Научный метод обработки информации при акустической диагностике влияния производственной среды на здоровье человека

• Автор: Малышев, Владимир Серафимович
• Шифр специальности: 05.13.01
• Научная степень: Докторская
• Год защиты: 2002
• Место защиты: Тула
• Количество страниц: 268 с. : ил

СОДЕРЖАНИЕ
ВВЕДЕНИЕ
ГЛАВА 1. МАТЕМАТИЧЕСКИЕ ОСНОВЫ ДИАГНОСТИЧЕ СКОЙ ПРОЦЕДУРЫ И ОЦЕНКИ ПРОГНОСТИЧЕСКОЙ ГИПОТЕЗЫ

1.1 Принципы формирования диагностической процедуры.

1.2 Оценочные статистические методы.

1.2.1 Метод конечных состояний Байесовский подход

1.2.2 Метод максимального правдоподобия.

1.2.3 Метод последовательного анализа.

1.2.4 Метод неоднородного последовательного анализа

1.3 Моделирующие статистические методы

1.3.1 Метод дискриминантного анализа

1.3.2 Метод кластерного анализа.
1.3.3 Метод фазового пространства.
1.4. Аппаратное обеспечение диагностической процедуры
ГЛАВА 2. АНАЛИЗ УСЛОВИЙ ВОЗНИКНОВЕНИЯ РЕСПИРАТОРНОГО СПЕЦИФИЧЕСКОГО АКУСТИЧЕСКОГО ФЕНОМЕНА
2.1 Механика дыхания
2.1.1 Система давлений в дыхательной системе
2.1.2. Моделирование системы дыхания
2.1.3. Условия возникновения дыхательных шумов
2.2 Типы воздушного потока, генерирующие специфический акустический феномен при дыхании
2.3 Типы дыхания
2.4. Параметры респираторного цикла легочные объемы
ГЛАВА 3. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ МЕТОДА АКУСТИЧЕСКОЙ ДИАГНОСТИКИ ДЛЯ ОЦЕНКИ ВЛИЯНИЯ ПРОИЗВОДСТ
ВЕННОЙ СРЕДЫ НА ЗДОРОВЬЕ ЧЕЛОВЕКА ОСНОВЫ БРОНХОФОНОГРАФИИ. .
3.1. Паттерн дыхан ия
3.2. Характеристики паттерна.
ГЛАВА 4. РАЗРАБОТКА МЕТОДИК РАСЧЕТА ПАРАМЕТРОВ
ПАТТЕРНА ДЫХАНИЯ ОСНОВЫ БРОНХОФОНОГРАФИИ
4.1 Методика расчета спектра частот вынужденных колебаний
4.2 Методика расчета спектра частот собственных колебаний
4.3 Методика расчета энергетических параметров паттерна.
ГЛАВА 5. СТАТИСТИЧЕСКОЕ МОДЕЛИРОВАНИЕ ПРИ
ОЦЕНКЕ ВЛИЯНИЯ ПРОИЗВОДСТВЕННОЙ СРЕДЫ НА ЗДОРОВЬЕ ЧЕЛОВЕКА
5.1. Применение регрессионного анализа для определения параметров респираторного цикла.
5.2. Применение дискриминантного анализа для построения диагностических статистических моделей дискриминантный анализ патер
5.2.1. Определение дискриминантных функций и построение диаграммы рассеяния.
5.2.2. Интерпретация канонических дискриминантных функций.
5.2.3. Процедуры классификации
5.2.4. Вероятность принадлежности к классу.
5.2.5. Учет априорных вероятностей оценка ошибочной классификации .
5.2.6. Измерение остаточной дискриминации с помощью Астатистики Уилкса.
5.2.7. Построение диагностических статистических моделей.
ЗАКЛЮЧЕНИЕ
ВЫВОДЫ
ПРАКТИЧЕСКИЕ РЕКОМЕНДАЦИИ.
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ


В клинической практике известны так называемые патогенетические симптомы, наличие которых однозначно определяет заболевание. Известны также симптомы, наличие которых исключает постановку того или иного диагноза. Однако подобная детерминированность редко встречается на практике, чаще всего характерно наличие совокупности симптомов, встречающихся с некоторой частотой. Такое положение связано со сложностью организма и его систем. Известно, что процессы в организме взаимосвязаны. Это же относится и к симптомам, являющимся внешним отражением функционирования систем организма. Одним из наиболее распространенных подходов являются вероятностные методы постановки диагноза. Большинство из них основано на теореме Байеса и различных ее модификациях. Применение формулы Байеса предусматривает независимость симптомов и комплексов симптомов. На практике это утверждение применяется априорно (Воробьев Е. И., Китов Л. Н., ). Однако необходимо иметь в виду возможность значительных нарушений такой условной независимости, которые могут привести к ошибкам в диагностике и лечении. Но на практике, в силу адекватности получаемых результатов, эта теорема часто применяется (Зисельсон А. Д., Красилыцикова Е. С., Хусенский И. А., ). Для дифференциальной диагностики бронхиальной астмы и хронического бронхита может быть использован метод дискриминантного анализа (Bartko-wiak A. Последний достаточно широко распространен в случае статистического прогнозирования. Thurmayer R. При машинной диагностике болезней органов дыхания, как правило, рассматриваются итоги компьютерного распознавания группы заболеваний (хронические неспсцифические заболевания легких и т. Например, в первоначальном варианте одного из алгоритмов использовалось более 0 признаков, в дальнейшем удалось перейти на несколько сокращенный перечень - 3 признака (Моисеев Н. И., ; Молотков В. Н. и соавт. Для дифференциальной диагностики в этом случае применялся сложный алгоритм, включающий формулу Байеса, затем последовательную статистическую процедуру А. Вальда (на втором этапе для распознавания выделенных первоначально 2-3 нозологических единиц, вероятность которых превышала пороговую величину, использовахись дополнительно признака). Таким образом, при необходимости возможно сочетание подходящих методов. Такая необходимость чаще всего обусловливается желанием исключить возможные ошибки или с целыо верификации уже полученных результатов. При анализе специфики использования вероятностных алгоритмов диагностики установлено, что эффективная, точная классификация заболеваний может быть создана только на основе хорошо определенных и общепринятых симптомов, признаков, лабораторных исследований заболеваний (Будянский Ю. А. и соавт. Все вероятностные алгоритмы при решении достаточно сложных задач диагностики требуют применения современной вычислительной техники. Вместе с тем применение сложных математических методов и вычислительных машин не снимает ответственности, лежащей на враче, который должен решить, какие именно данные потребуются, а также собрать надежные данные и осмыслить результаты их анализа. Отсюда становится очевидной важность решения задачи по определению некоторого, достаточно не большого, множества интегральных оценок. Последние должны не только характеризовать диагностируемую нозологию, но и позволять использовать врачебный опыт и интуицию. Для решения задачи прогнозирования необходимо иметь соответствующие функциональные математические модели, учитывающие влияние множества факторов на работу' систем. Параметры таких моделей могут быть получены на основании результатов экспериментального исследования или клинических данных. Прогнозирование может заключаться в получении непрерывных кривых, позволяющих интерполировать и экстраполировать функциональные и структурные сдвиги при патологии. Для решения задачи прогнозирования лечебного эффекта также необходимо иметь соответствующие модели, построенные на ограниченном массиве экспериментальных данных или клинических исследований. Физиологическая норма соответствует поддержанию (стабилизации) основных параметров жизнедеятельности организма в определенных пределах.