автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Разработка систем диагностики, дифференциальной диагностики и прогнозирования заболеваний методами многомерного статистического анализа

ВВЕДЕНИЕ.

ГЛАВА 1. ПОСТАНОВКА ЗАДАЧИ РАЗРАБОТКИ СИСТЕМ ДИАГНОСТИКИ ЗАБОЛЕВАНИЙ.

1.1. Цели практической медицины.

1.2. Анализ процесса медицинской диагностики.

1.3. Анализ факторов, влияющих на диагноз.

1.4. Определение области исследований.

1.5. Аналитический обзор разработок, связанных с поставленной задачей

1.6. выводы по обзору разработок.

1.7. Математическая постановка задачи диагностики.

Процессы диагностики, дифференциальной диагностики и прогнозирования заболеваний имеют решающее значение в деятельности врача. Только своевременно установленный диагноз позволяет выбрать адекватный метод лечения. При этом на выбор стратегии лечения влияет также оценка риска неблагоприятного исхода заболевания для данного пациента [7, 23, 53].

Классические принципы диагностики и прогнозирования принятые в медицине основываются в основном на личном опыте врача, его мастерстве, знаниях и интуиции, которые он приобретает на практике. Н. Бейли [7] акцентирует внимание на том, что точность диагноза и быстрота, с которой его можно поставить, зависят от очень многих факторов: от состояния больного, от имеющихся данных о симптомах и признаках заболевания и результатах лабораторных анализов, от общего объема медицинской информации о наблюдении таких симптомов при самых различных заболеваниях и от квалификации самого врача. Исходя из этих знаний о процессе диагностики, можно определить условия, при которых диагноз может быть поставлен максимально быстро и точно.

Впервые математические методы исследования стали применять к медико-биологическим объектам во второй половине 19 веке. Пионерами в этой области считаются английские ученые Ф. Гальтон, В. Вэлдон и К. Пирсон. В это время были разработаны такие методы исследования как хи-квадрат, корреляция, регрессия, метод моментов и др. [74, 76, 77] которые остаются популярными и в наши дни.

В последние годы благодаря применению современных методов лечения и диагностики, основанных на новейших достижениях науки и техники, возможности получения успешных результатов значительно возросли. Вместе с этим стали актуальными задачи поиска новых, более точных методов описания, исследования, оценки и контроля процесса постановки диагноза. Очевидно, что наилучшим путем к формализации любых процессов является математический подход. Поэтому в настоящее время лет медицина находится в новой фазе своего развития, когда проводятся исследования количественных закономерностей, создаются математические модели исследуемых явлений и объектов, статистически обрабатывается накопленный экспериментальный опыт и его систематизация.

Все это требует привлечения современных математических методов обработки информации, моделирования и системного анализа. Об этом свидетельствуют многочисленные публикации, связанные с задачами, возникающими на стыке математики и медицины [7, 18, 24, 37, 44, 80]. Этот факт также подтверждают тексты медицинских статей и диссертаций - в подавляющем большинстве работ авторы используют в том или ином объеме методы статистики [41, 42, 48].

Росту популярности математических методов в медицине способствует появление мощных, универсальных пакетов прикладных программ доступных широкому кругу пользователей ПК. Наиболее популярными из них являются программы Statistica (разработчик фирма StatSoft) и SPSS (разработчик фирма SPSS Inc.). Методы и алгоритмы, заложенные в эти программы, существуют уже давно и хорошо известны, но для выполнения исследований с помощью указанных программ от исследователя требуются определенные навыки и теоретическая подготовка. От этого зависит корректность применения статистических процедур.

Появление специальных справочников и руководств по выполнению с исследований с помощью различных статистических программ [10, 11, 12, 17, 51], а также выход русскоязычных версий этих программ способствует увеличению числа исследований, проведенных с помощью компьютера. Вследствие этого все чаще задачи, возникающие на границе медицины и математики, решаются с помощью современных компьютерных технологий.

Начиная с 70-х годов за рубежом и в СССР стали появляться публикации, критически оценивающие качество статистического анализа в биомедицинских исследованиях. Часто встречающиеся ошибки в исследованиях: неправомерное применение статистических критериев; не учитывается эффект множественных сравнений; применяются устаревшие методы исследования, путаница в математических терминах, вместо достигнутых уровней значимости приводятся лишь сравнения с критическим значением критерия и т.д. Из отечественных публикаций можно привести следующие: [40, 43, 39, 41, 42]. Данные статьи опубликованы в Интернете (электронный ресурс http://www.biometrica.tomsk.ru).

Данный факт свидетельствует о том, что математические процедуры диагностики не согласуются с опытом врачей. Поэтому такие задачи необходимо решать совместно медикам и математикам [65]. Совместное исследование медико-биологических данных начинается с формализации цели этого исследования. Причем, формализовать цель нужно так, чтобы она была понятна, как экспериментатору, который эти данные собирает, так и для тех, кто их будет анализировать с помощью математических методов [69].

Как уже отмечалось, для медицинской практики врача на первом плане стоят три задачи: диагностика, дифференциальная диагностика и прогнозирование [7, 37].

• Задача диагностики - правильно определить заболевание и правильно назначить лечение;

• Задача дифференциальной диагностики - правильно определить заболевание среди нескольких альтернативных;

• Задача прогнозирования - дать прогноз исхода лечения заболевания и предупредить осложнения.

Следует подчеркнуть, что до настоящего времени диагностика многих заболеваний осуществляется дорогостоящими методами, нередко обладающими низкой чувствительностью, требующими больших затрат времени и средств. При этом зачастую врачу приходится быстро принимать решения, не дожидаясь результатов анализов, опираясь лишь на данные клинических показателей и свой личный опыт. Такого рода заболевания являются слабо диагностируемыми. Поэтому являются актуальными задачи систематизации, создания банка данных клинических показателей и создания способов решения задач диагностики, дифференциальной диагностики и прогнозирования слабо диагностируемых заболеваний с помощью математических методов.

Анализ литературы показывает, что математические способы диагностики и прогнозирования позволяют значительно сократить затраты средств и времени на диагностику заболевания, увеличить точность диагностики помогают врачу оперативно принимать решения.

Спецификой массивов данных экспериментальной медицины является большой их объем. Обычно массивы медико-биологической информации содержат десятки или сотни переменных и от ста до нескольких десятков тысяч наблюдений. При решении практических задач диагностики часто требуется представить каждое многомерное наблюдение с помощью меньшего количества вспомогательных или исходных переменных, т.е. перейти от векторов Xt = (x]j,.,xf) к векторам меньшей размерности Z(. = где к<р.

Это требование возникает по ряду причин:

• стремлением к уменьшению количества исследуемых переменных, что обусловлено необходимостью снижения количества лабораторных, клинических и других тестов проводимых над пациентами в дальнейшем;

• необходимостью наглядного представления исходных данных, что достигается их проецированием в трехмерное {к = 3), двумерное (к = 2) или одномерное пространство;

• необходимостью удовлетворять условиям применимости математической модели.

При формировании новой системы переменных требуется, чтобы они были в определенном смысле наиболее информативными. Имеется несколько предпосылок к возможности снижения размерности. Это, во-первых, дублирование информации, возникающее вследствие наличия сильно взаимосвязанных переменных, описывающих медико-биологическую систему. Вовторых, наличие переменных, которые слабо изменяются при переходе от одного объекта другому.

Отбор наиболее информативных переменных для процедур диагностики осуществляется с помощью критериев внешней информативности, общие подходы, к построению которых изложены в [1, 64, 66]. Разработка соответствующего критерия является одной из задач в данной работе. Задача снижения размерности решается путем исключения не изменяющихся, а также сильно коррелированных признаков.

Главной задачей является формализация процессов медицинской диагностики, дифференциальной диагностики и прогнозирования. В работе показано, что эта задача может быть решена в рамках методов многомерного статистического анализа с применением экспертной информации.

Вследствие сложности вычислений возникает необходимость в разработке программно-алгоритмических средств, которые были бы удобны в работе и позволяли бы легко интерпретировать результат обработки данных врачом.

Таким образом, проблема разработки формального подхода к исследованию медико-биологических данных с учетом их специфики для решения задач диагностики и прогнозирования конкретных слабо диагностируемых заболеваний в настоящее время является актуальной.

Цель. Разработка математических методов обработки слабоструктурированных многомерных данных с учетом особенностей медико-биологических закономерностей и их использование при разработке диагностических и прогностических алгоритмов и систем для конкретных слабо диагностируемых заболеваний.

В соответствии с поставленной целью были определены следующие задачи:

1. Разработка концептуальной модели процесса исследования медико-биологических данных для решения задач медицинской диагностики и прогнозирования слабо диагностируемых заболеваний.

2. Разработка логической схемы процесса исследования медико-биологической информации и построения систем диагностики и прогнозирования заболеваний.

3. Разработка критериев отбора информативных признаков из исходного массива данных.

4. Разработка алгоритма построения систем диагностики, дифференциальной диагностики и прогнозирования конкретных слабо диагностируемых заболеваний.

5. Апробация разработанного алгоритма построения систем диагностики и прогнозирования заболеваний.

6. Экспериментальное подтверждение работоспособности разработанных систем диагностики и прогнозирования заболеваний.

Объектом исследования являются системы диагностики, дифференциальной диагностики и прогнозирования слабо диагностируемых заболеваний.

Предметом исследования являются математические методы анализа медико-биологических данных, построения систем диагностики, дифференциальной диагностики и прогнозирования слабо диагностируемых заболеваний с помощью статистических методов.

Методы. При решении поставленных задач применялись методы системного анализа, математической статистики, многомерного статистического анализа, нейросетевого моделирования, информационные технологии и различные языки программирования.

Результаты. Разработаны системы диагностики, дифференциальной диагностики и прогнозирования конкретных заболеваний. Процесс разработки является поэтапным. Первый этап - разведочный анализ многомерных медико-биологических данных, второй этап - многомерный статистический анализ, третий этап - разработка алгоритма и программного обеспечения (ПО). Суть схемы такова:

1 этап. Разведочный анализ многомерных данных.

- Классификация переменных по типам данных - номинальные, порядковые, количественные.

Цензурирование и исправление ошибок данных. Вычисление описательных статистик. Проверка гипотез.

- Выявление мало информативных переменных.

2 этап. Многомерный статистический анализ.

Выполнение дискриминантного и канонического анализа, построение линейной модели.

Нейросетевое моделирование, построение нелинейной модели. Оценка чувствительности и специфичности линейных диагностических функций и нейронной сети.

3 этап. Разработка алгоритма и ПО.

Разработка алгоритма. Программная реализация алгоритма. В рамках разработанной концептуальной схемы было решено несколько практических задач:

1. Проведен анализ данных компьютерной морфоденситометрии и разработаны алгоритмы диагностики, дифференциальной диагностики и прогнозирования исхода лечения абдоминального сепсиса.

Проведено исследование информационной ценности 303 числовых показателей морфоденситометрии эритроцитов и лимфоцитов для использования в алгоритмах диагностики абдоминального сепсиса. Выполнен канонический и дискриминантный анализ. Построены линейные дискриминантные функции.

2. Проведен анализ данных компьютерной морфоденситометрии и разработаны алгоритмы диагностики, дифференциальной диагностики и прогнозирования исхода лечения панкреатита.

Проведено исследование информационной ценности показателей мор-фоденситометрии эритроцитов и лимфоцитов для алгоритмов диагностики и дифференциальной диагностики панкреатита. Исследовано 170 числовых признаков. Построены линейные дискриминантные функции.

3. Проведен анализ данных и разработан алгоритм диагностики описторхоза.

Проведено исследование уровней иммуноглобулинов крови и клинических признаков. Исследовано 11 переменных. Разработан алгоритм и компьютерная программа «Тест на описторхоз» на основе построенной нейросете-вой модели.

4. Разработан алгоритм и ПО для прогнозирования развития климактерического синдрома у женщин в перименопаузальном периоде.

Исследованы основные факторы риска развития климактерического синдрома у женщин (25 переменных) проживающих в Алтайском крае. Выявлены наиболее значимые факторы. На основе нейросетевой модели разработан алгоритм и компьютерная программа прогнозирования риска развития данного заболевания.

Научная новизна предлагаемой работы заключается в достижении следующих научных результатов:

1. Разработан комплексный метод исследования медицинских данных, состоящий из процедур статистической обработки данных с привлечением экспертной информации, учитывающий специфику слабо структурированных медико-биологических данных.

2. В рамках разработанного метода проведены исследования больших массивов медико-биологической информации и разработаны алгоритмы и компьютерные программы, предназначенные для использования в процессе диагностики следующих слабо-диагностируемых заболеваний: описторхоза, панкреатита, абдоминального сепсиса, а также для прогнозирования развития климактерического синдрома у женщин перименопаузальном периоде.

3. Разработаны алгоритмы и программы, которые могут быть использованы на этапах предварительного анализа данных, позволяющие более точно оценивать следующие характеристики исследуемых нечисловых признаков: точечная и интервальная оценка вероятности в схеме Бер-нулли, вероятность ошибки 1-го рода в точном критерии Фишера при анализе таблиц сопряженности 2x2.

4. Даны оценки диагностической значимости комплексов признаков на основе имеющихся статистических данных по Алтайскому краю. Теоретическая значимость работы. Предложена концептуальная схема метода создания систем диагностики, дифференциальной диагностики и прогнозирования слабо диагностируемых заболеваний.

Практическая значимость работы. Выявлены дискриминантные переменные для использования в системах диагностики описторхоза, панкреатита, сепсиса в Алтайском крае. Выявлены факторы риска развития климактерического синдрома у женщин в перименопаузальном периоде. Разработаны эффективные алгоритмы диагностики и прогнозирования вышеуказанных заболеваний на основе данных по Алтайскому краю, которые внедрены в нескольких медицинских учреждениях края.

Публикации. По материалам диссертации опубликовано двенадцать печатных работ, в том числе три статьи в периодических журналах, семь тезисов докладов на конференциях, получено два свидетельства о регистрации программных продуктов.

Структура и объем работы. Диссертация состоит из введения, трех глав, заключения, списка литературы из 80 источников, 13 приложений. Общий объем работы составляет 125 страниц.

Результаты исследования данных морфоденситометрии эритроцитов и лимфоцитов переданы для использования в городскую больницу №1 г. Барнаула.

К программам «Тест на описторхоз» и «Прогноз развития климактерического синдрома у женщин перименопаузальном периоде» получены регистрационные свидетельства.

Заключение

В результате решения конкретных исследовательских задач, связанных с анализом медико-биологических данных был выработан математический алгоритм, позволяющий поэтапно решать задачи диагностики, дифференциальной диагностики, прогноза и лечения. Основными достоинствами математических методов является высокая точность, оперативность и небольшая стоимость. Поэтому задача разработки и внедрения этих методов в практическую деятельность врачей является актуальной.

Алгоритм состоит из трех этапов. На каждом этапе применяются специфические математико-статистические методы и процедуры. Задача первого этапа - разведочный анализ - подготовка данных для дальнейшего анализа и их описание. Здесь производится классификация переменных по типам их значений, устраняются ошибки и «выбросы» в данных, принимается решение о значимости переменных для дальнейшего анализа, вычисляются описательные статистики.

На втором этапе решается основная задача исследования - проводится дискриминантный анализ, строится нейронная сеть. Построенная на данном этапе модель решает поставленную задачу диагностики, дифференциальной диагностики или прогноза.

На третьем этапе создается прикладное программное обеспечение (ПО) на основе построенной модели. По данной схеме было проведено множество исследований. В диссертации изложены результаты 4 из них:

1. Проведено исследование значимости данных компьютерной морфоденситометрии для диагностики, дифференциальной диагностики и прогнозирования панкреатита.

2. Проведено исследование значимости данных компьютерной морфоденситометрии для диагностики, дифференциальной диагностики и прогнозирования абдоминального сепсиса.

3. Проведено исследование значимости клинических данных для диагностики описторхоза и разработана компьютерная программа.

4. Проведено исследование значимости клинических данных для прогнозирования развития климактерического синдрома у женщин в перимено-паузальном периоде и разработана компьютерная программа.

Компьютерная программа диагностики описторхоза внедрена в «Барнаульском центре по диагностике, профилактике и лечению описторхоза и других гельминтозов».

1. Антомонов М.Ю. Методы решения задач биологии и медицины на ЭВМ, Книга 8, серия «Методы математической биологии». Киев: Вища школа, 1984.-344 с.

2. Артамонов Р.Г. Алгоритмы клинической диагностики // Медицинскийнаучный и учебно-методический журнал. 2002. -№11.

3. Баевский P.M. Прогнозирование состояний на грани нормы и патологии. М.: Медицина, 1979.

4. Беднаржевская Т.В., Шойхет Я.Н., Гранитова JI.B., Макарова И.Н., Та-таринцев П.Б. Выраженность вторичной легочной гипертензии у больных бронхиальной астмой // Сибирский медицинский журнал. 2004. - №3. - С. 36-63.

5. Бейли Н. Математика в биологии и медицине. М.: Мир, 1970.

6. Бешелев С.Д., Гурвич Ф.Г. Математико-статистические методы экспертных оценок. -М.: Статистика, 1980. 262 с.

7. Болч Б., Хуань К. Дж. Многомерные статистические методы для экономики: Пер.с англ.-М.: Статистика, 1979.-317 с.

8. Боровиков В., Боровиков И. STATISTICA® Статистический анализ и обработка данных в среде Windows. - М.: Инф.-изд. дом «Филинъ», 1998. -608 с.1.. Боровиков В.П. Популярное введение в программу STATISTICA. М.: КомпьютерПресс, 2000.

9. Бююль Ахим. SPSS: искусство обработки информации. Анализ стати' стических данных и восстановление скрытых закономерностей. М. и др.: DiaSoft, 2002. - 601 с.

10. Ван дер Варден Б.Л. Математическая статистика. Пер. с нем. М.:1. Изд-во ин. лит., 1960.

11. Власов В.В. Введение в доказательную медицину. М: МедиаСфера, 2001.

12. Власов В.В. Эффективность диагностических исследований. -М.:Медицина,1988.

13. Волынский Ю.Д., Курочкина А.И. О месте многомерной статистики в клинико-физиологических исследованиях. // Кардиология. 1980. - Т. 20,j №5.-С. 88-91.

14. Герасевич Е. Компьютер для врача. Самоучитель. Санкт-Петербург:1. BHV, 2001.

15. Гланц С. Медико-биологическая статистика. М.: Практика, 1998. -459 с.

16. Горбань А.Н. Обучение нейронных сетей. -М.: Параграф, 1991. -; 300с.

17. Горбань А.Н., Фриденберг В.И. Новая игрушка человечества // Мир ПК.- 1993.-№9.

18. Гринхальх Т. Основы доказательной медицины. М.: ИД ГЭОТАР-МЕД, 2004.

19. Гуров С.И. Оценка надежности классифицирующих алгоритмов. М.: Изд. отдел ф-та ВМиК МГУ, 2002.

20. Дж.-Он Ким, Ч. У. Мьюллер и др. Факторный, дискриминантный и кластерный анализ: Пер. с англ. М.: Финансы и статистика, 1989.

21. Каримов Р.Н. Обработка экспериментальной информации: уч. пособие. Ч. 3. Многомерный анализ. СГТУ: Саратов, 2000. 108 с.

22. Кендалл М. Дж., Стьюарт А. Многомерный статистический анализ временные ряды. / Пер. с англ . М.: Наука. Гл. ред. физ.-мат. лит., 1976.

23. Кендалл М.Дж., Стьюарт А. Статистические выводы и связи. / Пер. сангл. М.: Наука, 1973. j 32. Кендалл М.Дж., Стьюарт А. Теория распределений. / Пер. с англ. - М.:• Наука, 1966.

24. Кендэл М. Ранговые корреляции. М., 1978.

25. Китаев Н.Н. Групповые экспертные оценки. М., 1975.

26. Колмогоров А.Н. Основные понятия теории вероятностей. М.: ОН-ТИ, 1936.

27. Колмогоров А.Н., Журбенко И.Г., Прохоров А.В. Введение в теорию вероятностей. М.: Наука, 1995. - 625 с.

28. Ластед JI. Введение в проблему принятия решений в медицине: Пер. с англ.-М.: Мир, 1971.-282 с.

29. Леман Э. Теория точечного оценивания. / Пер. с англ. М.: Наука, 1991.

30. Леонов В.П. Долгое прощание с лысенковщиной. Электронный ресурс http://www.biometrica.tomsk.ru

31. Леонов В.П. и др. В новый век с доказательной биомедициной // Поиск. 1999.-№ 20. - С. 5.

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

33. Леонов В.П., Ижевский П.В. Применение статистики в медицине и биологии: анализ публикаций 1990-1997гг. // Сибирский медицинский журнал. 1997. - № 3-4. с. 64-74.

34. Леонов В.П., Реброва О., Власов В. и др. Куплю 500 диссертаций! // Медицинская газета. 2001. -№10.

35. Место информационных технологий в практике здравоохранения. Электронный ресурс http://www.medtech.com.ua/articles

36. Мингалеев А.А. Компьютерная система диагностики болезней внутренних органов. Электронный ресурс http://www.infamed.com/pub/a040.html

37. Нейронные сети. STATISTICA Neural Networks: Пер. с англ. М.: Горячая линия - Телеком, 2000. - 182 с.

38. Никулина М.А., Шевченко В.В., Лычев В.Г., Бабушкин И.Е., Татарин-цев П.Б. Психосоматические аспекты вирусных гепатитов // Дальневосточный журнал инфекционной патологии Хабаровск. -2005. №7. - С. 121-122.

39. Новиков Д.А., Новочадов В.В. Статистические методы в медико-биологическом эксперименте (типовые случаи). Волгоград: Изд-во Вол-ГМУ, 2005. - 84 с.

40. Парин В.В., Баевский P.M. Введение в медицинскую кибернетику. -М.: Медицина, 1966.

41. Пропедевтика внутренних болезней под редакцией В.Х. Василенко, А.Л. Гребенева, Н.Д. Михайловой. -М.: Медицина, 1974.

42. Реброва О. Статистический анализ медицинских данных. Применение пакета прикладных программ STATISTICA. М.: МедиаСфера, 2002.

43. Руководство по клинической лабораторной диагностике / Под ред. Меньшикова В.В. М: Медицина, 1982

44. Руководство по медицине: Диагностика и терапия: В 2 тт (под ред. Беркоу Р., Флетчера Э.Дж.; пер. с англ. Басовой А.Я., канд. мед.наук Богословского В.А., док.мед.наук Бунчука Н.В. и др.). -М.: Мир, 1997. 1917 с.

45. Славин М.Б. Методы системного анализа в медицинских исследованиях. М.: Медицина, 1989. - 304 с.

46. Смолянинов В.В. Математические модели биологических тканей. М.: Наука, 1980.

47. Статистические методы для ЭВМ. Пер.с англ. М.: Наука, Гл. ред. физ. мат. лит., 1986. - 464 с.

48. Татаринцев П.Б. Модель нейронной сети для диагностики заболеваний // Материалы 5-й краевой конференции по математике. Барнаул. - 2002. -С. 72-74.

49. Татаринцев П.Б., Карбышева Н.В., Семенов С.П. Компьютерная технология в диагностике описторхоза // Современные технологии лабораторной диагностики нового столетия: Труды всероссийской конференции. М. -2002.-С. 105-106.

50. Татаринцев П.Б., Карбышева Н.В., Семенов С.П. Нейросетевые методы диагностики описторхоза // Материалы 4-й краевой конференции по маф тематике. Барнаул. - 2001. - С. 49.

51. Татаринцев П.Б., Карбышева Н.В., Семенов С.П. Применение нейронных сетей в диагностике описторхоза // Актуальные проблемы инфектологии и паразитологии: Матер. 1-й международной юбилейной конф. Томск. -2001.-С. 52.

52. Типология потребления / Под ред. С.А. Айвазяна и Н.М. Римашевской. -М.: Наука, 1978.- 168 с.

53. Тутубалин В.Н. Теория вероятностей и случайных процессов. Основы математического аппарата и прикладные аспекты. М.: Изд-во Московскогоун-та, 1992.

54. Файнзильберг JI.C. Оценка полезности признаков при решении задач диагностики в статистической постановке // Математические машины и системы. 1998.-№ 1.-С. 57-64.

55. Феллер В. Введение в теорию вероятностей и ее приложения. Пер. с анг.-М.: Мир, 1964.• 68. Флетчер Р., Флетчер С., Вагнер Э. Клиническая эпидемиология. Основы доказательной медицины: Пер.с англ. М.: МедиаСфера, 1998. - 352 с.

56. Хант Э. Искусственный интеллект. М.: Мир, 1978.

57. Хетагуров В. А. Синтез алгоритмов дискриминации в условиях статистической неопределенности данных для автоматизированной медицинской диагностики. Автореф. дисс. на соиск. уч. ст. канд. техн. наук. - М., 1985.

58. Щетинин В.Г., Комаров В.Т. Дифференциальная диагностика при помощи искусственных нейронных сетей // Клиническая лабораторная диагностика. 1998. -№11. - С. 34-37.

59. Экспертные системы медицинской диагностики. Достоинства и опыт реализации, обоснование экономической эффективности. Электронный ресурс httpT/diagnosjri

60. A. Hald A History of Mathematical Statistics from 1750 to 1930. New York: Wiley, 1998.

61. Dina V. Petrova, Yakov N. Shoikhet, Pavel B. Tatarintsev. Rational antimicrobial therapy of slowly resolving or nonresolving pneumonia. European Respiratory Journal. Abstracts, 14th ERS Annual Congress, Glasgow, UK, September 4 8,2004. P. 187.

62. H. M. Walker Studies in the History of Statistical Method, Baltimore: Williams & Wilkins, 1929.

63. M. E. Magnello The Introduction of Mathematical Statistics into Medical Research: The Roles of Karl Pearson, Major Greenwood and Austin Bradford Hill in Eileen Magnello and Anne Hardy (ed.) The Road to Medical Statistics, Amsterdam: Rodopi, 2002.

64. Nong Ye. The Handbook of Data Mining. New Jersey: Lawrence Erlbaum Associates. Publishers 2003.

65. Zar J. H. Biostatistical analysis, 2nd ed. Prentice-Hall, Englewood Cliffs, N. J., 1984.

66. Коэффициенты стандартизованной канонической дискриминантной функции показателей КМДМ для клинических групп с 3 и 4 признаками SIRS.

67. Коэффициенты стандартизованных канонических дискриминантных функций показателей КМДМ для клинических групп при оценке по системе APACHE И.1. Показатель Функция 1 2 3 4

68. AREA ALL 0,308 -8,425 -11,054 1,581

69. TOR -4,026 4,485 3,157 3,362

70. PELLOR 0,885 4,43 8,54 0,947

71. GRAD 0,161 -2,181 -2,58 0,086

72. DCIRCL ALL 4,255 0,049 3,513 0,968

73. TOR 0,533 -0,805 -0,174 0,924

74. PELLOR -6,031 -6,294 -2,006 1,41

75. GRAD -0,007 1,986 1,282 -5,82

76. DMAX ALL -0,09 -2,736 2,764 2,683

77. TOR -0,46 -1,219 -2,957 1,93

78. PELLOR -1,289 3,101 -0,452 1,698

79. GRAD 0,461 0,935 0,187 1,355

80. DM IN ALL 1,058 -0,667 2,147 0,654

81. TOR -0,613 -0,518 0,893 1,085

82. DMIN PELLOR -2,9 -2,296 -3,28 0,456

83. GRAD -0,02 0,197 -0,395 -0,211

84. PERIM ALL -2,222 8,807 -0,371 7,746

85. TOR 1,764 -3,125 0,898 3,462

86. PELLOR 7,476 5,228 -2,416 4,508

87. GRAD -0,838 -2,649 1,278 0,978

88. FF ALL -3,827 4,704 -2,487 3,731

89. TOR 1,861 -2,225 1,064 2,267

90. PELLOR 4,487 4,856 1,737 2,447

91. GRAD -1,19 -1,806 -0,016 -0,271

92. OD ALL 9,756 -1,369 -0,465 2,597

93. TOR -7,948 6,359 5,506 -2,108

94. D TOR 0,369 -1,4 -0,703 -0,08

95. PELLOR -1,258 -2,799 -3,392 -0,601

96. StdOD GRAD -2,27 -2,135 -2,286 -0,236

97. Q2 S -0,032 -0,335 -0,057 -0,461

98. Висячие ребра n 0,25 -0,752 -0,311 0,583

99. Ядро S -0,175 0,154 0,246 -0,758

100. Лямбда Уилкса 0,007 0,043 0,167 0,436

101. Критерий хи-квадрат 329,973 211,443 119,794 55,658

102. Лямбда Уилкса 0,128 0,439

103. Критерий xii квадрат 147,198 58,79

104. Лямбда Уилкса 0,11 0,386

105. Критерий хи - квадрат 151,996 65,664

106. Коэффициенты стандартизованной канонической дискриминантной функции показателей КМДМ для клинических групп с различным исходом абдоминального сепсиса.

107. Критерий %-квадрат 100,048

108. Коэффициенты функций классификации1. DZ 1. D, D; Dj Dj D, D„ D, Dk

109. AALL -9,22 -9,02 -9,10 -9,24 -9,02 -9,23 -9,21 -9,43

110. AALLS -0,98 • 1,62 •1,31 -0,60 -1,53 -0,21 0,30 -1,34

111. АТОЯ 2,51 2,36 2,30 2,52 2,34 2,63 2,89 2,41

112. ATORS 19.38 20,27 19,26 19,05 19,41 19,20 18.61 18,73

113. APEL 0,48 -0,08 0,59 0,31 -0,01 0,39 0,61 0,87

114. APELS -48,15 -46,64 -47,53 -48,69 -46,48 -49,14 -49,65 -50,31

115. AGRAD -9,47 -9,48 -9,08 -9,56 -9,37 -9,61 -10,23 -9,60

116. AGRADS 31,81 30,56 31,79 32,38 31,37 32,22 30,83 34,80

117. DALL 371,94 372,48 387,48 375,83 366,62 372,22 352,53 385,42

118. DALLS 808,31 850,84 837,64 820,90 834,70 797,31 747,05 886,67

119. DTOR -0,01 -0,01 -0,01 -0,01 -0,01 -0,01 -0,01 -0,01

120. DTORS -596,33 -637,10 -580,41 -605,49 -623,52 -618,26 -624,93 -565,33

121. DPEL -957,1! -976,91 -951,90 -967,81 -957,96 -964,69 -952,15 -965,64

122. DPELS 1355,65 1340,97 1344,92 1355,29 1330,19 1371,63 1371,42 1393,48

123. DGRAD 353,64 369,36 333,80 357,97 358,40 361,46 363,60 348,13

124. DGRADS -1688,25 -1708,90 -1679,30 -1713,96 -1716,43 -1702,40 -1622,59 -1771,98

125. DXALL 119,17 119,77 126,61 119,19 120,71 119,23 125,43 123,90

126. DXALLS -102,60 -92,63 -119,19 -95,16 -93,19 -97,27 -104,75 -122,55

127. DXTOR -270,52 -264.76 -273,35 -267,14 -263,63 -270,50 -291,17 -264,07

128. DXTORS 663,52 680,63 673,42 665,82 673,39 658,36 660,45 676,45

129. DXPEL -149,28 -149,21 -158,17 -151,00 -153,36 -149,23 -144,54 -162,67

130. DXPELS 156,80 165,07 158,78 177,77 179,77 163,46 178,45 206,13

131. DXGRAD 314,93 318,37 318,13 310,36 319,18 314,25 303,79 305,69

132. DXGRAS 199,99 207,52 203,74 217,46 203,92 206,02 187,18 244.14

133. DNALL -55,80 -60.58 -52,48 -55,77 -57,01 -58,62 -55.53 -53.52

134. DNALLS -36,42 -41,21 -34,89 -37,13 -37,62 -39,22 -34,73 -35,99

135. DNTOR -41,07 -39,83 -38,59 -36,27 -32,70 -40,87 -36,89 -17,32

136. DNTORS 424,66 424,57 423,16 439,99 439,50 434,05 424,77 448,68

137. DNPEL -200,65 -202,36 -203,60 -206.37 -204,79 -202,29 -208,99 -210,89

138. DNPELS -319,25 -328,58 -333,24 -325,73 -327,51 -321,69 -314,44 -333,36

139. DNGRAD -128,55 -133,01 -113,43 -128,81 -134,29 -122,89 -121,01 -147,63

140. DNGRAS 343,38 334,13 351,79 341,02 343,97 326,06 332,62 352,71

141. PALL 280,40 280,23 275,40 280,22 278,52 279,71 278,93 278,78

142. PALLS 30,74 33,65 32,22 28,60 37,76 24,54 27,76 34,57

143. PTOR -123,27 -123,81 -120,81 -123,26 -122,93 -123,12 -123,12 -120,28

144. PTORS -301,06 -313,74 -305,86 -300,24 -305,69 -295,63 -282,70 -308,73

145. PPEL 39,51 44,22 33,41 40,11 39,07 40,17 38,62 40,61

146. PPELS -318,37 -336.14 -312,95 -331,63 -349,05 -323,26 -311,78 -331,28

147. PGRAD 122,47 122,55 128,24 127,23 127,93 123,82 128,41 129,10

148. PGRAS 406,26 425,98 402.86 411,78 424,05 409,10 389,12 410,07

149. FFALL 28782,37 28854,73 28456,43 28721,10 28855,35 28636,48 28351,95 28487,40

150. FFALLS 19649,64 18279,24 18790,83 19357,12 19242,32 18912,02 19944,83 19255,58

151. FFTOR -19873,40 -20035.19 -19766,72 -19875,23 -19973,70 -19838,59 -19554,82 -19860,25

152. FFTORS 142,52 257,49 200,63 150,45 191,57 174,47 98,63 64,96

153. FFPEL 16822,50 17084,80 16760,34 17061,81 16932,62 16963,32 16812,71 17283,88

154. FFPELS -5024,63 -5032,54 -4756,37 -5219,80 -4934,05 -4952,86 -5126,58 -5463,39

155. FFGRAD 1908,64 1911,31 2119,92 1789,00 1843,86 1803,83 1796,22 1878,96

156. FFGRAS 2096,41 2084,34 2131,16 2137,32 2063,79 2152,19 2216,41 2250,711. DZ 1. D, D; D, Dj D, D« D, Dm

157. ODALL 355,96 365,15 329,66 355,92 371,55 355,70 349,27 385,04

158. ODALLS -473,25 -543,30 -547,27 -460,67 -533,75 -468,27 -368,72 -639,97

159. ODTOR -38,27 -53,56 -18,99 -38,09 -58,53 -35,68 -32,02 -52,59

160. ODTORS 3011,91 3092,43 3186,59 3058,19 3077,50 2984,58 2947,52 3300,18

161. ODPEL -820,11 -812,41 -834,58 -826,45 -811,66 -821,86 -794,96 -860,83

162. ODPELS -497,46 -516,08 -449,79 -435,61 -436,91 -521,45 -477,11 -304,27

163. ODGRAS 895,66 872,43 856,54 868,53 890,97 923,87 756,50 810,97

164. TOR 0,02 0,02 0,02 0,02 0,02 0,02 0,02 0,0210T0RS -4,31 -4,31 -4,44 -4,38 -4,26 -4,28 431 -4,6510PEL 1,56 1,56 1,61 1,59 1,54 1,56 1,46 1,6610PELS -8,37 -8.29 -8,27 -8,55 -8,33 -8,29 -8,36 -9,3110GRAS 10,71 10,70 10,74 10,75 10,32 10,63 11,03 11,74

165. STPELS 721,46 734.36 706.06 726,80 730,46 716,87 716,96 748,23

166. Q1J0D 0,24 0,24 0,25 0.24 0,25 0,24 0,24 0,23

167. Q2S 46,34 46,99 48,39 46,94 48,14 45,11 46,19 49,32

168. Q4S 3,58 3,77 3,84 3,57 3,75 3,74 3,58 3,53

169. Константа -23899,46 -24110.73 -24220,03 -24195,88 -24002,13 -23854,85 -23499,06 -24763,44

170. Статистики Хи-квадрат для таблиц сопряженности с фактором КС

171. Переменная «КС есть», признак отсут- «КС есть», признак присут- х2 Рствует, % (число наблюде- ствует, % (число наблюде- ний) ний)

172. Вид деятельно- 56,88 (552); 71,74 (920); 100 41,29 0,00сти (14)

173. Сем. Отноше- 76,36 (330); 89,64 (502); 100 402,7 0,00ния (52)

174. Бытовые усло- 74,42(344); 92,19(512); 93,33 414,4 0,00вия (30)

175. Место житель- 58,89 (город) (1294) 82,18 (село) (348) 64,47 0,00

176. С11>а Брак 72,54 (284),-60,87 (46) 72,35 2,92 0,23962.

177. Гипертония 57,63(1166) 78,99 (476) 66,79 0,00

178. Ожирение 50,19(1056) 88,40 (586) 238,3 0,00

179. Язва желудка 72,30 (1242) 64,00 (50) 2,25 0,13

180. Гепатит 63,60(1632) 100(10) 5,70 0,02

181. Гастрит 61,18(1324) 74,84 (318) 20,74 0,00

182. Воспаление 64,80 (1216) 61,03 (426) 1,94 0,16матки

183. Эрозия 67,27(1100) 56,83 (542) 17,16 0,00

184. Мастопатия 61,26(1208) 70,97 (434) 13,04 0,00

185. Бесплодие 64,60(1548) 51,06 (94) 7,03 0,01

186. Нарушение м. 64,10(1482) 61,25 (160) 0,51 0,48р. Опухоли 66,28(1198) 57,21 (444) 11,54 0,00

187. Пиелонефрит 63,14(1568) 78,38 (74) 7,11 0,01

188. Диабет 62,72(1572) 88,57 (70) 19,39 0,00

189. Заболевания 58,28(1160) 77,18(482) 52,70 0,001. ЩЖ

190. ПМС 58,85(1006) 71,70 (636) 27,87 0,00линические данные ЯЕШ&пециФический белок.Гзи1. Сы ь3 Б онхоспазмы1 Б ли в печени1.ЗШжгралгии1. Щнспепсияс 1 (штшШтшв&жШ

191. ШШШШ^^^Ж Нажмите кнопк9 тест1. Mlfllt-X Выход Тест на описторхоз. Версия 18.02.2002г

192. Интерфейс программы «Тест на описторхоз»

193. Рецифический белок . ЗИ С ] Сы ь. Б онхоспазмы 1 Б ли в печени1. Яша». Суефибрили ет1. Положительныйft It—X Выход Тест на описторхоз. Версия 18.02.20(1)2г

194. Результат выполнения теста выводится на экран в нижней части диалога ввода. Выводится ответ сети и его интерпретация (тест положительный, отрицательный).

195. Интерфейс диалога ввода данных в программу1. Жилищно-бытовые-.условия <•> Хороши|. => Удовл. г-Прогноз ( > Плохие I1. Песто жите ■•> Город —Прогноз1. Село-Вид деятел Нет1. Рабоч •) Служайомох

196. Семейные о <•> Хорош < > Удовл ( > Плохиэвые-1 |—Патологии-1 1:06:16 am . Гипертоническая болезнь Результаты теста—

197. Прогноз риска развития КС по шкале от 0 до 1Ш0Х1. Риск

198. НетСНШЙЖИШ 1Есть Степень риска: 100х---Чувств ./СпециФ. 96х—'

199. Прогноз степени тяжести КС

200. Риск развития КС слабой степени Нет .Есть Степень риска: 0х-Чувств./СпециФ. 93'/.—

201. Риск развития КС средней степени НетСШШЁЁШ ЗЕсть Степень риска: 34X-Чувств./Специф. 90X—

202. Риск развития КС тяжелой степени Нет! .Есть Степень риска: 66'/. -—-Чувств./СпециФ. 90Х—

203. Диагностируется следующий тип КС: ТЯЖЕЛОЙ СТЕПЕНИ.

204. Для продолжения нажните любую клавишу- ==1. F2 Тест > <Esc - Выход>

205. Результаты теста и прогнозлищно-бытовые условия1атологии

206. Гипертоническая болезнь . Гастродуоденит ] Хронический гепатит ] Хронический пиелонефрит ] Заболевания щитовидной железы 1 Сахарный диабет ] Ожирение

207. Нарушения менструальной Функции 1 Предменструальный синдром . Патология шейки матки ] Бесплодие ] Миома матки ] Мастопатия1. Удовл.1. Плохие1есто жительства-<•> Город ( > Село-Вид деятельности <•> Рабочий1. Служащий1. Домохозяйка

208. АКТ ВНЕДРЕНИЯ в практику здравоохранения компьютерной нейросетевой программы для ЭВМ «Тест на описторхоз (Opistorchis)», авторы: Карбышева Н.В., Татаринцев П.Б., Семенов С.П.

209. Главный инфекционист г. Барнаула, зав. базовым отделением Центра по диагностике, лечению, профилактике описторхоза и «редких»гельминтозов, к.м.н. . > Танашкин С.Ф.1. РОССИЙСКАЯ ФЕДЕРАЦИЯ

210. РОССИЙСКОЕ АГЕНТСТВО ПО ПАТЕНТАМ И ТОВАРНЫМ ЗНАКАМ (РОСПАТЕНТ)1. СВИДЕТЕЛЬСТВО

211. Об официальной регистрации программы для ЭВМ2002610696

212. Тест на описторхоз (Opisthorchis)"

213. Правообладатель(ли): *Кагоышева Шина Здалепшнповна, 9JIamafrunye6 (Лавел ^ofmcofml, Семенов Се fried 91епфа8н1 (RU)1. Автор(ы):

214. Камышева fluua Здалентнновна, Шаталину ев 91а в ел ^ofrwMni, Семенов Се fried tftemfroeul (RU)

215. Страна: Российская Федерацияпо заявке № 2002610467, дата поступления: 25 марта 2002 г.

216. Зарегистрировано в Реестре программ для ЭВМг. Москва, 15 мая 2002 г.1. Пенсии.юный уuhc.ti-mo/iч.щччыги-Н'

217. РОССИЙСКОЕ АГЕНТСТВО ПО ПАТЕНТАМ И ТОВАРНЫМ ЗНАКАМ (РОСПАТЕНТ)1. СВИДЕТЕЛЬСТВО

218. Об официальной регистрации программы для ЭВМ2003611604

219. Индивидуальное прогнозирование развития климактерического синдрома1. Климакс)1. Правообладатель(ли):

220. У\о!)оЗек Лариса {Николаевна (RU), Wamfuuijd Навел ¥)of?uco6ui (RU), 'Карбышева Ниш Здалентиновна (RUJ1. Автор(ы):

221. Кошева Лариса Николаевна, Шашаринуев Павел ¥)орисови1, Камышева Нина iВалентиновна (RUj

222. Страна: Российская Федерацияпо заявке № 2003611088, дата поступления: 19 мая 2003 г.

223. Зарегистрировано в Реестре программ для ЭВМг. Москва, 4 июля 2003 г.