CC BY
172
26. Subclinical central lymph node metastasis in papillary thyroid microcarcinoma evaluated as cT1aN0 by preoperative imaging study / ST Kim [et al.] // J Korean Thyroid Assoc. - 2013. - P. 121-125.
27. Is BRAFV600E mutation a marker for central nodal metastasis in small papillary thyroid carcinoma / B.H. Lang [et al.] // Endocr Relat Cancer. - 2014. - P.285-295.
28. Roles of ultrasonography and computed tomography in the surgical management of cervical lymph node metastases in papillary thyroid carcinoma / D.W. Lee [et al.] // Eur J Surg Oncol. - 2013. - Vol. 39. - P. 191-196.
29. Extent of routine central lymph node dissection with small papillary thyroid carcinoma / Y.S. Lee [et al.] // World J Surg. - 2007. -P. 1954-1959.
30. Frozen biopsy of central compartment in papillary thyroid cancer: Quantitative nodal analysis / Y.S. Lim [et al.] // Head Neck. - 2013. -Vol. 35. - P. 1319-1322.
31. Lyshchik, A. Three-dimensional ultrasonography for volume measurement of thyroid nodules in children / A. Lyshchik, V. Drozd, S. Schloegl, Reiners // J Ultrasound Med. - 2004. - P. 247-254.
32. Machens, A. Lymph node dissection in the lateral neck for completion in central node-positive papillary thyroid cancer / A. Machens, S. Hauptmann, H. Dralle // Surgery. - 2009. - P. 176-181.
33. Gomez, M. Reduced blood loss during burn surgery /M. Gomez, S. Logsetty, J.S. Fish // Care. Rehabil. - 2001. - Vol. 22, № 2. - P.111-117.
34. Sentinel node local ization in primary melanoma: preoperative dynamic lym phoscintigraphy, intraoperative gamma probe, and vital dye guidance / R. Gennari [et al.] //Surgery. - 2000. - Vol. 127, № 1. - P. 19-25.
35. Glehen, O. Peritoneal carcinomatosis from digestive tract cancer: new management by cytoreductive surgery and intraperitoneal chemo-hyper et al. Use of axillary ultrasound, ultrasound-fine needle aspiration biopsy and magnetic resonance imaging in the preoperative triage of breast cancer patients considered for sentinel node biopsy / O. Glehen, M. Faheez, F.N. Gilly // Ultrasound Med Biol. - 2011. -Vol. 37(1). - P.16-22. doi: 10.1016/j.ultrasmedbio - 2010.
36. Gofeld, M., Preoperative ultrasound-guided mapping of peripheral nerves / M. Gofeld, S. Chiu, M. Kliot // J Neurosurg Bristow. - 2013. -Vol. 1. - P. 709-713.
37. Ultrasound assessment in primary breast cancer: an audit of 653 cases / P. Mills [et al.] // Breast J. - 2010. - P. 460.
38. Axillary ultrasound and fine-needle aspiration in the preoperative evaluation of the breast cancer patient: an algorithm based on tumor size and lymph node appearance / M.B. Mainiero [et al.] // AJR Am J Roentgenol. - 2010. - Vol. 195(5). - P. 1414.
39. Ultrasound and fine needle aspiration cytology of axillary lymph nodes in breast cancer. To do or not to do / M.W.H. Leenders [et al.] // Breast. - 2012. - P. 578-583.
40. High-resolution ultrasonography in evaluating peripheral nerve entrapment and trauma / R.W. Koenig [et al.] // Neurosurg Focus. -
2009. - P. 13.
41. Intraoperative high-resolution ultrasound: a new technique in the management of peripheral nerve disorders / R.W. Koenig [et al.] // J. Neurosurg. - 2011. - Vol. 114. - P. 514-521.
42. High-resolution ultrasonography in the diagnosis and intraoperative management of peripheral nerve lesions / F.C. Lee [et al.] // J Neurosurg. - 2011. - P. 206-211.
43. Nandalan, S.P. Use of the harmonic scalpel in a patient with a permanent pacemaker / S.P. Nandalan, R.G. Vanner // Anaesthesia. -2004. - Vol. 59. - P. 621.
44. Use of an ultrasonic scalpel in the open-heart reoperation of a patient with pacemaker / M. Ozeren [et al.] // Eur J Cardiothorac Surg. -2002. - P. 762.
45. Poole, G., Use of the harmonic scalpel for breast surgery in patients with a cardiac pacemaker: A tip / M. Biggar, D.Moss // Breast J. -
2010. - Vol. 16. - P. 108.
46. Shemen, L. Thyroidectomy using the harmonic scalpel: Analysis of 105 con- secutive cases. // Otolaryngol Head Neck Surg. - 2002. -Vol.127, No4. - 284-288 p.
47. Palliative operation for cancer of the head of the pancreas: sig- nificance of pancreaticoduodenectomy and intraoperative radiation therapy for survival and quality of life / K. Ouchi [et al.] // Dig Surg. - 2000. - Vol. l7, No2. - P.38-42.
48. The role of the ultrasonically activated shears and vascu- lar cutting stapler in hepatic resection / W.R. Wrightson [et al.] // J Surg. -2000. - Vol.66, No11. - P. 1037-1040.
49. Walker, K.J., Ultrasound guidance for peripheral nerve blockade / K. McGrattan, K.Aas-Eng, A.F. Smith. - Cochrane Database Syst Rev 4CD006459. - 2009
50. Hill, M. Gastrointestinal cancer // Textbook of medical oncology / edit. by F. Cavalli, H., Hanson, Kaye, S., - 2nd ed. - London: Martin Dunitz Ltd, - 2000 / Cunningham, D. - 271-307 p.
51. Horenblas, S. Detection of occult metastasis in squamous cell carcinoma of the penis using a dynamic sentinel node procedure/ L. Jansen, W.Meinhardt //J. Urol. - 2000 - Vol. 163, №1. - P.100-104.
52. Higami, T., Histologic and physiologic evaluation of skeletonized in-ternal thoracic artery harvesting with an ultrasonic scalpel. // Car-diovasc Surg. - 2000. - Vol. 120, No6. - P. 1142-1147.
53. Liptay, M.J. Intraoperative radioisotope sentinel lymph node mapping in non-small cell lung cancer / G.A. Masters, D.J. Winchester // Ann. Thorac. Surg. - 2000. - № 2. - P. 84-89.
54. Miwa, K., Sentinel node concept and its application for cancer surgery // Nippon. Geka. Gakkai. Zasshi. - 2000. - №3. - P. 307-310.
55. Jansen, F.W., Ultrasonic scalpel in laparoscopic gynaeco- logical surgery: an observation studv in 354 cases / T. Trimbos-Kemper // Gynaecological Endoscopy. - 2002. - Vol. 1. - P. 47-51.
УДК 616.381-002-089 © Коллектив авторов, 2016
Г.Р. Зарипова, Ю.А. Богданова, О.В. Галимов, В.А. Катаев, Г.М. Биккинина СОВРЕМЕННЫЕ МОДЕЛИ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ ВРАЧЕБНЫХ РЕШЕНИЙ В ХИРУРГИЧЕСКОЙ ПРАКТИКЕ. СОСТОЯНИЕ ПРОБЛЕМЫ
ФГБОУ ВО «Башкирский государственный медицинский университет» Минздрава России, г. Уфа
Современные медицинские информационные технологии с помощью моделирования развития патологического процесса на основе математических закономерностей позволяют выйти на качественно новый уровень представления течения заболевания. Экспертные системы в медицине дают возможность врачу не только проверить собственные знания и диагностические предположения, но и получить консультацию в выборе тактики диагностики и лечения.
В представленной обзорной статье приведен анализ возможностей современных интеллектуальных систем поддержки принятия врачебных решений в практике врача-хирурга. Описывается общее состояние проблемы с анализом существующих систем, анализируются структуры и механизмы, лежащие в основе конструирования систем поддержки принятия врачебных решений (СППВР). Приводятся примеры различных моделей СППВР, предназначенных для применения в клинической практике врача-хирурга и описание их ключевых отличий, достоинств и недостатков.
Рассматриваются принципы построения СППВР при различных видах интраабдоминальных вмешательств. Приводится описание принципов работы существующих систем поддержки принятия решений при наиболее распространенных видах хирургических вмешательств.
Ключееые слова: интраабдоминальные хирургические вмешательства, инфекционные осложнения, информационные системы, системы поддержки принятия врачебных решений, алгоритмы диагностики и лечения, модель заболевания.
G.R. Zaripova, Yu.A. Bogdanova, O.V. Galimov, V.A. Kataev, G.M. Bikkinina CURRENT MODELS OF SUPPORT SYSTEMS FOR MEDICAL DECISION-MAKING IN SURGICAL PRACTICE. STATE OF THE PROBLEM
Modern medical information technologies allow to reach a qualitatively new level of presentation of the disease, simulating the development of the pathological process on the basis of mathematical regularities. Expert systems in medicine allow the physician not only to test their knowledge and diagnostic assumptions, but also to consult in the choice of tactics of diagnosis and treatment.
Review article is devoted to the possibilities of modern intellectual systems of support of making medical decisions in the practice of a surgeon. Review article describes general problems with the analysis of existing systems, analysis of their structure and mechanisms underlying the design of medical decision support systems (MedDSS). Examples of different models of MedDSS intended for use in clinical practice of a surgeon are presented with a description of their key differences, advantages and disadvantages. The principles of MedDSS at different types of intraabdominal procedures are discussed. The article also describes the principles of operation of the existing systems of decision support for the most common types of surgery.
Key words: intra-abdominal surgical intervention, infectious complications, information system, decision support system for medical decisions, algorithms of diagnostics and treatment, disease model.
Одним из важнейших факторов, влияющих на качество оказываемой медицинской помощи, является квалификация врачей -умение определять адекватную тактику диагностики и исследования, а также лечения пациента. Одним из безусловных факторов в этом процессе являются основы познавательного, последовательного и логического мышления. Данные процессы позволяют понять глубинные причины возникновения заболеваний, овладеть способами воздействия на патологический процесс [14]. Однако, несмотря на постоянное совершенствование знаний врача, лечебный процесс не всегда приводит к желаемым результатам [13].
Лечебно-диагностический процесс является образцом целенаправленной деятельности специалиста в условиях неопределенности. Врач не всегда может заранее быть осведомленным о результате процесса. Каждый его шаг должен быть выверенным и осмысленным. Оценка объективного статуса пациента целиком основана на признаках заболевания как клинических, так и инструментально-лабораторных [24]. Основными задачами клинициста в данной ситуации являются распознавание диагноза на основе первичной информации о пациенте, наличия характерных признаков заболевания по результатам комплексного обследования и шаблонным представлениям врача о данном заболевании. При этом сам по себе диагноз есть не что иное, как детальная формализация действий, имеющая вероятностную природу [14]. Реальная же клиническая ситуация отражает пошаговость ведения больного и естественное течение патологического процесса. Соответ-
ственно, формализация рассуждений врача, распознавание и использование его суждений лежат в основе составления алгоритмов, способствующих индивидуальному подходу в решении конкретных клинических задач.
В данной ситуации актуальное значение приобретают так называемые интеллектуальные системы поддержки принятия врачебных решений, призванные обеспечить повышение качества медицинского обслуживания в лечебно-профилактических учреждениях [6,8, 18,12,22,23]
Задачи современных систем принятия решений в клинической медицине должны выполнять следующий набор функций: дифференциальная диагностика и выбор лечения во множестве нозологических форм, эффективность решения вне зависимости от степени выраженности клинических проявлений (в том числе при стертой картине заболевания), учет фоновых состояний пациента, возможность анализа динамики патологического процесса, оценки состояния в режиме реального времени [12].
Принятие верных решений в медицине обычно затруднено в связи с множественностью факторов и признаков большинства заболеваний и их взаимодействий. А обработка большого количества информации врачом-клиницистом зачастую затруднена ввиду тех или иных объективных и субъективных причин [11].
Обобщенная модель интеллектуальной системы состоит из последовательных шагов диагностики и лечения, начиная от анализа исходных данных о пациенте до момента фиксации требуемых результатов [22].
В настоящее время рынок медицинских информационных систем активно развивается и одним из перспективных направлений, в частности, являются компьютеризированные модели систем поддержки принятия врачебных решений. Данный вид медицинских информационных систем (МИС) решает одну из важнейших задач в области здравоохранения -снижение числа врачебных ошибок и повышение качества медицинской помощи [7,23].
Существующие СППВР включают в себя специализированные медицинские базы данных, библиографические информационно-поисковые системы, системы обработки медицинских данных и т.д. [6].
Среди существующих на сегодняшний день медицинских экспертных систем функционально наиболее востребованными являются СППВР, ориентированные на конкретный «электронный» образ пациента, основанный на совокупности клинико-лабораторных данных. Данный вид систем является принципиально отличным от других медицинских программ, носящих, например, обучающий или справочный характер. Врач посредством данного инструмента получает поддержку при принятии решений по конкретному пациенту и по каждому мероприятию, связанному с ведением данного пациента. Так, например, разработка научно-производственного предприятия «Волготех» (г. Саратов) под названием «Кардинет-онлайн» позволяет помимо пополнения информационной базы пациента путем заполнения форм-шаблонов производить печать записей и интегрировать их в электронную базу учреждения. При этом данная система оснащена соответствующей базой данных, основанной на документах и приказах Министерства здравоохранения, регламентах и национальных рекомендациях, а план диагностики сопровождается планом лечения того или иного заболевания.
Существующие модели СППВР включают в себя также более усложненные направления, в большей степени ориентированные на алгоритмизацию действия врача на основе шаблонных моделей заболеваний. Так, например, в предложенной А.А. Спирячиным методике осуществления электронного врачебного выбора постановка конкретного диагноза сводится к следующим задачам: классификация лабораторных данных, жалоб пациента, объективного статуса с уже известным классом заболевания. Данный способ алгоритмизации действий врача реализуется при использовании метода многомерной классификации, предложенной автором. В указан-
ной разновидности систем поддержки принятия решений диагноз не обязательно будет идентифицировать одно заболевание. Заболеваний в диагнозе может быть несколько в зависимости от набора классов, заложенных в данной системе [22].
Анализ существующих СППВР за последние пять лет позволяет выделить основные методы и средства, используемые в данных системах: интеллектуальный анализ данных, поиск знаний по базам данных, рассуждение на основе прецедентов, ситуационный анализ, нейронные сети [10,17,19,27].
Принципиально новым подходом в решении клинико-диагностических задач отличаются так называемые гибридные системы, основанные на сочетании методов вывода по прецедентам и правилам. Описываемая система интерактивная и позволяет осуществлять лечебно-диагностический процесс в условиях дефицита времени и ресурсов, когда объект не описан полностью. Новизна данных систем заключается в возможности интеграции знаний о предметной области, полученных методами классификации и кластеризации, в механизм выработки решения по правилам [10,27].
Отдельного рассмотрения требуют системы поддержки принятия врачебных решений в такой обширной области медицины, как неотложная и плановая хирургия. Преимущества данных видов вспомогательных технологий заключаются в возможностях их использования в условиях дефицита времени, высокой динамики течения заболевания с учетом такого параметра, как высокая вероятность врачебной ошибки [17]. Существующие компьютерные системы позволяют проверить собственные диагностические предположения и использовать возможности искусственного интеллекта в сложных клинических ситуациях.
Традиционно в диагностике хирургических заболеваний использовались возможности компьютерных технологий, такие как рентгенография, компьютерная томография, магнитно-резонансная томография. Первые исследования, посвященные данной тематике, проведены Van Ginneken (2001), S.Y.Ji (2009), W.Chen (2010), P. Davaluri (2011). Данные исследователи впервые разработали и применили систему принятий решений при повреждениях в области органов таза, черепно-мозговых травмах, повреждениях грудной клетки, а также при сочетанной травме [2,4,5].
Одним из важнейших направлений в области применения СППВР в хирургии являются такие аспекты, как интенсивная тера-
пия и неотложная медицинская помощь. Особенно зарекомендовали себя существующие в хирургии системы поддержки принятия решений, предназначенные для выполнения задач по дифференциальному подходу к диагностике и лечению, позволяющие производить оценку клинических проявлений различного рода интраабдоминальных катастроф. Большинство отечественных информационных разработок были посвящены изучению возможностей искусственных нейронных сетей в прогнозировании исходов таких распространенных хирургических патологий, как острый панкреатит и острый холецистит [20, 21]. Так, например, нечеткие математические модели СППВР были применены в разработке А.В. Иванова (2013), основной задачей которой послужило прогнозирование возникновения острого панкреатита на основе информации, получаемой традиционными медицинскими методами (опрос, осмотр, лабораторные и инструментальные данные), по электрическому сопротивлению биологически активных точек, связанных с данным заболеванием, и по содержанию микроэлементов в волосах человека. В качестве информативных микроэлементов авторами были выбраны медь, цинк и железо, концентрация которых рассматривалась во взаимосвязи с электрическим сопротивлением биологически активных точек, связанных с заболеванием панкреатит [9]. Прогнозирование и своевременная диагностика инфекционных осложнений тяжелого острого панкреатита явились задачей при разработке системы прогнозирования и диагностики инфицированного панкреонекроза. Основными инструментами данной алгоритмической модели явились методы нейронных сетей и опорных векторов, применявшиеся в совокупности со статистическими методами обработки данных. На первом этапе исследования использовались ретроспективные клинические и лабораторно-инструментальные данные за 10 лет (обучающая группа). Второй функциональный блок содержал данные обследования пациентов, находившихся на стационарном лечении с привлечением результатов микробиологического исследования, жидкостных скоплений по данным ультразвуковой диагностики и открытых операций. В результате анализа данных были определены наиболее значимые параметры, имеющие важное прогностическое значение: время от момента поступления в стационар, ранние операции в анамнезе, интенсивность болевого синдрома, острые жидкостные скопления и ряд острофазовых показателей синдрома си-
стемной воспалительной реакции. [15]. Метод многомерного анализа с применением логистической регрессии был применен В.Э. Шнейдер и соавторами в программе «Автоматизированная система учета травм поджелудочной железы» [26]. Авторами проведен анализ 35 количественных и 109 качественных признаков, ключевыми из которых явились демографические данные, вид и механизм повреждений, степень тяжести состояния пациента, количество поврежденных органов, объем кровопотери, способ хирургического лечения, осложнения, летальность. Отличительными характеристиками данной разработки являются учет врачебных ошибок, таких как диагностические (задержка операции), технические (неадекватный гемостаз), тактические (увеличение объема операции, неадекватный дренаж). Решающими факторами в развитии специфических послеоперационных осложнений были определены возрастные характеристики пациентов, механизм травмы, тактические ошибки, вид вмешательства, а также превышение норм лабораторных показателей. Прогностическая эффективность данной разработки составила 88,9% [26].
Нейронные сети позволяют принимать решения на основании выявляемых ими скрытых закономерностей и многомерных данных, что обуславливает их успешное применение в решении прикладных задач. Сравнительная оценка эффективности современных СППВР, построенных на основе искусственных нейронных сетей, приводится в систематическом обзоре О.Ю. Ребровой (2016) [16]. Прогностическая ценность анализируемых СППВР заключается в объективизации степени тяжести и прогнозировании риска инфекционных осложнений острого панкреатита с целью выбора алгоритмов лечения и ранней профилактики осложнений [1,3]. В ходе проанализированных исследований оценивались такие параметры, как прогнозирование длительности пребывания в стационаре, диагностическая значимость уровня содержания панкреатических ферментов, оценка риска развития полиорганной недостаточности [16]. В основу ретроспективных исследований были положены в среднем от 14 до 33 признаков, включавших как анамнестические параметры, так и рутинные показатели лабораторной и инструментальной диагностики. Приведенные разработки в области СППВР в интра-абдоминальной хирургии отличаются набором базовых параметров (качественных и количественных) и использованием различных оценочных шкал (комы Глазго, APACHE II,
Revised Trauma Score (RTS), National nosocomial infections surveillance system (NNIS), Abbreviated Index Severity (AIS), Infection Probability Score (IPS)) [9,15,16,26].
Возможности математического прогноза и алгоритма профилактики глубоких инфекционных осложнений изучены в рамках апробации обучающей матрицы у пациентов, перенесших эндопротезирование тазобедренного сустава [25]. Программа построена по принципу двухэтапного алгоритма. На этапе ретроспективного анализа использовались данные о 100 параметрах, включающих локальный и объективный статус, данные лабораторных, рентгенологических и эндоскопических исследований, среди которых выделен набор из 21 прогностически значимого критерия, включающего дооперационные, интрао-перационные и послеоперационные факторы. На основании полученной информации у пациентов с неблагоприятным прогнозом проводился комплекс превентивных мероприятий, направленных на снижение риска послеоперационных нагноительных осложнений.
В настоящее время в хирургии сохраняется немалый процент врачебных ошибок, обусловленных субъективными причинами, ролью человеческого фактора при экстремальных условиях работы врача-хирурга, недостатком временных ресурсов, необходимых для адекватной оценки состояния и быстроты принятия правильного алгоритма действий.
Приведенный анализ существующих информационных систем, призванных обеспечить объективизацию и повышение эффективности диагностики и лечения пациентов хирургического профиля, демонстрирует разнообразие методик и исследуемых параметров, применяющихся в разрабатываемых СППВР. Вместе с тем существует ряд проблем, затрудняющих их применение в реальной клинической практике. Работа врача-клинициста, особенно хирургического профиля, предполагает максимальное удобство применения подобного рода систем поддержки, тогда как большинство существующих СППВР не интегрированы с информационными системами лечебно-профилактических учреждений, требуют дополнительной нагрузки от врача по внесению первичной информации о пациенте. Конструирование ряда систем поддержки базируется на формировании решений на основании заданных условий. Соответственно, должен быть реализован весь комплекс мероприятий, предполагающих диагностический поиск по заданным параметрам, что в рутинной практике не все-
гда является осуществимой задачей по ряду объективных и субъективных причин.
На наш взгляд, общей проблемой всех существующих на сегодняшний день экспертных систем является отсутствие возможности интегрировать результаты балльной оценки различных клинико-диагностических параметров в единую систему и экстраполировать их на конкретную клиническую ситуацию. Более того, значительное количество анализируемых разработок носит диагностический характер и сопоставляет компьютерный образ пациента с входными медико-биологическими данными. Смысл большинства описанных в данной статье экспертных систем заключается в возможности прогнозирования риска хирургических вмешательств и определения тактики их ведения (метод вмешательства, способ завершения операции, оценка риска релапаротомии). Таким образом, недостаточно вовлеченными в аналитический процесс остаются индивидуальные характеристики пациента, сопутствующая патология и квалификация врача-хирурга, выполняющего вмешательство.
Наиболее перспективными с точки зрения клинической эффективности нам представляются так называемые динамичные модели СППВР, подразумевающие возможность сверки текущих показателей пациента с существующими нормативами на протяжении всего лечебно-диагностического процесса, а также системы на основе искусственных нейронных сетей, так как именно данный вид конструирования экспертных систем позволяет получить более масштабную картину клинической ситуации на основе большого количества параметров.
Незатронутой остается область медикаментозной профилактики и фармакотерапии в плановой и неотложной хирургии. По мнению авторов, существует объективная необходимость в разработке медицинских экспертных систем, позволяющих составлять алгоритм антибиотикопрофилактики и фармакотерапии инфекционных осложнений на основе специфических показателей чувствительности микроорганизма и иммунологических факторов макроорганизма. Перспективным направлением является персонализированный подход к подбору терапии с учетом риска лекарственных взаимодействий и нежелательных лекарственных реакций с вовлечением основных ферментов, участвующих в метаболизме лекарственных препаратов. Особое значение в этом случае имеет возможность интегрирования в систему обновляемых информационных баз данных и электронных справочников, что
является одним из необходимых требований в условиях доказательной медицины.
Таким образом, в условиях непрерывно развивающейся области информационных технологий в медицине существует необходимость
дальнейшего развития данного направления с учетом недостатков предыдущих исследований, разработки максимально приближенного к рабочему месту врача-хирурга вспомогательного информационного алгоритма.
Сведения об авторах статьи: Зарипова Гузель Радмиловна - к.м.н., врач - клинический фармаколог Клиники ФГБОУ ВО БГМУ Минздрава России. Адрес: 450083, г. Уфа, ул. Шафиева, 2. E-mail: vgr1983@mail.ru.
Богданова Юлия Альбертовна - к.м.н., врач - клинический фармаколог ГБУЗ РКБ № 2. Адрес: 450077, г. Уфа, ул. Пушкина, 99. E-mail: juladoctor@mail.ru.
Галимов Олег Владимирович - д.м.н., профессор, зав. кафедрой хирургических болезней и новых технологий ФГБОУ ВО БГМУ Минздрава России. Адрес: 450008, г. Уфа, ул. Ленина, 3.
Катаев Валерий Алексеевич - д.фарм.н, профессор, зав. кафедрой послевузовского и дополнительного профессионального фармацевтического образования ИДПО ФГБОУ ВО БГМУ Минздрава России. Адрес: 450008, г. Уфа, ул. Ленина, 3. Биккинина Гузель Минираисовна - д.м.н., профессор кафедры фармакологии №1 с курсом клинической фармакологии. Адрес: 450008, г. Уфа, ул. Ленина, 3. E-mail: bikkinina.ru@mail.ru.
ЛИТЕРАТУРА
1. A comparative evaluation of radiologic and clinical scoring systems in the early prediction of severity in acute pancreatitis/ T.L.Bollen [et al.] //Am.J.Gastroentrol. - 2012. - Vol.107, № 4. - P. 612-619.
2. An automated method for hemorrhage detection in traumatic pelvic injures/ P.Davuluri [et al]//Conf Proc IEEE Eng Med Biol Soc (EMBC'11). - 2011. - P.5108-11.
3. Criteria for the diagnoses and severity stratification of acute pancreatitis/M. Otsuki [et al.]//World J.Gastroenterol. - 2013. - Vol.19, № 35. - P.5798-5805.
4. Intracranial pressure level prediction in traumatic brain injury by extracting features from multiple sourses and using machine learning method/ W.Chen [et al.]//Proceeding of the IEEE International Conference on Bioinformatics and Biomedicine, December 2010. -P.510-15.
5. Van Ginneken B.Computer-aided diagnosis in chest radiography: a survey/ B.Van Ginneken, B.M. Ter Haar Romeny, M.A. Viergever// IEEE Trans on Med Imaging. - 2001 Dec. - Vol.20, № 12. - P. 1228-41.
6. Атьков, О.Ю. Система поддержки принятия врачебных решений./ О.Ю. Атьков, Ю.Ю. Кудряшов, А.А. Прохоров, О.В. Касимов// Системы поддержки принятия врачебных решений. - 2013. - № 6. - С. 67-75.
7. Гусев, А.В. Рынок медицинских информационных систем: обзор, изменения, тренды//Врач и информационные технологии. -
2012. - № 3. - С. 6-15.
8. Егорова, Ю.В. Информационная система поддержки принятия лечебно-диагностических решений на основе формализации профессиональных знаний// Вестник УГАТУ. - 2007. - № 7 (25). - С.67-72.
9. Иванов, А.В. Нечеткие математические модели системы поддержки принятия решений для решения задачи прогнозирования острого панкреатита/А.В. Иванов, В.Н. Мишустин, Л.П. Лазурина, В.И. Серебровский//Врач и информационные технологии. -
2013. - № 6. - С. 60-66.
10. Карпов, Л.Е. Программная система поддержки врачебных решений с гибридной архитектурой на основе правил и преценден-тов / Л.Е. Карпов, В.Н. Юдин, А.В. Ватазин / V Троицкая конференция «Медицинская физика и инновации в медицине»: сборник материалов. - Троицк, 2012. - Т. 2. - С.425-427.
11. Кобринский, Б.А. Медицинская информатика: учебник/Б.А. Кобринский, Т.В. Зарубина. - М.: Академия, 2009. - 192 с.
12. Кобринский, Б.А. Системы поддержки принятия решений в здравоохранении/ Б.А. Кобринский // Врач и информационные технологии. - 2010. - № 2. - С. 39-45.
13. Кудрина, В.Г. Современный уровень инновационного развития последипломного медицинского образования и его перспективы/ В.Г. Кудрина, Т.В. Андреева, Д.О. Сапралиева // Общественное здоровье и здравоохранение. - 2014. - № 3. - С.50-54.
14. Линденбратен, А.А. Формализация клинического мышления как один из путей повышения качества медицинской помощи/ А.А. Линденбратен, И.Н. Котонский // Вестник Росздравнадзора. - 2016. - № 2. - С.42-45.
15. Литвин, А.А. Система поддержки принятия решений в прогнозировании и диагностике инфицированного панкреонекроза/А.А. Литвин, О.Г. Жариков, В.А. Ковалев// Врач и информационные технологии. - 2012. - № 2. - С.54-62.
16. Литвин, А.А. Системы поддержки принятия решений в диагностике и лечении острого панкреатита/ А.А. Литвин, О.Ю. Ребро-ва// Проблемы здоровья и экологии. - 2016. - Вып. 2 (48). - С.10-17.
17. Литвин, А.А. Системы поддержки принятия решений в хирургии./ А.А.Литвин, В.А. Литвин//Новости хирургии. - 2014. -Т. 22(1). - С.96-100.
18. Назаренко, Г.И. Система автоматизации клинических руководств и аудита лечения./Г.И. Назаренко, Е.Б. Клейманова, М.Ю. Жуйков, С.А. Пающик, А.И. Новакова, О.П. Кашевская, Л.П. Яшина// Медицинские информационные системы. - 2014. - № 2. - С.23-32.
19. Найданов, Ч.А. Система поддержки принятия решений для предупреждения рисков возникновения критических состояний// Альманах современной науки и образования. -2015. - №8 (98). - С. 92-95.
20. Прогнозирование течения и исходов тяжелого острого пакреатита /П.И.Миронов [ и др.] // Фундаментальные исследования. -2011. - № 10. - С. 319-23.
21. Прогнозирование, ранняя диагностика и оценка степени тяжести острого холецистита на основе нечеткой логики принятия решений/ Н.А. Кореневский [и др.]// Вестник Воронежского государственного технического университета. - 2009. - Т. 5. - С.150-155.
22. Спичярин, А.А. Проблематика использования облачных технологий в системах принятия решений/ А.А. Спичярин, Д.Э. Елизаров, В.Л. Бурковский// Прикладная математика, механика и процессы управления. - Пермь: Изд-во ПНИПУ, 2014. - 150 с.
23. Старикова, А.В. Создание подсистемы принятия решений в медицинских информационных системах/А.В. Старикова, О.Г. Берестнева, Г.Е. Шевелев, К.А. Шаропин, Л.И. Кабанова// Известия Томского политехнического университета. - 2010. - Т. 317, № 5. - С.194-197.
24. Тавровский, В.М. Зачем и как автоматизировать лечебно-диагностический процесс. Вып. 57-70.
25. Ткаченко, А.Н. Возможности прогноза глубоких инфекционных осложнений хирургического вмешательства при эндопротези-ровании тазобедренного сустава./ А.Н. Ткаченко, Ю.Л. Дорофеев, С.А. Линник, А.Ф. Калимуллина, М.Ю. Бахтин// Вестник Санкт-Петербургского университета. - 2015. - Сер.11. - Вып. 2. - С.82-88.
26. Шнейдер, В.Э. Прогнозирование риска развития послеоперационных осложнений при травматических повреждениях поджелудочной железы/ В.Э. Шнейдер, А.Г. Санников// Системы поддержки принятия врачебных решений. - 2015. - № 1. - С.35-43.
27. Юдин, В.Н. Гибридный подход к построению систем поддержки решений/ В.Н. Юдин, Л.Е. Карпов // Труды института системного программирования РАН. - 2013. - Т. 24. - С.447-456.
