автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.09, диссертация на тему:Факторный и кластерный анализ показателей гемодинамики и микроциркуляции в оценке тяжести состояния и прогнозировании исходов хирургического лечения больных ишемической болезнью и приобретенными пороками сердца

ВВЕДЕНИЕ.

Глава I. МЕТОДЫ АВТОМАТИЧЕСКОЙ КЛАССИФИКАЦИИ В

МЕДИЦИНСКИХ ИССЛЕДОВАНИЯХ /Обзор литературы/.

1.1. Медицинская диагностика и прогнозрфование как классификационные задачи.

1.2. Методы автоматической классификации.

1.3. Применение кластер-анализа в медицинских задачах.

1.4. Функционалы качества классификации.

1.5. Методы снижения размерности в задачах классификации.

Глава 2. КЛИНИЧЕСКИЙ МАТЕРИМ И МЕТОДЫ ИССЛЕДОВАНИЯ

2.1. Особенности клинического материала.

2.2. Методы обработки материала.

2.3. Особенности программного обеспечения обработки материала.

Глава 3. СРАВНЕНИЕ МЕТОДОВ АВТОМАТИЧЕСКОЙ КЛАССИФИКАЦИИ В ПРИМЕНЕНИЙ К РЕШЕНИЮ ПРАКТИЧЕСКИХ ЗАДАЧ

3.1. Исследование свойств кластерного анализа в условиях наличия данных, описанных качественными признаками.

3.2. Сравнение методов кластер-анализа и факторного анализа на примере использования количественных данных.

Глава 4. ПРИМЕНЕНИЕ ФАКТОРНОГО И КЛАСТЕРНОГО АНАЛИЗА ДЛЯ ПРОГНОЗИРОВАНИЯ ПОСЛЕОПЕРАЦИОННЫХ ОСЛОЖНЕНИЙ У КАРДИОХИРУРГИЧЕСКИХ БОЛЬНЫХ

4.1. Прогнозирование геморрагических осложнений у больных, оперхфованных с искусственным кровообращением, методом факторного анализа

4.2. Кластерный анализ как способ вццеления различных степеней нарушения микроциркуляции

4.3. Применение факторного анализа для прогнозирования послеоперационных осложнений у больных ишемической болезнью сердца.«.

ГЛАВА 5. ВЫДЕЛЕНИЕ ФАКТОРОВ ЦЕНТРАЛЬНОЙ ГЕМОДИНАМИКИ

И МИКРОЦИРКУЛЯЦИИ У КАРДИОХИРУРГИЧЕСКИХ БОЛЬНЫХ В РАННЕМ ПОСЛЕОПЕРАЦИОННОМ ПЕРИОДЕ МЕТОДАМИ АВТОМАТИЧЕСКОЙ КЛАССИШКАЦИИ.

5.1. Вццеление факторов центральной гемодинамики кардиохирургических больных в послеоперационном периоде.

5.2. Вццеление факторов агрегатного состояния крови и микроциркуляции у кардиохирургических больных в послеоперационном периоде.

5.3. Вццеление факторов йонно-осмотического равновесия по данным обследования кардиохирургических больных в послеоперационном периоде.

Несмотря на значительные успехи медицины в области профилактики и лечения заболеваний, патология сердечно-сосудистой системы в настоящее время занимает ведущее место в общей структуре заболеваемости населения страны /Н.М.Амосов и соавт., 1971;В.И.Бу-раковский и соавт., 1982; Е.И.Чазов, 1982/. Наиболее частыми и црогностически неблагоприятными поражениями сердечно-сосудистой системы являются ишемическая болезнь и приобретенные пороки сердца. Распространенность и высокий процент неблагоприятных исходов при оперативном лечении указанных болезней диктуют необходимость поиска новых способов диагностики заболеваний.

Постоянно возрастающий интерес к вопросам применения математических методов и электронно-вычислительной техники в медицине в значительной мере поддерживается теми затруднениями, с которыми сталкивается врач в своей повседневной работе. В свою очередь, последние обусловлены увеличением числа новых методов получения диагностической информации. Растет число анализов, тестов и других способов обследования, дающих значительное число показателей, сложность интерпретации которых повышается по мере развития современных методик и аппаратуры для физиологического, биохимического и структурного анализов.

Наиболее известными и распространенными в области решения медицинских задач являются традиционные методы автоматической классификации. К настоящему времени известно несколько десятков способов классификации, позволяющих объективизировать процесс цринятия медицинских решений. К ним относятся, в первую очередь, распознавание заболеваний, классификация болезней и состояний, прогнозирование течения патологии, нахождение наиболее существенных факторов, влияющих на возникновение, течение и лечение патологических состояний. Однако, неудовлетворительные результаты, полученные с использованием известных методов классификации, приводят либо к созданию новых подходов, либо к модификации уже известных. Обилие же методик обусловливает значительные затруднения в выборе алгоритма распознавания и ввдвигает на первое место проблем выявления и обоснования метода классификации, наиболее подходящего для решения данной конкретной задачи.

При построении распознающих систем важно знать реальные свойства разных алгоритмов в условиях их практического применения. Лишь в незначительной части известных нам публикаций имеются данные об относительной эффективности алгоритмов классификации /А.А.Дорофеюк, 1971; Ш.Ю.Раудис и соавт., 1975; А.О.Поляков, 1979; Г.Соломон, 1980; 0?.P,Yunck, 1980 и др./. Зачастую авторы, предлагающие новый способ построения классификации, не приводят результаты его применения, не сравнивают с известными методами. Неполнота представления некоторых публикуемых результатов затрудняет использование новой методики в дальнейших исследованиях /К.М.Каримов, 1974; Р.Т.Абдукаримов и соавт., 1975; И.В.Сергиенко и соавт., 1983 и др./.

Как указывает Ш.Ю.Раудис /1975/, имеется много недостатков и в методике сравнения: объемы обучающих выборок, как правило, невелики; результаты обычно не усредняются; отсутствуют данные о методике эксперимента; часто не указывается объем обучающей выборки и характеристики ее распределения; известные алгоритмы называются новыми именами, из которых не ясно, какой именно применяется алгоритм; почти во всех случаях отсутствует хотя бы беглое описание данных /выборок, типа распределения признаков/ и т.д.

Б немногочисленных обзорах по методам распознавания образов проводится их качественное сравнение, которое либо охватывает часть алгоритмов, либо носит лишь описательный характер без приведения результатов применения сравниваемых методов классификации к конкретным задачам /Н.Г.ЗНитков, 1970; O.Frank, 1976; Р.Р.Сокал, 1980/.

Цель работы

Исследовать эффективность применения методов автоматической классификации для ввделения факторов системной гемодинамики и микроциркуляции в оценке тяжести состояния больных ишемической болезнью и приобретенными пороками сердца.

Основные задачи исследования

1. Провести сравнение методов автоматической классификации состояний, описываемых количественными и качественными признаками.

2. Изучить реологические и микроциркуляторные факторы доопе-рационного, операционного и послеоперационного периодов у больных ишемической болезнью и приобретенными пороками сердца.

3. Исследовать эффективность применения методов автоматической классификации для прогнозирования послеоперационных осложнений у больных, оперированных в условиях искусственного кровообращения.

4. Провести анализ гемодинамичееких факторов, определяющих особенности течения послеоперационного периода.

5. Разработать рекомендации по применению методов автоматической классификации в кардиохирургии.

Научная новизна

Дана сравнительная характеристика применения методов факторного и кластерного анализа в хирургии. Выделены факторы системной гемодинамики и микроциркуляции для оценки тяжести состояния больных после операций на сердце. Исследована эффективность прогнозирования патологических состояний с помощью методов факторного и кластерного анализа. Показано, что использование методов автоматической классификации в хирургии позволяет получить принципиально новую информацию о ведущих факторах^ характеризующих гемодинамические, реологические и микроциркулятор-ные показатели у больных приобретенными пороками и ишемической болезнью сердца на этапах оперативного лечения.

На защиту выносятся следующие основные положения:

1. В случае классификации состояний, описываемых качественными признаками, цри отсутствии достаточного количества информативных признаков наиболее эффективным оказывается применение метода групповых средних; метод Уорда является наиболее устойчивым к "защумляющим" факторам.

2. При классификации состояний, описываемых количественными признаками, в условиях наличия малого числа высокоинформативных признаков предпочтительней использовать метод Уорда, медианный метод и метод групповых средних.

3. Ведущими факторами, характеризующими реологические и микрощфкуляторные особенности состояния кардиохирургических больных, следует считать вязкостный, вязкостно-плазматический и суспензионный факторы. Важнейшими гемодинамическими факторами в раннем послеоперационном периоде являются факторы, характеризующие производительность сердечно-сосудистой системы, преднагрузку и постнагрузку.

4. Метод црогнозирования послеоперационных осложнений у больных, оперло ванных с искусственным кровообращением.

Практическая ценность

Выделены контингенты больных с нарушением реологических свойств крови и микроциркуляции и различным риском осложнений в раннем послеоперационном периоде. Обоснованы вязкостный, метаболический и суспензионный факторы, определяющие течение послеоперационного периода у больных приобретенными пороками и ишемической болезнью сердца. Показано, что воздействие на эти факторы позволяет оптимиз1фовать тактику ведения больных. Определены гемо-динамические факторы раннего послеоперационного периода у больных приобретенными пороками сердца.

Внедрение в практику

Методические и программные аспекты работы внедрены в практику Киевского научно-исследовательского института сердечно-сосудистой хирургии МЗ УССР, Киевского ордена Трудового Красного Знамени научно-исследовательского института туберкулеза, пульмонологии и грудной хирургии им.акад.Ф.Г.Яновского, Киевского научно-иеследо-вательского института клинической и экспериментальной хирургии МЗ yGCP, Ереванского филиала Всесоюзного научного центра хирургии, санатория им.В.И.Ленина Сочинской группы санаториев.

Апробация работы

Основные положения диссертационной работы и результаты исследований были доложены на:

1. Всесоюзном научно-техническом совещании "Опыт разработки и црименения УВК CM-I и СМ-2 СМ ЭВМ и перспективы их развития". Северодонецк, 9-II сентября 1981 г.

2. I Всесоюзной конференции по физиологической кибернетике. Москва, 1981 г.

3. 1У республиканской научно-практической конференции "Итоги разработки и внедрения автоматиз!фованных систем управления в здравоохранении РСФСР и перспективы их развития. Москва, 1981г.

4. 1У конференции анестезиологов-реаниматологов Украинской ССР. Львов, май 1982 г.

5. Республиканской научно-практической конференции "Применение ЭВМ в биологии и медицине". Киев, 28-30 сентября 1982 г.

6. Республиканской научной конференции "Актуальные воцросы патологии сердечно-сосудистой системы и органов дыхания". Киев, 1981 г.

По теме диссертации опубликовано 7 работ.

- 129 -ВЫВОДЫ

1. Исследование эффективности методов автоматической классификации состояний, описываемых качественными признаками показало, что в случае наличия достаточного числа информативных признаков наиболее уместным оказывается применение метода Уорда. При малом же их числе предпочтительней использовать метод групповых средних. Кроме того, метод Уорда является наиболее устойчивым к "зашумляющим" факторам, что позволяет использовать его в условиях, когда имеется большое количество показателей, информативность которых большей частью остается неизвестной.

2. Исследование эффективности методов автоматической классификации состояний, описываемых количественными признаками, показало, что при наличии неполных данных или при отсутствии достаточного количества высокоинформативных признаков наиболее эффективным является метод Уорда, медианный метод и метод групповых средних.

3. Ведущими факторами, характеризующими реологические и мик-роциркуляторные особенности состояния больных приобретенными пороками сердца до и во время операции, следует считать вязкостный и вязкостно-плазматический. В раннем послеоперационном периоде наиболее значимыми являются суспензионный и вязкостно-плазматический факторы.

4. Применение методов автоматической классификации позволило в 88,1% случаев прогнозировать появление послеоперационных осложнений у больных, оперированных с искусственным кровообращением.

5. Ведущими гемодинамическими факторами в раннем послеоперационном периоде являются факторы, характеризующие производительность сердечно-сосудистой системы, преднагрузку и постнагрузку.

6. Построенные факторные модели агрегатного состояния крови и микроциркуляции больных приобретенными пороками сердца в раннем послеоперационном периоде позволяют оценивать нарушения функционального состояния организма.

- 118 -ЗАКЛЮЧЕНИЕ

Заболевания сердечно-сосудистой системы в настоящее время являются самыми распространенными в мире. Они занимают первое место среди причин потери трудоспособности и летальных исходов больных. В последнее время, благодаря успехам кардиохирургии, появилась возможность эффективного лечения врожденных и приобретенных пороков сердца, перикардитов, некоторых заболеваний сосудов. Однако, несмотря на достижения хирургии сердца, операции зачастую сопровождаются тяжелыми послеооперационндаи осложнениями: сердечной, легочной, почечно-печеночной недостаточностью. Распространенность и большое количество неблагоприятных исходов при оперативном лечении больных сердечно-сосудистыми заболеваниями диктуют необходимость поиска более эффективных методов диагностики патологических состояний. Именно поэтому в последнее время значительно возрос интерес к применению математических методов обработки и анализа результатов медицинских исследований. Наиболее известными в области решения медицинских задач являются методы автоматической классификации. К ним относятся: распознавание болезней и состояний, прогнозирование течения заболеваний, нахождение наиболее существенных факторов, влияющих на возникновение и течение заболевания.

Анализируя литературные данные, обобщающие опыт применения методов классификации, можно сказать, что они носят описательный характер без приведения сравнения методов классификации и их применения к конкретнда задачам.

В связи с этим целью настоящей работы явилось исследование эффективности применения методов автоматической классификации для ввделения факторов центральной гемодинамики и микроциркуляции в оценке тяжести состояния больных ишемической болезнью и приобретенными пороками сердца.

Для достижения поставленной цели были вьщвинуты следующие основные задачи исследования:

1. Провести сравнение методов автоматической классификации состояний, описываемых количественными и качественными признаками.

2. Изучить реологические и микроциркуляторные факторы доопе-рационного, операционного и послеоперационного периодов у больных приобретенными пороками и ишемической болезнью сердца.

3. Исследовать эффективность применения методов автоматической классификации для прогнозирования послеоперационных осложнений у больных, оперированных в условиях искусственного кровообращения.

4. Провести анализ гемодинамических факторов, определяющих особенности течения послеоперационного периода.

5. Разработать рекомендации по применению методов автоматической классификации в кардиохирургии.

Для решения поставленных задач были использованы данные обследования больных кардиохирургического и общехирургического профиля. Материал исследования был разбит на две группы: тестовый и клинический. Первая группа - тестовый материал - группа больных кардиохирургического профиля с диагнозом: недостаточность митрального и аортального клапанов. У 50% пациентов с этой патологией в раннем послеоперационном периоде отмечалась острая сердечно-сосудистая недостаточность. В эту группу также входили больные общехирургического профиля с послеоперационным перитонитом, механической и функциональной непроходимостью кишечника.

Вторую группу наблюдений - клинический материал - составили больные с кардиохирургической патологией /317 случаев/, оперированные в Киевском НИИ сердечно-сосудистой хирургии по поводу приобретенных пороков и ишемической болезни сердца.

В связи с тем, что в основе патогенеза многих осложнений после операций с применением искусственного кровообращения лежат внутрисосудистые изменения микроциркуляции, были использованы данные исследования реологических свойств крови и микроциркуля-ции.Учитывались также показатели центральной гемодинамики и данные клинических наблюдений.

В ходе выполнения работы был разработан специализированный программный комплекс, ориентированный на диалоговый режим работы. В его состав вошел рад программ, реализованных на языках "БЭЙСИК", "ФОРТРАН-2", "ФОРТРАН-4" систем ОУС и ДОС РВ ЭЕМ серии АСВТ-М М-6000 и позволяющих оценивать информативность количественных и качественных признаков, а также проводить факторный и кластерный анализ исследуемых данных.

Программа кластерного анализа обеспечивала возможность использования шести основных подходов к оценке расстояния между кластерами при работе с предварительно подготовленным блоком данных. Программа факторного анализа позволяла выделять факторы, отражающие наиболее существенные внутренние закономерности исследуемой совокупности наблюдений.

Диалоговый режим работы программ обеспечивал решение широкого круга задач, связанных с применимостью и оценкой рада статистических метрик, характеризующих качество автоматического разделения, возможность выбора методов оценки факторных нагрузок и задания широкого круга параметров, определяющих условия сходимости полученных значений.

Особенностью программного комплекса явилось широкое использование одних и тех же модулей в программах кластерного и факторного анализа. Оптимальная организация вычислительного процесса достигалась обоснованным сегментированием программных модулей, что обусловило низкие требования к объему ОЗУ.

С целью изучения разделительных свойств методов автоматической классификации в условиях их практического использования исследовались шесть процедур кластер-анализа и метод факторного анализа в применении к данным количественного и качественного типа.

Для сравнения исследуемых процедур кластерного анализа с точки зрения их чувствительности к информативности и количеству используемых исходных показателей на основе качественных данных было проведено два модельных эксперимента. В ходе первого эксперимента из исходной таблицы данных удалялись постепенно один за другим признаки, начиная с показателя с наибольшим значением информативности, а затем все последующие по мере убывания их информативности. На каждом очередном этапе эксперимента, соответствующем определенному количеству удаленных признаков, проводилась кластеризация объектов всеми исследуемыми методами, определялось число правильно распознанных объектов и число ошибочных распознаваний, в процентах к общему числу наблюдений в таблице данных.

Проведенный эксперимент позволил установить области применения рассматриваемых методов кластер-анализа. Так, в случаях наличия достаточного количества информативных признаков наиболее уместным оказывается применение метода Уорда. В то же время, при малом их числе предпочтительней использовать метод групповых средних.

В ходе второго эксперимента изучались закономерности, связанные с участием в процессе классификации признаков, недостаточно информативных, носящих "вторичный" характер и существенно затрудняющих врачебную диагностику. Наличие таких признаков в решении медицинских задач, как правило, имеет место, так как объем анализируемой совокупности чаще лишь незначительно превосходит размерность пространства признаков. Исследования показали, что для всех методов отмечается тееденция к росту числа правильных распознаваний при относительном постоянстве числа ошибок. Однако, для центроидного метода имеет место постоянный рост числа правильных классификаций, в то время как для метода групповых средних и метода максимального локального расстояния кривая правильных распознаваний после довольно быстрого возрастания переходит в "плато". Крайне незначительное изменение кривых правильных и ошибочных распознаваний для метода Уорда свидетельствует о малой чувствительности этого метода к наличию неинформативных признаков.

Таким образом, метод Уорда является наиболее устойчивым к "зашумляющим" факторам. Даже участие в классификации значительного числа неинформативных признаков не ухудшает правильности распознавания более, чем на 2%. Центроидный, медианный методы и методы групповых средних и максимального локального расстояния оказываются значительно более чувствительными к неинформативным признакам и, в особенности, это относится к центроидному методу.

Исследование данных обследования больных сердечной недостаточностью и без нее /количественные данные/ с помощью факторного анализа позволило вьделить наиболее важные факторы, описывающие функциональное состояние сердечно-сосудистой системы. Первый фактор, гемодинамический, объединяет параметры: МОС, минутный индекс, ударный объем сердца, ударный иццекс, общее периферическое сопротивление; второй характеризует объем циркулирующей крови.

Отображение исследуемых данных в пространство первых двух факторов позволяет сделать вывод о возможности вццеления двух достаточно разнесенных групп объектов: больные с острой сердечной недостаточностью и без нее. Исследование материала с точки зрения вццеления степеней сердечной недостаточности, проведенное с помощью кластерного анализа, показало, что метод Уорда дает результат, который соответствует клинической картине исследуемого материала /разделение больных на две группы: с острой сердечной недостаточностью и без нее/. Центроидный метод,медианный и метод групповых средних дают подобную классификацию, но позволяют вццелить в отдельные группы два наблюдения, характеризующиеся наименьшей выраженностью расстройств кровообращения. В то же время применение метода кластеризации по максимальному локальному расстоянию /деление больных на три группы/ не оправдано, так как не имеет достаточно обоснованной клинической интерпретации.

Проведенное сравнение методов автоматической классификации на основе количественных данных позволило сделать вывод о том, что метод Уорда и факторный анализ являются достаточно эффективными для автоматической диагностики сердечной недостаточности у больных приобретенными пороками сердца в раннем послеоперационном периоде. Метод Уорда, медианный метод и метод групповых средних оказались наиболее устойчивыми в условиях наличия неполных данных или при отсутствии достаточного количества высокоинформативных /с точки зрения разделения исследуемой совокупности объектов на классы/ признаков. Это позволяет использовать их в ситуациях, когда сбор полной информации о больном и регистрация всего набора признаков невозможны, например, из-за сложности некоторых исследований, что довольно часто встречается в практической медицине.

С целью изучения возможности применения факторного и кластерного анализа для прогнозирования послеоперационных осложнений у кардиохирургических больных были использованы данные, характеризующие внесосудистые, сосудистые и внутрисосудистые нарушения микроциркуляции, а также гемодинамичеекие и метаболические критерии.

Анализ результатов, полученных с помощью факторного анализа, позволил вьщелить обобщенные факторы, характеризующие гемодинамичеекие и реологические особенности состояния больных приобретенными пороками сердца. Ведущими среди них были вязкостный, суспензионный и осмотический, а также гемодинамичеекие /АД сист., АД диаст., ЦВД/ и метаболические /рН, ЕЕ, рС02 артериальной крови/ критерии.

С помощью метода главных компонент нами была определена возможность прогнозирования геморрагических осложнений в первые дни после протезирования клапанов сердца. На оси абсцисс откладывались значения вязкостного фактора, в состав которого входили вязкость крови и плазмы, на оси ординат - значения суспензионного фактора /седиментация эритроцитов и показатель агрегации/. Исследовалась взаимосвязь субдуральных гематом и значений вцце-ленных факторов по дооперационнш, операционным и ранним послеоперационным данным. Наилучшие результаты получены при использовании дооперационных показателей. Основная масса наблюдений была рассеяна в третьем и четвертом квадрантах. Среди них б наблюдений составили группу, расположенную на границе второго и третьего квадрантов, причем у всех больных этой группы в послеоперационном периоде наблюдались нарушения функции центральной нервной системы. Пять больных этой группы умерли. На вскрытии

- 125 были обнаружены различные по объему субдуральные гематомы. Выявить связь операционных показателей и геморрагических осложнений не удалось. По-видимому, число действующих факторов намного превышает число использованных.

С целью получения объективного критерия оценки реологических свойств крови для прогнозирования осложнений в послеоперационном периоде у больных ишемической болезнью сердца нами выделено два ведущих фактора, характеризующих реологические и ге-модинамические особенности состояния больных.

Первый фактор, вязкостный, является интегральным показателем, объединяющим признаки: гематокрит, динамическая вязкость крови в микрососудах при различных скоростях сдвига, электропроводность крови, гемоглобин. Второй фактор: седиментация и показатель агрегации эритроцитов.

При исследовании зависимости течения послеоперационного периода от выраженности реологических нарушений у больных ИБС до операции было обнаружено, что лица с высоким гематокритом, высокой динамической вязкостью крови в микрососудах, а также высоким показателем агрегации эритроцитов более длительное время находятся на лечении в клинике, чем больные с нормальными показателями. Факторный анализ позволил разделить исследуемых больных на две группы. Первая группа характеризовалась сравнительно гладким послеоперационным течением, летальных исходов в этой группе не было. Во второй груше отмечены такие тяжелые послеоперационные осложнения, как острая почечно-печеночная недостаточность, инфаркт миокарда, тромбозы. Летальность составила 36,3%. Детальный клинический анализ больных с осложненным послеоперационным периодом показал, что повышение вязкости крови, агрегации эритроцитов и тромбоцитов, нарушение обмена фибриногена зависит от осо

- 126 бенностей течения ишемической болезни сердца. Наблюдаемые при ИБС сдвиги в системе гемореологии и микроциркуляции можно трактовать с точки зрения единого синдрома распространенного диссеми-нированного свертывания крови.

Применение факторного анализа позволило получить объективный критерий для прогнозирования послеоперационных осложнений. Были предложены формулы, позволяющие определить, к какой из двух прогностических групп отнести больного.

Найденные изменения со стороны гемореологии у больных ИБС до операции и их непосредственная связь с патогенезом послеоперационных осложнений указывают на необходимость коррекции нарушений реологических свойств крови на всех этапах оперативного лечения больных ИБС.

Важной задачей данной работы было вьщеление с помощью кластерного анализа различных состояний нарушения микроциркуляции и соответствующих им групп признаков. Учитывалось 47 признаков. Все признаки имели качественную природу дихотомического типа. СоглаI сно проведенным экспериментальным исследованиям, в условиях наличия таких данных наиболее эффективным методом распознавания является метод Уорда. Вццелены три группы признаков, характеризующих различную степень нарушения микроциркуляции.

К первой степени сосудистых нарушений относятся: умеренная извитость, неравномерность калибра вецул, частичный спазм арте-риол, артериоло-венулярное отношение не более 1:2, внутрисосуди-стые изменения, характеризовались живым, непрерывным кровотоком и нестойкой мелкозернистой агрегацией. Ко второй степени сосудистых и внутрисосудистых изменений относятся: выраженная неравномерность калибра, полный спазм, артериоло-венулярное отношение не менее 1:5,замедление кровотока, в отдельных венулах стаз, крупнозернистая агрегация эритроцитов. И, наконец, к третьей степени нарушений относятся: сплошной спазм, обширные зоны запустения, вплоть до полного исчезновения капилляров, мелких артериол и венул, крупнозернистая стойкая агрегация, замедление кровотока, микротромбозы.

Анализ изменений бульбарной микроагнископии в первые сутки после операции по отношению к исходным данным и сопоставление этих показателей в зависимости от структуры послеоперационных осложнений выявило, что наибольший процент осложнений отмечен среди больных, у которых в первые сутки по сравнению с исходными показателями наблюдалась Ш степень нарушения микроциркуляции.

Методом факторного анализа были вццелены факторы, характеризующие состояние центральной гемодинамики и микроциркуляции кар-диохирургических больных в раннем послеоперационном периоде /табл.6.

1. Абдукаримов Р.Т., Адылова З.Т., Адылова Ф.Т. Алгоритм автоматической классификации. В кн.: Алгоритмы и программы. Ташкент, 1975, вып.21, с.79-81.

2. Абусев Р.А. Некоторые задачи поточечной и групповой классификации: Автореф. дис. . канд.физ.-мат.наук. -М., 1979. -15 с.

3. Айвазян С.А., Бежаева З.И., Староверов О.В. Классификация многомерных наблюдений. М.: Статистика, 1974. - 240 с.

4. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. О структуре и содержании пакета программ по прикладному статистическому анализу. В кн.: Алгоритмическое и программное обеспечение прикладного статистического анализа. М., 1980, с.7-82.

5. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. М.: Финансы и статистика, 1983. - 471 с.

6. Айзерман М.А., Браверман Э.М., Розоноэр М.И. Теоретические основы потенциальных функций в задаче об обучении автоматов разделению входных ситуаций на классы. Автоматика и телемеханика. 1964, № б, с.917-936.

7. Амосов Н.М., Зайцев Н.Г., Мельников В.Г. и др. Медицинская информационная система. Киев: Наукова думка, 1971. -306 с.

8. Амосов Н.М., Сидаренко Л.Н., Чепкий Л.П. и др. Искусственное кровообращение в хирургии пороков сердца. Хирургия, 1968, № 5, с.17-21.

9. Авдрукович П.Ф., Веселая Г.Н., Козырев В.П., Терехин А.Т. Статистический анализ экспертных оценок. В кн.: Многомерный статистический анализ в социально-экономических исследованиях. М., 1974, с.168-188.

10. Андрукович П.Ф. Применение метода главных компонент в регрессионном анализе. Заводская лаборатория, 1970, т.36,3, с.312-316.

11. Авдрукович П.§. Применение метода главных компонент в практических исследованиях. М.: Изд-во Моск.ун-та, 1973. -123 с.

12. Аркадьев А.Г., Браверман Э.М. Обучение машин классификации. М.: Наука, 1971. - 192 с.

13. Баевекий P.M. Прогнозирование состояний на грани нормы и патологии. М.: Медицина, 1979. - 289 с.

14. Беккер А.В., Ягольницер М.А., Колоколов А.А. и др. Распознавание образов при построении экономико-статистических моделей. Новосибирск: Наука, 1975. - 92 с.

15. Бонгард М.М. Проблемы узнавания. М.: Наука, 1967. -319 с.

16. Бородкин С.М. Оптимальная группировка взаимосвязанных упорядоченных объектов. Автоматика и телемеханика, 1980, № 2, с.165-172.

17. Браверман З.М., Дорофеюк А.А., Лумельский В.Я. Применение методов распознавания образов. Труды межд.симпозиума по техн. и биол. проблемам управления, М., 1971, с.112-117.

18. Браверман Э.М. Методы экстремальной группировки параметров и задачи вьщеления существенных факторов. Автоматика и телемеханика, 1970, № I, с.123-132.

19. Браверман Э.М. Метод потенциальных функций в задаче обучения машин распознаванию образов без учителя. Автоматика и телемеханика, 1966, № 10, с.100-121.

20. Булыгин В.П. Некоторые задачи статистической классификации многомерных наблюдений в условиях ограниченного объемаобучающих выборок: Автореф. дис. . канд.физ.-мат.наук. Дубна, 1978. - 21 с.

21. Бураковский В.И., Лищук В.А., Стороженко И.Н. Первые результаты применения математических моделей и методов идентификации для лечения острых расстройств кровообращения. Вестн. АМН СССР, 1982, № 8, сД8-32.

22. Бураковский В.И., Рапопорт Я.Л., Гельштейн Г.Г. и др. Осложнения при операциях на открытом сердце. М.: Медицина, 1972. - 304 с.

23. Быховский М.С., Вишневский А.А. Кибернетические системы в медицине, М.: Наука, 1971. - 407 с.

24. Вайнарас А.Л. Результаты проверки алгоритма автоматической диагностики нарушений ритма и проводимости сердца. В кн.: Кардиология-76. Каунас, 1976, с.210-211.

25. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов. М.: Наука, 1974. - 415 с.

26. Вапник В.Н., Лернер А.Я., Червоненкис А.Я. Системы обучения распознаванию образов при помощи обобщенных портретов. -Изв.АН СССР, Техническая кибернетика, 1965, № I, с.72-87.

27. Вапник В.Н., Червоненкис А.Я. Алгоритмы с полной памятью и рекуррентные алгоритмы в задаче об обучении распознаванию образов. Автоматика и телемеханика, 1968, № 4, с.95-106.

28. Вапник В.Н., Лернер А.Я., Червоненкис А.Я. Об одном классе персептронов. Автоматика и телемеханика, 1964, № I, c.IX2-I20.

29. Гаврилов O.K. Проблемы и гипотезы в учении о свертывании крови. М.: Медицина, 1981. - 268 с.

30. Глушков В.М. Теория обучения одного класса дискретных персептронов. Вычислительная математика и математическая фи- 134 гика, 1962, № 2, с.76-85.

31. Горелик А.А., Скрипкин В.А. Методы распознавания. М,: Высшая школа, 1984. - 108 с.

32. Гришанов В.Н., Непочатов О.Н. К вопросу о применении одного из методов многомерной статистики в медико-биологических исследованиях. В кн.: Моделирование физиологических и биологических процессов. М., 1977, с.84-98.

33. Долабчян З.Л., Крищян Э.М., Татинян И.Г. и др. 0 количественной оценке изменений формы электрокардиографической кривой. В кн.: Вычислительная диагностика и телеметрическая обработка медицинской информации. Горький, 1979, с.130-131.

34. Гублер Е.В. Вычислительные методы анализа и распознавание патологических процессов. Л.: Медицина, 1978. - 293 с.

35. Долецкий С.Я., Щетинин B.C., Арапова А.В. и др. Апевди-цит и спаечная непроходимость кишечника у детей. Хирургия, 1979, №2, с.59-65.

36. Дорофеюк А.А. Алгоритмы обучения машин распознаванию образов без учителя, основанные на методе потенциальных функций. -Автоматика и телемеханика, 1966, № 10, с.78-87.

37. Дорофеюк А.А. Алгоритмы автоматической классификации. Обзор. Автоматика и телемеханика, I97X, № 12, с.78-113.

38. Дубров A.M. Обработка статистических данных методом главных компонент. -М.: Статистика, 1978. 286 с.

39. Дуда Р., Харт П. Распознавание образов и анализ сцен. -М.: Мир, 1976. 511 с.

40. Дюран Б., Оделл П. Кластерный анализ. М.: Статистика, 1977. - 127 с.

41. Елкина В.Н., Загоруйко Н.Г. Количественные критерии качества таксономии и их использование в процессе принятия решений. В кн.: Вычислительные системы. Новосибирск, 1966, вып.22, с.59-76.

42. Елкина В.Н., Загоруйко Н.Г., Тимиркаев B.C. Алгоритм направленного таксономического поиска информативных признаков. В кн.: Вычислительные системы, Новосибирск, 1974, с.49-70.

43. Елкина В.Н., Загоруйко Н.Г. Алгоритмы таксономии. В кн.: Распознавание образов. Труды международного симпозиума 1971 г. по практическим применениям методов распознавания образов. М., 1973, с.50-59.

44. Жигалова Е.Ф., Янковская А.Е. Шаговый алгоритм распознавания образов в применении к медицинской диагностике. В кн.: Опыт внедрения и эксплуатации задач и подсистем первой очереди АСУ хозяйством области. Томск, 1982, с.122-124.

45. Житков Г.Н. Некоторые методы автоматической классификации /обзор/. В кн.: Структурные методы опознавания и автоматическое чтение. М., 1970, с.68-85.

46. Жуковский В.Ю. Автоматизированная обработка данных клинических функциональных исследований. М.: Медицина, 1981. -350 с.

47. Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания или классификации. Проблемы кибернетики. - М., 1978, вып.33, с.20-37.

48. Журавлев О.Г., Торговицкий И.Ш. Оптимальный метод объективной классификации в задачах распознавания образов. -Автоматика и телемеханика, 1965, $ I, с.2062-2063.

49. Журавлев Ю.И. Непараметрические задачи распознавания образов. Кибернетика, 1976, № 6, с.93-103.

50. Журавлев Ю.И., Камилов М.М. Алгоритмы вычисления оценок и их применение. Ташкент: Фан, 1974. - 119 с.

51. Заварзин В.А. Опыт использования ЭЕМ EC-I020 в целях проведения факторного анализа сердечно-сосудистых заболеваний.- Советское здравоохранение, 1978, К5 6, с.25-29.

52. Загоруйко Н.Г. Методы распознавания и их применение. М.: Советское радио, 1972. - 206 с.

53. Загоруйко Н.Г. Общие свойства задач распознавания. В кн.: Вычислительные системы. Новосибирск, 1971, вып.44, с.3-23.

54. Загоруйко Н.Г. Одновременный поиск эффективной системы признаков и наилучшего варианта таксономии. В кн.: Вычислительные системы. Новосибирск, 1969, вып.36, с.47-51.

55. Загоруйко Н.Г., Лбов Г.С., Машаров Ю.П. Пакет прикладных программ для обработки таблиц экспериментальных данных 0ТЭКС-1.- В кн.: Вычислительные системы. Новосибирск, 1977, вып. 69, с.93-101.

56. Иберла К. Факторный анализ. М.: Статистика, 1980. -398 с.

57. Ивахненко А.Г. Долгосрочное прогнозирование и управление сложными системами. Киев: Технгка, 1975. - 276 с.

58. Ивахненко А. Г. Критерий числа разрешаемых споров для выбора полезных признаков для распознающих и предсказывающих систем. Автоматика, 1966, № 4, с.26-32.

59. Каримов К.М. Применение главных компонент при распознавании двух классов. В кн.: Вопросы кибернетики. Ташкент, 1974, вып.73, с.21-25.

60. Кендалл М.Дж., Стьюарт А.Т. Статистические выводы и связи. М.: Наука, 1973. - 899 с.

61. Кендалл М.Дк., Стьюарт А.Т. Многомерный статистический анализ и временные ряды. М.: Наука, 1976. - 736 с.

62. Ковалев М.М., Рой В.П., Бурка А.А. и др. Ранняя спаечная непроходимость кишечника после апендоктомии. Хирургия, 1978, 3 3, с.59-63.

63. Лбов Г.С, Выбор эффективной системы зависимых признаков. В кн.: Вычислительные системы. Новосибирск, 1965, вып.19,с.21-35.

64. Лоули Д., Максвелл А. Факторный анализ как статистический метод. М.: Мир, 1967. - 144 с.

65. Лумельский В.Я. Группировка параметров на основе квадратной матрицы связи. Автоматика и телемеханика, 1970, № I, с.133-143.

66. Люсов В.А., Белоусов Ю.Б. Актуальные вопросы противо-тромботической терапии. Кардиология, 1981, № 8, с.5-17.

67. Маамяги А.В. Проверка статистической гипотезы о значимом различии двух разбиений заданной совокупности объектов на классы. Случай двух классов. В кн.: Статистические методы анализа экспертных оценок. М.: Наука, 1977, с.123-131.

68. Малая Л.Т., Микляев И.Ю., Кравчун П.Г. Микроциркуляция в кардиологии. Харьков: Вища школа, 1977. - 230 с.

69. Мастыкин А.С., Семак А.Е., Гришков Е.Г. и др. Дискриминантный анализ при прогнозировании возникновения ишемического инсульта. В кн.: Тез. докл. Респ. симпоз. "Кибернетика в невропатологии и психиатрии". Минск, 1976, с.79-85.

70. Матусова А.П., Неймарк Ю.И., Баталова З.С. и др. Об автоматизации исследований больных инфарктом миокарда. В кн.: Вычислительная диагностика и телеметрическая обработка данных. Горький, 1979, с.47-48.

71. Миленький А.В. Классификация сигналов в условиях неопределенности. -М.: Сов. радио, 1975. 328 с.

72. Минцер О.П., Цуканов Ю.Т. Клиническое прогнозирование.- Киев: Здоров"я, 1983. 144 с.

73. Минцер О.П., Чепкий Л.П., Цыганий А.А. Проблемы медицинской кибернетики. М.: Наука, 1972. - 310 с.

74. Минцер О.П., Кньпиов Г.В., Цыганий А.А. Кибернетика в сердечной хирургии. Киев: Вища школа, 1984. - 140 с.

75. Надь Дж. Распознавание образов. Обзор. ТЙИЭР, 1968, т.56, № 5, с.57-85.

76. Налимов В.В. Теория эксперимента. М.: Наука, 1971,- 200 с.

77. Неймарк Ю.И., Брейдо И.Д., Дурново А.Н. Минимаксный линейный алгоритм классификации. Изв. АН СССР, Техническая кибернетика, 1970, № 2, с.144-152.

78. Неймарк Ю.И., Баталова З.С., Образцова Н.Д. 0 выборе признаков при распознавании образов. Изв. АН СССР, Техническая кибернетика, 1970, № I, с.105-112.

79. Неймарк Ю.И. Медицинская диагностика и распознавание образов. В кн.: Автоматизация, организация, диагностика. М., 1971, с.15-23.

80. Олимпиева С.П., Баб а скин П.М. Дискриминантный анализ основных показателей углеводного и жирового обменов при диагностике шизофрении. В кн.: Вычислительная диагностика и телеметрическая обработка данных. Горький, 1979, с.54-55.

81. Окунь Я. Факторный анализ. -М.: Статистика, 1974. -199 с.

82. Оранский И.Е., Дитятев Г.П., Кириенко Т.С. Некоторые методологические вопросы машинной диагностики и прогнозирования ИБС. В кн.: Кибернетика и вычислительная техника. Киев, 1979, вып.45, с.70-74.

83. Перцович И.К., Колчин В.А., Трунин Ю.Ф. и др. Факторный анализ гемодинамики больных острым инфарктом миокарда. В кн.: Динамика биологических систем. Горький, 1978, вып.2, с.114-121,

84. Перцович И.К., Колчин В.А., Трунин Ю.Ф. и др. Факторный анализ гемодинамики сердечно-сосудистой системы человека. В кн.: Динамика биологических систем. Горький, 1978, вып.2, с.Ю2-ИЗ.

85. Петровский Б.В., Чазов Е.И., Авдреев С.В. Актуальные проблемы гемоанестезиологии. М.: Наука, 1981. - 501 с.

86. Поляков А.О. Исследование вопросов организации автоматизированной обработки экспериментальных данных методами автоматической классификации в информационно-вычислительной системе: Автореф. дис. . кавд.техн.наук. Л., 1979. - 23 с.

87. Райская Н.Н., Терехин А.Т., Френкель А.А. Применение кластер-анализа в исследовании экономических показателей. Вкн.: Многомерный статистический анализ в социально-экономических исследованиях. М., 1974, с.116-134.

88. Рао С.Р. Кластер-анализ в применении к изучению перемешивания рас в популяциях людей. В кн.: Классификация и кластер. М.: Мир, 1980, с.7-19.

89. Раудис Ш. Алгоритмы построения правила классификации. -В кн.: Статистические проблемы управления. М., 1975, вып.II,,с.11-52.

90. Раудис Ш., Пиляскис В., Шкевичюс К. Экспериментальное сравнение тринадцати алгоритмов классификации. В кн.: Статистические проблемы управления. М., 1975, вып.II, с.53-80.

91. Раудис Ш.Ю. Статистическая классификация при существенно ограниченных выборках: Автореф. . д-ра техн.наук. Рига, 1978. - 30 с.

92. Розенблатт Ф. Принципы нейродинамики. М.: Мир, 1965. - 280 с.

93. Руководство по кардиологии /Под ред. Е.И.Чазова. М.: Медицина, 1982. - т.1, 672 с.

94. Сергиенко И.В., Каспшицкая М.Ф. Некоторые вычислительные аспекты задачи кластеризации. Кибернетика, 1983, № б,с.1-5.

95. Смирнов Е.С. Таксономический анализ. М.: Изд-во Моск. ун-та, 1969. - 187 с.

96. Сокал P.P. Кластер-анализ и классификация: предпосылки и основные направления. В кн.: Классификация и кластер. М., 1980, с.7-19.

97. Соловьев Г.М., Радзивил Г.Г. Кровопотеря и регуляция кровообращения в хирургии. М.: Медицина, 1973. - 329 с.

98. Соломон Г. Зависящие от данных методы кластер-анализа.- В кн.: Классификация и кластер. М., I960, с. 129-134.

99. Трушинский З.К., Пантелеева Е.Н. Методы математического прогнозирования исходов острого инфаркта миокарда. Советское здравоохранение, 1974, № 4, с.149.

100. Ту Дк., Гонсалес Р. Принципы распознавания. М.: Мир, 1978. - 4И с.

101. Уилкинсон Д.Х. Алгебраическая проблема собственных значений. М.: Наука, 1970. - 564 с.

102. Фу К.С. Лингвистический подход к распознаванию образов.- В кн.: Классификация и кластер. М., 1980, с.168-207.

103. Халфен Э.Ш. Основные направления использования математики и вычислительной техники в кардиологии. Кардиология, 1977, № 7, с.5-13.

104. Халфен Э.Ш,, Заферман Д.М. Прогноз исходов миокарда. -В кн.: Применение математических методов в изучении сердечнососудистой патологии. Саратов, 1971, с.3-10.

105. Хант Э. Искусственный интеллект. М.: Мир, 1978. -558 с.

106. ПО. Харман Г. Современный факторный анализ. М.: Статистика, 1972. - 486 с.

107. Хо Ю-Цзи, Агравал. Об алгоритмах классификации образов. Введение и обзор. ТИИЭР, 1968, 56, $ 12, с.5-19.

108. Цыпкин Я.С., Кельманс Г.К. Рекуррентные алгоритмы самообучения. Техническая кибернетика, 1967, № 5, с.78-87.

109. Чернух A.M. Микроциркуляция. М.: Медицина, 1984. -429 с.

110. Чистяков С.С, Клиника, диагностика и хирургическая тактика при послеоперационной кишечной непроходимости: Автореф. дис. . канд.мед.наук. М., 1975. - 24 с.

111. Шерман А.Л. О ценности диагностической информации.

112. В кн.: Биологическая и медицинская кибернетика /некоторые актуальные проблемы/. М.: Медицина, 1971, с.207-233.

113. Шестаков В.А., Алексаадрова Н.П. Агрегация эритроцитов у больных с тромбоэмболическими поражениями магистральных сосудов, Кардиология, 1974, № 4, с.45-48.

114. Шеффер Д.Г., Г!уревич В.Л., Тягунов Л.И. и др. Опыт диагностики характера мозгового инсульта с помощью ЭВМ. В кн.: Кибернетика в невропатологии и психиатрии. Минск, 1976, с.71-74.

115. Шлезингер М.И. 0 самопроизвольном различении образов. -В кн.: Читающие автоматы. Киев, 1965, с.38-45.

116. Шорников B.C. Классификация и диагностика в биологическом эксперименте. Проблема оценки и классификации интерьерных признаков человека, М.: Наука, 1979. - 141 с.

117. Шустер Х.П., Шенберн X., Лауэр X. Шок. М.: Медицина, 1981. - 110 с.

118. Щутеу Ю., Бэндил Т., Кафрицэ А. и др. Шок. Бухарест: Военное издательство, I98X. - 515 с.

119. Atchley W.B., Bryant E.H. Multivariate statistical methods: among groups covariation.- Stroudsburg, 1975. 464 p.

120. Ball G.H., Hall D.L. A clustering technique for summarizing multivariate data. In: Behavioural Science, 1967, N 12, p. 153-155.

121. Batchelor B.G., Beck D. Diagnosis and data structure analysis of migraine and headache. In: Proc. 3rd Int. Joint Conf. Pattern. Recogn. Coronado, Calif.,1976, N.Y., 1976, p. 556563.

122. Beals E.M.L., Little R.J.A. Missing values in multivariate analysis. Journ. Royal Statist.Soc.,1975, Ser.B, v. 37, p. 73-84.

123. Bonner R.E. On some clustering technique. In: IBM Journal, 1964, N 8, p. 22-32.

124. Cooper D., Cooper P. Adaptive pattern recognition and signal detection without supervision.- IEEE Intem.Conv.Record,1963, pt.1, p.35-47.

125. Diday E., Govaert G., Lechevallier Y., Sidi J. Clustering in pattern recognition. In: Digital Image Process. Proc. НАТО Adv. Study Inst.,Bonas, June 23 - July 4, 1980, Dortrecht, 1981, p. 19-58.

126. Dintenfass L. Rheology of blood in diagnostic and preventive medicine. Boston-London: Butterworth, 1976.

127. Ditzel J., Clair R. Clinical method of photographing the smaller blood vessels and the circulating blood in the bulbar conjunctiva of human subjects. Circulation, 1954, N 10, p. 277-281.

128. Edwards A.W.F., Eavallisforza L.L. A method for cluster analysis. Biometrics, 1969, v.21, p. 362-375.

129. Everitt B.S. Unresolved problems in cluster analysis. Biometrics, 1979, v.35, N 1, p. 169-181.

130. Fleiss J.L., Zubin J. On the methods and theory of clustering. In: Multivariate Behavioural Research, 1969» N4, p. 235-250.

131. Frank 0. Comparing classifications by use of the symmetric class difference. In: Compstst 1976. Proc. Comput.Statist., and Symp. Berlin (West), Wien, 1976i p. 89-96.

132. Fraser P.M., Baron D.l. Taxonomic procedure applied to liver disease. Proc. Soc. Med.,1968, Ж 61, p. 23-26.143» Fukaga Y. Spatial clustering procedure for region analysis. Pattern. Recogn., 1980, v.12, И 6, p. 395-403.

133. Gower J.C., Ross G.J.S. Minimum spanning trees and single linkage cluster analysis. In; Appl.Statistics, v. 18, Ж 1, p. 54-64.

134. Gremy F., Goldberg M. Decision making methods in medicine. Med.Inform.Statist., 1977, H 3, p. 419-459.

135. Gu Tao, Tou Julius T. A group-linking classifier. -In: PRTP 81: Conf. Pattern Recogn. and Image Proc., Dallas,Tex., Aug, 1-5» 1981, Hew York, 1981, p. 420-425.

136. Harman H,H. Modern factor analysis. Chicago, 1960. -437 p.

137. Harper A.E, Discrimination between matched schizophrenics and normals by the Wechaler Bellevue scale. - J. Consult. Psychol., 1950, v.14, H 5, p. 351-357.

138. Hartigan J.A. Clustering algorithms. London, 1975.278 p.

139. Holzinger K.J. Factor analysis. Chicago,1941.- 305 p,

140. Johnson S.C. Hierarchial clustering schemes. Psycho-metrika, 1967, H 32, p. 241-254*

141. Jolliffe I.I. Discarding variables in a principal component analysis. II. Real data. Appl.Statist., 1973, v.22, N 1, p. 21-31.

142. Kennedy D.P., Chien Y.T. Optimal estimation for full space classification of incomplete data. In: PRI p'82: Pattern Recogn. and Image Process. Proc. Coiif,, Lasvegas, He., 14-17 June, 1982. Silver Spring. Md, 1982, p. 271-287.

143. King B.P. Stepwise clustering procedures. J.American Statistical Assn., 1967, N 62, p. 86-101.155» Klein G.S. An application of the multiple regression principle to clinical prediction, J.General Psychol.,1948, v. 38, N 2, p. 159-179.

144. Kopp B. Hierarchial classification Is single-linkage method. Biometr. J., 1978, v. 20, IT 5, p. 495-561.157» Kopp B. Hierarchial classification II: complete-linkage method. Biometr. J., 1978, v.20, N 5, p. 597-602.

145. Lance G.H., Williams W.T. A general theory of classi-ficatory sorting strategies. 1. Hierarchial systems. Comput.J., 1967, v.9, H 4, p. 373-380.

146. Lechevallier Y., Sidi J. Clustering in pattern recognition. Ini Digital Image Process. Proc. НАТО Adv. Study Inst., Bonas, June 23 - July 4, 1980. Dordrecht, 1981, p.19-58.

147. Leclers A. Principal component analysis on distribution-free variable. In: Med.Inform. Berlin,1979, p. 644-649*

148. Lee R.C.T. A direct splitting clustering analysis al-gorythm. In: Proc. 3rd Milwaukee Symp. Autom. Comput.and Control Pap. Symp., Milwaukee Wise., 1975. Horth Hollywood,Calif., 1975, p. 201-211.

149. Lefkovitch L.P. Cluster generation and grouping using mathematical programming. Math. Biosci., 1978, v.41, N 1-2, p. 91-110.

150. Ling P.F. Cluster analysis, technical report N 18, Department of Statistics, Yale University. Hew Haven, Conn., 1971, p. 328-331.

151. Lukosova A. Hierarchical aglomerative clustering procedure. Pattern Recogn., 1979,•▼.11, N 5, p. 365-381.

152. Lumelsky V.J. A combined algorithm for weighting the variable and clustering in the clustering problem. Pattern

153. Recogn., 1982, v.15, N 2, p. 53-60.

154. Mizoguichi R., Shimura M. A nonparametric algorithm for detecting cluster using hierarchical structure. IEEE Trans. Pattern Anal, and Mach. Intel.,1980, v.2, N 4, p. 292-300.

155. Mucciardi A.N., Gose E.E. A comparison of seven techniques for choosing subsets of pattern recognition properties.-IEEE Trans. Comput., 1971, v.20, N 9, p. 1023-1031.

156. Hakomori E., Asayama M. Multivariate data analysis of factors affecting the liver function tests and the hematological measurements on health care schreemings. Inj Medinfo 77. Proc. 2nd World Conf. Med. Inform.,Toronto, 1977. Amsterdam, 1977,p. 705.

157. Neuman D.A. Faithful consensus methods for n-trees. -Math. Biosci., 1983, v.63, К 2, p. 271-287.

158. Rosenblatt T. Two theorems of statistical separability in the perceptron. Mechanisation of thought processes, London, 1959, v. 1.

159. Sammon J.W. A nonlinear mapping for data structure analysis. IEEE Transactions on Computers,1969, v.18, И 5,p.418-424.

160. Stanat D.F. Uonsupervised pattern recognition through the decomposition of probability functions. Sensory Intell.Lab., Techn. Report, 1966, p. 219-225.

161. Strand E.M., Smith L.R., Turner M.E., Mantle J.A. A simple stable linear discriminant model for PVC classification.-IEEE Trans. Biomed. Eng.,1980, v.27, N 9, p. 531.

162. Tsai M.J., Pimmel R.L., Donohue J.F. Automatic classification of spirometric data. IEEE Trans. Biomed. Eng., 1979, v.26, H 5, P. 293-298.

163. Tryon R.C. Cluster analysis. Ann, Arbor, 1939, p. 487-493.

164. Tryon R.C., Bailey D.E. Cluster analysis. New York,1970,

165. Tryon R.C., Bailey D.E. The ВС-TRY computer system of cluster and factor analysis. Multivar. Behav. Res.,1966, N 1, p. 95-111.

166. Velasco F. A method for the analysis of Gaussian-like clusters. Pattern. Recogn., 1980, v.12, К 6, p. 381-393.

167. Wilkinson J.H. The algebraic eigenvalue problem. Oxford, 1965.

168. Wismath S.K., Soong H.P., Akl S.G. Feature selection by interactive clustering. Pattern Recogn., 1981, v.14, N 1-6, p. 75-80.

169. Yawo Hiromu, Shinagava Yoshiga, Shinagava Yasuko, Tsu-nematsu Tokugaro. Principal component analysis of systemic lupus erythematosus (SLE): a proposal for Nondling data with many missing values. Comput. and Biomed. Res., 1981, v.14, N 3»p. 248-261.

170. Yunck T.P., Tuteur F.B. Comparison of decision rules for automatic EEC classification. In: 8th Annu. Northeast Bioeng.,Conf., Cambridge, Mass., 1980. Cambridge, Mass., 1980, p. 362-370*