Помощь в написании студенческих работ
Антистрессовый сервис

Автоматизированные системы управления и обработки информации для архивов медицинских документов

Диссертация: Автоматизированные системы управления и обработки информации для архивов медицинских документов
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Построен тезаурус предметной области, описывающий терминологию военной медицины. Для построения тезауруса разработана методика полуавтоматического приобретения знаний из медицинских текстов. Тезаурус представлен двумя составляющими. Экстенсиональная составляющая — это лексико-морфологический словарь медицинских понятий, включающий в себя термины, их синонимы, родственные слова, варианты написания… Читать ещё >

Автоматизированные системы управления и обработки информации для архивов медицинских документов (реферат, курсовая, диплом, контрольная)

Содержание

  • 1. ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ В МЕДИЦИНСКИХ АРХИВАХ
    • 1. 1. Основные проблемы обработки медицинской информации
    • 1. 2. Пути решения проблем
      • 1. 2. 1. Следование стандартам при автоматизации работы архива
      • 1. 2. 2. Задача уменьшения объема рутинных операций в деятельности медицинского персонала
      • 1. 2. 3. Переход к компьютеризированным историям болезни
      • 1. 2. 4. Обеспечение полных и точных ответов на запросы пользователей
    • 1. 3. Основные функции, которые должна выполнять интеллектуальная система
      • 1. 3. 1. Способность к логическому выводу
      • 1. 3. 2. Обеспечение поддержки принятия решений
      • 1. 3. 3. Понимание естественно-языковой информации
      • 1. 3. 4. Способность к обучению
    • 1. 4. Принципы построения интеллектуальных систем
    • 1. 5. Результаты внедрения интеллектуальных систем в медицинские архивы
  • ВЫВОДЫ
  • 2. РАЗРАБОТКА ФОРМАЛИЗОВАННОГО ЯЗЫКА ПРЕДСТАВЛЕНИЯ ПЕРСОНАЛЬНОЙ МЕДИЦИНСКОЙ ИНФОРМАЦИИ
    • 2. 1. Уровни абстрактного рассмотрения информации
    • 2. 2. Построение концептуальной модели предметной области
      • 2. 2. 1. Построение модели предметной области как процесс приобретения знаний
      • 2. 2. 2. Формы и методы представления знаний
      • 2. 2. 3. Критерии выбора модели представления знаний
      • 2. 2. 4. Тематические направления и источники приобретения знаний
    • 2. 3. Построение первой компоненты модели предметной области
      • 2. 3. 1. Назначение модели и предъявляемые к ней требования
      • 2. 3. 2. Лексико-морфологический словарь — экстенсиональная составляющая тезауруса
      • 2. 3. 3. Семантическая сеть — интенсиональная компонента тезауруса
      • 2. 3. 4. Роль врача-эксперта в построении модели
      • 2. 3. 5. Практические результаты
    • 2. 4. Синтез модели интерпретации медицинской информации
      • 2. 4. 1. Предназначение модели и предъявляемые к ней требования
      • 2. 4. 2. Решение задач классификации с позиций теории распознавания образов
      • 2. 4. 3. Общая модель интерпретации
  • Перечень взаимосвязей между медицинскими понятиями
    • 2. 4. 4. Частные модели интерпретации
  • ВЫВОДЫ
    • 3. ЛИНГВИСТИЧЕСКАЯ ОБРАБОТКА ПЕРСОНАЛЬНОЙ МЕДИЦИНСКОЙ ИНФОРМАЦИИ О ПАЦИЕНТЕ НА ЕСТЕСТВЕННОМ ЯЗЫКЕ
    • 3. 1. Понимание текста на естественном языке
    • 3. 2. Особенности языка описания персональной медицинской информации
    • 3. 3. Выбор формализма описания входных текстов
    • 3. 4. Синтез лингвистической модели
    • 3. 4. 1. Критерии построения лингвистической модели
    • 3. 4. 2. Составление алфавита языка входных текстов
    • 3. 4. 3. Вывод грамматики языка входных текстов
    • 3. 5. Представление грамматических структур входного текста
    • 3. 6. Методика лингвистической обработки входного текста
    • 3. 6. 1. Этапы и виды лингвистической обработки
    • 3. 6. 2. Лексическо-морфологический анализ
    • 3. 6. 3. Грамматический разбор
    • 3. 6. 4. Семантическая интерпретация естественно-языковой информации
      • 3. 6. 4. 1. Нормализация входного текста
      • 3. 6. 4. 2. Отображения медицинских понятий входного текста в условные обозначения понятий модели интерпретации
      • 3. 6. 4. 3. Отображение функциональных слов входного текста во взаимосвязи модели интерпретации
      • 3. 6. 4. 4. Язык отображения моделей
  • ВЫВОДЫ
    • 4. КЛАССИФИКАЦИЯ ПЕРСОНАЛЬНОЙ МЕДИЦИНСКОЙ ИНФОРМАЦИИ В СООТВЕТСТВИИ С ДИНАМИЧЕСКИ ЗАДАВАЕМЫМИ КЛАССАМИ
  • 4. 1. Нормализация формализованного описания
  • 4. 2. Уровни представления сведений
  • 4. 3. Приведение цепочек к терминальному уровню
  • 4. 4. Описание работы системы
    • 4. 4. 1. Индексный поиск
    • 4. 4. 2. Синтаксический анализ
      • 4. 4. 2. 1. Методы классификации
      • 4. 4. 2. 2. Классификационные принципы
  • 4. 5. Алгебра цепочек
    • 4. 5. 1. Алгебраические операции
    • 4. 5. 2. Определение сходства цепочек
  • 4. 6. Оценка качества автоматической обработки
    • 4. 6. 1. Оценка результатов лингвистической обработки и интерпретации входных текстов
    • 4. 6. 2. Оценка качества классификации
  • ВЫВОДЫ

    • В настоящее время в обеспечении эффективной работы архивов медицинских документов все большую роль играет автоматизированная обработка больших массивов информации.

    Основными требованиями, предъявляемыми к автоматизированным системам управления и обработки (АСУиО) информации, являются следующие:

    1. Быстрая подготовка и адекватное представление входной медицинской информации.

    2. Оперативное предоставление полных и точных ответов на запросы пользователей.

    3. Возможность проводить централизованную обработку данных, принадлежащих медицинским архивам различных лечебных учреждений.

    Вопросы, относящиеся к электронной форме представления медицинской информации о пациенте, способам автоматизированной обработки медицинских сведений, сформулированных на русском языке, а также методам быстрого поиска данных, обеспечивающих наиболее полный и точный ответ на запрос пользователя, не проработаны в полной мере [49].

    Автоматизированные системы, эксплуатирующиеся сегодня в российских архивах медицинских документов, решают узкоспециализированные задачи и имеют собственные жестко заданные форматы данных, что позволяет работать только с неполной или искаженной информацией об объекте исследования, представленной набором кодов из стандартных классификаторов [20].

    Принципы, на которых основана подготовка данных для таких систем, при возрастающих потоках входной информации не обеспечивают возможности эффективного ввода данных в компьютер, требуют больших затрат ручного труда медицинских работников.

    Алгоритмы, которые лежат в основе функционирования подобных систем, не позволяют реализовывать гибкую программу исследования, при которой пользователь получает возможность задавать параметры изучаемого объекта и менять их в зависимости от получаемых результатов.

    Важность компьютерного представления медицинской информации о пациенте возрастает также в связи с переходом медицинского обеспечения населения на принципы страховой медицины и подготовкой возрастающего потока статистической отчетности, которую лечебное учреждение обязано направлять в вышестоящие организации. Электронные записи пациентов должны соответствовать определенным стандартам для создания национальных регистров, а также интеграции с другими автоматизированными системами в России и за рубежом. Необходимость решения этой задачи подтверждает активное развитие телемедицины и взаимодействие врачей из разных стран посредством Internet [75].

    В связи с вышеизложенными недостатками эксплуатирующихся в медицинских архивах автоматизированных систем, нерешенными проблемами и существующими перспективами развития медицинских технологий представляется актуальной создание АСУиО для архивов медицинских документов, удовлетворяющей современным требованиям.

    Целью диссертационной работы является разработка принципов и методов автоматизированного анализа и классификации естественноязыковых медицинских данных о пациенте, а также реализация их в автоматизированной системе обработки документов медицинского архива.

    Для достижения этой цели в работе требуется решить следующие задачи:

    1) исследовать принципы и методы обработки информации, представленной в естественно-языковой форме как в существующих автоматизированных медицинских архивах, так и в других областях применения;

    2) спроектировать лингвистическую модель для анализа медицинских сведений на естественном языке и на основе модели произвести их формализацию- 7

    3) построить модель интерпретации для работы с абстрактным представлением медицинских сведений о пациенте;

    4) разработать язык отображения информации, содержащейся в естественно-языковых медицинских сведений о пациенте, на модель интерпретации;

    5) провести тестирование моделей на объекте исследования;

    6) создать формальную систему, позволяющую оперировать абстрактными представлениями медицинских сведений о пациентах и проверить применимость формальной системы для решения задач классификации формализованных медицинских сведений в соответствии с запросами пользователей.

    Методы исследований. Теоретические и прикладные разделы диссертации разработаны с применением теории формальных грамматик, теории распознавания образов, теории операций, теории множеств, теории матриц, операций математической логики, элементов математической статистики.

    Экспериментальные исследования проводились в Архиве военно-медицинских документов. В качестве объекта исследования использованы архивные материалы в виде 4-х тысяч историй болезни раненых и 6-ти тысяч больных военнослужащих, принимавших участие в локальных конфликтах на территории республик, входивших в состав бывшего СССР.

    Новые научные результаты.

    1. Синтезирована лингвистическая модель представления медицинских сведений о пациенте на русском языке, позволяющая проводить формализацию персональной медицинской информации в терминах тезауруса предметной области.

    2. Построена модель интерпретации для описания формализованных медицинских сведений о пациенте. Модель имеет 5 разновидностей по числу лингвистических групп входного текста на профессиональном медицинском языке.

    3. Предложен и реализован в автоматизированной системе метод лингвистической обработки персональных медицинских документов, 8 осуществляющий отображение естественно-языковой информации в формализованное представление.

    4. Построена алгебра цепочек, которая позволяет оперировать формализованными представлениями медицинских сведений и включает восемь операций. В основу алгебры положена комбинация логических и структурных методов распознавания образов.

    5. Разработан классификационный алгоритм, определяющий сходство формализованных медицинских сведений на основе алгебры цепочек.

    Основные положения, выносимые на защиту.

    1. Модель предметной области автоматизированных систем для медицинских архивов должна быть представлена гибридным способом. Основные составляющие модели: тезаурус понятий предметной области, лингвистическая модель, описывающая медицинские сведения о пациенте на естественном языке, и модель интерпретации, при помощи которой эти сведения формализованы.

    2. Для корректной автоматизированной обработки естественно-языковых медицинских сведений о пациенте с последующим преобразованием в формализованное представление используют знания семантико-синтаксической структуры текста, которая описана лингвистической моделью.

    3. Обеспечить высокое качество автоматической классификации формализованных описаний пациентов в соответствии с запросами пользователей можно при учете не только синтаксиса, но и семантики формализованный представлений, что достигается применением структурных и логических методов распознавания образов. Реализацию классификации необходимо осуществлять в алгоритме, использующем операции специально разработанной для предметной области алгебры цепочек.

    Практическая ценность работы.

    1. Предложен метод полуавтоматического приобретения знаний из медицинских текстов для построения тезауруса предметной области в сфере персональной медицинской информации. 9

    2. Разработан алгоритм кодирования, который в ходе тестирования на 896-ти медицинских документах пациентов, показал высокое качество автоматической формализации данных, позволяющей исключить субъективный фактор при обработке персональной медицинской информации.

    3. Предложена архитектура автоматизированной системы, выполняющей кодирование персональной медицинской информации и ее классификацию в соответствии с запросами пользователей, для работы в медицинских архивах.

    4. Разработанный классификационный алгоритм протестирован на 896-ти реальных медицинских документах. Получены следующие результаты: отклик системы равен 0.99, точность поиска — 1.00, что превышает показатели зарубежных аналогов.

    Реализация результатов работы. Предложенные методы и алгоритмы реализованы в прототипе автоматизированной системы обработки данных [48], который эксплуатируется в Архиве военно-медицинских документов.

    Апробация работы. Основные результаты и положения диссертационной работы докладывались и обсуждались на: Всероссийской научной конференции «Медицинская информатика накануне 21 века» (г. Санкт-Петербург, 1997 г) — Международном семинаре «Biomedical Engineering & Medical Informatics'97» (г. Гливице, Польша, 1997) — научно-технической конференции «Диагностика, информатика, метрология, экология, безопасность — 98» (г. Санкт-Петербург, 1998) — Международной конференции по мягким вычислениям и измерениям-99 (г. Санкт-Петербург, 1999) — 2-й Международной технической конференции «Медико-экологические информационные технологии — 99» — научно-технических конференциях профессорско-преподавательского состава СПбГЭТУ (1998;1999 гг).

    Публикации. По теме диссертации опубликовано 8 печатных работ, из них 4 статьи и 4 доклада на конференциях и семинарах.

    Структура и объем диссертации

    Диссертационная работа состоит из введения, четырех глав с выводами, заключения, списка литературы,

    Выводы

    1. Разработаны стандартизованные формы моделей интерпретации для формализованного представления отдельных лингвистических групп входного текста.

    2. Выбран единый способ описания формализованных представлений сведений, указанных в запросе, и ПМИ с целью их сравнения. Каждой цепочке, независимо от того, к какой модели интерпретации она относится, поставлена в соответствие стандартная форма в виде множества, состоящего из элементов, тождественных отдельным составляющим этой цепочки. Все множество эквивалентно по семантике исходной цепочке.

    3. Предложена архитектура системы, выполняющая классификацию формализованных описаний пациентов, хранящихся в БД, в соответствии с запросами врачей. Обработка сведений производится в две ступени:

    1-я ступень — индексный поиск- 2-я — синтаксический анализ.

    Для проведения индексного поиска все формализованные описания пациентов подвергаются индексированию. Для оптимизации процедуры классификации выделены наиболее важные критерии, в соответствии с которыми проводится индексирование БД.

    4. Разработана алгебра цепочек для проведения синтаксического анализа, включающая 8 операций. В основу алгебры положена комбинация логических и структурных методов распознавания образов.

    5. Процедура классификации реализована в виде алгоритма, результаты работы которого проверены на материалах обучающей и контрольной выборок, включающих 614 и 282 цепочки соответственно. Проведено сопоставление результатов работы алгоритма с подобными автоматизированными системами и ручным способом обработки.

    Заключение

    Основными результатами диссертационной работы являются следующие:

    1. Построен тезаурус предметной области, описывающий терминологию военной медицины. Для построения тезауруса разработана методика полуавтоматического приобретения знаний из медицинских текстов. Тезаурус представлен двумя составляющими. Экстенсиональная составляющая — это лексико-морфологический словарь медицинских понятий, включающий в себя термины, их синонимы, родственные слова, варианты написания и сокращений. Интенсиональная составляющая — это семантическая сеть, в которой медицинские понятия представлены узлами, а отношения, их связывающие, -дугами.

    2. Синтезирована лингвистическая модель представления медицинских сведений о пациенте на русском языке, позволяющая проводить формализацию информации в терминах тезауруса. Модель описана средствами индексной грамматики.

    3. Построена модель интерпретации для представления формализованных медицинских сведений о пациенте. Модель имеет 5 разновидностей по числу лингвистических групп входного текста на профессиональном медицинском языке.

    4. Предложен и реализован в автоматизированной системе метод лингвистической обработки медицинских документов, включающий три стадии: лексико-морфологический анализ текста, грамматический анализ и семантическую интерпретацию. На последней стадии осуществляется отображение естественно-языковой информации в формализованное представление.

    5. Разработан язык отображения лингвистической модели на модель интерпретации, при помощи которого описана и программно реализована процедура кодирования. Правила языка имеют расширенную нормальную форму Бэкуса. Результаты работы алгоритма кодирования на 896-ти медицинских документах пациентов показали, что качество автоматического кодирования значительно выше ручного способа (см. табл. 4.1).

    Предложена архитектура автоматизированной системы, осуществляющей лингвистическую обработку естественно-языковых медицинских сведений о пациентах с последующей их формализацией и занесением в БД. По запросам пользователей система классифицирует формализованные описания, хранящиеся в БД, в две ступени:1-я ступень — индексный поиск- 2-я — синтаксический анализ. С целью проведения синтаксического анализа построена алгебра цепочек, которая позволяет оперировать формализованными представлениями медицинских сведений и включает восемь операций. В основу алгебры положена комбинация логических и структурных методов распознавания образов.

    Разработан классификационный алгоритм для получения ответов на запросы пользователей путем выполнения алгебраических операций над формализованными описаниями. Апробация алгоритма на 896-ти реальных медицинских документах дала следующие результаты: отклик системы равен 0.99, точность поиска — 1.00, что превышает показатели зарубежных аналогов (см. табл.4.4).

    Предложенные методы и алгоритмы разработаны с использованием материалов 10-ти тысяч историй болезни и реализованы в прототипе автоматизированной системы обработки данных, который эксплуатируется в Архиве военно-медицинских документов.

    Показать весь текст

    Список литературы

    1. С., Синохара Т., Мияхара Т. Теория индуктивных выводов/ЛТриобрете-ние знаний. Под ред. Осуги С., Саэки Ю, — М.: Мир, 1990. С. 179.-237.
    2. А. И., Башлыков А. М., Руссова Н. В., Соколов А. А. Автоматизация обработки текстов. Прикладная система лингвистического обеспечения работы с текстами на русском языке //Изв. РАН. Теория и системы управления. 1998. — № 3 -С. 144- 148.
    3. A.A., Шрайбер М. И. Военно-полевая хирургия//Руководство для врачей и студентов,-М.: Медицина, 1975, -319 с.
    4. В. Н., Денисов А. А. Основы теории систем и системного анализа. СПб.: изд. СПбГТУ, 1997,-510 с.
    5. Военно-полевая хирургия/Под ред. К. М. Лисицына, Ю. Г. Шапошникова. -М.: Медицина, 1982, — 335 с.
    6. Военно-полевая хирургия/Под ред. П. Г. Брюсова, Э. А. Нечаева.- М.:Мед. изд. «ГЭОТАР», 1996, — 414 с.
    7. В. П., Синельников Р. Д. Атлас анатомии человека в 3-х томах. М.: Медгиз, 1946.
    8. У. А. Основные проблемы представления знаний/ЛГИИЭР. 1986, Т.74,-№ 10. — С. 32−46.
    9. А. В. Синтаксические структуры естественного языка в автоматизированных системах общения,— М.: Наука. ГРФМЛ, 1985. 144 с.
    10. А. И., СкрипникВ. А. Методы распознавания. М.: Высшая школа, 1989. — 231 с.
    11. Е. К. Боевая хирургическая травма.- СПб: ВМА, 1997, — 69 с.
    12. И. Д. Распознавание и сопоставление гуманитарных образов//5-я Национальная конференция с международным участием «Искусственный интеллект -94», Рыбинск, 15−21сент, 1994, Сб. научн. тр. Т.2.- С. 227- 231.
    13. В. А. Теория графов: Алгоритмы обработки деревьев Новосибирск.: Наука, 1994.-360 с.
    14. И.В. О стандартах электронного обмена медицинскими документа-ми//Компьютерные технологии в медицине.: Изд. Русское слово, 1996. № 1.-С.43−47.
    15. И. И., Рукавишников В. О. Группировка, корреляция, распознавание образов. -М.: Статистика, 1977, — 144 с.
    16. Ю. И., Гуревич И. Б. Распознавание образов и анализ изображений// Справочник «Искусственный интеллект» в 3-х т.-М.: Радио и связь, 1990. Т. 2, — С. 149−191.
    17. Л. Статистическое оценивание/Пер. с нем. М.:Статистика, 1976. — 598 с.
    18. И. С. Экспериментальная система понимания коротких текстов//5-я Национальная конференция с международным участием «Искусственный интеллект -94», Рыбинск, 15−21сент, 1994, Сб. научн. тр. Т.2.- С. 395- 399.
    19. B.C., Трояновская О. В. АИПС в архиве Военно-медицинского музея//Отеч. архивы, — М.:-1996, -№ 5. С. 103−105.
    20. B.C., Трояновская О. В. Теоретические основы построения автоматизированной системы о раненых и больных//Воен.-мед. журн. -1997. -№ 12. С. 4−8.
    21. О. П., Адельсон-Вельский Г. М. Дискретная математика для инженера. -М.: Энергоатомиздат, 1988. 480 с.
    22. В. Д. Метод комитетов в задачах оптимизации и классификации -Новосибирск: Наука, Физматлит., 1990. 245 с.
    23. Д. Программирование экспертных систем на Турбо Прологе,— М.: Финансы и статистика, 1994, — 356 с.
    24. Дж. Организация баз данных в вычислительных системах/Пер. с англ. -М. Мир, 1980.- 662 с.
    25. Математический Энциклопедический словарь/Под ред. Ю. В. Прохорова, — М.: Сов. Энциклопедия, 1988, — С. 58.
    26. М. М. Абстракци//Философский энциклопедический словарь. М.:Сов. энциклопедия, 1993. — С.7.
    27. Э. Машины баз данных и управление базами данных/Пер. с англ. под ред. Я. И. Фета.- М.:Мир, 1989.-С.539−560.
    28. Г. С. Приобретение знаний интеллектуальными системами. М.: Наука, Физматлит, 1997. — 112 с.
    29. С. Г. Извлечение знаний в системах оперативно-диспетчерского управления сложными процессами//5-я Национальная конференция с международным участием «Искусственный интеллект 94», Рыбинск, 15−21сент, 1994, Сб. научн. тр. -Т.1.- С. 49- 52.
    30. Ю.И., Григорьев А. И., Ивлев A.C. Основные цели и задачи автоматизации лечебно-диагностической работы в военно-медицинском учреждении//Воен -мед. журн. 1996. — N 7. -С.4−8.
    31. Э. В., Фоминых И. Б., Кисель Е. Б., Шапот М. Д. Статические и динамические экспертные системы. -М.:Финансы и статистика, 1996, — 320 с.
    32. Пособие по номенклатуре, развернутой характеристике и примерной формулировке диагнозов внутренних болезней/Авт. коллектив под рук-вом Комарова Ф. И Л.: BMA, 1976, — 130 с.
    33. Д. А. Основные проблемы представления знаний//ТИИЭР. 1986, Т.74,-№ 10. — С. 3−4.
    34. Д. А. Уровни понимания// Справочник «Искусственный интеллект» в 3-хт.-М.: Радио и связь, 1990. Т. 2-С. 110−115.161
    35. Построение экспертных систем /Под ред. Ф. Хейс-Рот, Д. Уотерман, Д. Ленат, — М.: Мир, 1987.-442 с.
    36. В. П. Математический аппарат инженера. К.:Техника, 1975. — 766 с.
    37. И. В. Понимание текстов на естественном языке// Справочник «Искусственный интеллект» в 3-х т./Под ред. Д. А. Поспелова. М.: Радио и связь, 1990. --Т. 2.-С.115−121.
    38. B.JI. Тенденции использования компьютеров в здравоохранении США //Компьютерные технологии в медицине.: Изд. Русское слово, 1996, — N2, — С.54−62.
    39. Э. В. Двухкомпонентная модель грамматического разбора и ее реализация//Изв. РАН. Теория и системы управления. 1997, — № 5. — С. 48 -52.
    40. К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ/Пер. с англ.- М.: Финансы и статистика, 1990. 318 с.
    41. Тейз А, Грибомон П. Логический подход к искусственному интеллекту: от модальной логики к логике баз данных. М.: Мир, 1998. — 494 с.
    42. Толковый словарь по вычислительным системам/Под. Ред. В. Иллингуорта, Э. П. Глейзера. Пер. с англ.- М. Машиностроение, 1990, — С. 489.
    43. О.В. Система искусственного интеллекта для автоматизированной обработки персональной медицинской информации//Вопр. технического обеспечения медико-биологических исследований: Сб. научн. тр. Известия ГЭТУ, вып. 518, — СПб., 1998, — С. 43−48.
    44. Трояновская О. В, Манило Л. А. Автоматизированный анализ медицинских документов//Медико-экологические информационные технологии 99: Тез. докл. 2-й Междунар. техн. конф. г. Курск, 19 -21 мая 1999, — Курск, 1999. — С. 19−21.
    45. Ту Дж., Гонсалес Р. Принципы распознавания образов. М.: Мир, 1978. — 412 с.
    46. Фор А. Восприятие и распознавание образов. М.: Машиностроение, 1989. — 272с.
    47. В. Н. Информационные системы. Л.: Машиностроение, 1988. — 127 с.
    48. Р. Обработка концептуальной информации. М.: Энергия, 1980. — 360 с.
    49. С., Меллор С. Объектно-ориентированный анализ: моделирование мира в состояниях. Киев: Диалектика, 1993. -240 с.
    50. Экспертные системы: инструментальные средства разработки/Уч. пос., рец. В. М. Зеленин, — СПб.: Политехника, 1996. -220 с.
    51. Albrecht M., Altus M, Buchholz E. The Rapid Application and Database (RADD) Workbench A Comfortable Database Design Tool// Proceedings of 7-th Int. Conference on Advanced Information Systems Engineering Berlin, 1995. — P. 327 — 340.
    52. Bassoe C. F. Automated Diagnoses From Clinical Narratives: A Medical System Based on Computerized Medical Records, Natural Language Processing, and Neural Network Technology//Neural Networks. 1995, — V. 8 -N. 5. — P. 313−319.
    53. Board of Directors. Standarts for Medical Identifiers, Codes, and Messages Needed to Create an Efficient Computer-stored Medical Record//JAMIA. 1994.-V. 1, — N. 1, — P. 1−7.
    54. Campbell K., Das A., Musen M. A Logical Foundation for Representation of Clinical Data.//JAMIA.- 1994. -V.l.-N 3,-P.218−232
    55. Chung M., Moldovan D. Applying Parallel Processing to Natural Language Process-ing//IEEE Expert Intelligent Systems and Their Applications. 1994. — V. 9. — N 1.
    56. Cimino J., Clayton P., Hripcsak G. Knowledge-based Approaches to the Maintenance of a Large Controlled Medical Terminology// J AMI A 1994. — Vol. 1. — N. 1. — P.35−50
    57. Cristodoulou E., Keravnou E. T. Integrating multiple problem solvers in knowledge-based systems//Knowl. Eng. Rev. -1997.-V.12,-N.2-P.181−207.
    58. Day W. Discovering Consensus Molecular Sequences//Information and Classification: concepts, methods and application. Proc. Of the 16-th Ann. Dortmund, Apr. 1992. — P.393−402.
    59. Dorda W., Haidl B., Sachs P. Processing Medical Natural Language Data by the System WAREL//Methods of Information in Medicine. -1988. V. 27, — N 2. — P.67−72.
    60. Fischer R. J. Pseudoroots as Descriptors for a Thesaurus Based on Wiedtman’s Diagnosis Table of Pediatrics//! nformation and Classification: concepts, methods and application. Proc. Of the 16-th Ann. Dortmund, Apr. 1992,-P. 461−468.
    61. Friedman C., Cimino J., Johnson S. A Schema For Representing Medical Language Applied to Clinical Radiology//JAMIA.-1994.- V.l.- N 3. P.233−248.
    62. Friedman C., Alderson P. et. al. A General Natural-language Text Processor of Clinical Data//JAMIA.-1994.- V.l.- N 2. P. 161−174.
    63. Fu. L. M. Neural Networks in Computer Intelligence, New York: Mc. Graw-Hill, Inc., 1994. -460 p.
    64. Gazdar G., Mellish C. Natural Language Processing In Prolog. An Introduction to Computational Linguistics. Addison-Wesley Company, 1990. — 504 p.
    65. Goldberg E., Driedger N. Using Natural Language Processing to Produce Weather Forecasts// IEEE Expert.- 1994, — V. 9, — N 2, — P. 45−53.
    66. HuffS. et. al. An Event Model of Medical Information Representation/^ AMI A.-1994.-V.2.-N2. P. 116−134.
    67. Kannry J. et. al. Portability Issues for a Structure Clinical Vocabulary: Mapping from Yale to the Columbia Medical Entities Dictionary//JAMIA.-1994.- V.3.- N 1. P.66−78.
    68. Kramer J.M. Medical Resourseces and the Internet//Arch. Intern. Med. -1996.-V. 156 -Apr 22.-P. 833−842.
    69. Linberg D., Humphreys B. Medical Informatics//JAMA. 1996. V. 275, — N 23, — P. 18 211 822.
    70. Long W., Sacco W., Copes W., et. al. An Evaluation of Expert Human and Automated Abbreviated Injury Scale and ICD-9-CM Injury Coding//The Journal of Trauma. 1994. -V.36.-N. 4,-P. 499−503.163
    71. Lussier Y. Are we closer to standart medical coding?//Canadian Medical Informatics.-1995, — Sept.-Oct.- P. 19
    72. Manago M. Learning Disjunctive concepts//Lecture Notes in AI: Knowledge Representation and Organisation in Machine Learning. Berlin.: Springer-Verlag, 1983, — P. 211−227.
    73. Musgrave D. Document scanning, OCR and goodbye to the «paper-jam"//Canadian Medical Informatics. -1995. -N2. -P.32−34.
    74. Opdahl A. L., Sindre G. Concents for Real-World Modelling/ZProceedings of 5-th Int. Conference on Advanced Information Systems Engineering. Paris.- 1993. — P. 309 -327.
    75. J.K. В 21 век с языками описания сценариев// Computer Weekly.-1998.-№ 25,-P. 27−30.
    76. Ozbolt J., Fruchtnicht J. et. al. Toward Data Standarts for Clinical Nursing Information// JAMIA.-1994.- V.l.- N 2. P. 175−185.
    77. Pazzani M. Creating High Level Knowledge Structures from Simple Elements. // Lecture Notes in AI: Knowledge Representation and Organization in Machine Learning. Berlin.: Springer-Verlag, 1989,-P. 258−288.
    78. Rada R. A Knowledge-Intensive Learning System for Document Retrieval// Lecture Notes in AI: Knowlege Representation and Organization in Machine Learning. Berlin.: Springer-Verlag, 1989, — P. 65 -85.
    79. Rector A. L., Glowinski W. et. al. Medical-concept Models and Medical Records: An Application Based on GALEN and PEN&PAD//JAMIA.-1994.- V.2.- N 1. P. 19−35.
    80. Rosenthal D., Sokolowski R. Voice-enabled, structured medical reporting// IEEE Expert: Intelligent Systems and Their Applications. -1998. V. 13, — № 1, — P. 70−73.
    81. Sager N, Lyman M., Bucknall C. Natural Language Processing and the Representation of Clinical Data// J AMIA. -1994, — V. 1. -N. 2. P. 142−160.
    82. Sanchez J. A., Benedi' J. M. Statistical Inductive Learning of Regular Formal Languages// IEEE Expert: Intelligent Systems and Their Applications.- 1998. V. 13, — № 1.- P. 130−138.
    83. Schrepp J. Acquisition of Syntactical Knowledge from text// Information and Classsifi-cation: concepts, methods and application: Proc. Of the 16-th Ann. Dortmund, Apr. 1992 P. 356−365.
    84. Seltveit A. H. Based Rule Approach to Large-Scale Information Systems Development// Proceedings of 5-th Int. Conference on Advanced Information Systems Engineering Paris.1993,-P. 328 -351.
    85. Singh H. S. Data Warehousing. Concepts, Technologies, Implementations, and Management. Prentice-Hall.- Inc., 1998, — 332 p.
    86. Stock O. Natural Language in Multimodal Human-Computer Interfaces//IEEE Expert.1994.-N2.-P. 40−44.164
    87. Troyanovskaya O., Manilo L. Personal Medical Information Classification in Compliance with Dynamic Formed Classes//Proc. Intern. Workshop. «Biomedical Engineering & Medical Informatics'97» Gliwice, Poland: September 2−5, 1997. P. 154−158
    88. Tzafestas S. G., Kokkinaki, Valavanis K. P. A. I. An overview of Expert sys-tems//Expert Systems in Engineering Applications. Berlin.:Springer-Verlag, 1993, — P. 3−24.
    89. Wade A. Retaining core data in progress notes is essential//Canadian Medical Information. 1995. -N 5. -P.8.
    90. Warren J. R. Better, More Cost-Effective Intake Interviews// IEEE Expert: Intelligent Systems and Their Applications. 1998. V.13. — № 1, — P. 40−48.
    91. Wrobel S. Demand-driven Concept Formation/ZLecture Notes in AI: Knowledge Representation and Organisation in Machine Learning. Berlin.: Springer-Verlag, 1983, — P. 289 319.166
    Заполнить форму текущей работой

    Сессия? Спокойно!