Помощь в написании студенческих работ
Антистрессовый сервис

Компьютерная диагностика вероятностными методами и ее использование для дифференциальной диагностики механической и паренхиматозной желтух

Диссертация: Компьютерная диагностика вероятностными методами и ее использование для дифференциальной диагностики механической и паренхиматозной желтух
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Р — совокупность (распределение) вероятностей диагностируемых болезней у пациента, например, Р (Р, Рг}→ гДе Р> Pi ~ вероятности соответственно первой и второй болезней. а — величина (точнее, количественное выражение) диагностического признака, рассматриваемая как алгебраическая переменная. dj — величина, а для /-го ДП, например, СОЭ=28 или «есть боль», т. е. «а» может быть непрерывной или… Читать ещё >

Компьютерная диагностика вероятностными методами и ее использование для дифференциальной диагностики механической и паренхиматозной желтух (реферат, курсовая, диплом, контрольная)

Содержание

  • ТЕРМИНЫ, СОКРАЩЕНИЯ, ОБОЗНАЧЕНИЯ, ПОЯСНЕНИЯ
  • ГЛАВА 1. СОСТОЯНИЕ ПРОБЛЕМЫ
    • 1. 1. Обзор методов диагностики с использованием искусственного интеллекта
    • 1. 2. Медицинская диагностика желтух
  • ГЛАВА 2. ТЕОРЕТИЧЕСКОЕ ОБОСНОВАНИЕ РАЗРАБОТАННЫХ МЕТОДИК
    • 2. 1. Совмещение медицинского и математического подходов к диагностике заболеваний
      • 2. 1. 1. О диагностике на основе моделирования
      • 2. 1. 2. Использование условных вероятностей
      • 2. 1. 3. Дополнение статистики и уточнение распределений
    • 2. 2. Использование многомерных распределений
    • 2. 3. Байесовский подход к диагностике с учетом взаимозависимости диагностических признаков и динамики заболеваний
      • 2. 3. 1. Использование формулы Байеса
      • 2. 3. 2. Учет динамики заболеваний при байесовском подходе
      • 2. 3. 3. О совмещении методов диагностики
    • 2. 4. Оценка результатов диагностики
      • 2. 4. 1. Уровень надежности и неопределенный диагноз
      • 2. 4. 2. Устойчивость диагноза
      • 2. 4. 3. Надежность постановки диагноза расчетными методами
      • 2. 4. 4. Критерий эффективности диагностики
      • 2. 4. 5. Влияние отдельного ДП на диагноз
    • 2. 5. Имитационные модели болезней и исследование на них теоретических вопросов
  • ГЛАВА 3. БАЗА ДАННЫХ, ВЕРОЯТНОСТИ И ПЛОТНОСТИ ВЕРОЯТНОСТЕЙ ДИАГНОСТИЧЕСКИХ ПРИЗНАКОВ
    • 3. 1. Характеристика статистических данных
      • 3. 1. 1. Относительная частота механической и паренхиматозной желтух
      • 3. 1. 2. Диагностические признаки
    • 3. 2. Дискретные и непрерывные диагностические признаки, построение гистограмм
      • 3. 2. 1. Дискретные и непрерывные диагностические признаки
      • 3. 2. 2. Особенности построения гистограмм непрерывных диагностических признаков
    • 3. 3. Построение искусственных распределений
    • 3. 4. Построение многомерных распределений
    • 3. 5. Особенности работы со статистической базой данных
    • 3. 6. Исследование взаимозависимости диагностических признаков
      • 3. 6. 1. Независимые и зависимые диагностические признаки в формуле Байеса
      • 3. 6. 2. Экспертная оценка зависимости признаков
      • 3. 6. 3. Наборы (ядра) независимых признаков
  • ГЛАВА 4. МАРКЕРЫ ГЕПАТИТОВ И ИХ ИСПОЛЬЗОВАНИЕ ПРИ ДИАГНОСТИКЕ
    • 4. 1. Общая схема диагностики на основе маркеров гепатитов
    • 4. 2. Использование сочетаний маркеров гепатитов
      • 4. 2. 1. Вирусный гепатит А
      • 4. 2. 2. Вирусный гепатит В
      • 4. 2. 3. Вирусный гепатит С
    • 4. 3. Диагностика на основе динамики маркеров
      • 4. 3. 1. Динамика маркеров и стадии болезни
      • 4. 3. 2. Хронология (формирование хронологии, расстановка моментов) стадий болезни
      • 4. 3. 3. Общий алгоритм диагностики на основе динамики маркеров
  • ГЛАВА 5. УЧЕТ ДИНАМИКИ ЗАБОЛЕВАНИЙ ПРИ ДИАГНОСТИКЕ
    • 5. 1. Методика учета динамики и взаимозависимость диагностических признаков
    • 5. 2. Диагностика при многократном определении признака
    • 5. 3. Влияние лечения на динамику заболевания
  • ГЛАВА 6. ПРОГРАММА, РЕЗУЛЬТАТЫ И СРАВНЕНИЕ МЕТОДОВ ДИАГНОСТИКИ
    • 6. 1. Программная система
    • 6. 2. Использование уровня надежности и коэффициента эффективности для оценки качества диагностики
    • 6. 3. Серия экспериментов при различных приемах формирований распределений
    • 6. 4. Серия экспериментов при различных приемах формирования базы данных
    • 6. 5. Серия экспериментов с использованием многомерных распределений
    • 6. 6. Серия экспериментов с учетом динамики заболеваний
    • 6. 7. Результаты байесовской диагностики с учетом динамики заболеваний
    • 6. 8. Сравнение результатов дифференциальных диагностик методами Байеса, дискриминантного анализа, классификационных деревьев и нейронных сетей

Несмотря на обширные исследования в области математических методов диагностики, диагностические программы еще недостаточно совершенны. Это является одной из причин их крайне редкого использования в больницах и поликлиниках, хотя диагностика заболеваний с использованием программно реализованных математических методов является для врача таким же инструментом, как расчеты для инженера: расчетная диагностика не заменяет врача, но помогает ему.

Для создания более совершенных программ необходимо ставить и решать теоретические вопросы диагностики, развивать методики диагностики численными методами и приобретать практический опыт диагностики конкретных заболеваний.

Автором сделана попытка посмотреть на численные методы диагностики как с математической, так и с медицинской точек зрения. Это привело к рассмотрению ряда важных вопросов: совмещения медицинского и математического подходов к диагностике, диагностики с учетом многократно определенных диагностических признаков, учета взаимозависимости диагностических признаков и др.

В диссертации численные методы использованы для дифференциальной диагностики механической и паренхиматозной желтух. Приведем причины актуальности этой диагностической задачи. Паренхиматозная желтуха обусловлена вирусными и иными заболеваниями печёночной клетки, которые лечатся терапевтически. Механическая желтуха является следствием перекрытия желчных путей, например, камнями или опухолью и всегда предполагает необходимость срочного хирургического лечения. Схожие проявления совершенно разных по природе и тактике лечения заболеваний приводят к частым диагностическим ошибкам с тяжелыми последствиями.

ТЕРМИНЫ, СОКРАЩЕНИЯ, ОБОЗНАЧЕНИЯ, ПОЯСНЕНИЯ.

Аббревиатуры.

Аббревиатуры, используемые во всех разделах и разделах, связанных с методами диагностики.

ДП — «диагностические признаки». Под ДП понимаются: регистрационно-биографические данные (пол, возраст и т. п.), данные анамнеза, симптомы заболевания, анализы, данные инструментальных обследований пациента и др.

Аббревиатуры, используемые преимущественно в разделах, связанных с медицинскими данными и вопросами.

AJIAT — ферменты аланинаминотрансфераза,.

AC AT — ферменты аспартатаминотрансфераза,.

МЖ — механическая желтуха,.

УЗИ — ультразвуковое исследование,.

Индексы j = 1,2,3,., п — номер болезни- / = 1,2,3,., т — номер ДПt = 1,2,3,., г (/) — момент (день), отсчитываемый с начала болезни.

Отсутствие индекса t говорит о том, что есть информация только за один день (момент) или о том, что рассматривается множество величин, относящихся к моментам tl} t2, tз,—> т. Обозначение т (/) использовано потому, что для разных.

ДП число дней, в которые ДП определялись, разное. о" - индекс, указывающий, что величина ДП получена обследованием диагностируемого пациента. (Отсутствие этого индекса указывает на то, что величина ДП относится не к обследованию конкретного пациента, а к другим источникам информации: данным о течении болезни, статистике величин ДП при болезни J и т. п.).

Термины.

Выборочную относительную частоту для краткости также будем называть вероятностью, соответственно, выборочную плотность относительной частоты — плотностью вероятности.

Непрерывно распределенные ДП для краткости также будем называть непрерывными ДП. Величины ftj — доля больных болезнью j среди больных диагностируемыми болезнями.

Р — совокупность (распределение) вероятностей диагностируемых болезней у пациента, например, Р (Р, Рг}-> гДе Р> Pi ~ вероятности соответственно первой и второй болезней. а — величина (точнее, количественное выражение) диагностического признака, рассматриваемая как алгебраическая переменная. dj — величина, а для /-го ДП, например, СОЭ=28 или «есть боль», т. е. «а» может быть непрерывной или дискретной величиной. aoi — конкретное значение zго ДП, полученное в результате обследования пациента. aoi — то же, полученное в день t. q — распределение, то есть распределение вероятностей дискретного ДП, или плотность распределения вероятностей непрерывного ДП (непрерывно распределенного ДП). Кроме того, q обозначает распределение сочетания ДПраспределение многомерного ДП. Обозначение q используется для распределений, полученных статистически или моделированием. qtj (ai) — распределение /-го ДП при болезни j в момент (день) tраспределение получено сбором статистики или относится к модели, к траектории болезни и определяет вероятности или плотности вероятностей при всех значениях ДП. Такое обозначение подчеркивает, что плотность вероятности есть функция от величины а, от величины ДП. Когда очевидна зависимость плотности распределения от величины а, можно использовать более краткое обозначение: ч’г.

Qj (aoi) ~~ вероятность г-го ДП величиной aoi при болезни j в день t. Вообще говоря, два индекса t в одном обозначении — излишняя информативность, т.к. очевидно, что если ДП величиной aoi определен в день t, то для определения вероятности или плотности вероятностей разумно использовать распределение q^cii) только в этот же день t. То есть можно обойтись обозначением qj (aoi). qj (at) = ai) iqt?'(ai), qtj (ai)i.9qTj (ai)^ - совокупность распределений.

ДП i при болезни j во все моменты (дни) заболевания. qj (ai) без верхнего индекса t также используется как эквивалент q^a^, когда из контекста ясно, что речь идет об одном дне, или когда временной параметр не рассматривается. ч)(аы) ~ средняя ордината распределения вблизи величины асы, полученной в результате обследования пациента. Когда интервал вблизи величины aoi мал, qj (aoi) приближается к qtj (atoi). Пояснения к тексту.

Пояснения и замечания вынесены в приложение А, которое так и названо: «Пояснения и замечания». Ссылка на пояснения представляет собой букву «П» с цифрами, отделенными от буквы «П» пробелом. Первые цифры обозначают номер подраздела, в котором находится комментируемый текст, последняя цифра (написанная через тире) — порядковый номер пояснения в данном подразделе.

Все основные результаты диагностики с использованием различных методических приемов сведены в сравнительную таблицу 6.17. В таблице представлены численные эксперименты предыдущих разделов и результаты диагностики с учетом динамики одномерных ДП по выработанным рекомендациям, в соответствии с которыми сильнозависимые многократно определенные значения ДП усредняются (в главе 5, в разделе 5.1, такой подход условно назван вторым приближением).

Показать весь текст

Список литературы

  1. Представление и использование знаний/ под ред. X. Уэно, М. Исудзука. М.: Мир, 1989. — 220 с.
  2. , Дж. Экспертные системы: концепции и примеры / Дж. Элти, М. Кумба. М.: Финансы и статистика, 1987.-191 с.
  3. , К. Проектирование и программная реализация экспертных систем на ЭВМ / К. Таунсенд, Д. Фохт. М.: Финансы и статистика, 1990 — 234 с.
  4. , Д. Руководство по экспертным системам: пер. с англ. / Д. Уотермен. М.: Мир, 1989. — 388 е.: ил.
  5. An expert system for the diagnosis of epilepsy: results of a clinical trial / S. V. Thomas et al. // Natl Med J India. 2001. — Sep-Oct- 14(5). — P. 274−276.
  6. Экспертная система прогнозирования течения рака предстательной железы как результат базы данных канцер-регистра Электронный ресурс. / О. В. Леонов [и др.] Электронные данные. — Режим доступа: http://www.oncourolog.ru /conference/2/4/ 10.html.
  7. Экспертные системы Электронный ресурс. — Электронные данные. -Режим доступа: http://www.mari-el.ru/mmlab/home/AI/78/.
  8. Экспертная система Электронный ресурс. Электронные данные. -Режим доступа: http://rdc.dp.ua.
  9. Диагностика коматозных состояний Электронный ресурс.— Электронные данные. Режим доступа: http://www.adminru.com/support/ download r. htm
  10. Экспертная система Vertigo Электронный ресурс. Электронные данные. — Режим доступа.:http://ivanovtver.chat.ru/pageapp.htm.
  11. Expert systems. Computers as sages by Howard Rheingold Электронный ресурс. Электронные данные. — Режим доступа: http://www.atariarchives.org163index.php
  12. Экспертные системы медицинской диагностики. Достоинства и опыт реализации, обоснование экономической эффективности Электронный ресурс. Электронные данные. — Режим flocTyna: http://diagnos.ru.
  13. Экспертная диагностическая система Вест-синдром Электронный ресурс. Электронные данные. — Режим доступа: http://www.pedklin.ru/history /history.htm.
  14. Место информационных технологий в практике здравоохранения Электронный ресурс. Электронные данные. — Режим доступа: http://www.med-tech.com.ua/articles .
  15. Проверим алгеброй болезнь. Новейшие компьютерные технологии на службе диагностики Электронный ресурс. Электронные данные. — Режим доступа: http://www.medvestnik.ru/index.html.
  16. Программа «Прогноз развития мозгового инсульта» Электронный ресурс. Электронные данные. — Режим доступа: http://www.port.odessa.ua7 medic/misc/files /insult.zip.
  17. Follicular Neoplasms of the Thyroid: Decision Tree Approach Using Morphologic and Morphometric Parameters / V. Deshpande etc. // Acta Cytol. -1997.-V. 41.-P. 369−376.
  18. Использование продукционных правил для дифференциальной диагностики болезни Шегрена / О. И. Щербаченко и др. // Прикладные информационные аспекты медицины. — 2000. — Т. З, № 2. — С. 12−18.
  19. Savasere, A. An Efficient Algorithm for Mining Association Rules in Large Databases / A. Savasere, E. Omiecinski, S. Navathe // In Proc. 21st Int’l Conf. Very Large Data Bases / Morgan Kaufmann San Francisco, 1995. — P. 14−18.
  20. Дифференциальная диагностика желтух Электронный ресурс. -Электронные данные. Режим доступа: http://www.port.odessa.ua/medic/misc /files/medorders.zip.
  21. , А. А. Компьютерная система диагностики болезней внутренних органов Электронный ресурс. / А. А. Мингалеев. Электронные данные. — Режим доступа: http://www.infamed.com/pub/a040.html.
  22. , М. JI. К вопросу об использовании функциональных моделей в диагностике и лечении / М. JI. Жмудяк // Региональные проблемы информатизации: труды республиканской науч.-техн. конф. Барнаул, 1995. — С.25−26.
  23. , М. JI. К использованию функциональных моделей в диагностике и лечении / М. JI. Жмудяк- Алт. Гос. Техн. Ун-т им. И. И. Ползунова. Барнаул, 1995.- 28с. — Библиогр. — Рус. -Деп. в ВИНИТИ 05.04.95, № 949-В95.
  24. , С. А. Основы моделирования и первичная обработка данных / С. А. Айвазян, И. С. Енюков, JI. Д. Мешалкин. — М.: Финансы и статистика, 1983.-342 с.
  25. , Т. Введение в многомерный статистический анализ / Т. Андерсон. -М.: Физматгиз, 1963. 500с.
  26. , Н. Статистические методы в биологии /Н. Бейли- пер. с англ.- -М.: Иностр. лит, 1962. 216с.
  27. , Н. Математика в биологии и медицине / Н. Бейли. М.: Мир, 1970.-Гл. 11.
  28. , О. П. Биологическая и медицинская кибернетика: справочник / О. П. Минцер. — Киев: Наукова думка, 1986. — 375 с.
  29. , Р. Математические методы в медицине / Р. Беллман. М.: Мир, 1987.-200 с.
  30. , П. П. Факторный анализ с обобщениями / П. П. Благуш. М.: Финансы и статистика, 1989 — 246 с.
  31. , В. П. Statistica. Статистический анализ и обработка данных в среде Windows / В. П. Боровиков, И. П. Боровиков. М.: Информационно-издательский дом «Филин», 1997. — 608 с.
  32. Медицинская информационная система / Н. М. Амосов и др. Киев: Наукова думка, 1971. — 178 с.
  33. , А. Статистические решающие функции / А. Вальд //Позиционные игры / под ред. Н. Н. Воробьева, Н. Н. Врублевской. М.: Наука, 1967.-С. 300−522.
  34. Ван дер Варден. Математическая статистика: пер. с нем. / Ван дер Варден. М., 1960.-267 с.
  35. , Ю. Д. О месте многомерной статистики в клинико-физиологических исследованиях / Ю. Д. Волынский, А. И. Курочкина // Кардиология. 1980. — Т.20, № 5. — С. 88−91.
  36. , А. А. Интеллектуальные медицинские системы, алгоритмически формирующие знания / А. А. Генкин //Стратегическое использование информационных систем: материалы междунар. семинара / под ред. Р. Д. Галиерса, Б. Я. Советова. СПб., 1992. — С. 64−66.
  37. , А. А. Парные коэффициенты корреляции клинико-лабораторных признаков: артефакты и трудности интерпретации / А. А. Генкин //Клиническая лабораторная диагностика 1993. — № 6. — С.71−73.
  38. , А. Н. Обучение нейронных сетей / А. Н. Горбань.— М.: СП Параграф, 1991.-300 с.
  39. , Е. В. Информатика в медицине / Е. В. Гублер. М.: Финансы и статистика, 1991. — 219 с.
  40. , Е. В. Вычислительные методы распознавания патологических процессов / Е. В. Гублер. — JL, 1970. 178 с.
  41. , Е. В. Применение непараметрических критериев статистики в медико-биологических исследованиях / Е. В. Гублер, А. А. Генкин. -JL, 1973. -314с.
  42. , Б. Кластерный анализ: пер. с англ. / Б. Дюран. М.: Статистика, 1977.- 128с.
  43. Математические модели и оптические реализации многослойных и полиномиальных нейронных сетей / Н. Н. Евтихиев и др. М., 1994. — 32 с. -(Препринт/МИФИ, 004−94).
  44. , К. Факторный анализ / К. Иберле. М.: Статистика, 1980. — 398 с.
  45. , М. Многомерный статистический анализ и временные ряды / М. Кендалл, А. Стыоарт- пер. Э. JI. Пресмана, В. И. Ротаря. М.: Наука, 1976.-736 с.
  46. , С. Теория информации и статистика /С. Кульбак- пер. с англ.- под ред. А. Н. Колмогорова. М.: Наука, 1967. — 190 с.
  47. , Д. Н. Факторный анализ как статистический метод / Д. Н. Лоули, А. Э. Максвелл- пер. Ю. Н. Благовещенского. -М.: Мир, 1967. 144 с.
  48. , Л. Введение в проблему принятия решений в медицине / Л. Ластед. -М.: Мир, 1971. 169 с.
  49. Методы нейроинформатики. Красноярск: Изд-во КГТУ, 1998 — 205с.
  50. Переверзев-Орлов, В. С. Советчик специалиста. Опыт разработки партнерской системы/В. С. Переверзев-Орлов. -М.: Наука, 1990 133с.
  51. , Е. И. Статистические методы анализа и обработки наблюдений / Е. И. Пустыльник. М.: Наука, 1968. — 288 с.
  52. Прикладная статистика. Классификация и снижение размерности: справ. изд./С. А. Айвазян и др. М.: Финансы и статистика, 1989. — 606 с.
  53. Прикладной многомерный статистический анализ: сб. ст. / науч. ред. С. А. Айвазян, А. И. Орлов. М.: Наука, 1978.-392 с.
  54. Проблемы вычислительной диагностики: сб. науч. трудов / под ред. Е. В. Гублера- АН СССР. Л., 1969. — 257 с.
  55. Распознавание образов и медицинская диагностика / под ред. Ю. И. Неймарка. М, 1972. — 346 с.
  56. Основы математической статистики и ее применение / под ред. М. Урсяну. М.: Статистика, 1970. — 224 с.
  57. , Я. Факторный анализ / Я. Окунь. М.: Статистика, 1974 — 200 с.
  58. Статистические методы исследования в медицине и здравоохранении / под ред. А. Е. Полякова.- Д.: Медицина, 1971. 200 с.
  59. , Б. А. Основы статистического анализа и математического моделирования в медико-биологических исследованиях / Б. А. Углов, Г. П. Котельников, М. В. Углова. Самара: СамГМУ, 1994. — 71 с.
  60. , В. Ю. Статистический анализ в биологических и медицинских исследованиях/В. Ю. Урбах-М., 1975.
  61. , Ф. Нейрокомпыотерная техника / Ф. Уссерман. — М.: Мир, 1992.-334 с.
  62. , Г. Г. Современный факторный анализ / Г. Г. Харман- пер. с англ. В. Я. Лумельского. М.: Статистика, 1972 — 486 с.
  63. Хехт-Нильсен, Р. Нейрокомпьютинг: история, состояние, перспективы / Р. Хехт-Нильсен // Открытые системы. 1998. — № 4−5.-С. 21−25.
  64. Факторный, дискриминантный и кластерный анализы: сборник / пер. А. М. Хотинского, С. Б. Королева- под ред. И. С. Енюкова. М.: Статистика, 1972.-486 с.
  65. Abu-Hanna, P. J. F. Lucas, Prognostic Models in Medicine AI and Statistical Approaches, Methods of Information in Medicine © Schattauer GmbH (2001).
  66. Gurney, K. An Introduction to Neural Networks: Электронный ресурс. -Электронные данные. Режим доступа: http://www.shef.ac.uk/psvchology/ gurney/notes/contents.html.
  67. , К. Джейн Искусственные нейронные сети Электронный ресурс. / К. Джейн Анил, Жианчанг Мао, К М. Моиуддин- Электронные данные. —Режим доступа: http://www.scorcher.ru/neuro/science/neurocomp /mem52.htm
  68. Hanson, К. M. A computational approach to Bayesian inference / К. M. Hanson and G.S. Cunningham // Computing Science and Statistics. VA 220 397 460, 1996. P. 202−211.
  69. Mostert, Paul J. A Bayesian Method to Analyse Cancer Survival Times Using the Weibull Model Электронный ресурс. / Paul J. Mostert, Andriette Bekker, Jacobus J.J.Roux- Электронные данные. Режим доступа: http://www.stat.cmu.edu/ISBA/ 108f.pdf.
  70. Onisko, Agnieszka A Bayesian network model for diagnosis of liver disorders Электронный ресурс. / Agnieszka Onisko, Marek J. Druzdzel, Hanna Wasyluk- Электронные данные. Режим доступа: http://www. pitt/edu/ -druzdel/psfil es/cbmi99a.pdf
  71. Goodman, Steven N. Toward Evidence-Based Medical Statistics. 2: The Bayes Factor // Annals of Internal Medicine. 1999. — Vol. 130, 15 June.
  72. Knill- Jones, R. P. Use of sequential bayesian model in diagnosis of jaundice by computer/ R. P. Knill-Jones// Brit Med J. 1973. — Vol. 1. — P. 530.
  73. Honours Year Project Report. Bayesian Learning with Incomplete Information in Large Medical Databases: An Application of the EM Algorithm / By Quek Hui Nar, School of Computing National University of Singapore, 1998/99.
  74. Электронный учебник по статистике Электронный ресурс. М., StatSoft, 2001. — Электронные данные. — Режим доступа: http://www.statsoft.ru/home/ textbook/default.htm
  75. , М. Б. Методы системного анализа в медицинских исследованиях / М. Б. Славин. М.: Медицина, 1989.- 304 е., ил.
  76. , В. Г. Многослойная самоорганизация нейронных сетей оптимальной сложности / В. Г. Щетинин //Автоматика и вычислительная техника. 1998. — № 4.- С. 30−37.
  77. , В. Г. Принятие решений на нейронных сетях оптимальной сложности / В. Г. Щетинин, А. В. Костюнин // Автоматизация и современные технологии. 1998. — № 4. — С. 38−43.
  78. , В.Г. Синтез решающих правил на нейронных сетях для управления производством / В. Г. Щетинин, О. В. Столярова, А. В. Костюнин // Приборы и системы управления. 1999. — № 1. — С. 72−77.
  79. , В. Г. Применение искусственных нейронных сетей в клинической лабораторной диагностике / В. Г. Щетинин, А. А. Соломаха // Клиническая лабораторная диагностика. 1998 — № 10. — С. 21−23.
  80. , В. Г. Дифференциальная диагностика при помощи искусственных нейронных сетей / В. Г. Щетинин, В. Т. Комаров //Клиническая лабораторная диагностика. 1998. — № 11. — С. 34−37.
  81. Извлечение знаний с использованием нейронных сетей Электронный ресурс. Электронные данные. — Режим доступа: http://www.chat.ru/~neurolab
  82. Что особенного в ДА-системе Электронный ресурс. Электронные данные. — Режим доступа: http://www.contex.ru/index.html .
  83. Liao, J.G. A type of restricted maximum likelihood estimator of variance components in generalized linear mixed models / J.G. Liao, Stuart R. Lipsitz // Biometrika. 2002. -№ 2.-P. 401−409.
  84. Cunningham, Gregory S. Bayesian estimation of regularization parameters for deformable surface models / Gregory S. Cunningham, Andre Lehovich, Kenneth M. Hanson. Los Alamos National Laboratory, University of Arizona, Dept. of Applied Mathematics, 1999.
  85. Maximum Likelihood Estimation of Mixture Densities for Binned and Truncated Multivariate Data / Igor V. Cadez et al. //- Kluwer Academic Publishers, Hingham, MA, USA, 2002. P. 7−34.
  86. , M. JI. Алгоритм временной (сдвиг по фазе) адаптации траекторий / М. JI. Жмудяк- АлтГТУ. Барнаул, 1997.- Юс.: Библиогр. -Рус. — Деп. в ВИНИТИ 24.04.97, № 1398-В97.
  87. , М. JI. Вероятность принадлежности симптома к данной болезни. Весовые коэффициенты / М. JI. Жмудяк — АлтГТУ. Барнаул, 1997. -14с.: Библиогр. — Рус. — Деп. в ВИНИТИ 09.09.97, № 2812-В97.
  88. Лев, Г. Ш. Критерий наибольшего правдоподобия как основа формулрасчета вероятности болезни / Г. Ш. Лев, М. Л. Жмудяк, Л. М. Жмудяк- Алт. гос. техн. ун-т им. И. И. Ползунова. — Барнаул, 1998. 7с.: Библиогр. — Рус. -Деп. в ВИНИТИ 25.02.98, № 552-В98.
  89. , М. Л. Диагностика по методу траекторий, вероятностный подход / М.Л. Жмудяк- Алт. гос. техн. ун-т им. И. И. Ползунова. — Барнаул, 1998. Библиогр.-Рус.-Деп. в ВИНИТИ 19.03.98, Ж794-В98.
  90. Результаты компьютерной диагностики заболеваний по методу траекторий / М. Л. Жмудяк и др.// Материалы 1-й краевой конф. по математике, посвященной 25-летию АТУ. — Барнаул, 1998. — С. 32−33.
  91. , М. Л. Применение принципа максимума правдоподобия в диагностике / М. Л. Жмудяк, Г. Ш. Лев, Л. М. Жмудяк // Материалы 2-й практ. конф. по математике / АТУ. Барнаул, 1999. — С. 69−70.
  92. , М. Л. Какой из анализов необходимо сделать в первую очередь / М. Л. Жмудяк, А. В. Гайнер, Л. М. Жмудяк- Алт. гос. техн. ун-т им. И. И. Ползунова. Барнаул, 2000.- 15с.: Библиогр, — Рус. — Деп. в ВИНИТИ 24.03.00, № 781-В00.
  93. , М. Л. Применение принципа максимума правдоподобия в медицине / М. Л. Жмудяк, Г. Ш. Лев, Л. М. Жмудяк // Сибирский журнал индустриальной математики. — Новосибирск: Изд-во института математики, 2002. Том V, № 1(9). — С. 74−78.
  94. , М. Л. Модельные болезни / М. Л. Жмудяк, А. Л. Жмудяк-АлтГТУ. Барнаул, 2005.— 15с.: 2 рис.: Библиогр.: 9 назв. — Рус. — Деп. в ВИНИТИ 28.02.2005, № 278-В2005.
  95. , М. JI. Нейронные сети и вероятностные методы / М. JI. Жмудяк, A. JI. Жмудяк // Математическое образование на Алтае: труды науч.-метод. конф. (МОНА-2005) — Алт. Гос. Техн. Ун-т им. И. И. Ползунова. — Барнаул: Изд-во АлтГТУ, 2005. С. 38−39.
  96. Коэффициент эффективности как показатель качества диагностики Электронный ресурс. / А. Н. Повалихин, А. В. Стребуков, A. JI. Жмудяк — Электронные данные. Режим доступа: www.molod.mephi.ru/2002/ data/572.htm .
  97. Диагностика заболеваний методами теории вероятностей. / M.JI. Жмудяк, А. Н. Повалихин, А. В. Стребуков, А. В. Гайнер, A.JI. Жмудяк, Г. Г. Устинов // Алт. гос. тех. ун-т им. И. И. Ползунова. — Барнаул: Изд-во АлтГТУ, 2006. 168с. ISBN 5−7568−0524−9.
  98. Автоматизированная система медицинской диагностики заболеваний с учетом их динамики методами теории вероятностей / M.JI. Жмудяк, А. Н. Повалихин, А. В. Стребуков, A.JI. Жмудяк, Г. Г. Устинов // Ползуновский вестник. 2006 — № 1. — С. 95−106.
  99. Pearl, Judea. Bayesian Networks, in M. A. Arbib (Ed.)/ Judea Perl, Stuart Russell// Handbook of Brain Theory and Neural Networks, Cambridge, MA: MIT Press, 2003.-P. 157−160.
  100. Fenton, N.E. Combining evidence in risk analysis using Bayesian Networks/ N.E. Fenton, M. Neil. Электронные данные. — Режим доступа: https://www.dcs.qmul. ac.uk/~norman/papers/Combining%20evidence%20in%20ris k%20analysis%20using%20BNs.pdf.
  101. About Bayesian Belief Networks. Electronic resource. / Charles River Analytics Inc., 2004. 625 Mount Auburtn Street Cambridge. Электронные данные. — Режим доступа: http://www.cra.com/pdf/BNetBuilderBackhground.pdf.
  102. , A. JI. Байесовские сети: Логико-вероятностный подход / А. Л. Тулупьев, С. И. Николенко, А. В. Сироткин. — СПб.: Наука, 2006. 607 с.
  103. Извлечение знаний из медицинских баз данных. Электронный ресурс./ С. Арсеньев. Электронные данные. — Режим доступа:
  104. Claus, Elizabeth В. Risk Prediction Models in Breast Cancer / Elizabeth B. Claus — Yale University School of Medicine San Antonio, 2003.
  105. , С. А. Структурный анализ результатов медико-биологического эксперимента при неизвестных параметрах моделей Электронный ресурс. / С. А. Воробьев. Электронные данные. — Режим доступа: http://home.uic.tula.ru/~vorobei/Avto ref.htm.
  106. , В. В. Оптимальная сегментация экспериментальных кривых / В. В. Моттль, И. Б. Мучник, В. Г. Яковлев // Автоматика и телемеханика. — 1983.-№ 8.-С. 83−94.
  107. , С. А. Методы обработки структурных кривых с повторяющимися признаками формы при обработке результатов медико-биологического эксперимента / С. А. Воробьев, А. А. Яшин // Вестник новых медицинских технологий. 1998. — T. V, № 3−4. — С. 17- 19.
  108. Статистический метод анализа поздних желудочковых потенциалов у больных с инфарктом миокарда. Электронный ресурс. / С. С. Седов [и др.]-Электронные данные. Режим доступа: http://www.infamed.com/pub/a044.html
  109. , С. Ю. Система объективной оценки тяжести состояния больных хирургической инфекцией Электронный ресурс. / С. Ю. Слепнев, А. А. Звягин. Электронные данные. — Режим доступа: http://www.med.ru/ medcent/Anest/IV-rz.htm .
  110. Young, Robert W. A Confirmatory Factor Analysis of the National Pain Data Bank Version 2 Электронный ресурс. / Robert W. Young, Michael E. Clark, Ronald J. Gironda. — Электронные данные. — Режим доступа: http://www.vachronicpain.org/Downloads/Young.
  111. Программа «Дифференциальная диагностика желтух» (jaundice.arj)Электронный ресурс. — Электронные данные. — Режим доступа: http://www.rusmedserv.com/software/index.php.
  112. , Г. Г. Желчнокаменная болезнь. Патогенез, диагностика, лечение/ Г. Г. Устинов, Я. Н. Шойхет. — Барнаул, 1997. 432с.
  113. Бондарь, 3. А. Желтухи / 3. А. Бондарь. М., 1965.-352 с.
  114. , О. А. Дифференциальная диагностика заболеваний печени / О. А. Дунаевский. М., 1985. — 64с.
  115. , Ю. М. Патогенез, диагностика и лечение механической желтухи / Ю. М. Дедерер, Н. П. Крылова, Я. Н. Шойхет. — Красноярск, 1990. -112 с.
  116. , Г. Г. Оценка степени операционного риска у больных механической желтухой / Г. Г. Устинов // Вопросы клинической и теоретической медицины. Барнаул, 1994/ - Т. 1 — С. 147−149.
  117. , Ю. В. Механическая желтуха: диагностический алгоритм и лечение Электронный ресурс. / Ю. В. Иванов, С. М. Чудных Электронные данные. — Режим доступа: http://www.osp.i4j/doctore/2002/07−08/076.htm .
  118. Harrison’s principles of Internal Medicine. 16th Edition. Editors: D.L. Kasper, E. Braunwald, A.S. Fauci, S.L.Hauser, D.L. Longo, J.L. Jameson. McGraw-Hill, Medical Publishing Division. New York, 2005. — 2783p.
  119. , А. И. Функциональная диагностика болезней печени. 2-е изд., перераб. и доп./А. И. Хазанов. -М.: Медицина, 1988. — 304 с.
  120. Выявление вируса гепатита G (HGV) при хронических заболеваниях печени / А. С. Логинов и др. // Российский гастроэнтерологический журнал. -1999.-№ 1. С. 23−31.
  121. , И. Л. Вирусные гепатиты в России: официальная статистика и экономические потери. Центральный НИИ эпидемиологии МЗ РФ/ И. Л. Шаханина // Бюллетень «Вакцинация. Новости вакцинопрофилактики-2001 -№ 6 (18) Ноябрь-декабрь. С. 3
  122. , Н. Н. Вирусные гепатиты Электронный ресурс. / Н. Н. Филиппова, М. В. Комарова Электронные данные. — Режим доступа: www.labdiagn.hl .ru/hepatit.shtml .
  123. Хронические вирусные заболевания печени Электронный ресурс. / Е. Н. Ильина [и др.]: пособие для врачей Электронные данные. — Режим доступа: http://lytech.ru/Books/Gepatit/gep 1 .htm .
  124. Гепатит В Электронный ресурс. / А. Д. Аммосов Электронные данные. — Режим доступа: http://www.vector-best.ru/brosh/gepb.htm .
  125. Вирусные гепатиты (этиопатогенез, эпидемиология, клиника, диагностика и терапия) Электронный ресурс. / А. Г. Рахманова [и др.]: пособие для врачей. Кольцово, 2001 Электронные данные. — Режим доступа: http://www.vector-best.ru/brosh/virhep.htm .
  126. , А. А. Клинико-морфологическая характеристика внепеченочных проявлений HBV-инфекции / А. А. Ильянкова, П. Е. Крель // Российский журнал гастроэнтерологии, гепатологии, колопроктологии. — 2001.-Том 11, N 3. С. 11−18.
  127. , Д.К. Вирусные гепатиты / Д. К. Львов // Вопросы вирусологии: двухмесячный научно-теоретический журнал / РАМН. 2002. — N 6. — С. 44−46.-ISSN 0507−4088.
  128. ГОСТ 8.207−76. Прямые измерения с многократными наблюдениями. Методы обработки результатов наблюдений. Основные положения.
  129. , В. Е. Теория вероятностей и математическая статистика: учеб. пособие для вузов/ В. Е. Гмурман. 9-е изд., стер. — М.: Высш. шк., 2003. -479 е.: ил.
  130. Zhmudyak, A. Using Bayes' Formula for Improving Disease Diagnostics. Karyn Kupcinet International Science School Summer Program 2006/ Weizmann institute of science. Rehovot, Israel: The Academic Affairs Office, October, 2006 -P. 34.
  131. , Н.Г. Эмпирическое предсказание /Н.Г. Загоруйко- отв ред. В. А. Скоробогатова. Новосибирск: Наука. Сиб. отд-ние, 1979.-124 с.
Заполнить форму текущей работой

Сессия? Спокойно!