Математические методы и модели оценки функционального состояния человека и их реализация в программном комплексе

Размещено на http://www.allbest.ru

Размещено на http://www.allbest.ru

Введение

Актуальность проблемы. Развитие математических методов и моделей, являющихся основой программно-аналитических комплексов, реализующих диагностический процесс в медицине, становится приоритетным направлением. Об этом свидетельствуют многочисленные разработки, описанные как в зарубежной, так и в отечественной литературе (А.В. Богомолов, Л.А. Гридин, Ю.А. Кукушкин, И.Б. Ушаков). Значительная часть работ данного направления посвящена вопросам создания распределенных модульных архитектур комплексов, реализующих технологии гибридных экспертных систем на основе интеллектуальных агентов (А.А. Большаков, Е.И. Зайцев, Д.А. Зарин, Г.В. Заходякин, В.Б. Тарасов, L. Dib, J. Hendler, K. Troitzsch). В них каждый модуль отвечает за диагностику состояния определенной подсистемы организма, комплексная оценка состояния организма осуществляется на основе экспертных знаний. Важным является вопрос объединения специализированных диагностических модулей без потери их функциональной возможности.

Обычно используемые в медицинской практике диагностические показатели, приведенные в медицинской литературе, основаны на многолетних наблюдениях и носят среднестатистический характер. Статистический подход, как известно, оперирует с усредненными показателями, которые имеют большой разброс, что не предоставляет возможности достоверно оценить состояние конкретного человека. Следует отметить, что в медицинской практике используются как точечные, так и интервальные количественные показатели, а также вербальные описания.

Из-за большого объема исходных данных врачу трудно выделить наиболее значимые для данной задачи оценки функционального состояния показатели. Задача формирования совокупности наиболее значимых показателей решается на интуитивном уровне высококвалифицированными специалистами. На основе наиболее значимых показателей врач-эксперт относит функциональное состояние организма человека к определенному классу, определяющему характер лечения.

Вопросам моделирования оценки функционального состояния организма человека посвящен ряд работ, среди которых работы Н.В. Дмитриевой, Ю.Н. Миронкиной, А.В. Новикова, Ю.М. Перельмана, В.П. Колосова, И.В. Шкелева, А.О. Тараканова, М.В. Туманова. Однако в них не исследована возможность приведения исходных показателей к интервальному виду и учета интервальных оценок, более полно отражающих состояние организма. Кроме того, известные модели не доведены до проблемно-ориентированных комплексов программ, позволяющих модифицировать и наращивать их функциональные возможности без перепрограммирования.

Вышеизложенное определило актуальность, цель и задачи работы.

Цель работы - развитие математических моделей и алгоритмов, а также разработка на их основе проблемно-ориентированного комплекса программ, реализующего оценку функционального состояния организма человека на основе учета точечных, интервальных количественных показателей, биосигналов, представленных временными рядами, и вербальных описаний, а также отбор наиболее существенных из них.

Для достижения поставленной цели необходимо решить следующие задачи:

- создать математические модели оценки состояния организма человека, реализующие на основе численных методов совместный анализ различных типов данных (вербальные описания, точечные и интервальные количественные значения, временные ряды) в рамках единого технологического подхода;

- разработать метод разбиения пространства функциональных состояний на классы в зависимости от значимости показателей и значений корреляционных связей между различными функциональными состояниями на основе применения метода скрытого семантического анализа;

- разработать метод совместного анализа показателей состояния человека, представленных различными типами данных на основе применения статистических методов и интеллектуальных алгоритмов анализа данных;

- исследовать диагностические возможности предложенного метода совместного анализа разнотипных показателей функционального состояния организма человека;

- разработать модульную архитектуру программно-аналитического комплекса диагностики функционального состояния организма человека на основе многоагентного подхода, который реализует созданный метод анализа данных;

- реализовать модуль оценки функционального состояния организма человека в рамках программно-аналитического комплекса.

Объектом исследования является программно-аналитическое обеспечение системы оценки функционального состояния организма человека и выбора метода лечения онкологических больных в хирургии.

Методы исследования. Для решения поставленных задач использованы методы системного анализа и нечеткой логики, нейросетевого моделирования, статистические методы кластерного и дискриминантного анализа, латентно-семантический анализ, а также технологии и методы проектирования информационных систем (CASE-технологии, многоагентный подход к проектированию информационных систем).

Научная новизна результатов исследований:

- развита математическая модель оценки функционального состояния организма человека и предложена совокупность численных методов для ее реализации, позволяющая по исходному набору показателей, представленных вербальными описаниями, интервальными и точечными количественными значениями, временными рядами, определить принадлежность пациента к определенному классу функционального состояния, что позволило достичь объективность и точность постановки диагноза, сравнимых с показателями работы высококвалифицированных экспертов;

- разработан алгоритм оценки функционального состояния организма человека, основанный на выявлении классов функциональных состояний и скрытых линейных связей между показателями состояния методом сингулярного разложения и дискриминантного анализа, а также уточнении классов функционального состояния, выявлении нелинейных взаимосвязей между показателями и формализации логики принятия решения эксперта на основе нейронечеткой сети;

- предложен метод разбиения пространства функциональных состояний человека на классы в зависимости от значимости показателей и набора возможных методов лечения, основанный на последовательном применении скрытого семантического и дискриминантного анализа;

- разработан метод прогнозирования исхода оперативного вмешательства при лечении онкологических болезней желудочно-кишечного тракта на основе предложенного алгоритма анализа данных, позволяющий формализовать процедуру принятия решения;

- создана модульная архитектура программно-аналитического диагностического комплекса на основе технологии распределенных параллельных вычислений, отличительной особенностью которого является способность к семантическому и физическому распределению вычислительных процедур между модулями, что позволит в дальнейшем легко модифицировать и наращивать программный комплекс.

Разработанный метод реализован при оценке предоперационного состояния пожилых пациентов, страдающих онкологическими заболеваниями желудочно-кишечного тракта. Полученные результаты используются в учебном процессе в Саратовском государственном техническом университете при проведении занятий по дисциплинам «Автоматизированные информационно-управляющие комплексы», «Системный анализ и моделирование», «Идентификация и диагностика систем».

Основные положения, выносимые на защиту:

1) Созданная математическая модель оценки функционального состояния человека позволяет использовать различные показатели состояния (вербальные описания, интервальные и точечные количественные значения, временные ряды).

2) Алгоритм, реализующий комбинированную процедуру анализа исходных показателей состояния, позволяет реконструировать логику принятия решения врача-эксперта при оценке функционального состояния.

3) Метод оценки функционального состояния организма человека, реализующий совместное использование скрытого семантического и дискриминантного анализа, а также нейронечеткого алгоритма анализа данных, позволяет выполнять комплексный анализ показателей состояния подсистем организма человека.

4) Метод разбиения пространства функциональных состояний человека на классы в зависимости от значимости показателей и набора возможных методов лечения, основанный на последовательном применении скрытого семантического анализа и обучения с учителем, позволяет каждому классу поставить в соответствие определенный метод лечения.

5) Разработанная модульная архитектура распределенного программно-аналитического комплекса реализует предложенный метод совместного анализа различных показателей и обеспечивает возможность расширения комплекса.

6) Модели и метод принятия решения об оперировании больных преклонного возраста, страдающих онкологическими заболеваниями желудочно-кишечного тракта, позволяют формализовать процесс диагностики предоперационного состояния больного, существенно сократить время, затрачиваемое на предоперационное обследование пациента, а также повысить точность и надежность диагностики на основе выбора объективных показателей.

7) Программно-аналитический комплекс позволяет исследовать предоперационное состояние организма человека на основе разнотипных показателей; архитектура комплекса позволяет путем настройки параметров моделей адаптировать диагностический модуль к различным областям медицинской диагностики.

Апробация результатов работы. Основные положения диссертационной работы докладывались и обсуждались на 11-й Международной научно-практической конференции «Системный анализ в проектировании и управлении» (Санкт-Петербург, СПбГПУ, 2007); научно-практических конференциях «Ситуационные центры и перспективные информационно-аналитические технологии поддержки принятия решений» (Москва, РАГС, 2007, 2008 и 2009 гг.); 3-й Международной научно-технической конференции «Инфокоммуникационные технологии в науке, производстве и образовании ИНФОКОМ-3» (Кисловодск, Филиал СевКавГТУ, 2008); XX (Ярославль, ЯГТУ, 2007) и XXI Международных научно-практических конференциях «Математические методы в технике и технологиях (ММТТ-21)» (Саратов, СГТУ, 2008); Научном семинаре стипендиатов программ «Михаил Ломоносов II» и «Иммануил Кант» 2008/2009 года (Москва, DAAD, 2009).

Реализована программная разработка, зарегистрированная в Реестре программ для ЭВМ. Свидетельство о государственной регистрации программы для ЭВМ № 2009610632, 28.01.2009.

1. Задача оценки функционального состояния организма (ФСО) на основе анализа разнотипных показателей состояния организма человека

программный семантический диагностический модульный

Выбор метода лечения в медицине напрямую связан с комплексной оценкой ФСО человека. В частности, в хирургии, оценка состояния всего организма пациента необходима для определения его способности перенести тот или иной вид оперативного вмешательства. Основой оценки функционального состояния является, как правило, многолетний опыт врача по анализу разносторонней информации о состоянии подсистем организма на основе типовых методик анализа и оценки показателей состояния. Поэтому процесс принятия решения в большей степени зависит от опыта и компетентности врача.

В работе показано, что необходимым является создание математических моделей, формализующих процесс принятия диагностического решения и учитывающих вариабельность разнотипных показателей и характер взаимосвязей между ними.

Техническая реализация созданных моделей и алгоритмов принятия решения в виде программно-аналитического комплекса облегчит менее опытным врачам более объективно производить оценку состояния человека.

2. Разработка метода оценки функционального состояния организма человека, позволяющего формализовать процесс интеллектуальной обработки разнообразной информации

Фактически, ФСО оценивают по обширной совокупности взаимосвязанных разнотипных показателей, определяющих состояние подсистем организма (данные анализа крови, электрокардиограммы, температура и др.).

Задача оценки ФСО состоит в формировании совокупности типологических классов и формулировке набора правил, в соответствии с которыми изучаемый объект, описываемый характеристическим вектором показателей, может быть отнесен к одному из выделенных классов. Принадлежность пациента к определенному классу определяет соответствующую группу методов лечения.

Так, в онкологии при предоперационном обследовании пациента, врачу необходимо выяснить, сможет ли пациент перенести сложную или поддерживающую операцию, либо его состояние настолько тяжелое, что возможно лишь медикаментозное лечение. Таким образом, на основе совокупности показателей состояния различных подсистем организма, врач классифицирует состояние пациента как: состояние, при котором возможно проведение сложной радикальной операции, поддерживающей паллиативной операции, проведение операции невозможно. Очевидно, что ошибки в определении ФСО, в частности, особенно свойственные малоопытным врачам, приводят к неэффективности лечения и к серьезным последствиям.

Традиционно в медицинской диагностике используется оценка ФСО по показателям, приведенным к точечному количественному виду, на основе статистических методов. Для повышения объективности и качества принятия решения предлагается использовать методы нечеткой логики и нейронных сетей, формализующих опыт высококвалифицированного врача и учитывающих нечеткую и интервальную природу показателей.

Основными этапами предложенного метода оценки ФСО являются:

1) формирование характеристического вектора показателей функционального состояния , компонентами которого являются разнотипные показатели (например, температура тела, результаты биохимического анализа крови, аритмия) (d - количество показателей), приведенные к точечному количественному виду;

2) формирование вектора классов функциональных состояний , компоненты которого - классы состояний (k - количество классов), где ;

3) вычисление количественных оценок информативности показателей с последующим выделением наиболее значимых и формирование моделей линейной зависимости вектора состояний от исходных показателей;

4) ввод разнотипных показателей в интервальном виде и исследование их свойств на основе нейронечеткой модели нелинейной зависимости вектора состояний от исходных показателей, отражающей также нелинейные взаимосвязи между показателями.

На первом этапе формируется характеристический вектор показателей состояния и выполняется приведение показателей, представленных вербальным описанием и временными рядами, к точечному количественному виду с использованием систем кодирования, определяемых экспертами. Например, в качестве точечной оценки функционального состояния, получаемой из анализа временного ряда, может выступать широко используемый показатель вариабельности электрокардиосигнала.

На втором этапе формируется вектор классов функциональных состояний на основе технологии кластеризации, использованной G. Mecca, S. Raunich, A. Pappalardo для кластеризации текстовой информации.

Идея технологии состоит в формировании классов функционального состояния, формально представляющих систему ортогональных координат в новом пространстве показателей, образованных с помощью линейной комбинации исходных показателей.

Пусть имеется выборка из n объектов, состояние каждого из которых описывается характеристическим вектором показателей . Сформируем матрицу A размерности , в столбцах которой - показатели состояния, в строках - образы функциональных состояний конкретных людей. Для выделения центров классов и их границ, характеризуемых дисперсией отдельных показателей, представим матрицу A в новом векторном пространстве, используя метод сингулярного разложения:

.

Векторы-столбцы матрицы - центры классов, - диагональная матрица дисперсий, характеризующих границы образованных классов:

, , , , .

Для выделения k наиболее значимых (линейно независимых) классов примем (где r - ранг матрицы A). Пусть , т.е. - главный минор матрицы , показывающей размерность пространства классов ФСО. Аналогично допустим, что является ограничением матрицы U для первых k левых сингулярных векторов, а - ограничением матрицы для первых k правых сингулярных векторов, тогда:

.

Метод сингулярного разложения выполняет в пространстве оптимальную группировку исходных объектов относительно осей координат k (вначале k = 2, разброс данных определяется дисперсией ), поэтому большая часть вариации данных (а, следовательно, информации), сосредоточена в первых k координатах ортонормированных векторов-столбцов . Каждый вектор-столбец матрицы образует класс ФСО .

Сократим размерность пространства функциональных состояний за счет удаления менее значимых. Для этого после нахождения всех максимальных сингулярных значений и соответствующих им левых и правых сингулярных векторов, для каждого вектора-столбца матрицы строится граф, связывающий точки в данном пространстве. Связи между точками описываются расстояниями Махалланобиса, выражающими меру подобия объектов.

Далее из каждого графа удаляются наиболее длинные связи. Объекты, расстояние между которыми меньше среднего значения всех расстояний, представленных в графе, остаются связанными и образуют класс ФСО.

Алгоритм построения графов останавливается, как только найдено оптимальное значение k. Проверка оптимальности выбора значения k осуществляется, исходя из оценки качества полученных классов:

, ,

где - стоимость длины дуги e, определяемая следующим образом:

,

где - среднее значение длины дуг графа; - стандартное отклонение распределения расстояний в проецированном пространстве. Смысл показателя качества состоит в том, что он учитывает количество образов ФСО, попадающих в класс, размер класса и расстояние между классами.

На третьем этапе метода формируются модели линейной зависимости вектора состояний от исходных показателей на основе дискриминантных функций, в которых коэффициенты дискриминации являются количественным выражением критериев информативности показателей.

Особенность рассматриваемой задачи состоит в том, что образы ФСО могут находиться в районе границ классов, что является основной причиной погрешности классификации пациентов врачом. Очевидно, что для более точной идентификации ФСО необходимо учитывать интервальные показатели. С этой целью на четвертом этапе метода предложено использовать гибридную нейронечеткую сеть (рис. 1), позволяющую также исследовать нелинейные взаимосвязи между показателями.

Представленная в работе архитектура нейронечеткой сети предназначена для реализации процедуры уточнения идентификации классов функциональных состояний (с учетом временных рядов, вербальных описаний) по набору показателей, и состоит в нахождении для каждого класса решающего правила, такого что .

Входными данными для нейронечеткой сети являются интервальные данные. Интервалы значений для каждого показателя формируются на основе знаний экспертов. Для приведения биосигналов, представленных временными рядами, к интервальному виду использован блок нейронной сети, построенный по принципу сетей адаптивного резонанса. На вход блока нейронной сети подается шаблон параметров, характеризующих биосигнал (регистрируемый многоканальным устройством), который на выходе преобразуется в интервальную оценку состояния изучаемой подсистемы.

Рис. 1. Архитектура нейронечеткой сети оценки ФСО человека

Первый слой нейронечеткой сети, выполняющей оценку ФСО, содержит количество узлов, равное общему числу показателей, последний слой содержит один узел, на выходе которого - оценка ФСО.

Каждый слой нейронечеткой сети образован совокупностью узлов, являющихся стандартными адаптивными нейронечеткими системами умозаключения G(v). Каждый узел обрабатывает группу из 2 независимых показателей и формирует на выходе промежуточный показатель, который далее участвует в обработке в следующем слое:

где q - количество показателей ФСО (исходных или промежуточных), поступающих на вход сети; - функция принадлежности четкого значения показателя нечетким множествам (s - количество нечетких множеств, определяемых экспертами для данного показателя); - значение промежуточного показателя, формируемое на выходе каждого узла сети.

В качестве критерия образования группы показателей состояния, поступающих на вход узлов нейронечеткой сети, выбрана кросс-энтропия:

,

где - количество клеток, занимаемых показателем , - количество клеток, занимаемых показателем , - количество клеток, в которых содержатся точки с координатами . Кросс-энтропия выражает степень прогнозируемости показателя показателем . В группу объединяются показатели, значение кросс-энтропии для которых минимально, что свидетельствует об отсутствии взаимосвязи между показателями. Это свойство является ключевым, т.к. реализуемая модель предназначена для выявления нелинейных взаимосвязей между показателями, которые невозможно выявить с использованием статистических методов анализа.

Таким образом, использование совокупности нечетких нейронных сетей, реализующих нечеткие правила вывода, а также кросс-энтропии при группировке показателей состояния позволяют исследовать нелинейное взаимодействие показателей в неявном виде. Анализ нелинейных взаимосвязей позволяет уточнить состояния пациентов, которые по результатам статистического анализа оказались на границе классов.

3. Создание многоагентной архитектуры программно-аналитического комплекса

На вход системы подаются разнотипные показатели функционального состояния пациента. На выходе системы формируются оценка состояния пациента и рекомендации врачу для выбора метода лечения.

Создана информационная модель программно-аналитического комплекса диагностики, а также модуля оценки ФСО человека (рис. 2).

На рис. 3 представлена разработанная базовая двухуровневая многоагентная архитектура программно-аналитического комплекса, реализующая процесс обработки информации, представленный на рис. 2.

Многоагентная архитектура представлена 5 модулями: сбора информации, запросов пользователя, хранения информации, диагностики и вывода информации. Каждый модуль содержит агент управления модулем, а также набор специальных агентов: сбора информации модуля сбора информации, запросов пользователя модуля запросов пользователя, хранения информации модуля хранения информации, обработчики модуля диагностики и вывода информации модуля вывода информации. Основным преимуществом построенной архитектуры является ее семантическое распределение, обеспечивающее независимую работу агентов на различных уровнях системы.

Рис. 2. Функциональная модель процессов обработки информации в медицинском программно-аналитическом комплексе

Рис. 3. Архитектура многоагентной системы обработки медицинской информации

В архитектуре модуля диагностики реализован предложенный метод оценки ФСО человека, для него разработана система критериев перехода от одного вида анализа к другому, позволившая реализовать алгоритм обработки информации в программно-аналитическом комплексе.

Взаимодействие всех агентов (как на уровне модулей, так и взаимодействия модулей) осуществляется на основе системы правил-продукций, реализованных в модулях взаимодействия агентов.

Преимуществом предложенной архитектуры является семантическое и физическое распределение функций между агентами комплекса, обеспечивающее реализацию прозрачности исполнения процессов обработки информации, способность к масштабируемости и реорганизации структуры, что особенно важно при проектировании медицинских программно-аналитических комплексов.

4. Апробация разработанных моделей и метода для оценки ФСО человека в задаче оценки предоперационного состояния больных, страдающих онкологическими заболеваниями желудочно-кишечного тракта

Задача заключается в распознавании образа одного из 3 возможных предоперационных состояний: ФСО пациента позволяет / не позволяет провести сложную радикальную операцию или поддерживающую операцию по 39 показателям. Для решения задачи использованы данные 262 пациентов, проходивших лечение в Отделении онкологии Саратовской железнодорожной больницы. Из исследуемых 39 показателей состояния 18 представлены вербальным описанием врачей, поэтому они закодированы в разработанной системе кодов. Для решения задачи использован разработанный в главе 2 метод анализа данных.

Следуя предложенной технологии кластеризации, на первом этапе построены графы, позволившие изучить структуру данных, описываемую характеристическими векторами состояний пациентов (, где - вектор показателей, описывающий i-го пациента) и длинами дуг (расстояний ). Среднее значение дуг в графе на рис. 4: . Класс образовали пациенты, расстояние между характеристическими векторами которых (дуги, обозначенные сплошной линией); связи разрывались (дуги, обозначенные пунктиром).

На втором этапе дискриминантный анализ выделил 15 значимых показателей, 7 из которых представлены вербальным описанием, столько же количественными и 1 - биосигналом в виде точечной оценки эксперта. Данные показатели после приведения к интервальному виду использованы для анализа средствами нейронечеткой модели.

При обработке электрофизиологического биосигнала, характеризующего состояние сердечно-сосудистой системы, использован шаблон из 125 точек (значение каждой находится в диапазоне ), который на выходе блока сети преобразовался в 5 оценок, каждая из которых представляет один из возможных типов сердечных аритмий (тахикардия, брадикардия и т.д.).

Архитектура сформированной сети представлена 6 слоями (рис. 5): (значения в скобках обозначают количество узлов в слое). Для обучения сети 30 циклами использовалась выборка из 130 пациентов, для тестирования - выборка из 132 пациентов.

Рис. 4. Пример графа класса пациентов, которым показана поддерживающая операция

Точность работы сети оценивалась количеством правильно поставленных диагнозов. После обучения сети на тестовой выборке точность диагноза составила 85%, что выше результатов, полученных при анализе статистическими методами.

Статистический анализ в совокупности с нейросетевым моделированием позволил сократить характеристический вектор показателей состояния и исключить неинформативные показатели, требующие применения трудоемких дорогостоящих методов исследования.

Модели диагностики предоперационного состояния протестированы на выборке из 18 пациентов, умерших в результате лечения. Анализ выявил, что в 6 случаях существовал альтернативный способ лечения, который не был реализован.

В работе представлена реализация метода и моделей в программно-аналитическом комплексе БАРС (больничная автоматизированная рабочая система). Основой комплекса является многоагентная архитектура, предложенная в предыдущей главе.

Рис. 5. Архитектура результирующей нейронной сети: Показатели: x1 - длительность непроходимости, x2 - нарушение ритма, x3 - наличие инфаркта, x4 - наличие метастазов в лимфатические узлы, x5 - наличие кишечной непроходимости, x6 - возраст, x7 - сопутствующая патология, x8 - асцит, x9 - билирубин, x10 - альбумины, x11 - калий, x12 - сахар, x13 - температура при поступлении, x14 - расположение опухоли, x15 - фибриноген

Входными данными для обработки в комплексе являются показатели состояния различных подсистем организма (показания температуры, давления, ЭКГ, результаты анализов крови, мочи, экспертное описание сопутствующих патологий). На выходе система предоставляет врачу информацию о том, возможно ли проведение пациенту операции и какой сложности. Предусмотрено 2 режима работы комплекса: первый - обучения, когда система реализует предложенный метод анализа показателей различной биологической и описательной природы. При этом работают все агенты модуля для оценки ФСО человека. Во втором - комплекс реализует диагностику состояния на основе совокупностей показателей состояния и параметров, выбранных в режиме обучения.

Заключение

В работе предложены, разработаны и успешно апробированы метод и модели для оценки ФСО человека. При этом получены следующие результаты:

1. Создана математическая модель оценки функционального состояния человека, позволяющая использовать различные показатели состояния (вербальные описания, интервальные и точечные количественные значения, временные ряды).

2. Разработан алгоритм, позволяющий формализовать логику принятия адекватного решения врача-эксперта при оценке функционального состояния на основе реализации комбинированной процедуры анализа исходных показателей.

3. Предложен метод оценки функционального состояния организма человека, реализующий совместное использование скрытого семантического и дискриминантного анализа, а также нейронечеткого алгоритма анализа данных, и позволяющий выполнять комплексный анализ показателей состояния подсистем организма человека.

4. Предложен метод разбиения пространства функциональных состояний человека на классы в зависимости от значимости показателей и набора возможных методов лечения, основанный на последовательном применении скрытого семантического анализа и обучения с учителем, позволяющий каждому классу поставить в соответствие определенный метод лечения.

5. Создана информационная модель процессов принятия решения в программно-аналитическом комплексе диагностики функционального состояния человека.

6. Создана многоагентная архитектура распределенного программно-аналитического комплекса, реализующая процесс обработки информации, формализованный в предложенном методе совместного анализа экспертных и индивидуальных показателей.

7. Создан макет программно-аналитического комплекса и специализированного модуля, выполняющего диагностику функционального состояния организма человека на основе вербальных описаний, точечных и интервальных количественных показателей, а также временных рядов.

8. Разработана модель оценки предоперационного состояния больных преклонного возраста, страдающих онкологическими заболеваниями желудочно-кишечного тракта.

9. Предложены критерии принятия решения об оперировании больных преклонного возраста, страдающих онкологическими заболеваниями желудочно-кишечного тракта.

Литература

1. Ланцберг А.В. Методика идентификации сложных систем / А.В. Ланцберг, С.И. Суятинов, А.В. Коблов // Вестник Саратовского государственного технического университета. - 2007. - № 4(27). - С. 31-37.

2. Ланцберг А.В. Автоматизация процессов выявления рисков / А.В. Ланцберг, Т.И. Булдакова, С.И. Суятинов // Автоматизация и современные технологии. - 2009. - №11. - С. 6-10.

3. Ланцберг А.В. Методика автоматизированного принятия решений об оперировании / А.В. Ланцберг, С.И. Суятинов, А.Е. Золотько // Вестник Саратовского государственного технического университета. - 2009. - № 4(42). Вып. 1. - С. 106-112.

4. Ланцберг А.В. Критерии и модели принятия решения об оперировании онкологических больных / А.В. Ланцберг, Т.И. Булдакова, С.И. Суятинов // Технологии живых систем. - 2009. - Т. 6, № 5. - С. 53-59.

5. Ланцберг А.В. Программно-аналитический комплекс модельной обработки биосигналов / А.В. Ланцберг, Т.И. Булдакова, С.И. Суятинов // Биомедицинская радиоэлектроника. - 2009. - №1. - С. 71-77.

6. Ланцберг А.В. Модельный подход к анализу операбельности онкологических больных.

7. Ланцберг А.В. Многоагентная архитектура медицинской информационно-аналитической системы / А.В. Ланцберг // Информационные технологии моделирования и управления. - Воронеж: Научная книга, 2009. - № 6(58). - С. 830-838.

8. Ланцберг А.В. Модельное представление знаний и его реализация в медицинской информационно-аналитической системе / А.В. Ланцберг, Н.С. Самочетова // Математические методы в технике и технологиях: сб. тр. Междунар. конф.: в 10 т. - Саратов: СГТУ, 2008. - Т.9. - С. 125-128.

9. Ланцберг А.В. Ситуационные центры в концепции персонализированной медицины / А.В. Ланцберг, Т.И. Булдакова, С.И. Суятинов // Ситуационные центры и перспективные информационно-аналитические технологии принятия решений: материалы науч.-практ. конф. - М.: Изд-во РАГС, 2009. - С. 186-191.

10. Ланцберг А.В. Функциональное моделирование системы управления благотворительной организацией / А.В. Ланцберг, Т.И. Булдакова, А.А. Першина // Информационные технологии моделирования и управления. - Воронеж: Научная книга, 2007. - № 6(40). - С. 631-638.

11. Ланцберг А.В. Функциональное моделирование деятельности благотворительной организации с помощью CASE-средств / А.В. Ланцберг, А.А. Першина // Математические методы в технике и технологиях: сб. тр. Междунар. конф.: в 10 т. - Ярославль: ЯрГТУ, 2007. - Т.8. - С. 222-224.

12. Ланцберг А.В. Нейронечеткий алгоритм совместной обработки биосигналов / А.В. Ланцберг, С.И. Суятинов, К.И. Кириллов // Математическое моделирование, обратные задачи, информационно-вычислительные технологии: сб. ст. Междунар. науч.-техн. конф. - Пенза: РИО ПГСХА, 2007. - С. 125-128.

13. Ланцберг А.В. Информационно-аналитическая система экспресс-диагностики состояния здоровья населения / А.В. Ланцберг, С.И. Суятинов // Системный анализ в проектировании и управлении: сб. тр. Междунар. науч-практ. конф.: в 2 ч.- СПб: Изд-во Политехн. ун-та, 2007. - Ч.2. - С. 112-117.

14. Ланцберг А.В. Применение метода модельного анализа данных к задаче медицинского мониторинга состояния здоровья населения / А.В. Ланцберг, С.И. Суятинов, Н.С. Самочетова // Ситуационные центры и перспективные информационно-аналитические средства поддержки принятия решения: сб. науч. трудов. - М.: Изд-во РАГС, 2007. - С. 183-188.

15. Lantsberg A.V. Data Mining for Medical Diagnostics and Therapy Recommendation / A.V. Lantsberg // Proc. of Scientific Seminar for DAAD Scholarship Holders. - M.: DAAD, 2009. - P. 127-130.

16. Ланцберг А.В. Больничная автоматизированная рабочая система (БАРС) / Т.И. Булдакова, А.В. Ланцберг, С.И. Суятинов и др. // Свидетельство о государственной регистрации программы для ЭВМ №2009610632. Зарегистрировано 28 января 2009 г.

17. Ланцберг А.В. Автоматизированный анализ биосигналов в информационно-аналитической системе БАРС / А.В. Ланцберг, Н.С. Ляпина // Перспективные информационно-аналитические технологии поддержки принятия решения: материалы науч.-практ. конф. - М.: Изд-во РАГС, 2010. - С. 240-241.

Размещено на Allbest.ru