Модели, методы и инструментальные средства для создания интеллектуальных систем по планированию и мониторингу лечения тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Ковалев Роман Игоревич

• Ковалев Роман Игоревич
• кандидат наук
• 2024

Оглавление диссертации кандидат наук Ковалев Роман Игоревич

ВВЕДЕНИЕ

1 РОЛЬ КОМПЬЮТЕРНЫХ СИСТЕМ В КЛИНИЧЕСКОЙ ПРАКТИКЕ

1.1 Процесс планирования лечения

1.2 Требования к компьютерным системам помощи планирования лечения

1.3 Анализ существующих компьютерных систем помощи планирования лечения

1.3.1 Системы на основе знаний

1.3.1.1 Системы с формально-логической МПЗ

1.3.1.2 Системы с продукционной МПЗ

1.3.1.3 Системы с семантической и фреймовой МПЗ

1.3.2 Системы на основе прецедентного подхода

1.3.3 Системы на основе машинного обучения

1.4 Выводы по главе

2 КОМПЛЕКС ИНСТРУМЕНТАЛЬНЫХ СРЕДСТВ ДЛЯ ПОСТРОЕНИЯ МЕДИЦИНСКИХ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ

2.1 Основные требования и принципы создания

2.2 Компонент вывода на основе знаний

2.3 Информационные ресурсы компонента вывода на основе знаний

2.3.1 Онтологический паттерн представления знаний о лечении

2.3.1.1 Обобщённая онтология представления знаний по комплексному планированию и коррекции лечения

2.3.1.2 Декларативная модель соответствий

2.3.2 Онтология объяснения предложенного лечения

2.3.3 Вспомогательные информационные ресурсы

2.4 Программные ресурсы компонента вывода на основе знаний

2.4.1 Единый онтологический решатель задач на основе комплекса онтологий

2.4.2 Метод решения задачи планирования, мониторинга и коррекции лечения на основе онтологического паттерна с генерацией детализированного объяснения

2.4.3 Формальное описание алгоритма

2.5 Реализация компонента вывода на основе знаний

2.5.1 Реализация онтологического паттерна представления

знаний о лечении

2.5.2 Реализация онтологии объяснения назначенного лечения

2.5.3 Реализация программных компонентов

2.6 Выводы по главе

3 КОМПОНЕНТ ВЫВОДА НА ОСНОВЕ ПРЕЦЕДЕНТНОГО ПОДХОДА

3.1 Постановка задачи

3.2 Метод извлечения прецедентов из архива ЭМК

3.3 Формальное описание алгоритма

3.4 Реализация компонента вывода на основе прецедентов

3.5 Выводы по главе

4 ТЕХНОЛОГИЯ СОЗДАНИЯ ПРИКЛАДНЫХ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ ПЛАНИРОВАНИЯ И КОРРЕКЦИИ ЛЕЧЕНИЯ НА ПЛАТФОРМЕ IACPAAS С ИСПОЛЬЗОВАНИЕМ КОМПЛЕКСА ИНСТРУМЕНТАЛЬНЫХ СРЕДСТВ

4.1 Архитектура инструментального комплекса

4.2 Технология создания прикладной медицинской системы

4.3 Апробация комплекса инструментальных средств

4.4 Сравнительная оценка трудозатрат при разработке интеллектуального сервиса планирования лечения

4.5 Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А. АКТ ВНЕДРЕНИЯ

ПРИЛОЖЕНИЕ Б. ПРОТОКОЛ ИСПЫТАНИЙ

Введение диссертации (часть автореферата) на тему «Модели, методы и инструментальные средства для создания интеллектуальных систем по планированию и мониторингу лечения»

ВВЕДЕНИЕ

Актуальность темы диссертации и степень разработанности темы.

Компьютерная поддержка практикующего врача при выборе им оптимальной комплексной терапии в соответствии с индивидуальными особенностями пациента является важной задачей. Актуальность данной проблемы обосновывается большим числом медицинских ошибок, вызванных различными факторами. Основные из них - это огромная номенклатура действующих лекарственных и физиотерапевтических средств, чрезмерная сложность назначения дозировки, длительности лечения, сочетание различных воздействий, противопоказаний и показаний. Совокупность этих обстоятельств требует анализа анамнеза пациента, результатов его объективных, лабораторных и инструментальных исследований. Такое количество информации выходит за пределы когнитивных возможностей человека. Единственным эффективным решением, которое может существенным образом улучшить данную ситуацию, является внедрение в систему здравоохранения систем поддержки принятия решений (СППР), использующих в своей работе технологии искусственного интеллекта.

К настоящему времени разработано большое количество СППР. Значительный вклад в разработку таких систем внесли множество отечественных ученых: В.В. Грибова, Б.А. Кобринский, А.П. Еремеев, П.Р. Варшавский, С. Б. Румовская, А.С. Клещев, И.А. Ходашинский, М. Ю. Черняховская, Ю.А. Орлова, Ю.А. Загорулько, Е.А. Шалфеева, Л.Н. Аверкин и многие другие российские исследователи, а также ряд зарубежных исследователей: E.H. Shortliffe, A.C. Scott, R. High, A. Holzinger, J. T. Monson, L.G. Cretu, E.L. Siegel, O. Selfridge, M. Fowler и многие другие.

Однако, анализ существующих решений показал, что такие системы реализуются только для одного заболевания, реже для небольшой их группы. При этом каждый вид лечения также представлен отдельной системой. Известные системы используют, как правило, один метод реализации, что не всегда позволяет получить правильное и точное решение. В системах на основе знаний структура знаний, лежащая в их основе, является существенно упрощённой по сравнению c

реальными знаниями и данными в этой области. Известные системы ориентированы на первоначальное назначение лечения без его дальнейшей коррекции и мониторинга.

Построение интеллектуальных СППР представляет собой трудоемкий процесс, требующий больших затрат временных, интеллектуальных и финансовых ресурсов. Огромное количество заболеваний делает невозможным создание и сопровождение отдельной системы для каждого заболевания (либо группы заболеваний). Также очевидно, что врач в своей повседневной практике не сможет использовать множество разрозненных реализаций такого класса систем.

Перспективным подходом в программной инженерии к решению указанных проблем является создание комплекса инструментальных средств, ориентированного на решение заданного класса задач, и содержащего как набор готовых решений, так и средства автоматизации создания информационных и программных компонентов. Поскольку группа задач охватывает планирование лечения, коррекцию ранее назначенного лечения и мониторинг результативности лечения, а при лечении разных заболеваний востребованы те или иные виды лечения (медикаментозное и/или восстановительное и/или хирургическое), спектр компонентов для конструирования систем достаточно широк. Поэтому требуются инструменты для создания прикладных интеллектуальных программных систем, способных формировать и обосновывать гипотезы (варианты) назначения лечебных мероприятий или их коррекции на основе информационных компонентов (хранимых знаний и рекомендованных прецедентов), а также оценивать изменение состояния пациента по результатам их воздействия.

Объектом исследования являются интеллектуальные СППР по планированию, мониторингу и коррекции лечения, а также инструментальные средства их разработки.

Предметом исследования являются методы, модели и алгоритмы создания интеллектуальных СППР по планированию, мониторингу и коррекции лечения.

Цель работы состоит в разработке моделей, методов, и инструментальных средств для поддержки комплекса задач, связанных с процессом лечения, и

обеспечивающих снижение трудоемкости создания прикладных интеллектуальных систем поддержки принятия решения для задач данного класса. Для достижения поставленной цели необходимо решить следующие задачи:

1) разработать принципы создания комплекса инструментальных программных средств для конструирования прикладных интеллектуальных систем поддержки принятия решений в процессе лечения пациентов;

2) разработать онтологический паттерн представления знаний по планированию и мониторингу лечения, метод и алгоритм решения задачи планирования, мониторинга и коррекции лечения на основе онтологического паттерна с генерацией детализированного объяснения;

3) разработать метод и алгоритм решения задачи планирования и коррекции лечения по аналогии на основе базы прецедентов;

4) разработать архитектуру и методы реализации комплекса инструментальных средств для построения интеллектуальных систем поддержки принятия решений по планированию, мониторингу и коррекции лечения на основе знаний и рассуждения по аналогии.

5) разработать технологию создания прикладных интеллектуальных систем (СППР) планирования, мониторинга и коррекции лечения с использованием комплекса инструментальных средств.

Научная новизна диссертационного исследования заключается в следующем:

1) Впервые предложен онтологический паттерн на основе семантической (графовой) модели представления знаний по комплексному планированию и мониторингу лечения пациентов, независимый от заболевания и адаптируемый к различным видам лечения, экспертам, медицинским учреждениям на основе декларативной спецификации.

2) Впервые разработан метод генерации плана лечения, его коррекции (по результатам мониторирования), автоматически адаптируемый под специализированную онтологию (сформированную на основе онтологического паттерна) и формализованную по ней базу знаний с генерацией детализированного

объяснения (обоснования) предлагаемого решения. Метод обеспечивает возможность создания единого онтологического решателя для класса задач планирования, мониторинга и коррекции лечения на основе онтологического паттерна, что существенно снижает затраты на разработку интеллектуальных СППР и повышает доверие к результатам (за счет объяснительной компоненты).

3) Предложен комбинированный метод рассуждения по аналогии, сочетающий извлечение прецедента на основе знаний с классическим способом К-ближайших соседей, для обеспечения гибкости и корректности в оценке сходства прецедентов.

Соответствие диссертации паспорту научной специальности. Тема и основные результаты диссертации соответствуют следующим областям исследований паспорта специальности «2.3.5 Математическое и программное обеспечение вычислительных систем, комплексов и компьютерных сетей»: (1) Интеллектуальные системы машинного обучения, управления базами данных и знаний, инструментальные средства разработки цифровых продуктов; (5) Программные системы символьных вычислений.

Теоретическая ценность работы заключается в развитии средств и методов создания интеллектуальных систем на основе гибридного подхода, сочетающего различные методы искусственного интеллекта: вывод на основе онтологических баз знаний, имеющих семантическое (графовое) представление и рассуждения по аналогии. Это позволяет преодолеть недостатки каждого метода в отдельности и расширить возможности системы.

Практическая значимость работы. Предложенные в рамках диссертационной работы модели, методы, алгоритмы позволяют существенно снизить затраты на разработку и сопровождение интеллектуальных систем по назначению персонифицированного лечения, его мониторингу и коррекции. Применение предложенного решения на практике обеспечит значительное снижение медицинских ошибок при назначении лечения, что в большей степени повышает качество оказываемой медицинской помощи населению. Автором получено 4 свидетельства о регистрации программ для ЭВМ. Практическая

полезность результатов диссертационного исследования подтверждается успешным использованием полученных результатов при выполнении государственных заданий и научных исследований №FZNS-2023-0010 (ДВФУ), №0202-2021-0004 (ИАПУ), FWFW-2022-0002 (ИАПУ), а также по гранту №°157ГС1ИИС12-07/79668.

С использованием комплекса инструментальных средств был разработан ряд интеллектуальных систем управления лечением, в частности, система для лечения коронавирусной инфекции COVID-19 методами традиционной китайской медицины. Система успешно использовалась в феврале 2020 в КНР, имеется акт об использовании (Приложение А).

Был создан интеллектуальный сервис управления процессом лечения больных туберкулезом легких, позволяющий формировать планы лечения с минимально возможным использованием препаратов и максимальной эффективностью для предупреждения формирования лекарственной устойчивости МБТ. Его БЗ основывается на клинических рекомендациях Минздрава России. Данная система успешно прошла апробацию в различных медицинских учреждениях, в частности в Оренбургском областном клиническом противотуберкулезном диспансере, что подтверждается протоколом испытаний (Приложение Б). Использование системы показало корректность предлагаемых рекомендаций по лечению. Также был разработан ряд систем для лечения заболеваний в кардиологии и гастроэнтерологии.

Основные положения, выносимые на защиту:

1) онтологический паттерн представления знаний по планированию и мониторингу лечения, независимый от заболевания, и метод его адаптации к различным видам лечения на основе декларативной спецификации;

2) единый (универсальный) алгоритм управления процессом лечения, на основе онтологического паттерна и базы знаний, реализующий комплекс задач управления процессом лечения для различных видов лечения и заболеваний с генерацией объяснений;

3) метод рассуждения по аналогии, обеспечивающий поиск похожих прецедентов в медицинских терминах для произвольных заболеваний на основе знаний и метода K-ближайших соседей;

4) комплекс инструментальных средств для разработки прикладных интеллектуальных СППР по управлению процессом лечения для различных заболеваний (управление подразумевает: назначение лечения по предварительному диагнозу - назначение лечения по окончательному диагнозу - мониторинг лечения - коррекция лечения).

Методы исследования. В работе использовались методы системного анализа, теории графов, облачных технологий, объектно-ориентированного программирования, онтологического инжиниринга и других методов искусственного интеллекта.

Достоверность научных и практических результатов подтверждается созданием целого ряда прикладных медицинских систем для лечения различных заболеваний. Базы знаний и данных эволюционируют по мере изменения фактологического материала, расширения знаний и выявления на практике новых случаев, требующих корректировки знаний человеком-экспертом или автоматически, при этом разработанные модели, методы и алгоритмы корректировки не требуют.

Апробация работы. Основные результаты работы докладывались и обсуждались на конференциях: «Системный анализ в медицине» (САМ 2020), Благовещенск, 2020; VIII Всероссийская научная конференция, Уфа, 2020; «Системный анализ в медицине» (САМ 2021), Благовещенск, 2021; Интегрированные модели и мягкие вычисления в искусственном интеллекте, 2021, Коломна; Двадцатая Национальная конференция по искусственному интеллекту с международным участием (КИИ-2022), Москва, 2022; Двадцать первая Национальная конференция по искусственному интеллекту с международным участием (КИИ-2023), Смоленск, 2023.

Публикации. По теме диссертационной работы опубликовано 21 научная работа, из них: 6 статей в журналах, рекомендованных ВАК;4 статьи Scopus и WoS;

4 свидетельства о регистрации программ для ЭВМ; 7 докладов на конференциях и других публикаций.

Структура и объем работы. Диссертация состоит из введения, 4-х глав, заключения, списка литературы. Общий объем диссертации составляет 145 страниц, в том числе список литературы из 123 наименований и 69 рисунков. Диссертацию дополняет 2 приложения.

1 РОЛЬ КОМПЬЮТЕРНЫХ СИСТЕМ В КЛИНИЧЕСКОЙ ПРАКТИКЕ

Врачу при назначении лечения необходимо проанализировать большое количество информации (жалобы больного, результаты его объективного, лабораторного и инструментального исследований, сопутствующие заболевания, аллергии, совместимость лекарственных препаратов, противопоказания и многое другое) [1], выявить определённые закономерности, учесть новые знания, что порой бывает очень сложно. Также необходимо принимать во внимание специфику различных видов лечения, таких как медикаментозное, восстановительное, или же хирургическое вмешательство. Такое количество информации выходит за пределы когнитивных возможностей человека, что приводит к чрезмерному усложнению процесса принятия верных решений и, как следствие, совершается много медицинских ошибок. Помочь врачу призваны всевозможные компьютерные помощники.

СППР все чаще входят в повседневную практику врача. Такие системы обеспечивают обработку значительного количества клинической информации и предлагают свои рекомендации. К настоящему времени разработано большое количество компьютерных систем, помогающих врачу назначить медикаментозное лечение, помочь спланировать тактику хирургической операции или план реабилитации, как правило, объединяющий медикаментозное и восстановительное лечение.

1.1 Процесс планирования лечения

В современной комплексной терапии выделяют несколько видов лечения: медикаментозное, восстановительное и хирургическое. Медикаментозное лечение используется при всех патологиях. Лекарственные препараты подбираются лечащим врачом персонально для каждого пациента. При назначении учитывается основная и сопутствующая патологии, возраст, пол, общее состояние больного, индивидуальную непереносимость, резистентность, совместимость препаратов.

Восстановительное лечение — это лечение при помощи физических методов, направленное на восстановление трудоспособности или, возможно, более полную компенсацию ограничений жизнедеятельности, вызванных нарушением здоровья

со стойким расстройством функций организма. Восстановительное лечение необходимо, когда у больного значительно снижены функциональные способности, способности к обучению, нарушены трудовая деятельность, социальные отношения и т.д. В ходе такого лечения стараются восстановить нарушенные функции у человека, а также сохранить их. Кроме этого, человеку помогают адаптироваться с возникшими недостатками.

Хирургическое лечение же предполагает нарушение целостности кожных покровов и внутренних тканей организма. Оно проводится с помощью физического или механического воздействия на органы и ткани. Хирургические операции проводятся с помощью специального инструментария и аппаратуры, для поддержания жизнедеятельности организма.

Все виды лечения имеют схожий многоэтапный алгоритм применения, на каждом из которых необходимо выполнение различных условий. На первом этапе определяется методика, в соответствии с которой будет планироваться лечение, далее устанавливаются конкретные цели и аспекты, на которые будет направлено лечение. По каждой цели определяется необходимый набор воздействий с описанием его параметров, которые могут включать медикаментозный препарат, реабилитационный фактор или хирургическую операцию. В некоторых случаях, особенно при сочетанной патологии, пациенту могут быть назначены комбинации из различных методик и видов лечения.

1.2 Требования к компьютерным системам помощи планирования лечения

Выделим основные требования к компьютерным системам помощи планирования лечения.

1. Самой базовой функцией, которой должна обладать любая система помощи врачу, является возможность ведения электронной медицинской карты пациента (ЭМК) [4-5]. Без ЭМК невозможно говорить о какой-либо информатизации врачебной работы. ЭМК должна обеспечивать полную формализацию клинических данных пациента, а также формально-логический контроль при заполнении медицинских документов на предмет полноты и

корректности их заполнения. Все это дает возможность компьютерным системам взаимодействовать с этими данными. Также должна быть обеспечена возможность работы нескольких врачей с одним пациентом.

2. Система должна быть расширяемой, т.е. не зависеть от конкретного заболевания (либо их группы), раздела медицины [6]. Данное требование является ключевым, поскольку совершенно очевидно, что невозможно разработать и сопровождать множество разрозненных систем. Более того, врач, помощь в принятии решений, которому должны обеспечить такие системы, не может и не должен использовать множество различных систем.

3. Залогом качественного лечения является индивидуальный подход к пациенту [7-8]. Система должна назначать лечение с учетом персональных особенностей пациента, а также генерировать детализированные обоснования принятых решений.

4. Нередко для лечения одной патологии требуется комбинированное воздействие на пациента с различными подходами [9-12]. Система должна поддерживать возможность комплексного назначения лечения, включающее медикаментозное, восстановительное и хирургическое вмешательство, поскольку, как уже ранее сказано, врач не сможет использовать множество разнородных систем для лечения одного заболевания. Из этого вытекает еще одно требование, что система должна обеспечивать возможность планирования лечения сочетанной патологии, поскольку нередко пациент обладает сразу несколькими заболеваниями.

4. Медицинские знания о лечении постоянно меняются, часть устаревает и появляются новые. Ввиду этого, в системе должна быть обеспечена возможность их модификации [13-14]. Более того, знания должны формироваться и модифицироваться силами экспертов предметной области, и поэтому, структура представления знаний должна быть понятна для них.

5. Мониторинг и коррекция проводимой терапии являются неотъемлемой частью терапии, поэтому у систем помощи лечения, также, должна быть такая

возможность [15-16]. Система должна предлагать альтернативные варианты лечения, если проводимая терапия не достигает ключевых показателей.

1.3 Анализ существующих компьютерных систем помощи планирования лечения

Системы, помогающие врачам в назначении лечения, можно разделить на три основных класса: системы на основе знаний, на основе прецедентов и системы на основе методов машинного обучения.

1.3.1 Системы на основе знаний

Системы на основе знаний, или же экспертные системы (ЭС), используют в своей работе знания специалистов (экспертов) о некоторой конкретной узкой специализированной предметной области и способны в пределах этой области предлагать решения на уровне эксперта-профессионала [17]. Ключевым компонентом таких систем является, собственно, сама база знаний (БЗ), она и определяет их возможности. Главной характеристикой БЗ является ее модель представления. В медицинских ЭС встречаются формально-логическая, продукционная, семантическая и фреймовая модели представления знаний.

1.3.1.1 Системы с формально-логической МПЗ

Формальные логические модели основаны на формальных исчислениях, в качестве которых чаще используется система исчисления предикатов первого порядка и которые позволяют делать логический вывод на основе имеющихся правил и аксиом [18-19].

Основные преимущества систем на основе логики предикатов заключаются в простоте формирования баз знаний. Для представления знаний используется хорошо понятный математический механизм, имеется возможность контроля логической целостности базы знаний, т. е. ее непротиворечивости и полноты, вследствие чего легко реализуется алгоритм вывода. Весьма просто реализуется запись фактов, следствием чего является простота и компактность базы знаний [20].

Главным недостатком логической модели является отсутствие четких принципов организации фактов в базе знаний. Из-за отсутствия определённости в некоторых сферах науки, куда относится и медицина, в такую модель тяжело добавить необходимое количество аксиом для корректной работы будущей системы. Каждая аксиома должна иметь строгий вывод, зачастую либо «да», либо «нет». Этого очень тяжело добиться в сфере медицинской науки, в связи с чем сложность разработки возрастает в геометрической прогрессии. Ввиду этого, логическая модель представления знаний в медицинских ЭС, в частности, поддержки в назначении лечения, не получили широкого распространения [21].

К системам такого типа можно отнести MobiGuide [22-23]. Она ориентирована на поддержку принятия решений при диагностике и лечении различных заболеваний. Конкретно система прошла апробацию на таких заболеваниях как фибрилляция предсердий и гестационный диабет. В ее базу знаний заложены компьютерно-интерпретируемые клинические руководства. Система сопоставляет знания с моделью пациента, параметры которой хранятся в электронной медицинской карте, для предоставления индивидуальных рекомендаций для пациента. В карте собираются все данные из больничных медицинских карт, мобильных биосенсоров, результаты исследований и т.д. Алгоритм вывода рекомендаций основывается на деревьях решений. Использование данной системы на практике позволило повысить количество положительных прогнозов для двух из десяти до одиннадцати из двадцати пациентов.

К недостаткам данной системы относится довольно слабая персонификация предлагаемого лечения, поскольку ее база знаний представляет, по сути, справочную систему, которая помогает проверить совместимость лекарственных средств, возможные дозировки, нозологии, при которых лекарственный препарат используется, подсказать врачу протокол лечения согласно справочнику. В системе отсутствует функция назначения лечения при сочетанной патологии. Также нет никакой информации о возможности проведении мониторинга и коррекции назначенного лечения. Виду использования логической МПЗ специалистам

предметной области будет проблематично вносить изменения в базу знаний данной системы.

1.3.1.2 Системы с продукционной МПЗ

Продукционная МПЗ позволяет представлять знания с помощью так называемых правил продукции, в виде предложений типа: «ЕСЛИ условие, ТО действие» [18, 24]. Данный тип представления знаний удобен в небольших системах, однако он малопригоден для разработки сложных систем ввиду кратно возрастающей сложности формирования БЗ, а также впоследствии низкой эффективности обработки. Также к недостаткам систем с продукционной МПЗ в целом можно отнести [25]:

1) непонятность целостной БЗ для специалистов предметной области;

2) зачастую сложность в модификации существующей базы знаний.

Наиболее известными решениями, использующими продукционную МПЗ с

прямым выводом, являются экспертные системы MYCIN и ONCOCIN [26]. Эти решения считаются прообразом последующих интеллектуальных систем в медицине. MYCIN предназначена для оказания помощи специалистам при постановке диагноза некоторых инфекционных заболеваний и рекомендации необходимого количества антибиотиков в зависимости от массы тела пациента. ONCOCIN решает задачу поддержки принятия решений при лечении пациентов, получающих химиотерапию. К числу наиболее известных также можно отнести экспертную систему AAPHelp [27], предназначенную для поиска причины резких болей и помощи при их хирургическом купировании.

Среди современных разработок можно выделить систему RTP-DSS [28] для выбора режима лучевой терапии. Она позволяет сравнивать несколько альтернативных планов лечения для конкретного пациента. Система объединяет лучевые методы лечения и биологические модели в единый программный комплекс. На основании показателей пациента выбираются возможные методы лечения.

К достоинствам системы следует отнести возможность назначать комплексную комбинированную терапию, сочетающую как медикаментозное, так и восстановительное лечение.

К главному недостатку данной системы относится ориентация на узкий тип заболеваний. Кроме того, в системе отсутствует как таковая ЭМК, ввиду этого накопление каких-либо данных о пациенте и проведение мониторинга с коррекцией лечения также невозможны. Еще одним ограничением является невозможность изменения базы знаний для специалиста предметной области.

Система IndiGO предназначена для формирования индивидуализированных протоколов диагностики и лечения заболеваний в кардиологии, эндокринологии. IndiGO взаимодействует с электронными медицинскими картами и реестрами заболеваний, опираясь на эти базы данных, выявляет группы пациентов из группы риска и предлагает соответствующие вмешательства. Критериями оценки являются ранее назначенное лечение, изменения физиологических маркеров и прогнозируемый 5-летний риск сердечного приступа и инсульта. Кроме того, система может составлять планы ухода за конкретными пациентами [29].

Таким образом, преимуществами системы являются наличие ЭМК и возможность проведения мониторинга проводимого лечения. Также система способна предлагать персонализированное лечение.

Список литературы диссертационного исследования кандидат наук Ковалев Роман Игоревич, 2024 год

СПИСОК ЛИТЕРАТУРЫ

1. Федосеев, Г. Б. Врачебные ошибки: характер, причины, последствия, пути предупреждения / Г. Б. Федосеев // Терапия. - 2018. - № 5(23). - С. 109-115.

2. Halford, G. S. How many variables can humans process? / G. S. Halford, R. Baker, J. E. McCredden, J. D. Bain // Psychological science. - 2005. - Vol. 16, No. 1. -P. 70-76.

3. Lysaght, T. AI-assisted decision-making in healthcare: the application of an ethics framework for big data in health and research / T. Lysaght et al. // Asian Bioethics Review. - 2019. - Т. 11. - С. 299-314.

4. Зингерман, Б. В. Электронная медицинская карта и принципы ее организации / Б. В. Зингерман, Н. Е. Шкловский-Корди // Врач и информационные технологии. - 2013. - № 2. - С. 37-58.

5. Гусев, А. В. Электронные медицинские карты как источник данных реальной клинической практики / А. В. Гусев и др. // Реальная клиническая практика: данные и доказательства. - 2022. - Т. 2. - № 2. - С. 8-20.

6. Загорулько, Г. Б. Методология разработки интеллектуальных СППР и ее применение для задач медицинской диагностики / Г. Б. Загорулько // Информационные технологии и системы: Труды Седьмой Всероссийской научной конференции с международным участием, Ханты-Мансийск, 12-16 марта 2019 г.

7. Гусев, А. В. Поддержка принятия врачебных решений в медицинских информационных системах медицинской организации / А. В. Гусев, Т. В. Зарубина // Врач и информационные технологии. - 2017. - № 2. - С. 60-72.

8. Гусев, А. В. Тренды и прогнозы развития медицинских информационных систем в России / А. В. Гусев и др. // Врач и информационные технологии. - 2019. - № 2. - С. 38-49.

9. Мамарасулов, Д. И. Комбинированная терапия акне / Д. И. Мамарасулов и др. // Медицина: теория и практика. - 2019. - Т. 4. - № S. - С. 342-343.

10. Усманова, Д. Н. Комбинированная терапия больных, страдающих ИБС с субклиническим гипотиреозом / Д. Н. Усманова и др. // Евразийский кардиологический журнал. - 2019. - № S1. - С. 185-186.

11. Mokhtari, R. B. Combination therapy in combating cancer / R. B. Mokhtari et al. // Oncotarget. - 2017. - Т. 8. - № 23. - С. 38022.

12. Doki, Y. Nivolumab combination therapy in advanced esophageal squamous-cell carcinoma / Y. Doki et al. // New England Journal of Medicine. - 2022. - Т. 386. -№ 5. - С. 449-462.

13. Каешко, А. И. Принципы построения клинической системы поддержки принятия решений на основе технологии OSTIS / А. И. Каешко, Е. А. Маргунов // Открытые семантические технологии проектирования интеллектуальных систем (OSTIS-2015): материалы V междунар. науч.-техн. конф. (Минск, 19-21 февраля 2015 года) / редкол.: В. В. Голенков (отв. ред.) [и др.]. - Минск: БГУИР, 2015. - С. 149-156.

14. Берсенева, Е. А. Опыт применения интеллектуальных систем поддержки принятия диагностических решений в многопрофильном стационаре / Е. А. Берсенева, Д. Ю. Михайлов // Уральский медицинский журнал. - 2020. - №2 5 (188). - С. 2020.

15. Еремеев, А. П. Разработка интегрированных интеллектуальных систем поддержки принятия решений реального времени для мониторинга и управления сложными технологическими объектами / А. П. Еремеев, В. В. Голенков // Гибридные и синергетические интеллектуальные системы. - 2018. - С. 10-17.

16. Feng, J. Clinical artificial intelligence quality improvement: towards continual monitoring and updating of AI algorithms in healthcare / J. Feng et al. // NPJ digital medicine. - 2022. - Т. 5. - № 1. - С. 66.

17. Серебрякова, Т. А. Проектирование систем, основанных на знаниях / Т. А. Серебрякова, В. Г. Серебряков, Е. А. Пяткова // Постулат. - 2019. - № 1 январь.

18. Белоус, Е. С. Современные модели представления знаний в обучающих системах / Е. С. Белоус, В. А. Кудинов, М. Э. Желнин // Ученые записки. Электронный научный журнал Курского государственного университета. - 2010. -№ 1 (13). - С. 9-14.

19. Анисимова, Э. С. Логические модели представления знаний / Э. С. Анисимова // Экономика и социум. - 2015. - № 3-3 (16).

20. Старшова, И. И. Модели представления знаний и особенности логической модели / И. И. Старшова // Современные научные исследования и разработки. - 2017. - Т. 2. - № 1. - С. 208-210.

21. Барышев, М. В. Модели представления знаний экспертных систем / М. В. Барышев, И. Ю. Гатчин, Ю. А. Гатчин // Научно-технический вестник информационных технологий, механики и оптики. - 2006. - № 29. - С. 14-18.

22. Peleg, M. MobiGuide: guiding clinicians and chronic patients anytime anywhere / M. Peleg, Y. Shahar, S. Quaglini // Communications of the ACM. - 2022. -Vol. 65. - No. 4. - Pp. 74-79.

23. Peleg, M. MobiGuide: a personalized and patient-centric decision-support system and its evaluation in the atrial fibrillation and gestational diabetes domains / M. Peleg, et al. // User Modeling and User-Adapted Interaction. - 2017. - Vol. 27. - Pp. 159213.

24. Катасёв, А. С. Инвариантная нечетко-продукционная модель представления знаний в экспертных системах / А. С. Катасёв, Д. Р. Газимова // Вестник Казанского государственного технического университета им. А. Н. Туполева. - 2011. - № 1. - С. 142-148.

25. Логунова, Е. А. Обзор подходов к разрешению недостатков продукционной базы знаний системы логического вывода / Е. А. Логунова // Современные наукоемкие технологии. - 2015. - № 9. - С. 46-48.

26. Jadhav, V. S. A. REVIEW of Application of Expert Systems in the Medicine / V. S. Jadhav, A. Sattikar // Sinhgad Institute of Management and Computer Application (SIMCA). - 2014.

27. Hasman, A. My Journey Through the Field of Medical Informatics / A. Hasman // Achievements Milestones and Challenges in Biomedical and Health Informatics. - IOS Press, 2022. - Pp. 38-52.

28. Watkins, W. A Radiation Therapy Treatment Planning Decision Support System (RTP-DSS) for Selecting Patient-Specific Optimal Treatment / W. Watkins, et al. // International Journal of Radiation Oncology, Biology, Physics. - 2016. - Vol. 96. - No. 2. - P. S82.

29. Sista, A. K. Indigo aspiration system for treatment of pulmonary embolism: results of the EXTRACT-PE trial / A. K. Sista, et al. // Cardiovascular Interventions. -2021. - Vol. 14. - No. 3. - Pp. 319-329.

30. Khozeimeh, F. An expert system for selecting wart treatment method / F. Khozeimeh, et al. // Computers in Biology and Medicine. - 2017. - Vol. 81. - Pp. 167175.

31. Jiang, X. A clinical decision support system learned from data to personalize treatment recommendations towards preventing breast cancer metastasis / X. Jiang, et al. // PloS one. - 2019. - Vol. 14. - No. 3.

32. Abu-Naser, S. Lower Back Pain Expert System Diagnosis And Treatment / S. Abu-Naser, R. Al-Dahdooh // Journal of Multidisciplinary Engineering Science Studies

- 2016. - Vol. 2 - Issue 4.

33. Yahyaoui, A. A Decision Support System for Diabetes Prediction Using Machine Learning and Deep Learning Techniques / A. Yahyaoui, A. Jamil, J. Rasheed, M. Yesiltepe // 2019 1st International informatics and software engineering conference (UBMYK). - IEEE, 2019. - С. 1-4.

34. Anakal, S. Clinical decision support system for chronic obstructive pulmonary disease using machine learning techniques / S. Anakal, P. Sandhya // 2017 International Conference on Electrical Electronics Communication Computer and Optimization Techniques (ICEECCOT). - IEEE, 2017. - Pp. 1-5.

35. Никоноров, И. Ю. Сравнение и анализ моделей представления знаний в экспертных системах / И. Ю. Никоноров, Д. Г. Васёв, А. А. Филимонова // Научные исследования: от теории к практике. - 2015. - Т. 2. - № 4. - С. 80-82.

36. Лебедев, Г. С. Аппликативно-фреймовая модель представления медицинских знаний / Г. С. Лебедев, А. Ю. Лосев // Фундаментальные исследования. - 2016. - № 8-2. - С. 254-261.

37. Холмогоров, В. В. Эволюционная модель представления знаний / В. В. Холмогоров // International Journal of Open Information Technologies. - 2023. - Т. 11.

- № 10. - С. 26-32.

38. Nath, P. AI & Expert System in Medical Field: A study by survey method / P. Nath // AITHUN Volume-I. - 2015. - Т. 100.

39. Kulikowski, C. A. Representation of expert knowledge for consultation: the CASNET and EXPERT projects / C. A. Kulikowski, S. M. Weiss // Artificial Intelligence in Medicine. - Routledge, 2019. - Pp. 21-55.

40. Slimani, T. Ontology development: A comparing study on tools, languages and formalisms / T. Slimani // Indian Journal of Science and Technology. - 2015. - Vol. 8. - No. 24.

41. Troumpoukis, A. Web Ontology Languages [Электронный ресурс] / A. Troumpoukis, A. Charalambidis, S. Konstantopoulos. - 2020. — Режим доступа: https: //users .iit.demokritos. gr/~konstant/hidden/ai/owl. pdf.

42. Robles-Bykbaev, V. E. SPELTA: An expert system to generate therapy plans for speech and language disorders / V. E. Robles-Bykbaev, et al. // Expert Systems with Applications. - 2015. - Vol. 42. - No. 21. - Pp. 7641-7651.

43. Robles-Bykbaev, V. Evaluation of an expert system for the generation of speech and language therapy plans / V. Robles-Bykbaev, et al. // JMIR Medical Informatics. - 2016. - Vol. 4. - No. 3. - e5660.

44. Bottrighi, A. META-GLARE: A meta-system for defining your own computer interpretable guideline system—Architecture and acquisition / A. Bottrighi, P. Terenziani // Artificial Intelligence in Medicine. - 2016. - Vol. 72. - Pp. 22-41.

45. Bottrighi, A. META-GLARE: A meta-engine for executing computer interpretable guidelines / A. Bottrighi, S. Rubrichi, P. Terenziani // Knowledge Representation for Health Care: AIME 2015 International Joint Workshop KR4HC/ProHealth 2015 Pavia Italy June 20 2015 Revised Selected Papers. - Springer International Publishing, 2015. - Pp. 37-50.

46. Leonardi, G. Exceptions handling within GLARE clinical guideline framework / G. Leonardi, A. Bottrighi, G. Galliani, P. Terenziani, A. Messina, F. Della Corte // AMIA Annu Symp Proc. - 2012. - 2012:512-21. Epub 2012 Nov 3. PMID: 23304323; PMCID: PMC3540504.

47. Strickroth, S. ProFormA: An XML-based exchange format for programming tasks / S. Strickroth, et al. // eleed. - 2015. - Vol. 11. - No. 1.

48. Peleg, M. A method for goal-oriented guideline modeling in PROforma and its preliminary evaluation / M. Peleg, A. Kogan, S. W. Tu // Artificial Intelligence in Medicine: Knowledge Representation and Transparent and Explainable Systems: AIME 2019 International Workshops KR4HC/ProHealth and TEAAM Poznan Poland June 2629 2019 Revised Selected Papers. - Springer International Publishing, 2019. - Pp. 17-28.

49. Schaefer, J. F. The GLIF System: A Framework for Inference-Based Natural-Language Understanding [Электронный ресурс] / J. F. Schaefer, M. Kohlhase. - 2020. — Режим доступа: https://kwarc.info/people/mkohlhase/submit/cicm20-glif.pdf

50. Schaefer, J. F. GLIF: A Declarative Framework for Symbolic Natural Language Understanding / J. F. Schaefer, M. Kohlhase // FCR@ KI. - 2020. - Pp. 4-11.

51. Boxwala, A. A. GLIF3: a representation format for sharable computer-interpretable clinical practice guidelines / A. A. Boxwala, M. Peleg, S. Tu, O. T. Ogunyemi, D. Zeng, D. Wang, et al. // J. Biomed. Inform. - 2004. - Vol. 37. - No. 3. -Pp. 147-161.

52. Енгалычев, Д. Н. Методологические подходы разработки цифровой клинической рекомендации / Д. Н. Енгалычев, А. А. Ходовский, М. Б. Левин // ОРГЗДРАВ: Новости. Мнения. Обучение. Вестник ВШОУЗ. - 2021. - № 3 (25). -С. 70-81.

53. Белышев, Д. В. Новые аспекты развития медицинских информационных систем / Д. В. Белышев, и др. // Врач и информационные технологии. - 2019. - № 4. - С. 6-12.

54. Юдин, В. Н. Гибридный подход к построению систем поддержки решений / В. Н. Юдин, Л. Е. Карпов // Труды института системного программирования РАН. - 2013. - Т. 24. - С. 447-456.

55. Крылов, А. В. Проблема извлечения знаний с использованием рассуждений на основе прецедентов / А. В. Крылов // Известия высших учебных заведений. Приборостроение. - 2018. - Т. 61. - № 11. - С. 956-962.

56. Simpson, R. L. A Computer Model of Case-Based Reasoning in Problem Solving: An Investigation in the Domain of Dispute Mediation / R. L. Simpson // Technical Report GIT-ICS85/18 Georgia Institute of Technology School of Information and Computer Science Atlanta, US. - 1985.

57. Koton, P. Using experience in learning and problem solving / P. Koton // Massachusetts Institute of Technology Laboratory of Computer Science Ph.D. Thesis MIT/LCS/TR-441. - 1989.

58. Bareiss, E. R. Protos: An exemplar-based learning apprentice / E. R. Bareiss, B. W. Porter, C. C. Wier // Proceedings of the fourth international workshop on machine learning. - August, 1987. - Pp. 12-23.

59. Bichindaritz, I. Case-based reasoning in care-partner: Gathering evidence for evidence-based medical practice / I. Bichindaritz, E. Kansu, K. M. Sullivan // European workshop on advances in case-based reasoning. - Springer Berlin Heidelberg, 1998. -Pp. 334-345.

60. Варшавский, П. Р. Метод поиска решений в интеллектуальных системах поддержки принятия решений на основе прецедентов / П. Р. Варшавский, Р. В. Алехин // Information Models and Analyses. - 2013. - Т. 2. - № 4. - С. 385-392.

61. Еремеев, А. П. Моделирование рассуждений на основе прецедентов в интеллектуальных системах поддержки принятия решений / А. П. Еремеев, П. Р. Варшавский // Искусственный интеллект и принятие решений. - 2009. - № 2. - С. 45-57.

62. Gu, D. Intelligent Technique for Knowledge Reuse of Dental Medical Records Based on Case-Based Reasoning / D. Gu, C. Liang, X. Li, S. Yang, P. Zhang // Journal of Medical Systems. - 2010. - Vol. 34. - Pp. 213-222. DOI: 10.1007/s10916-008-9232-y.

63. Ватазин, А. В. Виртуальная интеграция и консолидация знаний в распределенной системе поддержки врачебных решений / А. В. Ватазин, Л. Е. Карпов, В. Н. Юдин // Альманах клинической медицины. - 2009. - № 20. - С. 8386.

64. Юдин, В. Н. Гибридный подход к построению систем поддержки решений / В. Н. Юдин, Л. Е. Карпов //Труды института системного программирования РАН. - 2013. - Т. 24. - С. 447-456.

65. Xiao, H. Decision Support System to Risk Stratification in the Acute Coronary Syndrome Using Fuzzy Logic / H. Xiao, N. Shah, H. Li, H. Khan, C. Li // Scientific Programming. - 2021. - Vol. 2021. - Pp. 1-9. DOI: 10.1155/2021/6571905.

66. Карпов, Л. Е. Методы добычи данных при построении локальной метрики в системах вывода по прецедентам / Л. Е. Карпов, В. Н. Юдин // Препринт Института системного программирования РАН. - 2006. - № 18. - С. 1-42.

67. Hadj-Mabrouk, H. Application of Case-Based Reasoning to the safety assessment of critical software used in rail transport / H. Hadj-Mabrouk // Safety Science. - 2020. - Vol. 131. - P. 104928.

68. Ahmed, M. U. A computer aided system for post-operative pain treatment combining knowledge discovery and case-based reasoning / M. U. Ahmed, P. Funk // International Conference on Case-Based Reasoning. - Berlin Heidelberg: Springer Berlin Heidelberg, 2012. - Pp. 3-16.

69. Черкасов, Д. Ю. Машинное обучение / Д. Ю. Черкасов, В. В. Иванов // Наука техника и образование. - 2018. - № 5 (46).

70. Файзрахманов, А. Ф. Машинное обучение в медицине: эволюция и перспективы / А. Ф. Файзрахманов, и др. // Южно-Сибирский научный вестник. -2021. - № 4. - С. 43-49.

71. Salamun, S. A Testing of Case-Base Reasoning for Covid-19 Patient Status Confirmation / S. Salamun, et al. // Indonesian Journal of Artificial Intelligence and Data Mining (IJAIDM). - 2021. - Vol. 4. - No. 2. - Pp. 72-78.

72. Гусев, А. В. Перспективы нейронных сетей и глубокого машинного обучения в создании решений для здравоохранения / А. В. Гусев // Врач и информационные технологии. - 2017. - № 3.

73. Шумский, С. Машинный интеллект. Очерки по теории машинного обучения и искусственного интеллекта / С. Шумский. // Aegitas. - 2019.

74. Гусев, А. В. Искусственный интеллект в медицине и здравоохранении / А. В. Гусев, С. Л. Добридуник // Информационное общество. - 2017. - № 4-5. - С. 78-93.

75. Hoyt, R. E. IBM Watson analytics: automating visualization descriptive and predictive statistics / R. E. Hoyt, et al. // JMIR Public Health and Surveillance. - 2016. -Vol. 2. - No. 2. - e5810.

76. Strickland, E. IBM Watson heal thyself: How IBM overpromised and underdelivered on AI health care / E. Strickland // IEEE Spectrum. - 2019. - Vol. 56. -No. 4. - Pp. 24-31.

77. Chen, Y. IBM Watson: how cognitive computing can be applied to big data challenges in life sciences research / Y. Chen, J. D. E. Argentinis, G. Weber // Clinical Therapeutics. - 2016. - Vol. 38. - No. 4. - Pp. 688-701.

78. IBM pitched its Watson supercomputer as a revolution in cancer care. It's nowhere close [Электронный ресурс] / 2017. - Режим доступа: https://www. statnews.com/2017/09/05/watson-ibm-cancer/

79. Как доктор Ватсон не смог победить рак [Электронный ресурс] / 2017. -Режим доступа: http://medportal.ru/mednovosti/news/2017/09/06/879watson/

80. Powles, J. Google DeepMind and healthcare in an age of algorithms / J. Powles, H. Hodson // Health and Technology. - 2017. - Vol. 7. - No. 4. - Pp. 351-367.

81. Перевезенцев, Е. Е. Гибридные интеллектуальные системы / Е. Е. Перевезенцев, В. В. Ромашкова // Математическое и программное обеспечение вычис. - 2019. - Pp. 54.

82. Ковалев, М. А. От гибридных интеллектуальных систем к гибридному интеллекту / М. А. Ковалев // Искусственные общества. - 2020. - Т. 15. - № 2. -С. 8.

83. Aminu, E. F. A review on ontology development methodologies for developing ontological knowledge re-presentation systems for various domains / E. F. Aminu, et al. // Information Engineering and Electronic Business. - 2020.

84. Tudorache, T. WebProtégé: A Collaborative Ontology Editor and Knowledge Acquisition Tool for the Web / T. Tudorache // Semantic Web Journal. - 2013. - Vol. 4.

- No. 1. - Pp. 89-99.

85. Гаврилова, Т. А. Визуально-аналитическое мышление и интеллект-карты в онтологическом инжиниринге / Т. А. Гаврилова, Э. В. Страхович // Онтология проектирования. - 2020. - Т. 10. - № 1. - С. 87-99

86. Ковалев, Р. И. Специализированная оболочка для построения интеллектуальных систем назначения медикаментозного лечения / Р.И. Ковалев,

B.В. Грибова, Д.Б. Окунь // Искусственный интеллект и принятие решений. - 2020.

- № 4. - С. 66-79. DOI: 10.14357/20718594200407.

87. Ковалев, Р. И. Онтология представления знаний о назначении персонифицированного лечения / Р.И. Ковалев, В.В. Грибова, Д.Б. Окунь // Онтология проектирования. - 2023. - Т. 13. - № 2 (48). - С. 192-203.

88. Загорулько, Ю. А. Применение паттернов онтологического проектирования при разработке онтологий научных предметных областей / Ю.А. Загорулько, О.И. Боровикова, Г.Б. Загорулько // Труды XIX Международной конференции «Аналитика и управление данными в областях с интенсивным использованием данных» (DAMDID/RCDL'2017). - М., 2017.

89. Боровикова, О. И. Использование паттернов для разработки онтологии информационно-аналитического интернет-ресурса "поддержка принятия решений" / О.И. Боровикова, Г.Б. Загорулько, Ю.А. Загорулько, В.К. Шестаков // Информационные и математические технологии в науке и управлении. - 2017. -№ 3.

90. Пальмов, С. В. Системы рассуждения на основе аналогичных случаев /

C.В. Пальмов, М.В. Турляков // Евразийское Научное Объединение. - 2018. - №2 12-2(46). - С. 96-98. DOI: 10.5281/zenodo.2533066. EDN YTUBRR.

91. Грибова, В. В. Система назначения персонифицированного лечения по аналогии на основе гибридного способа извлечения прецедентов / В.В. Грибова, Р.И. Ковалев, Д.Б. Окунь // Программные продукты и системы. - 2023. - Т. 36. - № 3. - С. 486-492.

92. Ковалев, Р. И. Интеллектуальная система назначения персонифицированного лечения по аналогии / В.В. Грибова, Р.И. Ковалев, Д.Б. Окунь // Двадцатая Национальная конференция по искусственному интеллекту с международным участием, КИИ-2022. - 2022. - С. 292-301.

93. Ковалев, Р. И. Метод разработки интеллектуальной системы комплексного назначения персонифицированного лечения / Р.И. Ковалев, В.В. Грибова, Д.Б. Окунь // Двадцать первая Национальная конференция по искусственному интеллекту с международным участием, КИИ-2023 (Смоленск, 1620 октября 2023г.). Труды конференции. В 2-х томах. - Смоленск: Принт-Экспресс, 2023. - Т. 2. - С. 323-332. ISBN 978-5-91812-231-0.

94. Gribova, V. V. The IACPaaS Platform for Developing Systems Based on Ontologies: A Decade of Use / V.V. Gribova, et al. // Scientific and Technical Information Processing. - 2023. - Т. 50. - № 5. - С. 406-413.

95. Грибова, В. В. Онтологии для формирования баз знаний и реализации лечебных мероприятий в медицинских интеллектуальных системах / В.В. Грибова, Д.Б. Окунь // Информатика и системы управления. - 2018. - № 3. - С. 71-80.

96. Gribova, V. V. Software Toolkit for Creating Intelligent Systems in Practical and Educational Medicine / V.V. Gribova, et al. // 2018 3rd Russian-Pacific Conference on Computer Technology and Applications (RPC). - IEEE, 2018. - С. 1-5.

97. Грибова, В. В. База медицинской терминологии и наблюдений / В.В. Грибова, М.В. Петряева, Д.Б. Окунь, Ф.М. Москаленко, Е.А. Шалфеева // Свидетельство о регистрации базы данных RU 2019621179, 04.07.2019. Заявка № 2019620020 от 09.01.2019.

98. Gribova, V. V. A model for generation of directed graphs of information by the directed graph of metainformation for a two-level model of information units with a complex structure / V.V. Gribova, et al. // Automatic Documentation and Mathematical Linguistics. - 2015. - Т. 49. - С. 221-231.

99. Ломов, П. А. Применение паттернов онтологического проектирования для создания и использования онтологий в рамках интегрированного пространства знаний / П.А. Ломов // Онтология проектирования. - 2015. - № 2.

100. Ковалев, Р. И. Принципы и архитектура специализированной оболочки для построения интеллектуальных систем назначения медикаментозного лечения /

B.В. Грибова, Р.И. Ковалев, Д.Б. Окунь // Материалы XIV международной научной конференции «Системный анализ в медицине» (САМ 2020) / под общ. ред. В.П. Колосова. - Благовещенск, 2020. - С. 75-78.

101. Ковалев, Р. И. Облачная среда для планирования медикаментозной терапии / В.В. Грибова, Д.Б. Окунь, Р.И. Ковалев // Информационные технологии интеллектуальной поддержки принятия решений: труды VIII Всероссийской научной конференции (с приглашением зарубежных ученых), октябрь 6-9, 2020, Уфа, Россия. - Уфа, 2020. - Том 1. - С. 221-226.

102. Ковалев, Р. И. Облачная платформа для планирования медикаментозной терапии / В.В. Грибова, Д.Б. Окунь, Р.И. Ковалев // Интегрированные модели и мягкие вычисления в искусственном интеллекте. Сборник научных трудов X-й Международной научно-технической конференции (ИММВ-2021, Коломна, 17-20 мая 2021 г.). - Смоленск: Универсум, 2021. - Т. 2. -

C. 258-268. ISBN 978-5-91412-469-1.

103. Программа построения систем назначения персонифицированного лечения для облачной платформы IACPaaS / Правообладатель ИАПУ ДВО РАН, авторы Грибова В.В., Окунь Д.Б., Ковалев Р.И. Авт. Св. № 2020618997, дата регистрации 10.08.2020, поступл. № 2020618177 23.07.2020, опубл. 10.08.2020. Бюл. №8.

104. Грибова, В. В. Проект IACPaaS - развиваемый комплекс для разработки, управления и использования интеллектуальных систем / В.В. Грибова и др. // Искусственный интеллект и принятие решений. - 2011. - № 1. - С. 27-35. ISSN 2071-8594.

105. Kovalev, R. I. A Spezialized Shell for Intelligent Systems of Prescribing Medication / V.V. Gribova, R.I. Kovalev, D.B. Okun // Scientific and Technical Information Processing. - 2021. - Vol. 48. - No. 5. - Pp. 315-326.

106. Kovalev, R. Cloud-Based Platform for Drug Therapy Planning / R. Kovalev, V. Gribova, D. Okun // CEUR Workshop Proceeding. - 2021. - Vol. 2965. - Pp. 303-310. ISSN 1613-0073.

107. Малых, В. Л. Системы поддержки принятия решений в медицине / В.Л. Малых // Программные системы: теория и приложения. - 2019. - № 2 (41).

108. Полкова, Е. В. Прецедентный подход в процессах принятия решений / Е.В. Полкова, О.Н. Кузяков // Инновации. Интеллект. Культура. - 2022. - С. 170173.

109. Цветов, В. П. О вложении измерительных шкал / В.П. Цветов // Труды Международной научно-технической конференции «Перспективные информационные технологии» (ПИТ-2018). - 2018.

110. Kovalev, R. I. Intelligent System for Prescribing Personalized Treatment by Analogy / R.I. Kovalev, V.V. Gribova, D.B. Okun // Pattern Recognition and Image Analysis. - 2023. - Vol. 33. - No. 3. - Pp. 334-339. DOI: 10.1134/S1054661823030161.

111. Kovalev, R.

[Электронный ресурс] / R. Kovalev, V. Gribova, D. Okun. - 2020. - Режим доступа: http: //www. cankaoxiaoxi. com/science/20200206/2401404. shtml.

112. Помощник в лечении коронавируса с искусственным интеллектом: ноу-хау из Приморья [Электронный ресурс] / 2020. - Режим доступа: https://www.vesti.ru/videos/show/vid/825790.

113. Китайские врачи в Ухани будут использовать программу диагностики коронавируса, разработанную в Приморье [Электронный ресурс] // 2020. - Режим доступа: http://www.interfax-russia.ru/FarEast/news.asp?sec= 1671&id=1101675

114. Ковалев, Р. И. Интеллектуальная система поддержки принятия врачебных решений по дифференциальной диагностике и лечению Covid-19 / Р.И. Ковалев, В.В. Грибова, Ю.Н. Кульчин, М.В. Петряева, Д.Б. Окунь, Е.А. Шалфеева // Вестник РАН. - 2022. - Т. 92. - № 8. - С. 781-789. ISSN 0869-5873.

115. Kovalev, R. I. An Intelligent System for Medical Decision Support in Differential Diagnosis and Treatment of COVID-19 / R.I. Kovalev, V.V. Gribova, Y.N.

Kul'chin, M.V. Petryaeva, D.B. Okun, E.A. Shalfeeva // Herald of the Russian Academy of Sciences. - 2022. - Vol. 92. - No. 4. - Pp. 511-519. ISSN 1019-3316. DOI: 10.1134/S1019331622040128.

116. Грибова, В. В. База знаний для разработки интеллектуального ассистента врача-фтизиатра по управления процессом лечения больных туберкулезом легких / В.В. Грибова и др. // Врач и информационные технологии. -2023. - № 2. - С. 58-69. DOI: 10.25881/18110193_2023_2_58.

117. Ковалев, Р. И. Интеллектуальный сервис управления процессом лечения больных туберкулезом легких / Р.И. Ковалев, Е.А. Бородулина, В .В. Грибова, Е.П. Еременко, Б.Е. Бородулин, А.В. Колсанов, Д.Б. Окунь, М.В. Ураксина, Л.А. Федорищев // Врач и информационные технологии. - 2021. - №2 2. -С. 36-45.

118. Бородулина, Е. А. Автоматизированная программа определения степени риска развития туберкулеза у детей, инфицированных микобактериями туберкулеза / Е.А. Бородулина, В.В. Грибова, Е .А. Амосова, Б.Е. Бородулин, Е.С. Вдоушкина, Р.И. Ковалев // Свидетельство о регистрации программы для ЭВМ 2022667000, 13.09.2022. Заявка № 2022665835 от 25.08.2022.

119. Программа управления процессом лечения больных туберкулезом легких / Бородулина Е.А., Грибова В.В., Бородулин Б.Е., Еременко Е.П., Окунь Д.Б., Ковалев Р.И., Вдоушкина Е.С., Амосова Е.А. / Свидетельство о регистрации Программ для ЭВМ №«2023688180, 20.12.2023. Заявка №«2023686212 от 27.11.2023 // 2023. Бюл №12. 20.12.2023.

120. Ковалев, Р. И. Облачный сервис дифференциальной диагностики и назначения персонифицированного лечения воспалительных заболеваний сердца / Р.И. Ковалев, В.В. Грибова, Е.А. Шалфеева, М.В. Петряева, Д.Б. Окунь, Л.А. Федорищев // Программные системы: теория и приложения. - 2023. - Т. 14. - № 4. - С. 141-188.

121. Окунь, Д. Б., База знаний лечения миокардита: представление знаний для дифференцированной этиотропной терапии / Д.Б. Окунь, Р.И. Ковалев // Материалы XV международной научной конференции «Системный анализ в

медицине» (САМ 2021) / под общ. ред. В.П. Колосова. - Благовещенск: ДНЦ ФПД, 2021. - С. 53-56. ISBN 978-5-905864-24-7.

122. Система поддержки принятия врачебных решений "Телесфор". Шахгельдян К.И., Гельцер Б.И., Грибова В.В., Шалфеева Е.А., Макарова К.Е., Кленин А.С., Гузь В.В., Игнатьев В.В., Костерин В.В., Ковалев Р.И., Куксин Н.С., Здорнов О.В., Щеглов Б.О. Свидетельство о регистрации программы для ЭВМ 2023662121, 06.06.2023. Заявка № 2023660244 от 17.05.2023.

123. Шалфеева, Е. А. Методы, модели и технология обеспечения жизнеспособности интеллектуальных систем с декларативными базами знаний: дис. ... д-ра техн. наук : 2.3.5 / Шалфеева Елена Арефьевна. - Владивосток, 2021. - 217 с.

ПРИЛОЖЕНИЕ А. АКТ ВНЕДРЕНИЯ

в китайские медицинские учреждения интеллектуального сервиса поддержки решений врача для лечения СОУГО-19, разработанного с помощью

China Science and Technology Foresight Research and Educational Institutes Group

l.ast year we were working together with your Institute under the joint project "Artificial Intelligence in Medicine" affiliated to the recommendation of Chinese Ministry of Health for treatment of virus diseases with Chinese

Traditional Medicine.

We gain results that was used several Chinese hospitals and medical centers We plan to expand our joint project in 2020-2021 for implementation at Hang/hou area of China and other provinces.

Sincerely,

China Science and Technology Foresight Research and Educational Institutes Group

представленного комплекса инструментальных средств.

Profe ssor Romashko Roman

Director of Institute of Automation and Control Processes.

Far East Branch

Russian Academy of Sciences

Dear Prof Romashko.

ПРИЛОЖЕНИЕ Б. ПРОТОКОЛ ИСПЫТАНИЙ

интеллектуального сервиса в Оренбургском областном клиническом противотуберкулезном диспансере, разработанного с помощью представленного

Государственное бюджетное учреждение здравоохранения «Оренбургский областной клинический противотуберкулезный

диспансер»

Адрес места нахождения юридического лица: 460041, Оренбургская область город Оренбург, Нежинское ш., д.6. тел.: [phone], e-mail: oob05fa mail.orb.ru

1. Наименование заказчика:

Заказчик: Общество с ограниченной ответственностью «Медицинские интеллектуальные системы».

2. Наименование продукта: интеллектуальный сервис управления процессом лечения больных туберкулезом легких - помощник врача-фтизиатра.

Изготовитель: Общество с ограниченной ответственностью «Медицинские интеллектуальные системы».

3. Наименование образна испытания: 25 историй болезни больных туберкулезом легких.

4. Дата проведения испытаний: 01.09.2023 г, - 06.09.2023 г.

5. Условия, необходимые для проведения испытаний: персональный компьютер с требованиями: процессор 2*20Нг, оперативная память 5 ОБ, доступ в Интернет (облачная платформа 1АСРаа8).

комплекса инструментальных средств.

ПРОТОКОЛ ИСПЫТАНИЙ № 4 от «06» сентября 2023 г.

6. Результаты испытаний

№ истории болезни Содержание истории болезни Предполагаемый режим лечения Результат испытания

1 Входные данные: женщина, 56 лет. Жалобы: обшая слабость. температ>ра тела по вечерам до 37.4. повышенная потливость, кашель влажный со слизистой мокротой Анамнез жизни: туберкулез впервые выявленный Диагноз: Инфильтратнвный туберкулез верхней доли правого легкого. Код по МКБ-10 А.15 Лабораторные исследования: Иммунодиагностика - Днаскинтест отрицательный. Оптическая микроскопия - КУМ не обнаружены. Люминесцентная микроскопия - КУМ не обнаружены лекарственно-чувствительный режим, интенсивная фаза лекарственно-чувствительный режим, интенсивная фаза -нзониазид+ пиридоксин, рифампицин 10 мг кг ежедневно, пиразинамид 25 мг/кг ежедневно, этамбутол 20 мг/кг ежедневно, продолжительность этапа - 60 доз

2 мужчина. 57 лет Жалобы: обшая слабость, температура тела по вечерам до 37.4. повышенная потливость, кашель влажный умеренный периодический, кровохарканье (незначительное, алая кровь) Сопутствующие заболевания: ВИЧ-инфекция (Код по МКБ-10, В20). Диагноз: Инфильтратнвный туберкулез верхней доли правого легкого в фазе распада. Код по МКБ-10 А. 15 Лабораторные исследования: Иммунодиагностика - Днаскинтест отрицательный. определение AT к ВИЧ - положительный оптическая микроскопия - результат отрицательный. Люминесцентная микроскопия - КУМ обнаружены Посев на жидкую среду ВАСТЕС -обнаружены МБТ лекарственно-чувствительный режим, интенсивная фаза лекарственно-чувствительный режим, интенсивная фаза -изониазид 15 мг\кг + пиридоксин 0,1 ежедневно, рифабутин 10 мг/кг ежедневно, пиразинамид 25 мг/кг ежедневно, этамбутол 20 мг/кг ежедневно, продолжительность этапа - 60 доз. Т.к. имеется наличие сопутствующего заболевания (ВИЧ-инфекция) сервис рекомендует основной препарат рифампицин заменить на рифабутин

3 Входные данные: мужчина. 37 лет. Жалобы: нет Анамнез жизни: туберкулез впервые выявленный Диагноз: Очаговый ту беркулез верхней доли правого легкого. Код по МКБ-10 А. 15 Лабораторные исследования: Иммунодиагностика - Днаскинтест положительный. Оптическая микроскопия - КУМ не обнаружены. люминесцентная микроскопия - КУМ не обнаружены лекарственно-чувствительный режим, интенсивная фаза лекарственно-чувствительный режим, интенсивная фаза -изониазид+ пиридоксин, рифампицин 10 мг/кг ежедневно, пиразинамид 25 мг/кг ежедневно, этамбутол 20 мг/кг ежедневно, продолжительность этапа - 60 доз.

4 мужчина. 39 лет. Жалобы: температура субфебрильная. слабость, кашель влажный Анамнез жизни: туберкулез впервые выявленный Диагноз: Диссеминированный туберкулез лекарственно-чувствительный режим, интенсивная фаза лекарственно-чувствительный режим, интенсивная фаза -изониазид-*- пиридоксин, рифампицин 10 мг/кг ежедневно.

легких, подострая форма. Код по МКБ-10 А. 15 Лабораторные исследования: Иммунодиагностика - Диаскинтест положительный. Оптическая микроскопия - КУМ не обнаружены люминесцентная микроскопия - КУМ не обнар>жены Посев на жидкие и твердые среды - МБТ не обнаружены пиразинамид 25 мг/кг ежедневно, этамбутол 20 мг/кг ежедневно, продолжительность этапа - 60 доз.

5 мужчина. 44 года. Жалобы: температура субфебрильная. слабость, кашель влажный Анамнез жизни: туберкулез впервые выявленный Диагноз: Инфильтративный туберкулез легких, подострая форма. Код по МКБ-10 А.15 Лабораторные исследования: Имму нодиагностика - Диаскинтест пол ож ите л ьн ы й. Оптическая микроскопия - КУМ не обнаружены. люминесцентная микроскопия - КУМ не обнаружены Посев на жидкие и твердые среды - МБТ не обнаружены лекарственно-чувствительный режим, интенсивная фаза лекарственно-чувствительный режим, интенсивная фаза -изониазид+ пиридоксин. рифампицин 10 мг/кг ежедневно, пиразинамид 25 мг/кг ежедневно, этамбутол 20 мг/кг ежедневно, продолжительность этапа - 60 доз.

6 женшина. 56 лет. Жалобы: обшая слабость, температура тела по вечерам до 37.4, повышенная потливость, кашель влажный со слизистой мокротой Анамнез жизни: туберкулез впервые выявленный Диагноз: Инфильтративный туберкулез верхней доли правого легкого. Код по МКБ-10 А. 15 Лабораторные исследования: Иммунодиагностика - Диаскинтест отрицательный. Оптическая микроскопия - КУМ не обнаружены. Люминесцентная микроскопия - КУМ не обнаружены лекарственно-чувствительный режим, интенсивная фаза лекарственно-чувствительный режим, интенсивная фаза -изониазид+ пиридоксин, рифампицин 10 мг/кг ежедневно, пиразинамид 25 мг/кг ежедневно, этамбутол 20 мг/кг ежедневно, продолжительность этапа - 60 доз. что соответствует общепринятым методиками лечения.

7 женщина. 56 лет Жалобы: обшая слабость, температура тела по вечерам до 37.4. повышенная потливость, кашель влажный со слизистой мокротой Анамнез жизни: ту беркулез впервые выявленный Диагноз: Инфильтративный туберкулез верхней доли правого легкого. Код по МКБ-10 А.15 Лабораторные исследования: Иммунодиагностика - Диаскинтест отрицательный. Оптическая микроскопия - КУМ не обнаружены. Люминесцентная микроскопия - КУМ не обнаружены лекарственно-чувствительный режим, интенсивная фаза лекарственно-чувствительный режим, интенсивная фаза -изониазид+ пиридоксин. рифампицин 10 мг/кг ежедневно, пиразинамид 25 мг/кг ежедневно, этамбутол 20 мг/кг ежедневно, продолжительность этапа - 60 доз

8 мужчина. 28 лет. Жалобы: не предъявляет Анамнез жизни: ту беркулез впервые выявленный Диагноз: Очаговый туберкулез верхней доли правого легкого. Код по МКБ-10 А. 15 Лабораторные исследования: Иммунодиагностика - Диаскинтест положительный. Оптическая микроскопия - КУМ не обнаружены. Люминесцентная микроскопия - КУМ не обнаружены Посев мокроты - МВТ не обнаружены лекарственно-чувствительный режим, интенсивная фаза лекарственно-чувствительный режим, интенсивная фаза -изониазид+ пиридоксин, рифампицин 10 мг/кг ежедневно, пиразинамид 25 мг/кг ежедневно, этамбутол 20 мг/кг ежедневно, продолжительность этапа - 60 доз

9 мужчина. 62 года Жалобы: температура тела по вечерам до 37,4, повышенная потливость, кашель влажный со слизистой мокротой, иногда с прожилками крови Анамнез жизни: туберкулез впервые выявленный Диагноз: Кавернозный туберкулез верхней доли правого легкого. Код по МКБ-10 А. 15 Лабораторные исследования: Иммунодиагностика - Диаскинтест положительный. Оптическая микроскопия - КУМ обнаружены. Люминесцентная микроскопия - КУМ обнаружены Посев мокроты - обнаружены МВТ, чувствительность к противотуберкулезным препаратам сохранена. лекарственно-чувствительный режим, интенсивная фаза лекарственно-чувствительный режим, интенсивная фаза -изониазид+ пиридоксин, рифампицин 10 мг/кг ежедневно, пиразинамид 25 мг/кг ежедневно, этамбутол 20 мг/кг ежедневно, продолжительность этапа - 60 доз

10 женщина. 48 лет. Жалобы: общая слабость, температура тела по вечерам до 37,8. повышенная потливость, кашель сухой Анамнез жизни: ту беркулез впервые выявленный Диагноз: Инфильтративный туберкулез верхней доли правого легкого в фазе распада. Код по МКБ-10 А. 15 Лабораторные исследования: Иммунодиагностика - Диаскинтест положительный. Оптическая микроскопия - КУМ обнаружены. Люминесцентная микроскопия - КУМ не обнаружены Посев мокроты - обнаружены МБТ. чувствительность к противотуберкулезным препаратам сохранена. лекарственно-чувствительный режим, интенсивная фаза лекарственно-чувствительный режим, интенсивная фаза -изониазид+ пиридоксин. рифампицин 10 мг/кг ежедневно, пиразинамид 25 мг/кг ежедневно, этамбутол 20 мг/кг ежедневно, продолжительность этапа - 60 доз

II женщина. 59 лет. Жалобы: кашель с мокротой светлого цвета, обшая слабость Анамнез жизни: туберкулез впервые выявленный Диагноз: Диссемннированный подострый туберкулез легких . Код по МКБ-10 А. 15 Лабораторные исследования: Иммунодиагностика - Диаскинтест положительный. лекарственно-чувствительный режим, интенсивная фаза чувствительный режим, интенсивная фаза -изониазид+ пиридоксин. рифампицин 10 мг/кг ежедневно, пиразинамид 25 мг/кг ежедневно, этамбутол 20 мг/кг ежедневно, продолжительность этапа - 60 доз

Оптическая микроскопия - КУМ не обнаружены. Люминесцентная микроскопия - КУМ не обнаружены Посев мокроты - обнаружены МБТ, чувствительность к противотуберкулезным препаратам сохранена.

12 женщина. 56 лет. Жалобы: общая слабость, температура тела по вечерам до 37,4, повышенная потливость, кашель влажный со слизистой мокротой Анамнез жизни: туберкулез впервые выявленный Диагноз: Инфильтративный туберкулез верхней доли правого легкого. Код по МКБ-10 А. 15 Лабораторные исследования: Иммунодиагностика - Диаскйнтест положительный. Оптическая микроскопия - КУМ обнаружены. Люминесцентная микроскопия - КУМ обнаружены Посев мокроты - обнаружены МБТ, чувствительность к противотуберкулезным препаратам сохранена. лекарственно-чувствительный режим, интенсивная фаза лекарственно-чувствительный режим, интенсивная фаза -изониазнд+ пиридоксин, рифампицнн Юмг/кг ежедневно, пиразинамид 25 мг'кг ежедневно, этамбутол 20 мг'кг ежедневно, продолжительность этапа - 60 доз

13 женщина, 56 лет. Жалобы: общая слабость, температура тела по вечерам до 37.2. раздражительность. Анамнез жизни: ту беркулез впервые выявленный Диагноз: Инфильтративный туберкулез верхней доли правого легкого. Код по МКБ-10 А.15 Лабораторные исследования: Иммунодиагностика - Диаскинтест положительный. Оптическая микроскопия - КУМ обнаружены. Люминесцентная микроскопия - КУМ не обнаружены Посев мокроты - обнаружены МБТ, ч\вствительность к противотуберкулезным препаратам сохранена. лекарственно-чувствительный режим, интенсивная фаза лекарственно-чувствительный режим, интенсивная фаза -нзониазид+ пиридоксин. рифампицин 10 мг'кг ежедневно, пиразинамид 25 мг'кг ежедневно, этамбутол 20 мг/кг ежедневно, продолжительность этапа - 60 доз

14 мужчина 44 года Жалобы: общая слабость, температура тела по вечерам до 37.4. повышенная потливость, кашель влажный умеренный периодический, кровохарканье (незначительное, алая кровь) Анамнез жизни: болезнь, вызванная ВИЧ (Код по МКБ-10. В20). Диагноз: Инфильтративный туберкулез верхней доли правого легкого в фазе распада. Код МКБ-10 А.15 Лабораторные исследования: определение АТ к ВИЧ - положительный оптическая микроскопия - результат отрицательный. Люминесцентная микроскопия - КУМ обнаружены изониазид-резнстентный режим, интенсивная фаза изониазид-резистентный режим, интенсивная фаза -рифампицин Юмг/кг ежедневно, пиразинамид 25 мг'кг ежедневно, этамбутол 20 мг/кг ежедневно, левофлоксацин 500мг, продолжительность этапа - 60 доз.

Посев - МБТ обнаружены, чувствительность к рифампицину, устойчивость к изониазиду.

15 мужчина 43 года Жалобы: общая слабость, температура тела по вечерам до 37,8 Диагноз: Инфильтративный туберкулез верхней доли левого легкого в фазе распада. Код МКБ-10А.15 оптическая микроскопия - результат отрицательный. Люминесцентная микроскопия - КУМ обнаружены Посев - МБТ обнаружены, чувствительность к рифампицину. устойчивость к изониазиду. изониазид-резистентный режим, интенсивная фаза изониазид-резистентный режим, интенсивная фаза -рифампицин 10 мг/кг ежедневно, пиразинамнд 25 мг/кг ежедневно, этамбутол 20 мг/кг ежедневно, левофлоксацин 500мг, продолжительность этапа - 60 доз.

16 женщина 29 лет Жалобы: не предъявляет Диагноз: Очаговый туберкулез верхней доли правого легкого в фазе инфильтрации. Код МКБ-10 А.15 оптическая микроскопия - результат отрицательный Люминесцентная микроскопия - КУМ обнаружены Посев - МБТ обнаружены, чу вствительность к рифампицину, устойчивость к изониазиду. изониазид-резистентный режим, интенсивная фаза изониазид-резистентный режим, интенсивная фаза -рифампицин 10 мг/кг ежедневно, пиразинамид 25 мг/кг ежедневно, этамбутол 20 мг/кг ежедневно, левофлоксацин 500мг, продолж и тел ьность этапа - 60 доз.

17 женщина 46 лет Жалобы: общая слабость, кашель влажный умеренный периодический, снижение массы тела на 8 кг. Диагноз. Очаговый туберкулез верхних долей легких в фазе распада. Код МКБ-10 А 16 оптическая микроскопия - результат отрицательный. Люминесцентная микроскопия -реотрицательный Посев - МБТ обнаружены, чувствительность к рифампицину, устойчивость к изониазиду изониазид-резистентный режим, интенсивная фаза изониазид-резнстентный режим, интенсивная фаза -рифампицин 10 мг/кг ежедневно, пиразинамид 25 мг/кг ежедневно, этамбутол 20 мг/кг ежедневно, левофлоксацин 500мг, продолжительность этапа - 60 доз.

18 мужчина. 44 года Жалобы: обшая слабость, температу ра тела по вечерам до 37,4, повышенная потливость, кашель влажный с мокротой светлого цвета, кровохарканье Диагноз: Инфильтративный туберкулез верхней доли правого легкого в фазе распада. Код МКБ-10 А. 15 Лабораторные исследования определение АТ к ВИЧ - положительный оптическая микроскопия - результат отрицательный. Люминесцентная микроскопия - КУМ обнаружены Посев МБТ обнаружены, чувствительность к рифампицину, устойчивость к изониазиду. изониазид-резистентный режим, интенсивная фаза изониазид-резистентный режим, интенсивная фаза -рифампицин 10 мг/кг ежедневно, пиразинамид 25 мг/кг ежедневно, этамбутол 20 мг/кг ежедневно, левофлоксацин 500мг, продолжительность этапа - 60 доз.

19 жен шина 27 лет Жалобы: обшая слабость, температура тела по вечерам до 37,2, потливость по ночам. МЛУ-режим, интенсивная фаза МЛУ-режим, интенсивная фаза -бедаквилин 10 мг/кг

кашель влажныП умеренный с мокротой светлого цвета Диагноз: Инфильтративный туберкулез верхних долей легких в фазе распада. Код МКБ-10 А. 15 Оптическая микроскопия - обнаружены КУМ. Люминесцентная микроскопия -обнаружены КУМ, устойчивость к рифампицину Посев - МБТ обнаружены, у стойчивость к рифампицину и изониазиду. ежедневно, линезолид 25 мг/кг ежедневно, циклосерин ежедневно, этамбутол 20 мг/кг ежедневно, левофлоксацин 500 мг, п родолж ител ьность этапа - 240 доз.

20 женщина 33 года. Жалобы: общая слабость, снижение массы тела на 12 кг за 6 месяцев, кашель с мокротой светлого цвета, иногда с прожилками крови. Туберкулез впервые выявленный Диагноз: Инфильтративный туберкулез левого легкого в фазе распада. Код по МКБ-10 А.15 Оптическая микроскопия - КУМ обнаружены. Люминесцентная микроскопия - КУМ обнаружены ПЦР в реальном времени - положительный, устойчивость к рифампициу Посев - МБТ обнаружены, устойчивость к рифампицину . изониазиду Режим пре-ШЛУ, интенсивная фаза Режим пре-ШЛУ. интенсивная фаза -бедаквилин 400 мг ежедневно, деламанид 200 мг ежедневно, циклосерин 500 мг ежедневно. левофлоксацин 500 мг ежедневно, продолжительность этапа - 240 доз.

21 женщина 43 года. Жалобы: слабость, раздражительность, периодические повышения температуры тела до 38С. кашель с мокротой светлого цвета. Диагноз: Кавернозный туберкулез верхней доли правого легкого. Код по МКБ-10 А. 15 Лабораторные исследования: определение АТ к ВИЧ - положительный Оптическая микроскопия - обнаружены КУМ. Люминесцентная микроскопия -обнаружены КУМ, устойчивость к рифампицину Посев - МБТ обнаружены, устойчивость к рифампицину МЛУ-режим, интенсивная фаза МЛУ-режим, интенсивная фаза -изониазид 10 мг/кг ежедневно, бедаквилин 10 мг/кг ежедневно, линезолид 25 мг/кг ежедневно, циклосерин ежедневно, этамбутол 20 мг/кг ежедневно, левофлоксацин 500 мг, продолжительность этапа - 240 доз.

22 мужчина, 66 лет. Жалобы: обшая слабость, кашель с мокротой слнзисто-гнойной, периодические повышения температуры тела до 38С, отсутствие аппетита, ночная потливость Анамнез жизни: болеет ту беркулезом более трех лет Диагноз: Фиброзно-кавернозный туберкулез правого легкого. Код по МКБ-10 А. 16 Лабораторные исследования: определение АТ к ВИЧ - положительный оптическая микроскопия КУМ обнаружены Люминесцентная микроскопия - КУМ обнаружены ПЦР в реальном времени - положительный. МЛУ- режим,интенсивная фаза Рекомендуемое лечение: МЛУ-режим, интенсивная фаза -бедаквилин 10 мг/кг ежедневно, линезолид 25 мг/кг ежедневно, циклосерин ежедневно, пиразинамид - 25 мг/кг ежедневно, деламанид 200 мг ежедневно, продолжительность этапа - 240 доз

устойчивость к рифампнцину и изониазиду Посев - МБТ обнаружены, устойчивость к рифампицину и изониазиду , этамбутолу, левофлоксацину, капреомицину, моксифлоксацину

23 женщина 33 года. Жалобы: общая слабость. Туберкулез впервые выявленный Диагноз: Инфильтратнвный туберкулез верхней доли правого легкого Б!, Б2 в фазе рассасывания. Код по МКБ-10 А. 19 Лабораторные исследования: определение АТ к ВИЧ - положительный оптическая микроскопия - КУМ обнаружены. Люминесцентная микроскопия - КУМ обнаружены ПЦР в реальном времени - положительный, устойчивость к рифампициу Посев - МБТ обнаружены, устойчивость к рифампицину и изониазиду. Режим МЛУ, интенсивная фаза Режим МЛУ. интенсивная фаза -изониазид+ пнридоксин, рифампицин 10 мг/кг ежедневно, пиразинамид 25 мг/кг ежедневно, этамбутол 20 мг/кг ежедневно, продолжительность этапа - 60 доз.

24 мужчина. 45 лет. Жалобы: не предъявляет Анамнез жизни: ту беркулез впервые выявленный. Диагноз: Инфильтратнвный туберкулез верхней доли правого легкого Б!. Б2. Код по МКБ-10 А. 15 оптическая микроскопия - КУМ не обнаружены. Люминесцентная микроскопия - КУМ не обнаружены ПЦР в реальном времени - положительный, устойчивость к рифампицину Посев - МБТ обнаружены, устойчивость к рифампицину. МЛУ-режим, интенсивная фаза МЛУ-режим, интенсивная фаза -иэониазид 10 мг/кг ежедневно,бедаквилин 10 мг/кг ежедневно, лннезолид 25 мг/кг ежедневно, циклосерин ежедневно, этамбутол 20 мг'кг ежедневно, левофлоксацин 500 мг, продолж ител ьность этапа - 240 доз

25 женщина 48 лет. Жалобы: общая слабость, кашель с мокротой светлого цвета, повышение температуры до фебрильных цифр. Диагноз: Инфильтратнвный туберкулез верхней доли правого легкого Б2 в фазе рассасывания. Код по МКБ-10 А.19 Лабораторные исследования: определение АТ к ВИЧ - положительный оптическая микроскопия - КУМ обнаружены. Люминесцентная микроскопия - КУМ обнаружены ПЦР в реальном времени - положительный, устойчивость к рифампициу Посев - МБТ обнаружены, устойчивость к рифампицину и изониазиду. МЛУ-режим, интенсивная фаза МЛУ-режим, интенсивная фаза -изониазид 10 мг/кг ежедневно.бедаквилин 10 мг/кг ежедневно, линезолид 25 мг/кг ежедневно. циклосеринежедневно, этамбутол 20 мг/кг ежедневно, левофлоксацин 500 мг, продолжительность этапа - 240 доз. что соответствует общепринятым методикам лечения.

Исполнители:

Заместитель главного врача ¿у'/У^ А

по организационно-методической работе (¿Ъ/Ц Н.С.Харитонова