Технологии, модели и алгоритмы поиска в архивах медицинских данных с использованием контекстно-временной онтологии тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат технических наук Нестерова, Ольга Андреевна

• Нестерова, Ольга Андреевна
• кандидат технических наук
• 2011

Оглавление диссертации кандидат технических наук Нестерова, Ольга Андреевна

ТАБЛИЦА СОКРАЩЕНИЙ.

ВВЕДЕНИЕ.

ГЛАВА 1. ДИФФЕРЕНЦИАЦИЯ ТРЕБОВАНИЙ К СБОРУ ДАННЫХ ДЛЯ ИНФОРМАТИЗАЦИИ МЕДИКО-БИОЛОГИЧЕСКИХ ИССЛЕДОВАНИЙ.

1.1. Характеристика медико-биологических исследований.

1.2. Специфика электронной медицинской информации.

1.3. Анализ технологий информационного поиска.

1.4. Выводы по главе.

ГЛАВА 2. МОДЕЛИРОВАНИЕ СЕМАНТИКО-ЭНТРОПИЙНОГО ПОИСКА С ИСПОЛЬЗОВАНИЕМ КОНТЕКСТНО-ВРЕМЕННОЙ ОНТОЛОГИИ.

2.1. Описание основных понятий семантико-энтропийного поиска.

2.2. Построение модели интерпретации смысла текстов документов и запроса с учетом контекста и времени.

2.3. Метод расчета меры соответствия текстов документов и запроса.

2.4. Метод расчета оценки эффективности этапов обучения и поиска.

2.5. Описание работы алгоритма выбора документов.

2.6. Выводы по главе.

ГЛАВА 3. РАЗРАБОТКА ТЕХНОЛОГИИ ИНФОРМАЦИОННОГО

ПОИСКА В АРХИВАХ МЕДИЦИНСКИХ ДАННЫХ.

3.1. Проектирование архитектуры информационно-поисковой системы.

3.2. Обучение системы.

3.3. Интерпретация и анализ результатов поиска.

3.4. Гибридизация учетных медицинских информационных систем.

3.5. Выводы по главе.

ГЛАВА 4. ОЦЕНКА ЭФФЕКТИВНОСТИ РАЗРАБОТАННОЙ

ИНФОРМАЦИОННО-ПОИСКОВОЙ СИСТЕМЫ.

4.1. Результаты разработки информационно-поисковой системы.

4.2. Описание численных экспериментов.

4.3. Оценка модели семантико-энтропийного поиска.

4.4. Выводы по главе.

Введение диссертации (часть автореферата) на тему «Технологии, модели и алгоритмы поиска в архивах медицинских данных с использованием контекстно-временной онтологии»

Актуальность работы. Повышение качества и доступности медицинской помощи - один из приоритетов государственной социальной политики. Подтверждением этого является принятая концепция развития системы здравоохранения в Российской Федерации до 2020 года. Одним из основных направлений решения проблемы информатизации медико-биологических исследований (МБИ) является предоставление информации различным специалистам из тематических электронных архивов историй болезни. Вопросам применения информационных ресурсов в МБИ посвящены работы: Г.И. Назаренко, Г.С. Осипова, А.И. Молодченкова,

A.C. Клещева, Ф.М. Москаленко, М.Ю. Черняховской, О.Ю. Ребровой,

B.М. Тавровского, В.А. Лищук, С.Е. Бащинского, В.П. Казначеева, P.M. Баевского, А.П. Берсеневой, В.Н. Евдокименкова, У. Кокрена.

Процессу проведения МБИ присущи задачи сбора, обработки информации и интерпретации результатов. Критический анализ медицинских информационных систем (МИС) - источников информационных ресурсов -выявил ряд проблем информатизации МБИ.

1. Необходимость использования неформализованных данных (неструктурированные текстовые массивы, изображения), для которых применение обычных запросов с использованием предикатной логики является затруднительным, усложняет процесс поиска нужной информации.

2. Широко используемые технологии поиска данных в тексте по точному совпадению слов не подходят для задач кодификации (распознавания) элементов системы (объектов, фактов, событий) в неструктурированных текстовых массивах.

3. Большинство разрабатываемых МИС выполняют только функции учета (хранения) данных, которые имеют заранее определенную структуру. К таким данным невозможно применить произвольный запрос в любой момент времени. Необходимы затраты на сопровождение разработчиками.

4. Решение вопроса интеграции разрозненных данных (территориально, различные разработчики МИС) не только требует финансовых затрат, но и сталкивается с проблемой интеграции семантических данных.

5. Необходимость оперативного доступа к информации, ее интеграция требует особого внимания к обеспечению безопасности с учетом закона о персональных данных.

В рамках одного исследования невозможно решить все сформулированные выше проблемы, поэтому нами определена, на наш взгляд, ключевая проблематика в организации научно-исследовательской деятельности врача по сбору и анализу данных: оптимизация механизмов поиска и кодификации элементов учетной МИС, содержащихся в неструктурированных текстах медицинских электронных записей.

Теоретическое обоснование методов поиска и анализа текстов рассмотрено в работах Г. Сэлтона, Т. Джойса, Р. Нидхема, К. Маннинга, П. Рагхавана, Г. Шютце. Методы поиска на основе семантической сети находятся еще только в стадии развития. Делаются попытки использования семантических сетей для поиска в сети Internet. Разработке семантических моделей информационного поиска посвящены работы С. Дамайса, Г. Фурнаса, С. Дирвестера, К. Маннинга, Т. Груббера, Е.А. Рабчевского, Н.В. Лукашевича, Б.В. Доброва, Р.В. Шарапова, В.А. Глазунова, Р.Д. Аветисяна.

А. Гладун, Ю. Рогушина, П.С. Шеменков в своих работах отмечают, что в задачах семантического поиска в текстах важным является критерий, представляющий собой оценку информационной потребности пользователя.

Решение задачи связано с проблемой разработки технологии анализа текстовой медицинской информации, которая учитывала бы специфику электронной медицинской информации: разнородность, удаленность, многозначность, неточные формулировки, субъективность, хронологическую последовательность и неформализованное представление в виде неструктурированного текстового массива.

Объект исследования: модели, алгоритмы и технологии информационного поиска в неструктурированных текстах медицинских электронных записей для поддержки медико-биологических исследований.

Предмет исследования: условия и средства организации семантического (смыслового) распознавания различных сведений, данных о соответствующих предметах, явлениях, процессах, отношениях (элементов МИС) в неструктурированных текстовых массивах медицинских электронных записей.

Целью диссертационной работы является совершенствование механизмов информационного поиска медицинских данных для поддержки МБИ посредством обеспечения максимально возможной полноты обзора текстовых информационных ресурсов и точности нахождения информации.

Для достижения поставленной цели в работе решаются следующие задачи:

1. Разработка технологии интерпретации смысла текста документов и запросов для представления элементов МИС в неструктурированных текстовых массивах медицинских электронных записей.

2. Разработка метода расчета соответствия образа документа запросу.

3. Разработка алгоритма поиска и сбора данных.

4. Построение модели семантико-энтропийного поиска для организации сбора данных для информационной поддержки медицинских научных исследований.

5. Разработка критерия эффективности поиска.

6. Проектирование архитектуры информационно-поисковой системы (ИПС).

7. Разработка концепции гибридизации МИС.

На рис. 1 приведена структурная схема, отображающая комплексный системный подход к процессу исследования. В о

СО а о X о

5» к о

5> 3 а о р? о о о о о

4 о о -1 о а о ы

X о й са я

43 о с о о о ^ о о а о £1 О И о

Оценка эффективности

2 3 З-0 - У

5 о й га = х о и: За ^ <"> о л. а

- ---~ 8> За ^ 5-а {Г

1 5 ? I 2 я а - ® и

5 ■ а СП

-.•а

X <д) 3 С.

0 О — ~ и д -О- ш

2 2 о ь а -0 о з

1 ? 3 3

ЗЗа о 1 Й Й Т

В- сг О ы а, = -С X и х >, -о

1 = о ы

2 -1 з о ®

1?|?? СО О О О -О о5< » : » » I?! п

3 Й 3 О 2 О -С н а 5 § * ° о я »«нш 3 сг

О о ш ф о

Е ф х о •ч го о го и х г ф

Зз » з О 2а

Зз ф

•О р; 2 ф X Ы X г и О го г = § ы о 73

Е л О

5 О О ы ф

2л О го в> х г п № СО =1 о о сл

•< Г о

Ь

СГ ф ь н 03 —) X Ф

X X о СГ X го X ф X о I о =1 о г о я »м

2 ф

Зз х: г х о X

Ь а> х X

О"

Методы исследований. Приведенные в работе методы исследования базируются на использовании методов теории графов, теории принятия решений, теории информации, нечеткой логики, теории вероятности и математической статистики, методов информационного поиска, математического моделирования, графовой кластеризации, модульного и объектно-ориентированного программирования.

Достоверность и обоснованность результатов. Предложенные в диссертационной работе модели и алгоритмы обоснованы теоретическими решениями, не противоречат известным положениям других авторов, определяются методологической базой исследования, сочетанием различных подходов и методов исследования, экспериментальной проверкой теоретических положений и воспроизводимостью результатов.

Положения, выносимые на защиту

• Технология семантико-энтропийного поиска:

- математическая модель контекстно-временной онтологии;

- алгоритм поиска и анализа результатов запроса.

• Архитектурная модель информационно-поисковой системы.

Научная новизна работы отражена в следующих результатах.

• Впервые понятия контекстно-временной онтологии (КВО) предметной области применены к информационному поиску в архивах медицинских данных.

• Разработана новая технология семантико-энтропийного поиска с использованием модели КВО.

• Построена новая модель КВО предметной области:

- введено понятие фактора достоверности, зависящего от времени;

- предложен метод расчета оценки неопределенности запроса с использованием энтропийной оценки;

- предложен метод расчета оценки релевантности документов с учетом коэффициентов достоверности, как расчет меры близости графов, полученных путем построения семантических сетей документа и запроса на основании построенной экспертом контекстно-временной онтологии.

• Разработан новый алгоритм поиска с обучением с учителем, включающий в себя контекстное индексирование и анализ результатов поиска.

Теоретическая значимость. Стало возможным достижение результатов ряда новых задач.

• Интеграция семантических данных с применением КВО.

• Обработка и анализ семантических данных в системах поддержки принятия решений с использованием КВО.

• Семантико-энтропийный поиск в сети Internet.

Практическая значимость

• Алгоритм поиска с обучением позволяет учитывать соответствие документа информационной потребности пользователя.

• Механизм преобразования общего инвертированного файла (индекса) в контекстный индекс, зависящий от контекста запроса, позволяет получить контекстные образы документа, соответствующие различным запросам.

• Использование разработанной модели поиска позволяет с определенной долей достоверности формализовать семантическую информацию для получения полной выборки данных и дальнейшей обработки данных при проведении МБИ.

• Разработанная архитектурная модель ИПС, состоящая из индексирующего, поискового сервиса и виртуального хранилища данных предоставляет возможность исследователю оперативно получать данные по теме своего исследования из различных источников.

• Предложенный метод перехода от учетных к гибридным ИС позволяет наиболее эффективно использовать имеющиеся данные МИС, предоставляя инструментарий формирования произвольных запросов пользователем, не являющимся 1Т-специалистом.

• Предлагаемые методические разработки могут быть приняты во внимание разработчиками медицинских информационных систем при проектировании структуры в направлении, рассматриваемом в диссертации.

Реализация и внедрение результатов работы

• Теоретические и практические результаты работы реализованы и внедрены в качестве ИПС для сбора данных и поддержки медицинских исследований в Тюменском кардиологическом центре (ТКЦ). В процессе эксплуатации представленная система показала свою эффективность. Внедрение системы в ТКЦ подтверждено соответствующими свидетельствами.

• Разработанная ИПС используется при сборе данных в исследованиях по ишемическому инсульту и фибрилляции предсердий, что подтверждается соответствующими публикациями совместно с научными работниками ТКЦ.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих конференциях и семинарах:

III международная научно-практическая конференция «Исследование, разработка и применение высоких технологий в промышленности», Санкт-Петербург, март 2007; III Всероссийская конференция студентов, аспирантов и молодых ученых «Искусственный интеллект: философия, методология, инновации», Москва, ноябрь 2009; II региональная конференция ИМКН ТюмГУ, Тюмень, октябрь 2009; IX международный славянский конгресс «КАРДИОСТИМ-2010», Санкт-Петербург, февраль 2010; 9-я Сибирская научная школа-семинар ЗЮЕСИТРТ'Ю, Тюмень, октябрь 2010; IV Всероссийская конференция студентов, аспирантов и молодых ученых «Искусственный интеллект: философия, методология, инновации», Москва, ноябрь 2010; научные семинары НИИ КИТ, кафедры информационной безопасности ТюмГУ, Тюмень, 2006 - 2010.

Работа выполнена при поддержке гранта Министерства образования и науки РФ «Проведение научных исследований в области экологии языка и смежных наук» ГК № 02.740.11.0594.

Этапы исследования. Условно исследование можно разделить на четыре этапа. Первый этап (2006 - 2007 гг.) включал в себя анализ литературы по теме исследования, изучение опыта работы, как в России, так и за рубежом. На втором этапе (2007 - 2008 гг.) разрабатывались организационные модели, отрабатывалось содержание научно-исследовательской деятельности врача. На третьем этапе (2009 г.) велась опытно-экспериментальная работа по изучению возможностей организации гибридной МИС на базе ТКЦ. На четвертом этапе (2010 г.) проводилась обработка и обобщение полученных результатов.

Публикации. Основное содержание отражено в 24 публикациях, из которых 7 свидетельств о государственной регистрации программ для ЭВМ и 4 статьи, опубликованных в изданиях, рекомендованных ВАК.

Структура и объем работы. Приведенные цели и задачи определяют структуру и содержание исследования. Текст диссертации состоит из введения, четырех глав, заключения, списка литературы из 117 наименований работ российских и зарубежных авторов, 4 приложений. Общий объем - 129 страниц, в том числе 5 таблиц, 11 рисунков на 11 страницах.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Нестерова, Ольга Андреевна

Основные результаты диссертационной работы заключаются в следующем.

• Разработанная технология представления элементов МИС в неструктурированных текстовых массивах медицинских электронных записей с использованием дополнительных характеристик онтологических связей и предложенная методика энтропийной оценки неопределенности запроса позволяет осуществлять достаточно точный и полный смысловой поиск в медицинских документах, «слабо» чувствительный к языку, на котором написан документ, что является важным для медицинских документов, содержащих термины на русском языке и на латыни.

• Построенная модель семантического поиска для организации информационной поддержки медицинских научных исследований соответствует рассматриваемой предметной области, является адекватной и непротиворечивой.

• Сформулированная оценка релевантности смысла документов и запроса как мера схожести графов, соответствующих построенным семантическим сетям по созданной в процессе обучения КВО позволяет формировать достаточно полную выборку документов.

• Разработанный алгоритм семантического поиска на основе разработанной модели с обучением с учителем, включающий в себя правила вывода и лингвистическую онтологию для генерации новых онтологических связей позволяет учитывать потребности конкретного пользователя системы.

• Предложенный метод перехода от учетных к гибридным информационным системам позволяет использовать накопленные данные о пациенте для проведения МБИ без существенных затрат на доработку уже внедренных учетных МИС.

• Эффективность информационно-поисковой системы подтверждена в процессе практической эксплуатации программного комплекса для сбора и анализа данных в Тюменском кардиологическом центре.

ЗАКЛЮЧЕНИЕ

Предложенные в диссертационной работе модели и алгоритмы обоснованы теоретическими решениями, не противоречат известным положениям других авторов, определяются методологической базой исследования, сочетанием различных подходов и методов исследования, экспериментальной проверкой теоретических положений и воспроизводимостью результатов.

Список литературы диссертационного исследования кандидат технических наук Нестерова, Ольга Андреевна, 2011 год

1. Аветисян Р.Д., Аветисян Д. О. Теоретические основы информатики. -М.: Вильяме, 2002. - 168 с.

2. Алефелъд Г., Херцбергер Ю. Введение в интервальные вычисления / Пер. с англ. М.: Мир, 1987. - 356 с.

3. Андриенко Е.В. Исследование и разработка методов и моделей поиска адекватной информации в полнотекстовых базах данных : Диссертационная работа к.т.н. : 05.13.17 / Таганрог, 2004. 211 с.

4. Барсегян A.A. Технологии анализа данных: Data Mining, Visual mining, Text Mining, OLAP / Барсегян A.A., Куприянов М.С., Степаненко В.В., Холод И.И. СПб.: БХВ-Петербург, 2007. - 384 с.

5. Белякин А.Ю., Козадой Ю.В., Мусин Г.Ш. Единое информационное пространство лечебно-профилактического учреждения. Вопросы интеграции и защиты данных // Информатизация образования и науки. 2010. -№1(5). - С. 72 - 87.

6. Бледное A.M. Применение векторной модели представления текстовой информации для пополнения базы знаний // Вестник ИжГТУ, 2006. №4. - С. 56 - 60.

7. Бойцов И. Системы поиска по массивам неструктурированной информации. URL: http://www.trtu.hl2.ru/p220.htm (дата обращения: 15.04.2003).

8. БрукингА. Экспертные системы. Принципы работы и примеры / Пер.с англ. / Брукинг А., Джонс П., Кокс Ф. и др.; под ред. Р.Форсайта. М.: Радио и связь, 1987. - 224 с.

9. Бураковский В.И. Компьютерная технология интенсивного лечения: контроль, анализ, диагностика, лечение, обучение / Бураковский В.И., Бокерия JI.A., Газизова Д.Ш., Лищук В.А., Люде М.Н., Работников B.C., Соколов М.В., Цховребов С.В. М., 1995. - 85 с.

10. Воройский Ф.С. Индексирование документов в АБИС // Библиотека, 1996. №9. - С. 42 - 44.

11. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. Учебник. СПб.: Питер, 2000. - 384 с.

12. Гладун А., Рогушина Ю. Семантическая википедия как источник онтологий для интеллектуальных поисковых систем // Book 2 Advanced Research in Artificial Intelligence, 2008. C. 172 178.

13. Глазунов В.А. Многокритериальный подход к проблемам виртуальности и выбора научной теории / Концепция виртуальных миров и научное познание. Институт философии РАН. СПб.: Изд. Русского христианского гуманитарного института, 2000. - С. 186 — 196.

14. Глазунов В.А., Чистоходова Л.И. Моделирование творческого процесса / В кн.: Искусственный интеллект: междисциплинарный подход. Под ред. д.ф.н. Д.И. Дубровского и чл.-корр. РАН В.А. Лекторского. М.: ИнтеЛЛ, 2006. - С. 259 - 263.

15. Глазунова О.В., Глазунов В.А., Дремайлов А.В. Разработка алгоритмов идентификации параметров объектов музейного хранения / Научно-технические проблемы развития Московского мегаполиса.

16. Московская конференция молодых ученых. Тезисы докладов. — М.: ИМАШ РАН, 2002. С. 68.

17. ГОСТ 7.25-2001. Тезаурус информационно-поисковый одноязычный. Правила разработки, структура, состав и форма представления. -М.: Изд-во стандартов, 2001. 14 с.

18. ГОСТ 7.59-2003. Индексирование документов. Общие требования к систематизации и предметизации. М.: Изд-во стандартов, 2005. - 8 с.

19. ГОСТ 7.66-92. Система стандартов по информации, библиотечному и издательскому делу. Индексирование документов. Общие требования к координатному индексированию. М.: Изд-во стандартов, 1992. - 14 с.

20. ГОСТ 7.73-96. Система стандартов по информации, библиотечному и издательскому делу. Поиск и распространение информации. Термины и определения. М.: Изд-во стандартов, 1997. — IV. — 15 с.

21. ГОСТ 7.74-2002. Система стандартов по информации, библиотечному и издательскому делу. Информационно-поисковые языки. Термины и определения. М.: Изд-во стандартов, 2002. - 11 с.

22. ГОСТ Р 52636-2006. Электронная история болезни. Общие положения. М.: Изд-во стандартов, 2008. - 20 с.

23. Граванова Ю. Защита информации в медицинских системах с точки зрения ILM. URL: http://www.cnews.ru/reviews/free/national2006/articles/ilm/ (дата обращения: 06.05.2010).

24. Гусев A.B. Медицинские информационные системы: Монография / Гусев A.B., Романов Ф.А., Дуданов И.П., Воронин A.B. Петрозаводск: ПетрГУ. - 404 с.

25. Гусев A.B. Обзор рынка медицинских информационных систем // Второй международный форум MedSoft 2006. URL: http://www.armit.ru (дата обращения: 28.11.2009).

26. Доброе Б.В., Иванов В.В., Лукашевич Н.В., Соловьев В.Д. Онтологии и тезаурусы: Учебно-методическое пособие. — Казань: Казанский государственный университет, 2006. 198 с.

27. Дюбуа Д., ПрадА. Теория возможностей. Приложение к представлению знаний в информатике / Пер. с фр. М.:Радио и связь, 1990.-288 с.

28. Евдокименков В.Н. Компьютерные технологии сбора, обработки и анализа данных медико-биологических исследований: Учебное пособие. М.: МАИ, 2005. - 436 с.

29. Захаров A.A., Нестерова O.A., Олейников Е.А. Алгоритм информационного поиска в медицинских архивах на основе контекстно-временной онтологии // Вестник Тюменского государственного университета. — Тюмень: ТюмГУ, 2010. №6. - С. 177 - 182.

30. Захаров A.A., Нестерова O.A., Олейников Е.А. Проблемы информационного поиска для научных исследований в медицинских информационных системах // Вестник Тюменского государственного университета. Тюмень: ТюмГУ, 2009. - №6. - С. 215-219.

31. Иванов В.В. Модели и методы интеграции структурированных текстовых описаний на основе онтологий : Диссертационная работа к. ф-м н. : 05.13.11 / Казань, 2009. 145 с.

32. Иванов В.К., Иванов К.В. Введение в информационно-поисковые системы: Методические указания. Тверь: ТГТУ, 2005.

33. Иванова И.В. Некоторые подходы к индексированию документов ключевыми словами. URL: http://rlst.org.by/bulletin/bulletin0616.htm (дата обращения: 13.06.2010).

34. Информационно-поисковый тезаурус. Русская версия тезауруса EUROVOC. В 3-х томах. М.: Издание Государственной Думы, 2001.

35. Казначеев В.П., Баевский P.M., Берсенева А.П. Донозологическая диагностика в практике массовых обследований населения. М.: Медицина, 1992.-208 с.

36. Какорина Е.П., Михайлова ПЛ., Хальфин P.A. Статистический учет и отчетность учреждений здравоохраниния. М.: МЦФЭР, 2005. - 386 с.

37. Карпенко А.П. Меры важности концептов в семантической сети онтологической базы знаний Электронный ресурс. // Наука и образование: электронное научно-техническое издание, 2010. URL: http://technomag.edu.ru/doc/151142.html (дата обращения: 20.11.2010).

38. Карпенко А.П. Оценка релевантности документов онтологической базы знаний Электронный ресурс. // Наука и образование: электронное научно-техническое издание, 2010. URL: http://technomag.edu.ru/doc/157379.html (дата обращения: 20.11.2010).

39. Клипов 77. Немного о неопределенности и нечеткости в онтологиях. URL: http://shcherbak.net/2009/03/nemnogo-o-neopredelennosti-i-nechetkosti-v-ontologiyax/ (дата обращения: 20.01.2010).

40. Когаловский М. Р. Перспективные технологии информационных систем. М.: ДМК Пресс, 2003. - 288 с.

41. Коганов A.B. Понятие энтропии в структуре моделей времени. URL: http://www.chronos.msu.ru/RREPORTS/koganovtezisy.htm (дата обращения: 27.07.2010).

42. Кокрен У. Методы выборочного исследования. М.: Статистика, 1976. - 440 с.

43. Косинов Д.И. Использование статистической информации при выявлении схожих документов // Интернет-математика 2007: Сборник работ участников конкурса научных проектов по информационному поиску. -Екатеринбург, 2007. С. 205 207.

44. Красилъников И.А., Мусийчук Ю.И. Анализ предложений различных фирм в области медицинских информационных технологий // 2 международный форум MedSoft 2006. URL: http://www.armit.ru (дата обращения: 28.11.2009).

45. Кузина И. Новые поколения поисковых машин // Изд. «Открытые системы», 1997. URL: http://www.osp.ru/cw/1997/32/23154/ (дата обращения: 28.11.2009).

46. Лищук В.А. Интеллектуальное обеспечение диагностики и лечения нарушений кровообращения // Лекции по сердечнососудистой хирургии. Под ред. JI.A. Бокерия. В 2-х томах. М.: НЦССХ им. А.Н. Бакулева РАМН, 1999.-Т.1.-348 с.

47. Лищук В.А. Информатизация клинической медицины // Научно-методический журнал «Клиническая информатика и телемедицина», 2004. №1. - С. 17-27.

48. Лищук В.А., Гаврилое А.В., Данилевич А.И., Шевченко Г.В. Информатизация клинической медицины: все течет ничто не меняется? // Журнал «Информационные технологии в здравоохранении», январь-февраль 2002. - №1 - 2. - С. 4 - 11.

49. Миркин Б.Г. Анализ качественных признаков и структур. М.: Статистика, 1980. - 316 с.

50. Молодченков А.И. Формализация описания лечебно-диагностических процессов. Нечеткие системы и мягкие вычисления: сб. статей Третьей Всероссийской научной конференции: В 2-х томах. -Волгоград, 2009. Т. 1. - С. 103- 109.

51. Мордвинов В.А. Онтология моделирования и проектирования семантических информационных систем и порталов : Справочное пособие. -М.: МИРЭА, 2005.-237 с.

52. Москин Н.Д. Теоретико-графовые модели структуры фольклорных текстов, алгоритмы поиска закономерностей и их программная реализация : Диссертационная работа к.т.н. : 05.13.18 / Петрозаводск, 2006. 121 с.

53. Назаренко Г.И., Замиро Т.Н., Михеев А.Е., Гулиев Я.И., ХаткевичМ.И. Проблемы создания медицинских информационных систем.

54. Поддержка мультипликативных структур ЛПУ в МИС // Врач и информационные технологии. М.: Менеджер здравоохранения, 2007. - №4. -С. 48-50.

55. Назаренко Г.И., Осипов Г. С. Основы теории медицинских технологических процессов. М.: ФИЗМАТЛИТ, 2005. -4.1. - 144 с.

56. Назаренко Г.И., Осипов Г. С. Основы теории медицинских технологических процессов. Исследование медицинских технологических процессов на основе интеллектуального анализа данных. М.: ФИЗМАТЛИТ, 2006. - 4.2. - 144 с.

57. Некипелова ИМ. Проблемы описания и вопросы моделирования семантики слова в базах данных // Современные информационные технологии и письменное наследие: от древних рукописей к электронным текстам. -Ижевск: ИжГТУ, 2006. С. 140 147.

58. Некрестъянов И.С. Тематико-ориентированные методы информационного поиска : Диссертационная работа к.ф.-м.н. : 05.13.11 / СПб., 2000. 88 с.

59. Нестерова O.A., Олейников Е.А. Некоторые подходы к решению проблемы интеграции данных результатов обследований на различном медицинском оборудовании // Вестник Тюменского государственного университета. Тюмень: ТюмГУ, 2007. - №5. - С. 111-115.

60. Ноженкова Л.Ф. Применение технологии оперативной аналитической обработки данных в задачах здравоохранения. URL: http://www.government.nnov.ru/data/objects/29538/novozhenkova.doc (дата обращения: 06.05.2010).

61. Норенков И.П. Интеллектуальные технологии на базе онтологий // Информационные технологии. М.: Новые технологии, 2010. -№1.-С. 17-23.

62. Оре О. Теория графов / Пер. с англ. М.: Либроком, 2009. - 354 с.

63. ОрловА.И. Теория принятия решений. Учебное пособие.- М.: Март, 2004. 656 с.

64. Реброва О.Ю. Применение методов интеллектуального анализа данных для решения задачи медицинской диагностики // Новости искусственного интеллекта, 2004. -№3. -С. 16 — 80.

65. Рынков А.Ю., Близняков A.A., Хоръкова Н.Ю., Нестерова O.A. Риск тромбоэмболических осложнений и адекватность применения варфарина при фибрилляции предсердий неклапанной этиологии // Вестник аритмологии. -СПб., 2010.-№62.-С. 41 -44.

66. Скороходъко Э.Ф. Семантические сети и автоматическая обработка текста. Киев: Наукова думка, 1983. - 218 с.

67. Сэлтон Г. Автоматическая обработка, хранение и поиск информации: Пер. с англ. / Под ред. А.И. Китова. М.: Советское радио, 1973. - 560 с.

68. Тавровский В.М. Автоматизация лечебно-диагностического процесса. Тюмень: Вектор Бук, 2009. - 464 с.

69. Урсул А.Д. Природа информации. М.: Политиздат, 1968. - 287 с.

70. УэноХ., Исидзука М. Представление и использование знаний / Пер.с.яп. М.: Мир, 1989. - 220 с.

71. Хинчин А.Я. Три жемчужины теории чисел. М.: Наука. Главная редакция физико-математической литературы, 1979. - 64 с.

72. Целых Ю.А. Теоретико-графовые методы анализа нечетких социальных сетей Электронный ресурс. URL: http://swsys.ru/print/articlep rint.php?id=742 (дата обращения: 28.11.2009).

73. Чугреев B.JI. Модель структурного представления текстовой информации и метод ее тематического анализа на основе частотно-контекстной классификации : Диссертационная работа к.т.н. : 05.13.01 / СПб., 2003. 156 с.

74. Шарапов Р.В., Шарапова Е.В., Саратовцева O.A. Модели информационного поиска // Вестник Московского городского педагогическогоуниверситета. Серия "Информатика и информатизация образования". Казань: Фолиантъ, 2007. - №1. - С. 326 - 329.

75. Шеменков П.С. Разработка и исследование модели нейросетевого метода анализа текстовых документов : Диссертационная работа к.т.н. : 05.13.18/СПб., 2009,- 153 с.

76. Шеннон К. Работы по теории информации и кибернетике. М.: Изд-во иностранной литературы, 1963. - 830 с.

77. Шрейдер Ю.А. Информация и метаинформация // Научно-техническая информация. Сер. 2. Информационные процессы и системы, 1974. №4. - С. 3 - 10.

78. Эльянов М.М. Медицинские информационные технологии: Каталог. М.: Третья медицина, 2007. - Вып.7. - 300 с.

79. Эльянов М.М. Медицинские информационные технологии: цивилизованный рынок или "зоопарк" // Информационные технологии в медицине- 2002: сб. тезисов. М.: ВК ВВЦ "Наука и образование", 2002. С. 54 58.

80. Эльянов М.М. Медицинские информационные технологии: Каталог. М.: ТДДС-Столица - 8, 2010. - Вып. 10. - 300 с.

81. Bahl L.R., Baker J.K., Jelinek F., Mercer R.L. Perplexity a measure of the diculty of speech recognition tasks. Program of the 94th Meeting of the Acoustical Society of America J. Acoust. Soc. Am., vol. 62 p. S63, 1977. Suppl. no. 1.

82. BunkeH. Graph matching: theoretical foundations, algorithms, and applications // Proc. Vision Interface. Montreal, 2000. Pp. 82 - 88.

83. Chakrabarti S. Mining the Web. Discovering Knowledge from Hypertext Data. Morgan Kaufmann Publishers, 2003. 345 p.

84. Christopher D. Manning, Prabhakar Raghavan, Hinrich Schutze Schutze. Introduction to Information Retrieval. Cambridge UP. Online edition (c), 2009. 544 p.

85. Davies J., Studer R, Warren P. Semantic Web Technologies: Trends and Research in Ontology-based Systems. Wiley, 2006. - 326 p.

86. Deerwester S., Dumais S.T., Furnas G.W., Landauer T.K., Harshman R. Indexing by Latent Semantic Analysis, Journal of the American Society for Information Science 41, 1990. Pp. 391 407.

87. Dempster, Arthur P. A generalization of Bayesian inference, Journal of the Royal Statistical Society, Series B, Vol. 30, 1968. Pp. 205 247.

88. Faloutsos C., Oard D. A survey of Information Retrieval and Filtering Methods. Technical Report, College Park, MD: University of Maryland Computer Science Dept., College Park; 1996.

89. Gruber T.R. A Translation Approach to Portable Ontology Specification. Knowledge Acquisition, 1993. Vol.5, №2. - Pp. 199 - 220.

90. Gupta M.M. Cognition, perception and uncertainty I I Fuzzy logic in knowledge-based systems, decision and control / Ed. Gupta M.M., Yamakawa T. -Elsevor Science Publishers B.V, 1988. Pp. 3 10.

91. Joyce T., Needham R.M. The Thesaurus Approach to Information Retrieval // American Documentation, 1958. vol.9, issue 3. - Pp. 192 - 197.

92. Lewis D., Sparck Jones K. Natural Language Processing for Information Retrieval. Communications of the ACM, Jan. 1996. №39(1) - Pp. 92 - 101.

93. LIV (Legislative Indexing Vocabulary). Congressional Research Service. The Library of Congress. Twenty-first-Edition, 1994. 546 p.

94. Robertson S.E., Sparck Jones K. Relevance weighting of search terms, Journal of the American Society for Information Science, 1976. №27. - Pp. 129 - 146.

95. Vakkari P. Cognition and Changes of Search Terms and Tactics During Task Performance: A Longitudinal Study // Proc. of the RIAO 2000 Conference. -Paris, 2000. Pp. 894 907.

96. ZobelJ., Moffat R.A., Ramamohanarao K. Inverted Files Versus Signature Files for Text Indexing // ACM Transactions on Database Systems, December 1998. Vol.23, №4. - Pp. 453 - 490.1. СПИСОК ИЛЛЮСТРАЦИЙ

97. Рис. 1. Структурная схема комплексного системного подхода к процессуисследования .8

98. Рис. 2. Совокупность проблем различных технологий и направлений,определяющих цель исследования.17

99. Рис. 3. Структурная схема информационно-поисковой системы в общемвиде.34

100. Рис. 4. Представление семантической сети в виде ориентированноговзвешенного мультиграфа.52

101. Рис. 5. Этапы алгоритма семантико-энтропийного поиска.62

102. Рис. 6. Концептуальная модель информационно-поисковой системы.68

103. Рис. 7. Схема многоуровневой архитектурной модели информационнопоисковой системы .70

104. Рис. 8. Общая структура базы данных поисковых образов .75

105. Рис. 9. График изменения значений оценок информационно-поисковойсистемы по запросам коллекции .102

106. Рис.10. Графическое представление триплетов запроса и документов .104

107. Рис.11. График динамики значений коэффициентов точности и полноты в зависимости от этапов обучения .105