Алгоритмы прогноза развития пневмонии при острых отравлениях психотропными и снотворными средствами

• Автор: Ельков, Александр Никонорович
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2003
• Место защиты: Москва
• Количество страниц: 156 с. : ил

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ
ГЛАВА 1. ПОСТАНОВКА ЗАДАЧИ ИСПОЛЬЗОВАНИЯ МЕТОДОВ РАСПОЗНАВАНИЯ ОБРАЗОВ ДЛЯ ПРОГНОЗА РАЗВИТИЯ ПНЕВМОНИИ ПРИ ОСТРЫХ ОТРАВЛЕНИЯХ ПСС

1.1. Вводные замечания.

1.2. Решающее правило в задаче распознавания с двумя классами .

1.3. Неоднородная последовательная процедура.

1.4. Постановка задачи прогноза развития пневмонии при

острых отравлениях ПСС

ГЛАВА 2. ОТБОР ПРИЗНАКОВ, СУЩЕСТВЕННЫХ ДЛЯ

ПРОГНОЗА РАЗВИТИЯ ПНЕВМОНИИ.

2.1. Сбор медицинских данных.

2.2. Инструментальная база данных
2.2.1 Вводные замечания.
2.2.2 Схема инструментальной базы данных
2.2.3 Язык записи данных
2.2.4 Структура базы данных больных с острыми отравлениями ПСС
2.3. Редукция пространства признаков.
2.4. Проверка статистической независимости прогностических признаков
2.5. Выводы
ГЛАВА 3. О РАСПРЕДЕЛЕНИИ ВЕРОЯТНОСТЕЙ ЛОГАРИФМА
ОТНОШЕНИЯ ПРАВДОПОДОБИЯ.
3.1. Функция плотности логарифма отношения правдоподобия при неравных внутриклассовых дисперсиях
3.2. Функция плотности логарифма отношения правдо
подобия при равных внутриклассовых дисперсиях.
3.3. Функция плотности логарифма отношения правдоподобия для качественных признаков
3.4. Выводы.
ГЛАВА 4. МОДИФИКАЦИЯ НЕОДНОРОДНОЙ ПОСЛЕДОВАТЕЛЬНОЙ ПРОЦЕДУРЫ.
4.1. Вычисление функции плотности суммы Вальда
4.1.1. Непрерывные признаки.
4.1.1.1. Вычисление функции плотности суммы
4.1.1.2. Теорема об ограниченности функции 5.
4.1.2. Дискретные признаки
4.1.3. Функция плотности суммы непрерывных
и дискретных признаков.
4.1.2. Обобщение для случая отсутствующих значений
4.2. Классификатор Байеса.
4.3. Интерпретация модели распознавания на исходных данных
4.4. Выводы.
ГЛАВА 5. ПРОГНОЗ РАЗВИТИЯ ПНЕВМОНИИ ПРИ ОСТРЫХ
ОТРАВЛЕНИЯХ ПСС ПО ДВУМ ПРИЗНАКАМ.
5.1. Вводные замечания
5.2. Прогноз на основе аппроксимации выборочных данных двумерным нормальным законом
5.2.1. Определение границы области принятия решений.
5.2.2. Интерпретация модели распознавания на исходных данных
5.3. Прогноз на основе аппроксимации выборочных данных произведением кривых Пирсона I типа
5.3.1. Способ аппроксимации
5.3.2. Алгоритм вычисления границы области принятия решений
5.3.3. Интерпретация модели распознавания на исходных данных.
5.4. Оценка вероятности ошибки классификации
5.5. Выводы.
ГЛАВА 6. ПРОВЕРКА ЭФФЕКТИВНОСТИ РАЗРАБОТАННЫХ АЛГОРИТМОВ ПРОГНОЗА РАЗВИТИЯ ПНЕВМОНИИ ПРИ ОСТРЫХ ОТРАВЛЕНИЯХ ПСС
6.1. Прогноз пневмонии по шести параметрам больного.
6.2. Прогноз пневмонии по двум параметрам больного
6.2. Выводы.
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ


Преимуществом аппроксимации произведениями кривых Пирсона I типа является отсутствие необходимости в том, чтобы внутриклассовые выборочные распределения соответствовали нормальному закону (см. ПСС, основанные на совокупности анализов, выполняемых в Московском центре лечения острых отравлений НИИ скорой помощи им. Н.В. Склифосовского. Задача решена разработанными методами построения решающих правил на доступном объеме обучающей выборки. Основными предположениями о статистических свойствах распределений анализов больных являются: разделимость классов, приемлемость нормальной аппроксимации и, для модификации неоднородной последовательной процедуры, независимость распределений отдельных признаков. В результате описанного подхода был разработан алгоритм прогноза развития пневмонии и соответствующее программное средство (см. Приложение). Они внедрены в практику работы Московского отделения лечения острых отравлений НИИ скорой помощи им. Н.В. Склифосовского. Принцип организации упомянутой выше инструментальной базы данных и программные механизмы управления данными, разработанные в ходе диссертационного исследования, использованы в "Компьютерной информационно-аналитической токсикологической системе Токсстаг 1. ГУ ИКТЦ Минздрава России во исполнение приказа Министерства здравоохранения Российской Федерации от г. Об утверждении учетной документации токсикологического мониторинга". КИАТС Токсстат 1. Минздрава России от № -см. Приложение). Предлагаемый алгоритм и его программная реализация имеют достаточно общий характер. Это позволяет их рекомендовать для опытного использования при решении аналогичных задач и при других нозологических формах острых химических отравлений. Москва, ), на I съезде токсикологов России (Москва, ), на V международном, форуме "Информационные технологии и интеллектуальное обеспечение медицины” (Турция, Кемер, ), на Всеармейской научно-практической конференции "Актуальные вопросы военно-полевой терапии" (Санкт-Петербург, ), на международной научной конференции "Интеллектуализация обработки информации" (Алушта, г. Институте прикладной математики им. М.В. Келдыша РАН (Москва, и гг. Институте проблем информатики РАН (Москва, г. Вычислительном Центре им. A.A. Дородницына РАН (Москва, г. НИИ скорой помощи им. Н.В. Склифосовского Комитета здравоохранения Правительства Москвы и Государственном учреждении "Информационно-консультативный токсикологический центр" Минздрава России. Автор выражает глубокую благодарность д. В.Н. Новосельцеву (ИПУ им. В.А. Трапезникова РАН), д. К.К. Ильяшенко (НИИ скорой помощи им. Н.В. Склифосовского) и к. H.H. Литвинову (ГУ ИКТЦ Минздрава РФ). ГЛАВА 1. Цель внедрения прикладной математики в практику диагностики заболеваний человека состоит в повышении эффективности лечения больных путем совершенствования методов диагностики заболеваний на основе формализации фактической медицинской информации, которая, вследствие высокой сложности организма человека, как правило, не отвечает критериям однородности, систематизированности и отсутствию внутренних противоречий [5, , ]. В этом контексте мы занимались проблемой извлечения из практических знаний врача тех диагностических признаков, которые, не являясь, на первый взгляд, в достаточной мере пригодными для решения конкретной диагностической задачи, после математической обработки становятся таковыми, и их использования для количественной оценки вероятности возникновения осложнения на фоне основного заболевания на примере развития пневмонии при острых отравлениях психотропными и снотворными средствами. Нередко имеющие место среди врачей различия в оценках состояния одного и того же больного породили попытку дополнить субъективный опыт врача статистическими исследованиями объективно наблюдаемых результатов анализов и клинических симптомов. На этом пути было достигнуто значительное развитие как самой математической статистики (в связи с этим нельзя не вспомнить известную работу Н. Бейли []), так и создание инструментальных методов и множество примеров применения математической статистики в медицине (от R. Ledley, L. Lasted [5] до С. Х. Сарманаев, И. Е. Яманаева [4, 5]).