун-та, 1980. - с. 78-91.

6. Артемьева И.Л., Горбачев С.Б., Клещев A.C., Лифшиц А.Я., Орлов С.И., Орлова А.Д., Уварова Т.Т. Инструментальный комплекс для реализации языков представления знаний // Программирование. - 1983. - № 4.

- с. 78-89.

7. Молокова О.С. Формирование индивидуального объяснения в экспертных системах // Изв. АН СССР. Техн. кибернетика. - 1985. - № 5. -с. 103-114.

8. Клещев А.С. Проблемноориентированные представления: Препр. -Владивосток: Ин-т автоматики и процессов управления с ВЦ ДВНЦ АН СССР, 1985. - № 27. - 27 с.

9. Черняховская М.Ю. Представление знаний в экспертных системах медицинской диагностики. - Владивосток: ДВНЦ АН СССР, 1983. - 212 с.

10. Бохуа Н.К., Геловани В.А., Ковригин О.В., Смольянинов Н.Д. Экспертная система диагностики различных форм артериальной гипертен-зии // Изв. АН СССР. Техн. кибернетика. - 1982. - № 6. - с. 183-190.

11. Арсентьева А.В., Зимнев М.М., Овсянников А.М., Хай Г.А. Диалоговая информационно-поисковая система принятия решений в неотложной хирургии органов брюшной полости: Препр. - Л.: ЛНИВЦ АН СССР, 1981. - № 19. - 47 с.

12. Карп В.П. Технология разработки модульной системы математического обеспечения принятия решений в медицине // Вестник ВОИВТ. -Москва, 1991. - Вып. 1. - с. 73-81.

13. Поспелов Г. С. Искусственный интеллект - основа новой информационной технологии. - М.: Наука, 1988. - 280 с.

14. Медведев О.С. Предисловие: Что такое телемедицина? // Компьютерные технологии в медицине. - 1996. - №2. - с. 12-13.

15. Карп В.П., Катинас Г.С. Вычислительные методы анализа в хронобиологии и хрономедицине. - С-Пб., 1997. - 116 с.

16. Odum Howard T. Self-Organization, Transformity and Information // Science. - 1988. - Vol. 242, November. - p. 1132-1139.

17. Carandente Franca et al. Circadian Temporal Structure Evaluated by Automatic Monitoring // Chronobiologia. - 1982. - 9. - p. 153-161.

18. Tuck Michael L. et al. Enhanced 24-Hour Norepinephrine and Renin Secretion in Young Patients with Essential Hypertension: Relation with the Circadian Pattern of Arterial Blood Pressure // Am. J. Cardiol. - 1985. - 55. -p. 112-115.

19. Pipberger Hubert V. et al. The Orthogonal Electrocardiogram as Risk Indicator for the Prediction of Myocardial Infarction and/or Cardiac Death // J. Electrocardiology. - 1986. - 19(4). - p. 327-336.

20. Ewa Pietka. Neural Nets for ECG Classification // IEEE Engineering in Medicine and Biology Society: 11th Annual International Conference. -1989. - p. 2021-2022.

21. Ewa Pietka. Feature Extraction in Computerized Approach to the ECG Analysis // Pattern Recognition. - 1991. - Vol. 24. - № 2. - p. 139-146.

22. Miller Jami J. et al. Biocybernetic Related Applications Involving Neural Networks // AIAAA Comput. Aerospace VII Conf., Monterey, Oct. 35, 1989. - p. 811-818.

23. Detrano Robert et al. The Diagnostic Accuracy of the Exercise Electro-cardiogramm: a Meta-Analysis of 22 Years of Research // Progress in Cardiovascular Diseases. - 1989. - Vol. XXXII. - № 3 (November / December), -p. 173-206.

24. Quyyumi Arshed A. et al. Nocturnal angina: precipitating Factors in Patients with Coronary Artery Disease and Those with Variant Angina // British Heart J. - 1986. - 56. - p. 346-352.

25. Mazzoca G. et al. Prognostic Value of Ventricular Arrhythmias and Transient ST-T Changes after Myocardial Infarction: a Two-Year Follow-up with Ambulatory ECG Recording // Clin. Cardiol. - 1986. - 9. - p. 600-606.

26. Figueras Jaime et al. Resting Angina with Fixed Coronary Artery Stenosis: Nocturnal Decline in Ischemic Threshould // Circulation. - 1986. - 74. -№ 6. - p. 1248-1254.

27. Araki Haruo, Nakamura Motoomi. Diurnal Variation of Variant Angina // International Journal of Cardiology. - 1984. - 5. - p. 402-405.

28. Stadius Michael L. et al. Risk Stratification for 1 Year Survival Based on Characteristics Identified in the Early Hours of Acute Myocardial Infarction // Circulation. - 1986. - 74. - № 4. - p. 703-711.

29. Llaurado J.G. Advances in Neural Networks and Neurocomputers // Int. J. Biomed. Comput. - 1988. - 23. - p. 155-160.

30. Матвеев M.A., Мурзин А.В., Трофимов O.E., Штарк М.Б., Шустерман В.Р. Экспертные системы в биоуправлении // Биоуправление-2: Теория и практика,- Новосибирск: АО "Офсет", 1993. - 162 с.

31. Власов С.А., Дургарян И.С. Принципы интеллектуализации средств имитационного моделирования и автоматизированной идентификации для производств повышенного риска // Идентификация и моделирование

производств повышенного риска: Сб. тр. / Ин-т проблем управления. -М., 1993. - Вып. 2-е. 5-13.

32. Яхно В.П., Новосельцев В.Н., Бахур А.Б. Моделирование приоритетных способов иерархической интеграции сложных систем // Технологические системы и управление в организме: общие принципы и аналогии: Сб. тр. / Ин-т проблем управления. - М., 1996. - Вып. 3-е. 30-39.

33. Doraiswami R., Jiang J. Performance monitoring in expert control systems // Automática. - 1990. - Vol. 266. - № 3. - p. 799-811.

34. Новосельцев B.H. Анализ целей управления в технологических системах и в системах естественной технологии // Технологические системы и управление в организме: общие принципы и аналогии: Сб. тр. / Ин-т проблем управления. - М., 1996. - Вып. 3 - с. 5-14.

35. Уголев А.М. Естественные технологии биологических систем. - Л.: Наука, 1987. - 318 с.

36. Маркович Н.М., Михальский А.И. Статистическая оценка распространенности хронических заболеваний в группах риска // Технологические системы и управление в организме: общие принципы и аналогии: Сборник трудов. Выпуск 3. - М.: Институт проблем управления, 1996. -с. 51-62.

37. Губерман Ш.А. Неформальный анализ данных в геологии и геофизике. - М., 1991.

38. Переверзев-Орлов В.С. Советчик специалиста. Опыт разработки партнерской системы. - М.: Наука, 1990.

39. Чернавский Д.С., Карп В.П., Родштат И.В. О нейрофизиологическом механизме КВЧ-пунктурной терапии / препринт ФИАН им. П.Н. Лебедева. - М., 1991. - с. 50.

40. Карп В.П., Чернавский Д.С., Родштат И.В. Об аутодиагностической системе человека и ее роли при пунктурной КВЧ-терапии (Пластины Рекседа как диагностический нейропроцессор) // Изв. вузов. Радиофизика. - Н.Новгород. - 1994. - Том XXXVII. - № 1. - с.57-78.

41. Finkelstein L. Intelligent and knowledge based instrumentation - an examination of basic concepts // Measurement. - 1994. - Vol. 14. - № 1. - p. 23-29.

42. Новосельцев B.H. Моделирование естественных технологий организма для исследования процессов управления его жизнедеятельностью // Автоматика и телемеханика. - 1992. - № 12. - с. 96-105.

43. Могилевский В.Д. Основы теории систем: учебное пособие. Часть 1 // Московский Государственный Институт Радиотехники, Электроники и Автоматики (Технический Университет) . - М., 1997. - 76 с.

44. Кнорринг В.Г., Кнорринг Л.Н., Мартынов В.А., Сальников В.Ю. Функциональные возможности автоматизированных комплексов для биологических и медицинских исследований // Приборы и системы управления. - 1995. - № 6. - с. 24-26.

45. Закс Л. Статистическое оценивание. - М.: Статистика, 1976.

46. Лоули Д., Максвелл А. Факторный анализ как статистический метод. - М.: Мир, 1967.

47. Айзерман М.А., Браверман Э.М., Розоноэр Л.И. Метод потенциальных функций в теории обучения машин. - М.: Наука, 1970.

48. Вапник В.Н., Червоненкис А.Ф. Теория распознавания образов. -М.: Наука, 1974.

49. Розенфельд А. Распознавание и обработка изображений. - М.: Мир, 1972.

50. Бонгард М.М. Проблемы узнавания. - М.: Наука, 1967. - 320 с.

51. Московский государственный институт радиотехники, электроники и автоматики (технический университет). Применение компьютерной системы "Консилиум" для построения решающих правил классификации в задачах медицинской диагностики: Методические указания по выполнению лабораторной работы. - М., 1997. - 16 с.

52. Карп В.П. Алгоритмизация машинно-математического решения хронобиологических проблем // Вопросы теории и прикладной хронобиологии. - Бешкек. - 1992. - с. 38.

53. Карп В.П. О принципах построения компьютерных систем поддержки принятия решений в медицине // Новые информационные технологии в медицине и экологии: Тезисы докладов II Международной конференции, Крым, Ялта-Гурзуф, 1996. - с. 17-20.

54. Евтихиев H.H., Карп В.П., Пудова Н.В. Интеллектуальные системы поддержки принятия решений и оптимизация управления в сложноорга-низованных динамических объектах // Приборы и системы управления . - М.: Машиностроение, 1997. - № 3. - с. 35-40.

55. Прикладная статистика: Классификация и снижение размерности: Справ, изд. / Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Под ред. С.А. Айвазяна. - М.: Финансы и статистика, 1989. - 607 с.

56. Малков Л.П. Компьютеры, мультимедиа, ЭКГ // КомпьютерПресс. -1996. - № 5. - с. 47-52.

57. Беклемишева O.A. Околосуточные ритмы некоторых гуморальных и клинических показателей у больных острым инфарктом миокарда и нестабильной стенокардией: Автореф. дисс. к.м.н. - Новосибирск. - 1993.

58. Гельфанд И.М., Старкова М.Н., Сыркин А.Л. Классификация больных и прогноз осложнений при инфаркте миокарда // АН СССР: научный совет по комплексной проблеме "Кибернетика". - Москва, 1982.

59. Заславская P.M. Хронодиагностика и хронотерапия заболеваний сердечно-сосудистой системы. - М.: Медицина, 1991.

60. Сыркин А.Л. Инфаркт миокарда. - М.: Медицина, 1991.

61. Крон Г. Исследование сложных систем по частям - диакоптика. -М.: Наука, 1972. - 317 с.

62. Могилевский В.Д. Основы теории систем: учебное пособие. Часть 1/ Московский Государственный Институт Радиотехники, Электроники и Автоматики (Технический Университет). - М., 1997. - 76 с.

63. Белов П.В., Ермолова Н.Ю. Моделирование случайных процессов на ЭВМ: учебное пособие / Московский Государственный Институт Радиотехники, Электроники и Автоматики (Технический Университет). - М., 1998. - 24 с.

64. Карп В.П, Катинас Г.С. Математические методы исследования биоритмов // Хронобиология и медицина. Руководство. - М.: Медицина, 1989. - с. 29-45.

65. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Основы моделирования и первичная обработка данных.-М.: Финансы и статистика, 1983. - 472 с.

66. Браверман Э.М., Мучник И.Б. Структурные методы обработки эмпирических данных. - М.: Наука, 1983. - 464 с.

67. Раушенбах Г.В. Проблемы измерения близости в задачах анализа данных // Программно-алгоритмическое обеспечение анализа данных в медико-биологических исследованиях. - М.: Наука, 1987. - с. 41-54.

68. Кини Р.Л., Райфа X. Принятие решений при многих критериях: Предпочтения и замещения /Пер. англ. - М.: Радио и связь, 1981. - 560 с

69. Ивашко В.Г., Финн В.К. Экспертные системы и некоторые проблемы их интеллектуализации // Семиотика и информатика. - М.: ВИНИТИ, 1986. - № 27. - с. 25-61.

70. У. Маккаллок, У. Питтс. Логическое исчисление идей, относящихся к нервной активности // Нейрокомпьютер. -1992. - № 3/4. - с. 40-53.

71. Розенблатт Ф. Принципы нейродинамики / Пер. с англ. - М.: Мир,

1965. - 480 с.

72. Паск Г. Модель эволюции // Принципы самоорганизации. - М.: Мир,

1966.

73. Дж. фон Нейман. Теория самовоспроизводящихся автоматов / Пер. с англ. - М.: Мир, 1971. - 382 с.

74. Цетлин M.JI. Исследования по теории автоматов и моделированию биологических систем. - М.: Наука, 1969. - 316 с.

75. Варшавский В.И., Поспелов Д. А. Оркестр играет без дирижера: размышления об эволюции некоторых технических систем и управлении ими. - М.: Наука, 1984. - 208 с.

76. Architectures for Semiotic Modelling and Situation Analisis in Large Complex Systems / Ed. by J. Albus, A. Meystel, D. Pospelov and T. Reader. - Bala Cynwyd, AdRem Inc., 1995. - 439 p.

77. Поспелов Д.А. Ситуационное управление. Теория и практика. - М.: Наука, 1986. - 284 с.

78. Поспелов Д.А. Ситуационное управление - основа прикладных интеллектуальных систем // Вестник Московского государственного технического университета. Сер. "Приборостроение". - 1995. - № 2. - с. 3-10.

79. Дюбуа Д., Прад А. Теория возможностей. Приложения к представлению знаний в информатике / Пер. фр. - М.: Радио и связь, 1990. - 288 с.

80. Николис Г., Пригожин И. Познание сложного / Пер. с англ. - М.: Мир, 1990. - 344 с.

81. Князева Е.И., Курдюмов С.П. Законы эволюции и самоорганизации сложных систем. - М.: Наука, 1994. - 236 с.

82. Поспелов Д.А. История искусственного интеллекта до середины 80-х годов // Новости искусственного интеллекта. - 1994. - № 4. - с. 74-95.

83. Амосов H.M., Касаткин A.M., Касаткина JI.M., Талаев С.А. Автоматы и разумное поведение. - Киев: Наукова думка, 1973. - 373 с.

84. Букатова И.Л., Михасев Ю.И., Шаров A.M. Эвоинформатика: Теория и практика эволюционного моделирования. - М.: Наука, 1991. - 206 с.

85. Тарасов В.Б., Соломатин Н.М. Развитие прикладных интеллектуальных систем: анализ основных этапов, концепций и проблем // Вестник МГТУ. Сер. "Приборостроение". -1994. - № 1. - с. 5-14.

86. Тарасов В.Б., Желтов С.Ю., Степанов A.A. Нечеткие модели в обработке изображений: обзор зарубежных достижений // Новости искусственного интеллекта. - 1993. - № 3. - с. 40-64.

87. Тарасов В.Б. От искусственного интеллекта к искусственной жизни: новые направления в науках об искусственном интеллекте // Новости искусственного интеллекта. - 1995. - № 4. - с. 93-117.

88. Методы синтеза нелинейных систем автоматического управления / Под ред. С.М. Федорова. - М.: Машиностроение, 1970. - 416 с.

89. Неймарк Ю.И., Коган Н.Я., Савельев В.П. Динамические модели теории управления. - М.: Наука, 1985. - 309 с.

90. Александров В.В. Компьютерное моделирование развивающихся систем // Новости искусственного интеллекта. - 1995. - № 4. - с. 158.

91. Романовский Ю.М., Степанов Н.В., Чернавский Д.С. Математическая физика. - М.: Наука, 1984. - 304 с.

92. Гальберг Ф. Хронобиология // Кибернетический сборник. - М.: Мир, 1972. - Вып. 9. - с. 189-247.

93. Катинас Г.С. Уровни организации живых систем и биологические ритмы // Фактор времени в функциональной организации деятельности живых систем / Под ред. Н.И. Моисеевой. - Л.: Наука, 1980. - с. 82-85.

94. Романов Ю.А. Временная организация как принцип биологической организации // Фактор времени в функциональной организации деятельности живых систем / Под ред. Н.И. Моисеевой. - Л.: Наука, 1980. - с. 914.

95. Романов Ю.А. Теория биологических систем и проблема их временной организации // Проблемы хронобиологии. - 1990. - Вып. 1. - № 3-4. - с. 105-122.

96. Пудова Н.В. Биоритмологический подход в кардиомедицине // Новые информационные технологии в медицине и экологии: Тезисы докладов II Международной конференции, Ялта-Гурзуф, 1996. - с. 74-75.

97. Карп В.П. Сравнительный анализ различных групп объектов с точки зрения их временной изменчивости. - Свердловск, 1991. - с. 15.

98. Bexton Rodney S. et al. Diurnal Variation of the QT Interval-Influence of the Autonomic Nervous System // Br. Heart J. - 1986. - 55. - p. 253-258.

99. Muller James E. et al. Circadian Variation in the Frequency of Onset of Acute Myocardial Infarction // The New England Journal of Medicine. -1985. - Vol. 313. - № 21. - p. 1315-1322.

100. Waters David D. et al. Circadian Variation in Variant Angina // Am. J. Cardiol. - 1984. - 54. - p. 61-64.

101. A.C. 940206. Программа для ЭВМ для построения решающих правил классификации ("Консилиум-1") / Карп В.П., 1994. - 28 с.

102.Карп В.П. Комплексный подход к выявлению закономерностей, отличающих колебательные процессы в различных группах состояний // Сб. тр. 3-й Всес. конф. по хронобиологии и хрономедицине. - Ташкент, 1990. - с. 162-163.

103.Артемьева O.A., Карп В.П. Анализ динамики показателей холте-ровского мониторирования у больных острым инфарктом миокарда для прогнозирования ранних и поздних осложнений // XX Конференция Международного общества хронобиологов, Екатеринбург, 1992.

104. Артемьева O.A., Евтихиев H.H., Карп В.П., Комаров Ф.И., Магаю-мов Е.А., Пудова Н.В., Рапопорт С.И. Моделирование быстротекущих процессов с использованием биоритмологического подхода на примере прогнозирования осложнений острого инфаркта миокарда // Информатика и радиотехника: Сб. научн. тр. Моск. гос. ин-т радиотехники, электроники и автоматики (технический университет). - М., 1995. - с. 68-71.

105. Карп В.П., Катинас Г.С. Проблемы использования математических методов в хронобиологии и хрономедицине // Проблемы хронобиологии и хрономедицины. - Ереван, 1990. - № 1. - с. 27-38.

106. Карп В.П, Минаева E.H. Программа графического представления динамики показателей (Grapa) // Отраслевой фонд алгоритмов и программ. - М., 1988. - N 589.1897540.00920. - с. 1-26.

107. Дарахвелидзе П.Г., Марков Е.П. Delphi - среда визуального программирования. - СПб.: BHV - Санкт-Петербург, 1996. - 352 с.

108. Матчо Д., Фолкнер Д.P. Delphi / Пер. с англ. - М.: БИНОМ, 1995. -464 с.

109.Стефанюк В.Л. От автоматов М.Л. Цетлина к искусственному интеллекту (этапы и вехи, или как это было) // Новости искусственного интеллекта. - 1995. - № 4. - с. 56-92.

110. Комаров Ф.И., Рапопорт С.И., Карп В.П., Артемьева O.A., Евтихиев H.H., Пудова Н.В. О возможности прогнозирования ближайших и отдаленных осложнений при остром инфаркте миокарда по данным Холте-ровского мониторирования с использованием биоритмологического подхода // Клиническая медицина. - М., 1996. - № 9. - с. 4-8.

111. Потапова Т.Б. К вопросу о точности математических моделей // Приборы и системы управления. - 1997. - № 7. - с. 19.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.