автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Математические методы и модели оценки функционального состояния человека и их реализация в программном комплексе



На правах рукописи

ЛАНЦБЕРГ Анна Вильямовна

МАТЕМАТИЧЕСКИЕ МЕТОДЫ И МОДЕЛИ ОЦЕНКИ ФУНКЦИОНАЛЬНОГО СОСТОЯНИЯ ЧЕЛОВЕКА И ИХ РЕАЛИЗАЦИЯ В ПРОГРАММНОМ КОМПЛЕКСЕ

Специальность 05.13.18 - Математическое моделирование, численные методы и комплексы программ

Автореферат

диссертации на соискание ученой степени кандидата технических наук

Саратов 2010

004610911

Работа выполнена в государственном образовательном учреждении высшего профессионального образования «Саратовский государственный технический университет».

Научный руководитель: Официальные оппоненты:

Ведущая организация:

кандидат технических наук, доцент Султанов Сергей Игоревич

доктор технических наук, профессор Большаков Александр Афанасьевич

кандидат технических наук, доцент Жигулевцев Юрий Николаевич

ГОУ ВПО «Саратовский государственный университет им. Н.Г. Чернышевского»

Защита состоится «5» июля 2010 г. в 13.00 часов на заседании диссертационного совета Д 212.242.08 при ГОУ ВПО «Саратовский государственный технический университет» по адресу: 410054, г. Саратов, ул. Политехническая, 77, Саратовский государственный технический университет, корп. 1, ауд. 319.

С диссертацией можно ознакомиться в научно-технической библиотеке государственного образовательного учреждения высшего профессионального образования «Саратовский государственный технический университет».

Автореферат размещен на сайте СГТУ www.sstu.ru «4» июня 2010 г.

Автореферат разослан » июня 2010 г.

Ученый секретарь диссертационного совета

А.А.Терентьев

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы. Развитие математических методов и моделей, являющихся основой программно-аналитических комплексов, реализующих диагностический процесс в медицине, становится приоритетным направлением. Об этом свидетельствуют многочисленные разработки, описанные как в зарубежной, так и в отечественной литературе (A.B. Богомолов, JI.A. Гридин, Ю.А. Кукушкин, И.Б. Ушаков). Значительная часть работ данного направления посвящена вопросам создания распределенных модульных архитектур комплексов, реализующих технологии гибридных экспертных систем на основе интеллектуальных агентов (A.A. Большаков, Е.И. Зайцев, Д.А. Зарин, Г.В. Заходякин, В.Б. Тарасов, L. Dib, J. Hendler, К. Troitzsch). В них каждый модуль отвечает за диагностику состояния определенной подсистемы организма, комплексная оценка состояния организма осуществляется на основе экспертных знаний. Важным является вопрос объединения специализированных диагностических модулей без потери их функциональной возможности.

Обычно используемые в медицинской практике диагностические показатели, приведенные в медицинской литературе, основаны на многолетних наблюдениях и носят среднестатистический характер. Статистический подход, как известно, оперирует с усредненными показателями, которые имеют большой разброс, что не предоставляет возможности достоверно оценить состояние конкретного человека. Следует отметить, что в медицинской практике используются как точечные, так и интервальные количественные показатели, а также вербальные описания.

Из-за большого объема исходных данных врачу трудно выделить наиболее значимые для данной задачи оценки функционального состояния показатели. Задача формирования совокупности наиболее значимых показателей решается на интуитивном уровне высококвалифицированными специалистами. На основе наиболее значимых показателей врач-эксперт относит функциональное состояние организма человека к определенному классу, определяющему характер лечения.

Вопросам моделирования оценки функционального состояния организма человека посвящен ряд работ, среди которых работы Н.В. Дмитриевой, Ю.Н. Миронкиной, A.B. Новикова, Ю.М. Перельмана, В.П. Колосова, И.В. Шкелева, А.О. Тараканова, М.В. Туманова. Однако в них не исследована возможность приведения исходных показателей к интервальному виду и учета интервальных оценок, более полно отражающих состояние организма. Кроме того, известные модели не доведены до проблемно-ориентированных комплексов программ, позволяющих модифицировать и наращивать их функциональные возможности без перепрограммирования.

Вышеизложенное определило актуальность, цель и задачи работы.

Цель работы - развитие математических моделей и алгоритмов, а также разработка на их основе проблемно-ориентированного комплекса программ, реализующего оценку функционального, состояния организма человека на

основе учета точечных, интервальных количественных показателей, биосигналов, представленных временными рядами, и вербальных описаний, а также отбор наиболее существенных из них.

Для достижения поставленной цели необходимо решить следующие задачи:

-создать математические модели оценки состояния организма человека, реализующие на основе численных методов совместный анализ различных типов данных (вербальные описания, точечные и интервальные количественные значения, временные ряды) в рамках единого технологического подхода;

-разработать метод разбиения пространства функциональных состояний на классы в зависимости от значимости показателей и значений корреляционных связей между различными функциональными состояниями на основе применения метода скрытого семантического анализа;

-разработать метод совместного анализа показателей состояния человека, представленных различными типами данных на основе применения статистических методов и интеллектуальных алгоритмов анализа данных;

-исследовать диагностические возможности предложенного метода совместного анализа разнотипных показателей функционального состояния организма человека;

-разработать модульную архитектуру программно-аналитического комплекса диагностики функционального состояния организма человека на основе многоагентного подхода, который реализует созданный метод анализа данных;

-реализовать модуль оценки функционального состояния организма человека в рамках программно-аналитического комплекса.

Объектом исследования является программно-аналитическое обеспечение системы оценки функционального состояния организма человека и выбора метода лечения онкологических больных в хирургии.

Методы исследования. Для решения поставленных задач использованы методы системного анализа и нечеткой логики, нейросетевого моделирования, статистические методы кластерного и дискриминантного анализа, латентно-семантический анализ, а также технологии и методы проектирования информационных систем (САвЕ-технологии, многоагентный подход к проектированию информационных систем).

Научная новизна результатов исследований:

-развита математическая модель оценки функционального состояния организма человека и предложена совокупность численных методов для ее реализации, позволяющая по исходному набору показателей, представленных вербальными описаниями, интервальными и точечными количественными значениями, временными рядами, определить принадлежность пациента к определенному классу функционального состояния, что позволило достичь

объективность и точность постановки диагноза, сравнимых с показателями работы высококвалифицированных экспертов;

-разработан алгоритм оценки функционального состояния организма человека, основанный на выявлении классов функциональных состояний и скрытых линейных связей между показателями состояния методом сингулярного разложения и дискриминантного анализа, а также уточнении классов функционального состояния, выявлении нелинейных взаимосвязей между показателями и формализации логики принятия решения эксперта на основе нейронечеткой сети;

-предложен метод разбиения пространства функциональных состояний человека на классы в зависимости от значимости показателей и набора возможных методов лечения, основанный на последовательном применении скрытого семантического и дискриминантного анализа;

-разработан метод прогнозирования исхода оперативного вмешательства при лечении онкологических болезней желудочно-кишечного тракта на основе предложенного алгоритма анализа данных, позволяющий формализовать процедуру принятия решения;

-создана модульная архитектура программно-аналитического диагностического комплекса на основе технологии распределенных параллельных вычислений, отличительной особенностью которого является способность к семантическому и физическому распределению вычислительных процедур между модулями, что позволит в дальнейшем легко модифицировать и наращивать программный комплекс.

Связь работы с крупными научными программами н темами.

Диссертационная работа выполнялась при поддержке:

1) Министерства образования и науки РФ: аналитическая целевая программа «Развитие научного потенциала высшей школы (2006 - 2008 годы)», тема «Синхронизация сложных процессов и систем. Приложения к задачам биофизики»;

2) Российского Фонда фундаментальных исследований (РФФИ): проект 07-07-12066 «Разработка методов модельного анализа биосигналов с целью экспресс-диагностики» (2007 - 2009 годы);

3) Министерства образования и науки РФ и Германской службы академических обменов (DAAD): проект № 16102 «Мультиагентная биомедицинская система обработки информации» (2008 - 2009 годы).

Практическая ценность работы. Предложенные в работе программно-аналитический комплекс диагностики, а также метод и модели внедрены в медицинскую практику в Саратовском государственном медицинском университете, что подтверждается соответствующим актом.

Разработанный метод реализован при оценке предоперационного состояния пожилых пациентов, страдающих онкологическими заболеваниями желудочно-кишечного тракта. Полученные результаты используются в учебном процессе в Саратовском государственном техническом университете при проведении занятий по дисциплинам «Автоматизированные

информационно-управляющие комплексы», «Системный анализ и моделирование», «Идентификация и диашостика систем».

Основные положения, выносимые на защиту:

1) Созданная математическая модель оценки функционального состояния человека позволяет использовать различные показатели состояния (вербальные описания, интервальные и точечные количественные значения, временные ряды).

2) Алгоритм, реализующий комбинированную процедуру анализа исходных показателей состояния, позволяет реконструировать логику принятия решения врача-эксперта при оценке функционального состояния.

3) Метод оценки функционального состояния организма человека, реализующий совместное использование скрытого семантического и дискриминантного анализа, а также нейронечеткого алгоритма анализа данных, позволяет выполнять комплексный анализ показателей состояния подсистем организма человека.

4) Метод разбиения пространства функциональных состояний человека на классы в зависимости от значимости показателей и набора возможных методов лечения, основанный на последовательном применении скрытого семантического анализа и обучения с учителем, позволяет каждому классу поставить в соответствие определенный метод лечения.

5) Разработанная модульная архитектура распределенного программно-аналитического комплекса реализует предложенный метод совместного анализа различных показателей и обеспечивает возможность расширения комплекса.

6) Модели и метод принятия решения об оперировании больных преклонного возраста, страдающих онкологическими заболеваниями желудочно-кишечного тракта, позволяют формализовать процесс диагностики предоперационного состояния больного, существенно сократить время, затрачиваемое на предоперационное обследование пациента, а также повысить точность и надежность диагностики на основе выбора объективных показателей.

7) Программно-аналитический комплекс позволяет исследовать предоперационное состояние организма человека на основе разнотипных показателей; архитектура комплекса позволяет путем настройки параметров моделей адаптировать диагностический модуль к различным областям медицинской диагностики.

Апробация результатов работы. Основные положения диссертационной работы докладывались и обсуждались на 11-й Международной научно-практической конференции «Системный анализ в проектировании и управлении» (Санкт-Петербург, СПбГПУ, 2007); научно-практических конференциях «Ситуационные центры и перспективные информационно-аналитические технологии поддержки принятия решений» (Москва, РАГС, 2007,2008 и 2009 гг.); 3-й Международной научно-технической конференции «Инфокоммуникационные технологии в науке, производстве и образовании

ИНФОКОМ-3» (Кисловодск, Филиал СевКавГТУ, 2008); XX (Ярославль, ЯГТУ, 2007) и XXI Международных научно-практических конференциях «Математические методы в технике и технологиях (ММТТ-21)» (Саратов, СГТУ, 2008); Научном семинаре стипендиатов программ «Михаил Ломоносов II» и «Иммануил Кант» 2008/2009 года (Москва, DAAD, 2009).

Реализована программная разработка, зарегистрированная в Реестре программ для ЭВМ. Свидетельство о государственной регистрации программы для ЭВМ № 2009610632, 28.01.2009.

Публикации. По теме диссертации опубликовано 17 печатных работ, в т.ч. 5 статей в научных журналах из списка ВАК РФ (в том числе 2 из них -по смежной специальности), 3 статьи в сборниках научных трудов, 8 докладов в трудах международных конференций, 1 свидетельство о государственной регистрации программы для ЭВМ.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка использованной литературы и приложения. Работа содержит 152 страницы текста, 12 рисунков, 16 таблиц, .список использованной литературы включает 162 наименования.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертационной работы, поставлены цель и задачи исследования, определены научная новизна результатов и их практическое значение.

В первой главе поставлена задача оценки функционального состояния организма (ФСО) на основе анализа разнотипных показателей состояния организма человека.

Выбор метода лечения в медицине напрямую связан с комплексной оценкой ФСО человека. В частности, в хирургии, оценка состояния всего организма пациента необходима для определения его способности перенести тот или иной вид оперативного вмешательства. Основой оценки функционального состояния является, как правило, многолетний опыт врача по анализу разносторонней информации о состоянии подсистем организма на основе типовых методик анализа и оценки показателей состояния. Поэтому процесс принятия решения в большей степени зависит от опыта и компетентности врача.

В работе показано, что необходимым является создание математических моделей, формализующих процесс принятия диагностического решения и учитывающих вариабельность разнотипных показателей и характер взаимосвязей между ними.

Техническая реализация созданных моделей и алгоритмов принятия решения в виде программно-аналитического комплекса облегчит менее опытным врачам более объективно производить оценку состояния человека.

Вторая глава посвящена разработке метода оценки функционального состояния организма человека, позволяющего формализовать процесс интеллектуальной обработки разнообразной информации.

Фактически, ФСО оценивают по обширной совокупности взаимосвязанных разнотипных показателей, определяющих состояние подсистем организма (данные анализа крови, электрокардиограммы, температура и др.).

Задача оценки ФСО состоит в формировании совокупности типологических классов г = (г,,..,,гк) и формулировке набора правил, в соответствии с которыми изучаемый объект, описываемый характеристическим вектором показателей, может быть отнесен к одному из выделенных классов. Принадлежность пациента к определенному классу определяет соответствующую группу методов лечения.

Так, в онкологии при предоперационном обследовании пациента, врачу необходимо выяснить, сможет ли пациент перенести сложную или поддерживающую операцию, либо его состояние настолько тяжелое, что возможно лишь медикаментозное лечение. Таким образом, на основе совокупности показателей состояния различных подсистем организма, врач классифицируем состояние пациента как: состояние, при котором возможно проведение сложной радикальной операции, поддерживающей паллиативной операции, проведение операции невозможно. Очевидно, что ошибки в определении ФСО, в частности, особенно свойственные малоопытным врачам, приводят к неэффективности лечения и к серьезным последствиям.

Традиционно в медицинской диагностике используется оценка ФСО по показателям, приведенным к точечному количественному виду, на основе статистических методов. Для повышения объективности и качества принятия решения предлагается использовать методы нечеткой логики и нейронных сетей, формализующих опыт высококвалифицированного врача и учитывающих нечеткую и интервальную природу показателей.

Основными этапами предложенного метода оценки ФСО являются:

1) формирование характеристического вектора показателей функционального состояния X ^(х1,х2,...,х1/), компонентами которого являются разнотипные показатели (например, температура тела, результаты биохимического анализа крови, аритмия) х1,х2,...,х^ (с! - количество показателей), приведенные к точечному количественному виду;

2) формирование вектора классов функциональных состояний 2 -(гу,...,гк), компоненты которого - классы состояний (к -количество классов), где 2 = /(X);

3) вычисление количественных оценок информативности показателей с последующим выделением наиболее значимых и формирование моделей линейной зависимости вектора состояний от исходных показателей;

4) ввод разнотипных показателей в интервальном виде и исследование их свойств на основе нейронечеткой модели нелинейной зависимости вектора состояний от исходных показателей, отражающей также нелинейные взаимосвязи между показателями.

На первом этапе формируется характеристический вектор показателей

состояния X = (хъхг,.....х^) и выполняется приведение показателей,

представленных вербальным описанием и временными рядами, к точечному количественному виду с использованием систем кодирования, определяемых экспертами. Например, в качестве точечной оценки функционального состояния, получаемой из анализа временного ряда, может выступать широко используемый показатель вариабельности электрокардиосигнала.

На втором этапе формируется вектор классов функциональных состояний 2 = на основе технологии кластеризации, использованной в. Месса,

Б. ЯаишсЬ, А. Рарра1агс1о для кластеризации текстовой информации.

Идея технологии состоит в формировании классов функционального состояния, формально представляющих систему ортогональных координат в новом пространстве показателей, образованных с помощью линейной комбинации исходных показателей.

Пусть имеется выборка из п объектов, состояние каждого из которых описывается характеристическим вектором показателей X = (х[,хг,....,х^. Сформируем матрицу А размерности <1хп, в столбцах которой - показатели состояния, в строках - образы функциональных состояний конкретных людей. Для выделения центров классов и их границ, характеризуемых дисперсией отдельных показателей, представим матрицу А в новом векторном пространстве, используя метод сингулярного разложения:

(=0

Векторы-столбцы матрицы V1 - центры классов, £ - диагональная матрица дисперсий, характеризующих границы образованных классов:

Т,= diag(a■í,aг,...,ar), а}>а2^...>аг>0, м/м,-= 1, и?и,=1.

Для выделения к наиболее значимых (линейно независимых) классов примем к = г (где г - ранг матрицы А). Пусть Т.к = diag(cr^,aг,...,<тk), т.е. к х к — главный минор матрицы £, показывающей размерность пространства классов ФСО. Аналогично допустим, что ик является ограничением матрицы 1/ для первых к левых сингулярных векторов, а Ук - ограничением матрицы Ут для первых к правых сингулярных векторов, тогда:

■Ак - ик ^к ■

Метод сингулярного разложения выполняет в пространстве Ук1,к оптимальную группировку исходных объектов относительно осей координат к (вначале к = 2, разброс данных определяется дисперсией ак), поэтому большая часть вариации данных (а, следовательно, информации), сосредоточена в первых к координатах ортонормированных векторов-столбцов ит. Каждый вектор-столбец матрицы Ук£к образует класс ФСО г = г к).

Сократим размерность пространства функциональных состояний за счет удаления менее значимых. Для этого после нахождения всех максимальных сингулярных значений и соответствующих им левых и правых сингулярных векторов, для каждого вектора-столбца матрицы Ук1.к строится граф, связывающий точки X, в данном пространстве. Связи между точками Л", описываются расстояниями Махалланобиса, выражающими меру подобия объектов.

Далее из каждого графа удаляются наиболее длинные связи. Объекты, расстояние между которыми меньше среднего значения всех расстояний, представленных в графе, остаются связанными и образуют класс ФСО.

Алгоритм построения графов останавливается, как только найдено оптимальное значение к. Проверка оптимальности выбора значения к осуществляется, исходя из оценки качества ()(М8Тк) полученных классов:

где с(е) - стоимость длины 1(е) дуги е, определяемая следующим образом:

где avgk - среднее значение длины дуг графа; <Ук - стандартное отклонение распределения расстояний в проецированном пространстве. Смысл показателя качества состоит в том, что он учитывает количество образов ФСО, попадающих в класс, размер класса и расстояние между классами.

На третьем этапе метода формируются модели линейной зависимости вектора состояний от исходных показателей на основе дискриминантных функций, в которых коэффициенты дискриминации являются количественным выражением критериев информативности показателей.

Особенность рассматриваемой задачи состоит в том, что образы ФСО могут находиться в районе границ классов, что является основной причиной погрешности классификации пациентов врачом. Очевидно, что для более точной идентификации ФСО необходимо учитывать интервальные показатели. С этой целью на четвертом этапе метода предложено использовать гибридную нейронечеткую сеть (рис. 1), позволяющую также исследовать нелинейные взаимосвязи между показателями.

Представленная в работе архитектура нейронечеткой сети предназначена для реализации процедуры уточнения идентификации классов функциональных состояний (с учетом временных рядов, вербальных описаний) по набору показателей, и состоит в нахождении для каждого класса гк решающего правила, такого что X /к(Х)> /¡(X), ¡ = \

Входными данными для нейронечеткой сети являются интервальные данные. Интервалы значений для каждого показателя формируются на основе знаний экспертов. Для приведения биосигналов, представленных временными рядами, к интервальному виду использован блок нейронной сети, построенный по принципу сетей адаптивного резонанса. На вход блока

c(e) = l(e)-{avgk+ak),

нейронной сети подается шаблон параметров, характеризующих биосигнал (регистрируемый многоканальным устройством), который на выходе преобразуется в интервальную оценку состояния изучаемой подсистемы.

б

\

КаовлХ

-4[

О римир ртц «я

/

Рис. 1. Архитектура нейронечеткой сети оценки ФСО человека

Первый слой нейронечеткой сети, выполняющей оценку ФСО, содержит количество узлов, равное общему числу показателей, последний слой содержит один узел, на выходе которого - оценка ФСО.

Каждый слой нейронечеткой сети образован совокупностью узлов, являющихся стандартными адаптивными нейронечеткими системами умозаключения Каждый узел обрабатывает группу из 2 независимых показателей и формирует на выходе промежуточный показатель, который далее участвует в обработке в следующем слое:

Л(1) . {®СЛИ еСТЬ4(11 И еСТЬ4,1, Н-Нхч есть4(П-

[то .у, =а\х] +а\х2 + +

^(р) [если Х1 есть 1 и х2 есть < и...и хч есть то к, = +... + агх-

где д - количество показателей ФСО (исходных или промежуточных), поступающих на вход сети; - функция принадлежности четкого

значения показателя хд нечетким множествам ($ - количество нечетких множеств, определяемых экспертами для данного показателя); у - значение

промежуточного показателя, формируемое на выходе каждого узла сети.

В качестве критерия образования группы показателей состояния, поступающих на вход узлов нейронечеткой сети, выбрана кросс-энтропия:

где N - количество клеток, занимаемых показателем х,, NJ¡г - количество клеток, занимаемых показателем х2, Л^ - количество клеток, в которых содержатся точки с координатами (*,,х2). Кросс-энтропия выражает степень прогнозируемости показателя х■ показателем х,. В группу объединяются показатели, значение кросс-энтропии для которых минимально, что свидетельствует об отсутствии взаимосвязи между показателями. Это свойство является ключевым, т.к. реализуемая модель предназначена для выявления нелинейных взаимосвязей между показателями, которые невозможно выявить с использованием статистических методов анализа.

Таким образом, использование совокупности нечетких нейронных сетей, реализующих нечеткие правила вывода, а также кросс-энтропии при группировке показателей состояния позволяют исследовать нелинейное взаимодействие показателей в неявном виде. Анализ нелинейных взаимосвязей позволяет уточнить состояния пациентов, которые по результатам статистического анализа оказались на границе классов.

Третья глава посвящена созданию многоагентной архитектуры программно-аналитического комплекса.

На вход системы подаются разнотипные показатели функционального состояния пациента. На выходе системы формируются оценка состояния пациента и рекомендации врачу для выбора метода лечения.

Создана информационная модель программно-аналитического комплекса диагностики, а также модуля оценки ФСО человека (рис. 2).

На рис. 3 представлена разработанная базовая двухуровневая многоагентная архитектура программно-аналитического комплекса, реализующая процесс обработки информации, представленный на рис. 2.

Многоагентная архитектура представлена 5 модулями: сбора информации, запросов пользователя, хранения информации, диагностики и вывода информации. Каждый модуль содержит агент управления модулем, а также набор специальных агентов: сбора информации модуля сбора информации, запросов пользователя модуля запросов пользователя, хранения информации модуля хранения информации, обработчики модуля диагностики и вывода информации модуля вывода информации. Основным преимуществом построенной архитектуры является ее семантическое распределение,

обеспечивающее независимую работу агентов на различных уровнях системы.

Рис. 2. Функциональная модель процессов обработки информации в медицинском программно-аналитическом комплексе

Рис. 3. Архитектура многоагентной системы обработки медицинской

информации

В архитектуре модуля диагностики реализован предложенный метод оценки ФСО человека, для него разработана система критериев перехода от одного вида анализа к другому, позволившая реализовать алгоритм обработки информации в программно-аналитическом комплексе.

Взаимодействие всех агентов (как на уровне модулей, так и взаимодействия модулей) осуществляется на основе системы правил-продукций, реализованных в модулях взаимодействия агентов.

Преимуществом предложенной архитектуры является семантическое и физическое распределение функций между агентами комплекса, обеспечивающее реализацию прозрачности исполнения процессов обработки информации, способность к масштабируемости и реорганизации структуры, что особенно важно при проектировании медицинских программно-аналитических комплексов.

Четвертая глава посвящена апробации разработанных моделей и метода для оценки ФСО человека в задаче оценки предоперационного состояния больных, страдающих онкологическими заболеваниями желудочно-кишечного тракта.

Задача заключается в распознавании образа одного из 3 возможных предоперационных состояний: ФСО пациента позволяет/не позволяет провести сложную радикальную операцию или поддерживающую операцию по 39 показателям. Для решения задада использованы данные 262 пациентов, проходивших лечение в Отделении онкологии Саратовской железнодорожной больницы. Из исследуемых 39 показателей состояния 18 представлены вербальным описанием врачей, поэтому они закодированы в разработанной системе кодов. Для решения задачи использован разработанный в главе 2 метод анализа данных.

Следуя предложенной технологии кластеризации, на первом этапе построены графы, позволившие изучить структуру данных, описываемую характеристическими векторами состояний пациентов (I^,, А"2А"262 ], где X, - вектор показателей, описывающий «-го пациента) и длинами дуг (расстояний /). Среднее значение дуг в графе на рис. 4: = 54,53. Класс образовали пациенты, расстояние между характеристическими векторами которых / < 54,53 (дуги, обозначенные сплошной линией); связи I»54,53 разрывались (дуги, обозначенные пунктиром).

На втором этапе дискриминангный анализ выделил 15 значимых показателей, 7 из которых представлены вербальным описанием, столько же количественными и 1 - биосигналом в виде точечной оценки эксперта. Данные показатели после приведения к интервальному виду использованы для анализа средствами нейронечеткой модели.

При обработке электрофизиологического биосигнала, характеризующего состояние сердечно-сосудистой системы, использован шаблон из 125 точек (значение каждой находится в диапазоне [0,1]), который на выходе блока сети преобразовался в 5 оценок, каждая из которых представляет один из возможных типов сердечных аритмий (тахикардия, брадикардия и т.д.).

Архитектура сформированной сети представлена 6 слоями (рис. 5): т = [15,7,3,2,1,1] (значения в скобках обозначают количество узлов в слое).

Для обучения сети 30 циклами использовалась выборка из 130 пациентов, для тестирования - выборка из 132 пациентов.

операция

Точность работы сети оценивалась количеством правильно поставленных диагнозов. После обучения сети на тестовой выборке точность диагноза составила 85%, что выше результатов, полученных при анализе статистическими методами.

Статистический анализ в совокупности с нейросетевым моделированием позволил сократить характеристический вектор показателей состояния и исключить неинформативные показатели, требующие применения трудоемких дорогостоящих методов исследования.

Модели диагностики предоперационного состояния протестированы на выборке из 18 пациентов, умерших в результате лечения. Анализ выявил, что в 6 случаях существовал альтернативный способ лечения, который не был реализован.

В работе представлена реализация метода и моделей в программно-аналитическом комплексе БАРС (больничная автоматизированная рабочая система). Основой комплекса является многоагентная архитектура, предложенная в предыдущей главе.

| Ш | X? | <» | дяг | Уб | -Кго | XI |-Г2 | Хц |

Хм Хи

АКПЯн

АЫШи

АШ8ц

АШЯи

ANF1.Sk АЫШЦ

Уц

Ун

Уц

Уи

АЫПЯг,

Рис. 5. Архитектура результирующей нейронной сети Показатели: х/ — длительность непроходимости, х^ — нарушение ритма, лгз - наличие инфаркта, л\, — наличие метастазов в лимфатические узлы, X} - наличие кишечной непроходимости, Хв - возраст, х7 - сопутствующая патология, х8 - асцит, х9 - билирубин, хю~ альбумины, Хц~ калий, х/2 - сахар, хц - температура при поступлении, х!4-расположение опухоли,

Хц- фибриноген

Входными данными для обработки в комплексе являются показатели состояния различных подсистем организма (показания температуры, давления, ЭКГ, результаты анализов крови, мочи, экспертное описание сопутствующих патологий). На выходе система предоставляет врачу информацию о том, возможно ли проведение пациенту операции и какой сложности. Предусмотрено 2 режима работы комплекса: первый - обучения, когда система реализует предложенный метод анализа показателей различной биологической и описательной природы. При этом работают все агенты модуля для оценки ФСО человека. Во втором - комплекс реализует диагностику состояния на основе совокупностей показателей состояния и параметров, выбранных в режиме обучения.

В заключении диссертации сформулированы основные результаты, полученные при выполнении работы.

В приложении приведен акт о внедрении результатов данной диссертационной работы в медицинскую практику в Саратовском государственном медицинском университете.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

В работе предложены, разработаны и успешно апробированы метод и модели для оценки ФСО человека. При этом получены следующие результаты:

1. Создана математическая модель оценки функционального состояния человека, позволяющая использовать различные показатели состояния (вербальные описания, интервальные и точечные количественные значения, временные ряды).

2. Разработан алгоритм, позволяющий формализовать логику принятия адекватного решения врача-эксперта при оценке функционального состояния на основе реализации комбинированной процедуры анализа исходных показателей.

3. Предложен метод оценки функционального состояния организма человека, реализующий совместное использование скрытого семантического и дискриминантного анализа, а также нейронечеткого алгоритма анализа данных, и позволяющий выполнять комплексный анализ показателей состояния подсистем организма человека.

4. Предложен метод разбиения пространства функциональных состояний человека на классы в зависимости от значимости показателей и набора возможных методов лечения, основанный на последовательном применении скрытого семантического анализа и обучения с учителем, позволяющий каждому классу поставить в соответствие определенный метод лечения.

5. Создана информационная модель процессов принятия решения в программно-аналитическом комплексе диагностики функционального состояния человека.

6. Создана многоагентная архитектура распределенного программно-аналитического комплекса, реализующая процесс обработки информации, формализованный в предложенном методе совместного анализа экспертных и индивидуальных показателей.

7. Создан макет программно-аналитического комплекса и специализированного модуля, выполняющего диагностику функционального состояния организма человека на основе вербальных описаний, точечных и интервальных количественных показателей, а также временных рядов.

8. Разработана модель оценки предоперационного состояния больных преклонного возраста, страдающих онкологическими заболеваниями желудочно-кишечного тракта.

9. Предложены критерии принятия решения об оперировании больных преклонного возраста, страдающих онкологическими заболеваниями желудочно-кишечного тракта.

ПЕРЕЧЕНЬ РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ

Публикации в центральных изданиях, включенных в перечень периодических изданий ВАК РФ

1. ЛанцбергА.В. Методика идентификации сложных систем / A.B. Ланцберг, С.И. Суятинов, A.B. Коблов II Вестник Саратовского государственного технического университета. - 2007. - № 4(27). - С. 31-37.

2. ЛанцбергА.В. Автоматизация процессов выявления рисков / A.B. Ланцберг, Т.И. Булдакова, С.И. Суятинов // Автоматизация и современные технологии. -2009. -№11. - С. 6-10.

3. ЛанцбергА.В. Методика автоматизированного принятия решений об оперировании / A.B. Ланцберг, С.И. Суятинов, А.Е. Золотько // Вестник Саратовского государственного технического университета. - 2009. -№4(42). Вып. 1.-С. 106-112.

Публикации в центральных изданиях, включенных в перечень периодических изданий ВАК РФ по смежной специальности

4. Ланцберг A.B. Критерии и модели принятия решения об оперировании онкологических больных / A.B. Ланцберг, Т.И. Булдакова, С.И. Суятинов // Технологии живых систем. - 2009. - Т. 6, № 5. - С. 53-59.

5. ЛанцбергА.В. Программно-аналитический комплекс модельной обработки биосигналов / A.B. Ланцберг, Т.И. Булдакова, С.И. Суятинов // Биомедицинская радиоэлектроника. - 2009. - №1. - С. 71-77.

Публикации в других изданиях

6. ЛанцбергА.В. Модельный подход к анализу операбельности онкологических больных [Электронное издание] / A.B. Ланцберг, Т.И. Булдакова, С.И. Суятинов, А.Е. Золотько // Вестник новых медицинских технологий. - 2010. - №1. - http://www.medtsu.tulá.ru/VNMT/bulletin/E2010-1/2186.pdf Г06.04.20101.

7. ЛанцбергА.В. Многоагентная архитектура медицинской информационно-аналитической системы / A.B. Ланцберг // Информационные технологии моделирования и управления. - Воронеж: Научная книга, 2009. -№6(58).-С. 830-838.

8. Ланцберг A.B. Модельное представление знаний и его реализация в медицинской информационно-аналитической системе / A.B. Ланцберг, Н.С. Самочетова // Математические методы в технике и технологиях: сб. тр. Междунар. конф.: в 10 т. - Саратов: СГТУ, 2008. - Т.9. - С. 125-128.

9. Ланцберг A.B. Ситуационные центры в концепции персонализированной медицины / A.B. Ланцберг, Т.И. Булдакова, С.И. Суятинов // Ситуационные центры и перспективные информационно-аналитические технологии принятия решений: материалы науч.-практ. конф. - М.: Изд-во РАГС, 2009. - С. 186-191.

10. ЛанцбергА.В. Функциональное моделирование системы управления благотворительной организацией / A.B. Ланцберг, Т.И. Булдакова, A.A. Першина // Информационные технологии моделирования и управления. - Воронеж: Научная книга, 2007. - № 6(40). - С. 631 -638.

11. ЛанцбергА.В. Функциональное моделирование деятельности благотворительной организации с помощью CASE-средств / A.B. Ланцберг, A.A. Першина И Математические методы в технике и технологиях: сб. тр. Междунар. конф.: в 10 т. - Ярославль: ЯрГТУ, 2007. - Т.8. - С. 222-224.

12. ЛанцбергА.В. Нейронечеткий алгоритм совместной обработки биосигналов / A.B. Ланцберг, С.И. Суятинов, К.И. Кириллов // Математическое моделирование, обратные задачи, информационно-вычислительные технологии: сб. ст. Междунар. науч.-техн. конф. - Пенза: РИО ПГСХА, 2007. - С. 125-128.

13. ЛанцбергА.В. Информационно-аналитическая система экспресс-диагностики состояния здоровья населения / A.B. Ланцберг, С.И. Суятинов // Системный анализ в проектировании и управлении: сб. тр. Междунар. науч-практ. конф.: в 2 ч- СПб: Изд-во Политехи, ун-та, 2007. - 4.2. - С. 112-117.

14. ЛанцбергА.В. Применение метода модельного анализа данных к задаче медицинского мониторинга состояния здоровья населения / A.B. Ланцберг, С.И. Суятинов, Н.С. Самочетова // Ситуационные центры и перспективные информационно-аналитические средства поддержки принятия решения: сб. науч. трудов. - М.: Изд-во РАГС, 2007. - С. 183-188.

15. Lantsberg A.V. Data Mining for Medical Diagnostics and Therapy Recommendation / A.V. Lantsberg // Proc. of Scientific Seminar for DAAD Scholarship Holders. - M.: DAAD, 2009. - P. 127-130.

16. ЛанцбергА.В. Больничная автоматизированная рабочая система (БАРС) / Т.И. Булдакова, A.B. Ланцберг, С.И. Суятинов и др. // Свидетельство о государственной регистрации программы для ЭВМ №2009610632. Зарегистрировано 28 января 2009 г.

17. Ланцберг A.B. Автоматизированный анализ биосигналов в информационно-аналитической системе БАРС / A.B. Ланцберг, Н.С. Ляпина // Перспективные информационно-аналитические технологии поддержки принятия решения: материалы науч.-практ. конф. - М.: Изд-во РАГС, 2010. -С. 240-241.

ЛАНЦБЕРГ АННА ВИЛЬЯМОВНА

МАТЕМАТИЧЕСКИЕ МЕТОДЫ И МОДЕЛИ ОЦЕНКИ ФУНКЦИОНАЛЬНОГО СОСТОЯНИЯ ЧЕЛОВЕКА И ИХ РЕАЛИЗАЦИЯ В ПРОГРАММНОМ КОМПЛЕКСЕ

Автореферат Корректор O.A. Панина

Подписано в печать 02.06.2010 Формат 60x84 1/16

Бум. офсет. Усл. печ. л. 1.0 Уч.-изд. л. 1.0

Тираж 100 экз. Заказ 200 Бесплатно

Саратовский государственный технический университет 410054, г. Саратов, ул. Политехническая, 77

Отпечатано в Издательстве СГТУ, 410054 г. Саратов, ул. Политехническая, 77

ВВЕДЕНИЕ.

ГЛАВА 1. ЗАДАЧИ СОЗДАНИЯ МЕДИЦИНСКИХ ИНФОРМАЦИОННО-АНАЛИТИЧЕСКИХ СИСТЕМ ДЛЯ АВТОМАТИЗАЦИИ ПРОЦЕССОВ ДИАГНОСТИКИ.

1.1 Эволюция медицинских информационных систем и реализации возможностей поддержки принятия решения.

1.2 Анализ особенностей разработки МИС в концепции персонализированной медицины.

1.3 Анализ существующих методов оценки функционального состояния организма человека.

Выводы по главе 1.

ГЛАВА 2. РАЗРАБОТКА МЕТОДА ОЦЕНКИ ФСО ДЛЯ ПЕРСОНАЛИЗИРОВАННОЙ МЕДИЦИНЫ.

2.1 Анализ требований к методу оценки ФСО человека.

2.2 Разработка метода автоматизированной диагностики ФСО человека.

2.2.1 Особенности реализации статистических технологий анализа данных применительно к оценке ФСО человека.

2.2.2 Особенности реализации нейросетевых технологий анализа данных применительно к оценке ФСО человека.

2.3 Разработка критерия оценки ФСО человека.

2.4 Разработка нейронечеткой модели оценки ФСО человека.

2.4.1 Блок нейронной сети для ввода и обработки данных биосигналов

Выводы по главе 2.

ГЛАВА 3. РАЗРАБОТКА ИНФОРМАЦИОННОЙ МОДЕЛИ ПРОЦЕССОВ АВТОМАТИЗИРОВАННОЙ ДИАГНОСТИКИ ФСО ЧЕЛОВЕКА.

3.1 Реализация САХ^-технологий для проектирования систем автоматизированной диагностики.

3.2 Исследование возможностей многоагентного подхода к разработке распределенных информационно-аналитических систем.

3.3 Разработка архитектуры информационно-аналитической системы автоматизированной диагностики.

Выводы по главе 3. .Т

ГЛАВА 4. АПРОБАЦИЯ РАЗРАБОТАННЫХ МЕТОДА И МОДЕЛЕЙ ДЛЯ ОЦЕНКИ ФСО В ХИРУРГИИ.

4.1 Постановка задачи оценки ФСО пациента в хирургии.

4.2 Реализация метода автоматизированной оценки ФСО в хирургии.

4.2.1 Реализация кластерного анализа.

4.2.2 Реализация дискриминантного анализа.

4.2.3 Реализация нейронечеткой модели.

4.3 Возможности модуля автоматизированной оценки ФСО в программноаналитическом комплексе БАРС.

Выводы по главе 4.

Развитие математических методов и моделей, являющихся основой программно-аналитических комплексов, реализующих диагностический процесс в медицине, становится приоритетным направлением. Об этом свидетельствуют многочисленные разработки, описанные как в зарубежной, так и в отечественной литературе (A.B. Богомолов, JI.A. Гридин, Ю.А. Кукушкин, И.Б. Ушаков). Значительная часть работ данного направления посвящена вопросам создания распределенных модульных архитектур комплексов, реализующих технологии гибридных экспертных систем на основе интеллектуальных агентов (A.A. Большаков, Е.И. Зайцев, Д.А. Зарин, Г.В. Заходякин, В.Б. Тарасов, L. Dib, J. Hendler, К. Troitzsch). В них каждый модуль отвечает за диагностику состояния определенной подсистемы организма, комплексная оценка состояния организма осуществляется на основе экспертных знаний. Важным является вопрос объединения специализированных диагностических модулей без потери их функциональной возможности.

Обычно используемые в медицинской практике диагностические показатели, приведенные в медицинской литературе, основаны на многолетних наблюдениях и носят среднестатистический характер. Статистический подход, как известно, оперирует с усредненными показателями, которые имеют большой разброс, что не предоставляет возможности достоверно оценить состояние конкретного человека. Следует отметить, что в медицинской практике используются как точечные, так и интервальные количественные показатели, а также вербальные описания.

Из-за большого объема исходных данных врачу трудно выделить наиболее значимые для данной задачи оценки функционального состояния показатели. Задача формирования совокупности наиболее значимых показателей решается на интуитивном уровне высококвалифицированными специалистами. На основе наиболее значимых показателей врач-эксперт относит функциональное состояние организма человека к определенному классу, определяющему характер лечения.

Вопросам моделирования оценки функционального состояния организма человека посвящен ряд работ, среди которых работы Н.В. Дмитриевой, Ю.Н. Миронкиной, A.B. Новикова, Ю.М. Перельмана, В.П. Колосова, И.В. Шкелева, А.О. Тараканова, М.В. Туманова. Однако в них не исследована возможность приведения исходных показателей к интервальному виду и учета интервальных оценок, более полно отражающих состояние организма. Кроме того, известные модели не доведены до проблемно-ориентированных комплексов программ, позволяющих модифицировать и наращивать их функциональные возможности без перепрограммирования.

Вышеизложенное определило актуальность, цель и задачи работы.

Цель работы — развитие математических моделей и алгоритмов, а также разработка на их основе проблемно-ориентированного комплекса программ, реализующего оценку функционального состояния организма человека на основе учета точечных, интервальных количественных показателей, биосигналов, представленных временными рядами, и вербальных описаний, а также отбор наиболее существенных из них.

Для достижения поставленной цели необходимо решить следующие задачи:

- создать математические модели оценки состояния организма человека, реализующие на основе численных методов совместный анализ различных типов данных (вербальные описания, точечные и интервальные количественные значения, временные ряды) в рамках единого технологического подхода;

- разработать метод разбиения пространства функциональных состояний на классы в зависимости от значимости показателей и значений корреляционных связей между различными функциональными состояниями на основе применения метода скрытого семантического анализа;

- разработать метод совместного анализа показателей состояния человека, представленных различными типами данных на основе применения статистических методов и интеллектуальных алгоритмов анализа данных;

- исследовать диагностические возможности предложенного метода совместного анализа разнотипных показателей функционального состояния организма человека;

- разработать модульную архитектуру программно-аналитического комплекса диагностики функционального состояния организма человека на основе многоагентного подхода, который реализует созданный метод анализа данных;

- реализовать модуль оценки функционального состояния организма человека в рамках программно-аналитического комплекса.

Объектом исследования является программно-аналитическое обеспечение системы оценки функционального состояния организма человека и выбора метода лечения онкологических больных в хирургии.

Методы исследования. Для решения поставленных задач использованы методы системного анализа и нечеткой логики, нейросетевого моделирования, статистические методы кластерного и дискриминантного анализа, латентно-семантический анализ, а также технологии и методы проектирования информационных систем (СА8Е-технологии, многоагентный подход к проектированию информационных систем).

Научная новизна результатов исследований:

- развита математическая модель оценки функционального состояния организма человека и предложена совокупность численных методов для ее реализации, позволяющая по исходному набору показателей, представленных вербальными описаниями, интервальными и точечными количественными значениями, временными рядами, определить принадлежность пациента к определенному классу функционального состояния, что позволило достичь объективность и точность постановки диагноза, сравнимых с показателями работы высококвалифицированных экспертов;

- разработан алгоритм оценки функционального состояния организма человека, основанный на выявлении классов функциональных состояний и скрытых линейных связей между показателями состояния методом сингулярного разложения и дискриминантного анализа, а также уточнении классов функционального состояния, выявлении нелинейных взаимосвязей между показателями и формализации логики принятия решения эксперта на основе нейронечеткой сети;

- предложен метод разбиения пространства функциональных состояний человека на классы в зависимости от значимости показателей и набора возможных методов лечения, основанный на последовательном применении скрытого семантического и дискриминантного анализа;

- разработан метод прогнозирования исхода оперативного вмешательства при лечении онкологических болезней желудочно-кишечного тракта на основе предложенного алгоритма анализа данных, позволяющий формализовать процедуру принятия решения;

- создана модульная архитектура программно-аналитического диагностического комплекса на основе технологии распределенных параллельных вычислений, отличительной особенностью которого является способность к семантическому и физическому распределению вычислительных процедур между модулями, что позволит в дальнейшем легко модифицировать и наращивать программный комплекс.

Связь работы с крупными научными программами и темами.

Диссертационная работа выполнялась при поддержке:

1) Министерства образования, и науки РФ: аналитическая целевая программа «Развитие научного потенциала высшей школы (2006 - 2008 годы)», тема «Синхронизация сложных процессов и систем. Приложения к задачам биофизики»;

2) Российского Фонда фундаментальных исследований (РФФИ): проект 07-07-12066 «Разработка методов модельного анализа биосигналов с целью экспресс-диагностики» (2007 - 2009 годы);

3) Министерства образования и науки РФ и Германской службы академических обменов (DAAD): проект № 16102 «Мультиагентная биомедицинская система обработки информации» (2008 - 2009 годы).

Практическая ценность работы. Предложенные в работе программно-аналитический комплекс диагностики, а также метод и модели внедрены в медицинскую практику в Саратовском государственном медицинском университете, что подтверждается соответствующим актом.

Разработанный метод реализован при оценке предоперационного состояния пожилых пациентов, страдающих онкологическими заболеваниями желудочно-кишечного тракта. Полученные результаты используются в учебном процессе в Саратовском государственном техническом университете при проведении занятий по дисциплинам «Автоматизированные информационно-управляющие комплексы», «Системный анализ и моделирование», «Идентификация и диагностика систем».

Основные положения, выносимые на защиту:

1) Созданная математическая модель оценки функционального состояния человека позволяет использовать различные показатели состояния (вербальные описания, интервальные и точечные количественные значения, временные ряды).

2) Алгоритм, реализующий комбинированную процедуру анализа исходных показателей состояния, позволяет реконструировать логику принятия решения врача-эксперта при оценке функционального состояния.

3) Метод оценки функционального состояния организма человека, реализующий совместное использование скрытого семантического и дискриминантного анализа, а также нейронечеткого алгоритма анализа данных, позволяет выполнять комплексный анализ показателей состояния подсистем организма человека.

4) Метод разбиения пространства функциональных состояний человека на классы в зависимости от значимости показателей и набора возможных методов лечения, основанный на последовательном применении скрытого семантического анализа и обучения с учителем, позволяет каждому классу поставить в соответствие определенный метод лечения.

5) Разработанная модульная архитектура распределенного программно-аналитического комплекса реализует предложенный метод совместного анализа различных показателей и обеспечивает возможность расширения комплекса.

6) Модели и метод принятия решения об оперировании больных преклонного возраста, страдающих онкологическими заболеваниями желудочно-кишечного тракта, позволяют формализовать процесс диагностики предоперационного состояния больного; существенно сократить время, затрачиваемое на предоперационное обследование пациента, а также повысить точность и надежность диагностики на основе выбора объективных показателей.

7) Программно-аналитический комплекс позволяет исследовать предоперационное состояние организма человека на основе разнотипных показателей; архитектура комплекса позволяет путем настройки параметров моделей адаптировать диагностический модуль к различным областям медицинской диагностики.

Апробация результатов работы. Основные положения диссертационной работы докладывались и. обсуждались на 11-й Международной научно-практической конференции «Системный анализ в проектировании и управлении» (Санкт-Петербург, СПбГПУ, .2007); научно-практических конференциях «Ситуационные центры и перспективные информационно-аналитические технологии поддержки принятия решений» (Москва, РАГС, 2007, 2008 и 2009 гг.); 3-й Международной научнотехнической конференции «Инфокоммуникационные технологии в науке, производстве и образовании ИНФОКОМ-3» (Кисловодск, Филиал СевКавГТУ, 2008); XX (Ярославль, ЯГТУ, 2007) и XXI Международных научно-практических конференциях «Математические методы в технике и технологиях (ММТТ-21)» (Саратов, СГТУ, 2008); Научном семинаре стипендиатов программ «Михаил Ломоносов II» и «Иммануил Кант» 2008/2009 года (Москва, DAAD, 2009).

Реализована программная разработка, зарегистрированная в Реестре программ для ЭВМ. Свидетельство о государственной регистрации программы для ЭВМ№ 2009610632, 28.01.2009.

Публикации. По теме диссертации опубликовано 17 печатных работ, в т.ч. 5 статей в научных журналах из списка ВАК РФ (в т.ч. 2 из них - по смежной специальности), 3 статьи в сборниках научных трудов, 8 докладов в трудах международных конференций, 1 свидетельство о государственной регистрации программы для ЭВМ.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка использованной литературы и приложения. Работа содержит 152 страницы текста, 12 рисунков, 16 таблиц, список использованной литературы включает 162 наименования.

Выводы по главе 4

В данной главе проведена апробация разработанных в предыдущей главе метода и моделей оценки функционального состояния организма человека, страдающего онкологическим заболеванием желудочно-кишечного тракта. В связи с этим получены следующие результаты:

- разработаны критерии и модели принятия решения об оперировании больных, страдающих онкологическими заболеваниями желудочно-кишечного тракта, позволяющие оптимизировать процесс принятия решения, а также и повысить точность и объективность диагностического решения;

- показана эффективность разработанных критериев и моделей на выборке пациентов, прошедших лечение в отделении онкологии и умерших после лечения;

- разработан макет программно-аналитического комплекса БАРС, реализующего автоматизированную диагностику предоперационного состояния организма пациентов на основе предложенных метода и моделей принятия решения.

ЗАКЛЮЧЕНИЕ

В работе предложены, разработаны и успешно апробированы метод и модели для оценки ФСО человека. При этом получены следующие результаты:

1. Создана математическая модель оценки функционального состояния человека, позволяющая использовать различные показатели состояния (вербальные описания, интервальные и точечные количественные значения, временные ряды).

2. Разработан алгоритм, позволяющий формализовать логику принятия адекватного решения врача-эксперта при оценке функционального состояния на основе реализации комбинированной процедуры анализа исходных показателей.

3. Предложен метод оценки функционального состояния организма человека, реализующий совместное использование скрытого семантического и дискриминантного анализа, а также нейронечеткого алгоритма анализа данных, и позволяющий выполнять комплексный анализ показателей состояния подсистем организма человека.

4. Предложен метод разбиения пространства функциональных состояний человека на классы в зависимости от значимости показателей и набора возможных методов лечения, основанный на последовательном применении скрытого семантического анализа и обучения с учителем, позволяющий каждому классу поставить в соответствие определенный метод лечения.

5. Создана информационная модель процессов принятия решения в программно-аналитическом комплексе диагностики функционального состояния человека.

6. Создана многоагентная архитектура распределенного программно-аналитического комплекса, реализующая процесс обработки информации, формализованный в предложенном методе совместного анализа экспертных и индивидуальных показателей.

7. Создан макет программно-аналитического комплекса и специализированного модуля, выполняющего диагностику функционального состояния организма человека на основе вербальных описаний, точечных и интервальных количественных показателей, а также временных рядов.

8. Разработана модель оценки предоперационного состояния больных преклонного возраста, страдающих онкологическими заболеваниями желудочно-кишечного тракта.

9. Предложены критерии принятия решения об оперировании больных преклонного возраста, страдающих онкологическими заболеваниями желудочно-кишечного тракта.

1. Назаренко, Г.И. Медицинские информационные системы: теория и практика / Г.И. Гулиев, Я.И. Гулиев, Д.Е. Ермаков Изд-во: Физматлит, 2005. -320 с.

2. Кричагин, В.И. Развитие систем здравоохранения / В.И. Кричагин, И.С. Мыльникова, E.H. Индейки М.: Интел, 2006. - 58 с.

3. Weed, L.L. New connection between medical knowledge and patient care / L.L. Weed// British Medical Journal. -1997. No. 315. - P. 231-235.

4. Гусев, А. Медицинские информационные системы: анализ рынка/ Ф. Романов, И. Дуданов // PC Week/RE. 2005. - № 47. - С. 36-38.

5. Гусев, A.B. Материалы 2-го международного форума Medsoít-2006 / A.B. Гусев. М.:АРМИТ. - С. 39.

6. Mougiakakou, S.G. Diagnosis: A Telematics Enabled System for Medical Image Archiving, Management and Diagnosis Assistance / S.G. Mougiakakou et. al. // IEEE IST. 2006. - P. 1265-1290.

7. Айламазян, A.K. Разработка информационных систем лечебно-профилактических учреждений: проблемы и решения / А.К. Айламазян, Я.И. Гулиев // Тезисы Доклада Международного форума «Информатизация процессов охраны здоровья и населения 2000». — М. — 2000.

8. Ануфриева, Н.Ю. Информационная система в управлении качеством медицинского обслуживания населения фмбулаторно-поликлиническим учреждением / Н.Ю. Ануфриева, И.М. Зельцер, В.А. Дружинин // Ползуновский вестник. 2006. - № 2-2. - С. 37—40.

9. Гончаров, Н.Г. Создание интегрированной медицинской информационной системы центральной клинической больницы РАН / Н.Г. Гончаров, Я.И. Гулиев // Врач и информационные технологии. 2008. -№ 1. - С. 14-19.

10. Catley, С. Design of a Health Care Architecture for Medical Data Interoperability and Application Integration / C. Catley, M. Frize // Proc. of the Second Joint IEEE EMBS/BMES Conference (October 23-26). Houston, Tx, USA, 2002.-P. 1952-1953.

11. Буравков, C.B., Основы телемедицины. / C.B. Буравков, А.И. Григорьев // М.: Фирма «Слово». 2001. - 112 с.

12. Гематологический научный центр РАМН внедрил систему генерации эпикризов в формате Open XML Электронный ресурс. / Примеры внедрения технология Microsoft. 2008. URL: http://www.microsoft.com/Rus/Casestudies/CaseStudy.aspx?id=615 (21.09.2009)

13. Гончаров, H.T. Вопросы создания Единого информационного пространства в системе здравоохранения РАН / Н.Г. Гончаров и др. // Информационные технологии и вычислительные системы. — 2006. — №4. -С. 83-94.

14. Зарубина, Т.В. ИНТЕРИС информационная система отделения реанимации и интенсивной терапии / Т.В. Зарубина, C.JL Швырева, К.В. Сидоров // Врач и информационные технологий. - 2006. - №3. — С.27-401

15. Медведев, О.С. Телемедицина: обзор современного , состояния, и перспективы развития в России. Электронный ресурс. / О.С. Медведев, И.Н. Столяров // Вестник РФФИ. 1999. - №4., . '• -http://www.rfbr.ru/default.asp?docid=5175 (18.09.2009)

16. Manickam, S, Extracting clinical cases from XML-cased electronic patient records for use in web-based medical case based reasoning systems / S. Manickam, A. Abidi // Proc. Medinfo. 2001. - P. 643-647.

17. Prado P., Roa L., Reina-Tosina J. Virtual Center for Renal Support: Technological Approach to Patient Physiological Image // IEEE Trans, on Biomedical Engineering. 2002. Vol. 49. No. 12. P. 1420- 1430.

18. Prado, P. Virtual Center for Renal Support: Technological Approach to Patient Physiological Image / P. Prado, L. Roa, J. Reina-Tosina. // IEEE Trans, on Biomedical Engineering. 2002. - Vol. 49. No. 12. - P. 1420 - 1430.

19. Викторов, В.А. О развитии медико-технической науки / В.А. Викторов // Вестник РАМН. 2001. - №5. - С.3-7.

20. Губарев, В.В. Компьютерные иммунологические консультирующие системы / В.В. Губарев, И.В. Шухова // Тр. Междунар. научно-техн. конф. «Радиоэлектроника в медицинской диагностике». — М. 1999. — С. 84-85.

21. Попов, B.C. Создание единого информационного пространства многопрофильного лечебно-профилактического учреждения: проблемы и решения / B.C. Попов, А.В. Горозов, С.И. Комаров // М.: Физматлит. 2004. -Т2.-С. 133-146.

22. Потапов, А.Ю. Информационная система поддержки медицинских исследований / А.Ю. Потапов, Е.А. Ребизов // Научная сессия МИФИ 2005: Сб. науч. тр. - М.: МИФИ, 2005. - С. 199.

23. Кобринский, Б.А. Телемедицина в системе оказания специализированной медицинской помощи / Б.А. Кобринский // Информационные технологии в здравоохранении. — 2001. №5. - С. 50-55.

24. Winters, J.M. Mobile Telerehabilitative Healthcare Technologies / J.M. Winters // Proc. State Sci. Conf. Telerehabiliation and Application of Virtual Reality. Washington, D.C.: NRH Press, 2001. - P. 102-108.

25. Winters, J.M. Integrating Intelligent Telerehabilitation Assistants with a Model for-Optimizing Home Therapy / J.M. Winters, Yu. Wang, Jill M. Winters // IEEE Engineering in Medicine and Biology Magazine. 2003. - May/June. -P. 56-65.

26. Губарев, В.В. Особенности построения автоматизированной системы мониторинга факторов риска хронических неинфекционныхзаболеваний / В.В. Губарев, Н.В. Насонова // Сб. науч. трудов НГТУ. 2005.- №2. С. 29-34.

27. Губарев, В.В. Автоматизированные системы медицинского мониторинга / В.В. Губарев, И.Н. Швайкова, Н.В. Насонова // Информационные технологии моделирования и управления. 2006. - №8(33). -С. 909-914.

28. Рыбченко, А.А. Опыт разработки системы «Автоматизированный мониторинг здоровья жителей ДВ-региона» / А.А. Рыбченко, Г.А. Шабанов, В.Н. Панурин // Материалы 4 Международного форума «Стратегия здоровья- 97». — М., 1997. С.52 — 55.

29. Соколов, А.В. Компьютерная система мониторинга здоровья и образа жизни населения / А.В. Соколов, Ю.П. Баландин, Г.И. Лабутин // Материалы конф. «Современные технологии восстановительной медицины». -Сочи, 1998.-С. 28-34.

30. Гулиев, Я.И. Исследования в области медицинских информационных технологий ИПС РАН / Я.И. Гулиев // История науки и техники. 2009. - №5. - С. 89-98.

31. Калядин, Н.И. Научные проблемы и задачи медицинского мониторирования / Н.И. Калядин и др. // Медицинская техника. 2002. - №2. -С.14-17.

32. Гусев, А.В. Медицинские информационные системы (монография) / А.В. Гусев, Ф.А. Романов, И.П. Дуданов, А.В. Воронин Изд-во: ПетрГУ, 2005.-404 с.

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

34. Barber, N. Designing information- technology to support prescribing decision making / N. Barber // Quality and Safety of Health Care. 2004. - V. 13, No. 6. - P. 450-454.

35. Pat. 7 228 168 United States, A61B 5/04(20060101). Systems and methods for assessing and modifying an individual's physiological condition /

36. Dardik; Irving I (Califon, NJ), Reisman; Stanley S (Livingston, NJ); заявитель и патентообладатель Lifewaves International, Inc. (Califon, NJ): Patent US 7 228 168 A, 05.06.2007. -№ 10/154,175; заявл. 21.05.2002; опубл. 05.06.2007

37. Gletsos, M. A Computer-Aided Diagnostic System to Characterize CT Focal Liver Lesions: Design and Optimization of a Neural Network Classifier / M. Gletsos // IEEE Trans, on Information Technology in Biomedicine. 2003. -Vol. 7. No.3.-P. 153-162.

38. Wei, C.-P. A Knowledge-Based System for Patient Image Pre-Fetching in Heterogeneous Database Environments—Modeling, Design, and Evaluation / C.-P. Wei et. al. // IEEE Trans, on Biomedical Engineering. 2001. - Vol. 5. No. 1. -P. 33 -45.

39. Богомолов, А.В. Диагностика состояния человека: математические подходы / А.В. Богомолов, JLA. Гридин, Ю.А. Кукушкин, И.Б. Ушаков // М.: Медицина, 2003. 464с.

40. Колосов, В.П. Пути построения прогнозных моделей в пульмонологии / В.П. Колосов, Ю.М. Перельман, Н.В. Ульянычев // Медицинская информатика. 2005. -№2(10). - С.64-71.

41. Перельман, Ю.М. Модель внешнего дыхания как информационная основа автоматизированной научно-исследовательской системы / Ю.М. Перельман, В.Ф. Ульянычев, Н.В. Ульянычев // Бюллетень физиологии и патологии дыхания. 2004. - Вып. 18. - С.80-84.

42. Новиков, А.В. Использование нечетких моделей для прогнозирования и профилактики пиелонефрита / А.В. Новиков, С.П. Серегин, JT.B. Стародубцева // Биомедицинская радиоэлектроника. -2009.-№ 5.-С. 50-55.

43. Сидоренко, А.В. Информационно-измерительная система для оценки динамики функционального состояния мозга и сердца /

44. A.В. Сидоренко, Н.А. Солонович, А.П. Селицкий // Биомедицинская радиоэлектроника. — 2005. — № 10.— С. 15-19.

45. Verma, В. Computer-Aided Diagnosis System for Digital Mammograms Based on Fuzzy-Neural and Feature Extraction Techniques / B. Verma, J. A. Zakos // IEEE Trans, on Information Technology in Biomedicine. 2001. - Vol. 5. No. 1. -46-54.

46. Pandey, В. Knowledge and intelligent computing system in medicine /

47. B. Pandey, R.B. Mishra // Computers in Biology and Medicine. 2009. - Vol. 39. Issue 3.-P. 215-230.

48. Белянина, Н.В. Вопросы разработки глобальных телемедицинских консультативно-диагностических систем / Н.В. Белянина, Е.В. Корнеева // Информационные и телекоммуникационные технологии. 2006. — №2. —1. C. 77-79.

49. Герасимов, С. В. Концепции и архитектура медицинской информационно-аналитической системы / С.В. Герасимов, И.В. Машечкин,

50. А.В. Чжао А.В. // Программные системы и инструменты: Тематический сборник. М.: Изд-во МГУ, 2005. - С. 183-194.

51. Шкелев, И.В. Система сбора и обработки данных о функциях и состоянии человека / И.В. Шкелев // Вестник ННГУ им. Н.И. Лобачевского. -2004.-№ 1.-С. 47-54.

52. Blumental, D. Stimulating the Adoption of Health Information Technology / D. Blumental // The New England Journal of Medicine. 2009. -Vol. 360. No. 15.-P. 1477-1479.

53. Blumental, D. Information Technology Comes to Medicine / D. Blumental, J. Glaser // The New England Journal of Medicine. 2007. - Vol. 356. No. 24. - P. 2527-2534.

54. Bodenheimer, Th. A Lifeline for a Primary Care / Th. Bodenheimer, K. Grumbach, R.B. Berenson // The New England Journal of Medicine. 2009. -Vol. 360. No. 26. - P. 2693-2696.

55. DesRoches, C.M. Electronic Health Records in Ambulatory Care -A National Survey Of Physicians / C.M. DesRoches, E.G. Campbell, S.R. Rao et al. // The New England Journal of Medicine. 2008. - Vol. 359. No. 1 -P.50-60.

56. Jha, A.K. Use of Electronic Health Records in U.S. Hospitals / A.K. Jha, C.M. DesRoches et al. // The New England Journal of Medicine. 2009. - Vol. 360. No. 16.-P. 1628-1638.

57. Pantazi, S. The usability axiom of médical information systems / S. Pantazi, A. Kushniruk, J. Moehr // International Journal of Médical Informatics. 2006. - Vol. 75. Issue 12. - P. 829-839.

58. Шульман, E. Аксиома Юзабилити Электронный ресурс. / Е. Шульман // PC Week/RE. 2006. - № (550) 40. URL: http://www.pcweek.ru/numbers/detail.php?ID= 102331 (21.09.2009).

59. Разинкин, С.М. Методологические аспекты формирования центров и кабинетов здоровья / С.М. Разинкин, А.Н. Разумов // Диагностические и оздоровительные технологии восстановительной медицины. — 2003-С.54-64.

60. Комаров, Ю.М. Концептуальные подходы к управлению качеством медицинской помощи / Ю.М. Комаров // Управление качеством медицинской помощи в Российской Федерации: Матер. 4-й Рос. науч.-практ. конф. -М, 2004. С.29-46 .

61. ГОСТ Р 52636-2006 Электронная история болезни. Общие положения. -Введ. 2008-01-01. -М.: Стандартинформ. 2007. -20 с.

62. ГОСТ Р 52976-2008 Информатизация здоровья. Состав первичных данных медицинской статистики лечебно-профилактического учреждения для электронного обмена этими данными. Общие требования. -Введ. 2008-10-13. М.:Стандартинформ. — 2009. — 24 с.

63. Методология построения интегрированных информационных систем в здравоохранении электронный ресурс. Microsoft. www.msdb.ru/Downloads/healthcare/documents/CHFbroshure.pdf (21.09.2009).

64. Энциклопедический словарь медицинских терминов: в 3-х томах./ Гл. ред. Б.В. Петровский. М.: Сов. энцикл. - 1984. - Т.З. -343 с.

65. Воробьев, К.П. Клинико-физиологический анализ категорий функционального состояния организма и интенсивная терапия / К.П. Воробьев // Вестник интенсивной терапии. 2001. - № 2. - С.3-8.

66. Зайчик, А.Ш. Основы общей патологии / А.Ш. Зайчик, Л.П. Чурилов. -СПб: ЭЛБИ, 1999.-618с.

67. Патофизиология/Под ред. Литвицкий ПФ.-М.Медицина, 1995.-750с.

68. Баевский, P.M. Вариабельность сердечного ритма: теоретические аспекты и возможности клинического применения / P.M. Баевский, Г.Г. Иванов // Ультразвуковая и функциональная диагностика. 2001. — № 3. -С. 108-127.

69. Баевский, P.M. К проблеме физиологической нормы. Математическая модель функциональных состояний на основе анализа вариабельности сердечного ритма / P.M. Баевский, А.Г. Черникова // Авиакосмическая и экологическая медицина. 2002. — №6. -С.11-17.

70. Пат. 2275847 Российской Федерации, МПК7 А61В5/02, А61В5/00. Способ определения нормированного показателя здоровья. / Валеев Г.Г.; заявитель и патентообладатель Валеев Г.Г. № 2004125240/14; заявл. 19.08.2004; опубл. 10.05.2006

71. Марасанов, А.В. Методы экспресс-диагностики и коррекции для управления функциональным состоянием человека / А.В. Марасанов, Т.В. Ларина // Актуальные вопросы медицинского контроля за состоянием здоровья летчиков и космонавтов. С.-Пб., 1998. — С. 33-34.

72. Прокопец, В.И. Экспресс-метод оценки функционального состояния организма человека / В.И. Прокопец, В.И. Остапенко // Вестник гигиены и эпидемиологии. Изд-во: ДонДМУ, 2001. - Т5. №1. - С. 44-46.

73. Баевский, P.M. Проблема оценки и прогнозирования функционального состояния организма и ее развитие в космической медицине / P.M. Баевский // Успехи физиологических наук. 2006. -Т37. №3. — С.42-57.

74. Strauss, H.V. Heart rate variability / H.V. Strauss // American Journal of Physiology Regulatory, Integrative and Comparative Physiology. - 2003. -Vol. 285. No. 5.-P. R927-R931.

75. Вял ков, А.И. Методологические проблемы оценки индивидуального здоровья / А.И. Вялков, И.А. Гундаров, В.А. Полесский и др. // Общественное здоровье и управление здравоохранением. -2006.-№2. С.3-8.

76. Гундаров, И.А. Методологические требования к оценке качества технологий измерения здоровья / И.А. Гундаров, В.А. Полесский // Менеджер здравоохранения. -2007. №4. - С.32-37.

77. Гундаров, И.А. Физиологический субстрат здоровья и функциональная диагностика риска смерти / И.А. Гундаров, В.А. Полесский,

78. A.A. Алиева и др. // Общественное здоровье и профилактика заболеваний. -2005.-№1.-С. 32-37.

79. Анциферова, М.Б. Научные и практические аспекты информатизации эндокринологической службы системы здравоохранения Москвы / М.Б. Анциферова, Б.С. Лобанов, В.Д. Тихомиров // Вопросы радиоэлектроники. 2002. - № 1. - С. 103-105.

80. Pat. 6080106 United States, А 61 В 5/00. Patient Interface System with a Scale. / L.J. Lloyd (Orinda), M.A. Prince (San Francisco); заявитель и патентообладатель Alere Inc. (San Francisco, Calif.). 08/958,689; заявл. 21.10.1997; опубл. 27.06.2000.

81. Котов, Ю.Б. Технология построения шкалы оценки состояния организма / Ю.Б. Котов Предпринт Института прикладной математики им. М.В. Келдыша РАН, 2000. -№26, 19 с.

82. Куликов, В.В. Трехмерная модель здоровья. Сантивность и пативность / В.В. Куликов // Валеология. 2000. — №1. - С. 15-21.

83. Орлов, В.А. Оценка резервов физического здоровья и работоспособности человека в технологии «Народного СпортПарка» /

84. B.А. Орлов, И.В. Калинина, O.A. Стрельцова // Курортные ведомости. 2006. -№1(34).-С. 321

85. Полунина, Н.В. Дифференциальный подход к формированию показателей здоровья подрастающего поколения / Н.В. Полунина, В.В. Попов // Общественное заболевание и профилактика заболеваний. 2005. - №1.1. C. 16-20.

86. Шапошников, A.B. Принятие решения в хирургии: теоретические и прикладные аспекты / A.B. Шапошников. Изд-во: РИЦ ООО "Коллективное предприятие «Ва-Банк», Ростов-на-Дону, 2003. - 150 с.

87. Ушаков, И.Б. Математическое обеспечение оценивания состояния материальных систем / И.Б. Ушаков // Информационные технологии. Приложение. 2004. - №4. - С. 1-32.

88. Тараканов, А.О. Современные математические методы комплексного оценивания здоровья (монография) / А.О. Тараканов, М.В. Туманов. СПИИРАН: Изд-во «Анатолия», 1998. - 60 с.

89. Фокин, В.А. Критерии оценки состояния сложных биосистем / В.А. Фокин//Известия Томского политех. ун-та.-2004.-Т.307.№5.-С. 136-138.

90. Кукушкин, Ю.А. Методика количественного оценивания функциональных состояний / Ю.А. Кукушкин, A.B. Богомолов // Биомедицинская радиоэлектроника. — 2001. — №2. С.30-40.

91. Герасимов, А.Н. Медицинская статистика: Учебное пособие / А.Н. Герасимов М.: Изд-во МИ А, 2007, - 480 с.

92. Платонов, А.Е. Статистический анализ в медицине и биологии /

93. A.Е. Платонов М.: Изд-во РАМН, 2000, - 52 с.

94. Мхитарян, B.C. Многомерные статистические методы: Учебник /

95. B.C. Мхитарян, A.M. Дубров, Л.И. Трошин М.: Финансы и статистика, 2000. - 52с.

96. Baratti, R. Automated Recurrent Neural Network Design to Model the Dynamics of Complex Systems / R. Baratti, B. Cannas, A. Fanni and F. Pilo // Neural Computing & Applications. 2000. - No. 9. - P. 190-201.

97. Авдеюк, O.A. Структурно-аналитический подход к проектированию системного интерфейса сложных медицинских комплексов на базе нейронных сетей / И.Ю. Королева // Биомедицинские технологии и радиоэлектроника. 2004. — № 4. -С. 42—50.

98. Геращенко, С.И. Энерго-информационные методы исследования и диагностики состояния человека: нейросетевые подходы / С.И. Геращенко, В.А. Спиридонов // Нейрокомпьютеры: разработка, применение. 2005. - №7. -С. 14-22.

99. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский. М., 2004. - 252 с.

100. Абраменкова, И.В. Нейро-нечеткие методы прогнозирования в онкологии / И.В. Абраменкова, М.Р. Шатхин // Вестник новых информационных технологий. — 2002. Т.9. №4. - С.91-92.

101. Безруков, Н.С. Построение и моделирование адаптивной нейро-нечеткой системы в задаче медицинской диагностики / Н.С. Безруков, Е.Л. Еремин // Медицинская информатика. — 2005. №2(10). - С.36-46.

102. Verma, В. Computer-Aided Diagnosis System for Digital Mammograms Based on Fuzzy-Neural and Feature Extraction Techniques / B. Verma, J.A. Zakos // IEEE Trans, on Information Technology in Biomedicine. 2001. - Vol. 5. No. 1. - P. 46 - 54.

103. Хайкин, С. Нейронные сети: полный курс (Neural Networks: A Comprehensive Foundation): 2-е издание / С. Хайкин М.: Вильяме, 2006. -1104 с.

104. Ш.Круглов, В.В. Интеллектуальные информационные системы: компьютерная поддержка систем нечеткой логики и нечеткого вывода. / В.В. Круглов, М.И. Дли М.: Физматлит, 2002. - 256 с.

105. Круглов, B.B. Искусственные нейронные сети: Теория и практика. / В.В. Круглов, В.В. Борисов М.: Горячая линия - Телеком, 2001. - 382 с.

106. Методы робастного, нейро-нечеткого и адаптивного управления / Под ред. Егунова H.B. М.: Изд-во МГТУ им. Н.Э. Баумана, 2002. - 744 с.

107. Терехов, В. А. Нейросетевые системы управления. / В.А. Терехов, Д.В. Ефимов, И.Ю. Тюкин Высшая школа, 2002. - 184 с.

108. Ham, F.M. Classification! of Cardiac Arrhythmias Using Fuzzy ARTMAP / F.M. Ham, S. Han // IEEE Trans, on Biomed. Engineering. 1996. -Vol. 43. No.4. - P.425-430.

109. Delgado, M.F. MART: A Multichannel ART-Based Neural Network / M.F. Delgado, S.B. Amenerio // IEEE Trans, on Neural Networks. 1998. -Vol.9, No.l. — P. 139—150.

110. Mecca G. A new algorithm for clustering search results / G. Mecca, S. Raunich, A. Pappalardo // Data & Knowledge Engineering. 2007. - 62. -P. 504-522.

111. И8.Ярушкина Н.Г. Гибридные системы, основанные на мягких вычислениях: Определение, архитектура, возможности // Программные продукты и системы, 2002. №2. С. 19-22.

112. Ярушкина, Н.Г. Нечеткие и гибридные системы: Обзор итогов и тенденций развития / Н.Г. Ярушкина // Новости искусственного интеллекта. -2003.-№5.-С. 5-12.

113. Ярушкина, Н.Г. Нечеткие нейронные сети в когнитивном моделировании и традиционных задачах искусственного интеллекта / Н.Г. Ярушкина // Лекция научной школы «Нероинформатика-2005». -М.: МИФИ, 2005.-С. 166-213.

114. Ярушкина, Н.Г. Нечеткие нейронные сети с генетической настройкой / Н.Г. Ярушкина // Лекция научной школы «Нейроинформатика-2004». -М.: МИФИ, 2004. С. 151-197.

115. Ярушкина, Н.Г. Основы теории нечетких и гибридных систем: учебное пособие. / Н.Г. Ярушкина. М.: Финансы и статистика.-2004.-320 с.

116. Крылов, С.M. Взаимосвязь между энтропийным, структурным и функциональным описанием объектов и систем / С.М. Крылов // Вестник Сам.ГТУ: Сер. Физико-математические науки. 2003. - №19. - С. 156-160.

117. Malpas, S. Neural influences on cardiovascular variability: possibilities and pitfalls / S. Malpas // J. Physiol. Heart and Circulatory Physiology. - 2002. -Vol.282. № l.-P. H6-H20.

118. Павлов, В.В. Структурное моделирование в CALS-технологиях / В.В. Павлов -М.: Наука, 2006. 307 с.

119. Судов, Е.В. Технологии интегрированной логистической поддержки изделий машиностроения / Е.В. Судов и др. М.: ООО Издательский дом «ИнформБюро». - 2006. — 232 с.

120. Шалумов, A.C. Реализация системного подхода при моделировании радиоэлектронных средств / A.C. Шалумов // Качество и ИПИ (CALS)-технологии. 2006. - № 4(12). С.25-37.

121. Колчин, А.Ф. Управление жизненным циклом продукции / А.Ф. Колчин, М.В. Овсянников, A.B. Стрекалов, C.B. Сумароков М.: Анахарсис, 2002. - 304 с.

122. Норенков, И.П. Информационная поддержка наукоемких изделий. CALS-технологии / И.П. Норенков, П.К. Кузьмик М.: Изд-во МГТУ им. Н.Э. Баумана, 2002. - 360 с.

123. Р 50.1.028 2001. Информационные технологии поддержки жизненного цикла продукции. Методология функционального моделирования. - Введ. 2002-01-07. - М.: Изд-во стандартов. - 49 с.

124. Р 50.1.031 2001. Информационные технологии поддержки жизненного цикла продукции. Терминологический словарь. Часть 1. Стадии жизненного цикла продукции. — Введ. 2002-01-07. — М.: Изд-во стандартов — 2001.-27 с.

125. Румянцев В.П. Создание второго рабочего места врача, работающего с компьютерным томографом / В.П. Румянцев, Е.С. Евдонин // Научная сессия МИФИ-2001 : сб. науч. тр. М.: МИФИ, 2001.

126. Румянцев, В.П. Система обработки изображений, полученных при УЗИ-диагностике / В.П. Румянцев, Е.С. Евдонин // Научная сессия МИФИ-2002: сб. науч. тр. М.: МИФИ, 2002.

127. Румянцев, В.П. Функциональные возможности системы ведения электронной истории болезни / В.П. Румянцев, Е.С. Евдонин // Научная сессия МИФИ-2005: сб. науч. тр. М.: МИФИ, 2005. - С. 112-113.

128. Румянцев, В.П. Применение CALS-технологий для ведения электронной истории болезни в открытых медицинских информационных системах / В.П. Румянцев, Е.С. Евдонин // Информационные технологии и вычислительные системы. 2006. - №3. - С. 94-105.

129. Dib, L. Multi-agent.systems simulating the physiological role of plasmic membrane / L. Dib // Computers in Biology and Medicine. 2008. -Vol. 38. Issue 6. - P. 676-683.

130. Hendler J. Agents and the Semantic Web / J. Hendler // IEEE Intelligent Systems.-2001.-Vol. 16. No. 2.-P. 196-205.

131. Зайцев, Е.И. Проектирование и реализация распределенных интеллектуальных систем на основе агентов / Е.И. Зайцев // Приборы и системы. Управление, контроль, диагностика. 2004. - № 11. — С. 17-18.

132. Заходякин, Г.В. Логистическое управление цепями поставок нефтеперерабатывающих предприятий с использованием мультиагентных имитационных моделей / Г.В. Заходякин, В.П. Мешалкин // Нефтегазовое дело.-2003.-С. 1-17.

133. Люггер, Д.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем / Люггер Д.Ф. — М.: Вильяме, 2003. — 864 с.

134. Тарасов, В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика / В.Б. Тарасов -М.: Эдиториал УРСС, 2002. 352 с.

135. Troitzsch, К. Simulation for the Social Scientist / Troitzsch K, N. Gilbert. Open University Press. - 2005. - 298 p.

136. Breugst, M. Mobile Agents Enabling Technology for Active Intelligent Network Implementation / M. Breugst, Th. Magedanz // IEEE Network. - 1998. -P. 53-60.

137. Zeng, Y. Multi-Agent Graphical Decision Models in Medicine / Y. Zeng, K.-L. Poh // Applied Artificial Intelligence. 2009. - Vol. 23, Issue 1. -P. 103-122.

138. Большаков, A.A. Методология создания медицинских экспертных систем в области хирургии / A.A. Большаков и др. // Математические методы в технике и технологиях: сб. трудов 18 международ, науч. конф. Казань: КГТУ, 2005. - Т.6. - С. 176-179.

139. Большаков, A.A. Применение интеллектуальных агентов в дифференциально-диагностическом процессе / A.A. Большаков, А.Н. Антамошин // Вестник Саратов, гос. техн. ун-та. — 2007. — №27. — С. 55-56.

140. Ланцберг A.B. Многоагентная архитектура медицинской информационно-аналитической системы / A.B. Ланцберг // Информационные технологии моделирования и управления. Воронеж: Изд-во Науч. книга, 2009. - № 6(58). -С.830-838.

141. Вендров, A.M. CASE-технологии. Современные методы и средства проектирования информационных систем / A.M. Вендров М.: Финансы и статистика, 1998. - 176 с.

142. Kemp, В. European Data Format 'Plus' (EDF+), an EDF alike Standard Format for the Exchange of Physiological Data / B. Kemp, J. Olivan // Clinical Neurophysiology.-2003.-No. 114(9).-P. 1755-1761.

143. Ланцберг A.B. Методика автоматизированного принятия решений об оперировании / A.B. Ланцберг, С.И. Суятинов, А.Е. Золотько //

144. Вестник Саратовского государственного технического университета. 2009. - № 4(42). Вып. 1. - С. 106-112.

145. Ланцберг A.B. Критерии и модели принятия решения об оперировании онкологических больных / A.B. Ланцберг, Т.И. Булдакова, С.И. Суятинов // Технологии живых систем. 2009. - Т. 6, № 5. - С. 53-59.

146. Lantsberg A.V. Data Mining for Medical Diagnostics and Therapy Recommendation / A.V. Lantsberg // Proc. of Scientific Seminar for DAAD Scholarship Holders. Moscow: DAAD, 2009. -P. 127-130.

147. Ланцберг A.B. Программно-аналитический комплекс модельной обработки биосигналов / A.B. Ланцберг, Т.И. Булдакова, С.И. Суятинов // Биомедицинская радиоэлектроника. 2009. - №1. — С. 71-77.

148. Ланцберг A.B. Больничная Автоматизированная Рабочая Система (БАРС) / Т.И. Булдакова, A.B. Ланцберг, С.И. Суятинов и др. // Свидетельство о государственной регистрации программы для ЭВМ №2009610632. Зарегистрировано 28 января 2009 г.