CC BY
30
УДК 004.67:618.3
1.С. СКАРГА-БАНДУРОВА, д-р техн. наук, доц., СНУ iм. В. Даля,
Северодонецьк,
Т.О. Б1ЛОБОРОДОВА, асп. СНУ ш. В. Даля, Северодонецьк
ДОСЛ1ДЖЕННЯ АЛГОРИТМ1В АНАЛ1ЗУ ДАНИХ ДЛЯ
ПРОГНОЗУВАННЯ НЕОНАТАЛЬНИХ Г1ПОКСИЧНИХ
УРАЖЕНЬ ЦЕНТРАЛЬНО! НЕРВОВО1 СИСТЕМИ
ОбГрунтовано необхщшсть використання метод1в штелектуального анал1зу даних для розв'язання проблеми прогнозування уражень центрально! нервово! системи (ЦНС) у новонароджених. Визначено основш етапи отримання даних для шдтримки прийняття ршень при прогнозуванш патологш ЦНС. Запропоновано нов1 шформацшш модел1 прогнозування гiпоксичного ураження ЦНС у новонароджених. Надано результати оцшки ефективност базових алгоритшв анал1зу даних. 1л.: 3. Табл.: 3. Б1блюгр.: 13 назв.
Ключов1 слова: анал1з даних, прогнозування, шдтримка прийняття ршень, алгоритм, оцшка ефективносп, модель.
Опис проблеми. Патолопчш стани матерi тд час вагiтностi, И анамнез життя е однiею з основних причин ускладнень у новонародженого. Гiпоксичне ураження центрально! нервово! системи у новонароджених - це ускладнення патологи ваптносп та полопв, яке викликане кисневим голодуванням головного мозку. Сучасна медицина вiдносить цю патологш до вкрай серйозних проблем в перинатальнш неврологi!, що може призвести до дитячо! смертностi або швалдносп [1]. Та незважаючи на це, мехашзми розвитку гiпоксичного ураження центрально! нервово! системи у новонароджених ще недостатньо вивчеш та потребують подальшого дослiдження.
Ранне прогнозування ризику розвитку гшоксичного ураження ЦНС у новонародженого та своечасно прийняп заходи щодо попередження цих станiв збшьшують вiрогiднiсть сприятливого перебiгу та усунення наслiдкiв подiбних станiв.
Дуже важливо заздалегiдь передбачити можливiсть дано! патологи у новонародженого, щоб, в разi потреби, своечасно надати медичну допомогу новонародженому або направити вагiтну з високим ризиком розвитку гшоксичного ураження ЦНС у майбутньо! дитини до закладу вищого рiвня надання акушерсько-пнеколопчно! та неонатально! допомоги.
Огляд л1тератури. Поточш дослвдження в галузi впровадження © 1.С. Скарга-Бандурова, Т.О. Бшобородова, 2015
шформацшних технологш для виршення проблеми патологи перинатального перюду дозволили досягти певного прогресу у попередженнi ускладнень у новонароджених, разом з тим, через безлiч факторiв ризику розвитку гiпоксичного ураження ЦНС у новонароджених, вiдсоток прояви таких сташв, як i рашше, високий.
Бiльшiсть дослiджень в цш галузi спрямованi на вивчення моделювання процесу розвитку передчасних пологiв. Для визначення основних п'ятнадцяти факторiв, що впливають на передчасш пологи, автори статтi [2] застосували такi вбудоваш алгоритми комерцiйного програмного забезпечення для штелектуального аналiзу даних Clementine 10.0, як нейронш мереж1 та рiзнi рiзновиди алгоритму дерево рiшень. Наявшсть в акушерсько-гiнекологiчному анамнезi вагггно! кесаревого розтину i штучно! стимуляци полопв, як факторiв передчасних пологiв, були пiдданi регресiйному та розвiдувальному аналiзу даних в дослiдженнi канадських вчених [3]. Для виявлення знань з метою полшшення дiагностики передчасних полопв був проведений факторний аналiз велико! шлькосп даних, витягнутих з медичного сховища даних [4]. У дослщженш [5] для виявлення та визначення груп, схильних до ризику перинатально! смертносп, i к1льк1сно! оцiнки ймовiрностi несприятливого результату для кожного певного кластера, авторами запропоновано використання методу кластеризацп iз застосуванням алгоритмiв лопстично! регресi! i самоорганiзованих карт Кохонена. У статп [6] наведено випадок практичного застосування health analytics в реашмацшнш неонатологi! для виявлення закономiрностей мгж частотою серцевих скорочень та шфекщею, що розвиваеться у немовля, для своечасно! дiагностики захворювань в неонатальному перiодi. Клiнiчнi дослвдження iз застосуванням методiв iнтелектуального аналiзу даних для передбачення жовтяницi у новонароджених на шдстаи даних сiмейного анамнезу, фiзичного огляду новонародженого i даних клшчних обстежень були проведенi авторами роботи [7]. Для виконання моделювання використовувалися дерева ршень, Байесовi мереж1, нейроннi мереж!, алгоритми SMO i методи лiнiйно! регресi!.
Аналiз робгг в данiй областi показав, що даш, так само як i результати !х обробки, прогнозування i моделювання для попередження патологи новонароджених потребують подальшо! систематизацi! та узагальнення. Також недостатньо вивчено вплив певних поеднань р!зних факторiв на тяжюсть ста^ новонароджених. Це дослщження е наступним кроком у напрямку аналiзу медичних даних [8] для отримання 6!льш як1сних моделей для реалiзацi! процедур п!дтримки прийняття ршень при прогнозуваннi патологiй i ускладнень у новонароджених та використання цих знань для покращення надання медично! допомоги.
Мета дослвдження - ан^з основних дiагностичних ознак, оцiнка ефективностi базових алгоритмiв, визначення найбiльш точного методу для визначення патологи.
П1дготовка даних. В ходi дослiдження були вивченi гстори 339 ваптностей, що зак1нчилися пологами. Прояви гшоксичного ураження центрально! нервово! системи у новонароджених, так як церебральна iшемiя 1 - 3 ступенiв, синдром церебрально! депреси, iнтранатальна асфiксiя новонародженого рiзних ступенiв були дiагностованi у 24 новонароджених, що дозволяе зробити ряд припущень про !х розвиток. Для кожно! породiллi та новонародженого проаналiзованi данi, що включають антропометричш, демографiчнi, клiнiко-лабораторнi та iншi показники. На рис. 1 представленi етапи отримання набору даних.
Рис. 1. Етапи отримання набору даних
В процесс роботи було видшено дешлька наборiв даних:
- анамнез життя: перенесенi захворювання, соцiальнi та еколопчш умови життя, умови роботи, погаш звички;
- акушерсько-гiнекологiчний анамнез: початок статевого життя, особливосл переб^ та к1льк1сть вагiтностей, абортiв, полопв;
- антропометричнi данi пiд час ще! вагiтностi: вiк, вага, зрют, показники артерiального тиску кровi;
- лабораторш дослвдження шд час поточно! ваптностг показники загального аналiзу кров^ бiохiмiчнi показники кровi, показники результапв аналiзiв на специфiчнi антитiла IgG класу до ТОЯСИ-iнфекцiй, рiвень цукру кровi;
- зовнiшне акушерське обстеження: аускультацiя серцебиття плода, передлежання плоду, окружнiсть живота;
- захворювання ваптно! пiд час цiе! ваптностц
- прийом медикаментозних засобiв тд час цiе! вагiтностi;
- стан новонародженого: зрют, вага, оцшка стану по шкалi Апгар, наявшсть патолопчних сташв.
На основi видшених наборiв даних, для прогнозування патологiчних сташв були визначеш наступнi параметри: вш ваптно!, и зрiст, вага, термш вагiтностi при пологах, яка ваптшсть та пологи за рахунком, кшьшсть плодiв, серцебиття плоду при аускультацп та показники систолiчного та дiастолiчного тиску пiд час останньо! явки ваптно! до гiнеколога, що передуе пологам, показники результатiв аналiзiв на специфiчнi антитiла IgG класу до TORCH-iнфекцiй, а саме: токсоплазмозу, цитомегаловiрусно! шфекцп, вiрусу звичайного герпеса, краснухи, показники рiвня цукру в кровi та гемоглобiну. Виходячи з вищевказаного, для вирiшення поставлено! задачi було використано 18 параметрiв. Фрагмент структури вхiдних даних представлений у табл. 1.
Таблиця 1
Фрагмент набору вхщних даних
Data structure Age, Height, Massa, GestationAge, Pregnancy, Labor, Fetus, FetalHeartbeats, Toxo_lgG, CMV_lgG, HSV_lgG, Clamydia_lgG, Rubella lgG, BloodSugar, Hemoglobin, SystolicPressure, DiastolicPressure, NeonatHypoxicisChemicCerebral
Dataset 001 38, 164, 92.9, 39, 20, 3, 1, 136, 25, 89, 74, 0, , , 126, 105, 70, negative
Dataset 002 23, 165, 69, 39, 2, 1, 1, 146, 100, 86, 85, 0, , , 112, 105, 65, negative
Dataset 003 17, 153, 63.6, 39, 1, 1, 1, 140, 23, 19, 29, 0, , 4.8, 128, 90, 60, negative
Dataset 004 24, 167, 73.2, 38, 1, 1, 1, 125, 0, 10, 37, 0, , , 119, 105, 80, negative
Dataset 005 25, 160, 73, 41, 3, 3, 1, 148, 71, 72, 32, 0, , 3.4, 116, 120, 80, positive
Dataset 006 16, 158, 76, 38, 1, 1, 1, 140, 0,98, 0, 0, , , 107, 100, 65, negative
Dataset 007 35, 175, 97.7, 39, 3, 2, 1, 150, 100, 33, 63, 0, , 3.7, 114, 100, 60, negative
Для прогнозування гшоксичних уражень ЦНС у новонародженого авторами розроблено дешлька моделей з використанням наступних алгоритмiв: Alternating decision tree, Random Forest, Naïve Bayes, Bayes Net. Аналiз даних проводився за допомогою вбудованих алгоритмiв в№ного програмного забезпечення для iнтелектуального аналiзу даних Weka [9].
Дослiдження алгоритм1в анал1зу даних. Bayes Net, Naïve Bayes e рiзновидами Баeсовоï мереж! - графiчноï ймовiрнiсноï моделi, що являе собою множину змiнних i 1'х причинно-наслiдкових залежностей [10].
Фрагмент пропоновано1 ймовiрнiсноï модел^ що реалiзовано за допомогою алгоритму Naïve Bayes представлений на рис. 2.
Ппоксичне ураження Ппоксичне ураження
ЦНС - рositive ЦНС - negative
Токсоплазма lg G >0 23,28% 76,72%
Токсоплазма lg G =0 12,64% 87,36%
BiK
Ппоксичне ураження ^ уЦНС у новонародженогдУ
3picT
Вага
Термт вагiтноcтi при пологах'
Bipyc простого герпесу lg G
Хламщп lg G
Токсоплазма lg G
Цитомегаловiрyc lg G
Рис. 2. Фрагмент графiчноï ймовiрнiсноï моделi Naïve Bayes для прогнозування розвитку гшоксичного ураження ЦНС у новонародженого
Представлена модель мютить шформацш про залежнiсть мiж обраними змшними, кожна з яких мае асоцшовану умовну таблицю ймовiрностi з залежностями змiнних вiд даних [11].
На рис. 2 подано результата обчислення залежносп змiнноï Токсоплазма lg G ввд ïï асоцiйованоï' умовноï' таблиц ймовiрностi, яка визначае ймовiрнiсть наявносп гiпоксiчного ураження ЦНС у новонародженого. В результата реалiзацiï ймовiрнiсноï моделi за алгоритмом Naïve Bayes, отримано, що при результатах лабораторних дослвджень Токсоплазма lg G > 0 процент появи гшоксичного ураження складае 23,28%, вiдсутнiсть - 76,72%, при Токсоплазма lg G = 0 процент появи дорiвнюе 12,64%, а вщсутноста дано1' патологiï - 87,36 %, що само по собi не може вважатися шформативним критерiем для прогнозування гiпоксичного ураження.
При реалiзацiï пiдходу з використанням дерев ршень (Decision tree) спочатку обираеться атрибут, найбiльш пов'язаний з шуканою змiнною, далi множини дiляться на тдмножини вiдповiдно до обраного атрибута i процедура подiлу пiдмножин повторюеться до визначення остаточних критерiïв. В результата отримуемо модель, що визначае обмежений набiр змiнних, якi разом мають високу прогностичну силу для цшьово1' змiнноï. Завдяки легкостi штерпретаци та якiсним результатам дерева ршень широко застосовуються для вирiшення рiзних завдань в акушерствi, гiнекологiï та неонатологп [2, 7, 12].
Для визначення позитивного або негативного прогнозу гшоксичного ураження ЦНС у новонароджених авторами розроблено наступну модель
з подшом вихщних наборiв змшних на тдмножини за методом Alternating Decision Tree (ADTree) (рис. 3).
Рис. 3. Фрагмент моделi ADTree для прогнозування розвитку гшоксичного
ураження ЦНС
Графiчне представления ADTree, або знакозмiнного дерева ршень, формуеться з набору вихвдних даних. Прогнознi вузли представленi прямокутниками, а розподiльнi - елiпсами. Кожен розд№ний вузол, пов'язаний з речовим числом, яке формуе правило для наступного кроку, тобто якщо значения характеристики, надано1' у вузлi, менше за вказане в умовi, шлях передбачення проходитиме через лiвий дочiрнiй вузол, в iншому випадку - через правий дочiрнiй вузол. Цифри, що стоять перед назвами характеристик у розпод№них вузлах вказують на порядок, в якому були виявлеш базовi правила, це впорядкування може, в деякш мiрi, вказувати на вщносну важливiсть цих правил. У розглянутому прикладi загроза розвитку гшоксичного ураження ЦНС кодуеться позитивними значенням, а вiдсутнiсть загрози - негативними. Остаточний прогноз, розраховуеться шляхом тдсумовування значень у вузлах передбачення, через яш проходять вiдповiдиi характеристики. Наприклад, для значень: age = 25, height = 165, weight = 69,1, gestation
age = 41, Toxo lg G = 100, CMV lg G = 100, hemoglobin = 90, результат розраховуеться по вузлах 0, 1, 2, 3, 7, 9 (табл.2).
Таблиця 2
Результата тдрахунку прогнозу для наданого прикладу
Номер правила 0 1 2 3 7 9
nepeBipKa умови N/A 69,1 < 104,8 165 < 170,5 41 > 40,5 165 > 160,5 100<118
Прогноз - 1,32 - 0,157 0,111 0,529 - 0,56 - 0,85
У результата тдсумовування прогнозних вузлiв отримуемо значения -2,247, що е негативним, тому перевага надаеться припущенню про ввдсутшсть загрози розвитку гiпоксичного ураження.
Наступним алгоритмом, що перевiрявся був Random Forest, який являе собою ансамбль з дерев ршень. При створеш базово! моделi процедура побудови множини дерев рiшень кожен раз повторювалася для дек1лька змiненого набору даних. Для отримання остаточного прогнозу результата множини дерев ршень усереднювалися.
Для оцшки якостi моделей, що використовують описаш вище шдходи, використовувалися показники ROC Area та Correctly Classified Instances (СС1) (табл. 3). ROC Area це шльшсний показник оцшки якосп бшарно! класифiкацii, який надае наочне представлення про цiннiсть моделi i дозволяе зробити порiвияльний аналiз дек1лькох моделей. Показник ROC Area, який дорiвнюе 1, згiдно [13] ввдповщае идеальному класифiкатору. При використанш реальних випадк1в модель з показниками ROC Area, що дорiвнюють 0,7 - 0,8, демонструе достатньо високу точшсть. Показник Correctly Classified Instances (СС1) - показник точностi моделт
Таблиця 3
Виконання pi3HHX алгоримв аналiзу даних при прогнозуваннi розвитку гшоксичного ураження ЦНС з використанням вхiдних даних перебггу вагiтностi та перших дшв життя новонародженого для тестового набору даних
Ппоксичне ураження ЦНС ROC Area / CCI, %
Кшькють полопв Кшькють випадмв патологи Naive Bayes Bayes Net Random Forest Alternating decision tree
339 24 0.657 / 92.33 % 0.5 / 92.92% 0.909 / 97.34 % 0.833 / 93.8 %
Для вихвдних даних поточного дослщження, алгоритм Decision tree показав H^Mmi результати шж алгоритми Naïve Bayes та Bayes Net. За показниками якосп моделi Alternating decision tree поступився пльки алгоритму Random Forest, що щлком логiчно, оск1льки Random Forest використовуе множину дерев рiшень для отримання результату.
Висновки. У результатi виконаних робгт запропоновано новi iнформацiйнi моделi для прогнозування гiпоксичного ураження ЦНС у новонароджених, як1 вiдображають найб№ш iстотнi ознаки досл1джувано1' патологiï, виявлеш пiд час вагiтностi матерi, та дозволяють використовувати видiленi набори даних для отримання найбшьш як1сного прогнозу. Отримано результати порiвняльного аналiзу, що характеризують точнють класифiкацiï дослвджуваних моделей для тестового набору даних. Розглянуто мехашзми аналiзу даних за допомогою алгоршшв Naïve Bayes, Bayes Net, Random Forest, Alternating decision tree. За результатами моделювання, зроблено висновок, що в подальшому дослвдженш слщ зосередити свою увагу на таких алгоритмах, як Random Forest i Decision Tree, яш показали задовшьш результати якосп та точностi при аналiзi медичних даних.
У подальшому плануеться полiпшення результатiв моделювання за рахунок збiльшення наборiв даних додатковими оцифрованими змiнними.
Список л1тератури: 1. Волосовец А.П. Последствия перинатальных поражений центральной нервной системы: дискуссионные вопросы [Електронний ресурс] / А.П. Волосовец, С.П. Кривопустов, И.А. Логинова, М.А. Шакотько // Здоровье ребенка. -2008. - № 4 (13). - Режим доступу www. URL: http://www.mifua.com/archive/ article_print/7232. - 21.07.2015 р. 2. Chen H.-Y. Exploring the risk factors of preterm birth using data mining / H.-Y. Chen, C.-H. Chuang, Y.-J. Yang, T.-Pi Wu // Expert Systems with Applications. - 2011. - Vol. 38. - Р. 5384-5387. 3. Bassil K.L. The association between obstetrical interventions and late preterm birth / K.L. Bassil, A.S. Yasseen III, M. Walker, M.D. Sgro, P.S. Shah, G.N. Smith, D.M. Campbell, M. Mamdani, A.E. Sprague, S.K. Lee, J.L. Maguire // American Journal of Obstetrics & Gynecology. - 2014. - Vol. 210. - Issue 6. -P. 538-540. 4. Prather J.C. Medical Data Mining: Knowledge Discovery in a Clinical Data Warehouse / J.C. Prather, D.F. Lobach, L.K. Goodwin, J.W. Hales, M.L. Hage, W.E. Hammond // Proceedings AMIA Annual Fall Symposium. - 1997. - P. 101-105. 5. A summary of findings and quantitative investigation targeted at: Reducing Infant Mortality in Indiana - Dec. 2014 [Електронний ресурс] - Режим доступу www. URL: http://www.in.gov/omb/files/ Infant_Mortality_Report.pdf - 21.07.2015 p. 6. Raghupathi W. An Overview of Health Analytics [Електронний ресурс] / W. Raghupathi, V. Raghupathi // Health Analytics Journal - Режим доступу www. URL: http://www.fordhamcdt.org/img/2013/07/HealthAnalyticsJournal PaperVersion5.final_.pdf - 21.07.2015 р. 7. Ferreira D. Applying data mining techniques to improve diagnosis in neonatal jaundice [Електронний ресурс] / D. Ferreira, A. Oliveirа, A.Freitas // BMC Medical Informatics and Decision Making. - 2012. - Vol. 12. - № 143 - Режим доступу www. URL: http://www.biomedcentral.com/content/pdf/1472-6947-12-143.pdf -21.07.2015 р. 8. Скарга-Бандурова 1.С. Використання метсдав штелектуального аналiзу даних для дiагностики стану плода / 1.С. Скарга-Бандурова, Т.О. Бшобородова // Theoretical
and Applied Computer Science and Information Technology: Proceedings of the 1st International Conference TACSIT-2015. - Severodonetsk: East Ukrainian National University, 2015. - P. 7680. 9. The Weka Data Mining Software: An Update [E^eKTpoHHHH pecypc] - Pe^HM gocTyny www. URL: http://www.kdd.org/explorations/issues/11-1-2009-07/p2V11n1.pdf - 21.07.2015 p.
10. Pearl J. Probabilistic Reasoning in Expert Systems: Networks of Plausible Inference [E^eKTpoHHHH pecypc] / J. Pearl. - San Francisco: Morgan Kaufmann, 1988. - Pe^HM gocTyny www. URL: http://www.cogsci.northwestern.edu/Bayes/Pearl_1988.pdf - 21.07.2015 p.
11. Meyfroidta G. Machine learning techniques to examine large patient databases / G. Meyfroidta, F. Güizab, J. Ramonb, M. Bruynoogheb // Best Practice & Research Clinical Anaesthesiology. -2009. - Vol. 23. - Issue 1. - P. 127-143. 12. Vovsha I. Predicting Preterm Birth Is Not Elusive: Machine Learning Paves the Way to Individual Wellness / I. Vovsha, A. Rajan, A. Salleb-Aouissi, A. Raja, A. Radeva, H. Diab, A. Tomar, R. Wapner // Big Data Becomes Personal: Knowledge into Meaning. AAAI Spring Symposium Series. - 2014. - P. 82-89. 13. Altman D. Statistics with Confidence: Confidence Intervals and Statistical Guidelines / D. Altman, D. Machin, T. Bryant, M. Gardner (Eds.). - 2nd Ed. - BMJ Books, 2000. - 254 p.
Bibliography (transliterated): 1. Volosovec A.P. Posledstvija perinatal'nyh porazhenij central'noj nervnoj sistemy: diskussionnye voprosy [Elektronnij resurs] / A.P. Volosovec, S.P. Krivopustov, I.A. Loginova, M.A. Shakot'ko // Zdorov'e rebenka. - 2008. - № 4 (13). - Rezhim dostupu www. URL: http://www.mif-ua.com/archive/article_print/7232. - 21.07.2015. 2. Chen H.-Y. Exploring the risk factors of preterm birth using data mining / H.-Y. Chen, C.-H. Chuang, Y.-J. Yang, T.-Pi Wu // Expert Systems with Applications. - 2011. - Vol. 38. - P. 5384-5387. 3. Bassil K.L. The association between obstetrical interventions and late preterm birth / K.L. Bassil, A.S. Yasseen III, M. Walker, M.D. Sgro, P.S. Shah, G.N. Smith, D.M. Campbell, M. Mamdani, A.E. Sprague, S.K. Lee, J.L. Maguire // American Journal of Obstetrics & Gynecology. - 2014. -Vol. 210. - Issue 6. - P. 538-540. 4. Prather J.C. Medical Data Mining: Knowledge Discovery in a Clinical Data Warehouse / J.C. Prather, D.F. Lobach, L.K. Goodwin, J.W. Hales, M.L. Hage, W.E. Hammond // Proceedings AMIA Annual Fall Symposium. - 1997. - P. 101-105. 5. A summary of findings and quantitative investigation targeted at: Reducing Infant Mortality in Indiana - Dec. 2014 [Elektronnij resurs] - Rezhim dostupu www. URL: http://www.in.gov/omb/files/ Infant_Mortality_Report.pdf - 21.07.2015. 6. Raghupathi W. An Overview of Health Analytics [Elektronnij resurs] / W. Raghupathi, V. Raghupathi // Health Analytics Journal - Rezhim dostupu www. URL: http://www.fordhamcdt.org/ img/2013/07/HealthAnalyticsJournal PaperVersion5.final_.pdf - 21.07.2015. 7. Ferreira D. Applying data mining techniques to improve diagnosis in neonatal jaundice [Elektronnij resurs] / D. Ferreira, A. Oliveira, A. Freitas // BMC Medical Informatics and Decision Making. - 2012. -Vol. 12. - N° 143 - Rezhim dostupu www. URL: http://www.biomedcentral.com/ content/pdf1472-6947-12-143.pdf- 21.07.2015. 8. Skarga-BandurovaI.S. Vikoristannja metodiv intelektual'nogo analizu danih dlja diagnostiki stanu ploda / I.S. Skarga-Bandurova, T.O. Biloborodova // Theoretical and Applied Computer Science and Information Technology: Proceedings of the 1 International Conference TACSIT-2015. - Severodonetsk: East Ukrainian National University, 2015. - S. 76-80. 9. The Weka Data Mining Software: An Update [Elektronnij resurs] - Rezhim dostupu www. URL: http://www.kdd.org/explorations/issues/11-1-2009-07/p2V11n1.pdf - 21.07.2015. 10. Pearl J. Probabilistic Reasoning in Expert Systems: Networks of Plausible Inference [Elektronnij resurs] / J. Pearl. - San Francisco: Morgan Kaufmann, 1988. - Rezhim dostupu www. URL: http://www.cogsci.northwestern.edu/ Bayes/Pearl_1988.pdf - 21.07.2015. 11. Meyfroidta G. Machine learning techniques to examine large patient databases / G. Meyfroidta, F. Güizab, J. Ramonb, M. Bruynoogheb // Best Practice & Research Clinical Anaesthesiology. - 2009. - Vol. 23. - Issue 1. - P. 127-143. 12. Vovsha I. Predicting Preterm Birth Is Not Elusive: Machine Learning Paves the Way to Individual Wellness / I. Vovsha, A. Rajan, A. Salleb-Aouissi, A. Raja, A. Radeva, H. Diab, A. Tomar, R. Wapner // Big
Data Becomes Personal: Knowledge into Meaning. AAAI Spring Symposium Series. - 2014. -P. 82-89. 13. Altman D. Statistics with Confidence: Confidence Intervals and Statistical Guidelines
/ D. Altman, D. Machin, T. Bryant, M. Gardner (Eds.). - 2nd Ed. - BMJ Books, 2000. - 254 p.
НадШшла (received) 10.08.2015 Повторно 01.10.2015
Статтю представив д.т.н., проф. СНУ iM. В. Даля Рязанцев О.1.
Skarga-Bandurova Inna, Dr.Sci.Tech, Assoc. Professor, Professor East Ukrainian National University named after Volodymyr Dahl Radyansky ave., 59-a, Siverodonetsk, Luhansk region, Ukraine, 93400 tel./phone: (064) 522-89-97, e-mail: skarga_bandurova@ukr.net ORCID ID: 0000-0003-3458-8730
Biloborodova Tetyana, PhD student
East Ukrainian National University named after Volodymyr Dahl Radyansky ave., 59-a, Siverodonetsk, Luhansk region, Ukraine, 93400 tel./phone: (064) 522-89-97, e-mail: beloborodova.t@gmail.com ORCID ID: 0000-0001-7561-7484
