CC BY
94
biological measurements: characteristic features of measurements and modeling for biosystems in phase spaces of states. Measurement techniques. 2011;53(12):1404-10. 29. Eskov VM, Eskov VV, Filatova OE, Filatov MA.
Two types of systems and three types of paradigms in systems philosophy and system science. Journal of Biomedical Science and Engineering. 2012;5(10):602.
УДК: 616-003.9 DOI: 10.12737/9095
НЕОПРЕДЕЛЕННОСТЬ 1-ГО РОДА В ВОССТАНОВИТЕЛЬНОЙ МЕДИЦИНЕ
Д.Ю. ФИЛАТОВА, Ю.В. ВОХМИНА, Г.Р. ГАРАЕВА, Д.В. СИНЕНКО, С.А. ТРЕТЬЯКОВ
ГБОУ ВПО «Сургутский государственный университет», пр-т Ленина, 1, г. Сургут, Россия, 628412
Аннотация. До настоящего времени факт статистически недостоверного различия между выборками (наборами параметров организма Xi) до начала лечения и после лечения приводил к заключению о не эффективности лечения. Однако, в рамках теории хаоса-самоорганизации оценку существенных различий можно проводить минуя методы статистики, на основе анализа параметров квазиаттракторов или с использованием нейроэмуля-торов. В настоящем сообщении представлены примеры появления неопределенности 1-го рода в восстановительной медицине и представлены новые технологии по разрешению таких неопределенностей. Рассмотрена процедура нахождения различий между выборками и нахождения параметров порядка (важнейших диагностических признаков) на основе методов нейрокомпьютинга. Показана эффективность такого подхода в оценке эффективности лечения последствий нарушения функций организма при остром нарушении мозгового кровообращения в условиях кинезотерапии. Доказывается неэффективность стохастики и возможности нейрокомпью-тинга в решении задачи системного синтеза.
Ключевые слова: восстановительная медицина, биосистема, искусственная нейронная сеть, квазиаттрактор, кинезотерапия.
UNCERTAINTY OF THE 1-ST KIND IN REGENERATIVE MEDICINE
D.U. FILATOVA, Y.V. VОHMINA, G.R. GARAEVA, D.V. SINENKO, S.A. TRETYAKOV Surgut State University, Lenin Ave, 1, Surgut, Russia, 628412
Abstract. So far, the fact that statistically significance differences between samples (sets of parameters of the body xi) before the treatment and after the treatment led to the conclusion of non effective treatment. However, in the framework of the theory of chaos and self-organization the assessment of the significant differences can be carried out without going through statistical methods, based on the analysis parameters of quasi-attractors or using neural emulators. In this report the authors present examples of uncertainties of the 1st kind in regenerative medicine and introduce new technologies to resolve these uncertainties. A procedure for finding differences between samples and determining the parameters of the order (the most important diagnostic features) based methods neurocomputing. The effectiveness of this approach in the evaluation of the effectiveness treatment effects of abnormalities in the body during acute stroke in a kine-sotherapy is presented. The authors proved ineffective stochastics and opportunities neurocomputing in the task of system synthesis.
Key words: regenerative medicine, biological system, artificial neural network, quasi-attractor, kinesotherapy.
Введение. При проведении лечебных мероприятий возникают две фундаментальные задачи: оценка эффективности (или неэффективности) проводимых лечебных мероприятий и оценка значимости диагностических признаков, которые обеспечивают такую оценку на основе анализа различий в выборках параметров вектора состояния организма человека (ВСОЧ), например до лечения и после лечения. Последнее особенно важно, т.к. идентификация значимости диагностических признаков составляет основу клинической диагностики, которой занимает-
ся каждый врач. Иными словами анализ выборок диагностических признаков обеспечивает идентификацию заболевания и эффективность лечебных мероприятий (т.е. переход от патологии к норме).
Обычно для этого используются различные инструментальные и биохимические методы, которые дают хорошую палитру (набор) этих диагностических признаков х , а они образуют некоторый ВСОЧ в т-мерном фазовом пространстве состояний (ФПС) в виде х=х(^=(хг, х2,...,хт)Т, компоненты которого х могут иметь разную диагностическую ценность. Неко-
торые из них могут быть главными (параметрами порядка), другие - второстепенными. Обычно в медицине значимость этих диагностических признаков х выбирается путем длительного наблюдения и сравнения. Например, в рамках стохастики, когда мы сравниваем две выборки для компонент х всего ВСОЧ (получаемые на больных). Если х значимые, то до лечения и после лечения эти признаки могут отличаться весьма существенно и тогда можно с позиций стохастики (при сравнении средних значений <х> или дисперсий Дх* выборок для ВСОЧ) говорить об эффектах лечения.
При сравнении выборок ж до лечения и после лечения мы можем сделать вывод об эффективности и самого лечения, но главное, о возникновении патологии, её начале. Если из статистики известно, что конкретный параметр ВСОЧ - х должен изменяться существенно, то мы можем по величине этого изменения судить о начале патологии или об эффективности лечебных мероприятий. При сильном изменении средних значений <хг> до начала лечения и <х2> после лечения мы говорим о высокой эффективности лечения. При низкой дифференцировке (различиях) мы говорим о слабом эффекте лечебных мероприятий. Для нормальных законов распределений выборки могут различаться по средним <х > или по дисперсиям Бх или одновременно и по <х > и Бх [5-8,13-22].
Однако, возникают (и довольно часто) ситуации, когда статистика говорит о полном отсутствии различий между Бх и средними (по группе больных) значениями х. Обычно, в этом случае, медики констатируют очевидный факт - медицина для этой группы (или для одного пациента) не дала ощутимого результата. В действительности ситуация может быть гораздо сложней - различия все-таки имеются, но в рамках стохастики они просто не регистрируются. Возникает неопределенность 1-го рода. Выход из этого положения мы предлагаем в рамках новых методов теории хаоса-самоорганизации (ТХС), на основе анализа параметров ВСОЧ с использованием ней-рокомпьютерных технологий [8-23] при изучении эффективности кинезотерапии (КЗТ) у больных с острым нарушением мозгового кровообращения (ОНМК).
Объект и методы исследования. В работе изучалась группа из 30-ти больных с ОНМК, для которых использовались (длительно, около 1 месяца) методы КЗТ и одновременно регистрировались 15-ть параметров ССС. Эти измерения проводились четыре раза: перед сеансом физиотерапии и сразу после сеанса. Такая процедура использовалась в первые дни терапии и в конце курса лечения. Таким образом, мы получали четыре серии из наборов выборок по 15-ти кластеров в каждой серии (из четырёх). При этом в каждом кластере было получено не менее 300т для каждого из 15-ти х значений параметров ССС
для каждого из 30-ти обследованных больных. Всего измерений было проведено: 30*4*15*300=540 000. Эти точки в ФПС образовывали 1800 квазиаттракторов, которые затем были сгруппированы в 60, подвергнутых сравнению с позиций стохастики и методов ТХС.
Отметим, что общее число сравниваемых выборок, которые демонстрируют отсутствие возможности установить различия до и после воздействия, исчисляется сотнями. Это означает, что стохастические методы не могут выявить различия в состояниях параметров организма человека, находящегося в разных физиологических состояниях. Возникает неопределённость 1-го рода (стохастика не показывает различий между выборками).
В нашем случае это было четыре состояния одной и той же группы из 30-ти человек в условиях перед применением КЗТ и после её применения. Стохастика демонстрирует отсутствие нормального закона распределения для пяти наиболее важных параметров сердечно-сосудистой системы (ССС) пациентов (SIM) параметр состояния симпатической вегетативной нервной системы (ВНС), (PAR) аналогично для пара-симпатотонии, SpO2 - уровень оксигенации крови, SDNN - стандарт отклонения для кардиоинтервалов, INB - индекс по Р.М. Баевскому). Перед кинезотерапи-ей (КЗТ до начала всего курса терапии) и после кинезотерапии (КЗТ после одного сеанса) все выборки показывают непараметрическое распределение (NN). Далее, эти же выборки сравнивались в рамках стохастики, т.е. мы пытались выявить как разовый сеанс кинезотера-пии влияет на организм человека. Использовался критерий Вилкоксона (достоверность различий принимали при уровне значимости p<0,05).
Результаты и их обсуждение. Неопределенность 1-го рода в медицине не является экзотикой. Это довольно часто возникающая ситуация, когда стохастика не может подтвердить достоверных различий между выборками. Такую ситуацию мы наблюдали в геронтологии [3,19] и экологии человека [15-18], при изучении влияния физических нагрузок на параметры ССС человека [9], в условиях изменения экологических факторов среды [6,7,16].
В нашем случае мы это наблюдаем при воздействии КЗТ на организм больных с ОНМК. Исходно, из 15-ти основных параметров ССС, мы выбрали 5, которые в самом начале курса при разовой процедуре КЗТ не могут продемонстрировать статистическое различие между выборками (до начала сеанса и после: «до-после 1». В этом начальном варианте кинезотерапии («до-после 1») только (табл. 1) показатель SIM x1 еще мог продемонстрировать достоверное различие; в конце курса лечения («до-после 2») статистика уже не показывает статистические различия по всем 5-ти параметрам х - различий между выборками нет и возникает неопределённость 1-го рода.
Таблица 1
Статистическая проверка (при расчёте критерия Вилкоксона уровень значимости, достаточный для отклонения нулевой гипотезы, принимали р<0,05) различий между параметрами выборок XI показателей вариабельности сердечного ритма у пациентов до разовой процедуры кинезотерапии и после кинезотерапии (число обследуемых N=30) на начальном этапе всего курса лечения
Параметры ВСР
1 2 3 4 5
SIM PAR INB SpO2 SDNN
медиана До 14,70 3,57 172,74 97,97 20,42
После 15,52 2,41 169,54 97,45 21,97
оценка р<0,05 0,045 0,057 0,060 0,480 0,845
За месяц лечения организм адаптировался к воздействию и параметр Вилкоксона р уже был везде больше чем 0,05, что представлено в табл. 2. В табл. 1 (начало лечения) мы видим различия еще только по хг-БГМ т.е. из 5-ти компонент ВСОЧ, только у одного х1 можно наблюдать статистически достоверные различия между выборками до начала сеанса и сразу после его окончания. Это определяется как возникновение неопределенности 1-го рода, т.к. стохастика не даёт различий и вроде КЗТ не даёт никакого лечебного эффекта за сеанс ни в начале лечения, ни в конце курса. В рамках ТХС - ситуация иная.
Таблица 2
Статистическая проверка (при расчёте критерия Вилкоксона уровень значимости, достаточный для отклонения нулевой гипотезы, принимали р<0,05) различий между параметрами выборок XI показателей ВСР у пациентов после 1-го месяца кинезотерапии до разовой процедуры кинезотерапии и после кинезотерапии (число обследуемых N=30)
Параметры ВСР
1 2 3 4 5
SIM PAR INB SpO2 SDNN
медиана До 7,39 8,63 73,22 98,16 31,99
После 12,78 5,65 119,12 97,92 27,38
оценка p<0,05 0,171 0,262 0,254 0,909 0,644
В целом, следуя выводам из табл. 1 и табл. 2, можно сделать заключение, что разовая процедура кинезотерапии не оказывает существенного влияния на параметры ССС у больных с ОНМК. Тогда возникает вопрос о механизмах лечебного действия КЗТ у больных с ОНМК. В чем заключается действие КЗТ на параметры ССС и как проявляется лечебный эффект? С позиций стохастики ответить на этот вопрос затруднительно, т.к. выборки не различаются! В восстановительной медицине сейчас уже имеется более сотни подобных примеров (пар выборок), когда якобы организм находится в стационарном состоянии [12].
Для разрешения неопределенности 1-го типа мы использовали нейро-ЭВМ (НЭВМ) в режиме би-
нарной классификации. В этом случае использовалось пятимерное (m=5) фазовое пространство состояний, для которого выбирались наборы (выборки) признаков Xi до начала КЗТ и сразу после окончания процедуры КЗТ. В режиме задачи бинарной классификации эти состояния ССС разделились, т.е. ней-роэмулятор показал различия между наборами выборок. Однако, при повторах решения этой задачи веса Wi диагностических признаков Xi получались каждый раз различные.
Иными словами, НЭВМ разделяет выборки, показывает, что состояния организма перед процедурой и после нее различаются, но значимость признаков Xi для каждой настройки НЭВМ меняется. Фактически, мы не можем определить параметры порядка, т.е. наиболее важные Xi, что для медицины очень важно. Ранжирование диагностических признаков Xi имеет большое значение как в диагностике, так и в оценке эффективности лечебной процедуры, о чем было сказано выше (две фундаментальные задачи медицины: диагностика нормы и патологи и выбор наиболее значимых признаков Xi) [11].
Мы подошли к решению задачи о неопределенности 1-го рода, которая тоже очень важна для медицины. При этом мы не только демонстрируется разделение выборок, которые в стохастике не различаются, но мы говорим о необходимости ранжирования значимости диагностических признаков путём решения задачи на НЭВМ. Существенно, что нельзя точно обозначить какие Xi наиболее значимые, а какие - нет, т.к. веса этих Xi в виде Wi будут хаотически изменяться. Колебание значений Wi для 50-ти итераций (повторов решения задачи бинарной классификации) при одинаковом представлении двух выборок Xi (до начала сеанса КТЗ и после такового) продемонстрированы на рис. 1. Здесь все признаки (начиная с X1-SIM и заканчивая X5-SDNN) демонстрируют при каждой итерации (величина Wij, где j=1,2,...,50 - это номер итерации решения задачи бинарной классификации) свои значения весов признаков (высоты столбиков - Wij).
Из рис. 1 следует, что все Wij для каждого i-1,2,...,5 показывают хаотические величины из интервала (0,1). Более того, в табл. 3, которая представляет результаты усреднений Xi по 50-ти итерациям (из 5-ти серий) НЭВМ и вариационные размахи этих средних значений весов признаков <Wi> мы можем увидеть результаты усреднения по j при max j=k=50. Из табл. 3 следует, что на первом месте по значимости находится признак X2-PAR, его среднее значение по 50-ти итерациям (k=50) равно <W3j>=0,75 и на третьем месте <W5j>=0,66, значимость признака х1-SIM (в отличие от табл.1, где X1-SIM имел уровень значимости р=0,045 (критерий Вилкоксона), т.е. состояние SIM до сеанса КЗТ и после разовой проце-
дуры - существенно различаются) находится на 4-м месте (малозначимый признак), статистика очень отличается от данных весов х для НЭВМ.
Рис. 1. Гистограммы расчёта весов признаков wi (i=1, 2,...,m) для m=5 (xi - SIM, x2 - PAR, хз - INB , x4 - SPO2, x5 - SDNN) параметров вектора состояния сердечнососудистой системы пациентов с острым нарушением мозгового кровообращения на раннем периоде целого месяца лечения до и после разового сеанса кинезотерапии
Таблица 3
Усредненные значения отдельных координат xi весов признаков wi вектора состояния системы для разных серий итераций (k>50) при идентификации параметров порядка нейроэмулятором после k>50 итераций (настроек ЭВМ) в режиме бинарной классификации, при анализе результатов кинезотерапии («до» сеанса и «после» сеанса) в начале всего курса кинезотерапии
Число итераций нейросети k<100=5*50 (всего k=250)
Расчеты итераций по выборкам (N>1000) Средние значения весов признаков <■№> для координат вектора состояния системы Хг
к=250=(1,...,250) SIM PAR INB SPO2 SDNN
к=50]=(1,...,50) 0.61 0.73 0.73 0.463 0.69
к=50]=(50,./100) 0.61 0.73 0.72 0.461 0.66
к=50]=(100,...Д50) 0.58 0.76 0.73 0.437 0.66
к=50]=(150,...,200) 0.65 0.77 0.69 0.463 0.67
к=50]=(200,...,250) 0.58 0.76 0.74 0.422 0.63
Вариационный размах средних значений Д<Ш1> 0.07 0.04 0.04 0.04 0.05
Среднее 0.61 0.75 0.72 0.45 0.66
Таким образом, результаты сравнений табл. 1 и табл. 3 (для НЭВМ) существенно различаются. В стохастике х1-БГМ - единственный значимый признак (различается до начала КЗТ и после. Наоборот, в режиме итераций НЭВМ на 1-м месте - х2-РАЯ, (потом хэ и, наконец, х5-ББЫЫ, который в стохастике вообще был совершенно незначим (по Вилкоксону р=0,845 - почти точное совпадение а в НЭВМ его <Шц>=0,66). Имеем разные параметры порядка. ИНЭВМ различает выборки, а стохастика - нет.
Получилась полностью инвертированная картина в режиме НЭВМ: что было в стохастике значимым признаком (х1) - стало незначительно, худший признак х5 занял 3-е место по значению при сравнении выборок х в пятимерном ФПС до начала сеанса КЗТ и
сразу после него в самом начале курса лечения.
Если сравнивать стохастику и НЭВМ для Xi в конце всего курса КЗТ (1 месяц лечения), то стохастика вообще не даст для всех Xi каких - либо отличий. Для всех Xi это представлено в табл. 2, где опять на 1-м месте стоит х1-Б1М (его р=0.171, что больше критического значения критерия Вилкоксона при уровне значимости р=0.05, т.е. нет статистически значимых различий по х), но по другим Xi ситуация еще хуже! Самое плохое различие по х4 и х5 в рамках стохастики (р4=0,909, р5=0,644), т.е. эти признаки почти совпадают. Совершенно иной результат в НЭВМ (табл. 4)
Таблица 4
Усредненные значения отдельных координат весов признаков wi вектора состояния системы для разных серий итераций (k>50) при идентификации параметров порядка нейроэмулятором после k>50 итераций (настроек ЭВМ) в режиме бинарной классификации при анализе результатов кинезотерапии («до» сеанса и «после») в конце всего курса кинезотерапии
Число итераций нейросети k<100=5*50 (всего k=250)
Расчеты итераций по выборкам (N>1000) Средние значения весов признаков <wi> для координат вектора состояния системы Хг
k=250j=(1,...,250) SIM | PAR | INB | SPO2 | SDNN
Продолжение табл. 4
к=50]=(1,.,50) 0.69 0.38 0.69 0.335 0.54
к=50]=(50,...Д00) 0.72 0.34 0.69 0.331 0.52
к=50]=(100,.,150) 0.69 0.37 0.66 0.33 0.56
к=50]=(150,...,200) 0.68 0.35 0.68 0.341 0.52
к=50]=(200,...,250) 0.72 0.36 0.66 0.346 0.54
Вариационный размах средних значений Д<Ш1> 0.01 0.00 0.01 0.01 0.01
Среднее 0.70 0.36 0.68 0.34 0.53
Если в конце лечения сравнить стохастику (табл. 2) и результаты расчета с помощью НЭВМ (табл. 4), то теперь (для НЭВМ) на первом месте находится х1^1М (в табл. 2 его р=0,171), что несколько совпадает со статистическими расчетами. Однако, SIM в табл. 2 все-таки не дает статистически значимого различия по критерию Вилкоксона.
Более того, на 2-м месте находится хэ-INB (<W3j>=0,68 против <W1j>=0,7). Иными словами в НЭВМ значимость SIM и INB почти совпадает, хотя в стохастике (табл. 2) их критерии Вилкоксона различаются более существенно (р1=0,171 а рэ=0,254). Однако х2 и х4 в стохастике различаются почти в 4-е раза (р2=0,254 а р4=0,909), а в НЭВМ они почти совпадают <W2j>=0,36, <W4j>=0,34).
Таким образом, в конце лечения результаты стохастики и НЭВМ приблизились друг к другу, но полного совпадения все-таки нет. А на начальном этапе стохастика и хаос дают резко противоположную картину. Подчеркнем, что и в первом случае (начальный этап лечения КЗТ) и во втором случае (в конце месяца лечения методом КЗТ) мы имеем выраженную неопределенность 1-го рода, когда выбор-
ки xi до воздействия (разового) КЗТ и после воздействия - в рамках стохастики не различаются. Мы не можем ничего сказать о состоянии и роли в этих процессах PAR нейровегетативной системы (НВС) и о роли SIM, о роли оксигенации крови у больных с ОНМК (SpO2), о спектральных параметрах кардио-ритма. Статистически различий между выборками нет, КЗТ якобы не оказывает на организм пациента существенных воздействий.Используя же нейроэму-лятор в режиме бинарной классификации и многократно повторяя настройку НЭВМ, мы можем судить о роли SIM, PAR, SpO2 и других показателей в эффектах реакции ССС у больных с ОНМК в ответ на разовую процедуру КЗТ в самом начале курса лечения и в конце курса. Более того, мы можем выявить значимость диагностических признаков Xi на раннем и позднем периоде лечения, что в стохастике вообще выполнить не представляется возможным. Это уже задача системного синтеза и она в стохастике не решается [12,14].
Действительно, из табл. 3 следует, что первым параметром порядка в динамике реакции ССС пациентов с ОНМК в начале курса терапии является PAR-X2 (<W2>=0,75). На втором месте находится INB-x3 (<W3>=0,732). Параметр SIM находится по значимости на 4-м месте (малая значимость). Хотя в рамках стохастики SIM был наиболее существенным признаком (табл.1). Наоборот, в конце курса лечения (табл.4) акценты изменяются. Теперь на первом месте по значимости выдвигается SIM (<W1>=0,74) вместе опять INB (<W3>=1), хотя в стохастике этот параметр существенно не различается до воздействия и после.
Акценты сместились и это все показывает характер влияния кинезотерапии на ССС в самом начале лечения и в конце КЗТ. Фактически, это означает, что начальная высокая значимость PAR заменяется большой значимостью SIM в конце курса, что соответствует процессу выздоровления. Общеизвестно [39,19-23], что в нормогенезе симпатотония имеет решающее значение. У здорового человека всегда желательно преобладание SIM над PAR. Более того, было доказано [19], что с возрастом (при нормальном «здоровом» старении) у человека в норме всегда параметр SIM нарастает (а не нарастает PAR). Нарастание PAR - это верный признак прогноза непродолжительной жизни (ускоренного старения и приближение летального исхода).
Фактически, из табл. 3 и табл. 4 получено количественное подтверждение процесса выздоровления, перехода от преобладания значимости PAR к значимости SIM, переходу к нормотонии! Статистика (табл. 1 и табл. 2) вообще этого ничего не подтверждает, там все одинаково и как будто нет никакого лечения и выздоровления. Невозможно в стохастике оценивать качество (и тем более количественно) ле-
чебного процесса. Неопределенность 1-го рода в стохастике не может быть разрешена [3-14].
Следует отметить, что очень часто в восстановительной медицине конечные эффекты настолько тонкие и слабо выраженные, что сейчас мы уверенно можем говорить об острой необходимости в разработке новых методов диагностики (особенно при идентификации значимости диагностических признаков х) и оценке эффективности лечения. Стохастика в этих двух фундаментальных проблемах медицины, как мы сейчас показали, можем быть совершенно не эффективна.
Более того, стохастика может давать ошибочные результаты, дезориентировать врача. В нашем случае при использовании КЗТ стохастика показывает отсутствие эффектов в лечении. Выборки до разового воздействия и после воздействия кинезотерапией практически не различаются. Однако, применение нейроэмуляторов позволяет не только установить различия между состоянием больных с ОНМК до и после лечения, но и выявить параметры порядка. А это уже задача системного синтеза (как из множества признаков х выбрать главные).
Диагностика различий между состоянием ССС у больных с ОНМК до и после КЗТ, а также диагностика значимости признаков хi в условиях этих лечебных воздействий - это главная задача восстановительной медицины и медицинской науки и она может сейчас решаться в рамках нового подхода. При этом очень важно отметить еще один очень важный факт - разовая идентификация различий между выборками на основе НЭВМ не является окончательным решением задачи системного синтеза (хотя сама диагностика различий в состояниях ССС подтверждается с помощью НЭВМ).
Для получения истинной картины (реальной значимости диагностических признаков Ш1) нам необходимо увеличивать число итераций к. В наших (рис. 1) примерах тах]=50 и это очень небольшое число. Оказывается, что для повышения точности в решении задачи системного синтеза число итераций к (]=1,2,...,к) необходимо резко увеличивать до к>1000.
В этом случае средние веса признаков <Ш1> будут сходиться к своим предельным (истинным значениям) и тогда задача системного синтеза может быть решена с любой степенью точности. Увеличивая к, можно получить любую точность параметра порядка [17-23].
Для иллюстрации сказанному мы представляем две таблицы (табл. 5 и табл. 6) в которых число итераций к мы доводим до 1000 и более. Конечные значения весов признаков <Ш1> несколько отличаются от исходных, когда к=50. Для целей повышения точности в решении задачи системного синтеза нами были разработаны специальные программные продукты, которые обеспечивают любую точность в решении
задачи системного синтеза, т.е. ранжировании значимости диагностических признаков Xi. Таким образом, нейроэмулятор обеспечивает решение важнейших задач восстановительной медицины, которые стохастика в наших случаях вообще не может решить. Одновременно, мы получили решение задачи неопределённости 1-го рода, когда стохастика не может разделить выборки.
Таблица 5
Усредненные значения для отдельных координат xi весов признаков wi вектора состояния системы (см. для сравнения табл. 3) при идентификации параметров порядка нейроэмулятором после k>1000 итераций (настроек ЭВМ) в режиме бинарной классификации (расширение таблицы 3 по числу итераций k>1000) при анализе, при анализе результатов кинезотерапии («до» сеанса и «после» сеанса) в начале всего курса кинезотерапии
Значения для отдельных координат весов признаков wi вектора состояния системы (см. для сравнения табл. 4) при идентификации параметров порядка нейроэмулятором после k>1000 итераций (настроек ЭВМ) в режиме бинарной классификации (расширение табл. 4 по числу итераций k>1000), при анализе результатов кинезотерапии («до» сеанса и «после» сеанса) в конце всего курса кинезотерапии
Заключение. В восстановительной медицине при оценке эффективности методов кинезотерапии для больных с ОНМК возникают неопределенности 1-го рода, когда стохастика не может демонстрировать различия в выборках значений параметров диагно-
стических признаков до проведения лечения (разово) и после сеанса КЗТ. Возникает иллюзия, что она не дает никаких лечебных эффектов у больных с ОНМК.
Использование нейроэмуляторов в ряде случаев позволяет разделить выборки (до и после процедуры КЗТ на ранней стадии лечения и в конце месяца лечения). Диагностическая значимость признаков х с позиций стохастики и с позиций НЭВМ существенно различается. НЭВМ показала большую значимость с позиций признака РАЯ в самом начале КЗТ (когда болезнь была в разгаре), в конце месячного курса лечение на первое место вышел параметр БГМ, что соответствует нормогенезу. Эта смена приоритетов количественно показывает механизмы влияния КЗТ на организм больных с ОНМК в ходе длительного лечения. Фактически, это показывает переход от патогенеза к нормогене-зу у всей группы больных за месяц лечения.
Существенно, что стохастика вообще не может показывать параметры порядка (значимость диагностических признаков), при этом вообще отрицается какая-либо эффективность лечебного курса. Для точной диагностики значимости признаков хi нам необходимо многократно повторять процедуру бинарной классификации (разделения выборок, которые в стохастике не разделяются). В результате тысячи итераций этой процедуры мы получаем точные значения весов признаков хi в пределах двух знаков после запятой, что для медицины вполне приемлемо.
Литература
1. Вахмина Ю.В., Гавриленко Т.В., Зимин М.И. Модели сложных систем с позиций физики и теории хаоса-самоорганизации // Сложность. Разум. Пост-неклассика. 2013. № 1. С. 51-59.
2. Ведясова О.А., Еськов В.М., Живогляд Р.Н. Соотношение между детерминистскими и стохастическими подходами в моделировании синергизма и устойчивости работы дыхательного центра млекопитающих // Вестник новых медицинских технологий. 2005. № 2. С. 23-24.
3. Гавриленко Т.В., Еськов В.М., Хадарцев А.А. Новые методы для геронтологии в прогнозах долгожительства коренного населения Югры // Успехи геронтологии. 2014. Т. 27. № 1. С. 30-36.
4. Еськов В.М., Филатова О.Е., Папшев В.А. Сканирование движущихся поверхностей биологических объектов // Измерительная техника. 1996. № 5. С. 66.
5. Еськов В.М., Зилов В.Г., Хадарцева А.А. Новые подходы в теоретической биологии и медицине на базе теории хаоса и синергетики // Системный анализ и управление в биомедицинских системах. 2006. Т. 5. № 3. С. 617-622.
6. Еськов В.М., Назин А.Г., Русак С.Н. Системный анализ и синтез влияния динамики климато-
Число итераций нейросети к<5000=5*1000 (всего k=5000)
Расчеты итераций по выборкам (N>1000) Средние значения весов признаков <■№> для координат вектора состояния системы Хг
SIM PAR INB SPO2 SDNN
к=1009=(1,...,1000) 0.62 0.76 0.732 0.45 0.67
к=1000|=(1000,...,2000) 0.62 0.75 0.73 0.45 0.68
к=1000]=(2000, .,3000) 0.63 0.75 0.737 0.45 0.67
к=1000]=(3000, .,4000) 0.62 0.75 0.727 0.45 0.69
к=1000)=(4000, .,5000) 0.62 0.76 0.732 0.45 0.68
Вариационный размах средних значений Д<да> 0.01 0.01 0.01 0.01 0.01
к=5000]=(1,...,5 000) Среднее 0.62 0.75 0.732 0.45 0.68
Таблица 6
Число итераций нейросети k<5000=5*1000 (всего k=5000)
Расчеты итераций по выборкам (N>1000) Средние значения весов признаков <■№> для координат вектора состояния системы Хг
SIM PAR INB SPO2 SDNN
к=1000]=(1,.,1000) 0.69 0.35 0.69 0.33 0.53
к=1000]=(1000,. ,2000) 0.69 0.35 0.68 0.33 0.53
к=1000]=(2000,... ,3000) 0.69 0.35 0.68 0.33 0.53
к=1000]=(3000,... ,4000) 0.7 0.35 0.69 0.33 0.54
к=1000]=(4000,... ,5000) 0.7 0.35 0.69 0.33 0.53
Вариационный размах средних значений Д<да> 0.01 0.00 0.01 0.01 0.01
к=5000]=(1,...,5 000) Среднее 0.69 0.35 0.69 0.33 0.53
экологических факторов на заболеваемость населения Севера РФ // Вестник новых медицинских технологий. 2008. № 1. С. 26-29.
7. Еськов В.М., Берестин К.Н., Лазарев С.Н., Русак С.Н., Полухин В.В. Хаотичсекая и стохастическая оценка влияния динамики метеофакторов Югры на организм человека // Вестник новых медицинских технологий. 2009. № 1/1. С. 121-123.
8. Еськов В.М., Еськов В.В., Козлова В.В., Филатов М.А. Способ корректировки лечебного или физ-культурно-спортивного воздействия на организм человека в фазовом пространстве состояний с помощью матриц расстояний / Патент на изобретение RUS 2432895 09.03.2010.
9. Еськов В.М., Логинов С.И., Бальсевич В.К. Ки-незиологический потенциал человека: возможности управления с позиций теории хаоса и синергетики // Теория и практика физ. культуры. 2010. № 7. С. 99-101.
10. Еськов В.М., Филатова О.Е., Хадарцев А.А., Хадарцева К.А. Фрактальная динамика поведения человекомерных систем // Вестник новых медицинских технологий. 2011. Т. 18. № 3. С. 330-331.
11. Еськов В.М., Еськов В.В., Филатова О.Е. Особые свойства биосистем и их моделирование // Вестник новых медицинских технологий. 2011. № 3. С. 331-332.
12. Еськов В.М., Буров И.В., Филатова О.Е., Ха-дарцев А.А. Основы биоинформационного анализа динамики макрохаотического поведения биосистем // Вестник новых медицинских технологий. 2012. № 1. С. 15-18.
13. Еськов В.М., Хадарцев А.А., Филатова О.Е., Хадарцева К.А. Околосуточные ритмы показателей кардиореспираторной системы и биологического возраста человека // Терапевт. 2012. №8. С. 36-43.
14. Еськов В.М., Еськов В.В., Гавриленко Т.В., Зимин М.И. Неопределенность в квантовой механике и биофизике сложных систем // ВМУ. Серия 3. ФИЗИКА. АСТРОНОМИЯ. 2014. № 5. С. 41-46.
15. Карпин В.А., Филатова О.Е., Солтыс Т.А., Соколова А.А., Башкатова Ю.В., Гудков А.Б. Сравнительный анализ и синтез показателей сердечнососудистой системы у представителей арктического и высокогорного адаптивных типов // Экология человека. 2013. № 7. С. 3-9.
16. Русак С.Н., Еськов В.М., Молягов Д.И., Филатова О.Е. Годовая динамика погодно-климатических факторов и здоровье населения Ханты-Мансийского автономного округа // Экология человека. 2013. № 11. С. 19-24.
17. Филатова О.Е., Проворова О.В., Волохо-ва М.А. Оценка вегетативного статуса работников нефтегазодобывающей промышленности с позиции теории хаоса и самоорганизации // Экология человека. 2014. №6. С. 16-19.
18. Филатова О.Е., Еськов В.В., Гавриленко Т.В.,
Химикова О.И. Прогнозирование долгожительства у Российской народности ханты по хаотической динамике параметров сердечно-сосудистой системы // Экологи человека. 2014. № 11. С. 3-8.
19. Eskov V.M., Filatova O.E. Respiratory rhythm generation in rats: the importance of inhibition // Neurophysiology. 1993. V. 25. № 6. P. 420.
20. Eskov V.M. Models of hierarchical respiratory neuron networks // Neurocomputing. 1996. V. 11. № 2-4. С. 203-226.
21. Es'kov V.M., Kulaev S.V., Popov Yu.M., Filatova O.E. Computer technology for measurement of instability origin in stationary regimes of biological dynamic system // Measurement techniques. 2006. № 1. P. 40-45.
22. Eskov V.M., Eskov V.V., Filatova O.E. Medical and biological measurements: characteristic features of measurements and modeling for biosystems in phase spaces of states // Measurement techniques. 2011. V. 53. № 12. P. 1404-1410.
23.Eskov V.M., Eskov V.V., Filatova O.E., Filatov M.A. Two types of systems and three types of paradigms in systems philosophy and system science // Journal of Biomedical Science and Engineering. 2012. V. 5. № 10. P. 602.
References
1. Vakhmina YuV, Gavrilenko TV, Zimin MI. Mod-eli slozhnykh sistem s pozitsiy fiziki i teorii khaosa-samoorganizatsii. Slozhnost'. Razum. Postneklassika. 2013;1:51-9. Russian.
2. Vedyasova OA, Es'kov VM, Zhivoglyad RN. Sootnoshenie mezhdu deterministskimi i stokhasti-cheskimi podkhodami v modelirovanii sinergizma i us-toychivosti raboty dykhatel'nogo tsentra mlekopi-tayushchikh. Vestnik novykh meditsinskikh tekhnolo-giy. 2005;2:23-4. Russian.
3. Gavrilenko TV, Es'kov VM, Khadartsev AA. Novye metody dlya gerontologii v prognozakh dolgoz-hitel'stva korennogo naseleniya Yugry. Uspekhi geron-tologii. 2014;27(1):30-6. Russian.
4. Es'kov VM, Filatova OE, Papshev VA. Skaniro-vanie dvizhushchikhsya poverkhnostey biologicheskikh ob"ektov. Izmeritel'naya tekhnika. 1996;5:66. Russian.
5. Es'kov VM, Zilov VG, Khadartseva AA. Novye podkhody v teoreticheskoy biologii i meditsine na baze teorii khaosa i sinergetiki. Sistemnyy analiz i upravlenie v biomeditsinskikh sistemakh. 2006;5(3):617-22. Russian.
6. Es'kov VM, Nazin AG, Rusak SN. Sistemnyy ana-liz i sintez vliyaniya dinamiki klimatoekologicheskikh faktorov na zabolevaemost' naseleniya Severa RF. Vest-nik novykh meditsinskikh tekhnologiy. 2008;1:26-9. Russian.
7. Es'kov VM, Berestin KN, Lazarev SN, Rusak SN, Polukhin VV. Khaotichsekaya i stokhasticheskaya ot-senka vliyaniya dinamiki meteofaktorov Yugry na orga-
nizm cheloveka. Vestnik novykh meditsinskikh tekhno-logiy. 2009;i/i:i2i-3. Russian.
8. Es'kov VM, Es'kov VV, Kozlova VV, Filatov MA. Sposob korrektirovki lechebnogo ili fizkul'turno-sportivnogo vozdeystviya na organizm cheloveka v fa-zovom prostranstve sostoyaniy s pomoshch'yu matrits rasstoyaniy / Patent na izobretenie RUS 2432895 09.03.20i0. Russian.
9. Es'kov VM, Loginov SI, Bal'sevich VK. Kinezi-ologicheskiy potentsial cheloveka: vozmozhnosti uprav-leniya s pozitsiy teorii khaosa i sinergetiki. Teoriya i praktika fiz. kul'tury. 20i0;7:99-i0i. Russian.
10. Es'kov VM, Filatova OE, Khadartsev AA, Kha-dartseva KA. Fraktal'naya dinamika povedeniya chelo-vekomernykh sistem. Vestnik novykh meditsinskikh tekhnologiy. 20ii;i8(3):330-i. Russian.
11. Es'kov VM, Es'kov VV, Filatova OE. Osobye svoystva biosistem i ikh modelirovanie. Vestnik novykh meditsinskikh tekhnologiy. 20ii;3:33i-2. Russian.
12. Es'kov VM, Burov IV, Filatova OE, Khadartsev AA. Osnovy bioinformatsionnogo analiza dinamiki ma-krokhaoticheskogo povedeniya biosistem/ Vestnik no-vykh meditsinskikh tekhnologiy. 20i2;i:i5-8. Russian.
13. Es'kov VM, Khadartsev AA, Filatova OE, Kha-dartseva KA. Okolosutochnye ritmy pokazateley kardi-orespiratornoy sistemy i biologicheskogo vozrasta che-loveka. Terapevt. 20i2;8:36-43. Russian.
14. Es'kov VM, Es'kov VV, Gavrilenko TV, Zimin MI. Neopredelennost' v kvantovoy mekhanike i biofi-zike slozhnykh sistem. VMU. Seriya 3. FIZIKA. AS-TRONOMIYa. 20i4;5:4i-6. Russian.
15. Karpin VA, Filatova OE, Soltys TA, Sokolova AA, Bashkatova YuV, Gudkov AB. Sravnitel'nyy analiz i sintez pokazateley serdechno-sosudistoy sistemy u
predstaviteley arkticheskogo i vysokogornogo adaptiv-nykh tipov. Ekologiya cheloveka. 2013;7:3-9. Russian.
16. Rusak SN, Es'kov VM, Molyagov DI., Filatova OE. Godovaya dinamika pogodno-klimaticheskikh fak-torov i zdorov'e naseleniya Khanty-Mansiyskogo avto-nomnogo okruga. Ekologiya cheloveka. 2013;11:19-24. Russian.
17. Filatova OE, Provorova OV, Volokhova MA. Otsenka vegetativnogo statusa rabotnikov neftegazodo-byvayushchey promyshlennosti s pozitsii teorii khaosa i samoorganizatsii. Ekologiya cheloveka. 2014l;6:16-9. Russian.
18. Filatova OE, Es'kov VV, Gavrilenko TV, Khimi-kova OI. Prognozirovanie dolgozhitel'stva u Rossiyskoy narodnosti khanty po khaoticheskoy dinamike parame-trov serdechno-sosudistoy sistemy. Ekologi cheloveka. 2014;11:3-8. Russian.
19. Eskov VM, Filatova OE. Respiratory rhythm generation in rats: the importance of inhibition. Neuro-physiology. 1993;25(6):420.
20. Eskov VM. Models of hierarchical respiratory neuron networks. Neurocomputing. 1996;11(2-4):203-26.
21. Es'kov VM, Kulaev SV, Popov YuM, Filatova OE. Computer technology for measurement of instability origin in stationary regimes of biological dynamic system. Measurement techniques. 2006;1:40-5. Russian.
22. Eskov VM, Eskov VV, Filatova OE. Medical and biological measurements: characteristic features of measurements and modeling for biosystems in phase spaces of states. Measurement techniques. 2011;53(12):1404-10.
23. Eskov VM, Eskov VV, Filatova OE, Filatov MA. Two types of systems and three types of paradigms in systems philosophy and system science. Journal of Biomedical Science and Engineering. 2012;5(10):602.
УДК: 681.586 DOI: 10.12737/9096
ПРОБЛЕМА ОЦЕНКИ ЭФФЕКТИВНОСТИ ЛЕЧЕНИЯ НА ОСНОВЕ КИНЕМАТИЧЕСКОЙ ХАРАКТЕРИСТИКИ ВЕКТОРА СОСТОЯНИЯ ОРГАНИЗМА
В.М. ЕСЬКОВ*, А.А. ХАДАРЦЕВ**, О.Е. ФИЛАТОВА*, К.А. ХАДАРЦЕВА**, О.Г. ЛИТОВЧЕНКО**
*Сургутский государственный университет, пр-т Ленина, 1, г. Сургут, Россия, 628412 **Тульский государственный университет, пр-т Ленина, 92, Тула, Россия, 300012
Аннотация. В рамках новой, третьей парадигмы, которая основана на расчетах параметров квазиаттракторов вектора состояния x(t) организма пациентов, представлен формальный аппарат расчета скорости движения квазиаттракторов, в фазовых пространствах состояний. Показывается, что разовая терапевтическая процедура может и не продемонстрировать существенных изменений параметров вектора состояний х(^) в фазовом m-мерном пространстве с позиций стохастического подхода. Однако, методы новой теории хаоса-самоорганизации всегда покажут такие изменения, если рассчитывать или изменения объема Vх квазиаттрактора, или координаты его центра х1с и скорости и движения этого центра. Представлены примеры реализации такого подхода в медицине и экологии человека, когда стохастика не может выявить различия между выборками, а новые методы это демонстрируют. В этом случае целесообразно применять ЭВМ в режиме многократных итераций или рассчитывать параметры квазиаттракторов и величины сближения их центров в фазовых пространствах состояний. Суще-
