Нейросетевая система мониторинга и поддержки принятия решений диагностики вирусного гепатита тема диссертации и автореферата по ВАК РФ 05.11.17, кандидат наук Астафьев Андрей Николаевич

• Астафьев Андрей Николаевич
• кандидат наук
• 2020

Оглавление диссертации кандидат наук Астафьев Андрей Николаевич

ВВЕДЕНИЕ

1. МЕТОДЫ И СРЕДСТВА ДИАГНОСТИКИ ГЕПАТИТА, МОНИТОРИНГА ТЯЖЕСТИ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В МЕДИЦИНСКОЙ ПРАКТИКЕ

1.1. Патогенез вирусного гепатита в России

1.1.1. Общий патогенез вирусного гепатита

1.1.2. Методы определения нозологической формы гепатита

1.1.3. Описание нозологических форм гепатита

1.2. Определение тяжести состояния при заболевании гепатит

1.2.1. Проблема оценки общего состояния организма при вирусном гепатите

1.2.2. Классы состояния организма

1.2.3. Факторы, применяемые для оценки общего состояния организма при вирусном гепатите

1.3. Обзор методов диагностики и прогнозирования с помощью систем поддержки принятия решений

1.3.1. Обзор диагностических медицинских систем

1.3.2. Обзор методов диагностических медицинских систем

1.3.2.1. Анализ возможности использования статистических методов

1.3.2.2. Анализ возможности использования нечеткой логики

1.3.2.3. Анализ возможности использования нейросетевых методов

1.3.3. Общие требования к диагностическим системам

1.3.3.1. Способы понижения размерности данных

1.3.3.2. Способы заполнения пропущенных данных

1.3.3.3. Анализ возникновения ошибок первого и второго рода

1.4. Выводы по главе

2. МЕТОДЫ СИНТЕЗА НЕЙРОННЫХ СЕТЕЙ ДЛЯ ОПРЕДЕЛЕНИЯ НОЗОЛОГИЧЕСКОЙ ФОРМЫ ГЕПАТИТА И ОЦЕНКИ СОСТОЯНИЯ ТЯЖЕСТИ

2.1. Постановка задачи

2.2. Объект, методы и средства исследования

2.3. Постановка задачи обучения нейронной сети для нозологической формы гепатита и оценки состояния

2.3.1. Выбор архитектуры нейронных сетей

2.3.2. Модульные нейронные сети

2.3.3. Выбор методики обучения нейронной сети

2.4. Модульное представление нейронной сети каскадной корреляции обучаемой по алгоритму качмажа

2.5. Сравнение методики решения задачи на различных нейронных сетях

2.6. Выводы по главе

3. СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЙ РЕШЕНИЯ ДЛЯ ОПРЕДЕЛЕНИЯ НОЗОЛОГИИ ГЕПАТИТА

3.1. Постановка задачи для системы поддержки принятия решения

3.1.1. Выбор входных информативных признаков

3.1.2. Представление входных информативных признаков для системы поддержки принятия решения

3.1.3. Выбор выходных информативных признаков

3.1.4. Представление выходных информативных признаков для системы поддержки принятия решения

3.2. Проектирование структуры системы поддержки принятия решения

3.2.1. Проектирование системы ввода и вывода данных

3.2.2. Проектирование системы управления базы данных

3.2.3. Проектирование системы решения

3.2.4. Общая структура системы поддержки принятия решения диагностики нозологии гепатита

3.3. Проектирование выборок системы поддержки принятия решения диагностики нозологической формы гепатита

3.3.1. Выбор данных для наполнения обучающей выборки

3.3.2. Исследование параметров обучения системы

3.3.2.1. Сравнение и выбор способа представления примеров в обучающей выборке

3.3.2.2. Оценка влияния представления входных факторов на выходной сигнал

3.3.2.3. Оценка влияния функции активации на обучение системы

3.3.2.4. Оценка влияния ошибки на обучение системы

3.3.2.5. Влияние представления формата входных данных в системе на точность обучения

3.4. Экспериментальные исследования эффективности системы

3.5. Выводы к главе

4. СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЙ РЕШЕНИЯ ДЛЯ ОЦЕНКИ СОСТОЯНИЯ ТЕЧЕНИЯ ГЕПАТИТА

4.1. Постановка задачи для системы поддержки принятия при оценке состояния течения гепатита

4.1.1. Выбор входных информативных признаков

116

4.1.2. Представление входных информативных признаков для системы поддержки принятия решения

4.1.3. Выбор выходных информативных признаков

4.1.4. Представление выходных информативных признаков для системы поддержки принятия решения

4.2. Проектирование структуры системы поддержки принятия решения

4.2.1. Проектирование системы поддержки принятия решения

4.2.2. Общая структура системы поддержки принятия решения диагностики состояния течения гепатита

4.3. Проектирование выборок системы поддержки принятия решения диагностики нозологической формы гепатита

4.3.1. Выбор данных для наполнения обучающей выборки

4.3.2. Исследование параметров обучения системы

4.3.2.1. Оценка влияния представления входных факторов на точность

4.3.2.2. Оценка влияния представления выходных факторов на точность

4.3.2.3. Оценка влияния функция активации нейрона на обучение системы

4.3.2.4. Решение проблемы пропуска данных для входных факторов

4.4. Экспериментальные исследования эффективности системы

4.5. Выводы к главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А. Пример базы данных по нозологии гепатита

ПРИЛОЖЕНИЕ Б. Начальная база данных мониторинга течения гепатита

ПРИЛОЖЕНИЕ В. Регистрация программы для ЭВМ

ПРИЛОЖЕНИЕ Г. Акты внедрения

Введение диссертации (часть автореферата) на тему «Нейросетевая система мониторинга и поддержки принятия решений диагностики вирусного гепатита»

ВВЕДЕНИЕ

Актуальность темы. Гепатит, к настоящему времени, является одной из основных проблем здравоохранения. Гепатиты имеют большую этиотропную классификацию, однако больше всего выделяются вирусные гепатиты. Общая оценка распространения вирусных гепатитов поражает масштабами, по данным Всемирной Организации Здравоохранения ежегодно инфицируются вирусом гепатита С 3-4 миллиона человек, общее количество носителей хронической формы оценивается в 130-170 миллионов человек. В России, по данным Роспотребнадзора, общее число заболевших вирусным гепатитом составляет более 3,5 миллионов человек.

Такая высокая распространенность гепатита обуславливается, на начальном этапе, вялым бессимптомным течением в острой форме, несвоевременным подбором наиболее эффективных лекарственных препаратов, поэтому в 80% случаев гепатит переходит в хроническую форму и при неблагоприятном исходе развивается цирроз печени и гепатоцеллюлярная карцинома.

Такое распространение заболевания влечет огромный экономический ущерб государству, поскольку выводит из строя трудоспособное население и предполагает огромные затраты на лечение или поддержание общего состояния. Сложность в диагностике гепатита возникает из-за наличия большого количества нозологических форм - А, В, С, Б, Е, в, которые характеризуются различными механизмами заражения, клиническими проявлениями, патогенезом, иммуногенезом, тяжестью течения и применяемыми методами диагностики. Даже при своевременной и правильной диагностике существуют огромные сложности с подбором и контролем эффективности лечения.

Решением данной проблемы может служить использование информационных технологий в медицине, которые в настоящее время используются в основном для накопления и обобщения медицинских данных. Однако использование медицинских данных в полной мере возможно только при применении систем, способных учитывать и накапливать опыт специалистов,

основанных на обучаемых алгоритмах. Наиболее массовыми обучаемыми алгоритмами являются нейросетевые алгоритмы, однако огромное разнообразие архитектур и алгоритмов обучения затрудняет использование в полной мере возможности нейронных сетей. Поэтому одной из актуальных задач является разработка алгоритма, который подстраивает архитектуру нейронной сети под требуемую задачу.

Для апробации предложенной методики предлагается сознание системы для решения проблемы определения нозологической формы и контроля состояния протекания заболевания вирусный гепатит. Данные системы будут призваны в режиме советчика помогать врачу в постановке диагноза и контроле эффективности лечения. Предлагаемый подход является актуальным, поскольку позволит добиться увеличения качества медицинской помощи.

Степень разработанности темы исследования. Актуальная задача диагностики человека по многофакторным данным является наиболее быстроразвивающейся областью науки, существует огромное количество обучаемых алгоритмов для задач, в которых отсутствуют методики решения. Имеется некоторое количество медицинских систем поддержки принятия решения, функционирующих с помощью нейронных сетей. Отличительной особенностью этих систем является проектирование архитектуры и алгоритма обучения системы под определенную задачу.

Разработке систем поддержки принятия решений в диагностике гепатита посвящены работы Горбаня А.Н., Россиева Д. А., Артюхина В.В. и др., но следует заметить, что предложенные системы имеют точность в пределах 70-90%, что в задачах медицины является неприемлемым, поскольку может порождать ошибки как первого, так и второго рода. Рассматриваемые в работах алгоритмы являются «жесткими», используемая топология нейронной сети постоянной, однако для задачи медицины лучшим подходом является применение алгоритмов, меняющих архитектуру нейронной сети в зависимости от задачи, количества входных и выходных данных.

Целью диссертационной работы является разработка и исследование нейронной сети классификаторов для распознания нозологической формы вирусных гепатитов на основании данных анамнеза и лабораторных анализов, создание систем для скрининг-диагностики нозологических форм вирусного гепатита, контроля состояния протекания заболевания гепатит.

Для достижения поставленной цели решены следующие задачи:

1) Выбор исходных параметров, статистическая обработка, обоснование признаков, характеризующих различные нозологические формы гепатита, а также использующихся для контроля протекания заболевания.

2) Исследование типов, модульных структур и алгоритмов построения нейронных сетей с целью установления рационального варианта для решения задач распознавания нозологии и оценки состояния течения вирусных гепатитов.

3) Разработка информационно-аналитической экспертной системы поддержки принятия решения для скрининг-диагностики нозологической формы гепатита.

4) Разработка информационно-аналитической экспертной системы поддержки принятия решения для оценки протекания заболевания вирусный гепатит во времени.

5) Тестирование и оценка эффективности разработанных экспертных систем поддержки принятия решения.

Предметом исследования являются методы и алгоритмы формирования и обучения нейронных сетей с изменяемой архитектурой, методы и алгоритмы построения и функционирования медицинских экспертных систем поддержки принятия решения для диагностики нозологии и течения вирусного гепатита.

Объектом исследования является система поддержки принятия решения для определения нозологической формы гепатита, использующая данные анамнеза и лабораторных анализов, система поддержки принятия решения для оценки состояния протекания заболевания гепатит, использующая данные лабораторных анализов.

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

- Предложен способ формирования исходных информативных признаков и градаций данных о состоянии пациента для решения задачи диагностики нозологической формы вирусного гепатита, оценки прогнозирования течения вирусного гепатита, который, в отличие от существующих, позволяет учитывать имеющийся объем и комбинации исходных данных анамнеза и лабораторных анализов.

- Предложен способ формирования и оптимизации модульной структуры нейронной сети, позволяющий подстраивать внутреннюю архитектуру под конкретную задачу диагностики нозологии вирусных гепатитов и оценки состояния течения заболевания.

- Предложены и исследованы алгоритмы обучения нейронной сети, основанные на модифицированном адаптивном рекуррентно-итерационном алгоритме Качмажа, которые, в отличие от существующих, позволяют снизить трудоемкость обучения нейронной сети, повысить достоверность распознавания вирусных гепатитов и оценки течения заболевания.

- Разработана структура и программное обеспечение нейросетевой системы мониторинга и поддержки принятия решений диагностики вирусного гепатита, которая позволяет производить диагностику нозологической формы гепатита, оценку течения заболевания, а также осуществлять оценку тактики терапии и осуществлять рациональный выбор лекарственных препаратов, и, в отличие от аналогов, способна к самонастройке топологии исходя из поставленной задачи.

Теоретическая и практическая значимость работы.

Теоретическая значимость результатов работы заключается в развитии методов разработки и обучения медицинских нейросетевых систем для решения задачи диагностики и мониторинга.

Практическая значимость работы заключается в разработке программных систем:

- информационно-аналитическая интеллектуальная система поддержки принятия решений для скрининг-диагностики нозологической формы вирусного гепатита;

- информационно-аналитическая интеллектуальная система поддержки принятия решений диагностики состояния протекания вирусного гепатита для классификации состояния тяжести.

Применение данных систем позволит решать следующие задачи практической медицины:

- возможность применения для проведения скрининг-диагностики нозологической формы вирусного гепатита;

- возможность использования для проведения скрининг-оценки состояния пациента для выбора наиболее эффективного лечения;

- снижение временных и финансовых затрат при оценке эффективности проводимой противовирусной терапии гепатита, а также повышение эффективности лечения.

Работа выполнена при финансовой поддержке Фонда содействия развитию малых форм предпринимательства в научно-технической сфере «УМНИК» (договор от 21.12.2015 г. № 9469ГУ/2015).

Положения, выносимые на защиту:

1. Способ формирования исходных информационных признаков для решения задачи диагностики нозологической формы вирусного гепатита, оценки прогнозирования течения вирусного гепатита.

2. Модульная методика формирования топологии нейронной сети, отличающейся от известных способом формирования не только общей структуры сети, но и структуры отдельных модулей, которая позволяет повысить точность медицинской диагностики путем формирования нейронной сети под конкретные задачи.

3. Модифицированный адаптивный рекуррентно-итерационный алгоритм Качмажа для обучения и настройки предложенной модульной нейронной сети.

4. Программная реализация диагностической экспертной системы поддержки принятия решения прогнозирования нозологической формы вирусного гепатита, с точностью диагностики порядка 94%.

5. Программная реализация диагностической экспертной системы поддержки принятия решения для прогнозирования течения вирусного гепатита, с точностью оценки состояния пациента порядка 90%.

Результаты работы внедрены в учебный процесс ФГБОУ ВО «Липецкий государственный технический университет» в рамках образовательной программы по направлению подготовки 12.03.04 «Биотехнические системы и технологии», учебный процесс ФГБОУ ВО «Липецкий государственный педагогический университет имени П.П. Семенова-Тян-Шанского» дисциплины «Нейросетевые методы биометрической защиты информации», учебный процесс ФГБОУ ВО «Тверской государственный медицинский университет» в рамках образовательных программ по направлению подготовки 06.01.01 «Лечебное дело» и 06.01.03 «Педиатрия», в технический процесс оценки рисков ООО «Научно-производственного предприятия «Магистраль»» .

Методология и методы исследования. Для решения поставленных задач использовались: методы статистического анализа, методы системного анализа, методики моделирования и обучения нейронных сетей, методики математического и программного моделирования экспертных систем поддержки принятия решений. При разработке системы поддержки принятия решения в качестве инструментария использовался пакет прикладных программ для задач технических вычислений Scilab 6.0.0., программный пакет для статистического анализа STATISTICA 6.0, язык программирования высокого уровня Delphi и среда разработки программного обеспечения Lazarus 2.0.6.

Степень достоверности и апробация работы. Результаты исследования показали их воспроизводимость в различных условиях, непротиворечивость концепциям диагностики и методикам систем поддержки принятия решения, а также аналогичным результатам, полученным другими исследователями. Достоверность применяемых математических моделей подтверждается хорошей

сходимостью практических и экспериментальных данных. Методы, модели и алгоритмы, используемые в экспертных системах поддержки принятия решения, базируются на теории модульных нейронных сетей и коррелируют с ранее опубликованными результатами теоретических и экспериментальных исследований по теме диссертационного исследования.

Основные теоретические положения и научные результаты диссертационной работы докладывались, обсуждались и получили положительную оценку на: Х1Х Международной научно-технической конференции «Медико-экологические информационные технологии - 2016» (г. Курск, 2016 г.), XXI Международной научно-технической конференции «Медико-экологические информационные технологии - 2018» (г. Курск, 2018 г.), XXII Международной научно-технической конференции «Медико-экологические информационные технологии - 2019» (г. Курск, 2019 г.), X Международной конференции «Физика и Радиоэлектроника в Медицине и Экологии» (ФРЭМЭ'2016, г. Суздаль, 2016 г.), XII Международной конференции «Физика и Радиоэлектроника в Медицине и Экологии» (ФРЭМЭ'2018, г. Суздаль, 2018 г.), XXI Международном симпозиуме «Надежность и качество» (г. Пенза, 2016 г.), XXIV Международном симпозиуме «Надежность и качество» (г. Пенза, 2019 г.), XXIX Всероссийской научно-технической конференции студентов, молодых ученых и специалистов «Биотехнические, медицинские и экологические системы и комплексы» (Биомедсистемы - 2016, г. Рязань, 2016 г.), XXXI Всероссийской научно-технической конференции студентов, молодых ученых и специалистов «Биотехнические, медицинские и экологические системы и роботехнические комплексы» (Биомедсистемы - 2018, г. Рязань, 2018 г.), XХXII Всероссийской научно-технической конференции студентов, молодых ученых и специалистов «Биотехнические, медицинские и экологические системы и роботехнические комплексы» (Биомедсистемы - 2019, г. Рязань, 2019 г.), третьей Всероссийской научно-практической конференции «Прикладные информационные системы» (г. Ульяновск, 2016 г.), VII Международной научно-методической конференции «Фармобразование - 2019 (г. Воронеж, 2018 г.).

Соответствие содержания диссертации научной специальности.

Диссертация и автореферат Астафьева А.Н. соответствуют п. 2. «Значение решения научных, технических, медико-биологических проблем и проблем приборного и инструментального развития современных медицинских технологий и информационного их обеспечения для задач здравоохранения состоит в создании высокоэффективных инструментов, приборов, оборудования, изделий, систем, комплектов, технического и программного обеспечения принципиально новых высокоэффективных средств и методов воздействия на человека и в оценке влияния на человека лечебного и поражающего фактора различных излучений, полей и других энергетических факторов воздействия на человека, создании измерительной техники и средств метрологического обеспечения, создании новых средств передачи и отображения медико-биологической информации» паспорта научной специальности 05.11.17 -Приборы, системы и изделия медицинского назначения (технические науки).

Публикации. Основные результаты диссертационного исследования отражены в 25 научных работах, из которых: 10 статей в ведущих рецензируемых научных журналах, рекомендованных ВАК РФ, 1 статья в журнале, индексируемом в Scopus, 1 свидетельство о регистрации программ для ЭВМ.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, библиографического списка, включающего 140 источников, и 4 приложений. Основная часть работы изложена на 169 страницах машинописного текста, которая содержит 66 рисунков и 35 таблиц. Приложения занимают 8 страниц (Приложение А «Пример базы данных по нозологии гепатита», Приложение Б «Начальная база данных мониторинга течения гепатита», Приложение В «Регистрация программы для ЭВМ», Приложение Г «Акты внедрения»).

1. МЕТОДЫ И СРЕДСТВА ДИАГНОСТИКИ ГЕПАТИТА, МОНИТОРИНГА ТЯЖЕСТИ И ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В МЕДИЦИНСКОЙ ПРАКТИКЕ

1.1. Патогенез вирусного гепатита в России

1.1.1. Общий патогенез вирусного гепатита

Гепатит, к настоящему времени, является одной из основных проблем здравоохранения [1]. Гепатиты имеют большую этиотропную классификацию, однако больше всего выделяются вирусные гепатиты, как пример, вирусный гепатит С. Динамика развития гепатита С, проводимая экспертами ВОЗ, показывает, что 3-4 миллиона человек ежегодно инфицируются вирусом гепатита С, количество носителей данной формы составляет 130-170 миллионов человек, общая смертность от последствия заболевания более 350 тысяч ежегодно [1, 2].

Такая высокая распространенность гепатита определяется, на начальном этапе, вялым бессимптомным течением в острой форме, несвоевременным подбором наиболее эффективных лекарственных препаратов, поэтому в 80% случаев переходит в хроническую форму [3] и при неблагоприятном исходе развивается цирроз печени и гепатоцеллюлярной карциномы (ГЦК) [4].

В Российской Федерации ситуация с гепатитами носит еще более угрожающий характер, начиная с 2001 г. каждый год выявляются более 40 тысяч случаев ХГС [1]. Такое распространение заболевания влечет огромный экономический ущерб государству [5], поскольку выводит из строя трудоспособное население и предполагает огромные затраты на лечение или поддержание общего состояния здоровья.

Остановимся на самом социально-опасном виде инфекции - гепатите С. Оценка уровня распространения гепатита С за время регистрации позволяет выявить значительные изменения. Статистика в Российской Федерации ведется по двум нозологическим формам: «гепатит С острой формы» и «хронический

гепатит С первично выявленный» [6, 7], гистограмма динамики представлена на рисунке 1.

45 -

40 -

Ч

^ 35 -

0 0

о 30 -

0 0

^ 25 -

©

рц

И 20 -

К X

Й 15 -

| 10 6,8 8-4 9Л X

5 3,2

□ острый гепатит С □ хронический вирусный гепатит С

39Д40^40'240Д39,739,239,9

29,5

30,7

33,1

34

35,8

37,1

20

,9%

11,6

П

0

2,9

16

7,

4,

31,8

4,5

3,6

2,

2,2

2,

1,85

1,6 Г

? 'г4

38,04

' 3634,68

32,73

1;

41,1

г

1,

^ Ф Ф с^Ь С? ^ ^ ^ Л > А А А Л ч\ Л Л > Л чь А А

ГОД

Рисунок 1 - Динамика регистрации острых и хронических форм гепатита С в

России в 1994 - 2018 гг.

С 1995 г. прослеживается динамика возрастания заболеваемостью хроническим гепатитом С, заболеваемость повысилась с 12,9 на 100 000 населения в 1999 г. до 32,73 на 100 000 населения в 2018 г. Общая динамика острого гепатита С позволяет говорить о снижении случаев заболевания, максимальное значение было достигнуто в 2000 году 22,2 на 100 000 населения, к 2018 году показатели сократились до 1,22 на 100 000 населения [6, 7].

В зависимости от субъектов Российской Федерации имеется разброс по нозологиям и количеству инфицированных. Исследование [7] показало, что в 2010 г. самый высокий показатель распространенности острого хронического гепатита С зафиксирован в Уральском федеральном округе (3,7 на 100 000 населения), а хронического вирусного гепатита в Северо-Западном округе (66,7 на 100 000 населения). Самый низкий по острому (1,3 на 100 000 населения) и хроническому

7

1

1

I

2

гепатиту (13,4 на 100 000 населения) - в Северо-Кавказском [7, 8]. Гистограмма сравнения представлена на рисунке 2.

80

70

Р 60

о о о

О 50

о

©

40

Ы К Я

й 30

ч

ы и ^ 20 Я

10 0

40,2

2,1

31,8

2,4

66,7

41,1

11-

1,7

54,5

52,2

45,2

27,4

| г.7 | I, | I2,1 16,

13,4

1,3

РФ ЦФО СЗФО ПФО УФО СФО ДФО ЮФО СКФО

ФЕДЕРАЛЬНЫЙ ОКРУГ РФ

Рисунок 2 - Заболеваемость острыми и хроническими формами гепатита С в

федеральных округах России в 2010 г.

Проведя исследование по распространению острых и хронических форм гепатита С у различных возрастных групп можно заключить, что по данным управления Роспотребнадзора в России в 2010 году [9]: группа 20-29 лет имеет наибольшие показатели по заболеваемости: 5,9 на 100 000 населения, далее следует возрастная группа 30-39 лет: 3,8 на 100 000 населения. Далее ранговая группа детей до 1 года: 2,6 на 100 000 населения, четвертное место занимает ранговая группа детей до 14 лет: 0,42 на 100 000 населения. Пятое место по уровню заболеваемости занимают группы подростков 15-19: 1,9 на 100 000 и взрослых 40-49 лет: 1,5 на 100 000 населения. Гистограмма сравнения представлена на рисунке 3.

100 - с 90 80 ^ 70,3 2, 1

Г /0 О | 60 О £ 50 Й 40 Я Я а 30 п ы и оп 16 4

4 3,

2,

17,9

^ 20 Я 10 нм 1202 ¿03 — 5,9 И

1.9 3,8 н 1,5 0,9 0,5

до 1 1=2 3=6 7=10 11=14 15-19 20-29 30-39 40-49 50-59 >60 ВОЗРАСТ

Рисунок 3 - Заболеваемость острыми и хроническими формами гепатита С в различных возрастных группах населения РФ

Показатели выявления хронического гепатита С значительно превышают показатели острого гепатита. Группа 30-39 лет обладает самыми высокими показателями: 92,4 на 100 000 населения, далее идет группа 20-29 лет: 70,3 на 100 000 населения [9].

1.1.2. Методы определения нозологической формы гепатита

Для эффективной борьбы с недугом огромное значение имеют вопросы диагностики, лечения и профилактики вирусного гепатита [10, 11]. Для подбора лечения необходимо, в первую очередь, остановится на подтверждении диагноза и определении нозологической формы.

Первоначальным методом диагностики пациента является тщательный сбор анамнеза [12], в котором особое внимание стоит обратить на факторы риска: употребление алкоголя и наркотиков, наличие беспорядочных половых контактов и парентеральных вмешательств, а также выявление в истории семьи случаев

инфицирования вирусом гепатита и возникновения рака печени. Полученная информация может использоваться врачами эпидемиологами для проведения необходимых мероприятий - выявление источника инфекции, работа с контактными лицами и подобные вещи [13].

Особое внимание при сборе анамнеза отводится выявлению у больного таких симптомов, как тошнота, слабость, пожелтение кожи и склер, повышенная температура тела [14].

Одним из основных симптомов заболевания гепатитом являются боли в правом подреберье, которые более точно диагностируются при помощи ультразвуковой диагностики. При использовании метода УЗИ основополагающим симптомом является изменение размеров или изменение структуры печени [15].

После сбора анамнеза, пациента с подозрением на гепатит осуществляется направление на биохимический анализ крови, в котором смотрят значения следующих факторов: общие показатели крови, общий белок крови, протромбиновое время, маркеры - аланинаминотрансфераза (АЛТ), аспартатаминотрансфераза (АСТ), щелочная фосфатаза, гамма-глутамин трансфераза, альбумин, билирубин [15, 16]. В случае диагностики нозологической формы гепатита основными показателями являются АЛТ, АСТ и общий билирубин [17, 18], поскольку повреждение вирусом тканей печени приводит к выбросу в кровь ферментов из клеток печени [11, 16].

Огромное значение в диагностике нозологических форм занимает поиск вирусных антигенов, так как он является наиболее специфичным в сравнении с другими доступными методами [15, 17]. Наличие в крови вирусных антигенов и антител способствует установлению возбудителя заболевания и оценивает степень патологической активности [15]. Выявление антигенов в сыворотке крови происходит при применении лабораторных анализов на основе иммуноферментного или иммунофлюоресцентного анализа [17].

По последним исследованиям наиболее эффективным для выявления некоторых ДНК вирусов является использование тест-систем на основе метода полимеразной цепной реакции (ПЦР) [15, 19].

Анализ источников [14, 17, 18, 19, 20] позволяет составить оптимальный перечень факторов для диагностики вирусного гепатита. Для общих случаев факторы, используемые для диагностики нозологической формы вирусного гепатита, можно представить таблице 1.

Таблица 1 - Исходные факторы, применяемые для определения нозологии

вирусного гепатита

№ Входной фактор для определения нозологии Группа Диапазон изменения

1 Пол пациента Биологические данные Мужской, женский

2 Возраст пациента Биологические данные 1-70 лет

3 Общая слабость Клинические проявления Да / Нет

4 Тошнота Клинические проявления Да / Нет

5 Постоянная рвота Клинические проявления Да / Нет

6 Боли правого подреберья Клинические проявления Да / Нет

7 Повышение температуры тела Клинические проявления Да / Нет

8 Боли в суставах Клинические проявления Да / Нет

9 Снижение аппетита Клинические проявления Да / Нет

10 Наличие желтухи Клинические проявления Да / Нет

11 Контакт с инфицированным больным в последние 3 месяца Эпидемиологический анамнез Да / Нет

12 Проведение инъекции препаратов в последние 3 месяца Эпидемиологический анамнез Да / Нет

13 Переливание крови в последние 3 месяца Эпидемиологический анамнез Да / Нет

№ Входной фактор для определения нозологии Группа Диапазон изменения

14 Парентеральное вмешательство в последние 3 месяца Эпидемиологический анамнез Да / Нет

15 Употребление наркотиков Эпидемиологический анамнез Да / Нет

16 Злоупотребление лекарственными препаратами Эпидемиологический анамнез Да / Нет

17 Злоупотребление алкоголем Эпидемиологический анамнез Да / Нет

18 Половые связи с инфицированным больным Эпидемиологический анамнез Да / Нет

19 Доказанное носительство вируса гепатита Эпидемиологический анамнез Да / Нет

20 Артралгический тип Преджелтушный период Да / Нет

21 Диспептический тип Преджелтушный период Да / Нет

22 Гриппоподобный тип Преджелтушный период Да / Нет

23 Астено-вегетативный тип Преджелтушный период Да / Нет

24 Смешанный тип Преджелтушный период Да / Нет

25 Увеличение печени Данные УЗИ Да / Нет

26 Объем печени на УЗИ Данные УЗИ

27 Увеличение селезенки Данные УЗИ Да / Нет

28 ИБУ-ДНК Серологические маркеры Да / Нет

29 НВ$-А§ - поверхностный-антиген Серологические маркеры Да / Нет

30 НБе-А§ - промежуточный антиген Серологические маркеры Да / Нет

31 Апй-НБе суммарный Серологические маркеры Да / Нет

32 Anti-HBs А§ Серологические маркеры Да / Нет

33 Апй НБУеоге суммарный Серологические маркеры Да / Нет

№ Входной фактор для определения нозологии Группа Диапазон изменения

34 Anti HBVcore IgM Серологические маркеры Да / Нет

35 HCV-РНК Серологические маркеры Да / Нет

36 hdv-рнк Серологические маркеры Да / Нет

37 HD-Ag Серологические маркеры Да / Нет

38 Anti-HD IgM Серологические маркеры Да / Нет

39 Anti-HD суммарный Серологические маркеры Да / Нет

Список литературы диссертационного исследования кандидат наук Астафьев Андрей Николаевич, 2020 год

СПИСОК ЛИТЕРАТУРЫ

1. Лысанов Ю.И. Вирусные гепатиты: распространённость и динамика заболеваемости / Лысанов Ю.И., Шаманова Л.В. // Сибирский медицинский журнал. - Иркутск. - 2011. - №4. - С. 110 - 113.

2. Мукомолов С.М. Бремя гепатита А в Российской Федерации: научный обзор / Мукомолов С.М., Семененко Т.А., Герасимова И.Е. // Эпидемиология и Вакцинопрофилактика. - 2014. - № 6 (79). - С. 24 - 34.

3. Шаханина Л.И. Экономические потери от инфекционной заболеваемости в России: величины и тенденции / Шаханина Л. И., Осипова Л. А. // Эпидемиология и инфекционные болезни. - 2005. - № 4. - С. 19 - 21.

4. Cohen J. The scientific challenge of hepatitis C virus / Cohen J. // Science. -1999. - Vol. 285. - pp. 26-30.

5. Di Bisceglie A.M. The role of chronic viral hepatitis in hepatocellular carcinoma in the United States / Di Bisceglie A. M., Order S. E., Klein J. L. [et al.] // Am. J. Gastroenterol. - 1991. - Vol. 86. - pp. 335 - 338.

6. (URL: http://www.rospotrebnadzor.ru/activities/statistical-materials/) (Статистический данные Роспотребнадзора: [сайт]. URL: http://www.rospotrebnadzor.ru/)

7. Пименов Н.Н. Гепатит С в России: эпидемиологическая характеристика и пути совершенствования диагностики и надзора / Пименов Н.Н., Чуланов В.П., Комарова С.В., Карандашова И.В. и др. // Эпидемиология и инфекционные болезни. - 2012. - №3. - C. 4 - 10.

8. О санитарно-эпидемиологической обстановке в Российской Федерации в 2010 году: Государственный доклад. - М.: Федеральный центр гигиены и эпидемиологии Роспотребнадзора, 2011. - 431 с.

9. Онищенко Г.Г. Вирусные гепатиты в Российской Федерации. Справочник. / Онищенко Г.Г., Жебрун А.Б. - СПб.: ФБУН «НИИЭМ им. Пастера» Роспотребнадзора, 2009. - 219 с.

10. Simmonds P., Bukh J., Combet C. et al. Consensus proposals for a unified system of nomenclature of hepatitis C virus genotypes / Simmonds P., Bukh J., Combet C. [et al.] // Hepatology. - 2005. - Vol. 42, №4. - pp. 962-973.

11. Лапасов С.Х. Диагностика, лечение и профилактика хронического гепатита В с позиции доказательной медицины / Лапасов С.Х., Хакимова Л.Р., Аблакулова М.Х., Валиева М.Х. // Курский научно-практический вестник «Человек и его здоровье». - 2015. - №3. - C. 41-48.

12. Беркоу, Р. Руководство по медицине (диагностика и терапия). Том 1 / Беркоу Р., Флетчер Э.Д. - М.: Мир. 1997. - 499 с.

13. Асадов, Д.А. Клиническое руководство по диагностике, лечению и профилактике хронических гепатитов B и C у взрослых в первичном звене здравоохранения. / Асадов Д. А. - Ташкент, 2013. - 29 с.

14. Вудли, М. Терапевтический справочник Вашингтонского университета / Вудли М., Уэлан А. - М.: Практика, 1995. - 280 с.

15. Лобзин, Ю.В. Вирусные гепатиты клиника, диагностика, лечение / Лобзин Ю.В., Жданов К.В., Волжанин В.М., Гусев Д.А. - М.: Фолиант, 2003. -192 с.

16. Учайкин, В.Ф. Инфекционная гепатология / Учайкин В.Ф., Чередниченко Т.В., Смирнов А.В. - М.: ГЭОТАР-МЕД, 2014. - 608 с.

17. Абдурахманов Д.Т. Хронический гепатит дельта: клинико-морфологическая характеристика, течение и исходы / Абдурахманов Д.Т. // Российский журнал гастроэнтерологии, гепатологии, колопроктоллогии. - 2004. -Т. 14. - № 4. - С. 14 - 17.

18. Пак, С.Г. Острые вирусные гепатиты / Пак С.Г. - М.: Первый МГМУ им. И.М. Сеченова Минздрава России, 2010. - 134 с.

19. Соринсон, С.Н. Вирусные гепатиты / Соринсон С.Н. - СПб.: Теза, 1997. - 64 с.

20. Simmonds P. Consensus proposals for a unified system of nomenclature of hepatitis C virus genotypes / Simmonds P., Bukh J., Combet C. [et al.] // Hepatology. -2005. - Vol. 42, № 4. - pp. 962 - 973.

21. Ponde R.A. Hidden hazards of HCV transmission / Ponde R.A. // Medical microbiology and immunology. - 2011. - February (т. 200, № 1). - pp. 7 - 11.

22. Fattovich G. Hepatocellular carcinoma in cirrhosis: incidence and risk factors / Fattovich G., Stroffolini T., Zagni I., Donato F. // Gastroenterology. - 2004. -Vol. 127, № 5. - pp. 35 - 50.

23. Astafyev Andrey N. Neural Network System for Medical Data Approximation / Astafyev Andrey N., Gerashchenko Sergey I., Markuleva Marina V., Gerashchenko Mikhail S. // Proceedings of the 2020 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering. St. Petersburg and Moscow. - 2020. - pp. 1483-1487.

24. Баранов А.А. Диагностика и лечение хронических вирусных гепатитов B, C и D у детей / Баранов А. А., Каганов Б. С., Учайкин В. Ф., Корсунский А. А. и др. // Вопросы современной педиатрии. - 2004. - №6. - С. 35 - 38.

25. Фазылов В.Х. Этиологические и патогенетические аспекты диагностики и лечения вирусных гепатитов / Фазылов В.Х. // Казанский медицинский журнал. - 2013. - №6. - С. 785 - 792.

26. Liang T.J. Current and future therapies for hepatitis C virus infection / Liang T.J., Ghany M.G. // The New England journal of medicine. - 2013. - Vol. 368, no. 20. - pp. 1907 - 1917.

27. Ющук, Н.Д. Вирусные гепатиты клиника, диагностика, лечение. / Ющук Н.Д., Климова Е.А., Знойко О.О., Кареткина Г.Н., Максимов С.Л., Маев И.В. - М.: ГЭОТАР-Медиа, 2014. - 153 с.

28. Фазылов В.Х. Эффективность противовирусной терапии хронического гепатита C: результаты десятилетнего исследования / Фазылов В.Х., Еналеева Д.Ш., Фазульзянова А.И., Гайфуллина Э.Г., Мангушева Я.Р. // Практическая медицина. - 2011. - №51. - С. 153 - 157.

29. Шипулин В.П. Пути повышения эффективности лечения токсических гепатитов / Шипулин В .П. // Вестник КазНМУ. - 2014. - №2-2. - С. 39 - 43.

30. Шахгильдян, И.В. Парентеральные вирусные гепатиты (эпидемиология, диагностика, профилактика) / Шахгильдян И. В., Михайлов М. И., Онищенко Г. Г. - М.: ГОУ ВУНМЦ МЗ РФ, 2003. - 384 с.

31. Костинов, М.П. Вакцины нового поколения в профилактике инфекционных заболеваний / Костинов М.П., Гурвич Э.Б. - М., Медицина для всех, 2002. - 152 с.

32. Неронов В.А. Комплексное лечение и новый подход к оценке эффективности терапии хронического вирусного гепатита С / Неронов В.А. // Курский научно-практический вестник «Человек и его здоровье». - 2009. - №2. -С. 89 - 98.

33. Фокин В.А. Концепция банка данных научных исследований в медицине / Фокин В.А., Новикова Т.В., Пеккер Я.С., Новицкий В.В. // Сибирский медицинский журнал. - 2000. - № 4. - С. 32-35.

34. Фокин В.А. Критерий оценки состояния сложных биосистем / Фокин

B.А. // Известия Томского политехнического университета. - 2004. - Т. 307. -№5. - С. 136 - 138.

35. Фокин В.А. Концептуальная модель системы биомедицинских данных / Фокин В. А. // Вестник новых медицинских технологий. - 2005. - Т. XII. - № 1. -

C. 118 - 120.

36. Кореневский Н. А. Проектирование систем принятия решений на нечетких сетевых моделях в задачах медицинской диагностики и прогнозирования / Кореневский Н. А. // Вестник новых медицинских технологий. - 2006. - №2. - С. 6 - 9.

37. El-Solh A. A. A comparison of severity of illness scoring systems for critically ill obstetric patients / El-Solh A. A., Grant B. J. // Chest. - 1996. - № 110. -pp. 1299 - 1304.

38. Hyun M.H. Systematic review with meta-analysis: the efficacy and safety of tenofovir to prevent mother-to-child transmission of hepatitis B virus. / Hyun M.H., Lee Y.S., Kim J.H., Je J.H., Yoo Y.J., Yeon J.E., Byun K.S. // Alimentary Pharmacology & Therapeutics. - 2017. - June (vol. 45, no. 12). - pp. 1493 - 1505.

39. Заболотских И.Б. Валидность шкал Apache II, Apache III, saps 2, saps 3 и SOFA у акушерских больных с сепсисом / Заболотских И.Б., Мусаева Т.С., Денисова Е.А. // Анестезиология и реаниматология. - 2012. - №6. - C. 55 - 57.

40. Eke A.C. Hepatitis B immunoglobulin during pregnancy for prevention of mother-to-child transmission of hepatitis B virus / Eke A.C., Eleje G.U., Eke U.A., Xia Y., Liu J. // The Cochrane Database of Systematic Reviews. - 2017. - 11 February (vol. 2). - pp. 545 - 585.

41. Gupta S. Obstetric critical care: A prospective analysis of clinical characteristics, predictability and fetomaternal outcome in a new dedicated obstetric intensive care unit / Gupta S. [et al.] // Indian J. Anaesth. - 2011. - no. 55 (2). - pp. 146

- 153.

42. Sakr Y. Comparison of the performance of SAPS II, SAPS 3, APACHE II and their customized prognostic models in a surgical intensive care unit / Sakr Y., Krauss C., Amaral A.C.K.B. [et al.] // Br. J. Anaesth. - 2008. - no. 101 (6). - pp. 798 -803.

43. Minne L. Evaluation of SOFA-based models for predicting mortality in the ICU: A systematic review / Minne L., Abu-Hanna A., de Jonge E. // Crit Care. - 2008.

- no. 12. - pp. 161 - 174.

44. Zaltron S. Chronic HCV infection: epidemiological and clinical relevance. / Zaltron S., Spinetti A., Biasi L., Baiguera C., Castelli F. // BMC infectious diseases. -2012. - Vol. 12 Suppl 2. - pp. 2 - 3.

45. Прозоровский В.Б. Статистическая обработка результатов фармакологических исследований / Прозоровский В.Б. // Психофармакология и биологическая наркология. - 2007. - №3-4. - С. 2090 - 2120.

46. Нуриахметов Р.Р. Визуализация данных и результатов как методическая основа обучения прикладной статистике / Нуриахметов Р.Р. // Бюллетень сибирской медицины. - 2014. - №4. - С. 81 - 88.

47. Фокин В.А. Интегральные методы оценки состояния сложных систем / Фокин В.А., Пеккер Я.С., Берестнева О.Г., Гергет О.М. // Известия ТПУ. - 2012. -№5. - С. 120 - 124.

48. Таточенко, В.К. Иммунопрофилактика - 2003. Справочник 6-е изд. / Таточенко В.К., Озерецковский Н.А. и др. - М.: Серебряные нити, 2003. - 176 с.

49. Балаян, М.С. Вирусные гепатиты. Энциклопедический словарь. / Балаян М.С., Михайлов М.И. - М.: Новая Слобода, 1993. - 208 с.

50. Блюгер, А.Ф. Вирусный гепатит и его исходы. / Блюгер А.Ф. - Рига: Звайгзне, 1970. - 546 с.

51. Hagan H. A systematic review and meta-analysis of interventions to prevent hepatitis C virus infection in people who inject drugs / Hagan H., Pouget E.R., Des Jarlais D.C. // The Journal of infectious diseases. - 2011. - Vol. 204, no. 1. - pp. 74 -83.

52. Зинченко, А.И. Основы молекулярной биологии вирусов и антивирусной терапии. / Зинченко А.И., Паруль Д.А. - Минск: Вышэйшая школа, 2005. - 214 с.

53. Леви Д.Э. ВИЧ и патогенез СПИДа. Перевод 3-го издания. / Леви Д.Э. - М.: Научный Мир, 2010. - 736 с.

54. Prasad, V.R. HIV protocols. / Prasad V.R., Kalpana G.V. - Humana Press, 2009. - 457 p.

55. John, B.C. Virology: principles and applications. / John B. Carter, Venetia A. Saunders. - John Wiley & Sons Ltd, The Atrium, Southern Gate, Chichester, West Sussex PO19 8SQ, England, 2007. - 358 p.

56. Чучалин, А.Г. Терапия. / Чучалин А.Г. - М.: ГЭОТАР-МЕД, 1998. - 150

с.

57. Старков Е.Ф. Система поддержки принятия решений в медицине / Старков Е.Ф. // ВНМТ. - 2006. - №2. - С. 23 - 24.

58. Щекина Е.Н. Использование системного подхода для создания систем поддержки принятия решений в медицине (обзор литературы) / Щекина Е.Н. // Вестник новых медицинских технологий. Электронное издание. - 2017. - №2. - С. 356 - 364.

59. Кореневский Н.А. Использование нечеткой логики принятия решений для медицинских экспертных систем / Кореневский Н.А. // Медицинская техника. - 2015. - № 1 (289). - С. 33 - 35.

60. Тараник М. А. Анализ задач и методов построения интеллектуальных медицинских систем / Тараник М. А., Копаница Г. Д. // Врач и информационные технологии. - 2014. - №3. - С. 6 - 12.

61. Гусев М. В. Формализация медицинских данных как инструмент повышения эффективности и качества лечебно-диагностического процесса / М. В. Гусев //Сибирский Консилиум. - 2004. - № 8. - С. 66 - 68.

62. Вальд, А. Последовательный анализ. / Вальд А. - М.:Физматгиз, 1960. -

76 с.

63. Мисюк Н.С. Факторный анализ в изучении системы свертывания крови при тромботических инсультах / Н. С. Мисюк [и др.] // Клиническая медицина. -1977. - № 9. - С. 65 - 72.

64. Мастыкин А.С. Факторный анализ признаков, симптомов и факторов риска транзиторной ишемической атаки / Мастыкин А.С. [и др.] // ВЕСЦ1 НАНБ (сер. мед. навук). - 2005. - № 3. - С. 32 - 36.

65. Выучейская М.В. Нейросетевые технологии в диагностике заболеваний (обзор) / Выучейская М.В., Крайнова И.Н., Грибанов А.В.// Журнал медико-биологических исследований. - 2018. - №3. - С. 284 - 294.

66. Виноградов А.Н. Перспективные направления исследований в области клинического моделирования, управления и принятия решений / Виноградов А.Н., Гулиев Я.И., Куршев Е.П., Малых В.Л. // Врач и информационные технологии. - 2014. - №5. - С. 48 - 59.

67. Карпов Л.Е. Многопараметрическое управление на основе прецедентов / Карпов Л.Е., Юдин В.Н. // Труды ИСП РАН. - 2010. - С. 81 - 93.

68. Финн В.К. Интеллектуальные системы для анализа медицинских данных. Часть 3 / Финн В.К., Блинова В.Г., Панкратова Е.С., Фабрикантова Е.Ф. // Врач и информационные технологии. - 2007. - №1. - С. 51 - 57.

69. Лютикова Л.А. Использование математической логики с переменной значностью при моделировании систем знаний / Лютикова Л.А // Вестник СамГУ. - 1995. - № 65. - С. 20 - 27.

70. Довгаль В. М. Анализ одной разновидности систем поддержки принятия решений в медицине с применением нечеткой логики / Довгаль В. М., Воронин В. В. // Auditorium. - 2015. - №3 (7). - С. 37 - 47.

71. Parks R.W. Parallel distributed processing and neural networks: origins, methodology and cognitive functions / Parks R.W., Long D.L., Levine D.S. [et al.] // Int. J. Neurosci. - 1991. - vol. 60, no. 3-4. - pp. 195 - 214.

72. Harvey R.M. Nursing diagnosis by computers: an application of neural networks / Harvey R.M. // Nurs. Diagn. - 1993. - vol. 4, no. 1. - pp. 26 - 34.

73. Артюхин В.В. Компьютерная программа диагностики вирусного гепатита / Артюхин В.В., Горбаченко В.И., Соломаха А.А. // Вестник новых медицинских технологий. - 2007. - №2. - С. 141 - 142.

74. Черепанов Ф.М. Исследовательский симулятор нейронных сетей, обзор его приложений и возможности применения для создания системы диагностики заболеваний сердечнососудистой системы / Черепанов Ф.М. // Современные проблемы науки и образования. - 2013. - №1. - С. 43 - 48.

75. Златорев А.М. Сравнительная оценка эффективности диагностики заболеваний легких на основе дискриминантного анализа и нейронных сетей / Златорев А.М., Казимирова Н.Е., Радченко М.А. // Вестник СГТУ. - 2012. -№2(64). - С. 322 - 327.

76. Липинский Л.В., Кушнарева Т.В., Дябкин Е.В., Попов Е.А. Гибридный эволюционный алгоритм автоматизированного формирования деревьев принятия решения / Липинский Л.В., Кушнарева Т.В., Дябкин Е.В., Попов Е.А. // Вестник СибГАУ. - 2014. - №5 (57). - С. 85 - 92.

77. Семенкин Е.С. Программный комплекс адаптивных эволюционных алгоритмов моделирования и оптимизации сложных систем / Семенкин Е.С., Семёнкина М.Е. // Программные продукты и системы. - 2012. - №4. - С. 73 - 77.

78. Горбань А.Н. Нейроинформатика / Горбань А.Н., Дунин-Барковский

В.Л., Кирдин А.Н. и др. - Новосибирск: Наука. Сибирское предприятие РАН, 1998. - 296с.

79. Евстигнеев В.В. Возможности методов искусственного интеллекта для дифференциальной диагностики подтипов транзиторных ишемических атак / В. В. Евстигнеев [и др.] // ARS MEDICA. - 2009. - № 3. - С. 60 - 72.

80. Жариков О.Г. Экспертные системы в медицине / Жариков О.Г., Литвин А. А., Ковалёв В. А. // Медицинские новости. - 2008. - № 10. - С. 15 - 18.

81. Shanthi, D. Input Feature Selection using Hybrid Neuro-Genetic Approach in the Diagnosis of Stroke Disease / D. Shan-thi, G. Sahoo, N. Saravanan // IJCSNS. -2008. - vol. 8, no. 12. - pp. 99 - 107.

82. Кузнецов В.А. Прогнозирование риска развития желудочковых аритмий высоких градаций у пациентов, направленных на коронарную ангиографию / Кузнецов В.А., Тодосийчук В.В., Юркина Ю.А., Лыкасова Е.А., Нохрина О.Ю., Криночкин Д.В., Колунин Г.В. и др. // Сибирский медицинский журнал. - 2015. - №1. - С. 105 - 111.

83. Маль Г.С. Прогнозирование гиполипидемического эффекта у больных ишемической болезнью сердца с помощью нейронных сетей / Маль Г.С. // Вестник новых медицинских технологий. - 2005. - №2. - С. 96-97.

84. Геращенко С.И. Применение многоуровневых нейронных сетей для классификации биомедицинских данных / Геращенко С.И., Астафьев А.Н., Воронин С.В., Геращенко С.И.// Вести высших учебных заведений Черноземья. -2019. - № 3 (57). - С. 75 - 84.

85. Карасёв А.В. Возможность использования нейронных сетей при проведении масштабных фармакоэкономических исследований в онкологии / Карасёв А.В. // Вестник Здоровье и образование в XXI веке. - 2006. - №7. - С. 339.

86. Комаровских Е.Н. Нейросетевая диагностика и прогнозирование при глаукоме / Комаровских Е.Н. // Сибирское медицинское обозрение. - Т.42. - № 5. - 2006. - С. 17 - 20.

87. Карякина О.Е. Применение математических моделей в клинической практике / Карякина О.Е., Добродеева Л.К., Мартынова Н.А., Красильников С.В., Карякина Т.И. // Экология человека. - 2012. - №7. - С. 55 - 64.

88. Соломаха А.А. Компьютерная программа диагностики вирусного гепатита / Соломаха А. А., Артюхин В.В., Горбаченко В.И., Никольский В.И. // Известия ВУЗов. Поволжский регион. Медицинские науки. - 2007. - №2. - С. 31 -38.

89. Ozyilmaz L. Artificial neural networks for diagnosis of hepatitis disease / Ozyilmaz L. // Conference: Neural Networks, 2003. Proceedings of the International Joint Conference. - August 2003. - pp. 586-600.

90. Донцов Д.В. Метод альтернативного анализа Вальда как способ прогноза прогрессирования заболевания у больных хроническим гепатитом С / Донцов Д.В., Романова Е.Б., Амбалов Ю.М. // Кубанский научный медицинский вестник. - 2011. - №4. - С. 69 - 72.

91. Черненко В.В. Экспертные системы / Черненко В.В., Пискорская С.Ю. // Актуальные проблемы авиации и космонавтики. - 2012. - №8. - С. 322 - 323.

92. Сеченов М.Д., Щеглов С.Н. Языки программирования в экспертных системах / Сеченов М.Д., Щеглов С.Н. // Известия ЮФУ. Технические науки. -1997. - №3. - С. 92 - 99.

93. Козин Н.Е. Снижение размерности векторов признаков по критериям мультиколлинеарности / Козин Н.Е., Фурсов В. А. // Компьютерная оптика. - 2008.

- №3. - С. 307 - 311.

94. Мясников Е.В. Выбор способа декомпозиции пространства признаков для нелинейного снижения размерности / Мясников Е.В. // Компьютерная оптика.

- 2014. - №4. - С. 790 - 797.

95. Нестеренко В.А. Редукция размерности пространства состояний в задачах анализа сетевого трафика / Нестеренко В.А., Таран А.А. // Известия ЮФУ. Технические науки. - 2011. - №12. - С. 96 - 104.

96. Орлов А.И. Методы снижения размерности пространства статистических данных / Орлов А.И., Луценко Е.В. // Научный журнал КубГАУ -Scientific Journal of KubSAU. - 2016. - №119. - С. 92 - 107.

97. Дашкевич А.А. Снижение размерности данных на основе разбиения пространства на регулярную сетку / Дашкевич А. А. // Вестник НТУ ХПИ. - 2018.

- №42 (1318). - С. 12 - 19.

98. Горбаченко В.И. Два подхода к обучению радиально-базисных нейронных сетей при решении дифференциальных уравнений в частных производных / Горбаченко В.И., Артюхина Е.В. // Известия ВУЗов. Поволжский регион. Технические науки. - 2007. - №2. - С. 56 - 66.

99. Тарасов В.Н. Применение статистически подобных методов для повышения надежности классификации объектов / Тарасов В.Н., Мезенцева Е.М., Малахов С.В. // T-Comm - Телекоммуникации и Транспорт. - 2018. - №12. - С. 66

- 70.

100. Роженцов А.А. Метод диагностики онкологических заболеваний на основе анализа изображений хромато-масс-спектрограмм летучих метаболитов мочи / Роженцов А.А., Коптина А.В., Митраков А.А. и др. // Современные технологии медицины. - 2014. - №4. - С. 151 - 159.

101. Соловьев Д.А. Выбор порога чувствительности для систем диагностики / Соловьев Д.А., Семенов А.А., Щукин Н.В. и др. // Спецтехника и связь. - 2012. -№1. - С. 35 - 38.

102. Степанов А.С. О смысле ошибок первого и второго рода / Степанов А.С., Степанов С.М. // Актуальные проблемы авиации и космонавтики. - 2010. -№6. - С. 293 - 241.

103. Шайдуров А.А. Математическая модель анализа медицинских данных на основе соотношения ошибок первого и второго рода / Шайдуров А.А. // Известия АлтГУ. - 2013. - №1(77). - С. 131 - 134.

104. Лебедев А.М. Математическая модель ошибок оператора первого и второго рода / Лебедев А.М., Степанов С.М., Хайдаров Р.А. // Научный вестник МГТУ ГА. - 2009. - №149. - С. 56 - 61.

105. Березин, С.Я. Основы кибернетики и управление в биологических и медицинских системах / Березин С.Я. - М.: ТНТ, 2012. - 244 с.

106. Бесекерский, В. А. Теория систем автоматического управления: учеб. пособие. / Бесекерский В. А. - СПб.: Профессия, 2007. - 752 с.

107. Вержбицкий, В. М. Основы численных методов. / Вержбицкий В. М. -М.: Высшая школа, 2009. - 840 с.

108. Хайкин, С. Нейронные сети: полный курс = Neural Networks: A Comprehensive Foundation. 2-е изд. / Хайкин С. - М.: Вильямс, 2006. - 1104 с.

109. Барский, А.Б. Нейронные сети: распознавание, управление, принятие решений / Барский А.Б - М.: Финансы и статистика, 2004. - 177 с.

110. Волчихин В.И. Перспективы использования искусственных нейронных сетей с многоуровневыми квантователями в технологии биометрико-нейросетевой аутентификации / Волчихин В.И., Иванов А.И., Фунтиков В.А., Малыгина Е.А. // Известия ВУЗов. Поволжский регион. Технические науки. -2013. - №4 (28). - С. 86-96.

111. Сигеру Омату Нейроуправление и его приложения = Neuro-Control and its Applications. 2-е изд. / Сигеру Омату, Марзуки Халид, Рубия Юсоф - М.: ИПРЖР, 2000. - 272 с.

112. Bengio Yoshua Deep Learning / Bengio Yoshua, LeCun Yann, Hinton Geoffrey // Nature. - 2015. - Vol. 521. - pp. 436-444.

113. Рыков В.П. Автоматизированная технология модульного принципа обучения и самоорганизации искусственных нейронных сетей / Рыков В.П. // Вестник российских университетов. Математика. - 2013. - №4-1. - С. 1428 - 1430.

114. Felleman D. J. Distributed hierarchical processing in the primate cerebral cortex / Felleman D. J., D. C. Van Essen // Cerebral Cortex. - 1991. № 1. - pp. 1-47.

115. Иванов, А.И. Многомерная нейросетевая обработка биометрических данных с программным воспроизведением эффектов квантовой суперпозиции (монография) / Иванов А.И. - Пенза: Издательство АО «ПНИЭИ», 2016. - 133 с.

116. Осовский, С. Нейронные сети для обработки информации / Осовский С. Перевод И. Д. Рудинского. - М.: Финансы и статистика, 2004. - 344 с.

117. Romanuke V. Appropriate number and allocation of ReLUs in convolutional neural networks / Romanuke V. // Research Bulletin of NTUU "Kyiv Polytechnic Institute: journal. - 2017. - vol. 1. - pp. 69 - 78.

118. Астафьев А.Н. Нейросетевая система для аппроксимации медицинских данных / Астафьев А.Н., Воронин С.В. // Вести высших учебных заведений Черноземья. - 2018. - № 4 (54). - С. 74-81.

119. Горбань, А.Н. Нейронные сети на персональном компьютере. / Горбань А.Н., Россиев Д.А. - Новосибирск: Наука, 1996. - 276 с.

120. Вороновский, Г.К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Вороновский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.А. - Харьков: Основа, 1997. - 112 с.

121. Хорн, Р. Матричный анализ / Хорн Р., Джонсон Ч. - М.: Радио и связь, 1989. - 666 с.

122. Иванов А.А. Решение задачи полиномиальной аппроксимации с использованием итерационного метода Качмажа / Иванов А.А. // Вестник СГАУ.

- 2008. - №2. - С. 179 - 182.

123. Ефимов С.С. Обзор методов распараллеливания алгоритмов решения некоторых задач вычислительной дискретной математики / Ефимов С.С. // МСиМ. - 2007. - №1(17). - С. 72 - 93.

124. Козлов А.И. Сравнение встроенных методов решения систем линейных алгебраических уравнений в MathCAD / Козлов А.И. // Cloud of science. - 2017. -№1. - С. 54 - 60.

125. Ильин В.П. Об итерационном методе Качмажа и его обобщениях / Ильин В.П. // Сибирский журнал индустриальной математики. - 2006. - Т. 9, №3.

- С. 39 - 49.

126. Kaczmarz S. Approximate solution of systems of linear equations / Kaczmarz S. // Internat. J. Control. - 1993. - vol. 57, no. 6. - pp. 1269 - 1271.

127. Жданов А.И. Параллельная реализация рандомизированного регуляризованного алгоритма Качмажа / Жданов А.И., Сидоров Ю.В. // Компьютерная оптика. - 2015. - №4. - С. 536 - 541.

128. Богданова Е.Ю. Блочный регуляризованный метод Качмажа / Богданова Е.Ю. // Вестник Самарского государственного технического университета. Серия «Физико-математические науки». - 2016. - №3. - С. 544 -551.

129. Chihiro Watanabe Modular Representation of Layered Neural Networks / Chihiro Watanabe, Kaoru Hiramatsu, Kunio Kashino // NTT Communication Science Laboratories. Morinosato Wakamiya, Atsugi-shi, Kanagawa. - Pref. 243-0198, Japan. -pp. 1 - 29.

130. Куссуль М.Э. Модульное представление нейронных сетей / Куссуль М.Э. // Математические машины и системы. - 2006. - №4. - С. 51 - 62.

131. Редько В.Г. Анализ геометрического метода формирования модульной структуры нейронных сетей / Редько В.Г. // Труды ИСП РАН. - 2004. -С. 71 - 78.

132. Рыков В.П. Тестирование модульного подхода к обучению нейронных сетей на примере аффинного шифрования / Рыков В.П. // Вестник российских университетов. Математика. - 2013. - №1. - С. 188 - 192.

133. Рыков В.П. Автоматизированная технология модульного принципа обучения и самоорганизации искусственных нейронных сетей / Рыков В.П. // Вестник российских университетов. Математика. - 2013. - №4-1. - С. 1428 - 1430.

134. Дмитриев Г. А., Астафьев А.Н. Система поддержки принятия решений при определении нозологической формы гепатита / Дмитриев Г.А. // Программные продукты и системы. - 2017. - №4. - С. 754 - 757.

135. Газин А.И. Статистическая обработка речевых сигналов, сохраняющая биометрию пользователя / Газин А.И. // Труды Международного симпозиума «Надежность и качество». - 2010. - С. 278 - 248.

136. Астафьев А.Н. Проектирование медицинской системы поддержки принятия решений / Астафьев А.Н., Геращенко С.И., Шарапов С.И. // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. - 2019. - № 12. - С. 46 - 53.

137. Астафьев А.Н. Методика дифференциальной диагностики нозологической формы вирусного гепатита с применением нейронной сети

каскадной корреляции / Астафьев А.Н. // Моделирование, оптимизация и информационные технологии. - 2019. - Т.7. - № 3 (26). - С. 2 - 14.

138. Астафьев А.Н. Методика классификации лекарственных препаратов для лечения гепатита по степени эффективности / Астафьев А.Н. // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. - 2019. - № 10. - С. 58 - 62.

139. Астафьев А.Н. Интеллектуальная система оценки состояния / Астафьев А.Н., Воронин С.В. // Вести высших учебных заведений Черноземья. -2018. - № 2 (52). - С. 73 - 81.

140. Астафьев А.Н. Нейросетевое прогнозирование эффективности фармакотерапии при гепатите / Астафьев А.Н., Воронин С.В., Водеников С.К. // Интеллектуальные системы в производстве. - 2019. - Т.17. - № 4. - С. 4 - 11.

ПРИЛОЖЕНИЕ А. Пример базы данных по нозологии гепатита

№ Входной фактор для определения нозологии Пациент 1 Пациент 2 Пациент 3

1 Пол пациента Мужской Мужской Женский

2 Возраст пациента 32 43 23

3 Общая слабость Нет Нет Нет

4 Тошнота Нет Да Нет

5 Постоянная рвота Нет Нет Нет

6 Боли правого подреберья Да Да Да

7 Повышение температуры Нет Да Да

тела

8 Боли в суставах Нет Нет Нет

9 Снижение аппетита Нет Да Да

10 Наличие желтухи Да Да Нет

Контакт с Нет Нет Нет

11 инфицированным больным в последние 3 месяца

Проведение инъекции Нет Нет Нет

12 препаратов в последние 3 месяца

13 Переливание крови в Нет Да Нет

последние 3 месяца

Парентеральное Нет Нет Нет

14 вмешательство в последние 3 месяца

15 Употребление наркотиков Нет Нет Нет

Злоупотребление Нет Нет Нет

16 лекарственными препаратами

17 Злоупотребление Нет Да Нет

алкоголем

18 Половые связи с Нет Нет Нет

инфицированным больным

19 Доказанное носительство Нет Нет Нет

вируса гепатита

20 Артралгический тип Нет Нет Нет

21 Диспептический тип Нет Да Нет

22 Гриппоподобный тип Нет Нет Нет

23 Астено-вегетативный тип Нет Нет Да

24 Смешанный тип Нет Нет Нет

25 Увеличение печени Да Нет Нет

26 Объем печени на УЗИ 4 см 0 см 0 см

№ Входной фактор для определения нозологии Пациент 1 Пациент 2 Пациент 3

27 Увеличение селезенки Нет Нет Нет

28 ИВУ-ДНК Нет Нет Нет

29 HBs-Ag - поверхностный-антиген Нет Нет Нет

30 HBe-Ag - промежуточный антиген Нет Нет Нет

31 Anti-HBe суммарный Нет Нет Нет

32 Anti-HBs Ag Нет Нет Нет

33 Anti HBVcore суммарный Нет Нет Нет

34 Anti HBVcore IgM Нет Нет Нет

35 HCV-РНК Нет Нет Нет

36 HDV-РНК Нет Нет Нет

37 HD-Ag Нет Нет Нет

38 Anti-HD IgM Нет Нет Нет

39 Anti-HD суммарный Нет Нет Нет

40 Anti-HAV IgM Нет Нет Нет

41 Anti-HCV Нет Нет Нет

42 Anti-HCV IgM Да Да Да

43 Anti-HCVcore Да Да Да

44 Anti-HCV NS2 Да Да Да

45 Anti-HCV NS3 Да Да Нет

46 Anti-HCV NS4 Да Да Нет

47 Anti-HEV IgM Нет Нет Нет

48 Anti-HEV IgG Нет Нет Нет

49 Anti-HGV суммарный Нет Нет Нет

50 Anti-HCV IgG Да Да Нет

51 Anti-HAV IgG Нет Да Нет

52 Аланинаминотрансфераза 134 61 27

53 Аспартатаминотрансфераза 18,4 17,1 7,3

54 Полимеразная цепная реакция Да (1031000) Да (1560000) Да (448900)

55 Билирубин общий 48,3 6,6 24,6

Диагноз Хронический гепатит С Острый гепатит С Хронический гепатит С

Параметры \ Отклик 5 5 4 4 3 I 2 2 I 1 2 2 3 3 4 4 5 5

Пол Мужской / Женский

Возраст, лет 1 4 5 8 9 12 13 15 16 36 37 43 44 50 51 56 57 70

Лейкоциты, 1><109/л 1 1,8 1,9 2,7 2,8 3,6 3,7 4,4 4,5 9 9,1 10,3 104 12 12,1 13,5 13,4 15

Эритроциты, 1х101:/л 2 2,4 2,5 2,9 3 3,4 3,5 3,8 3,9 5,1 5,2 6,3 6,4 7,5 7,6 8,7 8,8 10

Гемоглобин, г/л 80 94 95 109 110 119 120 129 130 170 171 195 196 220 221 245 246 270

Тромбоциты, 1х10'/л 50 89 90 109 110 139 140 169 170 450 451 530 531 620 621 710 711 800

Л и м ф о ц и ты (С 04+), мкл"1 200 339 340 479 480 609 610 749 750 1200 1201 1275 1276 1350 1351 1425 1426 1500

Л и м ф о ц и ты (С 08+), МКЛ"1 150 189 190 229 230 259 260 299 300 700 701 790 791 880 881 970 971 1050

В-клетки, мкл"1 80 109 110 139 140 169 170 199 200 500 501 550 551 600 601 650 651 700

NK-клетки, мкл"1 40 74 75 109 110 144 145 179 180 450 451 525 526 600 601 675 676 750

Аутоаититела нет да да да да да да да да

ПЦР+ - + + + + + + + +

Количество копий 0 1 25*104 26*104 50*104 51 * 104 75*104 76*104 106

Билирубин общий, мкмоль/л 0 18,8 18,9 40 41 60 61 80 81 100

Билирубин прямой, мкмоль/л 0 5,1 5,2 11,4 11,5 17,70 17,80 23,9 24 30

тимоловая проба, ед. 0 4 4,1 10,5 10,6 17 17,1 23,5 23,6 30

АЛАТ, ед/л 0 9 10 19 20 29 30 40 41 41 42 280 281 520 521 760 761 1000

ТТГ нет да да да да да да да да

Коллаген 4, ед. 0 141 142 180 181 210 211 260 261 300

ЦИК, мкг/мл 0 91 92 140 141 170 171 190 191 220

ПРИЛОЖЕНИЕ В. Регистрация программы для ЭВМ

РОССИЙСКАЯ ФЕДЕРАЦИЯ

ри 11279

ФЕДЕРАЛЬНАЯ С Л УЖЬА ПО ИНТЕЛЛЕКТУАЛЬНОЙ СОБСТВЕННОСТИ

ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ДЛЯ ЭВМ

Номер регистрации (свидетельства); Автор:

2017611279 Астафьев Андрей Никодаевич ГШ]

Да та регистрации: 01.02.2017 Правообладатель:

Номер и дата поступления заявки: Астафьев Андрей Николаевич (Ли)

201ШЗ«51 0«. 12.2016

Дата публикации: 01.02.2017

Контактные реквизиты:

нет

Щзьание программы для 'ЭВМ: Система оценки состояния тяжести паи иг п та

Реферат;

Программа предназначена дли оценки состояния организма на основе значений биомеднии неких факторов с цель ¡а выявления патологических состояний, контроля качества и оценки эффективности лечения. Область применения программы: медицинская диагностика состояния организма, опенка эффективности лечения. П рпграмма обеспечивает оценку Состояния 1 я шести пациента по пятибалльной шкале на основании комплекса значений биомздицинскияфакторов. Входными значениями про; рам мы служа I (Зиомедииннекие факторы, получаемые из анализов пациента (лейкоциты, лимфоциты и др.), выходным значений| служит оценка состояния 1>™ес1и Йа^тибшщлИШКЙЛЧ-'ПрограммаЯ&Нлет^ясиегтеый^ поддержки принятия решения. ^учСНйс реализовано |[рн помоши рекурриятной вейронний сети.

Тип реалвгумщев ЭВМ: [ В \Т РС-еов мест. Г1К

Язык п ро:раммираван ия: П^рЫ^^Ь

Нил и верен» операционной системы: 'Л'тп^и^ч ХР и выше

Объем программы для ЭВМ: 133 Мб

ПРИЛОЖЕНИЕ Г. Акты внедрения

УТВЕРЖДАЮ Проректор по учебной работе ФГБОУ ВО "Липецкий государственный технический университет"»

„ V ом'

и--

(щШШ^г**

щ

\ ' ■ (кк

Чгй»

"^ПРАВКА

Кащенко А. П.

2019 г.

об использовании в учебном процессе материалов, содержащихся в кандидатской диссертации ассистента кафедры'физики и

биомедицинской техники Астафьева Андрея Николаевича «Нейросетевая'система мониторинга и поддержки принятия решений диагностики вирусного гепатита».

Настоящей справкой удостоверяется, что результаты диссертационной работы на соискание ученой степени кандидата наук по специальности 05.11.17 «Приборы, системы и изделия медицинского назначения» используются в учебном процессе федерального государственного бюджетного образовательного учреждения высшего образования «Липецкий государственный технический университет» в рамках образовательной программы по направлению 12.03.04 «Биотехнические системы и технологии», а именно разработка системы поддержки принятия решения для определения нозологической формы гепатита применяется в учебном процессе по дисциплине «Биотехнические системы медицинского назначения» в виде материалов к практическим занятиям по теме «Проектирование медицинских систем поддержки принятия решений». Использование результатов диссертационной работы обсуждено на заседании кафедры физики и биомедицинской техники от 08.11.2019 г. протокол № 6.

Начальник отдела по науке

П.А. Кровопусков

Декан физико-технологического факультета к.т.н., доцент

I 1

Заведующий кафедрой физики и БМТ к.ф.-м.н., доцент

И.А. Коваленко

7"

. - с*^ С.И. Шарапов

имени П.П.

«УТВЕРЖДАЮ» Рек юр ФГБОУ ВО "Липецкий

А-

государственный педагогический университет

Гян-Шанского" Н.В. Федина 20^ г.

АКТ

внедрения результатов кандидатской диссертации Астафьева Андрея Николаевича «Нейросетевая система мониторинга и поддержки принятия решений диагностики вирусного гепатита» в учебный и научный процессы ФГБОУ ВО «Липецкий государственный педагогический университет имени

П.П. Семёнова-Тян-Шанского».

Настоящим подтверждаем, что научно-методические разработки кандидатской диссертации Астафьева Андрея Николаевича «Нейросетевая система мониторинга и поддержки принятия решений диагностики вирусного гепатита» внедрены в учебный процесс дисциплины «Нейросетевые методы биометрической защиты информации» в виде дополнительных лекций по проблемам применения нейросетвых алгоритмов для хранения и обработки информации при диагностике заболеваний в медицине.

Проректор по научной работе ФГБОУ ВО «ЛГПУ имени П.П. Семёнова-Тян-Шанского» д.социол.н., профессор

И.о. директора института естественных, математических и технических наук, к.ф.-м.н., доцент _

И.В, Бурмыкина

Е.В. Фролова

Зав. кафедрой информатики информационных технологий и защиты информации к.т.н., доцент

Д.М. Скуднев

«УТВЕРЖДАЮ»

И.О. ректора Федерального государственного бюджетного образовательного учреждения высшего образования "Тверской

АКТ

внедрении результатов кандидатской диссертации Астафьева Андрея Николаевича «Нейросегевая система мониторинга и поддержки принятия решений диагностики вирусного гепатита» в учебный и научный процессы ФГБОУ ВО Тверской ГМУ

Минздрава России

Настоящий акт составлен в том, что разработки кандидатской диссертации Астафьева Андрея Николаевича «Нейросетевая система мониторинга и поддержки принятия решений диагностики вирусного гепатита» используются кафедрой «Физики, математики и медицинской информатики» и внедрены в учебный процесс по специальностям 060101 «Лечебное дело» и 060103 «Педиатрия», дисциплины «Физика, математика». Результаты исследования включены в цикл лекций и практических занятий обучающихся на первом курсе.

Зав. кафедрой физики, математики и медицинской информатики, доктор физико-математических наук,

доцент

В.В. Туровцев