CC BY
247
УДК: 004.89:616_________________________________________________________________
ПУТИ РАЗВИТИЯ ОТЕЧЕСТВЕННОЙ МЕДИЦИНСКОЙ КИБЕРНЕТИКИ. ПРЕДПОСЫЛКИ И ПЕРСПЕКТИВЫ
Карп В.П. — Московский государственный технический университет радиотехники, электроники и автоматики (МИРЭА), факультет Кибернетики, профессор кафедры Информационных систем, г. Москва
Чибисов С.М. - Российский университет дружбы народов, профессор кафедры Патологической физиологии
Агарвал Р.К. - Сообщество молодых врачей и организаторов здравоохранения, председатель
Дана историческая справка о создании и первых шагах лабораторий медицинской кибернетики в СССР. Приведены примеры конкретных компьютерных разработок для фундаментальной и практической медицины. Обсуждаются предпосылки развития современной медицинской нейрокибернетики.
Ключевые слова: медицинская кибернетика, искусственный интеллект, прикладные работы для клинической медицины, нейрокомпьютинг.
В период с середины 50-х - начала 60-х годов в некоторых медицинских учреждениях МЗ и АН СССР начали создаваться научные лаборатории, перед которыми стояла необходимость решить ряд важных для теоретической и практической медицины задач с расчетом на использование математических методов и вычислительной техники. В то время в названии таких лабораторий непременно присутствовало слово «кибернетическая», что отражало общность их с вычислительной техникой, и очень часто — «медицинская», или «биологическая», что в той или иной степени соответствовало профилю учреждения. Одними из первых такие лаборатории были организованы в Ин-те хирургии им. А.В. Вишневского АМН СССР (М., 1960 г., М.Л. Быховский); самостоятельная НИ лаборатория биомедицинской кибернетики (Л., 1963 г., В.М. Ахутин, в дальнейшем, НИ Конструкторско-Технологический ин-т Биотехнических Систем); в МНИОИ им. П.А. Герцена МЗ СССР (М., 1964 г, П.Е. Кунин); в Ин-те туберкулеза (Киев, 1962 г., затем, 1967 г., в Ин-те Кибернетики АН УССР, В.А. Лищук); в НИ психоневрологическом им. В.М. Бехтерева (Л., 1960 г.), в Ин-те экспериментальной медицины АМН СССР, (Л., 1963 г., Н.И. Моисеева); в ИВЦ 2 МОЛГМИ им. Н.И. Пирогова (М., 1969 г., С.А. Гаспарян); в Военно-медицинской академии, затем в Институте Военной медицины (Л., 1961 г., Е.В. Гублер); и др. Наряду с возникновением таких лабораторий расширялся спектр работ медицинского профиля в «технических» научных учреждениях академического и отраслевого подчинения. Очевидно, что это требовало объединения существенных интеллектуальных и организационных ресурсов, привлечения достижений из различных областей знаний.
По предложению академика АН СССР А.И. Берга в 1957 г. под эгидой Научного Совета по комплексной проблеме «Кибернетика» АН СССР была сформирована «Секция по
биологической и медицинской кибернетике», с предписанной ей функцией координации исследований в этой области.
В состав членов Совета Секции (тогда и несколько позже) вошли: А.И. Берг (председатель), Д.С. Чернавский и В.В. Чавчанидзе (сопредседатели), а также В.М. Ахутин., Н.И. Бехтерева, М.Л.Быховский, В.С. Гурфинкель, Ю.И. Журавлев, Г.Р. Иваницкий, А.Б. Коган, Л.А. Пирузян, Ю.М. Свирежев, Р.И. Утямышев, М.А. Ханин, В.И. Шумаков и др.
В рамках Секции было выделено несколько ключевых направлений, в том числе, моделирование процессов управления физиологическими функциями, моделирование патологических процессов; прогнозирование и контроль состояния организма, машинная диагностика, сбор и обработка данных; изучение механизмов управления движением, создание искусственных органов; математическая биофизика; кибернетика биологических сообществ; нейрокибернетика.
Были образованы такие научно-общественные организации как «Всесоюзное общество информатики и вычислительной техники», Проблемная комиссия «Математическое обеспечение медико-биологических исследований» АМН СССР, Межведомственная Проблемная комиссия по медицинской и биологической кибернетики и другие объединения.
Это было время, когда зарождалась отечественная наука — «медицинская кибернетика». Сейчас трудно представить ту атмосферу энтузиазма, которым были охвачены и заслуженные ученые, имена которых уже тогда были широко известны (Г.М. Адельсон-Вельский, С.А. Айвазян, Н.М. Амосов, Н.Н. Блохин, М.М. Бонгард, А.С. Брудно, И.М. Гельфанд, Ш.А. Губерман, В.С. Гурфинкель, Ю.И. Журавлев, А.С. Кронрод, П.Е. Кунин, С.Я. Марморштейн, Л.Д. Мешалкин М.Л. Цетлин, Л.Д. Линденбратен,, Ю.М. Романовский, А.Л. Сыркин, К..С. Симонян, Г.А. Хай, Д.С. Чернавский) и совсем молодые, в то время начинающие, ученые (М. Донской, М. Вайнцвайг, И. Енюков, Б. Кобринский, Д. Кронрод, В. Карп, А. Курочкина, Г. Лбов, В. Саблин, Э. Леман, И. Лукашевич, В. Переверзев-Орлов, С. Рапопорт, И. Фараджев, М. Шифрин, и многие другие).
Возникали научные школы, («Гельфанда», «Кронрода», «Чернавского» и др.) и семинары, где все участники учились друг у друга. Различия между «школьниками» и «лекторами» практически не было. Разница в положении и возрасте тоже роли не играла — важно было передать свои знания и научиться самому. Большую роль играли также и неформальные, регулярные встречи и обсуждения. Естественно, что не все участники семинаров и научных школ были сотрудниками этих «кибернетических лабораторий»; это, однако, не мешало им не только «на равных» участвовать в дебатах, но и выступать в роли независимых экспертов.
Обсуждения, особенно поначалу, часто сводились к вопросу (в основном, со стороны математиков), что есть «медицина» — наука или искусство? Сомнения базировались на том, что в медицине «порядка нет»! — Вот если в ней «навести порядок - всё формализовать», то все проблемы с помощью известных математических методов будут решены, и тогда она (медицина) станет истинно наукой. И казалось, что задача
компьютеризации медицинских задач элементарна — ввести все данные (о болезнях и больных) в ЭВМ, а уж затем, обработав их, можно получить ответы практически на все интересующие вопросы.
Анализ первых же результатов кибернетического подхода к решению медикобиологических задач позволил сделать два очень важных вывода.
Во-первых, оказалось, что классическая математика, теория вероятности, математическая статистика не в состоянии решить все задачи, стоящие перед медиками. Возникла очевидная необходимость разработать новый класс методов и подходов, обеспечивающих корректный анализ больших массивов многопараметрических неоднородных данных (с пропущенными значениями и включающих, зачастую, косвенные, коррелированные между собой признаки) [1-4, 6, 8].
Во-вторых, оказалось, что нет необходимости решать все подряд задачи медицины. Врачам требуется обоснованная и аргументированная поддержка в решении трудных для них задач — будь то диагноз, прогноз состояния или выбор лекарственного средства. Тогда и сформировался основной девиз кибернетического движения в медицине — «Надо решать именно те задачи, которые являются трудными для врачей». Причем, не вместо них, а вместе с ними, и таким образом помочь в принятии решений. Мнения разработчиков и пользователей об уже имеющихся результатах и взгляд в будущее представлены в [4, 6, 8, 12].
Последующие десятилетия были посвящены разработке и развитию основных направлений компьютерных медицинских технологий. Многие из успешных математических и вычислительных находок тех лет получили дальнейшее развитие и, в той или иной форме, реализованы в современных системах поддержки врачебных решений.
К сказанному хотелось бы добавить, что необходимость поиска адекватных способов решения проблем, возникавших в области медицины, дали мощный толчок к развитию совершенно новых математических и вычислительных методов «неформального» анализа данных. Эти разработки оказались полезными не только в медицине, но и в других предметных областях, таких, как диагностика запасов нефтяных месторождений, прогнозирование землетрясений, идентификация рукописного текста, создание речевых анализаторов и во многих других (см. Ш.А. Губерман, Е.Г. Литвинов, В.Л. Таубкин. В.И. Галунов и др.).
В параллель и пересекаясь с разработками теоретических и практических методов решения задач медицины успешно проходило развитие другой ветви медицинской кибернетики - велись разработки компьютерных технологий в сфере управления здравоохранением. В монографии [5] авторы подробно рассматривают этапы этого процесса и во временном, и в содержательном аспектах, отмечая роль научных коллективов и конкретных исследователей.
К настоящему времени большую часть тиражируемых компьютерных разработок для научно-практической медицины можно отнести к одному из следующих направлений:
• информационная и интеллектуальная поддержка пользователей в их практической деятельности (поддержка принятия решений в ситуации неопределенности);
• освобождение врачей и медицинского персонала от выполнения рутинной работы;
• обеспечение медико-биологических исследований адекватными математическими и вычислительными методами;
• обеспечение современного уровня передачи знаний.
Цель разработок каждого из перечисленных направлений определяет их назначение и основные пользовательские характеристики.
Системы «поддержки принятия решений в ситуации неопределенности». В эту группу входят диагностические системы, системы прогнозирования состояния, системы для выделения групп риска, и т.д. Эта группа разработок предназначена для решения трудных для врачей задач. Часто возникают сомнительные ситуации, когда врачу требуется из всего многообразия проявлений заболевания выделить (быстро и безошибочно) именно те, которые обеспечат правильное решение относительно конкретного больного. В этом случае проблемно-ориентированные компьютерные системы, аккумулируя в себе «опыт» решения подобных ситуаций и имея неоспоримые преимущества при переборе признаков проявления заболевания, могут оказать врачу необходимую помощь. Такие системы, обычно называют «консультативными», «диагностическими» или «экспертными» [7, 9, 11,
12, 14-17].
Особенность этой группы разработок состоит в том, что они построены на «чужих знаниях» - либо специалистов-экспертов, либо полученных с помощью «каких-то непостижимых математических (вычислительных) манипуляций», зачастую трудных для интерпретации врачом-пользователем. Количество таких разработок велико, однако, только немногие из них, даже имеющие сертификат качества Министерства Здравоохранения России (МЗ РФ), сразу получили широкое распространение в практике здравоохранения. Несмотря на «благородную» цель этой группы разработок, именно они встречали наибольшие трудности на пути к пользователям. И проблема здесь состояла, в первую очередь, в том, что врач вынужден пользоваться «чужими знаниями» - теми «правилами», которые уже заложены в конкретную систему. В этом случае, пользователю принципиально важно, чтобы он доверял этой разработке - либо в ее создании принял участие авторитетный специалист-эксперт, мнение которого общепризнанно, либо «правила» системы должны быть представлены настолько «прозрачно», что становятся очевидными.
К этому же разделу компьютерных разработок можно отнести и информационнопоисковые системы, специализированные каталоги и др. Будучи идейно и технологически согласованными с диагностическими системами, такие разработки непосредственно (или опосредованно) участвуют в интеллектуальной поддержке практической деятельности врача.
Например, «Компьютерный справочник по антибактериальным препаратам (Антибак)» [20] позволяет более точно подобрать лекарственный препарат конкретному больному с гнойно-воспалительным или инфекционным заболеванием с учетом как особенностей общего состояния больного, так и с учетом особенностей действия самого препарата. В нем предусмотрены два режима поиска.
Первый - «Выбор по названию», обеспечивает стандартную функцию любого
справочника - выдает информацию о любом из препаратов, перечень названий которых приведен в алфавитном порядке (на русском и латинском), включая синонимы.
Второй - «Выбор по критериям», реализует функцию по подбору препаратов на основе списка критериев, задаваемых Пользователем: показания к применению (перечень диагнозов, симптомов, синдромов), ограничения использования с учетом побочных явлений и противопоказаний, целевое назначение, направленность фармакологической активности (включая полный список возбудителей), происхождение препарата, формы выпуска и способ применения.
В результате поиска формируется список препаратов, удовлетворяющих заданным критериям. Пользователь-врач может получить информацию о каждом из отобранных препаратов (сведения о взаимодействии и о несовместимости с другими препаратами, необходимость комбинированного применения, рациональные терапевтические комбинации, дополнительные сведения и др.) и сделать вывод о целесообразности применения того или иного препарата. При необходимости, Пользователь может получить для каждого препарата список препаратов - аналогов.
Потенциальными пользователями систем поддержки принятия решений являются врачи и специалисты лечебных учреждений, консультационно-диагностических центров и других учреждений системы здравоохранения. Круг пользователей таких систем достаточно широк и разнообразен, поэтому именно к этой группе разработок (помимо гарантированного качества системы) предъявляются жесткие требования к удобству использования.
Еще одну особенность этой категории разработок следует непременно иметь в виду. Она носит, скорее, психологический характер. Суть состоит в том, что, в конечном счете, врач САМ принимает решение относительно конкретной ситуации. Ему только требуется помощь, чтобы эту ситуацию предварительно проанализировать. В этом случае целесообразно создавать системы поддержки принятия решений (а не «принятия решений»), имея в виду, что заключенные в этих системах знания должны носить рекомендательный характер, предоставляя максимум требуемой врачу информации [6, 8 -10, 14-17].
Одним из примеров такого подхода может служить разработанная консультационнодиагностическая система «САНДИДА- ОИМ», предназначенная для блоков интенсивной терапии лечебных учреждений в помощь врачу для прогнозирования осложнений у больных острым инфарктом миокарда (ОИМ) и выявления групп «риска» [15]. Состояние больных прогнозируется на основании данных протоколов Холтеровского мониторинга (ХМ) первых двух суток регистрации от начала заболевания (развития болевого синдрома). Состояние больного оценивается сначала по двум основным группам: компенсированное или некомпенсированное; если состояние оценивается как некомпенсированное, то оценивается возможность таких осложнений, как нарушения ритма сердца, недостаточность кровообращения, а также угроза летального исхода. В «САНДИДА-ОИМ» предусмотрена процедура «обоснования» компьютерной оценки, построенной на выявленных сочетаниях показателей ХМ, включая комплексный анализ сегмента ST, наличие и характер желудочковой тахикардии (GT), желудочковой
экстрасистолии (VPB), суправентрикулярной экстрасистолии и суправентрикулярной тахикардии (SPVT) и др. Имея перед глазами «настораживающие» сочетания показателей ХМ (включая оценку их динамики в течение первых двух суток наблюдения) врач имеет возможность уже на ранних сроках инфаркта миокарда оценить риск развития более поздних осложнений с целью своевременного выбора адекватной индивидуальной терапии.
Системы, обеспечивающие замену рутинной работы. Это направление разработок возникло в связи с необходимостью освободить врача от рутинной работы и при этом обеспечить качественный результат за счет автоматизации трудоемких процедур и сокращения времени на их выполнение. Обычно такие системы называются «автоматизированным рабочим местом» (АРМ) врача той специальности, на которую рассчитана данная система. Такие системы (помимо выполнения своей основной задачи) могут служить, в дальнейшем, основой для статистического, содержательного или какого-либо другого анализа накопленных фактографических данных.
Примером подобной разработки может служить компьютерная автоматизированная система внутрибольничного микробиологического мониторинга - «Журнал микробиолога» [20]. Эта система, с одной стороны, обеспечивает автоматизацию получения первичных данных (в комплексе со считывающим устройством) для идентификации микроорганизмов и определения их антибиотикочувствительности, ведение базы данных микробиологических анализов, формирование всех принятых для этой службы форм отчетности и др., что обеспечивает значительное повышение эффективности труда медперсонала и снижение себестоимости анализов. С другой стороны, эта система организована таким образом, что позволяет провести динамический эпидемиологический анализ внутриклинической (или территориальной, региональной и др.) микробиологической обстановки с целью своевременного выявления путей распространения инфекционных заболеваний с тем, чтобы принимать конкретные решения по профилактике и повышению эффективности лечения этих заболеваний. Особенностью внедрения этой группы разработок является тот факт, что пользователь, будучи очень заинтересованным в использовании подобных систем, оценить качество их работы может только на своих данных после того, как сам какое-то время поработает с системой. Альтернативой этой ситуации иногда может служить мнение авторитетных коллег, которые уже работают с этой системой. Системы - «инструменты для научных исследований». Оба из перечисленных выше направлений разработок являются итогом большой предварительной исследовательской работы. Почти каждый такой продукт зарождается в недрах тех (зачастую многолетних) совместных исследований, которые обеспечивают формирование новых медицинских знаний. В процессе таких исследований разработчикам приходится либо выбирать адекватные методы анализа (из имеющихся в арсенале математики), либо разрабатывать новые, обеспечивающие требуемый уровень решения поставленных задач. Такие компьютерные разработки представляют собой «инструмент» для анализа данных. Основная их задача - обеспечить корректность анализа, учитывая особенности медицинских данных (многообразие проявления заболевания, наличие большого
количества пропущенных данных, их зашумленность и т.д.). Особенно это важно в тех случаях, когда используются сложные математические расчеты и врач-исследователь вынужден полностью полагаться на профессионализм партнера - математика-программиста.
Необходимым свойством данной группы аналитических разработок является их открытость, которая позволяет исследователю контролировать процесс формирования знаний: иметь возможность получать промежуточные результаты, менять параметры анализа, получать конечные результаты в виде, удобном для интерпретации, и т.п. [6, 7, 9,
11, 16, 17]. Это наиболее трудоемкий и ответственный класс разработок.
Круг пользователей подобных аналитических систем не очень широк. В первую очередь, это - «передовой отряд» врачей-исследователей, на которых ложится основная ответственность за приобретенные «новые знания». Результаты, полученные в ходе исследования и подтвержденные на контрольном материале, могут составить затем основу конечного, тиражируемого пользовательского продукта (консультативной системы, диагностической, экспертной, АРМ и др.). По мере освоения врачами-исследователями компьютерной техники требования к удобству пользования такими системами возрастают.
Примером подобной аналитической разработки может служить система «Консилиум», предназначенная для поиска решений в трудных для врача обстоятельствах (в ситуации неопределенности) таких важных задач, как ранняя дифференциальная диагностика схожих по симптоматике заболеваний, прогнозирование течения патологического процесса, выделение групп «риска» в плане возможных осложнений исследуемого заболевания и т.д. В «Консилиум» предусмотрены два основных режима работы. Первый - накопление данных, всесторонний их анализ, «обучение» системы, построение решающих правил классификации и тестирование их на экзаменационном материале. Второй режим служит для практического использования уже готовых (одобренных) решающих правил для диагностики состояний у конкретных пациентов. Для построения решающих правил диагностики был использован метод перебора конъюнкций (МПК), основанный на идее М.М. Бонгарда [1] о том, что закономерности, по которым может быть осуществлено разделение классов, следует искать в виде сочетаний (конъюнкций) характеристик исходного описания объектов. В данном случае объектами классификации являются больные, описанные многомерным пространством исходных клинических, физиологических, лабораторных и других признаков. МПК свободен от некоторых недостатков, присущих другим методам альтернативного узнавания. Он не предполагает статистической независимости признаков и не делает никаких предположений о характере функции распределения объектов в пространстве исходных признаков. Это позволяет предлагать для обучения и предъявлять для экзамена объекты с неполной информацией, что характерно для медико-биологических исследований. Созданный в процессе обучения решающий набор содержит сочетания признаков, характеризующие различаемые классы. В результате «Консилиум» предоставляет врачу возможность вынести обоснованное суждение о принадлежности конкретного пациента к одному из фиксированных классов-состояний, ориентируясь на решающие
правила, полученные системой. Преимущество такого подхода состоит в том, что полученные решающие правила легко интерпретируются врачами-исследователями, а это вызывает доверие к выявленным закономерностям. Затем, уже на основании полученных новых знаний есть возможность создавать проблемно-ориентированные консультационно-диагностические, экспертные и другие прикладные системы [11]. Компьютерная система «Консилиум» была использована для решения ряда медицинских проблем, связанных, в основном, с дифференциальной диагностикой схожих по симптоматике классов состояний (заболеваний). На основании закономерностей, выявленных в ходе анализа и сопоставления классов, были созданы прикладные консультационно-диагностические системы, отвечающие сформулированным выше пользовательским требованиям [4, 8, 10, 11, 14-17, 19-22 и др.]. Использование этих систем в медицинской практике позволило намного улучшить результаты врачебной диагностики.
Системы «тиражирования новых знаний». Особое место в ряду компьютерных разработок занимают системы, предназначенные для тиражирования новых знаний. Это чаще всего различного типа электронные учебники (ЭУ). Они предназначены для студентов медицинских институтов и врачей - слушателей факультетов повышения квалификации. Основная цель таких разработок - обеспечить, с одной стороны, освоение новых знаний в форме компьютерного эксперимента, а с другой стороны, - проконтролировать представления об изучаемом предмете конкретного «учащегося», сопоставляя его представления с уже сложившимися (или рекомендованными), внесенными в систему. Круг пользователей этих систем очень широк. Тиражирование экспертных систем показало, что каждая ЭС, оснащенная тщательно продуманной системой подсказок, уже обладает обучающим моментом. Но для учебника этого недостаточно. Учебник должен предусматривать участие пользователя в процессе формирования (выбора) конечного заключения (или хотя бы наблюдать за выбором).
Одним из примеров использования в качестве учебного инструмента можно рассматривать консультационно-диагностическую систему «RL-KD» [9], предназначенную для альтернативной дифференциальной рентгенодиагностики онкологических заболеваний легких. Эта система задумана как система двойного назначения: консультационнодиагностическая для практических врачей и учебная для студентов и врачей-слушателей. В рамках этой системы задача диагностики разделена на две альтернативные проблемы: «RL-К» - диагностика патологии с «Круглыми» тенями на рентгенограммах, в которой альтернатива состоит в различении периферического рака и доброкачественных опухолей легких и «RL-D» - диагностика так называемых «диффузных», т.е. не округлой формы теней, где различению подлежат центральный рак легкого и различные формы хронических неспецифических заболеваний в легких.
Система «RL-KD» имеет цель:
• сформировать у пользователей (студентов и врачей) общие представления о правилах альтернативной дифференциальной диагностики схожих по симптоматике заболеваний,
• способствовать процессу освоения понятий и терминов, связанных с
рентгенодиагностикой заболеваний легких,
• дать статистическую оценку информативной значимости отдельных признаков и рентгенологического описания в комплексе,
• поддержать процесс постановки диагноза конкретному пациенту.
Система в целом позволяет пользователю в режиме «диагностической игры» проанализировать зависимость результата компьютерной диагностики от изменения описания рентгенологической картины конкретного больного и сравнить свой врачебный (предположительный) диагноз с машинным и истинным (верифицированным).
Опыт по созданию хороших ЭУ, несущих в себе новые достижения в медицине, пока невелик. Пока ЭУ, в основном, сводятся к переносу в виде гипертекстов информации из обычных текстовых учебников. В этом случае, во-первых, не используются все возможности компьютерной техники, а во-вторых, печатные издания достаточно быстро устаревают и не могут нести в себе последних достижений медицины. Тем не менее, попытки создания систем этого направления - нужная и перспективная деятельность. Исследования в области инженерии знаний показали, что практически все прикладные пользовательские компьютерные разработки базируются на создании и развитии методов машинно-математического анализа сложных, многопараметрических, и/или слабо формализованных данных. Иногда такого рода системы называют системами «извлечения знаний из данных». В последнее время подобные разработки используются под различными названиями: «методы интеллектуального анализа данных», «методы искусственного интеллекта», «добыча знаний» и др., и объединены общим понятием «Data Mining» - обнаружение в сырых данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний [7, 8, 10 -13, 18, 19].
Однако Время, как обычно в своем движении, формирует предпосылки дальнейшего развития науки: с одной стороны, возникает необходимость решения новых, достаточно сложных классов задач, а с другой - появляются новые возможности их решения.
В настоящее время мощное развитие компьютерной вычислительной техники в сочетании с современными, высокоинтеллектуальными разработками методов анализа и нейрокомпьютерного моделирования дают основания рассчитывать на новые важные достижения в медицине.
В первую очередь, это касается использования нейрокомпьютерных моделей в перспективных исследованиях по разработке универсальных общепринятых подходов для конструирования и осуществления компьютерного эквивалента человеческого мышления [13]. Такое моделирование направлено на лучшее понимание механизмов работы естественного интеллекта в процессах выполнения им функций обучения и познания. Эти разработки ориентированы на имитацию процессов преобразования информации в иерархических нейроподобных системах. Регистрация основных параметров функционального состояния исследуемых живых систем, позволит предсказывать варианты их возможного поведения и динамику реагирования в различных сигнальных ситуациях [13, 19, 21,22].
Это, в свою очередь, обеспечит продвижение исследований по жизненно важным проблемам медицины: изучение механизмов управления движением, создание
искусственных органов; поможет найти пути справиться с различными болезнями мозга, такими, например, как паркинсонизм, болезнь Альцгеймера и др. Уже сейчас активно действуют команды российских исследователей, ориентированные на разработку таких систем (МИФИ, Москва; НИИ нейрокибернетики, Ростов-на-Дону; ИПФ РАН,
H. Новгород; Санкт-Петербургский университет; МГУ, Москва; ГУ НИИ нормальной физиологии им. П.К. Анохина РАМН и др.).
Очевидная заинтересованность молодых специалистов - медиков, биологов, инженеров и математиков - в совместных исследованиях дает основание рассчитывать не только на успех проводимых работ, но и на сохранение отечественной научной школы в области медицинской кибернетики.
В этом аспекте без сомнения велика роль ведущих профильных ВУЗов, уделяющих большое внимание приобщению молодых специалистов к смежным перспективным разработкам. Привлекая их к участию в конференциях, семинарах, мастер-классах, а также введение в процесс обучения студентов новых дисциплин по актуальным смежным проблемам, образование гарантирует формирование новейших научных школ и содружеств, основанных на лучших традициях отечественной науки, для достижения поставленных высоких целей на благо Науки и Человека.
Только совместные кропотливые и квалифицированные исследования могут обеспечить качественное решение проблем, стоящих и возникающих в такой важной для всего человечества области, как медицина.
ЛИТЕРАТУРА
I. Адельсон-Вельский Г.М., Арлазаров В.Л., Бонгард М.М., Эври-стическое
программирование //Сб. 2-й Всесоюзной конференции по программированию. - М., 1970. - с. 23-42.
2. БонгардМ.М. Проблемы узнавания. - М.: Наука, 1964 г. - 320 с.
3. Брудно А.Л. Грани и оценки для сокращения перебора вариантов // Проблемы кибернетики. - 1963. - вып.10. - с.141-150.
4. Вестник ВОИВТ. Проблемы информатизации здравоохранения // Сб. тематических статей. - 1991 г. - Выпуск 1.
5. Гаспарян С.А., Пашкина Е.С. Страницы истории информатизации здравоохранения России. - М.: Наука, 2002 г. - 316 с.
6. Гельфанд И.М., Цетлин М.Л., Лукашевич И.П. Моделирование физиологических процессов // Доклады Академии наук СССР. -М.: 1960 г. - том 131. - № 6.
7. Дюк В., Самойленко А. Data Mining. - СПб: Питер. 2001 г. - 366 с.
8. Журавлев Ю.И. Об алгоритмическом подходе к решению задач распознавания и классификации // Проблемы кибернетики. - 1978. - вып. 33. - с. 5-68.
9. Карп В.П. Компьютерная программа для рентгенодиагностики онкологических заболеваний легких (RL-KD). -Авторское свидетельство. - Всероссийский фонд алгоритмов и программ (РосАПО). - № 940206. - М. - 1994.
10. Карп В.П., Катинас Г.С. Вычислительные методы анализа в хронобиологии и
хрономедицине. - Санкт-Петербург: Восточная корона, 1997. - 115 с.
11. Карп В.П. Методы и средства контроля и диагностики сложноорганизованных объектов. - М.: МИРЭА, 2008. - 195.
12. Кунин П.Е., Карп В.П. Метод направленного обучения в проблеме узнавания // Сб. Автоматизация, организация, диагностика. - М.: Наука, 1975. - с. 3-6.
13. Карп В.П. Интеллектуальный анализ данных в проблеме формализации интуитивных знаний эксперта //Нелинейная динамика в когнитивных исследованиях-2011. Труды конференции. - Нижний Новгород. - с. 82- 85.
14. Кобринский Б.А. Информатизация педиатрической науки и практики. Екатеринбург-Москва, 1998.
15. Комаров Ф.И., Карп В.П., Рапопорт С.И. и др. Клиническая медицина. - М.: Медицина, № 9, 1996.
16. Ларченко И.А., Седова Т.Н., Карп В.П. Оптимизация диагностики и медикаментозного лечения узловых образований щитовидной железы // Клинический вестник. - М.:1996. - № 4.
17. Переверзев-Орлов В.С. Советчик специалиста. Опыт разработки партнерской системы. - М.: Наука, 1990.
18. Поспелов Д.А. История искусственного интеллекта до середины 80-х // Новости искусственного интеллекта. - 1994. - №4. -74-95.
19. Поспелов Г.С. Искусственный интеллект - основа новой информационной технологии. - М.: Наука, 1988.
20. Скала Л.З., Сидоренко С.В., Нехорошева А.Г. и др., Практические аспекты современной клинической микробиологии. - М.: Лабинформ, 1997. - 122 с.
21. Чернавский Д.С., Карп В.П., Никитин А.П. Метод кинетической электропунктурной диагностики и его использование для оценки состояния больных // Миллиметровые волны в биологии и медицине. - 1996. - №7. - с.20-26.
22. Чернавский Д.С., Карп В.П., Родштат И.В. и др. Распознавание. Аутодиагностика. Мышление. - М.: Радиотехника, 2004. - 271 с.
WAYS OF DOMESTIC MEDICAL CYBERNETICS DEVELOPMENT, PREREQISITES AND PROSPECTS.
V.P. KARP - Moscow State Technical University of Radioengineering Electronics and Automation, Cybernetics Department, professor of Information systems (sub)department, Moscow
Chibisov S.M. - People's Friendship University, Department pathological physiology, RPFU. Moscow. 117198. M-Maklaya st 8. Medical faculty
Agarval R.K. - World council of young doctors & health administrators, President, Moscow
The historical reference is given about creation and the first steps of medical cybernetics laboratories in USSR.
Examples of concrete computer products for fundamental and applied medicine are resulted. Preconditions of a modern medical neurocybernetic development are discussed.
Keywords: medical cybernetics, artifical intelligence, applied works in clinical medicine, neurocomputing.
