CC BY
78
Ю. А. БОГДАНОВА,
к.м.н., ассистент кафедры послевузовского и дополнительного профессионального фармацевтического образования ИДПО, ФГБОУ ВО «Башкирский Государственный Медицинский Университет» Министерства Здравоохранения Российской Федерации», г. Уфа, Россия, juladoctor@mail.ru Г. Р. ЗАРИПОВА,
к.м.н., ассистент кафедры послевузовского и дополнительного профессионального фармацевтического образования ИДПО, ФГБОУ ВО «Башкирский Государственный Медицинский Университет» Министерства Здравоохранения Российской Федерации»,
г. Уфа, Россия, vgr1983@mail.ru В. А. КАТАЕВ,
д.м.н., профессор, заведующий кафедрой послевузовского и дополнительного профессионального фармацевтического образования ИДПО, ФГБОУ ВО «Башкирский Государственный Медицинский Университет» Министерства Здравоохранения Российской Федерации», г. Уфа, Россия
О. В. ГАПИМОВ,
д.м.н., профессор, заведующий кафедрой хирургических болезней и новых технологий, ФГБОУ ВО «Башкирский Государственный Медицинский Университет» Министерства Здравоохранения Российской Федерации», г. Уфа, Россия
экспертные системы в прогнозировании операционного риска при наиболее распространённых хирургических вмешательствах (обзор)
УДК 616.381-002-089
Богданова Ю. А., Зарипова Г. Р., Катаев В. А., Галимов О. В. Экспертные системы в прогнозировании операционного риска при наиболее распространенных хирургических вмешательствах (обзор) (ФГБОУ ВО «Башкирский Государственный Медицинский Университет» Министерства Здравоохранения Российской Федерации», г. Уфа, Россия)
Аннотация. Обзор литературы посвящен возможностям применения экспертных медицинских систем в абдоминальной хирургии. Рассмотрены и подробно описаны существующие модели систем поддержки принятия врачебных решений у пациентов с такими распространенными нозологиями, как острый панкреатит, острый холецистит, осложненная язвенная болезнь. Авторами проведен сравнительный анализ современных экспертных систем и описаны базовые принципы их построения.
Ключевые слова: экспертные системыI, острый панкреатит, перитонит, искусственные нейронные сети.
UDC 616.381-002-089
Bogdanova Y. A., Zaripova G. R, Kataev V. A., Galimov O. V. Expert systems in the prediction of operational risk
for the most common surgical interventions (review) («Bashkir State Medical University".Ministry of Healthcare of the Russian Federation», Ufa, Russia)
Abstract. The review is focused on the applications of medical expert systems in abdominal surgery. Reviewed and described existing models of decision support systems for medical decisions in patients with such common diseases as acute pancreatitis, acute cholecystitis, complicated peptic ulcer disease. The authors conducted a comparative analysis of modern expert systems and described the basic principles of their construction. Keywords: expert systems, acute pancreatitis, peritonitis, artificial neural networks.
~T
© Ю. А. Богданова, Г. Р. Зарипова, В. А. Катаев, О. В. Галимов, 2017 г.
На сегодняшний день все более возрастающее значение приобретает информационное обеспечение самых различных медицинских технологий. Оно становится одним из критических факторов развития во всех областях знания [11]. Экспертные системы в хирургии могут использоваться для дифференциальной диагностики и выбора методики вмешательства, оценки состояния жизненно-важных параметров в режиме реального времени. По данным Колесникова Д. Л. (2013), раневая инфекция составляет около 12-25% от всех нозокоми-альных инфекций, являясь одной из наиболее частых осложнений среди всех послеоперационных инфекционных осложнений. До 42% всех дополнительных затрат хирургических стационаров связано с лечением раневых инфекций. Особенно большое число гнойных осложнений наблюдается в абдоминальной хирургии [14].
В хирургической практике при принятии врачебных решений дополнительно должны учитываться такие условия, как дефицит времени, высокая динамика течения заболевания и другие факторы, существенно усложняющие задачу построения компьютеризированных систем поддержки принятия решений[18]. Вместе с тем, максимально точное воспроизведение операционного процесса с его анализом должно стать новой стратегией для предупреждения и ранней диагностики осложнений [5].
Несмотря на многообразие существующих экспертных медицинских систем для поддержки врачебных решений в хирургии, большинство из них рассматривают возможность их применения при достаточно узком спектре хирургических нозологий, в частности, хирургической патологии брюшной полости [5, 12, 13, 15, 16, 17, 20, 21, 22, 26, 29, 31, 35].
Одной из наиболее часто используемых моделей построения данных систем являются искусственные нейронные сети (ИНС). Преимуществами ИНС являются возможность лучше классифицировать данные, повысить специфичность метода, не снижая его чувстви-
тельности. Эта структура для обработки когнитивной информации основана на моделировании функций головного мозга. Наиболее важным отличием метода ИНС является возможность конструирования экспертных систем самим врачом-специалистом, который может передавать свой опыт и опыт коллег, основанный на реальных клинических ситуациях [11].
Одни из первых экспертных систем в хирургии, использовавших в своей основе метод нейронных сетей, предназначались для прогнозирования длительности нахождения в стационаре пациентов с острым панкреатитом, диагностики острого панкреатита по уровню ферментов, прогнозирования летального исхода [21].
Разработка Andersson B. и соавт. (2011) была направлена на оценку эффективности ИНС для прогнозирования тяжести острого панкреатита на основе шести наиболее информативных критериев: ЧСС, интенсивность болевого синдрома, уровни креатинина, гемоглобина, АЛТ и лейкоцитов крови [42]. Оценка эффективности ИНС в хирургической практике производилась также отечественными разработчиками [15, 27].
Стремительно развивающаяся хирургия новых технологий, в частности, расширяющиеся возможности лапароскопических вмешательств, способствуют неуклонному развитию информационных технологий в области поддержки принятия врачебных решений в данной области. В свою очередь, число осложнений при выполнении лапароскопических вмешательств в экстренном порядке составляет порядка 9%, а информативность существующих оценочных шкал (Ranson, SAPS, APACHEII), по мнению некоторых авторов, не обеспечивает индивидуального прогноза в каждом конкретном клиническом случае [1, 25, 32].
Между тем, автоматизированные системы в абдоминальной хирургии приобретают все большее распространение, в частности, для количественной оценки послеоперационного риска осложнений [6, 12, 13, 16, 17, 19, 29],
■ал :
оценки выбора метода хирургического лечения [3, 10, 30], а также в качестве обучающей системы в изучении общей хирургии [8, 24, 28].
Ключевое место занимает исследование Гуревича Н. А. с соавт. (2007), посвященное разработке объективных критериев, позволяющих определить и расширить границы использования лапароскопической хирургии с мини-мализацией риска операционных осложнений. В качестве причин ятрогенных осложнений исследователями были определены такие факторы, как клинико-анатомические особенности (выраженность воспалительно-инфильтратив-ных изменений панкреатодуоденальной зоны, атипичное расположение сосудисто-протоко-вых элементов), технические условия, опыт хирурга. Представленный в работе программно-аппаратный комплекс позволил, на основании ретроспективного анализа эндоскопических изображений, при участии хирурга-модератора значительно улучшить интраоперационную диагностику и избежать повторных вмешательств у значительной выборки пациентов [5].
Анализ литературных данных позволяет выделить наиболее многочисленную группу информационных разработок в области пан-креатологии [5, 13, 16, 19, 20, 22, 29, 31, 35]. Несмотря на достигнутые успехи, проблема сохраняет свою актуальность ввиду высокой частоты госпитализаций в ургентной хирургии [44]. В то же время, летальность при различных формах острого панкреатита широко варьирует, достигая от 25% до 65% при инфицированном панкреонекрозе [30]. По данным ряда авторов, частота инфекционных осложнений после вмешательств на поджелудочной железе (ПЖ) коррелирует с такими показателями, как продолжительность болезни, объем поражения ткани ПЖ, маркеры системной воспалительной реакции, тип хирургического вмешательства [38, 39, 40, 43].
Результаты микроскопического и микробиологического исследования аспирационно-го материала ткани ПЖ, парапанкреатиче-
ской клетчатки и жидкостных скоплений были заложены в основу «Системы прогнозирования инфицированного панкреонекроза» [20]. В качестве входных параметров применялись ретроспективные клинические, лабораторные и инструментальные обследования 398 пациентов, основным выходным параметром, соответственно поставленным задачам компьютерного моделирования, являлся стерильный или инфицированный панкреонекроз.
В качестве диагностических биосубстратов математической модели прогнозирования острого панкреатита Ивановым А. В. с соавт. (2013) был выбран набор микроэлементов (медь, цинк и железо), определяемых методом атомно-эмиссионной спектроскопии, концентрация которых рассматривалась во взаимосвязи с электрическим сопротивлением биологически активных точек, связанных с заболеванием «панкреатит» [13]. Метод многомерного анализа с применением логистической регрессии был применен в программе «Автоматизированная система учета травм поджелудочной железы» [35]. Авторами проведен анализ 35 количественных и 109 качественных признаков, ключевыми из которых явились демографические данные, вид и механизм повреждений, тяжесть состояния пациента, количество поврежденных органов, объем кровопотери, способ хирургического лечения, осложнения, летальность. Отличительными характеристиками данной разработки являются учет врачебных ошибок, таких как диагностические (задержка операции), технические ошибки (неадекватный гемостаз), тактические (увеличение объема операции, неадекватный дренаж). Решающими факторами в развитии специфических послеоперационных осложнений исследователями были определены возрастные характеристики пациентов, механизм травмы, тактические ошибки, вид вмешательства, а также превышение норм лабораторных показателей. Прогностическая эффективность данной разработки составила 88,9%.
Ряд авторов, при построении прогностических моделей экспертных систем, использовали в качестве прогностических критериев нарушение цитокиновой регуляции при остром панкреатите и отклонения параметров клеточного иммунитета [9, 23, 33]. Особенностью методики прогнозирования острого гнойного панкреатита, разработанной Хрячковым В. В. с Шуляком С. А. (1998), является своеобразная «динамичность» модели, возможность сверки текущих данных с нормативными показателями на протяжении всего лечебно-диагностического процесса [34].
Свою систему критериев тяжести использовал Юдин В. Н. (2009), разделив все прогностические признаки на 3 класса, на основе их сочетания с клинической картиной острого панкреатита [37]. Основу нейрон-но-сетевой модели Винника Ю. С. с соавт. (2000) составил набор примеров с входными параметрами и заранее сформулированными ответами с указанием прогноза развития панкреонекроза [2].
Более поздние работы по применению экспертных систем при оперативных вмешательствах на поджелудочной железе нацелены на выбор метода оперативного вмешательства, способа завершения операции, оценку риска релапаротомии [3, 13, 16]. Риск повторных операций при остром панкреатите составляет порядка 10-40% случаев [7]. Система прогнозирования релапаротомии при хирургическом лечении тяжелого острого панкреатита с применением метода последовательного анализа Вальда А., разработанная Кричмар А. М. с соавт. (2013), позиционирует в качестве индекса прогноза повторного вмешательства сумму баллов диагностических коэффициентов. По мнению разработчиков, наибольшее прогностическое значение принадлежит показателям системной воспалительной реакции (лейкоцитоз крови, повышение уровней про-кальцитонинового теста, КФК, ЛДГ, СРБ), наличию жидкостного скопления или инфильтра-
та по данным ультразвукового исследования, кровоизлияний в парапанкреатическую клетчатку, наличие, либо отсутствие, секвестров в сальниковой сумке, наличие девитализиро-ванных участков в ПЖ при визуальном осмотре, а также локализации воспалительного процесса (поражение головки ПЖ). [16].
Неотъемлемой частью принятия решений в хирургии, безусловно, является квалификация врача и его способность провести оценку операционного риска. Следовательно, система построения современных экспертных систем должна учитывать не только объективные клинико-лабораторные параметры операционного риска, но и уровень профессиональной подготовки врача-хирурга. Рейтинг хирурга является одной из базовых составляющих современной системы поддержки принятия решений в абдоминальной хирургии «Автоматизированная система для оценки исходов лечения больных с острой хирургической патологией органов брюшной полости» [3]. Разработчики данной экспертной системы выделяют три фактора, влияющих на риск хирургического вмешательства: состояние больного, сложность операции, уровень профессиональной подготовки хирурга. Рейтинг хирурга определялся по двум группам параметров, включавшим в себя формальные признаки (стаж, квалификация, ученая степень и др.) и фактические результаты проведенных вмешательств.
Выбор метода хирургической тактики при послеоперационном перитоните реализован в «Компьютерной экспертной системе прогноза течения послеоперационного перитонита» Жарикова А. Н. с соавт. (2008). В программе были использованы 25 общепринятых параметров, объединенных в 4 группы диагностических критериев, отражающих функциональное состояние жизненно-важных систем гомеостаза. По степени отклонения данных параметров программное обеспечение позволяет судить о тенденциях течения послеоперационного перитонита в реальном времени.
>
Окончательная оценка прогноза исчисляется в процентах участия для каждой группы критериев и определяет 4 вида возможных способов устранения неблагоприятных исходов операции (санационная релапаротомия, устранение несостоятельности анастомозов либо отказ от их наложения, выведение эн-теростомы, формирование декомпрессивной лапаростомы) [10].
Оценочная шкала состояния органов брюшной полости представлена в разработке Савельева В. С. с соавт. (2013) «Индекс брюшной полости». Основу метода составили 7 групп факторов, основными из которых были распространенность перитонита, характер экссудата, наличие адгезивного процесса, состояние кишечника и источника перитонита. Данные показатели использовались с целью уточнения показаний к выбору тактики ведения пациента с перитонитом в режиме лапаротомия «по требованию» или «по программе». В рамках экспертной системы авторами была разработана количественная оценка бактериального и грибкового поражения перитонеального экссудата методом проточной цитометрии. На основе сопоставления результатов микробиологического анализа и степени поражения органов брюшной полости, была установлена закономерность соответствия значений индекса брюшной полости и количества микроорганизмов в 1 мкл. экссудата [30].
Отдельно стоящей проблемой в абдоминальной хирургии является оценка операционного риска при оперативных вмешательствах на органах гепатобилиарной зоны.
В структуру острой хирургической патологии, на фоне осложненного течения желчно-каменной болезни (ЖКБ), входят острый холецистит с околопузырным инфильтратом, абсцессом, перфорацией, механической желтухой, холангитом, наружным или внутренним желчным свищом. При экстренных операциях летальность вследствие осложненного тече-
ния ЖКБ достигает 12%, при плановых и отсроченных вмешательствах 1% [36].
Практическое применение существующих оценочных шкал прогнозирования исходов оперативного вмешательства при данной нозологии затруднено, т.к. отсутствует возможность интегрировать результаты балльной оценки различных клинико-диагностических параметров в единую систему и экстраполировать их на конкретную клиническую ситуацию [17].
В современной автоматизированной системе количественной оценки операционного риска «АСКОР» использованы вероятностно-статистические и нейросетевые модели, направленные на оценку предоперационной тяжести пациентов с желчно-каменной болезнью. Результатом обработки входящих данных в представленной разработке является «компьютерный образ» состояния, отражающий взаимосвязь клинической картины с эмпирическими медико-биологическими данными. В результате интеграции данных параметров достигается возможность количественной оценки тяжести клинической ситуации и риска оперативного вмешательства [6].
В рамках изучения результатов лапароскопической холецистэктомии (ЛХЭ) Звягинцевым В. В. с соавт. (2014), была разработана экспертная система на основе математической модели прогнозирования, позволяющая предсказать трудности предстоящего вмешательства, изменить состав операционной бригады, выбрать методику ЛХЭ и предотвратить возможные осложнения. Данные функции объединены в компьютерную систему прогнозирования сложности ЛХЭ, в основу которой заложен принцип кодирования признаков (анамнестические данные, ультразвуковые характеристики, клинические симптомы, лабораторные данные). Смысл экспертной системы заключается в возможности, на основании введенных характеристик пациента, получить информацию о целесообразности
выполнения операций, сложности предстоящего вмешательства, его предполагаемой длительности, возможных технических трудностях, а также персонализировать рекомендации для более эффективного выполнения вмешательства [12].
Задача прогнозирования и оценки тяжести течения острого холецистита на основе нечеткой логики принятия решений реализована в программе Кореневского Н. А. с соавт. (2009). Построение модели экспертной системы базируется на наблюдении значительных количественных изменений микроэлементного состава крови пациентов с острым холециститом. Отмеченные тенденции позволили авторам, наряду с другими информативными признаками (клинические данные, возраст, наличие сопутствующей патологии, данные инструментального обследования, лабораторные данные), использовать количественное содержание в цельной крови меди, цинка и кобальта для решения задач прогнозирования возникновения, ранней диагностики и степени тяжести острого холецистита. [15].
Не утрачивает свою актуальность такая распространенная проблема интраабдоми-нальных вмешательств, как гастродуоденаль-ные кровотечения (ГДК) различной этиологии. Доля язвенных кровотечений в структуре ГДК, по данным Holster I. L. с соавт. (2012), составляет 31-67% [41].
Кровотечения язвенной этиологии, в свою очередь, имеют наибольшую вероятность хирургического лечения по сравнению с ГДК неязвенной этиологии [4]. Основными факторами неблагоприятных исходов данной патологии в настоящее время являются частые рецидивы, возраст больного и тяжелая сопутствующая патология. Данные систематического обзора Потахина С. Н. с соавт. (2014) позволяют утверждать о несовершенстве существующих разработок в программном обеспечении прогнозирования риска повторных ГДК. Программа оценки рисков, приме-
няемая на современном этапе, представлена множеством оценочных шкал, основанных на интерпретации эндоскопической картины заболевания, либо основанных исключительно на комплексе лабораторных и клинических показателей. Чувствительность данных методов достигает порядка 99%, тогда как специфичность не выходит за пределы 30%, что неизбежно повышает риск гипердиагностики. Эволюция методов оценки риска повторных кровотечений прослеживается на этапе создания прогностических индексов Baylor Bleeding Score и Cedars-Sinai. (2012). Несмотря на большое число обзорных работ по данной тематике, сравнительных исследований среди российских разработок до последнего времени не проводилось, тогда как на сегодняшний день уже существует порядка 100 различных методик балльной оценки риска рецидива ГДК, часть из которых реализована в виде компьютерных программ. Однако, ни один из предложенных вариантов не соответствует требованиям, предъявляемым реальной клинической практикой. В частности, существующие оценочные шкалы учитывают конкретный набор признаков, которые не во всех случаях могут быть общедоступными, методика должна быть упрощенной и удобной в использовании, а также иметь возможность быть интегрированной в электронную медицинскую документацию [26].
Таким образом, основываясь на представленных данных, можно с уверенностью говорить о неуклонно развивающемся процессе информатизации лечебно-диагностического процесса, в медицине в целом, и в хирургии, в частности. Интенсивная информатизация лечебно-профилактических учреждений является неотъемлемой частью развития персонализированной медицины, направленной на минимизацию осложнений и рисков, что в хирургической специальности является краеугольным камнем успешно проведенного вмешательства.
ЛИТЕРАТУРА:
1.
2.
4.
5.
6.
8.
Баранов Г. А. Клинические аспекты лапароскопии: автореф. дис. д-ра мед. наук. - М., 1999. - 97 с.
Винник Ю. С. Прогнозирование течения и исхода острого панкреатита с помощью нейронных сетей / Ю. С. Винник, С. И. Петрушко, С. В. Якимов // Материалы IX Всероссийского съезда хирургов. - Волгоград, 2000. - С. 23-24.
Гомозов Г. И. Автоматизированная система для оценки исходов лечения больных с острой хирургической патологией органов брюшной полости / Г. И. Гомозов // Медицинский альманах. - 2012. - Т. 2, № 21. - С. 129-133.
Гостищев В. К. Острые гастродуоденальные язвенные кровотечения: от стратегических концепций к лечебной тактике / В. К. Гостищев, М. А. Евсеев. - М, 2005. - 350 с. Гуревич Н. А. Новые информационные технологии в профилактике интраоперационных осложнений лапароскопических операций в экстренной хирургии органов брюшной полости / Н. А. Гуревич, А. Н. Лызиков, А. Р. Гуревич // Новости хирургии. - 2007. - Т. 15, № 1. - С. 39-52.
Драгун И. А. Автоматизированная система количественной оценки операционного риска / И. А. Драгун, Г. Г. Устинов, П. М. Зацепин // Известия Томского политехнического университета. - 2007. - Т 310, № 1. - С. 217-221.
Дрожжин Е.В., Парсаданян А. М, Амирагян Д. М. Тактика дифференцированного хирургического лечения панкреонекроза/ Е. В. Дрожжин, А. М. Парсаданян, Д. М. Амирагян // Вестник СурГУ. Медицина. - 2010. - Т. 1, № 4. - С. 133-141.
Дябкин Е. В. Использование современных компьютерных технологий в изучении общей хирургии / Е. В. Дябкин // Медицинский альманах. - 2013. - Т. 6, № 30. -С. 26-28.
9. Иммунологическая оценка тяжести и прогноза острого панкреатита / А. С. Ермолов, Н. В. Боровкова, П. А. Иванов [и др.] // Вестник хирургии им. И. И. Грекова. - 2005. -Т. 164, № 6. - С. 22-28.
10. Жариков А. Н. Компьютерная экспертная система определения прогноза течения послеоперационного перитонита и выбора метода хирургического лечения / А. Н. Жариков, В. Г. Лубянский, И. В. Кобзев // Сибирское медицинское обозрение. - 2014. -№ 3. - С. 48-54.
11. Жариков О. Г. Современные возможности использования некоторых экспертных систем в медицине / О. Г. Жариков, В. А. Ковалев, А. А. Литвин // Врач и информационные технологии. - 2008. - № 5. - С. 24-30.
12. Звягинцев В. В. Экспертная система прогнозирования сложности лапароскопической холецистэктомии / В. В. Звягинцев, А. С. Мухин, Ю. А. Долгов, Ю. А. Столяренко// Медицинский альманах. - 2014. - Т. 3, № 33. - С. 129-135.
13. Иванов А. В. Нечеткие математические модели системы поддержки принятия решений для решения задачи прогнозирования острого панкреатита / А. В. Иванов, В. Н. Ми-шустин, Л. П. Лазурина, В. И. Серебровский // Врач и информационные технологии. -2013. - № 6. - С. 60-66.
14. Колесников Д.Л. Прогнозирование вероятности инфекций области хирургического вмешательства при остром аппендиците / Д. Л. Колесников // Современные проблемы на-
уки и образования. Медицинские науки. - 2013. - № 3. http://www.science-educаtion. ru/ru/article/view?id=9415
15. Кореневский Н.А. Прогнозирование, ранняя диагностика и оценка степени тяжести острого холецистита на основе нечеткой логики принятия решений / Н. А. Кореневский, М. Т. Шехтине, Д. А. Пехов, О. Н. Тарасов // Вестник Воронежского Государственного технического университета. - 2009. - Т. 5, № 11. - С. 150-152.
16. Кричмар А. М. Прогнозирование релапаротомии при хирургическом лечении тяжелого острого пакреатита / А. М. Кричмар // Известия Самарского научного центра Российской академии наук. - 2015. - Т. 17, № 5 (3). - С. 803-809.
17. Кузнецов А. Б. Прогноз результатов лечения у больных с осложненным острым обтура-ционным калькулезным флегмонозным холециститом, холедохолитиазом / А. Б. Кузнецов // Медиаль. - 2016. - Т. 2, № 16. - С. 15-21.
18. Литвин А. А. Системы поддержки принятия решений в хирургии / А. А. Литвин, В. А. Литвин // Новости хирургии. - 2014. - Т. 22, № 1. - С. 96-100.
19. Литвин А. А. Современные возможности прогнозирования инфекционных осложнений тяжелого острого панкреатита (обзор литературы) / А. А. Литвин // Вестник Санкт-Петербургского университета. Сер. 11. - 2009. - Вып. 3 - С. 127-134.
20. Литвин А. А. Система поддержки принятия решений в прогнозировании и диагностике инфицированного панкреонекроза / А. А. Литвин, О. Г. Жариков, В. А. Ковалев // Врач и информационные технологии. - 2012. - № 2. - С. 54-62.
21. Литвин А. А. Системы поддержки принятия решений в диагностике и лечении острого панкреатита / А. А. Литвин, О. Ю. Реброва // Проблемы здоровья и экологии. -2016. - Вып. 2, № 48. - С. 10-17.
22. Морозов С. В. Прогнозирование течения острого панкреатита / С. В. Морозов, В. Т. Долгих, А. Б. Рейс // Сибирский медицинский журнал. - 2010. - № 5. - С. 11-15.
23. Никитенко В. И. Иммунологические и бактериологические показатели в прогнозе осложнений у больных панкреонекрозом, осложненным перитонитом / В. И. Никитенко,
B. С. Тарасенко, В. К. Есипов // Материалы IX Всероссийского съезда хирургов. - Волгоград, 2000. - С. 89.
24. Осин А. В. Электронные образовательные ресурсы нового поколения: открытые образовательные модульные мультимедиа системы / А. В. Осин // Интернет-порталы: содержание и технологии. - Сборник научных статей. - М.: Просвещение, 2007. - Вып. 4. -
C. 12-29.
25. Ошибки, осложнения и летальность у больных с острыми хирургичесикими заболеваниями органов брюшной полости / под ред. А. Е. Борисова. - СПб, 2000. - 162 с.
26. Потахин С. Н. Оценка тяжести состояния и прогнозирование течения заболевания при язвенных гастродуоденальных кровотечениях (обзор) / С. Н. Потахин, Ю. Г. Шап-кин, Ю. В. Чалык [и др.] // Саратовский научно-медицинский журнал. - 2014. - Т. 2, № 10. - С. 301-307.
27. Миронов П. И. Прогнозирование течения и исходов тяжелого острого панкреатита / П. И. Миронов [и др.] // Фундаментальные исследования. - 2011. - № 10. - С. 319-23.
28. Пустобаева О. Н. Электронный учебник в организации и управлении учебным процессом / О. Н. Пустобаева // Успехи современного естествознания. - 2008. - № 4. -С. 57-58.
>
29. Рейс А. Б. Новые технологии в диагностике и оперативном лечении постнекротических осложнений острого панкреатита / А. Б. Рейс, С. В. Морозов, В. Л. Полуэктов [и др.] // Омский научный вестник. - 2013. - Т. 1, № 118. - С. 156-159.
30. Савельев В. С. Критерии выбора эффективной тактики хирургического лечения распространенного перитонита / В. С. Савельев, Б. Р. Гельфанд, М. И. Филимонов [и др.] // Анналы хирургии. - 2013. - № 2. - С. 48-54.
31. Саганов В. П. Стерильные и инфицированные формы панкреонекроза как проблема ургентной хирургии (обзор литературы) / В. П. Саганов, В. Е. Хитрихеев, Г. Д. Гунзынов, О. В. Очиров // Вестник Бурятского университета. - 2010. - № 12. - С. 175-179.
32. Сипливый В. А. Объективная оценка тяжести и индивидуализированный подход при остром панкреатите / В. А. Сипливый, Е. А. Шаповалов, Д. В. Евтушенков // Материалы XIV международной конференции хирургов-гепатологов России и стран СНГ. - СПб, 2007. - С. 227-228.
33. Сотниченко Б.А., Салиенко С. В. Возможность прогнозирования течения острого деструктивного панкреатита на основании динамики показателей цитокинового статуса / Б. А. Сотниченко, С. В. Салиенко // Материалы XIV международной конференции хи-рургов-гепатологов России и стран СНГ. - СПб, 2007. - С. 229.
34. Хрячков В. В. Гнойный панкреатит и его осложнения (диагностика, лечение, прогнозирование) / В. В. Хрячков, С. А. Шуляк // Ханты-Мансийск, 1998. - 238 с.
35. Шнейдер В. Э. Прогнозирование риска развития послеоперационных осложнений при травматических повреждениях поджелудочной железы / В. Э. Шнейдер, А. Г. Санников // Системы поддержки принятия врачебных решений. - 2015. - № 1. - С. 35-43.
36. Шульга А. Ф. Результаты лечения острого холецистита в многопрофильном стационаре / А. Ф. Шульга, Е. С. Губочкин, С. Н. Покалюхин // Вестник Санкт-Петербургского университета. - 2009. - Т. 11, № 2. - С. 87-93.
37. Юдин В. А. Прогнозирование тяжести течения панкреонекроза / В. А. Юдин // Актуальные проблемы хирургической гепатологии. - Екатеринбург, 2009. - С. 106.
38. Frossard J. L, Hadengue A., Pastor C. M. New serum markers for the detection of severe acute pancreatitis in humans // Am. J. Respir. Crit. Care Med. - 2001. - Vol. 164. - P. 162-170.
39. Gard P. K, Madan K, Pande G. K. et al. Association of extent and infection of pancreatic necrosis with organ failure and death in acute necrotizing pancreatitis // Clin. Gastroenterol. Hepatol. - 2005. - Vol. 3, № 2. - P. 159-166.
40. Haga Y, Beppy T, DoiK et al. Systemic inflammatory response syndrome and organ dysfunction following gastrointestinal surgery // Crit. Care Med. 1997. - Vol. 25. - P. 1994-2000.
41. Holster I. L, Kuipers E. J. Management of acute nonvariceal upper gastrointestinal bleeding: current policies and future perspectives // World J. Gastroenterol. - 2012. - Vol. 18, № 11. - P. 1202-1207.
42. Andersson B, Andersson R, Ohlsson M., Nilsson J. Prediction of severe acute pancreatitis at admission to hospital using artificial neural networks // Pancreatology. - 2011. - Vol. 11, № 3. - P. 328-335.
43. Rau B, Steinbach G, Gansauge F. et al. The potential role of procalcitonin and interleukin 8 in the prediction of infected necrosis in acute pancreatitis // Gut. - 1997. - Vol. 41, № 6. - P. 832-840.
44. Yang A. L, Vadhavkar S, Singh G, Omary M. B. Epidemiology of alcohol-related liver and pancreatic disease in the United States // Arch. Intern. Med. - 2008. - Vol. 168. - P. 649-656.
