Математические модели для решения задач прогнозирования, дифференциальной диагностики и рациональной сочетанной терапии при эректильной дисфункции у больных сахарным диабетом

• Автор: Шашков, Андрей Викторович
• Шифр специальности: 03.01.09
• Научная степень: Кандидатская
• Год защиты: 2012
• Место защиты: Курск
• Количество страниц: 148 с.

Список сокращений

ЭД - эректильная дисфункция

СД - сахарный диабет

ХП - хронический простатит

ПОЛ - перекисное окисление липидов

АОА - антиокислительная активность

ЛОД - локально отрицательное давление

МИЭФ - Международный индекс эректильной функции

БАТ — биологически активные точки

ЭХБАТ - энергетические характеристики биологически активных точек

СОДЕРЖАНИЕ
ВВЕДЕНИЕ
Практическая значимость и результаты внедрения работы
1. АНАЛИТИЧЕСКИЙ ОБЗОР СОСТОЯНИЯ ПРОБЛЕМЫ И ПОСТАНОВКА
ЗАДАЧ ИССЛЕДОВАНИЯ
1Л. Современные представления о физиологии эрекции
1.2. Особенности этиологии и патогенеза эректильной дисфункции при сахарном диабете
1.3. Особенности диагностики эректильной дисфункции в сочетании с хроническим простатитом у больных сахарным диабетом
1.4. Лечение эректильной дисфункции у больных сахарным диабетом
1.5. Обзор математических методов и информационных технологий, используемых для прогнозирования и дифференциальной диагностики заболеваний
1.6. Цель и задачи исследования
2. РАЗРАБОТКА НЕЧЕТКИХ МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ, ДЛЯ РЕШЕНИЯ ЗАДАЧ ПРОГНОЗИРОВАНИЯ И ДИАГНОСТИКИ ЭРЕКТИЛЬНОЙ ДИСФУНКЦИИ У БОЛЬНЫХ САХАРНЫМ ДИАБЕТОМ..
2.1. Объект, математические методы и средства исследования
2.2. Клинико-лабораторная характеристика больных с эректильной дисфункцией
2.3. Выбор информативных биологически активных точек и построение нечетких математических моделей для прогнозирования и диагностики эректильной дисфункции у больных сахарным диабетом по энергетическим характеристикам этих точек
2.4. Формирование комбинированного пространства информативных признаков для прогнозирования эректильной дисфункции в сочетании с хроническим простатитом у больных сахарным диабетом
2.5. Синтез решающих правил для прогнозирования возникновения эректильной дисфункции и хронического простатита у больных сахарным диабетом

2.6. Построение математических моделей для решения задач диагностики эректильной дисфункции и хронического простатита у больных сахарным диабетом
2.7. Выводы второй главы
3. РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЯ ВРАЧА УРОЛОГА ДЛЯ ПРОГНОЗИРОВАНИЯ, ДИАГНОСТИКИ И ЛЕЧЕНИЯ ЭРЕКТИЛЬНОЙ ДИСФУНКЦИИ У
БОЛЬНЫХ САХАРНЫМ ДИАБЕТОМ
3.1 Нечеткие модели принятия решений по назначению комбинированной
терапии пациентов с эректильной дисфункцией
3.2. Алгоритм принятия решений по прогнозированию, дифференциальной диагностике и выбору схем лечения больных сахарным диабетом
3.3. Структура интеллектуальной системы поддержки принятия решений врача
уролога
Программное обеспечение предложенной СППР позволяет в ходе её эксплуатации корректировать решающие правила её базы знаний с целью улучшения качества её функционирования
3.4. Выводы третьей главы
4. МАТЕМАТИЧЕСКИЙ АНАЛИЗ ЭФФЕКТИВНОСТИ РАЗРАБОТАННЫХ МЕТОДОВ И СРЕДСТВ
4.1. Выбор математического аппарата для оценки эффективности полученных
результатов и оценка эффективности работы прогностических решающих правил
4.2. Оценка эффективности работы правил дифференциальной диагностики
4.3. Исследование эффективности алгоритма принятия решений и математических моделей по выбору рациональных схем лечения с использованием комбинированной терапии
4.3. Выводы четвертой главы
ЗАКЛЮЧЕНИЕ
Практические рекомендации
БИБЛИОГРАФИЧЕСКИЙ СПИСОК

которая указывает на принадлежность объекта к некоторому классу (образу). В медицинских задачах признаки X - это жалобы больного, симптомы, данные осмотра, лаботаторного, инструментального обследования и т.д. Набор заранее расклассифицированных объектов, т. е. таких, у которых известны характеристики X и S, используется для обнаружения закономерных связей между значениями этих характеристик, и поэтому называются обучающей выборкой. Те объекты, у которых характеристика S неизвестна, образуют контрольную выборку. С помощью обучающей выборки определяют параметры математических моделей, позволяющих решать задачи классификации неизвестных объектов по известным классам заболеваний.
Теоретической базой для построения алгоритмов распознавания послужила теория статистических решений, сформулированная в 50-60-е годы XX века. К середине 70-х годов определился облик распознавания как самостоятельного научного направления, математический аппарат теории распознавания расширился за счет применения разделов прикладной математики, теории информации, методов алгебры логики, математического программирования и системотехники и т.д. Сейчас в различных сферах человеческой деятельности используется более 200 методов распознавания и их количество растет.
Существует несколько классификаций методов распознавания образов, основанных на различных подходах. Различают параметрические, непараметрические и эвристические методы. На основании способа представления знаний, выделяют интенсиональные и экстенсиональные методы [51]. Исходя из исторически сложившихся направлений в области теории распознавания образов, используется следующая классификация:
- методы, основанные на принципе разделения;
- статистические методы;
- методы, построенные на основе потенциальных функций;
- методы вычисления оценок (голосования);
- методы, основанные на исчислении высказываний, в частности на аппарате алгебры логики.