Интеллектуализация принятия решений при лечении больных бронхиальной астмой на основе нейросетевого моделирования

• Автор: Полевой, Никита Юрьевич
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2001
• Место защиты: Воронеж
• Количество страниц: 150 с.

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ
1. ПУТИ ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ ЛЕЧЕНИЯ БОЛЬНЫХ БРОНХИАЛЬНОЙ АСТМОЙ НА ОСНОВЕ ПРИМЕНЕНИЯ МЕТОДОВ МОДЕЛИРОВАНИЯ

И ОПТИМИЗАЦИИ.

1.1. ЗАДАЧА ОПТИМИЗАЦИИ СХЕМ ЛЕЧЕНИЯ БОЛЬНЫХ БРОНХИАЛЬНОЙ АСТМОЙ.

1.2. АНАЛИЗ МЕТОДОВ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИ ПРИНЯТИИ ВРАЧЕБНЫХ РЕШЕНИЙ

1.3. ЦЕЛЬ И ЗАДАЧИ ИССЛЕДОВАНИЯ

2. МАТЕМАТИЧЕСКОЕ ОПИСАНИЕ ЛЕЧЕНИЯ БОЛЬНЫХ БРОНХИАЛЬНОЙ АСТМОЙ НА ОСНОВЕ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ.

2.1. ФОРМИРОВАНИЕ НЕЙРОСЕТЕВОЙ МОДЕЛИ БОЛЬНОГО БРОНХИАЛЬНОЙ АСТМОЙ

2.2. ОБУЧЕНИЕ НЕЙРОСЕТЕЙ НА ОСНОВЕ МЕТОДА ОБРАТНОГО РАСПРОСТРАНЕНИЯ ОШИБКИ

2.3. ОПТИМИЗАЦИЯ СТРУКТУРЫ СКРЫТЫХ СЛОЕВ НЕЙРОСЕТИ.

ВЫВОДЫ ПО ВТОРОЙ ГЛАВЕ.
3. АЛГОРИТМИЗАЦИЯ ПРОЦЕДУР И МЕТОДОВ СИСТЕМЫ ОПТИМИЗАЦИИ СХЕМ ЛЕЧЕНИЯ БОЛЬНЫХ БРОНХИАЛЬНОЙ АСТМОЙ.
3.1. РАЗРАБОТКА ОПТИМАЛЬНОЙ СТРУКТУРЫ СИСТЕМЫ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ДЕЯТЕЛЬНОСТИ ВРАЧА.
3.2. ОБЕСПЕЧЕНИЕ КОНТРОЛЯ ДОСТОВЕРНОСТИ ПРЕДСКАЗЫВАЕМЫХ ЗНАЧЕНИЙ НА ВСЕХ ЭТАПАХ РАБОТЫ
3.3. АЛГОРИТМ ВОССТАНОВЛЕНИЯ ПРОБЕЛОВ В МАССИВЕ ДАННЫХ
3.4. АЛГОРИТМ ОПТИМИЗАЦИИ СТРУКТУРЫ СКРЫТОЙ ЧАСТИ НЕЙРОСЕТИ ТРАПЕЦИЕВИДНОЙ СТРУКТУРЫ
3.5. ПОДБОР ОПТИМАЛЬНОЙ СХЕМЫ ЛЕЧЕНИЯ БОЛЬНОГО
БА С ПОМОЩЬЮ НЕЙРОСЕТЕВОЙ МОДЕЛИ
ВЫВОДЫ ПО ТРЕТЬЕЙ ГЛАВЕ
4. РАЗРАБОТКА ПРОГРАММНОГО КОМПЛЕКСА ОПТИМИЗАЦИИ СХЕМ ЛЕЧЕНИЯ БОЛЬНЫХ БРОНХИАЛЬНОЙ АСТМОЙ
4.1. СТРУКТУРА ПРОГРАММНОГО КОМПЛЕКСА
4.2. СТРУКТУРА ТИПОВОЙ БАЗЫ ДАННЫХ, ИСПОЛЬЗУЕМОЙ ДЛЯ НЕЙРОСЕТЕВОГО МОДЕЛИРОВАНИЯ
4.3. ПРИМЕР ПРИМЕНЕНИЯ РАЗРАБОТАННОГО
ПРОГРАММНОГО КОМПЛЕКСА
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ


Благодаря резко возросшей в -е годы активности исследований в области нейросетей в настоящее время наблюдается резкий прорыв средств, основанных на сетях нейронов, в область медицинских исследований, экономики, химии, биологии, физики и многих других наук. В области медицины такой прорыв нейросетевых технологий объясняется прежде всего спецификой медицинских данных: нечеткостью и неполнотой. Кроме того, в некоторых областях медицины комплексный анализ данных другими средствами чрезвычайно затруднен вследствие большого количества подлежащих анализу параметров. Одной из таких областей является пульмонология, и в частности, исследование такого заболевания как бронхиальная астма. В данной главе рассматриваются основные задачи исследования и определяются пути их решения; определяются требования к системе интеллектуальной поддержки деятельности врача. Бронхиальная астма (БА) является одной из наиболее распространенных бронхолегочных патологий [9, , ] и затрагивает население различных возрастных групп. Существующие стандартные схемы лечения больных БА основываются на учете достаточно большого количества клинико-диагностических критериев. Между чем известно, что астма протекает неодинаково у больных различных возрастных групп, и даже механизмы формирования бронхиальной обструкции различаются в зависимости от возраста: у детей и подростков - по типу бронхоспазма, у взрослых - преимущественно по типу отека, а у пожилых больных наибольшее значение имеют фиброз и атрофические изменения в стенке бронхОв [, , ]. Кроме того, с увеличением возраста пациентов нарастает количество разнообразных сопутствующих заболеваний [, ], которые часто оказывают существенное влияние на эффективность лечения основного заболевания, а также требуют применения препаратов, которые в комбинации с противоастматическими средствами могут давать различные побочные эффекты. Традиционно лечащий врач на основе собственного опыта самостоятельно принимает решение о допустимости применения конкретных лечебных воздействий для больного заданного возраста с заданным набором сопутствующих заболеваний и формирует тактику лечения на основе стандартной схемы. Прогноз длительности пребывания больного в сгационаре также строится на основании опыта и интуиции, без возможности моделирования применения предлагаемых схем лечения к данному больному (группе). В связи с этим возникла необходимость в разработке программного комплекса, осуществляющего автоматизированный подбор и виртуальное тестирование оптимальных с точки зрения врача либо предложенных в качестве таковых самим программным комплексом схем лечения. При этом должны учитываться не только традиционные клинико-диагностические данные, но также возраст больного и наличие/отсутствие сопутствующих заболеваний. При этом необходимо учитывать возраст больного (группы), противопоказания, характерные для тех или иных лечебных воздействий, и наличие или отсутствие у больного (группы) сопутствующих заболеваний. Требуется также прогнозирование длительности пребывания в стационаре данного больного с применением предлагаемой схемы лечения. Рассмотрим основные методы, применяемые в системах интеллектуальной поддержки деятельности врача, существующих на сегодняшний день. Наиболее хорошо зарекомендовавшими себя в этой области являются методы, основанные на применении следующих средств: экспертных систем; индуктивных обучающихся систем; деревьев решений; семантических сетей и нейронных сетей [, , ]. Проанализируем применимость каждого из этих методов для решения задач данного исследования. Экспертные системы. Как и любая система, основанная на знаниях, экспертная система ], , ] обязательно содержит в своем составе базу знаний и механизм логических выводов. Зачастую для представления фактических знаний используется отдельный механизм - база данных, в базе . Кроме того, для ведения базы знаний и дополнения ее при необходимости знаниями, полученными от эксперта, требуется отдельный модуль приобретения знаний []. Другим важным компонентом экспертной системы является пользовательский интерфейс, необходимый для правильной передачи ответов пользователя в базу знаний. Пользовательский интерфейс играет важную роль при манипуляции знаниями и отображении результатов решения поставленной задачи.