автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.09, диссертация на тему:Прогнозирование рецидивирующего течения инфаркта миокарда на основе имитационного моделирования нейроструктур

На правах рукописи

е\>>

^ /ЛГ/ * ,

/

ЖИВЖИР ЕВГЕНИЯ ВАЛЕРЬЕВНА

ПРОГНОЗИРОВАНИЕ РЕЦИДИВИРУЮЩЕГО ТЕЧЕНИЯ ИНФАРКТА МИОКАРДА НА ОСНОВЕ ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ НЕЙРОСТРУКТУР

Специальность 05.13.0Р- Управление в биологических

и медицинских системах (включая применение вычислительной техники)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Воронеж - 1999

Работа выполнена на межвузовской кафедре «Системного анализа и управления в медицинских и педагогических системах»

Научный руководитель: Научный консультант: Официальные оппоненты:

кандидат технических наук, доцент Пасмурное С.М.

доктор медицинских наук, профессор Провоторов В.М.

Заслуженный деятель науки и техники, доктор технических наук, профессор Петровский B.C.

кандидат технических наук Мандрыкин А.В.

Ведущая организация:

Воронежский областной клинический лечебно-диагностический центр

Защита диссертации состоится 28 января 2000 г. в 16 часов в конференц-зале на заседании диссертационного совета Д 063.81.04 при Воронежском государственном техническом университете по адресу: 394026, г. Воронеж, Московский проспект,14.

С диссертацией можно ознакомиться в библиотеке Воронежского государственного технического университета.

Афтореферат разослан 28 декабря 1999г.

Ученый секретарь диссертационного совет;

Пасмурное С.М.

/V/Й? /¿О. 4Г- 33 с 2Y<f с

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы. Среди заболеваний, ставших за последние годы самой частой причиной смерти взрослого населения, первое место занимают заболевания сердечно-сосудистой системы. Согласно официальной статистике за первое полугодие 1999 г. в России скончалось от ишемии 285 788 человек. Понятен поэтому столь острый интерес исследователей к изучению причин смерти при этом заболевании и их исключению всеми возможными средствами. К числу таких средств можно отнести и прогнозирование рецидива инфаркта миокарда, так как это заболевание является одним из немногих острых патологических состояний, при которых своевременное определение прогноза позволяет выбрать оптимальный план лечения и в значительной степени повлиять на течение болезни, ведь рецидивирующее течение является причиной смерти почти 80% больных, переживших острый период инфаркта миокарда. В связи с этим особо актуальной стала проблема быстрой и точной диагностики данного заболевания на ранних стадиях.

Немалую помощь в прогнозировании рецидива инфаркта миокарда может оказать применение современных компьютерных технологий. Автоматизированный подход позволит объединить многолетний опыт работы в этой области.

Перспективным направлением в данной области является использование интеллектуальных систем на основе искусственных нейронных сетей, которые позволяют с успехом решать проблемы распознавания образов, выполнения прогнозов, оптимизации, ассоциативной памяти и управления. Известны и иные, более традиционные подходы к решению этих проблем, однако они не обладают необходимой гибкостью за пределами ограниченных условий. Искусственные нейронные сети дают многообещающие альтернативные решения, и многие приложения выигрывают от их использования.

Работа выполнена в соответствии с межвузовской комплексной научно-технической программой 12.11 "Перспективные информационные технологии в высшей школе" в рамках одного из основных направлений Воронежского государственного технического университета "Биокибернетика, компьютеризация в медицине".

Цели и задачи исследования. Целыо диссертационной работы является

синтез и модификация алгоритмов и моделей прогнозирования рецидива инфаркта миокарда.

Для достижения поставленной цели в работе решались следующие

задачи:

- разработка алгоритмов исключения параметрической избыточности для обработки статистической информации с последующим построением формализованных моделей заболеваний на основе нейросетевых технологий;

- создание моделей, алгоритмов прогнозирования рецидива инфаркта миокарда;

- формирование информационного обеспечения автоматизированной подсистемы прогнозирования, классификации, и проведение ее технической реализации;

- осуществление верификации прогностических моделей но результатам клинических исследований и проведение пробной эксплуатации программного комплекса.

Методы исследования основаны на нейровычислениях, теории искусственного интеллекта, теории линейных последовательных машин и многослойных персептронов, имитационном моделировании, теории вероятностей, экспериментальных исследованиях и методах вычислительной математики, объектно-ориентированном подходе к разработке нейронных модулей.

Научная новизна. Основные результаты диссертации, выносимые на защиту и имеющие научную новизну, состоят в следующем:

Алгоритмические схемы обработки медицинской информации, позволяющие выявить и исключить недостоверные сообщения, выбрать оптимальное признаковое пространство, характеризующееся минимальной размерностью при достаточной информативности.

Имитационные модели базовых элементов нейротехнологий, использующих инвариантное описание и позволяющие получить заданную модель нейросети.

Алгоритмы создания имитационной модели нейросети на основе базовых компонентов, отличающихся высокой адаптацией к особенностям задач прогнозирования и классификации образов и хранения информации в

нейронных сетях за счет обучения системы и элементов ее самообучения.

Структура программно-методического комплекса, , обеспечивающего проведение анализа и оптимизации настройки внутренних параметров и структурной адаптации моделей нейронных сетей на структурном и функциональном этапах создания проекта.

Практическая ценность работы заключается в следующем:

Разработанная модель прогноза рецидива инфаркта миокарда позволяет врачу с высокой степенью точности (более 90%)( благодаря использованию нейросетевых технологий и модификации алгоритмов) производить диагностику заболевания, а следовательно и выбор оптимальной превентивной терапии.

Создано программное и информационное обеспечение модели прогноза рецидивирующего течения инфаркта миокарда, реализованное в виде универсальной пакетной системы, имеющей развитые средства проектирования различных предметных областей прогнозирования, имеет модульный принцип и реализовано по технологии «клиент-сервер».

Реализация результатов работы. Внедрение программного комплекса для прогнозирования рецидивирующего течения инфаркта миокарда произведено на базе П кардиологического отделения Городской Клинической Больницы Скорой Медицинской помощи г.Воронежа и кардиологического отделения Городской Клинической Больницы №17. Материалы диссертации используются в учебном процессе межвузовской кафедры «Системного анализа и управления в медицинских и педагогических системах» ВГТУ при обучении студентов специальности 19.05.00 - «Биотехнические и медицинские аппараты и системы».

Результаты внедрения подтверждаются соответствующими актами.

Апробация работы. Материалы диссертации докладывались и обсуждались на Юбилейной конференции посвященной 10-летию ГКБ СМП (г.Воронеж, 1996г.), Научно-практической конференции "Патология сердечно-сосудистой системы (г.Москва, 1997г.); Международной конференции "Применение ЭВМ в медицине" (г.Москва, 1996г.); Научно-практнческой конференции (г.Липецк, 1997г.);У Международной конференции «Математика. Компьютер. Образование» (г.Москва, 1998г.); II Международной конференции «Реабилитация больных с сердечно-сосудистыми заболеваниями» (г. Москва, 1997г.); III Международной электронной конференции «Современные

проблемы информатизации» (1998г.); семинарах кафедр «Системы автоматизированного проектирования и информационные системы», «Медицинские и гуманитарные системы».

Публикации. Основные результаты диссертации опубликованы в 13 печатных работах, перечень которых приведен в конце автореферата.

Структура и объем работы. Диссертация состоит из введения, четырех глав с выводами и заключения, изложена на 138 листах машинописного текста, содержит список литературы из 151 наименовании , 25 рисунков, 6 таблиц, 4 приложения.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность работы, дается ее краткая характеристика, показываются основные пути решения сформулированных проблем.

В первой главе освещается современное состояние проблемы смертности от рецидивирующего инфаркта миокарда; также проведен анализ существующих методов диагностики данного заболевания, рассматриваются преимущества и недостатки каждого из них. Выделяются приоритетные методы.

Рассматриваются современные направления повышения эффективности диагностического процесса на основе высоких медицинских технологий.

Показано, что использованные ранее «традиционные» статистические методы оказались недостаточно эффективными. Это заставляет искать новые пути решения проблемы. Добиться высокой точности прогноза позволил еще не получивший широкого распространения в медицине метод моделирования - с использованием искусственных нейронных сетей ( artificial neural network).

Искусственные нейронные сети имеют существенно большие возможности по созданию прогностических моделей, чем методы традиционного статистического моделирования. Некоторые из нейросетевых алгоритмов можно рассматривать как «суперрегрессию», которая обобщает традиционные регрессионные методы. Нейронные сети значительно увеличивают точность аппроксимации и разложений по ортогональным

функциям. Эти методы можно рассматривать как включенные в механизм работы сетей. Точность аппроксимации, достигаемая нейронными сетями, особенно повышается по сравнению с классическими методами в пространствах большой размерности, где методы регрессионного анализа часто приводят к построению искусственных конструкций и чрезмерному росту степени аппроксимирующего полинома, а Фурье-анализ - к перерегулированию.

Так как аппроксимация неизвестной математической функции является одной из центральных проблем в задачах распознавания образов (а к ним относятся и задачи медицинской диагностики), теории управления, статистического анализа, то, благодаря вышеуказанным свойствам, искусственные нейронные сети являются мощным инструментом для построения высокоэффективных моделей для большинства областей науки и техники. В медицине, изучающей такую сложную диффузную стохастическую систему, как человеческий организм, где часто приходится сталкиваться с далеко не линейными зависимостями, использование нейросетевого моделирования дает большой эффект в задачах, решаемых традиционными методами статистического анализа.

Исходя из анализа современного состояния и путей повышения эффективности функционирования диагностических систем сформулированы цель и задачи исследования.

Во второй главе обосновывается выбор архитектуры нейронной сети и метод ее обучения для успешной реализации построения модели прогнозирования рецидива инфаркта миокарда.

Наиболее оптимальной и эффективной для решения поставленной задачи является многослойная нейронная сеть.

Сеть такого рода основывается на определении нейронного узла и слоя нейронных узлов; она характеризуется следующими параметрами и свойствами: М - число слоев сети, N - число нейронов /и-го слоя, связи

между нейронами в слое отсутствуют. Выходы нейронов //-го слоя

= поступают на входы нейронов только следующего /Л-1 слоя,

структура связей между слоями ¡и и /л +1 задается матрицей связи С'"',

состоящей из нулей и единиц: если =1, то выход /'-го нейрона //-го слоя

подается на вход _/'-го нейрона /у + 1-го слоя, если с)''} - 0, то связь между соответствующими нейронами отсутствует. Внешний векторный сигнал х поступает на входы нейронов только первого слоя, структура воздействия входного сигнала на первый слой задается матрицей воздействия С'"' со структурой, аналогичной матрице входы нейронов последнего М -го слоя образуют вектор выходов сети у'"'. Структура такой сети показана на рис.1.

Каждый 1-й нейрон //-го слоя (/«-й нейрон) преобразует входной вектор х^'' в выходную величину у^'К Это преобразование состоит из двух этапов: вначале вычисляется дискриминантная функция не/'"', которая далее преобразуется в выходную величину у = Дискриминантная функция

представляет собой отрезок многомерного ряда Тейлора, наибольшая степень дискриминантной функции определяет порядок нейрона. Если эта степень равна единице, то соответствующий нейрон является нейроном первого порядка, в противном случае можно говорить о нейронах высшего порядка.

0-1)

,-0.0.- ....

14>

ГМ,- 0.1)

гО ").-- ,,(1.«)

■ О

N ^ Р^

.....

О

+ г-, уС-"«)

2

Рис. 1. Структура многослойной ассоциативной нейронной сети

Коэффициенты разложения отрезка многомерного ряда Тейлора

образуют вектор весовых коэффициентов или память нейрона.

Цискрнминантная функция нейрона первого порядка имеет вид:

пе^ = + £= шП»ЛиЬЛ > (!)

.и

где го'1"''' = {ш(0"'\п}{]1 ',..., Год"' 'I - вектор весовых коэффициентов нейрона, г/''1'' = - расширенный вектор входа нейрона, а -

у'-ая компонента Л^-мерного входного вектора х1/,'\

Нелинейное преобразование задается функцией активации,

которая является один раз дифференцируемой, монотонной и ограниченной на

всей вещественной оси, например, у/(х) = —.

1 + е Л

Условие дифференцируемости функции активации обеспечивает возможность разложения в ряд Тейлора до слагаемых первого порядка на каждом нейронном слое. Условие монотонности гарантирует сходимость итерационного процесса. Наконец, условие ограниченности накладывает нормирующее условие на объем памяти нейронной сети в целом.

Рассмотрим связь между входом и выходом многослойной сети первого порядка.

Будем далее называть нейронную сеть полносвязной, если все выходы нейронов каждого слоя поступают на входы всех нейронов следующего слоя.

Для полносвязной многослойной нейронной сети первого порядка функция активации пе^''^ = пе^1"'1 задается выражением (1), выход = | любого нейрона из (и -1) слоя поступает на все входы нейронов следующего //-го слоя, выходы которых описываются следующим уравнением:

V )

(2)

= \1/{ги™и{>',))= у/(пе1М\ / = 1, ^,

где г/''-'' - расширенный входной вектор /л'-го нейрона. Обозначим через

вектор выхода нейронов //-го слоя,

= = (п7<">.1Г,(*>) (4)

- х (л'^,., +1) - матрица весовых коэффициентов нейрона /л-го слоя,

^ (5)

- -мерный вектор, соответствующий приближению нулевого порядка в ряде Тейлора. Будем далее называть компоненты этого вектора пороговыми весовыми коэффициентами ет^''. Введенные обозначения позволяют переписать (2) в векторно-матричной форме:

у(/,) =V(ет¿'')+W1wyM))=VW(y<''"'))./' = tM, (6)

где у'''* является нелинейным оператором, который преобразует каждую компоненту вектора в соответствии с соотношением (2).

Нелинейное уравнение (6) устанавливает рекуррентную связь между входом и выходом сети в следующей форме:

Из выражения (7) следует, что выход многослойной нейронной сети является сложной нелинейной функцией входного вектора х, которая зависит от вектора весовых коэффициентов сети ст. Тогда, основываясь на (6) и (7), можно заключить, что процесс нахождения оптимального значения весовых коэффициентов многослойной ассоциативной нейронной сети (рис. 1) является процессом обучения сети, в результате которого осуществляется оптимизация критерия качества •/(©■), характеризующего усредненную по времени «близость» выходов сети и указаний учителя у'(р) '■

(8)

Здесь п - момент времени выхода нейронной сети и соответствующего указания учителя, из - составной вектор-столбец весовых коэффициентов сети, составляющими которого являются вектор-столбцы = Л/,1 каждого слоя:

ет = (ш(")г,ш(А'-,)г,...,ст(,)г,)Г, (9)

при этом составляющими вектор-столбцов = 1 в свою очередь

являются вектор-столбцы = весовых коэффициентов нейронов //-

слоя: (10)

Квадратичная форма Q{e(m,nj) зависит от вектора ошибки сети Q{e{m,m)):

£(w,m) = yiM){m)-y'(m) (11)

и определяется квадратичной формой:

б(£(ст,ш)) = ет(ш, m)Rc(m, от), (12)

с заданной положительно определенной матрицей R.

В этом случае задача оптимизации весовых коэффициентов многослойной ассоциативной нейронной сети сводится к минимизации критерия качества j(aг).

Среди алгоритмов обучения данного класса наибольшее распространение получил алгоритм обратного распространения ошибки (back propagation algorithm), который наиболее часто используется для решения диагностических задач.

В третей главе для оптимизации настройки параметров нейронной сети, использующей математическую модель обратного распространения ошибки, разработаны модификации метода обучения многослойных нейронных сетей, ускоряющие процесс обучения.

Минимизация критерия качества J(m) Щ в большинстве случаев , осуществляется с помощью градиентного метода, который имеет следующий вид:

ш(п) = m(n-l)-yVmQ(£(ax(n-1),„)), (13)

где Q(e(m,m) - определено соотношением (12) и v-7 s\( I t i\ \\ SQ{c(m{n -1),«))

У aQ{f:\Tn[n -'-—- градиент указанной выше

дхп

квадратичной формы относительно вектора весовых коэффициентов сети w. Величина у в выражении (13) полагается равной положительной, постоянной. Основываясь на адаптивном подходе пошагового спуска, предлагается

использовать переменный шаг приращения изменения весовых коэффициентов, который необходимо оптимально настраивать для каждой итерации в зависимости от у(с1(п)), где с/(и) = -У@(п).

Неудобством этого метода является необходимость вычисления значения функции ошибки на каждой итерации для каждого слоя, что ведет к дополнительным вычислительным расходам, но которые в достаточной степени компенсируются увеличением скорости сходимости алгоритма.

В случае использования этого метода необходимо определить как будет зависеть критерий качества (8) от величины у(с/(п)):

дО{т{п)) _ дО{а(п)) д(ш(п-\) + ус1{п-1)) =

ду дю{п) ду (14)

. Это означает, что градиент определяющий новое направление

поиска с/(л), скорректирует старое направлению поиска ¿{п-1). Это отношение используется для увеличения скорости реализации процедуры градиентного метода вычисления весовых коэффициентов.

Применение метода секущих к задаче минимизации функции /(ггг) (8) позволит увеличить производительность градиентного метода. Тогда выражение пересчета весовых коэффициентов примет следующий имеет вид:

ет(и) = ш(п -1) -

Ш^йгЛ(15)

Таким образом, в процедуре (15) выражение заменяет коэффициент у в отношении (13).

'у а ГаеИУ

т=1Эет1 дш )

Рассмотрим многослойную нейронную сеть с такими ограничениями: сеть имеет один выход, весовые коэффициенты сети принадлежат множеству

неотрицательных чисел Ш = {ст'"'* >0\Л\./',//}, функция активации уЬ'А = является монотонно возрастающей и ограниченной

(сигмоидальной) функцией. При таких ограничениях нее элементы переходной матрицы чувствительности оказываются не

отрицательными, и поэтому вектор чувствительности

л<") = Д<"<0^("41, = П(а''"')'5(а,), ц = М- 1,1, где все элементы матрицы П("'"4,)7 неотрицательны. Для квадратичного критерия качества в рассматриваемом случае = = - - скалярная величина, а П("'",1)г — вектор. Таким образом, структура фадиента в этом случае имеет вид:

^ = = емам ®

где а- вектор с неотрицательными составляющими, которые сложным образом зависят от параметров сети. Вектор

где 1*''' - вектор, все составляющие которог о равны единице, составляет

угол с фадиентом —н используется для нахождения минимума критерия дет"''

качества У(ш) при ограничениях на параметры сети. В силу структуры вектора г^ (15) алгоритм настройки весовых коэффициентов //-го слоя принимает вид:

ш("А(п) = - 1) - гМЕ(м\ш{п - 1));/'''(л)], (17)

где > 0 - константа, характеризующая величину шага коррекции; Рт - ортопроектор на множество NN векторов с неотрицательными компонентами.

Алгоритмы, реализующие метод обратного распространения ошибки требуют наличия дополнительных нейронных структур, в которых сигналы распространяются в обратном направлении, в то время как автономные алгоритмы, которые также базируются на методе обратного распространения ошибки, хоть и решают поставленную задачу с определенными офаничениями, тем не менее, характеризуются следующими преимуществами - структурной независимостью в классе квадратичных критериев качества задаваемых положительно определенной матрицей И.

С целью повышения точности моделей и сокращения трудоемкости их использования произведена предварительная обработка статистической информации, а именно: фильтрация информации; исключение параметрической избыточности, позволяющее минимизировать число измеряемых параметров при условии обеспечения достаточной информативности выбранной параметрической системы, т.е. из 44 признаков рецидивирующего инфаркта миокарда выбраны 16, наиболее влияющих на прогноз и развитие заболевания.

Таблица 1.

Перечень основных признаков рецидивирующего инфаркта миокарда.

NN пп Название признаков РИМ

1 Время свертываемости крови

2 Давящие боли за грудиной

3 Замедленная нормализация фермента ЛДГ

4 . АЧТВ

5 Мочевина крови

6 АсАТ

7 АлАТ

8 Сохраняющаяся тахикардия

9 ЭКГ (Появление зубца 0 в других отведениях)

10 Влажные хрипы в легких

11 Появление преходящей или постоянной полной блокады левой ножки пучка Гиса

12 ЭКГ (появление высокого или отрицательного зубца Т)

13 ЭКГ ( Повторное, более выраженное смещение сегмента 8Т)

14 Снижение артериального давления ниже 90 мм.рт.ст.

15 ЭКГ (Появление групповых желудочковых экстрасистол)

16 УЗИ (появление дополнительных зон гипокинезии)

В четвертой главе описано разработанное программное и информационное обеспечение программно-методического комплекса на базе предложенных математических моделей, методов и алгоритмов для

формирования общей базы знаний интеграции системы прогнозирования рецидивирующего инфаркта миокарда.

Программный комплекс построен по модульному принципу и содержит реализацию вышеперечисленных методов с возможностью их применения ч различных предметных областях. Включает в себя гибко настраиваемую информационную систему, словарь данных для описания различных предметных областей и полностью описанную и настроенную информационную область прогнозирования рецидивирующего течения инфаркта миокарда.

Программный комплекс реализован по технологии "клиент-сервер". Система прогнозирования реализовывалась на бесплатной версии Oracle 8.1.5, под бесплатной операционной системой Linux Red Hat v.6.0.

Для серверной части системы необходим IBM совместимый компьютер с процессором Pentium 100, объемом оперативной памяти не менее 64 Мбайта и жестким диском 1,2 Гбайта.

Для клиентской части - IBM совместимый компьютер с 486-ым процессором частотой 100МГц, объемом оперативной памяти не менее 16 Мбайт и свободным пространством на жестком диске не менее 10 МБант.

В системе прогнозирования предусмотрен отдельный модуль резервирования базы данных, который состоит из клиентской (сервер резервирования) и серверной (база данных) частей, с возможностью расположения, как на различных компьютерах, так и операционных системах.

Функциональная структура программного комплекса строится на основе следующих функциональных подсистем (см. рис.2.):

»1. Подсистема управления.

2. Информационная подсистема.

3. Подсистема обучения нейронных сетей.

4. Подсистема оптимизации количества нейронов на скрытом слое.

5. Подсистема прогнозирования.

6. Подсистема архивирования.

Описание подмножества

Рис. 2. Функциональная структура системы

Показано, что в результате внедрения программного комплекса прогнозирования рецидива инфаркта миокарда в клиническую практику Городской Клинической Больницы Скорой Медицинской помощи г.Воронежа обеспечивается при индивидуальном массовом обслуживании высокий уровень медицинской помощи, что позволяет сократить время выбора диагностических мероприятий , повысить точность и эффективность диагностики , сократить время выбора тактики лечения и интегрировать эти процессы в едином комплексе.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Проведен анализ и классификация современных методов и подходов, направленных на повышение эффективности диагностического процесса при рецидивирующем течении инфаркта миокарда.

2. Выполнен анализ задач, решаемых нейронными сетями, и выявлены особенности, которыми должна обладать задача для ее успешного решения нейронной сетью и построения прогноза.

3. Сделано исследование математических моделей, реализующих функции основных компонент - нейронных узлов, слоев, памяти и многослойных сетей для формирования структуры нейросети применительно к прогнозированию рецидива инфаркта миокарда.Описаны принципы и правила обучения нейронных сетей.

4. Разработаны оптимизационные модели, позволяющие проводить оптимизацию настройки внутренних параметров и структурную адаптацию нейронных сетей.

5. Предложен алгоритм построения формализованных моделей на основе нейросетевых технологий. Полученный алгоритм позволяет производить диагоностику заболевания с высокой степенью достоверности.

6. Предложены алгоритмические схемы обработки медицинской информации, позволяющие выявить и исключить недостоверные сообщения, выбрать оптимальное признаковое пространство, характеризующееся минимальной размерностью при достаточной информативности.

7. Разработаны алгоритмы получения имитационной модели нейросети на

основе базовых компонентов, отличающихся высокой адаптацией к особенностям задач прогнозирования и классификации образов и хранения информации в нейронных сетях за счет обучения системы и элементов ее самообучения.

8. Разработано программное и информационное обеспечение модели прогноза рецидивирующего течения инфаркта миокарда.

9. Произведена верификация логической модели процесса диагностики и выбора лечения, которая показала полное соответствие диагнозам больных, полученным по экспертной информации.

10.Выполнена клиническая апробация программного комплекса для прогнозирования рецидивирующего течения инфаркта миокарда на базе П кардиологического отделения Городской Клинической Больницы Скорой Медицинской помощи г.Воронежа, которая показала улучшение диагностики рецидивирующего течения инфаркта миокарда, сокращение времени обследования, а также снижение затрат, связанных с курацией больных данной патологии.

Основное содержание диссертации изложено в следующих работах:

1. Живжир Е.В., Офицеров И.Ю. Разработка экспертной системы прогнозирования осложнений острого инфаркта миокарда // Актуальные вопросы медицины и проблемы реабилитации: Тез. докл. научно-практической конф. Липецк,1996. С.214.

2. Офицеров И.Ю., Живжир Е.В. Прогнозирование осложнений острого инфаркта миокарда на основе компьютерной программы принятия решений // Здоровье человека и действие факторов внешней среды: Тез. докл. научно-практической конф. Губкин, 1996.С.74-75.

3. Офицеров И.Ю., Живжир Е.В.. Исследование лазерного анализатора капиллярного кровотока для изучения микроциркуляции // Юбилейная конференция, посвященная 10-летию ГКБСМП : Тез. докл. Ч.1.-Воронеж, 1996. С.21-22.

4. Живжир Е.В., Офицеров И.Ю. Компьютерная программа принятия решений в интенсивной кардиологии // Применение ЭВМ в медицине: Тез. докл. Международной научно-практической конф. Москва, 1996. С. 121-122.

\

5. Живжнр Е.В., Офицеров И.Ю, Шалагина И.В. Анализ осложнений острого инфаркта миокарда с учетом прогностически значимых признаков // Реабилитация больных с сердечно-сосудистыми заболеваниями: Тез.докл.П российской научно-практической конф..Москва,1997. С.9.

6. Офицеров И.Ю., Живжир Е.В. Принятие решений в интенсивной кардиологии // Высокие технологии в медицине: Тез. докл. научно-практической конф. Липецк, 1997. С.51-52.

7. Живжир Е.В., Офицеров И.Ю. Анализ осложнений острого инфаркта миокарда с учетом прогностически значимых признаков // Компьютеризация в медицине: межвузовский сб.науч. работ.-Воронеж, 1997.С.70-73.

8. Живжир Е.В. Методы выявления врачебного опыта при построении моделей прогноза // Компьютеризация в медицине: межвузовский сб.науч. работ.-Воронеж, 1997.С.74-78.

9. Офицеров И.Ю., Живжир Е.В.. Анализ осложнений острого инфаркта миокарда // Актуальные вопросы медицины: Тез. научно-практической конф. Тамбов, 1997. С.54-62.

10.Пасмурное С.М., Живжир Е.В. Прогнозирование осложнений острого инфаркта миокарда на основе нелинейной модели // Математическое обеспечение информационных технологий в технике, образовании и медицине: Тез. докл. Всерос. совещания-семинара. 4.1.-Воронеж: ВГТУ,1997. С.95-96.

11.Пасмурное С.М., Живжир Е.В. Причины использования динамической модели при прогнозировании осложнений рецидивирующего инфаркта миокарда // Современные проблемы информатизации: Тез. докл. III Международной электронной конф.-Воронеж, 1998. С.96-97.

12.Пасмурное С.М., Живжир Е.В. Динамическая модель прогнозирования рецидива инфаркта миокарда // Математика. Компьютер. Образование.: Тез. докл V Международной конф.-Москва, 1998. С.155.

13.Пасмурнов С.М., Живжир Е.В. Прогнозирование рецидивирующего течения инфаркта миокарда с учетом прогностически значимых признаков на основе регрессионной модели // Высокие технологии в региональной информатике: Тез. докл. Всерос. совещания-семинара.-Воронеж: ВГТУ, 1998. С.3,7-38.