автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Разработка решающих правил для дифференциальной диагностики осложненных форм инфаркта миокарда

На правах рукописи

ЗАЛАВСКИЙ Дмитрий Станиславович

РАЗРАБОТКА РЕШАЮЩИХ ПРАВИЛ ДЛЯ ДИФФЕРЕНЦИАЛЬНОЙ ДИАГНОСТИКИ ОСЛОЖНЕННЫХ ФОРМ ИНФАРКТА МИОКАРДА

Специальность 05.13.01 - Системный анализ, управление

и обработка информации

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Воронеж 2003

Работа выполнена в Воронежском государственном техническом университете

Научный руководитель доктор технических наук,

профессор Чурюмов Владимир Александрович Официальные оппоненты: доктор технических наук,

профессор Баркалов Сергей Алексеевич; кандидат технических наук, доцент Коровин Евгений Николаевич Ведущая организация Курский государственный

технический университет

Защита диссертации состоится «26» сентября 2003 г. в - часов в конференц-зале на заседании диссертационного совета Д 212.037.02 Воронежского государственного технического университета по адресу: 394026, г. Воронеж, Московский просп., 14.

С диссертацией можно ознакомиться в библиотеке Воронежского государственного технического университета.

Автореферат разослан «26» августа 2003 г.

Ученый секретарь диссертационного совета

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. В настоящее время одной из наиболее острых проблем ургентной терапии является инфаркт миокарда (ИМ). В России ИМ в структуре госпитализированных больных составляет около 7 %. В структуре смертности от ишемической болезни сердца ИМ занимает первое место и составляет 0,9 % у лиц 30-39-летнего возраста, 10,5 % в возрасте 40-49 лет, 29,5 % - 50-59 лет и 41,1 % - у лиц старше 60 лет.

Тяжесть ИМ, частота смертельных исходов, длительность госпитального лечения и реабилитации, последующая инвалидизация пациентов, а следовательно, и экономические затраты всецело определяются осложненными формами этого заболевания. Среди них наиболее опасны и в то же время наиболее распространены: кардиогенный шок, аритмический синдром, фибрилляция желудочков, острая левожелудочковая недостаточность - отек легких, разрыв миокарда. Актуальной сохраняется проблема развития поздних осложнений -эпистенокардитического перикардита и синдрома Дреслера, а также рецидивирующего течения ИМ.

Современная медицина имеет ограниченные возможности ранней диагностики патологических заболеваний, не обладает достаточными сведениями о патогенезе атеросклероза, гипертонии и нарушения сердечного ритма, о механизмах гомеостаза жизненно-важных патологических процессов.

Современная наука только приближается к пониманию пространственно-временной организации физиологических процессов, и ценнейшая информация, заключенная в ЭЭГ, реограмме, кардиограмме, мониторинге артериального давления и пульса, пока не может быть использована для осознания фундаментальных механизмов регуляции процессов жизнедеятельности.

В связи с этим возникла потребность отталкиваться не от существующих медико-физиологических знаний, которые трудно формализовать даже тогда, когда они есть, и принципиально невозможно, когда их нет, а от эмпирических данных - данных историй болезни и протоколов экспериментов.

Существующие информационные методы диагностики осложненных форм ИМ оказываются в большинстве своем малоэффективными. Многие исследователи в данной области пренебрегают тем, что распространенные методы многомерной статистики имеют ограниченное применение в медицине, методологически неграмотно представлять результаты исследований в форме "среднее арифметическое ± ошибка средней", из множества клинических, лабораторных и инструментальных признаков необходимо извлекать минимальные подмножества, важные для понимания патогенеза клинической ситуации и достаточные для решения конкретной диагностической задачи - - • ---------

Проблема диссертационного исследования заключается в высокой летальности ИМ и низкой достоверности существующих моделей и алгоритмов ранней дифференциальной диагностики осложнений данного заболевания.

Таким образом, актуальность темы диссертационной работы определяется необходимостью создания таких методов анализа эмпирических медицинских данных, которые бы с одной стороны не противоречили методологическому аспекту области применения, а с другой стороны обеспечивали более высокую точность дифференциальной диагностики осложненных форм ИМ по сравнению с другими известными методами.

Диссертационная 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 'Ъиомедки-бернетика, компьютеризация в медицине".

Цель и задачи исследования. Целью исследования является разработка моделей, алгоритмов и информационного комплекса, обеспечивающих повышение эффективности ранней дифференциальной диагностики осложненных форм инфаркта миокарда с помощью построения нечетких вероятностных процедур анализа эмпирических данных, а также создание методологии принятия многоальтернативного диагностического решения для обеспечения высокой точности дифференциальной диагностики осложнений.

Для достижения поставленной цели необходимо решить следующие задачи:

проанализировать пути повышения эффективности прогностических оценок диагностики осложненных форм ИМ с помощью методов биометрической статистики, имитационного моделирования и непараметрических методов распознавания образов;

разработать алгоритм формирования обучающей выборки для получения достоверных объектов на основе диагонализации матрицы связи и выделения сильно связанных подмножеств;

разработать методику построения интервальных и бинарных (матричных) структур для дальнейшей дифференциальной диагностики, обеспечивающую максимальное извлечение медико-физиологических знаний;

смоделировать решающие правила для информационной поддержки клинических решений на основе системного подхода и методологии распознавания образов,

сформировать оценки эффективности применения решающих правил на основе метрических и информационных показателей;

внедрить информационный комплекс по дифференциальной диагностики осложненных форм ИМ в клиническую практику на региональном уровне.

2

Методы исследования. В работе использованы методы системного анализа, распознавания образов, экспертного оценивания, имитационного моделирования, основные положения теории вероятности, математической статистики и теории управления биосистемами.

Научная новизна. В диссертации получены следующие основные результаты, характеризующиеся научной новизной:

алгоритм формирования обучающей выборки на основе процесса диаго-нализации матрицы связи, позволяющий отказаться от субъективного мнения эксперта о пороговой степени достоверности объектов;

способ введения вероятностной меры, формирующий интервальные и бинарные структуры, отличающийся возможностью эффективного анализа патофизиологически значимых интервалов или прямоугольников проявления жизнедеятельности;

интервальные и бинарные структуры в совокупности со стратегией распознавания образов, представляющие собой объект базы знаний интеллектуальных систем, не требующие при своем формировании экспертных медицинских знаний высокого уровня;

модифицированный многошаговый байесовский алгоритм, позволяющий освободиться от влияния априорных вероятностей, обеспечивающий эффективную интеграцию многоапьтернативного байесовского подхода и упорядочение признаков в соответствии с их информационной ценностью;

методология принятия многоальтернативного диагностического решения, обеспечивающая высокую точность дифференциальной диагностики осложнений.

Прастическая значимость и результаты внедрения.

В результате проведенного системного анализа инновационных технологий дифференциальной диагностики осложненных форм ИМ обоснована концепция разработки интегрированной системы прогнозирования вероятностной меры диагноза пациента.

Экспериментально доказано, что десяти клинико-лабораторных признаков достаточно для дифференциальной диагностики осложненных форм ИМ: лак-татдегидрогеназа-2, протромбиновый индекс, креатинкиназа, каолин - кефали-новое время свертывания АЧТВ, аспартатаминотрансфераза, Т-супрессоры, давление наполнения левого желудочка, частота сердечных сокращений, систолическое артериальное давление при поступлении, Т-лимфоциты.

Создана база знаний в экспертном модуле системы в рамках конкретной предметной области - "Осложненные формы ИМ". В программном комплексе предусмотрен переход в другую предметную область.

Проведенные исследования убедительно показали, что алгоритмическое формирование базы знаний в процессе обучения и специальная организация

экспертной системы позволяют принимать дифференциально-диагностические решения, превышающие возможности современного клинического опыта.

Результаты диссертации внедрены в практику кардиологического отделения Воронежской областной клинической больницы в виде программно-алгоритмического обеспечения дифференциальной диагностики осложненных форм ИМ.

Теоретические и практические результаты работы, реализованные автором в информационном комплексе дифференциальной диагностики осложненных форм ИМ, внедрены в учебный процесс на кафедре "Системный анализ и управление в медицинских системах" для студентов специальности 190500 "Биотехнические и медицинские аппараты и системы".

Апробация работы. Результаты диссертационной работы докладывались и обсуждались на следующих конференциях и семинарах: Всероссийской конференции "Интеллектуализация управления в социальных и экономических системах" (Воронеж, 2002), Региональной научно-технической конференции "Компьютерные технологии в промышленности и связи" (Воронеж, 2002), Всероссийской конференции "Интеллектуальные информационные системы" (Воронеж, 2002).

Публикации. Основное содержание диссертационной работы изложено в 18 печатных работах, в том числе учебном пособии. В работах, опубликованных в соавторстве и приведенных в конце автореферата, лично соискателю принадлежат: в [1] применение биомедицинских материалов (4 глава учебного пособия), в [12] анализ применения технологии концептуального моделирования СОМОЭ в медико-биологических системах, в [13] введение понятия индекса структурной организации, системный анализ асимметрии связей признаков.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, изложенных на 152 страницах, списка литературы (182 наименований), приложений, содержит 21 рисунок, 20 таблиц.

Во введении обосновывается актуальность работы, формируются цель и задачи исследования, основные научные результаты, выносимые на защиту, дается краткая характеристика работы.

Первая глава посвящена системному анализу современного состояния проблемы дифференциальной диагностики осложненных форм ИМ.

Проанализирован ряд работ по современным подходам к дифференциальной диагностике и прогнозированию осложненных форм ИМ с целью выделения адекватных и актуальных осложнений, этому заболеванию.

На основании теоретических рассуждений, информационных методов и концепций распознавания образов в медицинской диагностике рассмотрены различные системы классификаций дифференциально-диагностических систем.

Большее внимание уделяется рассмотрению вероятностных структур распознавания образов - модели Неймана-Пирсона, Вальда, Байеса, Фишера, прецедентов. Проведен системный анализ в виде сравнительной характеристики преимуществ и недостатков рассмотренных моделей. Исходя из требований предъявляемым к этим моделям, сформулированы цель и задачи исследования.

Во второй главе рассматривается одна из центральных проблем медицинской информатики - представление количественных наблюдений в форме частот. Ее решение позволяет не только адекватно сравнивать вариабельность выборок, извлеченных из разных распределений, но и эффективно извлекать и представлять знания в экспертных системах.

Предложен алгоритм формирования достоверной обучающей выборки для последующего моделирования осложненных форм ИМ в условиях неопределенности на основе построения матрицы связи, ее последующей диагонали-зации и выделения сильно связанных подмножеств (рис.1).

Поставлена оптимизационная, нелинейная задача в функционалах для нахождения оптимального разбиения медико-физиологических данных:

J ) ~ Psix'D,)) In -> max, (1)

где ps(x Di) - частота попадания значения признака х из множества {x}Dk в 5-й диапазон.

Для решения поставленной задачи предложен алгоритм формирования интервальных и бинарных (матричных) структур, который состоит из подготовительного этапа и этапа эвристического поиска.

Подготовительный этап.

Сформируем т векторов-образов, индуцируемых клиническими ситуациями Di, D2, ..., Dm, о состоянии N пациентов в пространстве признаков-Wd =(xki,xL2,...,xLl,...,xkVt),ke\,m}, где хк, = {xl,xl,...,x[,,...,xl) -

описание /-го (i = l,iV) пациента с к-м (к = \,т) диагнозом в и-мерном пространстве клинико-лабораторных признаков (j = \,п).

Найдем векторы минимальных и максимальных значений по j-му признаку:

= (2)

A = \aJ = min

Рассчитаем шаг дискретизации для j-го признака:

Рис. 1. Структурная схема алгоритма формирования достоверных объектов

гшп(ии й[{г/Л-Ы • (3)

С=Ы=1 с*Л

Разобьем интервал [о,, для каждого признака^ на 4 равных диапазона. Рассчитаем номера ключевых узлов дискретизации:

О, если 5 = 0,

¿-1 . . — /¡тцц*,-(а+ /£)),если5 = 1,3 (4)

¿ =

;=1

6-

+1, если 5 = 4.

5

и ключевые узлы дискретизации х" = а + 1"ё.

Этап эвристического поиска заключается в направленном варьировании положения каждого из четырех интервалов, пока значение суммарного функционала Кульбака (1) не станет максимальным.

Для этого вводится переменная $сй, отвечающая за мониторинг увеличения значения суммарного функционала Кульбака (в начале алгоритма ей присваивается значение ложь), и переменная 5 - счетчик интервалов.

Далее производится расчет текущего ключевого узла дискретизации, его номера и текущего значения функционала Кульбака. Если оно увеличилось по сравнению с новым значением функционала Кульбака, полученным на предыдущей итерации, то происходит фиксация нового ключевого узла дискретизации, его номера и нового значения функционала Кульбака. Значение логического ключа меняется на противоположное (с ложи на истину). Таким образом, ведется проверка по всем ключевым точкам и интервалам.

Если за весь проход алгоритма значение суммарного функционала Кульбака не увеличилось ни разу, то оптимальное разбиение найдено, иначе алгоритм повторяется сначала.

Структура разработанного алгоритма представлена на рис.2.

Предложенный алгоритм предусматривает: поиск глобального максимума, т.к. поиск ведется по всем ключевым точкам интервала и конечность алгоритма по причине мониторинга увеличения значения суммарного функционала Кульбака.

Приводится доказательство, что интервальные и бинарные структуры -эффективные инструменты формализации и представления знаний в экспертных системах, алгоритмически формирующих базу знаний, которые позволяют унифицировать разнообразную клинико-лабораторную информацию и легко модифицируются при увеличении эмпирического материала.

Приведены новые возможности извлечения содержательной информа-

исИ

Рис. 2. Эвристический алгоритм поиска максимума суммарного функционала Кульбака

ции из корреляционной матрицы, с помощью анализа корреляционного графа, который позволяет выявлять более длинные цепочки отношений между признаками, а не просто их парные связи.

Введено понятие биохронности - свойство двух признаков, когда корреляция, оцениваемая во времени у каждого человека, принадлежащего большинству определенной группы, гомологична корреляции этих признаков хотя бы для одного временного среза у всей группы.

В третьей главе рассматривается вопрос поиска оптимальной методологии для дифференциальной диагностики осложненных форм ИМ. На основе системного анализа приводится доказательство недостаточной состоятельности моделей Неймана-Пирсона, Вапьда, Байеса, Фишера и метода прецедентов для высокоточного прогноза диагноза пациента.

Предложен алгоритм разработки решающих правил, использующий стратегию Байеса, но освобожденный от влияния априорных вероятностей. Вероятность клинической ситуации А при значении признака х на (п - 1) - шаге вычисляется:

к=1

где п - № итерации; к - № диагноза. В этом алгоритме органически объединейы полезный элемент байесовского подхода (его многоальтернативность) и продуктивная идея неоднородного последовательного анализа (упорядочение признаков в соответствии с их информационной ценностью).

На основе матрицы соответствия рассчитываются метрические и информационные показатели качества алгоритмов.

С помощью анализа матрицы соответствия, предложена методика формирования подмножества информационно-ценных признаков (ИЦП) для модифицированного многошагового байесовского алгоритма (рис.3), которая дает право на исключение большего количества слабо информативных признаков. Эта методика дает возможность снизить время определения дифференциального диагноза, что весьма актуально при осложненных формах ИМ, и снижает расходы на весьма дорогие клинико-лабораторные анализы.

Обоснован методологический подход к получению оценки эффективности алгоритмов автоматической классификации данных - алгоритмов распознавания.

Информационные показатели эффективности алгоритма распознавания предложено формировать на основе энтропийных функционалов. Количество информации (информационная мера), получаемое от системы, оценивается по формуле:

Инициализация счетчика итераций к:=1

т

Формирование вектора признаков И = {>\,г2,.,.,гя} и значений информативностью функционала Кульбака J - {у1>у2,...,_/п)

Упорядочивание признаков по убыванию информативности функционала Кульбака:

Г ={г',Гг,...,гЦ} \ Г=Ы,Г2,..ЛУ, Л >7ы для

I

Формирование вектора информационно-ценных признаков Р={ г"}

т

Дифференциация пациентов основной группы по ш диагнозам за счет вектора информационно-ценных признаков Р

I

Построение матрицы соответствия А*

°П «12 •

4 = а21 а22 . •■ а2т

•' ^тту

Оценка функционала ошибки Тк ~ 1гасе(Е - А) = ]Г(1 - ап)

Присоединение к вектору ИЦП Р следующего по убыванию функционала Кульбака

Исключение последнего присоединенного признака из вектора ИЦП Р

ОСТАНОВКА

Увеличение счетчика итераций к: - к -1

Рис.3 Структурная схема алгоритма поиска ИЦП 10

1(Я,г) = 1{г,ч) = -¿г, 1о82(0) + ¿(г, | <?,)1ов2(г, | ч,), (7)

У=1 ¡=\ 1=1 т ___

У = 1>т> (г,\Ч,) = ач

где q¡ - безусловное распределение номеров класса на выходе и входе системы распознавания, - распределение появления объекта /-го класса при условии отнесения его распознающей системой к _/-му типу.

При сравнении систем распознавания с одинаковой априорной информацией о появлении типов распознаваемых объектов целесообразно перейти к относительной величине:

10=—ММ1--100%. (8)

'ЪчМгЧ,

ы

Приведено доказательство того, что информационный показатель эффективности алгоритмов распознавания, построенный на основе энтропии Шеннона, обладает лучшей чувствительностью к свойству различения классов объектов по сравнению с метрическими показателями.

В четвертой главе приводится анализ эффективности комплекса методов и алгоритмов интеллектуальной поддержки принятия решений при дифференциальной диагностике осложненных форм ИМ.

Рассмотрена в качестве эмпирического материала база данных кардиологического отделения Санкт-Петербургского государственного медицинского университета им. И.П. Павлова, сформированная на основании архивных историй болезни 1985 - 1992 г.г..

На основе алгоритма формирования обучающей выборки произведена диагонализация матрицы связи и проведена фильтрация данных первоначальной выборки - 39 из 774 больных были исключены из дальнейшего рассмотрения в виду неадекватности показателей их признаков.

Сформированы интервальные и бинарные структуры для дифференциальной диагностики осложненных форм ИМ (табл.).

Найдено подмножество информационно-ценных признаков для обеспечения высокоточного прогноза дифференциального диагноза: 1) лактатдегидроге-наза-2, 2) протромбиновый индекс, 3) креатинкиназа, 4) каолин - кефалиновое время свертывания АЧТВ, 5) аспартатаминотрансфераза, 6) Т-супрессоры, 7) давление наполнения левого желудочка, 8) частота сердечных сокращений, 9) систолическое артериальное давление при поступлении, 10) Т-лимфошпы.

Таблица - Вероятностные распределения градаций десяти признаков по семи

диагнозам, полученные с помощью программного модуля "Формирование ИЦП"

Признак Градация признака д ИАГНОЗЫ

1 2 3 4 5 6 7

1 <46,4 0,0033 0,2074 0,1237 0,2007 0,0167 0,2274 0,2207

<47,2 0,2059 0,1765 0,2059 0,1471 0,2059 0,0294 0,0294

>47,2 0,3312 0,0510 0,1401 0,0064 0,4586 0,0064 0,0064

2 <89,5 0,0787 0,4045 0,0112 0,0225 0,4607 0,0112 0,0112

<105 0,1723 0,1284 0,1149 0,2061 0,1385 0,0203 0,2196

< 109 0,0192 0,0192 0,5769 0,0385 0,0192 0,3077 0,0192

а 109 0,0189 0,0189 0,0189 0,0189 0,0189 0,8868 0,0189

3 <235 0,0076 0,0076 0,0076 0,0076 0,0833 0,3939 0,4924

<345 0,0094 0,0094 0,1038 0,0472 0,6698 0,1509 0,0094

<387 0,0110 0,3571 0,2912 0,3242 0,0055 0,0055 0,0055

>387 0,8000 0,1286 0,0143 0,0143 0,0143 0,0143 0,0143

4 <46,9 0,1195 0,1433 0,0034 0,2116 0,0751 0,2321 0,2150

<49,9 0,2667 0,3333 0,0667 0,0333 0,2444 0,0111 0,0444

¿49,9 0,0093 0,0374 0,5514 0,0093 0,3738 0,0093 0,0093

5 <79 0,0125 0,9125 0,0125 0,0125 0,0125 0,0250 0,0125

< 145 0,0071 0,0071 0,0071 0,0284 0,0213 0,4681 0,4610

<206 0,0097 0,0048 0,3043 0,2899 0,3816 0,0048 0,0048

>206 0,9032 0,0161 0,0161 0,0161 0,0161 0,0161 0,0161

6 <8,4 0,3563 0,1000 0,0188 0,0063 0,5063 0,0063 0,0063

< 13,4 0,0097 0,2427 0,3398 0,2816 0,0097 0,0971 0,0194

< 17,7 0,0050 0,1658 0,1357 0,1759 0,0050 0,2563 0,2563

> 17,7 0,0357 0,0714 0,0357 0,0357 0,0357 0,2857 0,5000

7 < 12,1 0,0077 0,1923 0,3923 0,3538 0,0077 0,0231 0,0231

< 14,3 0,0490 0,2000 0,0531 0,0735 0,1265 0,2653 0,2327

< 16,7 0,4946 0,0108 0,0108 0,0108 0,3871 0,0108 0,0753

> 16,7 0,0455 0,0455 0,0455 0,0455 0,7273 0,0455 0,0455

8 <78 0,0407 0,0081 0,0081 0,0325 0,1870 0,4146 0,3089

<96 0,1925 0,0235 0,0188 0,2770 0,2770 0,0798 0,1315

< 126 0,0903 0,4583 0,4167 0,0139 0,0069 0,0069 0,0069

> 126 0,1000 0,4000 0,1000 0,1000 0,1000 0,1000 0,1000

9 < 120 0,2407 0,2324 0,2656 0,0664 0,0166 0,0456 0,1328

< 145 0,0044 0,0833 0,0044 0,2149 0,2851 0,2544 0,1535

> 145 0,0476 0,0476 0,0476 0,0476 0,7143 0,0476 0,0476

10 <51,2 0,0135 0,3649 0,0135 0,0135 0,5541 0,0135 0,0270

<62,4 0,0037 0,1728 0,2132 0,0037 0,1250 0,2463 0,2353

<68,8 0,0135 0,0135 0,0811 0,8514 0,0135 0,0135 0,0135

>68.8 0,9048 0,0159 0,0159 0,0159 0,0159 0,0159 0,0159

Обоснована трехуровневая система представления знаний в разработанном комплексе. Самый высокий уровень - база целей, следующий уровень - база задач; на самом низком уровне хранятся решающие правила, разработанные в процессе взаимодействия "человек - ЭВМ" для решения интересующих пользователя задач - интервальные и бинарные (матричные) структуры вместе со стра-

тегией распознавания. Они и являются основными объектами базы знаний информационной системы.

Создана база знаний в экспертном модуле системы в рамках конкретной предметной области - "Осложненные формы ИМ". В программном комплексе предусмотрен переход из одной предметной области в другую.

Проведенные исследования убедительно показали, что алгоритмическое формирование базы знаний в процессе обучения и специальная организация экспертной системы позволяют принимать дифференциально-диагностические, прогностические и другие решения, превышающие возможности современного клинического опыта.

Разработан программный комплекс, состоящий из шести модулей: модуль формирования достоверной выборки; модуль формирования интервальных и бинарных структур; модуль анализа взаимосвязи медико-биологических признаков; модуль формирования информационно-ценных признаков; модуль прогнозирования осложненной формы ИМ; модуль анализа эффективности решающих правил (рис.4).

Рис. 4. Архитектура программного комплекса

Программный комплекс не является статистической системой. Прежде всего, он органически сопряжен с компьютерной историей болезни, что предоставляет ему исключительные возможности для проведения многогранных исследований. Кроме того, в нем нет избыточности: он содержит тщательно отобранные статистические функции, обеспечивающие адекватный анализ уникальной вариабельности медико-физиологических данных. Этим он принципиально отличается от статистических программ, в которых медико-биологические задачи решаются теми же средствами, что и технические, экономические, физические и другие задачи, структура данных которых может

13

быть очень далека от структуры данных, с которыми приходится сталкиваться в физиологии и медицине.

В заключении приводятся основные результаты работы.

Основные результаты работы:

1. На основе анализа современных подходов к дифференциальной диагностике и прогнозированию ИМ выявлена необходимость разработки высокоточных моделей, алгоритмов и информационного комплекса, обеспечивающих повышение эффективности ранней дифференциальной диагностики осложненных форм данного заболевания.

2. При выборе методики фильтрации в условиях неопределенности предложен алгоритм формирования обучающей выборки, позволяющий отказаться от субъективного мнения эксперта о пороговом значении степени достоверности объектов.

3. Разработана методика построения интервальных и бинарных (матричных) структур, обеспечивающая максимальное извлечение медико-физиологических знаний, приводящая к структурам, элементами которых являются патофизиологически значимые интервалы или прямоугольники проявления жизнедеятельности.

4. Новые возможности извлечения содержательной информации из корреляционной матрицы дает анализ корреляционного графа. Он позволяет выявлять более длинные цепочки отношений между признаками, а не просто их парные связи.

5. Интервальные и бинарные структуры в совокупности со стратегией распознавания образов - объект базы знаний интеллектуальных систем, не требующий при своем формировании экспертных медицинских и инженерных знаний высокого уровня.

6. Предложена методика разработки решающих правил при помощи модифицированного многошагового байесовского алгоритма, использующего стратегию Байеса, но освобожденного от влияния априорных вероятностей. В ней эффективно интегрированы полезный элемент байесовского подхода (его многоальтернативность) и продуктивная идея неоднородного последовательного анализа (упорядочение признаков в соответствии с их информационной ценностью).

7. Сформирована методология оценки эффективности применения решающих правил на основе метрических и информационных показателей.

8. Экспериментально определен минимальный набор информационно-ценных клинико-лабораторных признаков, достаточных и необходимых для высокоточной дифференциальной диагностики осложненных форм ИМ.

14

9. В экспертном модуле системы разработана трехуровневая база знаний в рамках предметной области - "Осложненные формы ИМ", из которой возможен переход в другую предметную область.

10. Разработана и внедрена автоматизированная система интеллектуальной поддержки принятия решений для дифференциальной диагностики осложненных форм ИМ в Воронежскую областную клиническую больницу и учебный процесс кафедры "Биотехнические и медицинские аппараты и системы" в Воронежский государственный технический университет.

Основные результаты диссертации опубликованы в следующих работах"

1. Материалы медицинского приборостроения: Учеб. пособие / Д.С.Запавский, О.Е.Работкина, К.А.Разинкин; Под ред. В.Н.Фролова. Воронеж: ВГТУ, 2000. 166с.

2. Залавский Д.С. Моделирование физиологических систем с учетом многопараметрических динамических изменений в состоянии патологии // Компьютеризация в медицине: Межвуз.сб.науч.тр. Воронеж: ВГТУ, 2000. С. 30-34.

3. Залавский Д.С. Информационные структуры медицинских данных // Оптимизация и моделирование в автоматизированных системах: Межвуз.сб.науч.тр. Воронеж: ВГТУ, 2001. 4.1. С. 196-200.

4. Залавский Д.С. Системный анализ как инструмент принятия решений // Оптимизация и моделирование в автоматизированных системах: Межвуз.сб.науч.тр. Воронеж: ВГТУ, 2001.4.1. С. 201-205.

5. Залавский Д.С. Построение алгоритма формирования интервальных и бинарных структур клинико-лабораторных данных // Проблемно - ориентированные системы управления: Вестник. ВГТУ, Вып.2.1. Воронеж: ВГТУ, 2001. С. 105-109.

6. Залавский Д.С. Методология медико-биологического познания // Интеллектуализация управления в социальных и экономических системах: Тр. Всерос. конф. Воронеж. ВГТУ, 2002. 151 с.

7. Залавский Д.С. Информационная поддержка клинических решений // Интеллектуализация управления в социальных и экономических системах: Тр. Всерос. конф. Воронеж: ВГТУ, 2002.165 с.

8. Залавский Д.С. Описание вариабельности выборок с помощью интервальных и бинарных структур // Оптимизация и моделирование в автоматизированных системах: Межвуз.сб.науч.тр. Воронеж: ВГТУ, 2002. С. 26-30.

9. Залавский Д.С. Применение функционала Кульбака для построения интервальных и бинарных структур // Компьютерные технологии в промышленности и связи: Материалы регион, науч.-техн. конф. Воронеж: ВГТУ, 2002. С. 251253.

10. Залавский Д.С. Информационная структура медицинских данных и многошаговый байесовский алгоритм // Интеллектуальные информационные системы: Тр. Всерос. конф. Воронеж: ВГТУ, 2002. 4.1. С. 57-58.

11. Залавский Д.С. Формирование подмножества информационно-ценных признаков для модифицированного многошагового байесовского алгоритма // Проблемно - ориентированные системы управления: Вестник. ВГТУ, Вып.2.2. Воронеж: ВГТУ, 2002. С. 87-89.

12. Залавский Д.С., Львович Я.Е. Анализ корреляционного графа медико-физиологических признаков // Высокие технологии в технике, медицине, экономике и образовании: Межвуз.сб.науч.тр. Воронеж: ВГТУ, 2002. 4.2. С. 1318.

13. Залавский Д.С., Львович Я.Е. Понятие индекса структурной организации // Прикладные задачи моделирования и оптимизации: Межвуз.сб.науч.тр. Воронеж: ВГТУ, 2002. С. 214-218.

14. Залавский Д.С. Формирование обучающей выборки для моделирования осложненных форм инфаркта миокарда // Высокие технологии в технике, медицине, экономике и образовании: Межвуз.сб.науч.тр. Воронеж: ВГТУ, 2002. 4.3. С. 26-32.

15. Залавский Д.С. Коллективы решающих правил // Интеллектуализация управления в социальных и экономических системах: Тр. Всерос. конф. Воронеж: ВГТУ, 2003. С. 40-41.

16. Залавский Д.С. Проблема ранней дифференциальной диагностики осложненных форм инфаркта миокарда // Интеллектуализация управления в социальных и экономических системах: Тр. Всерос. конф. Воронеж: ВГТУ, 2003. С. 212-213.

17. Залавский Д.С. Сравнительный анализ индивидуального и группового коэффициентов корреляции // Интеллектуализация управления в социальных и экономических системах: Тр. Всерос. конф. Воронеж: ВГТУ,

2003. 145 с.

ЛР № 066815 от 25.08.99. Подписано в печать 08.07.2003. . Формат 60x84/16. Бумага для множительных аппаратов. Усл.печ.л. 1,0. Тираж 90 экз. Заказ №

Воронежский государственный технический университет 394026 Воронеж, Московский пр., 14

!

i

«8 1 0 8 9 0

I

I

I

)

I

I

ВВЕДЕНИЕ.

1 СИСТЕМНЫЙ АНАЛИЗ СОВРЕМЕННОГО СОСТОЯНИЯ ПРОБЛЕМЫ ДИФФЕРЕНЦИАЛЬНОЙ ДИАГНОСТИКИ ОСЛОЖНЕННЫХ

ФОРМ ИНФАРКТА МИОКАРДА.

1.1 Подходы к дифференциальной диагностике и прогнозированию осложненных форм инфаркта миокарда.

1.2 Анализ методов и концепций распознавания образов в медицинской диагностике.

1.3 Цель и задачи исследования.

2 АЛГОРИТМИЗАЦИЯ ФОРМИРОВАНИЯ ИНТЕРВАЛЬНЫХ И БИНАРНЫХ СТРУКТУР.

2.1 Формирование обучающей выборки для моделирования осложненных форм инфаркта миокарда.

2.2 Разработка алгоритма формирования интервальных и бинарных структур.

2.3 Анализ взаимосвязи медико-биологических признаков при помощи построения корреляционного графа.

Выводы второй главы.

3 МОДЕЛИРОВАНИЕ РЕШАЮЩИХ ПРАВИЛ ДЛЯ ПРОГНОЗИРОВАНИЯ ДИАГНОЗА ОСЛОЖНЕННОЙ ФОРМЫ ИНФАРКТА МИОКАРДА.

3.1 Разработка модифицированного многошагового байесовского алгоритма как основной стратегии распознавания.

3.2 Формирование подмножества информационно-ценных признаков для модифицированного многошагового байесовского алгоритма.

3.3 Разработка методов построения показателей эффективности применения стратегии распознавания.

Выводы третей главы.

4 АНАЛИЗ ЭФФЕКТИВНОСТИ КОМПЛЕКСА МЕТОДОВ И АЛГОРИТМОВ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПРИ ДИФФЕРЕНЦИАЛЬНОЙ ДИАГНОСТИКЕ ОСЛОЖНЕННЫХ ФОРМ ИНФАРКТА МИОКАРДА.

4.1 Анализ показателей эффективности дифференциальной диагностики осложненных форм инфаркта миокарда.

4.2 База знаний и экспертный модуль системы дифференциальной диагностики

4.3 Структура программно-алгоритмического обеспечения информационной системы диагностики.

Выводы четвертой главы.

Актуальность темы. В настоящее время одной из наиболее острых проблем ургентной терапии является инфаркт миокарда (ИМ). В России ИМ в структуре госпитализированных больных составляет около 7 % [143]. В структуре смертности от ишемической болезни сердца ИМ занимает первое место и составляет 0,9 % у лиц 30-39-летнего возраста, 10,5 % в возрасте 4049 лет, 29,5 % - 50-59 лет и 41,1 % - у лиц старше 60 лет [31].

Тяжесть ИМ, частота смертельных исходов, длительность госпитального лечения и реабилитации, последующая инвалидизация пациентов, а следовательно, и экономические затраты всецело определяются осложненными формами этого заболевания [103]. Среди них наиболее опасны и в то же время наиболее распространены: кардиогенный шок, аритмический синдром, фибрилляция желудочков, острая левожелудочковая недостаточность - отек легких, разрыв миокарда [31, 165]. Актуальной сохраняется проблема развития поздних осложнений - эпистенокардитического перикардита и синдрома Дреслера, а также рецидивирующего течения ИМ [34,131].

Современная медицина имеет ограниченные возможности ранней диагностики патологических заболеваний, не обладает достаточными сведениями о патогенезе атеросклероза, гипертонии и нарушения сердечного ритма [9, 116], о механизмах гомеостаза жизненно-важных патологических процессов [116].

Современная наука только приближается к пониманию пространственно-временной организации физиологических процессов, и ценнейшая информация, заключенная в реограмме, кардиограмме, мониторинге артериального давления и пульса, пока не может быть использована для осознания фундаментальных механизмов регуляции процессов жизнедеятельности [34].

В связи с этим возникла потребность отталкиваться не от существующих медико-физиологических знаний, которые трудно формализовать даже тогда, когда они есть, и принципиально невозможно, когда их нет, а от эмпирических данных - данных историй болезни и протоколов экспериментов [10, 40, 104].

Существующие информационные методы диагностики осложненных форм ИМ оказываются в большинстве своем малоэффективными [108]. Многие исследователи в данной области пренебрегают тем, что распространенные методы многомерной статистики имеют ограниченное применение в медицине [13, 151], методологически неграмотно представлять результаты исследований в форме "среднее арифметическое ± ошибка средней" [96], из множества клинических, лабораторных и инструментальных признаков необходимо извлекать минимальные подмножества, важные для понимания патогенеза клинической ситуации и достаточные для решения конкретной диагностической задачи [124, 125].

Проблема диссертационного исследования заключается в высокой летальности ИМ [103, 131, 165] и низкой достоверности существующих моделей и алгоритмов ранней дифференциальной диагностики осложнений данного заболевания [31, 34].

Таким образом, актуальность темы диссертационной работы определяется необходимостью создания таких методов анализа эмпирических медицинских данных, которые бы с одной стороны не противоречили методологическому аспекту области применения, а с другой стороны обеспечивали более высокую точность дифференциальной диагностики осложненных форм ИМ по сравнению с другими известными методами.

Диссертационная 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 "Биомедкибернетика, компьютеризация в медицине".

Цель и задачи исследования. Целью исследования является разработка моделей, алгоритмов и информационного комплекса, обеспечивающих повышение эффективности ранней дифференциальной диагностики осложненных форм ИМ с помощью построения нечетких вероятностных процедур анализа эмпирических данных, а также создание методологии принятия многоальтернативного диагностического решения для обеспечения высокой точности дифференциальной диагностики осложнений.

Для достижения поставленной цели необходимо решить следующие задачи: проанализировать пути повышения эффективности прогностических оценок диагностики осложненных форм ИМ с помощью методов биометрической статистики, имитационного моделирования и непараметрических методов распознавания образов; разработать алгоритм формирования обучающей выборки для получения достоверных объектов на основе диагонализации матрицы связи и выделения сильно связанных подмножеств; разработать методику построения интервальных и бинарных (матричных) структур для дальнейшей дифференциальной диагностики, обеспечивающую максимальное извлечение медико-физиологических знаний; смоделировать решающие правила для информационной поддержки клинических решений на основе системного подхода и методологии распознавания образов, сформировать оценки эффективности применения решающих правил на основе метрических и информационных показателей; внедрить информационный комплекс по дифференциальной диагностики осложненных форм ИМ в клиническую практику на региональном уровне.

Методы исследования. В работе использованы методы системного анализа, распознавания образов, экспертного оценивания, имитационного моделирования, основные положения теории вероятности, математической статистики и теории управления биосистемами.

Научная новизна. В диссертации получены следующие основные результаты, характеризующиеся научной новизной: алгоритм формирования обучающей выборки на основе процесса диа-гонализации матрицы связи, позволяющий отказаться от субъективного мнения эксперта о пороговой степени достоверности объектов; способ введения вероятностной меры, формирующий интервальные и бинарные структуры, отличающийся возможностью эффективного анализа патофизиологически значимых интервалов или прямоугольников проявления жизнедеятельности; интервальные и бинарные структуры в совокупности со стратегией распознавания образов, представляющие собой объект базы знаний интеллектуальных систем, не требующие при своем формировании экспертных медицинских знаний высокого уровня; модифицированный многошаговый байесовский алгоритм, позволяющий освободиться от влияния априорных вероятностей, обеспечивающий эффективную интеграцию многоальтернативного байесовского подхода и упорядочение признаков в соответствии с их информационной ценностью; методология принятия многоальтернативного диагностического решения, обеспечивающая высокую точность дифференциальной диагностики осложнений.

Практическая ценность и реализация результатов работы. В результате проведенного системного анализа инновационных технологий дифференциальной диагностики осложненных форм ИМ обоснована концепция разработки интегрированной системы прогнозирования вероятностной меры диагноза пациента.

Экспериментально доказано, что десяти клинико-лабораторных признаков достаточно для дифференциальной диагностики осложненных форм ИМ: лактатдегидрогеназа-2, протромбиновый индекс, креатинкиназа, каолин - кефалиновое время свертывания АЧТВ, аспартатаминотрансфераза, Т-супрессоры, давление наполнения левого желудочка, частота сердечных сокращений, систолическое артериальное давление при поступлении, Т-лимфоциты.

Создана база знаний в экспертном модуле системы в рамках конкретной предметной области - "Осложненные формы ИМ". В программном комплексе предусмотрен переход в другую предметную область.

Проведенные исследования убедительно показали, что алгоритмическое формирование базы знаний в процессе обучения и специальная организация экспертной системы позволяют принимать дифференциально-диагностические решения, превышающие возможности современного клинического опыта.

Результаты диссертации внедрены в практику кардиологического отделения Воронежской областной клинической больницы в виде программно-алгоритмического обеспечения дифференциальной диагностики осложненных форм ИМ.

Теоретические и практические результаты работы, реализованные автором в информационном комплексе дифференциальной диагностики осложненных форм ИМ, внедрены в учебный процесс на кафедре "Системный анализ и управление в медицинских системах" для студентов специальности 190500 "Биотехнические и медицинские аппараты и системы".

Апробация работы. Результаты диссертационной работы докладывались и обсуждались на следующих конференциях и семинарах: Всероссийской конференции "Интеллектуализация управления в социальных и экономических системах" (Воронеж, 2002), Региональной научно-технической конференции "Компьютерные технологии в промышленности и связи" (Воронеж, 2002), Всероссийской конференции "Интеллектуальные информационные системы" (Воронеж, 2002).

Публикации. Основное содержание диссертационной работы изложено в 17 печатных работах, в том числе учебном пособии. В работах, опубликованных в соавторстве и приведенных в конце автореферата, лично соискателю принадлежат: в [1] применение биомедицинских материалов (4 глава учебного пособия), в [12] анализ применения технологии концептуального моделирования COMOD в медико-биологических системах, в [13] введение понятия индекса структурной организации, системный анализ асимметрии связей признаков.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, изложенных на 152 страницах машинописного текста, списка литературы (182 наименований), приложений, содержит 21 рисунок, 20 таблиц.

ВЫВОДЫ ЧЕТВЕРТОЙ ГЛАВЫ

1. Экспериментально доказано, что десяти клинико-лабораторных признаков достаточно для дифференциальной диагностики осложненных форм инфаркта миокарда: лактатдегидрогеназа-2, протромбиновый индекс, креа-тинкиназа, каолин - кефалиновое время свертывания АЧТВ, аспартатами-нотрансфераза, Т-супрессоры, давление наполнения левого желудочка, частота сердечных сокращений, систолическое артериальное давление при поступлении, Т-лимфоциты.

2. Получено 1 048 576 градаций десяти признаков "все со всеми", которые верно распознали 488 пациентов из 490 в основной группе (99,59 %) и 243 пациентов из 245 в контрольной группе (99,18 %). Поэтому применение решающих правил для дифференциальной диагностики осложненных форм инфаркта миокарда дает более точные результаты, по сравнению с известными методами распознавания образов.

3. С гносеологической точки зрения, интервальные и бинарные структуры вместе со стратегией распознавания - это не просто результат статистического анализа эмпирических данных, а механизм дедукции, выполняющий функцию логического вывода.

4. База знаний в экспертном модуле системы создана в рамках конкретной предметной области - "Осложненные формы инфаркта миокарда". В программном комплексе предусмотрен переход в другую предметную область.

5. Проведенные исследования убедительно показали, что алгоритмическое формирование базы знаний в процессе обучения и специальная организация экспертной системы позволяют принимать дифференциально-диагностические решения, превышающие возможности современного клинического опыта.

ЗАКЛЮЧЕНИЕ

В результате проведенной работы по разработке высокоточных моделей, алгоритмов и информационного комплекса, обеспечивающих повышение эффективности ранней дифференциальной диагностики осложненных форм инфаркта миокарда были получены следующие результаты.

1. На основе анализа современных подходов к дифференциальной диагностике и прогнозированию ИМ выявлена необходимость разработки высокоточных моделей, алгоритмов и информационного комплекса, обеспечивающих повышение эффективности ранней дифференциальной диагностики осложненных форм данного заболевания.

2. При выборе методики фильтрации в условиях неопределенности предложен алгоритм формирования обучающей выборки, позволяющий отказаться от субъективного мнения эксперта о пороговом значении степени достоверности объектов.

3. Разработана методика построения интервальных и бинарных (матричных) структур, обеспечивающая максимальное извлечение медико-физиологических знаний, приводящая к структурам, элементами которых являются патофизиологически значимые интервалы или прямоугольники проявления жизнедеятельности.

4. Новые возможности извлечения содержательной информации из корреляционной матрицы дает анализ корреляционного графа. Он позволяет выявлять более длинные цепочки отношений между признаками, а не просто их парные связи.

5. Интервальные и бинарные структуры в совокупности со стратегией распознавания образов - объект базы знаний интеллектуальных систем, не требующий при своем формировании экспертных медицинских и инженерных знаний высокого уровня.

6. Предложена методика разработки решающих правил при помощи модифицированного многошагового байесовского алгоритма, использующего стратегию Байеса, но освобожденного от влияния априорных вероятностей. В ней эффективно интегрированы полезный элемент байесовского подхода (его многоальтернативность) и продуктивная идея неоднородного последовательного анализа (упорядочение признаков в соответствии с их информационной ценностью).

7. Сформирована методология оценки эффективности применения решающих правил на основе метрических и информационных показателей.

8. Экспериментально определен минимальный набор информационно-ценных клинико-лабораторных признаков, достаточных и необходимых для высокоточной дифференциальной диагностики осложненных форм ИМ.

9. В экспертном модуле системы разработана трехуровневая база знаний в рамках предметной области - "Осложненные формы ИМ", из которой возможен переход в другую предметную область.

10. Разработана и внедрена автоматизированная система интеллектуальной поддержки принятия решений для дифференциальной диагностики осложненных форм ИМ в Воронежскую областную клиническую больницу и учебный процесс кафедры "Биотехнические и медицинские аппараты и системы" в Воронежский государственный технический университет.

1. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика, 1989. 606с.

2. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Исследование зависимостей. М.: Финансы и статистика, 1983.

3. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983. 472с.

4. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Исследование зависимостей. М.: Финансы и статистика, 1985.

5. Айвазян С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики. М.: ЮНИТИ, 1998. 1022с.

6. Айзерман М.А., Браверман Э.М., Розоноэр Л.И. Метод потенциальных функций в теории обучения машин. М.: Наука, 1970.

7. Алмазов В.А., Чирейкин Л.В. Трудности и ошибки диагностики заболеваний сердечно-сосудистой системы. Л.: Медицина, 1985.

8. Амосов Н.М., Зайцев Н.Г., Мельников A.A. Медицинская информационная система. Киев: Наукова думка, 1971.

9. И. Амосов Н.М., Палец Б.Л., Агапов Б.Г. Теоретические исследования физиологических систем. Математическое моделирование. Киев: Наукова думка, 1977. - 245с.

10. Анонченко В.Г. Прогнозирование течения и исходы острого инфаркта миокарда // Сов. медицина. 1988. № 5. С. 3-6.

11. Антомонов Ю.Г. Моделирование биологических систем. Справочник. К.: Наукова думка, 1977.

12. Афифи А., Эйзен С. Статистический анализ: подход с использованием ЭВМ. Пер. с англ. М.: Мир, 1982. - 488с.

13. Ахутин В.М. Анализ и синтез биотехнических систем // Моделирование физиологических и биологических процессов. М. 1977. С. 37.

14. Балантер Б. И. Вероятностные модели в физиологии. М., Наука, 1977. 252с.

15. Балантер Б.И., Ханин М.А., Чернавский Д.С. Введение в математическое моделирование патологических процессов. М.: Медицина, 1980.-264с.

16. Барабаш ЮЛ., Барский Б.В., Зиновьев В.Т. Вопросы статистической теории распознавания. М.: Советское радио, 1967.

17. Бейли Н. Математика и биология в медицине. М.: Мир, 1970.-269с.

18. Бейли Н. Статистические методы в биологии / Пер. с англ.: Под ред. В.В. Налимова. М.: Изд-во «Иностр.лит.», 1962.

19. Беллман Р. Математические методы в медицине / Пер. с англ.: Под ред. JI.H. Белых. М.: Мир, 1987. - 200 с.

20. Белоцерковский О.М., Виноградов A.A., Глазунов A.C. Метод раннего прогнозирования клинического течения острого инфаркта миокарда и определение эффективности средств, предлагаемых для его терапии // Информатика и медицина. М.: Наука, 1997. - С. 72-119.

21. Браверман Э.М. Диагонализация матрицы связи и выявление скрытых факторов. В кн.: Сборник трудов Института проблем управления. Вып. 1. Проблемы расширения возможностей автоматов. - М.: Институт проблем управления АН СССР, 1971 - С. 42-79.

22. Браверман Э.М., Мучник И.Б. Структурные методы обработки эмпирических данных. М.: Наука, 1983. 432с.

23. Бухштабер В.М., Зеленюк Е.А., Зубенко A.A. Конструирование интерактивных систем анализа данных. М.: Финансы и статистика, 1989.

24. Вальд А. Последовательный анализ / Пер. с англ.; Под ред.

25. B.А. Севастьянова. М.: Наука, 1960.

26. Вальд А. Статистические решающие функции // Позиционные игры; Под ред. H.H. Воробьева и H.H. Врублевской. М.: Наука, 1967.1. C. 300-522.

27. Ван дер Варден Б.Л. Математическая статистика / Пер.с нем.; Под ред. Н.В.Смирнова, М.: Изд-во «Инострлит.», 1960.

28. Вапник В.Н., Червоненкис A.J1. Теория распознавания образов (статистические проблемы обучения). М.: Наука. 1974.

29. Вентцель Е.С. Теория вероятностей. М.: Наука, 1998.

30. Виноградов A.B., Вихерт A.M., Дорофеева 3.3., Чазов Е.И. Инфаркт миокарда. М.: Медицина, 1971. 312с.

31. Вишнев С.М. Основы комплексного прогнозирования. М.: Наука, 1977.-287с.

32. Ганелина И.Е., Бриккер В.Н., Вольперт Е.И. Острый период инфаркта миокарда. Д.: Медицина, 1970. -288с.

33. Ганелина И.Е., Шальнев В.И., Дерягина Г.Г. Диагностика и лечение инфаркта миокарда. Тбилиси, 1987. 130с.

34. Гантмахер Ф. Р. Теория матриц. М.: Наука, 1967. 576 с.

35. Гельфанд И.М. Лекции по линейной алгебре. М.:ГИТЛ,1951.

36. Гельфанд И.М., Губерман Ш.А., Сыркин А.Л. Прогнозирование исхода инфаркта миокарда с помощью программы "Кора-3" // Кардиология. 1987. №6. С. 19-23.

37. Гельфанд И.М., Розенфельд Б.И., Шифрин М.А. Очерки о совместной работе математиков и врачей. М.: Наука, 1989.

38. Гельфанд И.М., Семенюк Э.П. Некоторые задачи классификации и прогнозирования из различных областей медицины // Вопросы кибернетики, 1985. Вып. 112. - С. 65-127.

39. Гизатулин Ш.Х., Амиров А.Х. Компьютерные истории болезни // Terra Medica, 1996. №2. - С. 2-5.

40. Глакц С. Медико-биологическая статистика / Перевод с англ.; Под ред. Н.Е. Бузикашвили и Д.В. Самойлова. М.: Практика, 1999.

41. Гласе Дж., Стэнли Дж. Статистические методы в педагогике и психологии / Пер. с англ; Под ред. Ю.П. Адлера. М.: Прогресс, 1976.

42. Горботовский Я.А., Филимонов С.Н., Лотош Е.А. Прогнозирование вероятности инфаркта миокарда по генетическим и фенотипиче-ским маркерам // Терапевт, архив. 1996. № 9. С. 42-47.

43. Горелик A.J1. Скрипкин В.А. Методы распознавания: Учеб. пособие. 2-е изд. - М.: Высш. шк., 1984. - 209с.

44. Горелик A.JI. Современное состояние проблемы распознавания: Некоторые аспекты / A.JI. Горелик, И.Б. Гуревич, В.А. Скрипкин. -М.: Радио и связь, 1985. 160с.

45. Гроссман С., Тернер Дж. Математика для биологов // Пер. с англ; Под ред. Ю.М. Свирежева. М.: Высш. шк., 1983.

46. Гублер Е.В. Вычислительные методы анализа и распознавания патологических процессов. JL: Медицина, 1978. - 294с.

47. Гублер Е.В.- Вычислительные методы распознавания патологических процессов. JL: Медицина, 1970.

48. Гублер Е.В. Информатика в патологии, клинической медицине и педиатрии. Л.: Медицина, 1990. 210с.

49. Делекторская Л.И., Пименова Л.М., Кадашева О.Г. Оценка диагностической информативности лабораторных тестов // Клин. лаб. диагн. -1992. № 1-2. - С. 49-58.

50. Денисенко Б.А. Инфаркт миокарда правого и левого желудочков: математическая диагностика, коррекция нарушений гемодинамики / Под ред. М.Н. Цинникера, Ю.А. Воронина. Новосибирск: Наука, 1987. 192с.

51. Дитятев В.П. Динамическая оценка тяжести состояния и ближайшего прогноза больных острым инфарктом миокарда с помощью больничного индекса тяжести // ИБС и нарушения сердечного ритма. Свердловск, 1988. С. 52-56.

52. Дорофеюк A.A. Алгоритмы автоматической классификации (обзор). Автоматика и телемеханика, 1971, №12 - С. 23-31.

53. Дунаевский O.A., Михеев В.А., Колесников О.Д. // Программные процессы и системы. 1989. - №4. - С. 42-45.

54. Елисеева И.И., Руковишников В.О. Группировка, корреляция, распознавание образов. М.: Статистика, 1977.

55. Енюков И.С. Методы, алгоритмы, программы многомерного статистического анализа. М.: Финансы и статистика, 1986. 174с.

56. Жамбю М. Иерархический кластер-анализ и соответствия / Пер. с фр. М.: Финансы и статистика. 1988. 342с.

57. Загорулько Н.Г. Методы распознавания и их применение. -М.: Радио и связь, 1972.

58. Заде J1.A. Размытые множества и их применение в распознавании образов и кластер-анализе // Классификация и кластер. М.: Мир, 1980.-392с.

59. Залавский Д. С. Информационная поддержка клинических решений // Тез. докл. Всероссийской конференции "Интеллектуализация управления в социальных и экономических системах". Воронеж: ВГТУ, 2002. 165с.

60. Залавский Д.С. Информационная структура медицинских данных и многошаговый байесовский алгоритм // Тез. докл. Всероссийской конференции "Интеллектуальные информационные системы". Воронеж: ВГТУ, 2002. 4.1. С. 57-58.

61. Залавский Д.С. Информационные структуры медицинских данных // Оптимизация и моделирование в автоматизированных системах: Межвузовский сборник научных трудов. Воронеж: ВГТУ, 2001. 4.1. -С. 196-200.

62. Залавский Д.С. Коллективы решающих правил // Тез. докл. Всероссийской конференции " Интеллектуализация управления в социальных и экономических системах". Воронеж: ВГТУ, 2003. С. 40-41.

63. Залавский Д.С. Методология медико-биологического познания // Тез. докл. Всероссийской конференции "Интеллектуализация управления в социальных и экономических системах". Воронеж: ВГТУ, 2002.-151с.

64. Залавский Д.С. Моделирование физиологических систем с учетом многопараметрических динамических изменений в состоянии патологии // Компьютеризация в медицине: Межвузовский сборник научных трудов. Воронеж: ВГТУ, 2000. С. 30-34.

65. Залавский Д.С. Описание вариабельности выборок с помощью интервальных и бинарных структур // Оптимизация и моделирование в автоматизированных системах: Межвузовский сборник научных трудов. Воронеж: ВГТУ, 2002. С. 26-30.

66. Залавский Д.С. Построение алгоритма формирования интервальных и бинарных структур клинико-лабораторных данных // Проблемно ориентированные системы управления: Вестник. Воронеж: ВГТУ, 2001. Выпуск.2.1. - С. 105-109.

67. Залавский Д.С. Применение функционала Кульбака для построения интервальных и бинарных структур // Компьютерные технологии в промышленности и связи: Материалы региональной научно-технической конференции. Воронеж: ВГТУ, 2002. С. 251-253.

68. Залавский Д.С. Сравнительный анализ индивидуального и группового коэффициентов корреляции // Тез. докл. Всероссийской конференции "Интеллектуализация управления в социальных и экономических системах". Воронеж: ВГТУ, 2003. 145 с.

69. Залавский Д.С. Формирование обучающей выборки для моделирования осложненных форм инфаркта миокарда // Высокие технологии в технике, медицине, экономике и образовании: Межвузовский сборник научных трудов. Воронеж: ВГТУ, 2002. Ч.З. С. 26-32.

70. Залавский Д.С. Формирование подмножества информационно-ценных признаков для модифицированного многошагового байесовского алгоритма // Проблемно ориентированные системы управления: Вестник. Воронеж: ВГТУ, 2002. Выпуск.2.2. - С. 87-89.

71. Залавский Д.С., Львович Я.Е. Анализ корреляционного графа медико-физиологических признаков // Высокие технологии в технике, медицине, экономике и образовании: Межвузовский сборник научных трудов. Воронеж: ВГТУ, 2002. 4.2. С. 13-18.

72. Залавский Д.С., Львович Я.Е. Понятие индекса структурной организации // Прикладные задачи моделирования и оптимизации: Межвузовский сборник научных трудов. Воронеж: ВГТУ, 2002. С. 214-218.

73. Зацепина С.А., Львович Я. Е., Фролов М.В. Управление в биотехнических и медицинских системах / Под ред. В.Н. Фролова: Учеб.пособие. Воронеж: ВГТУ, 1994. 145с.

74. Информатика и медицина: Сборник статей. М.: Наука, 1997.

75. Искусственный интеллект. Справочник. Т. 1,2/ Под ред. Э.И. Попова. М.: Радио и связь, 1990. 340с.

76. Исскуственный интеллект. Модели и методы. Справочник. Кн.2 / Под ред. Д.А. Поспелова. М.: Радио и связь, 1990.

77. Исследования по общей теории систем: Сборник переводов / Под ред. В.Н. Садовского и Э.Г. Юдина. М.: Прогресс, 1969.

78. Кабаси X. Методы и проблемы извлечения знаний // Приобретение знаний/ Пер. с англ.; Под ред. Н.Г. Волкова. М.: Мир, 1990. -С. 68-88.

79. Кант В.И. Методология системного подхода и ее применение в практике здравоохранения. М.: Медицина, 1978. 135с.

80. Капекки В., Меллер Ф. Выявление информативных признаков и группировка // Математика в социологии. М.: Мир, 1977. С. 301-338.

81. Качанова Т.Д., Фомин Б.Ф. Реконструктивный анализ поведения сложных систем по эмпирическим данным. СПбГЭТУ, 1997. Препринт № 1.

82. Кендалл М., Стюарт А. Статистические выводы и связи / Пер.с англ.; Под ред. А.Н. Колмогорова и Ю.В. Прохорова. М.: Наука, 1973.

83. Клир Дж. Системология. Автоматизация решения системных задач / Пер. с англ; Под ред. А.Н. Горлина. М.: Радио и связь, 1990.

84. Колмогоров А.Н. Предисловие редактора перевода книги84.

85. Кристофидес Н. Теория графов. Алгоритмический подход. -М.: Мир, 1978.-432с.

86. Куимов А.Д., Якобсон Г.И. Инфаркт миокарда: клинические и патофизиологические аспекты. Новосибирск: Изд-во Новосибирского ун-та, 1992.-48с.

87. Кульбак С. Теория информации и статистика / Пер. с англ.; Под ред. А.Н. Колмогорова. М.: Наука, 1967.

88. Курант Р., Гильберт Д. Методы математических функций. Т.1. М.: Гостехиздат, 1981.

89. Куренков Н. И., Лебедев Б. Д. Энтропийные методы определения обобщенных характеристик систем в задачах механики // Механика композиционных материалов и конструкций. Т.З., 1997. № 3. С. 97-105.

90. Кутузова А.Э. Применение проб с изометрической физической нагрузкой у больных инфарктом миокарда на этапах реабилитации // Автореф. дисс. канд. мед. наук. СПб, 1996.

91. Ларичев О.И., Мечитов А.И., Мошкович Е.М., Фуремс Е.М. Выявление экспертных знаний. М.: Наука, 1989.

92. Ластед Л. Введение в проблему принятия решений в медицине / Пер. с англ; Под. ред. М.Л.Быховского. М.: Мир, 1971.

93. Лбов Г.С., Котюков В.И., Манохин А.Н. Об одном алгоритме распознавания в пространстве разнотипных признаков // Вычислительные системы. Новосибирск, 1973. Вып. 55. С. 108-118.

94. Леонов В.П., Ижевский П.В. Об использовании прикладной статистики при подготовке диссертационных работ по медицинским и биологическим специальностям // Бюлл. ВАК РФ. 1997. - № 5. - С. 56-61.

95. Ловриненко A.M. Экономические аспекты снижения заболеваемости болезнями системы кровообращения // Сов. здравоохр. 1983. № 4.-25с.

96. Лопаткин H.A., Лопухин Ю.М. Эфферентные методы в медицине. М.: Медицина, 1989. 350с.

97. Лорьер Ж.Л. Системы искусственного интеллекта / Пер. с франц. М.: Мир, 1990. 378с.

98. Львович И.Я., Федорков Е.Д. Математические основы информатики, Воронеж: изд. ВГТУ, 1997. -98с.

99. Львович Я.Е. Управление в биологических и медицинских системах / Я.Е. Львович, М.В. Фролов. Воронеж: ВГТУ, 1994. 183с.

100. Маколкин М.Д. Экспериментальные статистические методы построения алгоритмов прогноза инфарктов миокарда // Мед. техника. 1988. №6.-С. 16-22.

101. Малая Л.Т. Неосложненные и осложненные формы заживления инфаркта миокарда. Киев.: Здоровье, 1992. 130с.

102. Малета Ю.С., Тарасов В.В Математические методы статистического анализа в биологии и медицине, Вып. 2. М.: Изд-во МГУ, 1982.

103. Малета Ю.С., Тарасов В.В. Математические методы статистического анализа в биологии и медицине. Вып. 1. — М.: Изд-во МГУ,1982.

104. Мартыненко В.Ф. Классификация прогнозов и методов прогнозирования. М.: ЦИУВ, 1973. - 23с.

105. Материалы медицинского приборостроения: Учеб. пособие / Д.С. Залавский, O.E. Работкина, К.А. Разинкин; Под ред. В.Н. Фролова. Воронеж: Изд-во ВГТУ, 2000. 166с.

106. Меньшиков В.В, Пимеяова Л.М. Методические рекомендации по разработке референтных величин лабораторных показателей. — М.,1983.

107. Меньшиков В.В. Клиницист и лаборатория в диагностическом диалоге // Клинический диагноз лабораторные основы / Под ред. В.В. Меньшикова. - М.: 1997. - 22с.

108. Месарович М. Общая теория систем и ее математические основы // Исследования по общей теории систем. Сб. переводов; Под ред. В.Н. Садовского и Э.Г. Юдина. М.: Прогресс, 1969. - С. 165-180.

109. Месарович М. Теория систем и биология: точка зрения теоретика // Системные исследования. Ежегодник. М., 1970. - С. 137-164.

110. Минцер О.П., Цуканов Ю.Т. Клиническое прогнозирование. -Киев, 1983.

111. Моделирование биотехнических и медицинских систем: Учеб. пособие / Я.Е. Львович, М.В. Фролов, К.А. Разинкин и др.; Под ред. В.Н. Фролова. Воронеж: Изд-во ВГТУ, 1994. С. 114-119, 157-161, 165-169, 176-180.

112. Неймарк Ю.И. Распознавание образов и медицинская диагностика / Ю.И. Неймарк, З.С. Баталова, Ю.Г. Васин, М.Д. Бредо, М.: Наука, 1972. 328с.

113. Осипов Г.С. Приобретение знаний интеллектуальными системами. М.: Наука, 1997.

114. Ошибки клинической диагностики / Под ред. С.С. Вайля. JT.: Медгиз. 1961.

115. Переверзев-Орлов B.C. Проблемы и концепции построения интеллектуальных партнерских систем // Компьютеры и познание. -М.: 1990. С. 52- 57.

116. Перегудов Ф.И. Тарасенко Ф.П. Введение в системный анализ М.: Высшая школа, 1989. - 368с.

117. Пименов JI.T. Современные лабораторно-инструментальные и математические методы в диагностике, терапии и реабилитации инфаркта миокарда. Горький: Изд-во ГМИ, 1986. 46с.

118. Поллард Дж. Справочник по вычислительным методам / Пер. с англ.; Под ред. П.П. Пархоменко. М.: Энергия, 1982. 344с.

119. Поспелов Г.С. Искусственный интеллект основа новой информационной технологии. - М.: Наука, 1988.

120. Построение экспертных систем / Под ред. Ф. Хейес-Рота, Д. Уотермана, Д. Лената / Пер. с англ.; Под ред. В.Л. Стефанюка. М.: Мир, 1987.

121. Представление и использование знаний / Под ред. X. Уэно, М. Исидзука; Пер. с англ. М.: Мир, 1989.

122. Приобретение знаний / Под ред. С. Осуги, Ю. Саэки; Пер. с японского под ред. Н.Г. Волкова. М.: Мир, 1990.

123. Проблемы вычислительной диагностики / Под ред. Е.В. Губ-лера. М.: Наука, 1969.

124. Разинкин К.А., Родионов О.В., Федорков Е.Д. Оценка динамики и выбор управления при лечении хронических заболеваний // Высокие технологии в технике, образовании, медицине: Межвуз. сб. на-уч.тр. Воронеж: ВГТУ, 1994. С. 83-93.

125. Растригин Л.А. Эренштейн P.A. Метод коллективного распознавания М.: Наука, 1981.

126. Руда М.Я., Зыско А. П. Инфаркт миокарда. 2-е изд. М.: Медицина, 1981.-288с.

127. Селиванова Г.В. Клиника и диагностика постинфарктного синдрома // Сб. трудов Рязанского мед. ин-та. Рязань, 1990. Т. 70. С. 6264.

128. Справочник по теории вероятностей и математической статистике / B.C. Королюк, Н.И. Портенко, A.B. Скороход и др. М.: Наука, 1985. -640с.

129. Статистические методы для ЭВМ / Под ред. К. Экслейна, Э. Рэлстона, Г. Уилфа; Пер. с англ. М.: Наука, 1986.

130. Ступницкий A.A., Карпов Б.В. Лечение при инфаркте миокарда на этапах медицинской реабилитации: Метод, рекомендации для субординаторов. Воронеж: Изд-во ВГМИ, 1989. -28с.

131. Сыркин A.JI. Инфаркт миокарда. М.: Медицина, 1991. 304с.

132. Трахтенгерц Э.А. Компьютерная поддержка принятия решений. М: Синтег, 1998. - 376с.

133. Трушинский З.К. Количественный метод оценки тяжести течения инфаркта миокарда // Современные вопросы кардиологии. М.: Медицина, 1977. С. 9-21.

134. Ту Дж., Гонзалес Р. Принципы распознавания образов / Пер с англ.; Под ред. Ю.И. Журавлева; М.: Мир, 1978.

135. Тьюки Д.У. Анализ данных, вычисление на ЭВМ и математика И Современные проблемы математики. М., 1977. - С. 41-64.

136. Тюрин Ю.Н., Макаров А.А Анализ данных на компьютере. -М.: Финансы и статистика, 1995.

137. Уилкс Д. Математическая статистика. М.: Наука, 1967.

138. Фомин Я.А., Тарловский Г.Р. Статистическая теория распознавания образов. М., 1986.

139. Франкфурт A.A. О своеобразии и сложности расспроса больного при инфаркте миокарда // Клинич. медицина. 1992. Т. 70, № 3/4. С. 69-71.

140. Фролов В.Н. Выбор тактики лечения с применением математических методов. Воронеж, ВГТУ, 1977.

141. Фукунага К. Введение в статистическую теорию распознавания образов / Вер. с англ.; Под ред. A.A. Дорофеюка. М.: Наука, 1979.

142. Халфен Э.Ш., Шварц И.Л. Прогнозирование возможности возникновения инфаркта миокарда. Саратов: Изд-во Саратовск. филиала Ленингр. НИИ кардиологии, 1986. 48с.

143. Харари Ф., Палмер Э. Перечисление графов / Пер. с англ. -М.: Мир, 1977.

144. Холлендер М., Вулф Д.А Непараметрические методы статистики. -М.: Финансы и Статистика, 1983.

145. Шеннон Р. Имитационное моделирование систем Искусство и наука. - М.: Мир, 1978. - 418с.

146. Шорников Б.С. Классификация и диагностика в биологическом эксперименте. М., Наука, 1979.

147. Эшби У.Р. Введение в кибернетику / Пер. с англ.; Под ред. А.Н. Колмогорова. М.: Изд-во "Иностр. Лит", 1959.

148. Эшби У.Р. Принципы самоорганизации // Принципы самоорганизации / Пер. с англ.; Под ред. А.Я. Лернера. М.: Мир, 1966. - С. 314-343.

149. Яглом А. М., Яглом И. М. Вероятность и информация М.: Наука, 1973.

150. Anderson T.W., Le Riche W. H., MacKey J.S. Sudden death and ishemic heart disease. Correlation with hardness of water supply // New Engl. J. Med. 1979. Vol. 280. P. 805-807.

151. Ball G.H. ISODATA, an iterative method of multivariate data analysis and pattern classification // IEEE Intern. Conf. New York. 1966. -375p.

152. Baxt W.G. Application of artifical neural networks to clinical medicine // Lancet, 1995 Oct 28-346 (8983). P. 1135-1138.

153. Breimer LH., Wannamethee G., Ebrahim S. Shaper AG. Serum Bilirubin and Risk oflschemic Heart Desease in Middle Aged British Men // Clin Chem. -1996. -V.41. P. 1504-1508.

154. Card W. The computer, the clinical and the future. Practitioner, 1978. - V/220, N1317. - P. 431-435.

155. Charman B.L., Gray C.H. Prognostic index for myocardial infarction treated in the coronary care unit // Brit. Heart. J. 1973. Vol. 35. P. 135-141.

156. Clayton P.D. Hripcsak G. Decision support in healthcare Hint.J. Bio-Med.Comput. -1995. -V. 39. P. 59-66.

157. Cox D.R.- Regression models and life-tables // J.Royal Stat.Soc. -1972.-V.34-P. 187-202.

158. Dichinson C.J. The use and potential use of simulation models in clinical medicine // Real-time computer in patient management. London, 1976.-P. 171-174.

159. Engle R.L. Attempts to use computers as diagnostic aids in medical decision making: a thirty year experience // Perspect. Biol. Med. -1992. -V.35. № 2. - P. 207-219.

160. Fisher R.A. On the mathematical foundation of theoretical statistics // Philos. Trans. Ray. Soc. A. -1922- V.222. P. 309-368.

161. Gunner R.M., Zeeb H.S., Rahimtoola S.H. Shock in myocardial infarction. New York; London: Grune and Statton, 1974. 295p.

162. Hamilton P.W., Bartels P.H., Thompson D. et al. Automated locaion of displastic fields in colorectal histology using image texture analysis //J.Pathol.-1997-V. 182.-Xal. P. 68-75.

163. Ivandic M., Hermann W., Glider W.G . Development and evalution of urine protein expert system // Clin.l Chem. 1996.-V.42. - P. 1214-1222.

164. Jardine N., Sibron R. The construction of hierarchical and nonhierarchical classifications // Computer J., 1986. № 11. P. 177-184.

165. Kazamlas T.M., Gander M.P., Ross J. The prognostic significance of left ventricular size after acute myocardial infarction // Am. J. Cardiol. 1980. Vol. 26. 642p.

166. Knowledge Acquisition tools for expert systems / ed. J.H. Boose and B.R. Gaines. London San Diego N.Y. Berkley Boston Tokyo Toronto Academic Press. -1988. V.l; V.2.

167. Lown B., Vassaux C., Hoodw B., Fakhro A. M., Kaplinsky E., Roberge G. Unresolved problems in coronary care // Am. J. Cardiol. 1987. Vol. 20. 494p.

168. Molino G., Molino F., Furia D., Bar F., Battista S. Coppello N. Computer -Aided Diagnosis in Jaundice: Comparation of Knowledge-based and Probabilistic Approaches // Meth. Inform. Med-1996. -V. 35. P. 41-51.

169. Murphy G.W., Click G., Screiner B.F., Yu P.N. Cardiac output in acute myocardial Infarction // Am. J. Cardiol. 1973. Vol. 11.- 587p.

170. Neyman J., Pearson E.S. On the use and interpretation of certain test criteria for purpose of statistical inference // Biometrika 1928. - V.20A. -P. 175-240.

171. Safran C. Using routinely collected data for clinical research // Stat.Med -1991.-V. 10. P. 559-564.

172. Shortliffe E.H. Clinical decision-support systems // Medical Informatics: computer application in health care. Addison-Wesley. - 1990. -P. 466-502.

173. Van Bemmel J.H. Medical Informatics, Art or Science? // Meth. Inform. Med. 1996. V.35. - P. 157-172.

174. Van Bemmel J.H.Formalization of medical knowledge — the diagnostic strategies and expert systems // Van Bemmel JH, Gremy F, Zvarova J, eds. Medical Decision Making: Diagnostic Strategies And Expert System. Elsevier Science Publishers BV, 1985.

175. Waterman D.A. A Guide to Expert System. Addison - Wesly Publication Company, Inc., 1986.

176. Wilcoxon F. Individual comparisons by ranking methods // Biometrics Bull. 1945.-V.1. - P. 80-83.

177. Zalter R., Sadik E.Y. Prognostic significance of the magnitude of S-T segment shift in myocardial infarction // Circulation. 1981. Vol. 24. -1075p.