CC BY
48
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2017 - V. 24, № 2 - P. 29-36
УДК: 004.852 DOI: 10.12737/article_5947cbe9d727e7.51647396
ПРИМЕНЕНИЕ ДЕРЕВЬЕВ РЕШЕНИЙ ДЛЯ ВЫБОРА СПОСОБА КАРДИОПЛЕГИИ ПРИ АОРТОКОРОНАРНОМ ШУНТИРОВАНИИ
С.И. ПАВЛОВ*, В.С. МИКШИНА*, В.В. ГРИГОРЕНКО*, О.Б. ПОВИДИШЬ**
*БУ ВО «Сургутский государственный университет ХМАО - Югры», пр. Ленина, д. 1, г. Сургут, 628400, Россия **ФГБУ «СПМЦ» Минздрава России
Аннотация. Самой распространенной ненасильственной причиной смерти в настоящее время, является смерть в результате заболеваний сердечно сосудистой системы. Особое место в списке кардиологических заболеваний занимает инфаркт миокарда при ишемической болезни сердца. Главной целью наших исследований - решение задачи прогнозирования результата операции аортокоронар-ного шунтирования при остром инфаркте миокарда в зависимости от способа кардиоплегии (комплекса мероприятий по защите сердца условиях ишемии). Описывается процедура анализа данных с помощью деревьев решений, на основании постановки задачи обучения по прецедентам. Результаты исследований: получены модели выбора способа кардиоплегии во время операции аортокоронарно-го шунтирования при остром инфаркте миокарда. Проведена проверка адекватности и точности полученных моделей. В итоге получены следующие выводы: использование полученных моделей при подготовке к операции позволит врачу кардиохирургу получить информацию о возможном результате операции при использовании того или иного способа кардиоплегии. На основании результатов исследования определены показатели пациентов с наименьшей выживаемостью.
Ключевые слова: принятие решений, машинное обучение по прецедентам, выбор способа кар-диоплегии, деревья решений, анализ данных.
APPLICATION OF DECISION TREES TO SELECT THE METHOD OF CARDIOPLEGIA IN THE AORTOCORONARY BYPASS SURGERY
S.I. PAVLOV *, V.S. MIKSHINA *, V.V. GRIGORENKO *, O.B. POVIDISH **
*Surgut State University, Lenin Avenue, 1, Surgut, 628400, Russia ** St. Petersburg multidisciplinary center of the Ministry of Health of Russia
Abstract. Currently the most common non-violent cause of death is death due to diseases of the cardiovascular system. Myocardial infarction in ischemic heart disease occupies a special place in the list of cardiac diseases. The main research purpose is to solve the problem of predicting the result of aortocoronary bypass surgery in acute myocardial infarction, depending on the method of cardioplegia (a set of measures to protect the heart conditions of ischemia). The authors described the procedure for analyzing data with the help of decision trees, based on setting the task of learning by use of precedents. Results of the research: models for selecting the cardioplegia method during coronary artery bypass surgery in acute myocardial infarction were obtained. The authors carried out a verification of the adequacy and accuracy of the obtained models. As a result, the authors concluded that the use of the obtained models in preparation for the operation will allow the cardiac surgeon to obtain information about the possible outcome of the operation as a result of using one or another method of cardioplegia. Based on the results of the study, the authors determined the parameters of patients with the lowest survival rate.
Key words: decision making, machine learning by use of precedents, choice of cardioplegia, decision trees, data analysis.
Введение. В современном обществе сердечно сосудистые заболевания (ССЗ) являются одной из ключевых проблем здоровья населе-
ния. Ежегодно по причине ССЗ в год умирает наибольшее количество людей (по сравнению с другими болезнями) [3,5,6,12,17]. Одно из са-
10иККЛЬ ОБ ОТШ МЕБТСЛЬ ТЕСЫК0ШЫЕ8 - 2017 - V. 24, № 2 - Р. 29-36
мых распространенных кардиологических заболеваний - ишемическая болезнь сердца (ИБС). Болезнь проявляется в недостаточном снабжении кислородом сердечной мышцы, вследствие уменьшения просвета коронарных сосудов. Одним из тяжелых проявлений данного заболевания является инфаркт миокарда - состояние, при котором развивается ишемический некроз участка миокарда.
При инфаркте миокарда необходимо в кратчайшие сроки устранить дефицит кровоснабжения (провести реваскуляризацию). Один из наиболее распространенных способов рева-скуляризации, это проведение операции аор-токоронарного шунтирования (АКШ), которая предполагает манипуляции на открытом частично сердце с использованием искусственного кровообращения. Во время операции проводится ряд мероприятий для защиты миокарда от ишемии - кардиоплегия.
В настоящее время активно применяются два способа проведения кардиоплегии: кровяная и с помощью раствора «Кустодиол». Однозначных рекомендаций по выбору кардиопле-гии на настоящий момент не разработано. На основании оценки состояния пациента, которое определяется множеством параметров, врач принимает решение о способе кардиоплегии при подготовке к операции АКШ. В данной работе рассматривается моделирование результатов операции АКШ в зависимости от способа кардиоплегии [6,12].
Цель исследования - построение математической модели результата операции АКШ при остром инфаркте миокарда в зависимости от способа хирургического вмешательство.
Материалы и методы исследования. Задача прогноза результата операции может быть сформулирована, как задача классификации, основанная на обучении по прецедентам. Заданно множество объектов X и множество ответов У, существует функция у*:Х^-У,значения которой у = у*(х{) известны только на конечном множестве объектов (х^, ...,хг} с X. Пары объектов «объект-ответ» (х;,уг) называются прецедентами. Совокупность пар Х1=(х;,у;);1 называется обучающей выборкой, где I- количество прецедентов. Задача обучения по прецедентам заключается в восстановлении зависимости у* по обучающей выборке X1, то есть необходимо найти решающую функцию а:Х^У, которая определяет ответ (у), наиболее приближенный
к ответу, полученному с помощью функции у*(х). Данное требование распространяется также не только на объекты обучающей выборки, но и на все множество X [12].
Признаком [ объекта х будем называть результат измерения некоторой характеристика объекта. Можно определить отображение /: Df -где Df - множество допустимых значений признака. Таким образом, даже отнесение объекта к некоторому классу также является признаком. Множество Df может определять совершенно разные признаки: Df ={0,1}, то f биноминальный признак; Df - конечное множество, то f - номинальный признак; Df - конечное упорядоченное множество, то f -порядковый признак; Df - Е, то f количественный признак.
Пусть имеется набор признаков /1,...,/п. Вектор (/1(х),..., /п(х)) называют признаковым описанием объекта хеХ Можно записать признаковые описания всех объектов в одну матрицу, где в каждом столбце будет находиться описание конкретного признака - такая матрица размера 1*и будет являться матрицей «объект-признак»:
(/,(*,) ••• /А*,)) "=1/ (* 1, = ......... . (1)
I) •" /п ))
Так как мы не можем представить объект ни в одном виде, кроме признакового описания, не будем различать объекты из множества X и их признаковые описания, определив X как X= Df¡x...x Dfn.
Нами было сформировано признаковое пространство для прогнозирования результатов операции, содержащее 30 признаков разных типов (количественных, биноминальных и др.), которые являются описанием состояния пациента (табл.1) [6,12].
Пусть Т - множество пар объект-ответ. Введем понятие проверки £(■ Проверка - это метод разбиения исходного множества на подмножества. Для проверки может быть выбран любой признак - количественный, бинарный, номинальный или порядковый. Предполагается, что на обучающей выборке проверки по номинальным переменным могут принимать конечное количество значений. В случае количественного признака, выборка может быть разбита только на два подмножества (ниже описана процедура разбиения).
10иККЛЬ ОБ ОТШ МЕБ1СЛЬ ТЕСЫК0ШЫЕ8 - 2017 - V. 24, № 2 - Р. 29-36
Таблица 1
Показатели состояния пациента перед операцией АКШ
№ п/п Фактор (переменная) Обозначение Шкала измерения Единица измерения № п/п Фактор (переменная) Обозначение Шкала измерения Единица измерения
1 Возраст Х1 Кол. год 16 Конечный диастоли-ческий объём Х16 Кол. мл
2 Вес Х2 Кол. кг 17 Конечный систолический объём Х17 Кол. мл
3 Пол Хз Бином. 18 Конечный диастоли-ческий размер Х18 Кол. см
4 Сахарный диабет Х4 Бином. 19 Конечный систолический размер Х19 Кол. см
5 Гипертоническая болезнь Х5 Бином. 20 Ударный объём Х20 Кол. мл
6 Поражение брахио-цефального ствола Хб Бином. 21 Систолическое давление в легочной артерии Х21 Кол. мм рт.ст
7 Нарушения ритма сердца Х7 Бином. 22 Аортальный клапан градиент давления Х22 Кол. мм рт.ст
8 Гипокинезы Х8 Номинал 23 Аортальный клапан скорость кровотока Х23 Кол. м/с
9 Сужение просвета левой коронарной артерии (ЛКА) Х9 Кол. % 24 Аортальный клапан степень регургита-ции Х24 Ном.
10 Сужение просвета ветви тупого края (ТВК) Х10 Кол. % 25 Митральный клапан градиент давления Х25 Кол. мм рт.ст
11 Сужение просвета передней межжелудочковой ветви (ПМЖВ) Х11 Кол. % 26 Митральный клапан скорость кровотока Х26 Кол. м/с
12 Сужение просвета огибающей ветви (ОВ) Х12 Кол. % 27 Митральный клапан степень регургита-ции Х27 Ном.
13 Сужение просвета правой коронарной артерии (ПКА) Х13 Кол. % 28 Срок болевого синдрома Х28 Кол. дни
14 Сужение просвета задней межжелудочковой ветви (ЗМЖВ) Х14 Кол. % 29 Тропонины I Х29 Кол. нг/мл
15 Фракция выброса Х15 Кол. 30 Тропонины Т Хзо Кол. нг/мл
Количество значений проверки равно т, значения которые она может принимать А1,...Ат.Тогда разбиение множества Т по проверке Б(Х)) образует подмножества Т1,...Тт, при Х; равным соответственно А1,..Ат. Для построения дерева решений единственная информация доступная для обучения модели — это информация о том, как выходная величина распределена в обучающей выборке и какие существуют подмножества, получаемые при разбиении по X;.
Пусть [гец(ук,Т) - количество объектов из некоторого множества Т, относящихся к одному классу ук. Тогда вероятность того, что случайно выбранный пример из множества Т будет принадлежать к классу у^
- l0g21 — I. Стоит отметить, что основание ло-
р - У,, т) (2)
- т ■ (2)
Информационная теория Шеннона утверждает, что количество информации, содержащейся в сообщении зависит от её вероятности
1—
гарифма равное 2, позволяет получить количественную оценку в битах информации. Для оценки среднего количества информации, необходимого для определения класса ук объекта из множества Т будем использовать следующее выражение
'. (3)
где к = 1,...т - количество возможных значений
Х;.
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2017 - V. 24, № 2 - P. 29-36
В терминологии теории информации, выражение (3) называется энтропией множества Т. После множество Т разбивается на подмножества T1,...Tm, с помощью проверки Б(X)). Получаемая информация в таком случае соответствует следующему выражению:
N
g(T , B_J= I (T )-£■
k=1
TT
(4)
где Tk - множество объектов, имеющих одинаковое значение переменной Xt. Так как нас интересует максимум получаемой информации, то из всех возможных разбиений выбирается разбиение с максимальным значением (4).
Gaine = g(t,BXî ) = I(^-¿Ш ^ max (5)
i k=1 |T|
Выражение (4) также называется Gain критерий ветвления дерева решений. Далее полученные подмножества Tj,...Tm итеративно разбиваются до тех пор, пока в очередном подмножестве не окажутся объекты одного класса yk.
Приведенный выше алгоритм может быть улучшен с помощью нормировки критерия (4), делением его на нормирующий коэффициент:
GaineRatio = Gaine/
Û\T\ s
s. max-
ы
T
(6)
Полученный критерий называется критерием ОатеЯаЫо. Он учитывает не только количество информации, необходимое для записи результата, но и количество информации, требуемое для разделения по текущему признаку [3,4,6].
В случае количественного признака весь набор его значений упорядочивается и далее определяются центры промежутков между соседними значениями. В качестве порога разделения подмножеств выбирается такой центр, при котором будет наблюдаться максимальное значение критерия ОатеЯаЫо.
После построения дерева решений для предотвращения переобучения модели проводится усечение ветвей на основе оценки уровня ошибок. Обрезание веток производится снизу-вверх (от веток к корню). Для усечения дерева будем использовать экспериментальные данные, не участвовавшие в построении модели. Если частота ошибок исходного дерева превышает частоту ошибок усеченного дерева, то принимается решение о усечении соответст-
вующей ветки, решение об усечении принимается на основе статистического критерия. Расчет начинается с нахождения доверительного интервала для уровня ошибок - рг.
Pr = Р + - г
Г
(7)
где p частота ошибок при проверке на данных, не использованных в обучении модели. Коэффициент Z - выбирается по таблице, и может косвенно характеризовать уровень уверенности в том, что частота ошибок (p) не превысит полученный уровень (pr). Значение коэффициента Z принималось равное Z=1.96 (при уровне доверия 95%). Сравнение уровня ошибок (pr) дерева полученного на обучающей выборке и после усечения будет указывать на необходимость усечения веток. Использование критерия GaineRatio совместно с оценкой уровня ошибок при усечении дерева классификации называется алгоритм С4.5 (автор Росс Квинланн) [6, 12].
Таким образом, в общем случае дерево решений представляет из себя способ представления правил в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение.
Результаты и их обсуждение. На рис. 1, 2 изображены деревья классификации, работа с такими моделями строится следующим образом. Структура дерева представляет собой «листья» и «ветки». На ребрах («ветках») дерева решения записаны атрибуты, от которых зависит целевая функция, в «листьях» записаны значения результата классификации, а в остальных узлах - признаки, по которым различаются случаи. Чтобы классифицировать новый случай, надо спуститься по дереву от корня до листа и получить соответствующее значение. В узлах дерева находятся переменные, по которым происходит разбиение. В настоящей модели значение зависимой переменной (исход операции) соответствуют: у=1 - в случае летального исхода, у=0 в случае выживания пациента после операции [12].
В результате моделирования результатов операции АКШ для двух способов кардиопле-гии получены следующие деревья решений:
ВЕСТНИК НОВЫХ МЕДИЦИНСКИХ ТЕХНОЛОГИЙ - 2017 - Т. 24, № 2 - С. 29-36 JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2017 - V. 24, № 2 - P. 29-36
Рис. 1. Модель результата операции АШК при кардиоплегии с использованием раствора Кустодиол
Рис. 2. Модель результата операции АШК при использовании кровяной кардиоплегии
Полученные деревья отличаются друг от друга как глубиной (количество решающий правил) так и количеством листьев. Тем не менее, наблюдается некоторое сходство, заключающееся в одинаковых условиях отнесения пациента к листьям на которых наблюдается неблагоприятный исход.
Как видно из рис. 1 и 2 наиболее информативным относительно результата операции является переменная Хз (Наличие гипертонической болезни): 38 случаев положительных исходов при использовании Кустодиола и 26 случаев при использовании кровяной кардиоплегии. Следующим фактором по информативности в обеих моделях является Хм>5,8 - увеличенный конечный диастолический размер (КДР).
Он выявляет в каждой модели большее число негативных исходов. Действительно КДР в норме может находиться в пределах от 4,6 до 5,7 сантиметров, выход за эти пределы в сторону увеличения говорит об увеличение размера левого желудочка. Наличие данного факта является свидетельством ухудшения работы сердечной мышцы, а также фактором риска развития кардиологических заболеваний [5,6,8,11-15,17-20].
В рассматриваемой задаче признаковое пространство представлено 31 признаком (включая исход операции). Для построения деревьев, представленных на рис. 1 и 2, использовались данные о 213 и 117 прооперированных пациентах с использованием кардиоплегии с помощью Кустодиола и кровяной кардиоплегии соответственно. Кроссвалидация с разбиением на 10 блоков обнаружила высокую адекватность моделей, результаты проверки представлены в табл. 2.
Математические модели, основанные на использовании деревьев решений, позволяют правильно предсказать результат операции в 96,2 процентах случаев для модели, полученной при использовании Кустодила и 94,9 процентов случаях для модели использования кровяной кардиоплегии. Результаты проверки представленные в табл. 2 говорят о высокой предсказательной способности моделей. При проверке моделей возникающие ошибки носят в большинстве случаев ложноотрицательный характер (ошибка второго рода), иначе говоря, данные ошибки возникали, когда пациент с показателями, относящими его в класс с неблагоприятным исходом, выживал. Полученные модели обладают высокой адекватностью и хорошо описывают исходную выборку. При необходимости выбора способа кардиоплегии специалист может, используя данные модели выбрать способ, для которого прогноз будет положительным. Не исключаются сейчас и методы расчета параметров квазиаттракторов ССС для прогноза динамики работы сердца [1,2,7,10,20-24].
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2017 - V. 24, № 2 - P. 29-36
Таблица 2
Результаты проверки полученных моделей
Кардио плеши Предсказано Показатели моделей
Выжило Умерло Точность Полнота F-мера MCC ROC area
Кустодиол Реальные данные Выжило 172 7 0.994 0.961 0.977 0.874 0.923
Умерло 1 33 0.825 0.971 0.892
Кровяная Выжило 91 4 0.978 0.958 0.968 0.839 0.908
Умерло 2 20 0.833 0.909 0.870
Выводы. Проведенные исследования позволяют сделать вывод о возможности использования математических моделей основанных на деревьях решений могут стать основой для системы поддержки принятия решения по выбору способа кардиоплегии во время подготовки к операции АКШ при остром инфаркте мио-
Литература
1. Белощенко Д.В., Майстренко Е.В., Алиев А.А., Сорокина Л.С. Влияние локального холодового воздействия на параметры электромиограмм тренированного испытуемого // Клиническая медицина и фармакология. 2016. Т. 2, № 3. С. 42-46.
2. Бетелин В.Б., Еськов В.М., Галкин В.А., Гаври-ленко Т.В. Стохастическая неустойчивость в динамике поведения сложных гомеостатических систем // Доклады академии наук. 2017. Т. 472, № 6. С. 642-644.
3. Воронцов К.В. Математические методы обучения по прецедентам (теория обучения машин)
4. Гавриленко Т.В., Горбунов Д.В., Эльман К.А., Шадрин Г.А. Динамика изменения параметров биоэлектрической активности мышц в ответ на разное статическое усилие // Вестник новых медицинских технологий. Электронное издание. 2015. №3. Публикация 1-8. URL: http://www.medtsu.tula.ru/VNMT/Bulletin/E2015-3/5257.pdf (дата обращения: 30.09.2015). DOI: 10.12737/13386
5. Гараева Г.Р., Еськов В.М., Еськов В.В., Гудков А.Б., Филатова О.Е., Химикова О.И. Хаотическая динамика кардиоинтервалов трёх возрастных групп представителей коренного населения Югры // Экология человека. 2015. № 09. С. 50-55.
6. Егоров А.А., Микшина В.С. Модель принятия решения хирурга // Вестник новых медицинских технологий. 2011. Т. 7, №4. С. 178-181.
карда. В результате анализ полученных моделей выявлены факторы риска проведения операции АКШ. Такими факторами являются наличие гипертонической болезни сердца и увеличенный (более 6мм) конечный диастолический размер левого желудочка сердца. Факт негативного влияния данных факторов на исход операции находит подтверждение в медицинской литературе [21]. Для увеличения качества прогнозирования необходимо увеличить количество анализируемых данных и привлекать другие методы (параллельно с представленными) [15-17,19,20].
References
Beloshchenko DV, Maystrenko EV, Aliev AA, Sorokina LS. Vliyanie lokal'nogo kholodovogo vozdeystviya na parametry elektromiogramm trenirovannogo ispytu-emogo [Influence of local cold impact on the parameters of electromyograms of the trained subject]. Klini-cheskaya meditsina i farmakologiya. 2016;2(3):42-6. Russian.
Betelin VB, Es'kov VM, Galkin VA, Gavrilenko TV. Stokhasticheskaya neustoychivost' v dinamike pove-deniya slozhnykh gomeostaticheskikh sistem [Stochastic instability in the dynamics of behavior of complex homeostatic systems]. Doklady akademii nauk. 2017;472(6):642-4. Russian. Vorontsov KV. Matematicheskie metody obu-cheniya po pretsedentam (teoriya obucheniya mashin). Russian.
Gavrilenko TV, Gorbunov DV, El'man KA, Shad-rin GA. Dinamika izmeneniya parametrov bio-elektricheskoy aktivnosti myshts v otvet na raz-noe staticheskoe usilie [Dynamics of changes in the parameters bioelectrical muscle activity in response to different static forces]. Vestnik novykh meditsinskikh tekhnologiy. Elektronnoe izdanie [internet]. 2015 [cited 2015 Sep 30];3:[about 6 p.]. Russian. Available from: http ://www.medtsu.tula.ru/VNMT/Bulletin/ E2015-3/5257.pdf. DOI: 10.12737/13386 Garaeva GR, Es'kov VM, Es'kov VV, Gudkov AB, Fila-tova OE, Khimikova OI. Khaoticheskaya dinamika kardiointervalov trekh vozrastnykh grupp predstavi-teley korennogo naseleniya Yugry [Chaotic dynamics of cardio three age groups of the indigenous population of Ugra]. Ekologiya cheloveka. 2015;09:50-5. Russian.
Egorov AA, Mikshina VS. Model' prinyatiya resheniya khirurga [Model of surgeon decision making]. Vestnik novykh meditsinskikh tekhnologiy. 2011;7(4):178-81.
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2017 - V. 24, № 2 - P. 29-36
7. Еськов В.М., Филатова О.Е., Хадарцева К.А., Еськов В.В. Универсальность понятия «гомеостаз» // Клиническая медицина и фармакология. 2015. № 4 (4). С. 29-33.
8. Еськов В.М., Хадарцев А.А., Еськов В.В., Филатов М.А. Хаотический подход в новой интерпретации гомеостаза // Клиническая медицина и фармакология. 2016. Т. 2, № 3. С. 47-51.
9. Еськов В.М., Гудков А.Б., Баженова А.Е., Козу-пица Г.С. Характеристика параметров тремора у женщин с различной физической нагрузкой в условиях севера России // Экология человека. 2017. № 1. С. 38-42.
10. Еськов В.М., Еськов В.В., Гавриленко Т.В., Во-хмина Ю.В. Формализация эффекта «Повторение без повторения» Н.А. Бернштейна // Биофизика. 2017. Том 62, № 1. С. 168-176.
11. Зилов В.Г., Еськов В.М., Хадарцев А.А., Есь-ков В.В. Экспериментальное подтверждение эффекта «Повторение без повторения» Н.А. Бернштейна // Бюллетень экспериментальной биологии и медицины. 2017. № 1. С. 4-9.
12. Павлов С.И., Микшина В.С. Математическое моделирование принятия решений при выборе способа кардиоплегии врачом кардиохирургом Перспективные направления развития отечественных информационных технологий. Материалы III межрегиональной научно-практической конференции. Севастополь, 2016. 93 с.
13. Русак С.Н., Филатова О.Е., Горбунов Д.В., Бик-мухаметова Л.М. Динамика погодно-климатических факторов в условиях метеорологической неопределенности на примере ХМАО -Югры // Сложность. Разум. Постнеклассика. 2016. № 1. С. 38-44.
14. Нифонтова О.Л., Шакирова Л.С., Филатова Д.Ю., Шерстюк Е.С. Анализ параметров спектральной мощности вариабельности сердечного ритма детей югры в условиях санаторного лечения // Клиническая медицина и фармакология. 2016. Т. 2, № 3. С. 36-41.
15. Филатова О.Е., Проворова О.В., Волохова М.А. Оценка вегетативного статуса работников нефтегазодобывающей промышленности с позиции
Russian.
Es'kov VM, Filatova OE, Khadartseva KA, Es'kov VV. Universal'nost' ponyatiya «gomeostaz» [The universality of the concept of "homeostasis"]. Klinicheskaya meditsina i farmakologiya. 2015;4(4):29-33. Russian. Es'kov VM, Khadartsev AA, Es'kov VV, Filatov MA. Khaoticheskiy podkhod v novoy interpretatsii go-meostaza [Chaotic approach in the new interpretation of homeostasis]. Klinicheskaya meditsina i farmakologiya. 2016;2(3):47-51. Russian. Es'kov VM, Gudkov AB, Bazhenova AE, Kozupitsa GS. Kharakteristika parametrov tremora u zhenshchin s razlichnoy fizicheskoy nagruzkoy v usloviyakh severa Rossii [Characteristics of tremor parameters in women with different physical activity in the conditions of the north of Russia]. Ekologiya cheloveka. 2017;1:38-42. Russian.
Es'kov VM, Es'kov VV, Gavrilenko TV, Vokhmina YuV. Formalizatsiya effekta «Povtorenie bez povtoreniya» N.A. Bernshteyna [Formalization of the effect "Repetition without repetition" NA. Bernstein]. Biofizika. 2017;62(1):168-76. Russian. Zilov VG, Es'kov VM, Khadartsev AA, Es'kov VV. Eks-perimental'noe podtverzhdenie effekta «Povtorenie bez povtoreniya» N.A. Bernshteyna [Experimental confirmation of the effect of "repetition without repetition" NA. Bernstein]. Byulleten' eksperimental'noy biologii i meditsiny. 2017;1:4-9. Russian. Pavlov SI, Mikshina VS. Matematicheskoe modeliro-vanie prinyatiya resheniy pri vybore sposoba kardiop-legii vrachom kardiokhirurgom Perspektivnye na-pravleniya razvitiya otechestvennykh informatsion-nykh tekhnologiy. Materialy III mezhregional'noy nauchno-prakticheskoy konferentsii [Mathematical modeling of decision-making when choosing the car-dioplegia method by a cardiosurgeon doctor Perspective directions of development of domestic information technologies. Materials of the III Interregional Scientific and Practical Conference]. Sevastopol'; 2016. Russian.
Rusak SN, Filatova OE, Gorbunov DV, Bikmukhame-tova LM. Dinamika pogodno-klimaticheskikh fakto-rov v usloviyakh meteorologicheskoy neopredelen-nosti na primere KhMAO - Yugry [Dynamics of weather-climatic factors in the conditions of meteorological uncertainty on the example of KhMAO-Ugra]. Slozhnost'. Razum. Postneklassika. 2016;1:38-44. Russian.
Nifontova OL, Shakirova LS, Filatova DYu, Shers-tyuk ES. Analiz parametrov spektral'noy moshchnosti variabel'nosti serdechnogo ritma detey yugry v uslo-viyakh sanatornogo lecheniya [Analysis of spectral power parameters of heart rate variability of children of Yugra in conditions of sanatorium treatment]. Kli-nicheskaya meditsina i farmakologiya. 2016;2(3):36-41. Russian.
Filatova OE, Provorova OV, Volokhova MA. Otsenka vegetativnogo statusa rabotnikov neftegazodoby-vayushchey promyshlennosti s pozitsii teorii khaosa i samoorganizatsii [Estimation of the vegetative status
JOURNAL OF NEW MEDICAL TECHNOLOGIES - 2017 - V. 24, № 2 - P. 29-36
теории хаоса и самоорганизации // Экология человека. 2014. № 6. С. 16-19.
16. Филатова О.Е., Зинченко Ю.П., Еськов В.В., Стрельцова Т.В. Сознательное и бессознательное в организации движений // Сложность. Разум. По-стнеклассика. 2016. № 3. С. 23-30.
17. Фудин Н.А., Еськов В.М., Белых Е.В., Троицкий А.С., Борисова О.Н. Избранные медицинские технологии в работе спортивного тренера (по материалам тульской и сургутской научных школ) // Клиническая медицина и фармакология.
2015. № 3. С. 56-61.
18. Хадарцев А.А., Филатова О.Е., Джумагалиева Л.Б., Гудкова С.А. Понятие трех глобальных парадигм в науке и социумах. // Сложность. Разум. Постнеклассика. 2013. №3. С. 35-45.
19. Хадарцев А.А., Еськов В.М., Филатова О.Е., Ха-дарцева К.А. Пять принципов функционирования сложных систем, систем третьего типа // Вестник новых медицинских технологий. Электронное издание. 2015. №1. Публикация 1-2. URL: http://www.medtsu.tula.ru/VNMT/Bulletin/E2015-1/5123.pdf (дата обращения: 25.03.2015). DOI: 10.12737/10410
20. Хадарцев А.А., Беляева Е.А., Киркина Н.Ю. Система НЭБА при разных формах гипертрофии сердца // Клиническая медицина и фармакология.
2016. Т. 2, № 3. С. 32-35.
21. Чазов Е.И. Болезни сердца и сосудов. Руководство для врачей в четырех томах. Том 2. М.: Медицина, 1992. 448 с.
22. Eskov V.M., Bazhenova A.E., Vochmina Y.V., Filatov M.A., Ilyashenko L.K. Bernstein hypothesis in the description of chaotic dynamics of involuntary movements of person // Russian Journal of Biomechanics. 2017. Vol. 21, № 1. Р. 14-23.
23. Oded M., Lior R. Data Mining and Knowledge Discovery Handbook Second Editi. Springer, 2010. 1241 p.
24. Vokhmina Y.V., Eskov V.M., Gavrilenko T.V., Fila-tova O.E. Medical and biological measurements: measuring order parameters based on neural network technologies // Measurement Techniques. 2015. Vol. 58, № 4. С. 65-68.
of the oil and gas industry workers from the perspective of the theory of chaos and self-organization]. Ekologiya cheloveka. 2014;6:16-9. Russian. Filatova OE, Zinchenko YuP, Es'kov VV, Strel'tso-va TV. Soznatel'noe i bessoznatel'noe v organizatsii dvizheniy [Conscious and unconscious in the organization of movements]. Slozhnost'. Razum. Postnek-lassika. 2016;3:23-30. Russian. Fudin NA, Es'kov VM, Belykh EV, Troitskiy AS, Bori-sova ON. Izbrannye meditsinskie tekhnologii v rabote sportivnogo trenera (po materialam tul'skoy i sur-gutskoy nauchnykh shkol) [Selected medical technologies in the work of a sports coach (based on materials from the Tula and Surgut scientific schools)]. Klinicheskaya meditsina i farmakologiya. 2015;3:56-61. Russian.
Khadartsev AA, Filatova OE, Dzhumagalieva LB, Gud-kova SA. Ponyatie trekh global'nykh paradigm v nauke i sotsiumakh. Slozhnost'. Razum. Postneklassika. 2013;3:35-45. Russian. Khadartsev AA, Es'kov VM, Filatova OE, Khadartse-va KA. Pyat' printsipov funktsionirovaniya slozhnykh sistem, sistem tret'ego tipa [The five principles of the func-tioning of complex systems, systems of the third type]. Vestnik novykh meditsinskikh tekhnologiy. Elektronnoe izdanie [internet]. 2015[cited 2015 Mar 25];1[about 6 r.]. Russian. Available from: http://www.medtsu.tula.ru/VNMT/Bulletin/E2015-1/5123.pdf. DOI: 10.12737/10410 Khadartsev AA, Belyaeva EA, Kirkina NYu. [The NEA system with different forms of cardiac hypertrophy]. Klinicheskaya meditsina i farmakologiya. 2016;2(3):32-5. Russian.
Chazov EI. Bolezni serdtsa i sosudov. Rukovodstvo dlya vrachey v chetyrekh tomakh [Diseases of the heart and blood vessels. Manual for physicians in four volumes]. Vol 2. Moscow: Meditsina; 1992. Russian. Eskov VM, Bazhenova AE, Vochmina YV, Filatov MA, Ilyashenko LK. Bernstein hypothesis in the description of chaotic dynamics of involuntary movements of person. Russian Journal of Biomechanics. 2017;21(1):14-23.
Oded M, Lior R. Data Mining and Knowledge Discovery Handbook Second Editi. Springer; 2010.
Vokhmina YV, Eskov VM, Gavrilenko TV, Filatova OE. Medical and biological measurements: measuring order parameters based on neural network technologies. Measurement Techniques. 2015;58(4):65-8.
