автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.09, диссертация на тему:Управление процессом дифференцированного лечения на основе интегральной модели прогнозирования неотложных состояний

Р Г Б 0Дк .

Воронежский государственный техническим 1 0 ^_университет_

На правах рукописи

Кузнецов Сергей Иванович

Управление процессом дифференцированного лечения на основе интегральной модели прогнозирования неотложных состояний

Специальность 05.13.09 — Управление в биологических и медицинских системах (включая применение вычислительной техники)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени доктора медицинских наук

Воронеж 1997

На правах рукописи

КУЗНЕЦОВ Сергей Иванович

УПРАВЛЕНИЕ ПРОЦЕССОМ ДИФФЕРЕНЦИРОВАННОГО ЛЕЧЕНИЯ НА ОСНОВЕ ИНТЕГРАЛЬНОЙ МОДЕЛИ ПРОГНОЗИРОВАНИЯ НЕОТЛОЖНЫХ СОСТОЯНИЙ

Специальность 05.13.09 - Управление в биологических и медицинских системах (включая применение вычислительной техники)

ДИССЕРТАЦИЯ

на соискание ученой степени доктора медицинских наук

Воронеж 1997

Работа выполнена на базе кафедры факультетской терапии Воронежской государственной медицинской академии им. Н.Н.Бурденко, межвузовской кафедры " Компьютеризация в медицинских системах" (г. Воронеж)

Научные консультанты: член-корреспондент Международной академии информатизации, доктор мед.наук, профессор Провоторов В.М. ■

доктор техн. наук, профессор Чурюмов В. А.

Официальные оппоненты:

академик Академии естественных наук. Заслуженный деятель науки РФ, доктор техн.наук, профессор Петровский B.c.

Ведущая организация

доктор мед. наук, профессор Кравец Б.Б.

доктор мед. наук, профессор Бахметьев В. И.

Курский государственный медицинский университет

Защита диссертации состоится -¿джоадя 199д г.в_/^

часов на заседании диссертационного совета Д063.81.04 при Воронежском государственном техническом университете по адресу: 394026, г.Воронеж, Московский проспект, дом 14.

С диссертацией можно ознакомиться в библиотеке Воронежского государственного технического университета.

Автореферат разослан "_

.1997 г.

Ученый секретарь диссертационного совета, канд. техн.наук, доцент С.М.ПАСМУРНОВ

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы.Неотложная помощь остается одним из наиболее сложных и ответственных разделов в клинике внутренних болезней. Существенный отпечаток на многие стороны организации, структуры и форм проведения неотложной терапии при заболеваниях различных органов и систем наложила специализация клинической медицины. При всей общности принципов и методов интенсивной терапии, они неизбежно различаются в зависимости от того или иного раздела клиники внутренних болезней. Наряду с этим, общие подходы к дифференциальной диагностике и тактике лечебных манипуляций однозначно имеют общие характеристики. Принципиально важен временной интервал постановки верного диагноза, оценки степени тяжести заболевания и возможных его осложнений, а соответственно - выбора адекватной терапии, в том числе и превентивных мероприятий. В связи с этим, особую актуальность приобретет проблема интегральной оценки ургентных ситуаций в клинике внутренних болезней. Как показывает опыт, врачи в своей практической деятельности нередко испытывают значительные трудности в распознавании и лечении больных различного терапевтического профиля, находящихся в критических ситуациях, обычно это связано с невозможностью обладать полным комплексом оперативных знаний во всех разделах современной медицины. Неуверенность в действиях, так называемая выжидательная тактика, а подчас бессистемная терапия становятся причинами безвозвратных потерь.

Таким образом, актуальность проблемы заключается в необходимости применения высоких медицинских технологий в клинике внутренних болезней, заключающихся в создании гибкой инвариантной модели, позволяющей на базе методов математического моделирования, построения моделей комплексной диагностики, оперативно и достоверно проводить дифференциальную диагностику, прогнозировать течение заболеваний и рационально использовать неотложные и превентивные медицинские манипуляции..

Инвариантность модели, обусловленная применением универсальных алгоритмов обработки данных независимо от специфики исходной информации, позволяет расширить сферу применения указанного подхода на другие области клинической медицины.

- г -

Создание инвариантной модели и ее апробация на базе клинического материала, полученного при комплексной оценке методов диагностики и принципов дифференцированной терапии в представительных группах больных бронхиальной астмой и инфарктом миокарда, является составной частью комплексной программы Комитета по здравоохранению Администрации Воронежской области и Управления здравоохранения Администрации г.Воронежа по улучшению экстренной помощи населению (приказ N 16. с от 15.04.1994г.).

Целью диссертации является разработка инвариантной системы прогнозирования течения заболеваний и управления процессом дифференцированного лечения на основе интегральной модели неотложных состояний, инвариантной для больных, нуждающихся в проведении комплекса интенсивной терапии в таких областях внутренних болезней, . как ургентная кардиология и пульмонология.

Для достижения поставленной цели необходимо решить следующие задачи:

проанализировать комплекс диагностических методов оценки тяжести и прогнозирования течения бронхиальной астмы и инфаркта миокарда. терапевтические подходы к лечению больных с различными проявлениями заболевания и его осложнениями;

определить оптимальную методику математического описания характеристик пациента с учетом их неоднородности и динамики, как в процессе развития заболевания и его осложнений, так и в результате проводимого лечения и обосновать рациональность ее применения, учитывая субъективность определения и оценки медицинских показателей;

разработать принципы и механизмы отбора информационных сообщений с наиболее вероятным (наиболее типичным для данной ситуации) набором сведений;

разработать процедуры моделирования, инвариантные к различным патологическим состояниям, требующим ургентной терапии;

осуществить подбор рационального минимума исходных показателей, максимально точно характеризующих текущее состояние пациента и имеющих прогностически весомое значение в динамике заболевания, что позволит оперативно проводить необходимые медицинские манипуляции;

создать оптимизационную математическую модель, позволяющую

на основе рационального минимума клинических, функциональных, биохимических, иммунологических показателей (имеющих место на ранних стадиях патогенеза) установить степень тяжести и прогностические особенности течения заболевания;

осуществить верификацию прогностической эффективности модели неотложных состояний;

проанализировать эффективность дифференцированных схем лечения у больных инфарктом миокарда с заранее неизвестными особенностями течения заболевания, в том числе с вероятным отсроченным развитием некроза миокарда (рецидивирующее течение инфаркта миокарда) ;

определить принципы диагностики и превентивной терапии неотложных состояний в клинике внутренних болезней для практического применения в работе реанимационных отделений, палат интенсивной терапии, специализированных стационаров, экспертных и медико-социальных комиссий.

Научная новизна результатов, выводов и положений, полученных з диссертации.

. Предложена концепция интегрального моделирования неотложных состояний, отличающаяся инвариантностью моделей к нозологическим формам.. позволяющая формализовать процедуры диагностики и прогнозирования в автоматизированных медицинских системах.

Сформулированы основные принципы формирования обучающей выборки медико-биологических показателей, отличающиеся предварительной фильтрацией исходной информации с целью обеспечения достоверности модели.

Сформированы процедуры оптимизации признакового пространства, учитывающие требования минимизации информационной избыточности показателей при сохранении значимости параметрической системы, основанные на классификации признаков.

Определены методы дифференциальной диагностики состояний пациента. отличающиеся механизмом адаптивного самообучения, обеспечивающие адекватную идентификацию конкретных патологических процессов.

Разработан подход к лечению больных инфарктом миокарда, отличающийся дифференцированным содержанием, снижающий риск развития осложнений острого периода.

Получены прогностические модели неотложных состояний, использующие принцип прецедентности, позволяющие определить характер течения заболеваний по значениям исходных показателей.

Предложена методика классификации больных инфарктом миокарда, определяющая пациентов с высокой вероятностью развития рецидива, обеспечивающая эффективную превентивную терапию.

Практическая значимость и результаты внедрения

Осуществлено решение задачи создания унифицированной схемы, позволяющей в максимально короткий срок в оптимальном объеме решить вопрос о тактике ведения больного. Использование современных средств вычислительной техники позволило осуществить ее эффективное применение для решения задач медицинской диагностики посредством построения инвариантной модели неотложных состояний.

На базе обучающей выборки, полученной в результате исследования. сформирован и теоретически обоснован перечень оперативных показателей.

Разработанная инвариантная модель неотложных состояний применена для решения экспертных вопросов дифференциальной диагностики, прогнозирования осложнений и выбора превентивной терапии у больных осложненным инфарктом миокарда, • приступной бронхиальной астмой смешанного генеза.

Созданная структура автоматизированной системы прогнозирования, диагностики и выбора тактики лечения апробирована в кардиологическом отделении 3-ей городской клинической больницы, пульмонологических отделений 17-ой городской клинической больницы. Городской клинической больницы скорой медицинской помощи.

Технология комплексной диагностики на базе инвариантной модели неотложных состояний одобрена Комитетом по здравоохранению Администрации Воронежской области и Управлением здравоохранения Администрации г.Воронежа и рекомендована к широкому использованию в работе реанимационных отделений, палат интенсивной терапии многопрофильных стационаров, специализированных отделений, экспертных и медико-социальных комиссий..

Материалы диссертации используются в учебно-методическом процессе кафедры факультетской терапии ВГМА им.Н.Н.Бурденко при обучении студентов, врачей-интернов, клинических ординаторов в

курсах "Интенсивная терапия", "Дифференцированная терапия острого периода инфаркта миокарда", "Дифференцированный подход к базовой терапии бронхиальной астмы".

По материалам работы получено 2 авторских свидетельства (патента) на изобретение ("Способ диагностики бронхиальной астмы", авторское свидетельство 1807394, приоритет от 29.95.92г.; "Способ определения времени эвакуации бронхиального секрета", патент на изобретение 4920287/14, приоретет от19.03.91г.)и положительное решение ВНИИГПЭ на изобретение "Способ определения эффективности кашля"(положительное решение 4945295/14/049514, приоретет от 13.05.92г.),принято рационализаторское предложение отраслевого значения МЗ СССР "Способ купирования приступов инфекционно-зави-симой бронхиальной астмы" (0-3437, приоретет от 21.10.88г.), 7 рационализаторских предложений в ЛПУ г.Воронежа.

Аспекты практического внедрения результатов диссертационной работы отражены в методических рекомендациях для врачей МЗ СССР "Лечение больных неспецифическими заболеваниями легких с применением интрапульмонального введения жидких лекарственных веществ" (МЗ СССР, Москва.1989г.), "Неотложная терапевтическая помощь" (ВГМИ, Воронеж, 1993г.), "Оценка степени тяжести бронхиальной астмы на основе классификационного подхода", "Превентивная терапия осложнений острого периода инфаркта миокарда". "Прогноз и превентивная терапия рецидивирующего инфаркта миокарда" (Комитет по здравоохранению администрации Воронежской области, ВГМА. ВГТУ, 1997г.); учебно-методических пособиях для врачей "Осложнения острого периода инфаркта миокарда", "Классификация бронхиальной астмы по степени тяжести течения".

Апробация работы. Основные положения диссертации доложены на конференции молодых ученых Воронежской государственной медицинской академии им. Н.Н.Бурденко (г.Воронеж, 1989, 1990. 1991г.г.), заседании Воронежского областного терапевтического общества (г.Воронеж, май 1991г.), конференции врачей-информаторов отдела по здравоохранению (г.Воронеж, ноябрь 1990г.), 1 Всесоюзном конгрессе по болезням органов дыхания (г.Киев, ноябрь 1990г.),. Воронежской областной конференции терапевтов(г.Воронеж, 1988, 1990, 1995, 1996г.г.), итоговой научной сессии "Ученые-медики практическому здравоохранению" (г.Воронеж, 1989Г:), научно-практической

конференции врачей Сибири и Дальнего востока (г.Барнаул, 1989г.), Всероссийской конференции по применению лазеров в медицине (г.Хабаровск, 1990г.), 3-ей научно-практической конференции "День науки" (г.Липецк, 1991г.), Всероссийской терапевтической крнференции (г.Москва, 1992г.), 3-ем Национальном конгрессе по болезням органов дыхания (г. С. Питербург, 1992г.), научно-практической конференции "Современные методы контроля лазерного облучения крови и оценка эффективности лазерной терапии" (г.Новосибирск, 1992г.). учебно-методической конференции ВГМИ (г.Воронеж. 1990г.).Всероссийской научно-практической конференции (г.Чебоксары. 1991г.), Международной научно-практической конференции "Медицинская техника и технологии" (г.С.Питербург, 1995г.), Расширенной коллегии Комитета по здравоохранению Администрации Воронежской области "Новая медицинская техника" (г.Воронеж, 1995г.), Всероссийской конференции "Превентивная кардиология" (г.Суздаль, 1991г.), Международной конференции по биомедицинскому приборостроению "Био-медприбор-96" (г.Москва, 1996г.), 7-ой Международной научно-технической конференции "Лазеры в науке, технике, медицине" (г. Сергиев Посад, 1996г.), совместной конференции Воронежского областного общества терапевтов. Воронежского отделения Всероссийского научно-практического общества кардиологов, кафедры факультетской терапии ВГМА- им.Н.Н.Бурденко "Новые медицинские технологии" (г.Воронеж, 1997г.), ежегодных конференциях студентов и сотрудников ВГМА(Воронеж,1989-1995Г.). Воронежском городском организационно-методическом совете при Управлении здравоохранения (г.Воронеж, 1994, 1995, 1996г.Г.)

Публикации. По материалам диссертационной работы опубликовано 40 печатных работ (из них 24 в центральной печати), в том числе 1 монография, 5 методических рекомендаций для врачей, 3 учебно-методических пособия, 3 изобретения.

Структура и объем работы. Диссертация состоит из введения, 6 глав, заключения, изложенных на 271 страницах машинописного текста, содержит 56 иллюстраций, 72 таблицы, список литературы из 304 наименований. В приложении к главе 6 приводятся клинические примеры проведенного исследования, в приложении - акты клинического внедрения.

СОДЕРЖАНИЕ РАБОТЫ.

Во введении обоснована актуальность проблемы, определены цель работы, объект и предмет исследования. Сформулированы научные результаты, выносимые на защиту, определены их научная новизна и практическая значимость, приведены сведения об апробации и клиническом внедрении работы.

В первой главе рассматриваются классификационные особенности бронхиальной астмы и осложнений инфаркта миокарда, имеющие принципиальное значение в тактике проведения неотложной терапии и дифференцированного подхода к превентивному лечению, а также выборочно анализируются механизмы действия лекарственных препаратов для обоснования их использования в коррекции тех или иных осложнений.

' Показано, что проводимые ранее исследования определяют необходимость создания единой схемы диагностики и дифференциальной терапии прежде всего в клинике неотложных состояний. Широкое внедрение в клиническую практику биомедицинских кибернетических систем на базе современной компьютерной техники позволяет моделировать те.или иные ургентные состояния и оперативно получать объективные результаты.

На основе проведенного анализа определяется актуальность темы исследования, формулируются его цели и задачи.

Вторая глава посвящена математическим аспектам медицинской диагностики. Рассмотрены понятия теории распознавания образов, которые в проведенном исследовании используется для автоматизации постановки диагноза, а также основные вопросы кластерного анализа, процедуры которого лежат а основе методов проведенного исследования.

Формирование алгоритма медицинской диагностики решается с учетом следующих этапов:

1) адекватное описание и кодирование состояния человеческого организма;

2) отбор и формирование оптимального множества признаков, наиболее существенных для диагноза, исключение незначимых призна-

ков;

3) обнаружение и исключение из обучающей выборки возможных ошибок;

4) нейтрализация влияния на диагноз возможных ошибок в описании состояния больного;

5) использование возможно меньшей обучающей статистики.

В диссертационном исследовании процесс классификации основан на использовании метода кластерного анализа - многомерной статистической процедуре, анализирующей данные, содержащие информацию о выборке объектов, и затем упорядочивающей объекты в сравнительно однородные группы.

В основе метода кластерного анализа лежит принцип группировки объектов на основании сходства всей совокупности признаков, их описывающих, причем не один из признаков не является определяющим для решения об объединении объектов в группу.

Геометрический способ формирования образов объектов имеет следующий вид. Если некоторый объект представлен .множеством значений своих параметров (признаков) Р, то есть ш: Р - Цр1. 1 = 1,2,...,1, то его образ является точкой в ортогональном гиперпараметрическом признаковом пространстве.

, Статистическая выборка й объемом N объектов' исследования (п = 1.Я) является матрицей вида:

п- аг:шь- (р1«. Р2г>. -•• Р1п. Р'п >

В геометрическом представлении выборка (Шп) является множеством точек в гиперпараметрическом ортогональном признаковом пространстве {р1}.

Следующая ступень - устранение их "перекоса"., связанного с различными динамическим диапазонами значений параметров. Параметры задаются в заранее определенных диапазонах - [0,1], [~1,+1].

Основные шаги при кластерной группировке пациентов выполнялись. по следующему алгоритму:

ПУСТЬ N - число объектов' ;

О! ^{ш,}, 1 = 1,2.....N - исходные кластеры;

С - количество искомых кластеров; с = N - текущее число кластеров.

ШАГ 1. Если С > с - останов.

ШАГ 2. Найти ближайшую пару групп и Q}.

ШАГ 3. Присвоить Qt = Qt U Q} = 0; с = с-1;

ШАГ 4. Перейти на ШАГ 1.

Описанная процедура заканчивается, когда достигнуто искомое число групп С. Если положить С—1, то происходит полное объединение с образованием традиционной дендрограммы.

Методы варьируются в зависимости от того, какой критерий сходства выбран для объединения (ШАГ 2). Наиболее употребимы еле- • дующие меры расстояния между кластерами Qj и Q3. при минимальном значении которых выносится решение об объединении кластеров:

anln(ñi,Q3) = rain ||со - ш'||: (и fii, ы'

<W(Qi• Qj) = шах ||ш - üj'II:

(1) ÍJj, 0)' Qj

1

daVg№t.Q3) =- I 2 ||a-u'||:

n^ ш Qt tu' Q-,

dmean(Q1.Qj) = rain | liDj - nij||:

Здесь 11 * | i - выбранная метрика, m - вектор геометрического центра кластера.

Этапы разработки модели соответствуют задачам медицинской диагностики - от кодирования информации о пациентах до диагностики их состояния и выбора методов лечения.

В третьей главе рассматривается проблема информационной фильтрации. Это обусловлено как субъективными, так и объективными причинами: широкой, неадекватной вариабельностью субъективных показателей; неверной самооценкой больными выраженности • некоторых симптомов заболевания; ошибками в применении методики определения показателей; погрешностями регистрирующей аппаратуры; банальными ошибками при регистрации данных по проведенным исследованиям в медицинской документации; наличием ' сопутствующих заболеваний, способных в большей степени, чем исследуемые, повлиять на значение регистрируемых показателей; использованием численных значений

показателей, полученных различной регистрирующей аппаратурой с отличающейся калибровкой и т.д.

При проведении фильтрации, заключающейся в отборе из исходного множества информационных сообщений (источников):

N

Я =

П = 1

где п = 1,2, ..Д - индекс группы сообщений с оценкой достоверности <3„ выше некоторой значимой величины (3°, решается ряд попутных задач,требующих проведения идентификации наиболее и наименее достоверного сообщения. Для информации, имеющей численные значения сведений; которые содержатся в обобщениях при решении задачи информационной фильтрации, использован следующий подход.

В системе каждое информационное сообщение (!)„ • Я представлено численными значениями фиксированного набора сведений Р:

"V Рп = <Р1п.Р2п.....Р'п.....Р'п>-

где 1 = 1, 2.... I - индекс факта из информационного сообщения. ■ Тогда решением задачи информационной фильтрации является отображение исходного множества информационных сообщений 0 = 1Ц

п

во множество оценок достоверности исходных сообщений Б = Ш„ и

п

формирование множества отобранных (отфильтрованных) сообщений

Р = бйк по правилу:

ГГ. (Л, "* {

где 0 - некоторое пустое множество.

Наиболее Гтах и наименее Гт1п достоверные сообщения идентифицируются из правила:

/ Г«ах I йп - тах б„ п: Шп - < п

I = иШ п

Определение достоверности информационных сообщений основывается на концепции типичности, т. е. достоверность й„ информационного сообщения ш,, тем выше, чем оно типичнее для данной ситуации. Сведения из сообщений Срг п} представлены численными значениями, поэтому правомерен геометрический подход, позволяющий рассматри-

вать информационные сообщения как "созвездия" в 1-мерном гиперпространстве признаков (сведений). Способ и адекватность решения зависят от дополнительных априорных данных о степени "засоренности" выборки сообщений Q. В работе предполагаются процедуры определения степени достоверности информации.

Если объем выборки Й составляет N. то организуется M=N-2 итерационных цикла с индексами С=2,3_____N-1. В каждом итерационном цикле осуществляется классификация выборки X на С классов и для всех итераций подсчитывается 1П - суммарное количество включений каждого сообщения в классы G^ объемом tk>2: С - 2,3.....N-1; п = 1,2, ...N:

In = III

n|<i\,-*Gs & ts > 2

При этом степень достоверности информационного сообщения ш„:

än = I„/(N-2).

Классификация выборки сообщений на заданное число классов С осуществлялась с использованием метода кластерного анализа или таксономии. Для этого с помощью выбранной метрики строилась матрица взаимных расстояний между сообщениями с элементами матрицы:

n.t-1.2.....N : rnt -( KpVp't)2 ),/z-

1

Далее сообщения классифицировались с использованием гипотезы компактности:йт1„ = min irnt}; Rn,ax = шах {rnt).

п.t n, t

Шаг варьирования порога dR выбирается, исходя из гистограммы распределения взаимных расстояний о учетом того, что количество кластеров должно пройти все значения от 2 до N-1.

Кроме перечисленных задач по фильтрации информации осуществлялась задача построения некоторого гипотетического эталонного сообщения ы0. являющегося обобщающей характеристикой множества сообщений Й = Lton- Для численной и лингвистической упорядоченности

п

информации при нормальном законе распределения значений высказывании этим обобщающим сообщением являлось:

"о = < р1 ~0>рг~0.....Р1-«).....Р^оЬ

где 1:'р'~0 = 2pln/N - взвешенные средние значения.'

Однако закон распределений численных значений сведений в сообщениях Шп не может быть постулирован нормальным. При этом ус-

реднение проводилось с учетом степени типичности или достоверности высказываний, например, как

1: р'~0 - 2 (йп р,,1) /I (1п п п

где р'~0 - взвешенные средние значения.

По аналогии с нечеткими множествами множество сообщений Й

математически определялось как совокупность упорядоченных пар,

включающих элементарные сообщения О и степень их достовре-

ности (принадлежности) йп.

N

Й = и (ц,, с!в),

причем й„ является функцией отображения ш,, на интервал [0,1], т.е. йдгсоп - tO.ll.

Предложенный метод фильтрации применен для ■ анализа выборки из 120 больных бронхиальной астмой с легким персистирующим, сред-нетяжелым персистирующим и тяжелым персистирующим течением заболевания; 245 больных острым крупноочаговым инфарктом миокарда, среди которых определялось пять групп пациентов в различными осложнениями осторого периода, группы с рецидивирующим и неослож-ненным течением заболевания. Проводился математический анализ статистических параметров 30 показателей, характеризующих состояние больных бронхиальной астмой и 61 показателя - больных инфарктом миокарда на 3-й, 10-й дни лечения и перед выпиской из стационара. Целью фильтрации являлось исключение пациентов, для которых один- или несколько показателей неадекватны реально возможным значениям, что может исказить структуру модели. Определялся порог степени достоверности, исходя из гистограммы распределения степеней достоверности. Если выборка зашумлена незначительно, объекты с грубыми отклонениями в значениях параметров, их описывающих, имеют низкие величины степеней достоверности, и соответствующие им столбцы гистограммы находятся в ее крайней левой части.

С помощью гистограммы определено пороговое значение степени достоверности й°, соответствующее первой точке перегиба гистограммы на отрезке ее монотонного возрастания.■

Это позволило идентифицировать объекты, явно выпадающие из достоверного ряда. Будем считать, что объекты, степень достовер-

ностй которых с!п имеет значение, меньшее (3° требуют предвзятой экспертной оценки или же должны быть исключены из общей выборки для минимизации исходной информации модели. Для выборки больных бронхиальной астмой получено значение =0.125 (рис.1а), для инфаркта миокарда - 0,1 (рис. 16).

рис. 1а рис. 16

Гистограммы степени достоверности объектов для выборки больных бронхиальной астмой (1а) и инфарктом миокарда (1б).

Степень достоверности оказывается меньше расчетного порого- ' вого значения у з и 5 пациентов соответственно. Таким образом, используя принцип автоматизированной фильтрации ' информации, для формирования математической модели в дальнейшем использовалась выборки больных, из которой указанные объекты были исключены.

Четвертая глава посвящена формированию модели неотложных состояний. Как уже отмечалось выше, модель выполняет две принципиально различные функции: анализ выборки пациентов, позволяющий сгруппировать их по сходству течения заболевания: идентификация состояния конкретных больных на основании результатов группировки (классификации).

Входными данными для первого этапа являлась матрица Й. в которой строки соответствуют отдельным пациентам, а каждый из столбцов определяет значение признака. Такую матрицу назовем обучающей выборкой: 0 = {соп: п = 1.2.....М);^: Р„ =

(Р\>Р\.....Р1!,.....РГп)-

где К - объем выборки;

I - количество измеренных показателей;

р1п - значение 1-го показателя для п-го пациента.

При формировании модели на основе обучающей выборки й, выделялись группы больных, дифференцированные по особенностям течения заболевания.

Для общей математической модели (рис.2) заранее определялись форматы"входных и выходных данных Ю , т.е. производилась конфигурирование системы для конкретной задачи. ■

СИСТЕМА КЛАССИФИКАЦИОННОГО АНАЛИЗА

Настройка системы для организации ввода/вывода

Формирование кластеров Ок

Расчет функций распределения Р

ОПРЕДЕЛЕНИЕ РЕШАЮЩЕГО ПРАВИЛА

БЛОК КЛАССИФИКАЦИИ

ОШ)=к

Форматы входных и выходных данных'

Нормативные показатели, патологические отклонения

Обучающая выборка

Пациент Врач-

эксперт

Б

I, ИЬ

ОЦЕНКА СОСТОЯНИЯ. ■ВЬБОР МЕТОДА ТЕРАПИИ

РИС. 2.

Структура математической модели неотложных состояний

Значимость входных параметров определялось с учетом станг

дартных функциональных показателей Ь = : 1 = 1.2.....1) и

возможных патологических отклонений VI = {<31!: 1 = 1,2, ...,1>. При совместной обработке последних и матрицы й формировалось множество функций распределения Р = {V. 1-1,2____,1). которое

позволяет прерогативно учитывать смещение показателей за пределы биологической нормы, что влияет на формирование кластеров йк: к=1,2,'____К, (Я - количество кластеров), т.е. на определение однородных групп больных.

При работе системы определялось решающее правило Ой. позво-

ляющее для произвольного больного X. состояние которого описывается параметрами {р1*: 1 = 1,2,...,I}, определить соответствующую группу т.е. классифицировать состояние пациента: П1?(Х) = к,

где к - метка кластера, в который попадает пациент.

Анализ обучающей выборки Й позволил провести собственно формирование кластеров Каждый пациент представляется в виде объекта (точки) в многомерном пространстве признаков. Под признаками понимались диагностированные показатели. В настоящей работе предлагается алгоритм автоматизированной классификации объектов на основе значения среднего расстояния между ними в пространстве признаков.

Для реальных объектов признаки имеют различную природу, а следовательно размерность и пределы варьирования, поэтому производится нормирование признаков по следующему правилу:для всех

пД: п = 1.2,..Л; 1 - 1,2.....1: р-1 п = (р»п - р^^/ар1. где

р'тах = тах Сргп>; р^щ = т!п {р1,,};

п п

^р1 = р'гсах - Р1ш1п•

Если йр1 =0, т.е. значение 1-го признака одинаково для всех объектов, то данных признак не имеет информативной значимости и при классификации его значение игнорируется.

.После нормирования значения -признаков занимали диапазон [0,1], т.е. признаковое пространство представляет собой единичный гиперкуб. Все признаки безразмерны и имеют один масштаб измерения. что позволяло определять расстояния между отдельными объектами. Необходимым этапом являлось построение матрицы взаимных

расстояний К = {гз1: з,t = 1.....Ю. Расстояние между объектами з

и Ъ определялось согласно евклидовой метрике:

г« = (,1, (И. - Р~\>г]-/2

Полученная матрица являлась симметричной относительно нулевой главной диагонали: гз1=ггз, ГдБ=0. При ее анализе определялось среднее расстояние между объектами:

1

к • 3,1: 1 <1< з < N

N (N-1)

где К = -- количество индивидуальных значений

2 матрицы взаимных расстояний Я.

Для классификации выбирается значение порога, равное половине среднего расстояния между объектами:

R» = •

Объекты ws. u)t считались принадлежащими одному кластеру, если расстояние между ними меньше порогового значения (rst<R0), <Dt Йк I

|rst<R0 & существует ш3 fik

и разным кластерам - в противном случае.

Для сужения перечня регистрируемых -показателей без ущерба для достоверности автоматизированной классификации использовался аппарат обратного кластерного анализа, сущность которого заключалась в группировке признаков по сходству содержащейся в них информации. Для этого исходная обучающая выборка транспонировалась. Для каждого кластера определялся центр тяжести, который в дальнейшем назывался ' центром кластера: Йк: Ск {clk,с2К.....cnl!,..., cHk};

1

cnk = £ Р~'п '

1к 1 И* >

где Ск - вектор, описывающий центр К-го кластера;

р-1,, - нормированное значение 1-го признака- для п-го объекта;

ük}, Ik - соответственно множество индексов и количество признаков, принадлежащих k-му кластеру;

Далее производилось упорядочение признаков: чем ближе точка, соответствующая признаку, к центру кластера, тем в большей степени он представителен для данной группы признаков.

1 (1к) 5! - Шр-V сп1сП1/г ■

п

Признак с номером ik, находящийся на минимальном удалении от центра кластера ñk: ik : 6ml „ = rain (б!}

1 Uk}

может быть использован для проведения классификации.

Аппроксимацией метапараметра служит значение одного признака, находящегося на минимальном удалении от центра кластера, или же строилась регрессионная модель, связывающую их функционально.

Для проведения классификации признаков использовалась выбор-

ка из 117 больных бронхиальной астмой различной степени тяжести (Количество признаков - 31. количество объектов - 117). Процесс классификации осуществлялся в автоматическом режиме, т.е. пороговое рассчитанное значение Е=2.195 не корректировалось. Для определения преобразования значений признаков к центральным точкам кластеров применялась линейная модель. Под обособленными понимались признаки, не вошедшие ни в один из полученных кластеров.

С учетом максимальной приближенности к центру кластера и высокой степенью корреляции с ним, а также возможной оперативности определения показателей и их клинической доступности, были выбраны три показателя как представители каждого из полученных классов (таблица 1).

Таблица 1.

Показатель Вер И А1 АО

1. Относительная одно-секундная емкость гЕУ1 2. В-лимфоциты 3. Кортикостероид-резис-тентная фракция Е-РОК 0.890 0.786 1.091 0.9702 0.9801 0. 9534 0. 02289 0.05111 0.04532 -0.7675 -0.5067 -3.2194

Бср - расстояние между признаком и центром соответствующего кластера в гиперпространстве объектов;

К - козффициент корреляции между векторами, описывающими признак и центр соответствующего кластера;

А1, АО - коэффициенты линейной регрессии сп = А^р1,, + АО. где рп и сп - соответственно значение 1-го признака и координата центра кластера для п-го объекта.

Для классификации признаков использовалась выборка из 240 больных острым крупноочаговым инфарктом миокарда, протекающим с различными осложнениями в остром периоде (количество признаков -61, количество объектов - 240). Процесс классификации осуществлялся' в автоматическом режиме, пороговое значение Я = 4.742 не корректировалось.

' На основании проведенной классификации признаков, описываю-

щих инфаркт миокарда при различных его осложнениях, получено 10 кластеров.

С учетом ране!е полученного опыта, предполагающего возможность замены подмножества признакового пространства в пределах полученного кластера одним метапараметром, аналогичная операция проведена для выборки больных инфарктом миокарда.

По аналогии с этапом оптимизации признакового пространства для бронхиальной астмы, при отборе.признаков использованы принципы:

(1) минимального расстояния до центра кластера при высоком значении коэффициента корреляции с ним;

(2) оперативности и клинической доступности определения показателя.

В результате чего в качестве оптимальных для дальнейшей прямой классификации отобраны признаки (таблица 2).

Таблица 2.

Показатель Оср Л А1 АО

1. Систолическое артериальное давление 0. 824 0. 9875 0.00919 -0. 8269

2. Элевация сегмента БТ 0 847 0.9384 0.19699 -1 0056

3. Интервал Т-Р 0. 598 0.9901 9.76684 -1 0107

4. ИК0-30 антиген (тяжелая цепь М на мембране

В-лимфоцитов) 0. 895 0.9174 0. 09748 -0 5161

5. Индекс инактивации тромбопластина и

тромбина ГШ/ 1 159 0. 9567 0.88988 -1 0513

6. Каолин-кефалиновое

время свертывания АЧТВ 0 976 0.9641 0.05156 -1 2422

7. ЛДГ-1 1 143 0.9675 0.05190 -1 0455

8. Калий сыворотки крови 0 954 0.9561 0.32395 -1 3635

9. Фракция выброса по

данным ЭХО КГ 0 795 0.9624 0.02053 -0 3911

10. Минутный объем сердца 0 791 0.9732 0.25906 -1 2828

Таким образом, полученные результаты позволили говорить о формировании модели неотложных состояний, используя ограниченное подмножество признаков. Это подмножество генерировалось путем формирования признакового пространства на основе выделения плеяд признаков, отбора наименее удаленных от центров плеяд, что после функционального преобразования позволило использовать их как единый параметр для всей плеяды. • .

В пятой главе проводится сравнение результатов различного вида классификаций (с использованием нескольких вариантов признакового пространства). На основе этого определялось адекватное минимизированное признаковое пространство, классификация при котором является наиболее близкой к эталонной классификации.

Для количественной оценки расхождения результатов классификации одной и той же выборки объектов Q сравнивалось два различных множества кластеров - Q1 и О2.

О1 = { Q1 J, Qj2..... Q'p, ..., Q*P ):

Й2 = { QV ..... fl*t..... OS ).

где P, T - соответственно количество кластеров при эталонной и анализируемой классификации Анализируемая выборка представлена различными признаковыми пространствами(вектора ц,1 и ш^2, описывающие один и тот же объект для различных классификаций, отличаются размерностью и набором компонент). В общем случае Р * Т, так как при используемом в настоящей работе алгоритме классификации количество кластеров заранее не задается. Расхождение оценивалось по изменению качественного состава кластеров. На первом' этапе определялись пары кластеров из множеств й1 и Q2, соответствующие одним и тем же группам объектов. Для этого определялось количество элементов в некотором множестве объектов.

vd1(£2k) =1 II

111 Ц %

Тогда функции, определяющие количество соответственно совпадающих и несовпадающих элементов в двух множествах Qt и йг определялись: mvtfij, 02) = vol (fli П Qz): var(Qj, fi2) = vol (Qj U Q2) - lnvifij. Qz).

Определялся коэффициент совпадения двух множеств:

mv(Qt. Qz)

slnUQj. Йг) = -.

vol(Q,, Ог)

Заметим, что 0 < 81(11(0!, й2) < причем зш(Й!, й2) = 0

при Й! П 0г = 0; з1ш(й1, йг) = 1 при Й! = й2.

Для сопоставления двух результатов классификации одной и той

же выборки объектов строилась матрица Б размерности РхТ

Б = (Эр,,; р = 1,2,. .Р: I = 1,2.....Т>;

йр I = 31ш(й1р,й21) Матрица соответствия классификаций 51' и

о2! й2

г

О2!

Й'г

Sn S21

S1Z S2Z

t

s2t

SlT S2T

Й1,

QK

spi sp г

2p j Op z

Bp t Sp t

spT SPT

Кластеры й*р и считались соответствующими одной подгруппе выборки й в том случае, если

max {spt} = шах ispt},

Р t

т.е. элемент spt является максимальным одновременно для строки р и столбца t. Таким образом, при анализе матрицы S формируется множество пар кластеров Й12, которые представляют собой наиболее близкие группы объектов для различных классификаций:

й12 ' U (й1 рк • й2 tK) • к

где к = 1,2____К - количество пар, причем для каждой пары выполняется условие:

шах {sDt)

в V 1

max {spt} Ь (k,l=l,2.....К: pk*pi & t^ti)

Степень совпадения результатов двух классификаций определялось, исходя из количества элементов, "не изменивших своего положения" при различных классификациях:

I « I 1ПУ(Ш1р1с,Шги).

Коэффициент совпадения р определяется выражением р = I/ Такая методика позволила проанализировать, насколько изменяются результаты классификации при варьировании признакового пространства. '

Под компактностью кластера понималась относительная величина, характеризующая степень удаленности объектов, входящих в

кластер, от центра этого кластера. В качестве характеристики компактности кластеров йк, предлагается величина определяемая по формуле:

ч -

К б2

где б2к и б2 - соответственно внутрикластерная дисперсия для йк и межкластерная дисперсия.

Дисперсия характеризует степень рассеяния значений случайной величины X относительно ее среднего значения, а ее несмещенная оценка вычисляется следующим образом:

б2 = — £ (X, - X,!,)2, * Н-1 1=1 1

где N - объем выборки наблюдений случайной величины X, хср - среднее арифметическое.

Так как дисперсия является оценкой среднего квадрата отклонения случайной величины от ее среднего значения, а при высокой компактности кластеров среднее внутрикластерное расстояние меньше среднего расстояния между кластерами, то коэффициент компактности принимал значения в диапазоне ^ [0,1]. При этом ^=0 в том случае, если в кластер входит только один объект, а Ц=1. если объекты выборки входят в один всеобъемлющий кластер.

Для анализа компактности распределения объектов по кластерам. вводится усредненный критерий компактности - среднее значение коэффициентов компактности по всем кластерам: 1ср = )/К,

к

где К - количество кластеров.

Классификация производилась при однопроходовом анализе матрицы взаимных расстояний между объектами.Анализировались выборки из 120 больных бронхиальной астмой и 245 больных инфарктом миокарда. В результате предварительной-экспертной оценки, проведенного, лечения, обследования и последующего наблюдения эти больные были заранее классифицированы соответственно по тяжести течения легочной обструкции и осложнениям инфаркта миокарда. Проведены и сопоставлены по своим результатам 4 варианта классификации объектов:

1. Объекты описываются полным перечнем показателей, характеризующих их состояние (31 показатель для больных бронхиальной астмой и 61 - инфарктом миокарда).

2. Для классификации объектов используется ограниченный перечень показателей, нашедший теоретическое обоснование в предыдущей главе (3 показателя для больных бронхиальной астмой и 10 -для больных инфарктом миокарда).

3. Проверяется значимость тех признаков, которые при оптимизации признакового пространства оказались обособленными (не были включены в .какой-либо кластер). При этом объекты описываются соответственно 7 и 12 параметрами.

4. Преследуя экспериментальный интерес, в последнем варианте классификации выбор конкретных признаков рандомизирован: из полного перечня признаков случайным образом (номер признака определялся при помощи генератора случайных чисел ЭВМ, выдающего равномерно распределенные случайные целые числа) выбраны соответственно 3 и 10 показателей.

По результатам приведенных вариантов классификаций получены следующие выводы:

1) Для всех теоретически обоснованных вариантов признакового пространства получен весьма высокий коэффициент соответствия с ожидаемыми результатами. Заметим, что для оптимизированного признакового пространства наблюдается полное совпадение с априорно проведенным разделением пациентов.

2) Полученное совпадение результатов классификации по оптимизированному перечню показателей позволяет судить об обоснованности прогнозирования без потери информативности в плане постановки диагноза. Адекватность предложенного метода сокращения признакового пространства иллюстрируется неудовлетворительными результатами классификации при использовании такого же количества случайно выбранных признаков.

Полученные результаты позволили рекомендовать применение второго варианта признакового пространства, так как классификация с его использованием обладает следующими преимуществами:

а) доступность получения минимального количества признаков при неизменности достоверности результатов классификации.

б) более высокий показатель достоверности по сравнению с третьим вариантом указывает на низкую информативность обособленных признаков.

Результаты оптимизации признакового пространства с предварительной фильтрацией исходной выборки больных позволило в несколь-

ко раз сократить список диагностических показателей без ущерба для постановки диагноза. Результаты классификации объектов подтвердили возможность их компактной группировки в зависимости от особенностей течения того или иного заболевания, что в дальнейшем обеспечивает применение результатов моделирования для идентификации состояний пациентов с априорно неизвестными осложнениями заболевания.

В шестой главе рассматриваются аспекты практического применения созданной инвариантной модели для дифференциальной диагностики осложнений инфаркта миокарда. Показатели поступившего в стационар пациента вносили в исходную обучающую выборку и повторяли весь процесс классификации.

Использовался вероятностный подход. Каждому объекту, подлежащему классификации, ставился в соответствие вектор вероятностей, с которыми объект относился к каждому из классов: Рп =

.Ф1 • Ре.....Рк.....Рк): Рк = р(А Оц). сумма вероятностей £рк < 1,

к

причем равенство выполняется в том случае, если объект требуется обязательно отнести к одному из существующих кластеров. Неравенство является строгим, если согласно каким-либо критериям можно предположить, что объект нельзя отнести к имеющимся классам. Отнесение объектов к э-му классу осуществлялось, если значение вероятности рк является наибольшим:

Рп: р3 = тах{рк} => ш,, -к

При определении вероятностей принадлежности объекта кластерам учитывалось расстояния от объекта до последних, а также их размеры, форма и плотность.

' Такая методика позволяла избежать тех случаев, при которых идентификация объекта является сомнительной и, следовательно, могла повлечь за собой ошибки диагносцирования и выбора методор лечения.

Эффективность созданной инвариантной модели неотложных состояний апробирована в клинических условиях на обширной выборке, представленной 281 больным инфарктом миокарда. В состав выборки вошли больные с крупноочаговым, впервые возникшим инфарктом миокарда, протекающим на фоне рабочих цифр артериального давления в возрасте от 20 до 60 лет.

Идентификация состояния проводилась у каждого больного крупноочаговым инфарктом миокарда по мере поступления их в стационар. Исходные показатели вновь поступивших пациентов включались в исходную выборку, и в результате автоматического анализа, включающего расчет порогового расстояния, пациенты относились к одному из кластеров.

По результатам прдведенного исследования общая выборка из 281 пациента была разделена на 6 групп.

В целях оценки эффективности практического применения созданной модели, указанные группы больных инфарктом' миокарда с предполагаемыми осложнениями сравнивались с пациентами обучающей выборки, рандомизированными по полу, возрасту, тяжести состояния и наличию сопутствующих заболеваний.

Традиционная терапия инфаркта миокарда включала наркотические и ненаркотические анальгетики (промидол, трамал, баралгин) в комбинации с гипосенсибилизирующими препаратами или транквилизаторами (димедрол, пипольфен, реланиум. седуксен, рогипнол), вазо-дилятаторы (нитроглицерин инфузионно), антикоагулянты прямого действия (гепарин инфузионно и подкожно), нитраты пролонгированного действия (сустак, нитрогранулонг, нитросорбит).

С учетом результатов автоматизированного прогнозирования осложнений инфаркта миокарда рекомендовано в общую традиционную' .схему лечения включать дополнительные специфические компоненты:

Больным с предполагаемым развитием разрыва миокарда на фоне традиционной базовой терапии назначаются глюкокортикостероиды: преднизолон (30 мг внутривенно 2 раза в сутки).

Пациенты с риском возникновения фибрилляции желудочков на Фоне базовой терапии и общепринятых принципов расширения двигательного режима в течение 14'дней получают финоптин (80 мг 2 раза в сутки) и лидокаин (10% 2 мл внутримышечно через 3 часа в течение первых 3-5 суток заболевания).

При опасности кардиогенного шока, кроме медикаментов базовой программы, назначается цитомак (0.25% 4 мл внутривенно капельно в течение первых 5 дней лечения).

Дополнительным препаратом, рекомендованным при риске развития острой левожелудочковой недостаточности - отека легких - яв-

ляется представитель группы ангиотензин-преобразугацих ферментов -ренитек (производства фирмы "Merck, Sharp & Dohme") в дозе 10 мг 2 раза в сутки на весь курс лечения.

Больным инфарктом миокарда с предполагаемым развитием аневризмы сердца назначаются ингибиторы ангиотензин-преобразующего фермента: ренитек (5 мг 2 раза в сутки на весь срок стационарного лечения). Также этим пациентам проводится курс лазерной терапии с применением полупроводникового арсенид-галиевого лазера "Узор" с излучением длиной волны 0.89 мкм, частотой следования дискретных импульсов 1500 Гц и мощностью импульса 2-3.3 Вт. Лечение проводится расфокусированным пучком по срединной линии на уровне сочленения 4-го ребра с грудиной с экспозицией 6 минут и в области каротидных синусов симметрично по 2 минуты.

Шестая группа пациентов была достаточно представлена (98 больных). В нее при формировании обучающей выборки вошли пациенты с неосложненным течением инфаркта миокарда в совокупности с теми больными, для которых при последующем наблюдении имело место рецидивирующее течение инфаркта миокарда. Учитывая, что рецидивирующее течение инфаркта миокарда является особенностью течения острой ишемической болезни и относится к отсроченным осложнениям заболевания, использовался вариант повторной классификации в группе этих пациентов на основе клинических показателей, полученных, при завершении курса лечения острого первичного коронарного некроза. Не имея возможности в острейшей и острой фазе инфаркта миокарда прогнозировать развитие рецидива заболевания, терапевтические мероприятия в этой группе больных трудно дифференцировать. Все пациенты этой группы получали стандартное лечение вплоть до результатов повторной дифференцировки.

Классификация объектов, вошедших в объединенный 6-й кластер, проводилась на 20-й день лечения (накануне выписки из стационара). Прогнозирование рецидивирующего течения инфаркта миокарда было выполнено с использованием обучающей выборки, которая была сформирована при повторном анализе смешанной подгруппы пациентов и разбита на 2 кластера, соответствующие неосложненному и рецидивирующему течению заболевания. В результате классификации пациенты были разбиты на две группы.

' Анализируя в целом результаты, полученные в ходе проведенного исследования, можно сформулировать следующие выводы:

применение инвариантной модели неотложных состояний в группе больных инфарктом миокарда позволяет в автоматизированном режиме достоверно предполагать развитие осложнений острого периода заболевания. Об этом свидетельствует высокий процент совпадений фактического развития предполагаемых осложнений в контрольных подгруппах пациентов (рис.За):

компактное распределение исследуемых объектов по классам, .' полученным при построении модели, и их незначительное влияние на характеристики кластеров обучающей выборки, а также отсутствие неклассифицированных пациентов подтверждает репрезентативность неходкой информации и устойчивость полученной модели:

дифференцированное лечение, проведенное с учетом результатов классификации пациентов, позволило существенно снизить степень риска развития осложнений острого периода инфаркта миокарда и рецидивирующего течения заболевания .'

. как следствие эффективно выбранной специфической терапии можно расценивать выраженное снижение летальности в основных подгруппах пациентов по сравнению с контрольными (рис. 36).

Рис.За Рис.36

Анализ прогностических показателей у больных инфарктом миокарда

ОСНОВНЫЕ ВЫВОДЫ И РЕКОМЕНДАЦИИ

1. Инвариантное моделирование целесообразно осуществлять на базе кластерного анализа, позволяющего выявлять -группы сходных объектов. Средствами классификационного подхода рациональнее осуществлять фильтрацию исходной информации, (т.е. исключение из рассмотрения объектов с сомнительными характеристиками).

■ 2. Обосновано использование метода кластерного анализа для сокращения перечня диагностических показателей, что особенно актуально в случае неотложных состояний.

3. Предложен механизм решения задачи подбора рационального минимума исходных показателей, максимально точно характеризующих текущее состояние пациента и имеющих прогностически весомое значение в динамике заболевания, что позволяет оперативно проводить необходимые медицинские манипуляции.

4. Математическую модель, позволяющую на основе рационального минимума клинических, функциональных, биохимических, иммунологических показателей (имеющих место на ранних стадиях патогенеза) установить степень тяжести и прогностические особенности течения заболевания, рекомендовано использовать в клиниченской практике.

5. Предложен и осуществлен метод верификации прогностической эффективности модели неотложных состояний, что иллюстрируется результатами анализа классификаций объектов предвзятой выборки с использованием различных вариантов признакового пространства.

6. Определены рациональные схемы поддерживающей и превентивной терапии, для конкретных клинических вариантов течения крупноочагового инфаркта миокарда.

7. Проанализирована эффективность дифференцированных схем лечения у больных инфарктом миокарда с заранее неизвестными особенностями течения заболевания* в том числе с вероятным отсроченным развитием некроза миокарда (рецидивирующее течение • инфаркта миокарда). Анализ контрольных подгрупп на этапе применения модели для диагностики пациентов с априорно неизвестными особенностями течения заболевания показал высокую частоту развития предполагаемых осложнений, что подтверждает достоверность прогнозирования. Выбранные дифференцированные схемы превентивного лечения позволили в целом более чем в два раза уменьшить риск развития осложне-

ний инфаркта миокарда. Пропорционально снизилась и летальность в основных подгруппах больных по сравнению с контрольными.

8. Высокий процент совпадения с априорно известными результатами классификации подтверждает возможность практического применения модели для дифференциальной диагностики и экспертизы разнообразных патологических состояний в клинике внутренних болезней.

9. Инвариантность модели определяет возможность ее использования для широкого класса патологий при неизменном алгоритме анализа данных.

ОСНОВНОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИИ ИЗЛОЖЕНО В СЛЕДУЮЩИХ ПУБЛИКАЦИЯХ

1. Чесноков П.Е.. Кузнецов С.И. Способ лечения инфекционноза-висимой бронхиальной астмы трансторакальным интрапульмональным введением метипреда с помощью игольно-струйного инъектора ИСИ-1 и разгрузочно-диетической терапии //Тез. докл. ХШ Воронежской областной конференции терапевтов "Диспанцеризация и реабилитация терапевтических больных.Новое в диагностике и лечении". - Воронеж. 1988. С.47-48.

2. Провоторов В.М.. Кузнецов С. И. Лечение шфекционнозависимой бронхиальной астмы с применением трансторакальных интрапульмо-нальных инъекций метипреда //Тез. докл. итоговой научной сессии "Ученые медики практическому здравоохранению". - Воронеж. 1989. С. 32-33.

3. Провоторов В.М., Чесноков П.Е., Кузнецов С.И.Применение интрапульмонального введения метипреда при инфекционноаллергичес-кой бронхиальной астме //Сов.медицина. 1989. N5. С.81-82.

4. Провоторов В.М., Чесноков П. Е.. Семенкова Г.Г.. Кузнецов С.И. Лечение больных неспецифическими заболеваниями легких с применением интрапульмонального введения жидких лекарственных веществ // Методические рекомендации Министерства здравоохранения СССР. - Москва, 1989. 10 с.

5. Провоторов В.М., Чесноков П.Е., Кузнецов С.И. Применение интрапульмональных инъекций метипреда и финоптина в лечении больных инфекционнозависимой бронхиальной астмой //Тез.докл. Всесоюзной научно-практической конференции врачей пульмонологов Сибири и Дальнего Востока. - Барнаул, 1989. С. 49-50.

ß. Провоторов В.М., Кузнецов С.И., Полякова Т.А.Клиническая

эффективность и состояние иммунитета при интрапульмональном применении метилреда у больных бронхиальной астмой //• Рукопись депонирована в НПО "Союзмединформ" К Т-20407, 6.09.90г.- Москва, 1990. 15 с.

7. Провоторов В.М., Кузнецов С. И. Способ купирования приступов инфекционнозависимой бронхиальной астмы введением метипреда и финоптина с помощь игольно-струйного инъектора ИСИ-1 //Рационализаторское предложение отраслевого значения 0-3437, 21.10^83.-Москва. 1988. 8 с.

8. Провоторов В.М.. Кузнецов С. И. Обоснование и клиническая эффективность интрапульмонального введения метипреда и финоптина при лечении больных бронхиальной астмой // Рукопись депонирована в НПО "Союзмединформ" N Т-20403, 6.09.90г.- Москва. 1090. 10 с.

9. Провоторов В.М., Чесноков П.Е., Кузнецов С.И.Способ купирования приступов бронхиальной астмы методом трансторакального интрапульмогального введения метипреда с помощью игольно-струйного инъектора ИСИ-1 // Аннотированный справочный указатель изобретений и рац. предложений "Изобретения и рационализация в здравоохранении Воронежской области". - Воронеж. 1990. С.129-133.

10. Провоторов В.М.. Кузнецов С.И. Лечение инфекционнозависимой бронхиальной астмы с применением интрапульмональных инъекций метипреда и финоптина с помощью игольно-струйного инъектора // Врачебное дело. 1990. N3. С. 34-35.

11. Провоторов В.М.. Кузнецов С.И.О клинической эффективности сочетанного использования низкоэнергетического лазерного облучения и интрапульмонального введения лекарственных препаратов у больных НЗЛ // Сборник-резюме "1 Всесоюзный конгресс по болезням органов дыхания". - Киев, 1990. с. 286.

12. Провоторов В.М., Чесноков П.Е., Бахтин В.И., Кузнецов С.И., Зиземская Е.В., Семенкова Г.Г. Клиническая эффективность применения низкоинтенсивного лазерного облучения у больных НЗЛ //Тез.докл.Всероссийской конференции по применению лазеров в медицине. - Хабаровск, 1990. С. 30-31.

13. Провоторов В.М., Чесноков П.Е., Кузнецов С.И. Динамика клинических проявлений, показателей свертываемости крови, иммунитета при лечении больных НЗЛ //Тез.докл. Ш-еЙ научно-практической конференции "День науки". - Липецк. 1991. С.41-42.

14: Провоторов В.М.. Кузнецов с.И. Лечение бронхиальной астмы введением стероидных гормонов и антагонистов кальция //Сов.медицина. 1990. N И. С. 70-73.

15. Провоторов В.М., Кузнецов С.И. Клиническая эффективность кашля у больных ХНЗЛ на основе туссографии и времени экспектора-ции //Пульмонология. 1992. N 2. С.49-51.

16. Провоторов В.М., Чесноков П.Е., Кузнецов С.И.. Семенкова Г.Г., Прицепов Ю.А.. Уваров А.Е. Туссограф - устройство для мониторинга кашля //Мед.техника. 1992. N 5. С.28-31.

17. Провоторов В.М.. Кузнецов С.И., Прицепов Ю. А. Мониторинг кашля с помощью туссографа ИКТ-1 //Тез.докл. Всероссийской конференции "Современные проблемы мониторинга в анестезиологии и интенсивной терапии". - Москва, 1992. С.85-86.

18. Провоторов В.М.. Чесноков П.Е., Кузнецов С.И., Семенкова Г.Г., Прицепов D.A. Методы оценки эффективности кашля у больных бронхо-легочной патологией с учетом данных туссографии и времени экспекторации //Тез.докл. Ш-го Национального конгресса по болезням органов дыхания. - С.Петербург. 1992. С. 280.

19. Провоторов В.М., Кузнецов С.И., Прицепов Ю.А. Клиническое значение туссографа для мониторинга кашля // Там же. С.280.

20. Провоторов В.М., Чесноков П. Е., Кузнецов С.И., Прицепов Ю.А. Способ определения времени эвакуации бронхиального секрета:

A.c. 2027998. Заявлено 19.03.91; опубликовано 30.01.92. Бил.N 13.

21. Провоторов В.М., Чесноков П.Е., Кузнецов С.И., Шайдарова

B.А., Прицепов Ю. А. Способ определения эффективности кашля //Положительное решение ВНИИ ГПЭ на изобретение N 4945295/14/023614 от 13.05.92г.

22. Провоторов В.М.. Журавлева Н. В.. Кузнецов С. И., Болотских

B.И. Способ диагностики бронхиальной астмы: А.с.1807394. Заявлено 29.05.90; Опублик. 10.10.92, Бил. N 13.

23. Провоторов В.М., Чернов Ю.Н., Кузнецов С. И.. Шведов Г. И. Неотложная терапевтическая помощь //Методические рекомендации для врачей, интернов. - Воронеж, 1992. 25 с.

24. Провоторов В.М.. Чесноков П.Е., Кузнецов С.И., Семенкова Г.Г., Зиземская Е.В. Оценка клинико-иммунологической эффективности низкоэнергетического лазерного облучения //Тез.докл. Всесоюзной научно-практической конференции "Современные методы контроля лазерного облучения крови и оценка эффективности лазерной терапии". - Новосибирск. 1990. С.40-43.

25. Провоторов В.М., Уварова Т.С., Чесноков П.Е., Кузнецов

C. П., Зиземская Е. В., Семенкова Г. Г.- Пособия, используемые студентами в работе при изучении внутренних болезней //Тез. докл.методической конференции ВГМИ. - Воронеж, 1990. С.14-16.

26. Сильвестров В.П., Провоторов В.М.. Чесноков П.Е., Кузнецов. С. И. Клинико-патогенетическое обоснование и эффективность применения низкоэнергетического лазерного облучения и глюкокорти-. костероидов при лечении больных бронхиальной астмой // Терапевт, архив. 1991. Т. 63. И 11. С. 87-92.

27. Провоторов В.М., Кузнецов С. И., Полякова Т.Д. Состояние иммунитета при бронхиальной астме при введении метипреда // Сов.медицина. 19Э1. N 10. С. 48-51.

28. ПровоторовВ.М., Чесноков П. Е., Кузнецов С.И. Клиническая эффективность лечения больных НЗЛ с применением низкоэнергетического лазерного облучения и интрапульмонального введения лекарственных веществ //Терапевт, архив. 1992. Т. 63. N 12. С. 18-23.

29. Камышев A.A., Кузнецов С.И., Чопоров О.Н. Разработка подсистемы автоматизированного построения прогностических моделей // Тез.докл.Всероссийского совещания-семинара "Математическое обеспечение информационных технологий в технике, образовании и медицине". - Воронеж, 1996. Часть 1. С. 118-119.

30. Камышев A.A.. Кузнецов С.И., Чопоров О.Н. Разработка процедур формализации моделей заболеваний //Межвузовский сборник научных трудов "Компьютеризация в медицине". - Воронеж, 1996. С. 158-163.

31. Провоторов В.М., Иванов A.B., Кузнецов С.И., Чопоров О.Н. Разработка критерия эффективности лечения больных ИМ с применением ингибиторов ангиотензин конвертирующего фермента //Там же. С.163-168.

32. Провоторов В.М., Кузнецов С.И., Чурюмов В. А.. Копылов С.А. Классификационный подход в прогнозировании тяжести течения бронхиальной астмы // Тез.докл. Международной конференции'"Био-медприбор-96". - Москва, 1996. С.48-51.

33. Провоторов В.М., Кузнецов С.И., Чопоров О.Н. Оценка эффективности лечения больных инфарктом миокарда с применением низкоэнергетического лазера "Узор" //Тез.докл. Седьмой Международной научно-технической конференции "Лазеры в науке, технике, медицине". -Москва, Сергиев Посад. 1996. С. 150-152.

34. Провоторов В.М., Копылов С. А., Кузнецов С.И., Поздняков В.И. Оценка степени тяжести бронхиальной астмы на основе классификационного подхода //Методические рекомендации для врачей Комитета по здравоохранению Администрации Воронежской области. - Воронеж, 1997. 20 с.

35. Иванов A.B.. Копылов С.А., Кузнецов С.И., Поздняков В.И.

Превентивная терапия осложнений острого периода инфаркта миокарда //Методические рекомендации для врачей Комитета по здравоохранению Администрации Воронежской области. - Воронеж, 1997. 18 с.

36. Иванов A.B., Кузнецов С.И., Копылов С.А.Прогноз и превентивная терапия рецидивирующего инфаркта миокарда //Методические рекомендации для врачей Комитета по здравоохранению Администрации Воронежской области. - Воронеж, 1997. 16 с.

37. Провоторов В.М.. Копылов С.А., Кузнецов С.И. Классификация бронхиальной астмы по степени тяжести течения //Учебно-методическое пособие для врачей Управления здравоохранения Администрации г.Воронежа. - Воронеж, 1997. 18 с.

38. Иванов A.B., Копылов С.А., Кузнецов С.И. Осложнения острого периода инфаркта миокарда // Учебно-методическое пособие для врачей. - Воронеж, 1997. 18 с.

39. Провоторов В. М._, Кузнецов С. И., Чурюмов В. А.. Копылов С.А.Классификационный подход в прогнозировании тяжести течения бронхиальной астмы //Мед.техника. 1997. N3. С.7-10.

40. Кузнецов С.И. Инвариантное моделирование в медицине на базе кластерного анализа. - Воронеж: Из-во Воронежского государственного университета. 1997. - 208 с.

41. Иванов А.В., Копылов С.А., Кузнецов С.И.Рецидивирующее течение инфаркта миокарда //Учебно-методическое пособие для студентов, интернов, врачей. - Воронеж. 1997. 10 с.

ЛР N 020415от 12.12.Подписано в печать 6.01.98. Усл.печ. л. 2,0 Уч.-изд. л. 2,0. Тираж ЮОэкз. Заказ N 238/46. Воронежский государственный технический университет 394026. Воронеж, Московский просп., 14. Участок оперативной полиграфии ВГТУ