CC BY
23УДК 616.21-071:681.518.5
doi: 10.18692/1810-4800-2016-4-74-81
теоретические основы клинической диагностики различных заболеваний лорорганов с помощью информационных систем
Ястремский А. П., Извин А. И., Санников А. Г.
ГБОУ ВПО «Тюменский государственный медицинский университет», 625023, г. Тюмень, Россия (Ректор - заслуженный деятель науки РФ, член-корр. РАН, проф. - И. В. Медведева)
THEORETICAL FuNDAMENTALs OF IT-AIDED CLINICAL DIAGNOsTICs
of various ent-diseases using informative systems
Yastremskii A. P., Izvin A. I., Sannikov A. G.
State Budget Educational Institution of Higher Vocational Education Tyumen State Medical University of the Ministry of Healthcare of Russia, Tyumen, Russia
В статье дана историческая справка о развитии экспертных систем (ЭС) в сфере медицинских информационных технологий, а также обзор современных данных об использовании ЭС в практической медицине, в том числе и в оториноларингологии. Исключительный рост объемов медицинских сведений и быстрое изменение самого понимания событий, фактов, явлений, часто, при дефиците времени, не позволяет врачу эффективно обрабатывать собранную информацию о больном. Применение математических методов позволяет повысить эффективность обработки диагностической информации, а также использовать ту часть информации, которую человек, лишенный специальных методов математической обработки и вычислительной техники, не в состоянии использовать. Внедрение в практику здравоохранения математических методов в форме компьютерных средств систем поддержки принятия решений (СППР), в том числе ЭС, диктует необходимость объективной оценки качества информационных систем и эффективности их функционирования на рабочем месте специалиста. В результате становятся возможными значительно более ранняя и более точная диагностика и прогнозирование заболеваний и их осложнений. В оториноларингологии в последнее время появился ряд работ, где используются различные математические методы для разработки СППР в диагностике различных заболеваний ЛОРорганов и смежных дисциплин. Разработкой ЭС на основе математических алгоритмов занимаются на кафедре ЛОР-болезней Тюменского ГМУ. Разработанная ЭС на основе искусственных нейронных сетей «ЛОР-Нейро» позволяет с высокой точностью диагностировать и проводить дифференциальную диагностику между острыми заболеваниями глотки.
Ключевые слова: диагностика, система поддержки принятия решений, экспертная система, острые заболевания глотки, нейронные сети.
Библиография: 57 источников.
The work provides historical information on the development of expert systems (ES) in the field of medical information technologies (IT) as well as the review of the modern data of ES using in practical medicine. The remarkable increase of medical data volume and the rapid change of understanding the events, facts, phenomena in the condition of time deficiency prevent a doctor from efficient processing of the collected information about the patient. ES is one of the forms of using the diagnostic mathematical and computer-aided methods for decision support systems (DSS). It provides increasing the efficiency of diagnostic information processing by means of special mathematical methods using the piece of information a person cannot use without specialized methods of mathematical treatment and computing technology. Implementing the mathematical methods in the form of computer DSS facilities including ES necessitates the objective estimation of the informative system quality and the efficiency of their functioning at a specialist's working place. As a result it becomes possible to make early and exact diagnostics and forecast of the diseases and their complications. Nowadays in otorhinolaryngology there occurred a number of works using various mathematical methods for DSS development in diagnostics of different ENT-diseases. The specialists of the Chair of ENT-diseases of Tyumen State Medical University are involved in ES development based on mathematical algorithms. An ES developed on the basis of artificial neuron networks "LOR-Neuro" provides high degree of diagnoses correctness and differential diagnostics of acute pharyngeal diseases.
Key words: diagnostics; decision support system; acute pharyngeal diseases; neuron networks.
Bibliography: 57 sources.
Считается, что объективная и своевременная клиническая диагностика - основа качественного лечения индивидуума и сохранения здоровья населения в целом [1-7]. Сложившийся алгоритм клинической диагностики, включающий опрос, осмотр больного и дополненный в
ХХ веке большим объемом лабораторно-инстру-ментальных обследований, обеспечил, среди прочего, прорыв в современном здравоохранении [8].
В настоящее время в своей профессиональной деятельности врач любой специальности при ре-
шении задач медицинской науки и практики обязательно использует информационно-коммуникационные технологии [9]. Совершенствование диагностики и лечение заболеваний - все это в настоящее время связано с использованием различных компьютерных технологий. Компьютеры стали не только составной частью лечебно-диагностического оборудования, они используются в обучении и повышении квалификации врачей различных специальностей. Появление компьютера открыло новые горизонты применения математических методов в диагностике заболеваний. Стало возможным создание экспертных систем, что ранее было невозможно в силу технических причин [10].
Одним из первых исследователей в области медицинской информатики в конце 1960-х годов являлся И. М. Гельфанд [11]. Идейно и технически подход И. М. Гельфанда опирался на работы М. М. Бонгарда и его коллег [12]. В середине 70-х это направление продолжало развиваться [13].
Были разработаны три основных направления, которые внедрены в практику как инструмент для формализации знаний эксперта:
- результаты должны быть полезны врачу для принятия решений, касающихся конкретного пациента;
- методы анализа должны использовать знания и опыт клиницистов;
- результаты должны быть столь же доказательны, как и результаты опытов в биологии и психологии.
Принимая решение у постели больного о его лечении, врач стремится достичь наилучших для больного результатов и должен при этом принять во внимание громадное число факторов (симптомов). Медицинская цель формирует контекст, в котором будет оцениваться решение формальной задачи, в связи с этим анализ принимаемых врачом решений позволяет выявить те из них, которые имеют наибольшее значение для достижения поставленной цели [14].
С начала 1980-х годов становятся самостоятельным направлением исследования, целью которых является разработка компьютерных программ для решения трудных задач, где необходимо присутствие эксперта. При этом качество и эффективность получаемых решений и требования, предъявляемые к ЭС, должны соответствовать таковым, как у эксперта в этой специальности при постановке диагноза [15-18].
По мнению Г. А. Хай (2009), диагностический процесс включает получение информации о характере заболевания и интерпретацию полученных сведений, по сути носит чисто информационный характер. Каждый врач в той или иной ситуации использует разные методы интерпретации полученных сведений. Одним из наиболее
«экзотических» методов является инсайт (постижение). При этом для врача аргументация диагноза как будто бы не нужна - он видит диагноз весь и сразу. Вероятно, в основе такого быстрого умозаключения лежит глубинный мыслительный процесс на основе практического опыта, позволяющего сопоставить всю клиническую картину заболевания, выявленную у данного пациента с эталонным образом такого же заболевания, наблюдаемого им ранее. Диагноз по интуиции основан на неосознанном опыте, который играет роль эталонного образа. Диагноз по аналогии основан на использовании сходства части симптоматики у данного больного и пациента, у которого диагноз был ранее верифицирован. Наиболее широко распространен классический симптоматический метод диагностики, где основной диагноз выставлен на основе специфических и неспецифических симптомов [19, 20].
По мнению Б. А. Кобринского, знания врачей в значительной степени представляют собой синтез опыта (клинических наблюдений) и сведений в своей проблемной области, почерпнутых в процессе обучения (повышения квалификации) и из литературных источников. Аргументация врача-диагноста направлена, с одной стороны, на выявление признаков, характерных для предполагаемого им диагноза, а с другой стороны, на поиск альтернативных признаков, отрицающих другие заболевания (например, высокий рост является однозначно отрицающим болезни, при которых обязательно значительное снижение роста), т. е. используются аргументы и контраргументы - факты «за» и «против». В самом общем виде можно говорить, что одновременно с исключением одного диагноза имеет место подтверждение другого (или других) диагноза (диагностических гипотез). Но аргументы различаются также по степени их «важности» на «сильные» или «слабые» и один «сильный» аргумент может изменить принимаемое решение, отменив действие множества «слабых» аргументов. Результат рассуждения и формирующееся решение могут изменить появление нового аргумента, т. е. имеет место не монотонность аргументации, что особенно существенно в условиях неполноты и недостоверности исходной информации [21, 22].
Логика врачебного мышления включает ассоциативное мышление уже в процессе обследования больного - при анализе клинических проявлений заболевания (внешний вид, особенности поведения и строения тела, физикальные данные), лабораторных, функциональных и инструментальных исследований. Но помимо формальной логики диагностика на современном этапе немыслима без семиотики диагноза, так как учение о признаках болезни - симптомах и синдромах - является важнейшим разделом диа-
гностики [23]. В процессе обследования больного на основании анамнеза, физикальных, лабора-торно-инструментальных методов врач получает большое количество данных, подлежащих оценке. Поэтому клиницисту необходимо оценить каждый выявленный симптом, каждый показатель. А оценка их на этом этапе возможна лишь на основе анализа [24].
Ассоциативные связи, возникающие у врача или формируемые ЭС, позволяют учитывать:
- на фоне каких заболеваний мог развиться наблюдаемый патологический процесс (анамнез);
- фоном для каких синдромов он может послужить в дальнейшем (прогноз);
- сочетание каких синдромов, наблюдаемых у пациента, не противоречит выдвинутой диагностической гипотезе;
- информацию о взаимозаключающих симптомах или синдромах [25].
Кроме того, выделяют четыре направления природы в диагностическом мышлении врача:
- интуитивное;
- индуктивное;
- дедуктивное;
- гипотетическое.
Однозначного мнения по поводу преобладания одного или другого направления в мышлении нет [26-28]. Однако можно утверждать, что врач в конкретной ситуации сочетает базовые представления с личным опытом, привлекая аналогии для подтверждения своих предположений (гипотез) [29, 30]. Необходимо отметить тот факт, что без логических законов нельзя проверить правильность врачебного мышления. Поэтому большое значение для медицинской диагностики имеет формальная логика, так как соблюдение ее законов позволяет врачу в своих рассуждениях приходить к правильному, достоверному и точному диагнозу [31, 32].
Современный диагноз представляет собой развернутое, многостороннее, более глубокое обозначение болезней, опирающееся на адекватное понимание сущности болезней и их различных проявлений. В результате этого диагноз больного является наиболее высокой ступенью врачебного мышления, хотя его оформление не имеет точно обрисованной схемы, и ближе всего к требованиям диагноза больного приближается заключение о природе, сущности, основных проявлениях и течении заболевания, сформулированное в истории болезни в форме клинического эпикриза [33].
Применение математических методов позволяет резко повысить использование диагностической информации за счет той ее части, которую человек, лишенный знания специальных методов математической обработки и вычислительной техники, не в силах использовать в полном объеме, применимо к определенному клиническому
случаю [34]. По мнению М. А. Пальцева (2002), использование математических методов моделирования мышления врача позволило использовать собранную диагностическую информацию в большем объеме. С помощью математических методов моделирование патологического процесса позволяет детально разобрать и определить значимость каждого проявления болезни в ее клинической картине [35].
В то же время появление и широкое распространение электронных вычислительных машин (ЭВМ) создали объективные предпосылки для разработки новых методов принятия решений, реализация которых принципиально невозможна без участия ЭВМ, так как они требуют большого объема вычислений на каждом шаге диалога ЭВМ и лиц, принимающих решения (ЛПР). Эти методы ориентированы на широко распространенные на практике задачи принятия решений с субъективными моделями (например, постановка диагноза по совокупности симптомов) [36-39].
На современном этапе в основе ЭС используются различные методы математического анализа, которые позволяют проводить перспективные технологии обработки и обобщения больших объемов информации для решения задач классификации и прогнозирования, анализа и добычи данных (Data Mining). Средства Data Mining, программно реализованные и снабженные удобным пользовательским интерфейсом, а также поддержанные гибкими алгоритмами визуализации многомерных данных, позволяют проводить соответствующие исследования даже начинающему пользователю. В арсенал методов кластерного анализа и распознавания образов систем Data Mining обычно входят метод опорных векторов (Support Vector Machine, или SVM), метод деревьев решений (decisiontrees), метод «ближайшего соседа» в пространстве признаков, байесовская классификация и др. [40]. Среди указанной группы методов классификации и распознавания наиболее интересным и гибким представляется метод опорных векторов (МОВ) [41]. МОВ - это метод первоначальной классификации, который решает задачу путем построения гиперплоскостей в многомерном пространстве, разделяющих группы наблюдений, принадлежащих к разным классам [42].
В оториноларингологии за последнее время появился ряд работ, где используются различные нетривиальные математические методы для разработки СППР в диагностике различных заболеваний ЛОРорганов и смежных дисциплин.
Так, автоматизированная экспертная система Vertigo реализована на базе персонального компьютера IBMPCXT-Turbo под управлением операционной системы MS-DOS в рамках интегрированной системы «Интер-эксперт». Механизм
логических выводов ЭС работает по принципам прямой и обратной аргументации, поддерживает до 50 различных стратегий поиска. ЭС Vertigo предназначена для диагностики и дифференциальной диагностики периферических поражений вестибулярной системы и рассматривает следующие клинические гипотезы вестибулярных дисфункций: лабиринтиты, болезнь Меньера, купу-лолитиаз, вестибулярный синдром сосудистого, травматического и токсико-инфекционного гене-за, вестибулярный нейронит, невриному слухового нерва [43].
В частности, в работе Х. Т. Абдулкеримова (2003) представлен метод математического анализа стабилометрической информации для проведения автоматизированной компьютерной дифференциальной диагностики различных видов атаксии, составленный на основе «деревьев классификации». Разработан алгоритм дифференциальной диагностики, который показал высокий процент соответствия прогноза для вида атаксии (91,67% - при лабиринтной атаксии, 94,44% - при мозжечковой атаксии, до 100% -при сенситивной атаксии) [44].
Метод кластерного анализа и теория графов использованы в работах Г. М. Портенко и соавторов для определения информационно-значимых симптомов хронического тонзиллита и его форм по классификации И. Б. Солдатова [45, 46]. Авторами проведен анализ соответствий исходной матрицы и различных ее преобразований, центральным из которых является сингулярное расположение по строкам (пациентам) и столбцам (симптомам) в ортонормированном евклидовом пространстве и в последующем проведение иерархического кластерного анализа с применением евклидовой метрики. Эти же методы авторы предлагают для определения информационно-значимых симптомов современного течения экссудативного среднего отита [47, 48].
Нейросетевое определение оптимальных методов лечения хронического тонзиллита представлено в работе С. Г. Вахрушева и соавторов (2001) [49]. На основе нейросетевых методов разработана ЭС, которая позволяет определить минимальный диагностический набор параметров состояния небных миндалин и смоделировать применение лечебных мероприятий у конкретного пациента для выяснения прогноза непосредственных исходов заболевания.
В работе А. В. Гнездиловой разработан алгоритм диагностики и лечения острого тонзиллита у детей с прогностической значимостью симптомов [50]. Использование на практике прогностических коэффициентов анамнестических признаков, жалоб, клинических и фарингоскопических симптомов, возбудителей, электрического сопро-
тивления биологически активных точек меридиан легких и эндогенной интоксикации позволяет, по мнению автора, безошибочно (в 92,6-93,8% случаев) прогнозировать степень тяжести острого тонзиллита у детей, что имеет важное значение для индивидуализации лечения.
Медицинская экспертная система для дифференциальной диагностики заболеваний, «связанных с насморком», на основе нейросетевых методов позволяет дифференцировать такие заболевания, как острый ринит, острый синусит, аллергический ринит, ОРВИ (сопровождаемое насморком). По мнению авторов, ЭС устанавливает предварительный диагноз на доврачебном этапе на основе жалоб пациента и анамнеза [51].
В зарубежной литературе встречается описание использования нейросетевых методов для организации лечения больных раком гортани. Разработаны медицинские экспертные системы (МЭС) на основе искусственных нейронных сетей (ИНС) для поддержки решений ЛОР-онколога. Авторами проведен анализ применения нейро-сетевых моделей, условно рассматриваемых как прототипы для решения диагностических, лечебных и прогностических задач [52, 53].
Разработкой ЭС на основе математических алгоритмов занимается кафедра оториноларингологии Тюменского ГМУ совместно с кафедрой медицинской и биологической физики с курсом медицинской информатики этого же университета. Разработаны несколько ЭС и СППР: ЭС дифференциальной диагностики острых заболеваний глотки портретным методом (свидетельство от 09.01.2014 № 2014610004); ЭС дифференциальной диагностики острых заболеваний глотки методом Байеса (свидетельство от 09.01.2014 № 2014610383); Программа для постановки дифференциального диагноза острых заболеваний глотки «ЛОР-Нейро» (свидетельство от 25.03.2015 № 2015613758) [54-57]. Разработанная ЭС на основе ИНС «ЛОР-Нейро» позволяет с высокой точностью диагностировать и проводить дифференциальную диагностику между острыми заболеваниями глотки: острый тонзиллит, острый фарингит, паратонзил-лит, парафарингит - с точностью до 96%.
Таким образом, использование автоматизированных диагностических систем в оториноларингологии приобрело определенное распространение, однако охватывает только узкоспециализированные направления. Это обстоятельство требует анализа их теоретических основ для дальнейшего расширения сферы применения ЭС и СППР. В связи с этим использование методов диагностики на основе интеллектуальных систем в различных областях медицины, в том числе и в оториноларингологии, является актуальным направлением.
ЛИТЕРАТУРА
1. Глязер Г. О мышлении в медицине. M.: Mедицина, 19б9. 2б8 с.
2. Давыдовский И. В. Общая патология человека. M.: Mедицина, 19б9. б11 с.
3. Василенко В. X., Алексеев Г. И., Жмуркин В. П. Диагностика. Т. 7. Изд. 3. БMЭ, 1977. 245 с.
4. Тарасов К. Е., Великов В. К, Фролова А. И. Логика и семиотика диагноза. M.: Mедицина, 1989. 345 с.
5. Саркисов Д. С., Пальцев M. Н., Xитров Н. К. Общая патология человека. M.: Mедицина, 1997. б08 с.
6. Xегглин Р. Дифференциальная диагностика внутренних болезней. M.: Триада X, 1997. 794 с.
7. Кауров Б. А. Основные вопросы патоморфологии человека и попытка формализованного ответа на некоторые из них. Актуальные вопросы морфологии: сб. науч. тр. Красноярск, 2007. С. б2-б4.
8. Лисицын Ю. П. Десять выдающихся достижений медицины XX века // Здравоохранение РФ. 2003. № 2. С. 23-27.
9. Кобринский Б. А., Зарубина Т. В. Mедицинская информатика: Учеб. для студ. учреждений высш. проф. образования. 4-е. изд., перераб. и доп. M.: Академия, 2013. 192 с.
10. Гаспарян С. А., Пашкина Е. С. Страницы истории информатизации здравоохранения России. M., 2002. 304 с.
11. Гельфанд И. M., Розенфельд Б. И., Шифрин M. А. Очерки о современной работе математиков и врачей. Изд. 2-е. M.: Едиториал УРСС, 2005. 320 с.
12. Бонгард M. M. Проблема узнавания. M.: Наука, 19б7. 321 с.
13. Shortliffe E. H. Computer-based medical consultations: MYCIN. Elsevier North Holland Inc.; 197б.
14. Алексеевский А. В., Гельфанд И. M., Извекова M. Л., Шифрин M. А. О роли формальных методов в клинической медицине: от цели к постановке задачи // Информатика и медицина. M.: Наука, 1997. С. б-З5.
15. Назаренко Г. И. Осипов Г. С. Основы теории медицинских технологических процессов: в 4 ч. Ч. 1. M.: Физматлит, 2005. 144 с.
16. Shooman M. L. Software Engineering: Reliability. Development and Management. N.Y.: McGraw-Hill, 1983. 455 р.
17. Vincent J., Waters А., Sinclair J. Software quality assurance: Vol. II. A programme guide. Englewood Cliffs, New Gersey: Prentice-Hall, 1988. 554 р.
18. Sommerville I. Software engineering. Addison - Wesley. Lancaster University, 1992. 45б р.
19. Осипов И. Н., Копнин И. Н. Основные вопросы теории диагноза. 2-е изд., доп. и испр. Томск: Изд-во ТГУ, 19б2. 190 с.
20. Xай Г. А. Информатика для медиков: учеб. пособие. СПб.: Спец. лит., 2009. 223 с.
21. Кобринский Б. А. Консультативные интеллектуальные медицинские системы: классификации, принципы построения, эффективность // Врач и информационные технологии. 2008. № 2. С. 38-47.
22. Кобринский Б. А. Логика аргументаций в принятии решений в медицине // НТИ, сер. 2001. № 9. С. 1-8.
23. Саркисов Д. С., Пальцев M. Н., Xитров Н. К. Общая патология человека. M.: Mедицина, 1997. б08 с.
24. Berry M. J. A., Linoff. G. Data Mining Techniques. Jhon Wiley & Sons, Inc., 1997.
25. Кобринский Б. А. Системы поддержки принятия решений в здравоохранении и обучении // Врач и информационные технологии. 2010. № 2. С. 39-45.
26. Попов Э. В. Экспертные системы: решение неформализованных задач в диалоге с ЭВM. M.: Наука, 1987. 17б с.
27. Гаскаров Д. В. Интеллектуальные информационные системы: учеб. для вузов. M.: Высш. шк., 2003. 431 с.
28. Negnivitsky M. Artificial Intelligence A Guide to Intelligent Systems Текст. Harlow: Addison-Wesley, Pearson Education Limited, 2002. 394 р.
29. Финн В. К. Интеллектуальные системы: проблемы их развития и социальные последствия // Будущее искусственного интеллекта. M.: Наука, 1991. С. 157-177.
30. Зарубина Т. В., Кобринский Б. А. Mедицинская информатика. ГЭОТАР-Mедиа, 201б. 512 с.
31. Барсегян А. А., Куприянов M. С., Степаненко В. В., Xолод И. И. Технологии анализа данных. Data Mining, Visual Mining, Text Mining, OLAP. СПб.: БXВ-Петербург, 2007. 384 с.
32. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. Springer, 2001.
33. Кедров А. А., Крюков В. Н., Смольянинов В. M. Диагноз. БMЭ. 3-е изд., 1977. Т. 7. С. 241-245.
34. Быховский M. Л., Вишневский M. Л. Кибернетические системы в медицине. M.: Наука, 1971. 234 с.
35. Пальцева M. А., Паукова В. С., Улумбекова Э. Г. Патология: руководство. M.: ГЭОТАР^едиа, 2002. 9б0 с.
36. Кини Р. Л., Райфа Г. Принятие решений при многих критериях: предпочтения и замечания. Пер. с англ. M: Радио и связь, 1981. 5б0 с.
37. Фрадков А. Л. Адаптивное управление в сложных системах. M.: Наука, 1990. 292 с.
38. Деменков Н. П., Mолчанов И. А. Нечеткий логический регулятор в задачах управления // Промышленные АСУ и контроллеры. 1999. № 2. С. 30-35.
39. Fu H. C., Shann J. J. A fuzzy neural network for knowledge learning // Int. Jurn. Neural Syst. 1994. N 5(1). P. 13-22.
40. Дюк В. А., Самойленко А. П. Data Mining: учеб. курс. СПб.: Питер, 2001. Зб8 с.
41. Андрейчиков А. В., Андрейчикова О. Н. Интеллектуальные информационные системы. M.: Финансы и статистика, 200б. 424 с.
42. Чубукова И. А. Data Mining. M.: БИНОM. Лаборатория знаний, 2008. 324 с.
43. Пиврикас В. И. Экспертная система "Vertigo": методологические вопросы и клиническое применение // Журн. ушных, носовых и горловых болезней. 1989. № 2. С. 23-28.
44. Абдулкеримов X. Т. Автоматизированная стабилометрическая диагностика стабилометрий на основе современных компьютерных информационных технологий: автореф. дис. ... докт. мед. наук. СПб., 2003. Зб с.
45. Портенко Г. M., Портенко Е. Г., Локтева А. А. Информационная технология в поддержке принятия решений в оториноларингологии по тонзиллярной проблеме // Рос. оторинолар. 2008. Прил. 3. С. 74-81.
46. Портенко Г. М., Портенко Е. Г., Шматов Г. П. Хронический тонзиллит с позиций современных информационных технологий. Тверь: Ред. изд. центр Твер. гос. мед. акад., 2012. 79 с.
47. Портенко Г. М., Локтева А. А., Шматов Г. П., Смирнова М. А. Алгоритм формирования информационного профиля латентного аперфоративного гнойного среднего отита // Рос. оторинолар. 2010. № 3. С. 134-145.
48. Портенко Г. М., Портенко Е. Г., Локтева А. А., Шматов Г. П. Экссудативный средний отит с позиций современных информационных технологий. Тверь: ИП Орлова З.П., 2013. 71 с.
49. Вахрушев С. Г., Россиев Д. А., Мызников А. В. Нейросетевое определение оптимальных методов лечения хронического тонзиллита // Рос. оторинолар. 2001. № 1. С. 12-18.
50. Гнездилова Е. А. Алгоритмизация диагностики и лечения острого тонзиллита у детей в соответствии с прогностической значимостью симптомов: автореф. дис. ... канд. мед. наук. Курск, 2013. 17 с.
51. Ванаг С. И., Ершова Н. Ю. Медицинская экспертная система в области ЛОР-заболеваний, связанных с насморком // Успехи современного естествознания. 2006. № 7. С. 57-58.
52. Bryce T. J., Dewhirst M. W., Floyd C. E., Hars V., Brizel D. M. Artificial neural network model of survival in patients treated with irradiation with and without concurrent chemotherapy for advanced carcinoma of the head and neck // Int. Jurn. Radiat. Oncol. Biol. Phys. 1998. № 41( 2). Р. 339-345.
53. Jones A. S., Taktak A. G., Helliwell T. R., Fenton J. E., Birchall M. A., Husband D. J., Fisher A. C. An artificial neural network improves prediction of observed survival in patients with laryngeal squamous carcinoma // Eur. Arch. Otorhinolaryngol. 2006. Vol. 263(6). P. 541-547.
54. Ястремский А. П., Извин А. И., Санников А. Г., Соколовский Н. С. Разработка экспертной системы диагностики острых заболеваний глотки портретным методом // Вестн. нов. мед. техн. 2015. T. 22. № 3. С. 147-152.
55. Ястремский А. П., Санников А. Г., Соколовский Н. С., Воронов С. В. Возможности и ограничения традиционных способов разработки экспертных систем в оториноларингологии // Медицинская наука и образование Урала. 2013. № 1. С. 155-157.
56. Извин А. И., Ястремский А. П., Воркушин А. И. О дифференциальной диагностике острых флегмонозных заболеваний глотки // Рос. оторинолар. 2015. № 6. С. 84-89.
57. Санников А. Г., Ястремский А. П., Извин А. И., Соколовский Н. С. Экспертная система для дифференциальной диагностики острых заболеваний глотки «ЛОР-Нейро» // Уральский медицинский журнал. 2015. № 5. С. 68-73.
Ястремский Андрей Петрович - канд. мед. наук, доцент каф. ЛОР-болезней Тюменского ГМУ. Россия, 625023,
г. Тюмень, ул. Одесская, д. 54; тел. 8-902-813-31-86, e-mail: yastrem-andrei97@yandex.ru
Извин Александр Иванович - докт. мед. наук, профессор, зав. каф. ЛОР-болезней Тюменского ГМУ. Россия,
625023, г. Тюмень, ул. Одесская, д. 54; тел. +3452-28-70-12, e-mail: super.lor-kafedra@yandex.ru
Санников Алексей Германович - докт. мед. наук, доцент, зав. каф. медицинской биологической физики с
курсом медицинской информатики Тюменского ГМУ. Россия, 625023, г. Тюмень, ул. Одесская, д. 54; тел. +345220-74-48, e-mail: sannikov@72.ru
REFERENCES
1. Glyazer G. O myshlenii v meditsine [About thinking in medicine]. M.: Meditsina; 1969: 268 (in Russian).
2. Davydovskiy I. V. Obshchaya patologiya cheloveka [Human general pathology]. M.: Meditsina; 1969: 611 (in Russian).
3. Vasilenko V. Kh., Akekseev G. I., Zhmurkin V. P. Diagnostika [Diagnostics]. BME; 1977; 7; 3: 245 (in Russian).
4. Tarasov K. E., Velikov V. K., Frolova A. I. Logika i semiotika diagnoza [Logics and semiotics of diagnosis]. M.: Medicine; 1989: 345 (in Russian).
5. Sarkisov D. S., Paltsev M. N., Khitrov N. K. Obshchaya patologiya cheloveka [Human general pathology]. M.: Medicine; 1997: 608 (in Russian).
6. Khegglin P. Differentsial'naya diagnostika vnutrennikh boleznei [Differential diagnostics of internal diseases]. M.: Triada Kh; 1997: 794 (in Russian).
7. Kaurov B. A. Osnovnye voprosy patomorfologii cheloveka i popytka formalizovannogo otveta na nekotorye iz nikh. Aktual'nye voprosy morfologii [Main issues of human pathomorphology and a try of answering them. Actual issues of morphology. Coll. Of scien]. Works. Krasnoyarsk; 2007: 62-64 (in Russian).
8. Lisitsyn Yu. P. Desyat' vydayushchikhsya dostizhenii meditsiny KhKh veka [Ten prominent medical achievements of XX century]. Zdravookhranenie RF [Public health of RF]; 2003: 23-27 (in Russian).
9. Kobrinsky B. A., Zarubina B. A. Meditsinskaya informatika: Uchebn. dlya stud. uchrezhdenii vyssh. prof. obrazovaniya [Medical informatics. A book for stud. Of higher prof. educ.]. 4th pub., redevel. and supp. M.: Publ.center "Academy": 192 (in Russian).
10. Gasparyan S. A., Pashkina E. S. Stranitsy istorii informatizatsii zdravookhraneniya Rossii [Historical pages of informatization of Public health of Russia]. M.; 2002: 304 (in Russian).
11. Gelfand I. M., Rozenfeld B. I., Shifrin M. A. Ocherki o sovremennoi rabote matematikov i vrachei [Notes about modern work of mathematicians and doctors]. Pub. 2nd. M.: Editorial URSS; 2005: 320 (in Russian).
12. Bongard M. M. Problema uznavaniya [Problems of recognizing]. M.: Science; 1967: 321 (in Russian).
13. Shortliffe E. H. Computer-based medical consultations: MYCIN. Elsevier North Holland Inc.; 1976.
14. Alekseevsky A. V., Gelfand I. M., Izvekova M. L., Shifrin M. A. O roli formal'nykh metodov v klinicheskoi meditsine: ot tseli k postanovke zadachi. Informatika i meditsina [About role of formal methods in the clinical medicine. "Informatics and medicine"]. M.: Science; 1997; 9: 6-35 (in Russian).
15. Nazarenko G. I., Osipov G. S. Osnovy teorii meditsinskikh tekhnologicheskikh protsessov [Fundamentals of the theory of medical technological processes]: 4 parts. M.: Phizmalit; 2005; 1: 144 (in Russian).
16. Shooman M. L. Software Engineering: Reliability. Development and Management. N. Y.: Mc Graw-Hill; 1983: 455.
17. Vincent J., Waters А., Sinclair J. Software quality assurance: Vol. II. A programme guide. Englewood Cliffs, New Gersey: Prentice-Hall; 1988: 554.
18. Sommerville I. Software engineering. Addison - Wesley. Lancaster University; 1992: 456.
19. Osipov I. N., Kopnin I. N. Osnovnye voprosy teorii diagnoza [Main issues of the theory of diagnosis]. 2nd pub., supp. Tomsk: Pub. of TSU; 1962: 190 (in Russian).
20. Khay G. A. Informatika dlya medikov: uchebnoe posobie [Informatics for doctors]: educ. text-book. SPb.: Spec. Lit.; 2009: 223 (in Russian).
21. Kobrinsky B. A. Konsul'tativnye intellektual'nye meditsinskie sistemy: klassifikatsii, printsipy postroeniya, effektivnost' [Consultive intellectual medical systems: classification, principles of formation, efficiency]. Vrach i informatsionnye tekhnologii [Doctor and informative technology]. 2008; 2: 38-47 (in Russian).
22. Kobrinsky B. A. Logika argumentatsii v prinyatii reshenii v meditsine [Logics of arguments in making decisions]. NTI, ser. 2001; 9: 1-8 (in Russian).
23. Sarkisov D. S., Paltsev M. N., Khitrov N. K. Obshchaya patologiya cheloveka [General human pathology]. M.: Medicine; 1997: 608 (in Russian).
24. Berry M. J. A., Linoff. G. Data Mining Techniques. Jhon Wiley & Sons, Inc.; 1997.
25. Kobrinsky B. A. Sistemy podderzhki prinyatiya reshenii v zdravookhranenii i obuchenii [Systems making decision support in the Public health]. Vrach i informatsionnye tekhnologii [Doctor and informative technology]. 2010; 2: 39-45 (in Russian).
26. Popov E. V. Ekspertnye sistemy: Reshenie neformalizovannykh zadach v dialoge s EVM [Expert systems: Decision of nonformalized tasks in the dialogue with computer]. M.: Science; 1987: 176 (in Russian).
27. Gaskarov D. V. Intellektual'nye informatsionnye sistemy. Ucheb. dlya vuzov [Intellectual informative systems. Educ. book for higher educ. inst]. M.: Highersch.; 2003: 431 (in Russian).
28. Negnivitsky М. Artificial Intelligence A Guide to Intelligent Systems Текст. Harlow: Addison-Wesley, Pearson Education Limited, 2002: 394.
29. Finn B. K. Intellektual'nye sistemy: problemy ikh razvitiya i sotsial'nye posledstviya. Budushchee iskusstvennogo intellekta. [Intellectual systems: problems of their development and social consequences. Future artificial intellect]. M.: Science; 1991: 157177 (in Russian).
30. Zarubina T. V., Kobrinsky B. A. Meditsinskaya informatika [Health Informatics]. GEOTAR-Media; 2016: 512 (in Russian).
31. Barsetyan A. A., Kupriyanov M. S., Stepanenko V. V., Kholod I. I. Tekhnologii analiza dannykh [Technologies o of data analysis]. Data Mining, Visual Mining, Text Mining, OLAP. SPb.: BXV-Peterburg; 2007: 384 (in Russian).
32. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. Springer; 2001.
33. Kedrov A. A., Kryukov V. N., Smolyaninov V. M. Diagnoz [The Diagnosis]. BME, 3rd ed; 1977; 7: 241-245 (in Russian).
34. Bykhovsky M. L., Vishnevsky M. L. [Cybernetics systems in medicine]. M.: Science; 1971: 234 (in Russian).
35. Paltseva M. A., Paukova V. S., Ulumbekova E. G. Patologiya: rukovodstvo [Pathology: guidelines]. M.: GEOTAR-MED; 2002: 960 (in Russian).
36. Kini R. L., Rayfa G. Prinyatie reshenii pri mnogikh kriteriyakh: predpochteniya i zamechaniya [Making decisions in many criteria: preferences and remarks]. M: Radio i svyaz'; 1981: 560 (in Russian).
37. Fradrov A. L. Adaptivnoe upravlenie v slozhnykh sistemakh [Adaptative management in complex systems]. M.: Science; 1990: 292 (in Russian).
38. Demenkov N. P., Molchanov I. A. Nechetkii logicheskii regulyator v zadachakh upravleniya [Unclear logical regulator in management tasks]. Promyshlennye ASUi kontrollery [ Industrial ASM and controllers]; 1999; 2: 30-35 (in Russian).
39. Fu H. C., Shann J. J. A fuzzy neural network for knowledge learning. Int. J. Neural Syst. 1994; 5(1): 13-22.
40. Dyuk V. A., Samoylenko A. P. Data Mining: uchebnyi kurs [Data Mining: educational course]. SPb.: Piter; 2001: 368 (in Russian).
41. Andreychikov A. V., Andreychikova O. N. Intellektual'nye informatsionnye sistemy [Intellectual informative systems]. M.: Finansy i statistika; 2006: 424 (in Russian).
42. Chubukova I. A. Data Mining. М.: BINOM. Laboratoriya znanii; 2008: 324 (in Russian).
43. Pivrikas V. I. Ekspertnaya sistema "Vertigo": metodologicheskie voprosy i klinicheskoe primenenie [Expert system "Vertigo": methodological issues and clinical usage]; Zhurnal ushnykh, nosovykh igorlovykh boleznei; 1989; 2: 23-28 (in Russian).
44. Abdulkerimov Kh. T. Avtomatizirovannaya stabilometricheskaya diagnostika stabilometrii na osnove sovremennykh komp'yuternykh informatsionnykh tekhnologii [Automatized stabilmetric diagnostics using modern computer informative technologies]: Abstract of dissert. PhD: SPb; 2003: 36 (in Russian).
45. Portenko G. M., Portenko E. G., Lokteva A. A. Informatsionnaya tekhnologiya v podderzhke prinyatiya reshenii v otorinolaringologii po tonzillyarnoi probleme. [Informative technology in making decision support in otorhinolaryngology]. Rossiiskaya otorinolaringologiya; 2008; Supp. 3: 74-81 (in Russian).
46. Portenko G. M., Portenko E. G., Shmatov G. P. Khronicheskii tonzillit s pozitsii sovremennykh informatsionnykh tekhnologii [Chronic tonsillitis using modern informative technologies]. Tver: Pub. Center of Tver med. acad.; 2012: 79 (in Russian).
47. Portenko G. M., Lokteva A. A., Shmatov G. P., Smirnova M. A. Algoritm formirovaniya informatsionnogo profilya latentnogo aperforativnogo gnoinogo srednego otita [Algorythm of forming of informative profile of latent aperforative purulent otitis]. Rossiiskaya otorinolaringologiya; 2010; 3: 134-145 (in Russian).
48. Portenko G. M., Portenko E. G., Lokteva A. A., Shmatov G. P. Ekssudativnyi srednii otit s pozitsii sovremennykh informatsionnykh tekhnologii [Exudative otitis using modern informative technologies]. Tver: PE Orlov Z.P.; 2013: 71 (in Russian).
49. Vakhrushev S. G., Rossiev D. A., Myznikov A. V. Neirosetevoe opredelenie optimal'nykh metodov lecheniya khronicheskogo tonzillita [Neural network determination of optimal methods of chronic tonsillitis treatment]. Rossiiskaya otorinolaringologiya; 2001; 1: 1218 (in Russian).
50. Gnezdilova E. A. Algoritmizatsiya diagnostiki i lecheniya ostrogo tonzillita u detei v sootvetstvii s prognosticheskoi znachimost'yu simptomov [Algorythm of diagnostics and treatment of acute tonsillitis in children according to prognostic significance of symptoms]: Abstract of disser. cand. med. science: Kursk; 2013: 17 (in Russian).
51. Vanag S. I., Ershova N. Yu. Meditsinskaya ekspertnaya sistema v oblasti LOR-zabolevanii, svyazannykh s nasmorkom. [Medical expert system in otorhinolaryngology connected with running nose]. Uspekhi sovremennogo estestvoznaniya [Success in modern natural science]. 2006; 7: 57-58 (in Russian).
52. Bryce T. J., Dewhirst M. W., Floyd C. E., Hars V., Brizel D. M. Artificial neural network model of survival in patients treated with irradiation with and without concurrent chemotherapy for advanced carcinoma of the head and neck. Int. J. Radiat. Oncol. Biol. Phys.; 1998; 41( 2): 339-345.
53. Jones A. S., Taktak A. G., Helliwell T. R., Fenton J. E., Birchall M. A., Husband D. J., Fisher A. C. An artificial neural network improves prediction of observed survival in patients with laryngeal squamous carcinoma. Eur. Arch. Otorhinolaryngol.; 2006; 263(6): 541-547.
^80 35=.
Научные статьи
54. Yastremsky A. P., Izvin A. I., Sannikov A. G., Sokolovsky N. S. Razrabotka ekspertnoi sistemy diagnostiki ostrykh zabolevanii glotki portretnym metodom [The development of the expert system of acute pharyngeal diseases diagnostics using a portrait method]. Vestnik novykh meditsinskikh tekhnologii; 2015; 22; 3: 147-152 (in Russian).
55. Yastremsky A. P., Sannikov A. G., Sokolovsky N. S., Voronov S. V. Vozmozhnosti i ogranicheniya traditsionnykh sposobov razrabotki ekspertnykh sistem v otorinolaringologii. [Possibilities and limitations of traditional methods of developing expert systems in otolaryngology]. Meditsinskaya nauka i obrazovanie Urala [Medical science and education of the Urals]; 2013; 1: 155-157 (in Russian).
56. Izvin A. I., Yastremsky A. P., Vorkushin A. I. O differentsial'noi diagnostike ostrykh flegmonoznykh zabolevanii glotki [About differential diagnostics of acute phlegmone pharyngeal diseases]. Rossiiskaya otorinolaringologiya; 2015; 6: 84-89 (in Russian).
57. Sannikov A. G., Yastremsky A. P., Izvin A. I., Sokolovsky N. S. Ekspertnaya sistema dlya differentsial'noi diagnostiki ostrykh zabolevanii glotki «LOR-Neiro» [Expert system for differential diagnostics of acute pharyngeal diseases "LOR-Neuro"]. Ural'skii meditsinskii zhurnal [Ural medical journal]. 2015; 5: 68-73 (in Russian).
Andrei Petrovich Yastremskii - MD Candidate, Associate Professor of the Chair of ENT- Diseases of Tyumen State Medical University.
Russia, 625023, Tyumen, 54, Odesskaia str., tel. 8-902-813-31-86, e-mail: yastrem-andrei97@yandex.ru
Aleksandr Ivanovich Izvin - MD, Professor, Head of the Chair of ENT- Diseases of Tyumen State Medical University. Russia, 625023,
Tyumen, 54, Odesskaia str., tel. +3452-28-70-12, e-mail: super.lor-kafedra@yandex.ru
Aleksei Germanovich Sannikov - MD, Associate Professor, Head of the Chair of Medical Biological Physics with the Course of
Medical Computer Science of Tyumen State Medical University. Russia, 625023, Tyumen, 54, Odesskaia str., tel. +3452-20-74-48,
e-mail: sannikov@72.ru
81S?
