Научная статья на тему 'Интеллектуальная система дифференциальной диагностики и мониторинга пациентов после отравления угарным газом'

Интеллектуальная система дифференциальной диагностики и мониторинга пациентов после отравления угарным газом Текст научной статьи по специальности «Компьютерные и информационные науки»

CC BY
148
14
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
УГАРНЫЙ ГАЗ / CARBON MONOXIDE / ДИФФЕРЕНЦИАЛЬНАЯ ДИАГНОСТИКА / DIFFERENTIAL DIAGNOSIS / МОНИТОРИНГ / MONITORING / МЕТОДЫ БИОСТАТИСТИКИ / BIOSTATISTICAL METHODS / ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА / INTELLIGENT SYSTEM

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Мирзазаде Ирада Хатамовна, Нагизаде Улькар Рауфовна

Согласно статистическим данным в последнее время с развитием нефтяной, химической, газовой промышленности участились случаи отравлений токсическими веществами, встречающимся в этих отраслях. Среди них особое место занимает угарный газ, отравление которым неукоснительно растет. В работе рассматривается отравление угарным газом и химическими веществами, близкими клинике угарного газа в долабораторной ситуации, для чего требуется проведение дифференциальной диагностики. Учитывая последствия подобных отравлений, таких как инфаркты миокарда, болезнь Паркинсона и др., целесообразно проведение мониторинга пациента после стационара, которая определяет оптимальное время его проведения, вид и количество требуемых анализов. разработка интеллектуальной системы. В статье предлагается разработка интеллектуально-информационной системы дифференциальной диагностики и мониторинга при отравлениях токсическими веществами на примере угарного газа.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Мирзазаде Ирада Хатамовна, Нагизаде Улькар Рауфовна

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

According to statistical data, with the development of oil, chemical, gas industries cases of poisoning caused by toxic substances employed in these branches have become more frequent recently. A special place among them is occupied by carbon monoxide, poisoning with which has been growing steadily. This research deals with poisonings caused by carbon monoxide and chemical substances which are clinically close to carbon monoxide in pre-laboratory situation and this calls for conducting differential diagnosis. Considering such consequences of similar-poisonings as myocardial infarction, Parkinson's disease u.a. it is expedient to perform monitoring of a patient after staying in a stationary hospital which determines optimum time of its performance, kind and the number of analyses required for developing an intelligent system. This paper proposes an elaboration of an intelligent information system for differential diagnosis and monitoring in cases of poisonings with toxic substances using carbon monoxide as an example.

Текст научной работы на тему «Интеллектуальная система дифференциальной диагностики и мониторинга пациентов после отравления угарным газом»

ТЕХНИЧЕСКИЕ НАУКИ

ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ДИФФЕРЕНЦИАЛЬНОЙ ДИАГНОСТИКИ И МОНИТОРИНГА ПАЦИЕНТОВ ПОСЛЕ ОТРАВЛЕНИЯ _УГАРНЫМ ГАЗОМ_

Мирзазаде Ирада Хатамовна

Канд. технических наук, доцент Института Математики и Механики НАНА

Нагизаде Улькар Рауфовна Врач клиники внутренней медицины и гериатрии больницы Марбах, Германия

АННОТАЦИЯ.

Согласно статистическим данным в последнее время с развитием нефтяной, химической, газовой промышленности участились случаи отравлений токсическими веществами, встречающимся в этих отраслях. Среди них особое место занимает угарный газ, отравление которым неукоснительно растет. В работе рассматривается отравление угарным газом и химическими веществами, близкими клинике угарного газа в долабораторной ситуации, для чего требуется проведение дифференциальной диагностики. Учитывая последствия подобных отравлений, таких как инфаркты миокарда, болезнь Паркинсона и др., целесообразно проведение мониторинга пациента после стационара, которая определяет оптимальное время его проведения, вид и количество требуемых анализов. разработка интеллектуальной системы. В статье предлагается разработка интеллектуально-информационной системы дифференциальной диагностики и мониторинга при отравлениях токсическими веществами на примере угарного газа.

ABSTRACT.

According to statistical data, with the development of oil, chemical, gas industries cases of poisoning caused by toxic substances employed in these branches have become more frequent recently. A special place among them is occupied by carbon monoxide, poisoning with which has been growing steadily. This research deals with poisonings caused by carbon monoxide and chemical substances which are clinically close to carbon monoxide in pre-laboratory situation and this calls for conducting differential diagnosis. Considering such consequences of similar-poisonings as myocardial infarction, Parkinson's disease u.a. it is expedient to perform monitoring of a patient after staying in a stationary hospital which determines optimum time of its performance, kind and the number of analyses required for developing an intelligent system. This paper proposes an elaboration of an intelligent information system for differential diagnosis and monitoring in cases of poisonings with toxic substances using carbon monoxide as an example.

Ключевые слова: угарный газ, дифференциальная диагностика, мониторинг, методы биостатистики, интеллектуальная система

Keywords: carbon monoxide, differential diagnosis, monitoring, intelligent system, biostatistical methods.

Введение. В медицине существует класс задач, требующих точность диагноза и быстроту первичной помощи. Отравления токсическими веществами относятся к классу подобных задач, где решение и положительный исход сильно зависят от времени. В условиях скорой и неотложной помощи решение задачи значительно усложняется, когда пострадавший находится в коматозном состоянии. Согласно статистическим данным в последнее время с развитием нефтяной, химической, газовой промышленности участились случаи отравлений веществами данных отраслей. Особенно следует отметить случаи отравления угарным газом, число

которых неуклонно возрастает. Угарный газ, или оксид углерода, образуется везде, где существуют условия неполного сгорания веществ, содержащих СО. Это достаточно коварный газ - он без цвета, вкуса и почти без запаха. Легко проникая через легкие в кровь, он взаимодействует с гемоглобином, образуя карбоксигемоглобин (НЬСО), и блокирует передачу кислорода тканевым клеткам, что приводит к гипоксии. Достаточно посмотреть на данные 2004 года, объединенные нами по территориальному признаку (таб.1), чтобы оценить серьезность рассматриваемой проблемы. [1, 2, 3]

Таблица 1. Статистика отравлений угарным газом в странах СНГ за 2004 год

Регионы Число отравлений

Азербайджан 3278

Беларусь 4296

Грузия 1955

Казахстан 6309

Латвия 960

Литва 1503

Россия 59989

Таджикистан 2921

Узбекистан 11004

Украина 19888

Эстония 559

Эта проблема не обошла стороной и Азербай- угарного газа в г. Баку за период 2006-2014 гг. джан. В таб. 2 показано число пострадавших от

Таблица 2. Сводная таблица отравлений угарным газом по г.Баку

№ Районы г. Баку 2006 2007 2008 2009 2010 2011 2012 2013 2014

1 Наримановский 41 38 38 48 69 121 127 118 105

2 Хатаинский 77 159 154 82 106 135 192 126 161

3 Сабаиловский 47 26 36 41 42 85 109 88 139

4 Ясамальский 57 64 88 483 118 137 151 132 76

5 Насиминский 20 103 186 122 129 221 237 178 187

6 Низаминский - 40 63 54 64 123 171 200 197

7 Бинагадинский 53 70 217 129 190 316 395 378 371

8 Хазарский - - 9 9 17 26 36 63 78

9 Сураханинский 34 33 59 62 70 141 141 193 185

10 Сабунчинский 30 43 111 72 107 147 221 202 158

11 Карадагский 42 83 83 86 98 115 232 145 206

12 ИТОГО: 401 659 1044 788 1010 1567 2012 1823 1863

Литературный обзор. На сколько безошибочно можно установить диагноз отравления угарным газом в быту, на столько этот процесс может оказаться затруднительным в условиях производств, где одновременно присутствует большое количество токсических веществ, среди которых есть вещества, вызывающие почти одинаковые признаки поражения [4, 5]. Этот факт особенно нежелателен в условиях скорой и неотложной помощи, где главным аргументом является время и отсутствие лабораторных данных. На догоспитальном этапе важным является устранение возникших патологических синдромов и принятие мер активной детоксикации организма. Если удается точно установить отравляющее вещество, важным моментом становится антидотная терапия (выведение яда из организма), которая является специфической для каждого токсина [6].

Мозг и сердце являются особенно уязвимыми к действиям этого яда. Миокард связывает СО сильнее, чем скелетные мышцы, что приводит к заметному кислородному голоданию и симптомам стенокардии, аритмии и маркеров клеточной смерти [7]. Люди, пережившие отравление угарным газом, могут умереть от сердечного приступа в течение ближайших нескольких лет из-за ущерба, которое это ядовитое вещество наносит сердечной мышце. К таким выводам пришли исследователи из Инсти-

тута Сердца Миннеаполиса, изучившие амбулаторные карты пациентов, проходивших лечение от отравления угарным газом различной степени тяжести. По данным ученых, 37% пациентов, отравившихся угарным газом, страдали от повреждений сердечной мышцы. Около четверти из них скончались в течение 7 лет после эпизода с отравлением. По словам профессора Timothy Henry, количество пациентов, у которых были выявлены нарушения работы сердца, вызванные отравлением, намного превзошли самые смелые ожидания ученых (информация взята из «Отчета» об исследовании, опубликованным в последнем выпуске Journal of the American Medical Association за 2005 год). Угарный газ может нанести разрушительные травмы мозгу и центральной нервной системе, потере слуха, нарушения зрения, болезнь Паркинсона и др. [8]

Из вышеперечисленного следует вывод о том, что при отравлениях токсическими веществами следует строго проводить дифференциальную диагностику и организовать мониторинг для последующего слежения за состоянием пострадавшего. Современные информационные технологии, методы искусственного интеллекта и медицинской статистики могли бы создать инструментарий в виде программного продукта для решения столь сложной задачи. В статье предлагается разработка одной

интеллектуально-информационной системы, осуществляющей кроме дифференциальной диагностики отравления 15-ю токсическими веществами еще и последующий мониторинг.

Постановка задачи. Нами рассмотрены случаи отравлений угарным газом в г. Баку за 2006-

На рис 1 приняты следующие обозначения:

> токсические вещества:1- анилин, 2-атро-пин, 3- барбитураты, 4-дихлорэтан, 5-кодеин, 6-пахикарпин, 7-тубазид, 8-фосфорорганические соединения, 9-этиловый спирт, 10- этиленгликоль, 11- СО-угарный газ, 12-транквилизаторы, 13-анти-гистаминные средства, 14-салицилаты, 15-цианиды соответственно.

> Латинскими буквами обозначены возможно наблюдаемые симптомы: a - миоз, Ь - мид-риаз, с - игра зрачков, d - синхронные миофибрил-ляции, e - асинхронные миофибрилляции, f -гипер-кинезы хореоидного типа, g - ригидность мышц затылка, h - асинхронные судороги, i - эпилепти-формный судорожный статус, ] - потливость кожи,

2014гг. и дополнительно определены 14 токсических веществ, схожих по первичной клинике, с которой сталкивается служба скорой и неотложной помощи до лабораторных исследований.

к - резкий цианоз кожи, 1 - гиперемия кожи, т -мраморность кожи, п - брадикардия, о - тахикардия, р - паралич дыхания при сохранении рефлексов, q - паралич дыхания только на фоне арефлек-сии, г - бронхорея.

> На рис. 1 жирными линиями выделены информационно-значимые симптомы для угарного газа.

Приведем общую структуру интеллектуально-информационной системы дифференциальной диагностики, разработанной в [9, 10], к которой добавлен модуль мониторинга отравлений угарным газом.

Вызов

Выход

Рис. 2. Структура интеллектуально-информационной системы

На рис. 2 показана схема архитектуры интеллектуально-информационной системы дифференциальной диагностики и мониторинга, где

- Бг врачебные бригады скорой и неотложной помощи;

- организация базы данных (БД) клинических симптомов токсических веществ;

- формирование базы знаний (БЗ), основанное на правилах продукции и фреймовом представлении;

- решатель, принимающий решение на основе нейронной сети;

- антидотная терапия, прекращающая или ослабляющая действие яда на организм. Выбор антидота определяется типом и характером действия

веществ, вызвавших отравление, эффективность применения зависит от точности установленного вещества, вызвавшего отравление, а также от того, как быстро оказана помощь;

- формирование электронной карты здоровья; -блок мониторинга, включающий методы временных рядов, современные методы биостатистики, корреляционный анализ, регрессионный анализ.

Разработана база первичных симптомов до лабораторной клиники рассматриваемых 15-и веществ (см. Таблица 3)

i Клинические симптомы 5 1 ■D — i о. i s- ^ 5 f- b-1 i CJ 5" J f-— = о — с f- г; 07 § е- fd 'В = 1 •— I-S Е- ь и § Е Б гР- 1 t i

1. 0 0 éíb éíb - 0 ё/'и - ш - ё-Ь ё-Ь

2. - - Ш 0 - ё/'и 0 - ё/Ь - - -

3. «игра зрачков» 0 0 - ё/и 0 0 ё/'и 0 - ё/и ё/и ё/и ё/и ё/и

4. ЖЙШШШ синхронные 0 0 0 ё/и 0 0 0 0 - Ш ё/Ь ё?# ё?#

5. ЖЛШШШ асинхронные 0 0 0 0 0 - 0 - 0 0 Ш ё-Ь ё-Ъ ё-'й

6. птеркине зы гШЕДШШШШ ™na - - 0 0 0 0 0 - 0 Ш - - ё/а

ригидность мышц затылка 0 0 0 ё/и 0 0 ё/и ё/и - - ё/и ё/и ё/и ё/и

S. а синхр онные судор аги - ё-Ъ 0 ё/'и ё/ь 0 ё/Ь ё/Ь - - ё-Ь -

9. судорожный статус 0 0 0 0 0 - ё/'и 0 ё/'и ш éfú éfit ё/$

10. потливость ё/и 0 ё/и ё/и ё/и ё/и ё/и - ё/и ё/и ё/и ё/и ё/и ё/и ё/и

11. сухость ё-Ь - éí& ё/'и ё/'и ё/'и ё/'и 0 ё/'и ё/'и Ш - ё/Ь - ё?#

2. резкий цианоз - ё-Ъ ё-Ь ё/и ё/'и ё/'и ё/'и ё/ь ё/Ь ё/'и Ш ё-Ь

Ъ. гиперемия 0 - éfü ё/'и ё/'и 0 ё/'и ё/'и ё/'и - Ш ё/а -

14. мраморность ё/и ё/и - ё/и - ё/и ё/и ё/и ё/и ё/и ё/и ё/и ё/и ё/и

15 брадикардия 0 0 éíb 0 0 üíb ё/# - ё/'и ё/'и Ш ё-Ъ ё-Ъ

16. тахикардия - - й:'а - - ё/'и ё/'и Ш Ш ё:'и - ё-'и

17 паралич дыхания при сохраненных рефлексах ё/Ъ ё/Ъ éfb ё/'и - - 0 ё/'и 0 - ё/Ъ ё/а

16. паралич дыхания только на фоне арефлексии - - - - ё/и ё/и - ё/и - ё/и - ё:М ё/и ё/и

19. ё-Ъ 0 éíb ё/'и ё/Ь ё/Ь ё/Ь - ё/Ь Ш ё-Ь ё-Ь ё-Ь

н

02 Oí

С

о:

I Й

1 Я

е-«•

го та го И С Я рэ Й № Я о го

Й я

ED ®

■о аз

Со С

I

с с<

О

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

0 5

со £

CD

1 о-

"гп

о *

о>

со .со

О

п

-й-

В таб. 3 приняты следующие обозначения: «+» - обязательное присутствие симптома, «0» - отсутствие данного симптома, «±» - ситуация, при которой симптом может присутствовать с минимальным воздействием либо вообще не наблюдаться, т.е. они не доминируют при диагностике. Эти данные позволили разработать БД и БЗ.

База данных (БД). Основываясь на экспертных знаниях, составлена сводная таблица 2, в которой знак «+» означает присутствие признака в предполагаемой гипотезе, «0» - его отсутствие, «д/н» - несущественное присутствие, которое может быть обнаружено либо нет, что привносит в диагностику элемент неопределенности.

Для выбора методов решения процесс рассматривается с точки зрения организованной биологической системы. Тогда процесс будет характеризоваться на основе сложности биокибернетической системы. Идентификация по сложности проводится по численному значению максимальной сложности системы:

где т - количество возможных состояний, принимаемых системой.

Величину "^тах принимают за максимально возможную неопределенность при расчетах уровня организации. Если существует возможность вычисления вероятностей каждого из состояний системы

- рц то неопределенность функционирования системы (в данном случае биологической) вычисляется следующим образом:

Далее рассчитываются значение относительной организации:

*=1- н

ТУ

так

Так как Нтах - число состояний и Я - организация принятия системой этих состояний и они характеризуют разные стороны биосистемы, их можно использовать для построения классификационной диаграммы [11, 12] (рис. 3), где на диаграмме представлены следующие биосистемы:

> 11 - простая детерминированная;

> 12 - простая вероятностно-детерминированная;

13 - простая вероятностная;

21 - сложная детерминированная;

22 - сложная вероятностно-детерминиро-

> > >

ванная; >

> >

23 - сложная вероятностная; 31 - очень сложная детерминированная; 32- очень сложная вероятностно-детерминированная;

> 33 - Очень сложная вероятностная.

Нш' 12

33 32 31

23 22 21

13 12 11 —*

0,1

0,3

1,0 Е

Классификационная диаграмма

Рис. 3. Классификационная диаграмма

Исследование процесса по таб.2 позволило сделать следующий основной вывод: во-первых, задачу можно рассматривать как простую вероятностную, во-вторых - как очень сложную вероятностно-детерминированную биосистему. Подобный подход, т.е. два разных аспекта к решению,

даст более достоверный ответ. Рассмотрим оба случая, где исходными данными будут данные таб.2.

База знаний (БЗ) строится на правилах продукции вида: Если «предпосылки» - То «действия»:

If"prerequisites " - Then "actions ".

if ^ e X ^ xt e y},

then xt e yx,у2,...,yH,yJ+1 ,...,ym

* _ 1'2'.. Д9' J ~ 1,2,.. Д5 ^-ая СТупень - строгая дифференциация

г/

¡Неп г = 1,2,...Д9

Зхг е X ^ Зу е Г

Хг е Уз

1 < 3 < 15

2-ая ступень - нестрогая дифференциация

г/

¡Ней ^ X е г = 1,2,...Д9

Зхг е X

к е Уз {V х £ Уз} 1 < 3 < 15

3-я ступень - неопределенная дифференциация

Для дифференциальной диагностике была раз- входами и 15 выходами [9, 10, 11]. работана двухслойная модель нейронной сети с 38

Х1

У1

У2

Уз

У15

Рис. 4. Модель нейронной сети дифференциальной диагностики отравлений

Почему на первом слое 38 входов? Мы счи- нейрон активизируется при его отсутствие. Выхо-

таем, что для каждого параметра целесообразно дами являются 15 гипотез, т.е. причины отравле-

наличие двух нейронов. Один из них активизиру- ния. Второй слой сети можно представить в виде

ется при выявлении признака-параметра, второй суммы

К/

17. _ у38 г+ у38 „- + „(у38 „ ЛУ)

Уь _ ¿-•1=т,к,1,...Л1 ¿-¡1=1,5,р,...Л1 + )

(1)

Если первые две суммы в (1) принять за нуле- нуля, подтверждают гипотезу и само множество а

вое состояние, подтверждающее существование ги- является множеством обучения нейронной сети.

потезы, то третью сумму будем рассматривать как Например, для угарного газа выражение (1) примет

множество, подтверждающее гипотезу со всевоз- вид можными вариациями. Третья сумма при этом выполняет две функции: все случаи а, отличных от

При успешной работе системы определяется отравляющее вещество и своевременно применяется антидотная терапия, после чего, если требуется, пациент доставляется в стационар, где проходит лечение. Как было указано выше, после стационара пациенту, независимо от степени поражения, требуется проводить мониторинг.

Под мониторингом при отравлениях будем понимать систему сбора, хранения и анализа небольшого количества требуемых параметров и их признаков для вынесения текущего диагноза и будущего прогноза о состоянии здоровья пациента в целом. Результат мониторинга параметров представляет собой совокупность измеренных значений параметров, получаемых на неразрывно примыкающих друг к другу интервалах времени, в течение которых значения параметров существенно не изменяются.

Принципиальным отличием мониторинга текущего состояния от мониторинга параметров является наличие интерпретатора измеренных параметров в терминах состояния — экспертной системы поддержки принятия решений о состоянии пациента после определенного интервала времени.

Мониторинг несёт несколько организационных функций:

• выявляет состояние критических или находящихся в состоянии изменения явлений в состоянии пациента, в отношении которого будет выработан курс действий на будущее;

• устанавливает связь с предыдущим состоянием, обеспечивая обратную связь, в отношении предыдущих удач и неудач определенной политики или программ;

• устанавливает соответствия правилам и контрактным обязательствам.

Необходимость в мониторинге в поставленной задаче определяется врачом, и он зависит от степени отравления. Периоды могут колебаться в пределах недели, месяца, квартала, полугодия, года. Для организации мониторинга в интеллектуальную систему дифференциальной диагностики добавим модуль (см.рис.2.). Математические методы, которыми будет осуществляться мониторинг, следующие:

1. Временной ряд или ряд динамики - это собранный в разные моменты времени статистический материал о значении каких-либо параметров (в простейшем случае одного) исследуемого процесса. Каждая единица статистического материала называется измерением или отсчётом. Во временном ряде для каждого отсчёта должно быть указано время измерения или номер измерения по порядку.

2. Анализ временных рядов. Анализ временных рядов это совокупность математико-ст атистических методов анализа, предназначенных для выявления структуры временных рядов и для их прогнозирования. Подробное обсуждение этих методов можно найти в следующих работах: Anderson (1976), Бокс и Дженкинс (1976), Kendall (1984), Kendall and Ord (1990), Montgomery, Johnson, and Gardiner (1990), Pankratz (1983), Shumway (1988), Vandaele (1983), Walker (1991), Wei (1989).

Существуют две основные цели анализа временных рядов:

> определение природы ряда;

> прогнозирование (предсказание будущих значений временного ряда по настоящим и прошлым значениям).

Прогноз будущих значений временного ряда используется для эффективного принятия решений. Корректировка полученного прогноза выполняется для уточнения полученных долгосрочных прогнозов с учётом влияния сезонности или скачкообразности развития изучаемого явления. Для анализа временных рядов нами использовались параметрические и непараметрические методы математической статистики, из которых отметим Фишера F-критерий для сравнения более, чем двух совокупностей (как, например, в дисперсионном анализе); критерий Краскела-Уоллиса - это непараметрическая альтернатива одномерному (межгрупповому) дисперсионному анализу. Он используется для сравнения трех или более выборок, и проверяет нулевые гипотезы, согласно которым различные выборки были взяты из одного и того же распределения, или из распределений с одинаковыми медианами (см. Siegel & Castellan, 1988); непараметрический критерий Вилкоксона является расширением двухвыборочного критерия Вилкок-сона ранговых сумм; критерий Фридмана - это непараметрический аналог дисперсионного анализа повторных измерений, применяется для анализа повторных измерений, связанных с одним и тем же индивидуумом. С помощью критерия Фридмана мы проверяем нулевую гипотезу о том, что различные методы лечения дают практически одинаковые результаты.

Например, на рис. 5. дано окно выбора меню для статистического анализа, на рис.6 даны отдельные фрагменты исследования белка у пациента А., наблюдаемого за период 2012-2014гг (всего 36 измерений). Все вычисления и анализ выполнены в пакете статистика.

Рис. 5. Выбор методов анализа временных рядов

Э 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37

Sceitoc*« Ы «дол* V««1 Spr*adsh*«41 IOv-ЖЧ Уагг.«вв1-0.0в5в'*

Fofecestt.Mo«íei«.i.OKi.i.O)Seesonaiiao * Inpul VARI Start o» onpn 1 End vi ongm Ж

10 16

25 30

40 45

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Obsefved — Forecast 190 0000%

Exp smooffnng Adc Un kandadd season Hrve season (3) Mpívi- 100 Det VARI эО-88 09 ТО—,2вЗ 100 Gamma= 100

120 110 100 60 Щ M l (t™ 30 20 10 0 ! 10 | 20 -30 -40

0 5 10 15 20 -VARI <L) — 2S smoothed Sanes О 35 40 45 50 (L) Reside (R)

Start oí or lodel (1.0.0) Sea Input VAR2 gin 1 End of >onallag 12 ongin 36

200 150 100 50 0 -50 200 1S0 100 50 0 -50

0 5 10 15 20 -Observed 25 -Forecast - 50 35 40 45 — S 90 0000* 50

Aulocorieiation Fireson VAR2

(Standard «ron то «ши пом IWIWM)

Partí al Aulocorrelalion Fundí orí VAR2

(Siandaid error s assurne ar oroer o» K-1

Рис. 6. Фрагменты анализа временных рядов для белка за 3 года при нормальном распределение

Далее для этих данных на рис.7 приведен график анализа ситуации при экспоненциальной сгла-

живающей без учета тренда и сезонной составляющей (для сглаживающей составляющей приняты значения а = 0,1; а = 0,5; а = 0,9).

SewwHw и-ир&^н—чще—smipc—»^и В Гц..——ш жеге^шшп а ы—so-lit' ID Гф. WH'iTf...,,.- f] ^

Рис. 7. Анализ данных при экспоненциальном сглаживание

На рис.7 синей линией выделен фактический уровень самого сигнала, красной - значения отклонений (Residuals) фактических уровней от выровненных, зеленой - сглаженные значения (Smoothed Series). Анализ полученных результатов показал, что чем меньше значение сглаживающей константы, тем меньше варьируют сглаженные значения. При малой величине а = 0,1 сглаженные значения сильно расходятся с фактическими уровнями исходного временного ряда. В общем случае сглаживание при малых а слабо реагирует на подобные скачки или поворотные точки. Но когда константа а= 0,9 получаем гораздо меньший сглаживающий эффект, однако сглаженные значения в большей степени следуют фактическим значениям по всей длине исходного временного ряда. Константа а= 0,5 дает промежуточный эффект между первыми двумя вариантами. То есть когда временной ряд содержит незначительную нерегулярную компоненту, целесообразно использовать большие константы [13].

Приведенный пример показал, что состояние больного А. не стабилизировалось (относительно уровня белка) и требуется дальнейшее лечение и мониторинг.

Разработанный программный продукт успешно прошел тестирование на реальных картах больных за 2006-2014 гг. в Центральной Скорой и Неотложной Медицинской Помощи г. Баку.

Заключение. В заключение можно сделать следующие выводы:

- исследованы случаи отравления угарным газом, выделены долабораторные признаки

отравления, которые во многом схожи с отравлениями некоторых химических веществ, обладающих токсическими свойствами;

- вышесказанное является обоснованием для проведения дифференциальной диагностики;

- исследованы последствия отравления угарным газом и показаны случаи инфорктов миокарда, повреждения центральной нервной системы и т.д., что является обснованием для организации мониторинга в последующем периоде;

- предложена многомодульная архитуктура интеллектуально-информационной системы, основанной на современных информационных технологиях, методах искусственного элемента и биостатистики;

- дан алгоритм обучения нейронной сети для дифференциальной диагностики;

- дан пример исследования одного параметра методами анализа временных рядов;

- разработанная система прошла тестирование в медицинском учреждении.

Литература

1. Iqbal S, Clower JH, Boehmer TK, Yip FY, Garbe P. Carbon monoxide-related hospitalizations in the US: evaluation of a web-based query system for public health surveillance. // Public Health Rep 2010; 125:423—32

2. Clower JH, Hampson NB, Iqbal S, Yip FY. Recipients of hyperbaric oxygen treatment for carbon monoxide poisoning and exposure circumstances. J Emerg Med. In press 2011.

3. US Census Bureau, International Data Base,

2004

4. Bova A.A., Gorokhov S.S. War Toxicology and Toxicology of Extreme Situations. Minsk. BSMU, 2005.

5. Spirighins L., Chambers J. Emergency Medicine. Diagnosis and Treatment of Urgent States. M., Medical Literature, 2006.

6. Abdullayeva G.G. et. al. Conseption of Constructing an Emergency System for Differential Diagnosis of Internal Diseases // News of NAS of Azerbaijan, volume XXII, No. s. 2-3, 2002.

7. Robin F.Hurley, Ramona O.Hopkins, Erin D. Bigler, Catherine H.Taber. Use of Functional Diagnosis in Carbon Monoxide Poisonings // Journal of Neu-ropsychology and Clinical Neuroscience-2001; 13:. 157-160.

8. World Health Organization. Environmental Health Criteria 213 - Carbon Monoxide (Second Edition). WHO, Geneva, 1999; ISBN 92 4 157213 2 (NLM classification: QV 662). ISSN 0250-863X.

9. Abdullayeva G.G., Kurbanova N.G., Mirzaza-deh I.H. Intelligent Information System for Differential Diagnosis of Poisonings with Toxic Substances // Information Technologies. M.: 2013, No 10 (206)

10. Abdullayeva G.G., Mirzazadeh I.H., Naghi-yev R.H., Naghizade U.R. Intelligent Information System of Diagnosis and Monitoring Application in the emergency medical assistance for Poisonings by Toxic Substances// Journal of Health and Medical Informatics (JHMI):2013, 4 Volume 2 Issue, 7 pp.

11. Г.Г.Абдуллаева, Н.Г.Курбанова, И.Г.Мир-зазаде. Интеллектуально-ин-формационная система дифференциальной диагностики при отравлениях токсическими веществами (на примере отравлений угарным газом). // Журнал «Информационные техноло-гии», Москва, 2013, №6. cтр. 4045

12. Трофимова Т.Г., Чернов В.И. Классификация биокибернетических систем и методология их теоретического исследования. // Сб. докл. конф. "Доказательная медицина (клиническое наблюдение, статистическое обобщение, модели процесса), Воронеж, январь, 2000

13. Abdullayeva G.G., Gurbanova N.H. Mirzazadeh I.H. Information Technologies in Toxicology. // Lambert Academic Publishing, Germany, Saarbrücken, 2014. 118 pp.

УДК 625.1: 69.05_

ОСОБЕННОСТИ ОРГАНИЗАЦИИ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ В _ЖЕЛЕЗНОДОРОЖНОМ СТРОИТЕЛЬСТВЕ._

Саморядов Сергей Валерьевич.

Доцент, канд. техн. наук, МГУПС, кафедра Проектирование и строительство железных дорог.

127994, г. Москва, ул. Образцова, д 9, стр. 9

PECULIARITIES OF ORGANIZATION OF TECHNOLOGICAL PROCESSES IN RAILWAY

CONSTRUCTION.

Sergey V. Samoryadov.

Associate Professor, Cand. Tech. Science, MGUPS, Department of design and construction of railways. 127994, Moscow, UL. Obraztsova, d 9, page. 9

АННОТАЦИЯ.

Анализируются организация строительных процессов. При наличии ограничений в строках и ресурсах рассмотрено ограничение процессов в пространстве. Вводятся новые понятия - дефицит пространственного развития процесса и дефицит технологического разрешения.

ANNOTATION.

Examines the Organization of construction processes. If there are restrictions in rows and resources considered limiting processes in space. Introduces new concepts of spatial development deficit and the deficit of technological process permissions.

Keywords : construction processes, organization, lack of space, technological permission

Ключевые слова: строительные процессы, организация, дефицит пространства, технологические разрешения

Keywords: construction, processes, organization space, technological deficit permissions

В современном строительстве, в первую очередь, транспортном терминология и понятия, определения взаимодействия технологических процессов требуют определенной корректировки. Так как использование общеизвестных не всегда отвечает особенностям тех или иных видов работ. Новизна предлагаемого подхода к понятиям фронта работ,

монтажной зоны, ограничений в пространстве потребовали дополнения терминов и определений для более четкого описания и моделирования организации технологических процессов.

Сложные строительные процессы в своей совокупности взаимодействуют во времени и пространстве. Организация строительного процесса в

i Надоели баннеры? Вы всегда можете отключить рекламу.