Методика структурного прогнозирования состояния сложноорганизованных объектов : На прим. задач медицины

• Автор: Пудова, Наталья Викторовна
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 1998
• Место защиты: Москва
• Количество страниц: 194 с. : ил.

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ
ГЛАВА 1.
Проблемы диагностики и прогнозирования в кардиомедицине
1Л. Формализация проблемы исследования
1.2. Цели и задачи исследования
1.3. Оценка существующих методов решения
1.4. Обоснование выбора метода решения
1.5. Выводы
ГЛАВА 2.
Построение решающих правил классификации с помощью метода перебора конъюнкций
2.1. Проблема классификации в медицине
2.2. Постановка задачи альтернативной диагностики динамических объектов
2.3. Организация исследования и формирование базы данных
2.4. Преобразование исходного пространства признаков
2.5. Формирование групп для обучения и контроля
2.6. Метод перебора конъюнкций и выбор параметров алгоритма
2.7. Тестирование полученного решающего правила

2.8. Выводы
ГЛАВА 3.
Компьютерная система САНДИДА для диагностики и прогнозирования состояния пациентов при остром инфаркте миокарда.
3.1. Выбор среды программирования
3.2. Архитектура компьютерной системы САНДИДА
3.3. Принцип иерархии при постановке диагноза
3.4. Формирование заключения о состоянии пациента
3.5. Рекомендации по использованию системы САНДИДА
3.6. Выводы
ГЛАВА 4.
Результаты исследования
4.1. Анализ результатов диагностики
4.2. Оценка границ применимости полученных результатов
4.3. Сравнение результатов прогнозирования компьютерной системы САНДИДА с экспертными заключениями врачей
4.4. Перспективы развития
4.5. Выводы
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЕ

ВВЕДЕНИЕ
Последние два десятилетия применения вычислительной техники (ВТ) в различных областях знаний показали, что развитие теоретической и прикладной кибернетики дает основания рассчитывать на успешное расширение сферы использования математических методов и ВТ, особенно в решении проблем, требующих имитации мышления человека [1].
В связи с тем значением, которое международная общественность придает проблемам охраны здоровья человека, резко возрос интерес программистов и математиков к проблемам медицины. Своими успехами и достижениями она в значительной мере обязана современной научно-технической революции. Соединенные Штаты Америки тратят на нужды здравоохранения 15% валового национального продукта [2, с. 3-4].
Математические методы в медицине стали широко использоваться около 50 лет назад. Одним из основоположников математического подхода к проблемам биологии и медицины был Винер. Он изучал биологические системы управления [3] и, в частности, занимался анализом клинической информации.
История применения математических методов в медицине - это фактически история применения автоматической обработки информации (АОД). В настоящее время на смену термину АОД пришло понятие компьютерных систем (КС) для решения определенного круга задач, в том числе и в медицине.

ных вероятностей в качестве неизвестных параметров алгоритма классификации, определяемых в процессе обучения.
Часто в исследованиях, основанных на схеме Байеса, значения некоторых пропущенных элементов (признаков) определяют из литературных источников, где данные получены на популяциях, существенно отличающихся от той, на которой проводится обучение. Это обстоятельство может служить дополнительным источником ошибок диагностики.
Главные трудности при применении теоремы Байеса возникают тогда, когда оказывается необходимым одновременно учитывать влияние многих симптомов. Почти всегда в этом случае делается предположение об их статистической независимости. Учитывая особенности формирования признаков, описывающих состояние больного, это предположение является мало обоснованным
Делались попытки учесть в рамках "схемы Байеса" (так называют алгоритмы классификации, основанные на предположении о статистической независимости симптомов) корреляции между признаками и симптомами. Так, например, предлагалось либо учитывать условные вероятности, связывающие появление наиболее зависимых между собой двух-трех признаков, либо вообще исключать из рассмотрения признаки, которые сильно коррелированы с другими, более информативными признаками [66]. Однако до сих пор неизвестны работы, в которых были бы представлены методы, позволяющие последовательно учесть все