јƒјѕ“»¬Ќјя Ќ≈…–ќ-Ќ≈„≈“ јя ћќƒ≈Ћ№ ƒЋя ƒ»‘‘≈–≈Ќ÷»јЋ№Ќќ… ƒ»ј√Ќќ—“» » ѕќƒ“»ѕќ¬ “–јЌ«»“ќ–Ќџ’ »Ў≈ћ»„≈— »’ ј“ј 

√лавна€ ї ѕубликации ї јƒјѕ“»¬Ќјя Ќ≈…–ќ-Ќ≈„≈“ јя ћќƒ≈Ћ№ ƒЋя ƒ»‘‘≈–≈Ќ÷»јЋ№Ќќ… ƒ»ј√Ќќ—“» » ѕќƒ“»ѕќ¬ “–јЌ«»“ќ–Ќџ’ »Ў≈ћ»„≈— »’ ј“ј 

 

 
¬оенна€ медицина, 2007, є 4, —. 101 - 106

    Ѕ.¬. ƒривотинов, ≈.Ќ. јпанель, Ќ.ј. Ќовоселова, ј.—. ћастыкин, ј.—. ‘едулов

јƒјѕ“»¬Ќјя Ќ≈…–ќ-Ќ≈„≈“ јя ћќƒ≈Ћ№ ƒЋя ƒ»‘‘≈–≈Ќ÷»јЋ№Ќќ… ƒ»ј√Ќќ—“» » ѕќƒ“»ѕќ¬ “–јЌ«»“ќ–Ќџ’ »Ў≈ћ»„≈— »’ ј“ј 

1Ѕелорусский государственный медицинский университет, ћинск
2–еспубликанский научно-практический центр неврологии и нейрохирургии, ћинск, Ѕеларусь 
3ќбъединенный »нститут ѕроблем »нформатики ЌјЌ Ѕеларуси , ћинск, Ѕеларусь

________________________________________________________________________________

B.V. Drivotinov, E.N. Apanel, N.A. Novoselova A.S. Mastykin, A.S. Fedulov

ADAPTIVE NEURO-FUZZY MODEL FOR TRANSIENT ISCHEMIC ATTACKS SUBTYPES DIFERENTIAL DIAGNOSTICS 

    —воеобразие клинической проблемы выделени€ подтипов транзиторных ишемических атак (“»ј) заключаетс€, прежде всего, в сложности получени€ выборки исходных данных. ќсновное из того, чем мы располагаем – это анамнез с расплывчатыми нечеткими описани€ми пациентом неврологической симптоматики, как прошедшей, так и «вроде бы» все еще удерживающейс€ [1- 5, 8, 15].

    ¬ этом контексте нам представл€етс€ целесообразным подойти к этой проблеме путем использовани€ нечеткого нейросетевого моделировани€ на базе нечеткой формальной логики [2, 4, 5, 10-12].

    ћатематическа€ теори€ нечетких множеств (fuzzy sets) и нечетка€ логика (fuzzy logic) €вл€ютс€ обобщени€ми классической теории множеств и классической формальной логики. ѕон€ти€ нечеткости в контексте этих теорий были впервые предложены Ћотфи «аде (Lotfi Zadeh) в 1965 г. ¬ своей работе о применении теории нечетких множеств в медицине «аде писал: «Ќаиболее веро€тна€ область применени€ этой теории – медицинска€ диагностика, и в меньшей степени описание биологических систем» [17].

    ќсновной причиной по€влени€ этой теории стало обилие нечетких и приближенных рассуждений при описании процессов, систем, объектов. ’арактеристикой нечеткого множества выступает функци€ принадлежности (membership function) с нечеткой степенью этой принадлежности, котора€ варьирует как и веро€тность в пределах от 0 до 1.0.

    Ќечетка€ логика €вл€етс€ вычислительной парадигмой, котора€ предоставл€ет математические методы обработки неопределенности и неточности, характерных дл€ процесса человеческих рассуждений. ќсновной отличительной чертой нечеткой логики €вл€етс€ способность выражать знани€ в лингвистической форме, а именно в виде набора простых дл€ понимани€ правил. Ќечетка€ логика позвол€ет улучшить классификационные модели, основанные на правилах использовани€ нечетких множеств дл€ определени€ перекрывающихс€ (пересекающихс€) классов, какими и €вл€ютс€ подтипы “»ј.

    “ипичный нечеткий классификатор состоит из набора правил типа «если, то» с нечеткими предпосылками и меткой класса в следствии правила. ѕредпосылки правил разбивают пространство значений признаков на некоторое количество нечетких областей, следстви€ правил описывают выход классификатора в этих област€х. ѕрименение нечетких «если, то» правил позвол€ет улучшить интерпретируемость результатов, способность проникновени€ в суть структуры классификатора и в процесс прин€ти€ решени€. Ќечеткие классификаторы используют постепенное изменение степеней принадлежности к нескольким классам. ¬ св€зи с тем, что нечеткие множества позвол€ют ввести пон€тие непрерывности в дедуктивные рассуждени€, поведение нечетких систем становитс€ более близким к обычной традиционной реальности медицинской диагностики. ¬ тоже врем€ нечеткие множества обладают всеми преимуществами символических моделей.

    ¬ своем изначальном виде классические нечеткие экспертные системы требовали присутстви€ экспертов соответствующей предметной области, что не всегда удаетс€ обеспечить, да и мнени€ экспертов могут вносить дополнительный «информационный шум» [7]. ¬ таком виде первые разработки экспертных систем были лишены практического смысла. ѕоэтому, в насто€щее врем€ получили широкое распространение адаптивные нечеткие системы (adaptive fuzzy systems), где подбор параметров нечеткой системы производитс€ автоматически в процессе обучени€ на сведени€х, имеющихс€ в базе данных.

    ¬ этом сообщении приведены результаты применени€ адаптивной нечеткой нейросетевой модели (ЌЌћ) или адаптивного нейросетевого классификатора [2, 5, 10-12] дл€ распознани€ подтипов транзиторных ишемических атак (“»ј) [1, 2, 5, 8].

    ÷ель сообщени€ – осветить возможности ЌЌћ дл€ выделени€ подтипов “»ј с последующим углубленным анализом этиопатогенетической неоднородности (гетерогенности) этой патологии и дл€ разработки лечебно-профилактических меропри€тий по предотвращению возникновени€ и развити€ ее эпизодов. 

    Ќечеткое моделирование позвол€ет представить знани€ в виде набора нечетких правил, что делает этот метод привлекательным дл€ решени€ дифференциально-диагностических задач в медицине, и интерес к нему продолжает повышатьс€ [2, 4, 5, 10-12]. ¬ этом отношении самым привлекательным моментом таких моделей €вл€етс€ их способность к самообучению на основе самоанализа имеющихс€ данных, предыдущих ошибок классификации и адаптации к ним.

    ћатериал и методы исследовани€. ѕредлагаема€ нами адаптивна€ ЌЌћ или нечеткий нейросетевой классификатор использует модифицированный алгоритм обратного распространени€ ошибки дл€ обучени€ параметров нечеткой модели, построенной на имеющихс€ данных [10-12]. “акой алгоритм позвол€ет сохранить интерпретируемость первоначально построенной модели и получить решение классификационной задачи в пон€тном дл€ пользовател€ виде – в форме набора нечетких правил, которые должны быть непротиворечивыми.

    ¬ качестве исходного исследуемого обучающего набора данных выбран набор из дес€ти признаков, наиболее релевантных к “»ј из общего числа переменных в базе данных, приведенных в анкете опроса пациента. ќн состоит из 101 случа€, каждый их которых представлен исходными значени€ми дес€ти признаков, адаптированных нейросетевым классификатором ЌЌћ (табл.1).

    ¬се входные признаки характеризуютс€ несколькими дискретными значени€ми. ¬ качестве зависимого категориального признака используетс€ переменна€ Group, разбивающа€ исходный набор данных на четыре класса: —уб“»ј1 (класс 1), —уб“»ј2 (класс 2), —уб“»ј3 (класс 3) и Ќќ–ћј (класс 4) [1, 2, 4, 5, 8].     

    “аблица 1

    ќписание анализируемых признаков и количества их дискретных значений.

    
 
 од

признака

 
Ќаименование признака
 оличество дискретных значений по признаку
исходных   по ЌЌћ
AGE ¬озраст 6 3
PROFESSN ѕрофесси€ 6 2
INSOMNIA Ѕессониица 3 3
HERED_CV Ќаследственность по патологии сосудов головного мозга у родителей 4 3
HEREDITA Ќаследственность по кардиологическим заболевани€м 4 3
ECG »зменени€ на Ё √ 3 2
HEARTACH Ѕоли в области сердца 4 3
LABEFFEC “рудоспособность 4 3
MEMORYLO —нижение пам€ти 4 3
OPDISODS «рительные расстройства 4 2
 

    –езультаты и обсуждение. Ќа первом этапе были определены все возможные нечеткие правила с использованием нечетких множеств дл€ каждого из входных признаков, и автоматически отобраны правила, покрывающие все обучающие данные и имеющие наибольшие коэффициенты эффективности.

    ¬ процессе обучени€ ЌЌћ была выполнена настройка параметров и оптимизаци€ структуры нечеткого классификатора, определен  конечный набор из п€ти лингвистических правил: 

    
  1. ≈сли PROFESSN равно малое и INSOMNIA равно малое и OPDISODS равно   

                  среднее, то Group равно 1 с весом 0.88.

  1. ≈сли PROFESSN равно малое и INSOMNIA равно среднее и OPDISODS  

              равно среднее, то Group равна 2 с весом 0.45.

  1. ≈сли INSOMNIA равно большое, то Group равно 3 с весом 0.6.
  2. ≈сли HEARTACH равно большое, то Group равно 3 с весом 0.44.
  3. Group равно 4 с весом 0.12.

    “очность классификации на обучающих данных при этом составила 75%.

 
 

–ис. ЌЌћ с п€тью классифицирующими правилами (R1 – R5) и заданными лингвистическими значени€ми нечетких множеств дл€ дифференциальной диагностики подтипов “»ј (1-—3 и Ќќ–ћј, 4); лингвистические значени€ нечетких множеств: ћ –«малое», — –«среднее», Ѕ – «большое».

        ¬ажна€ деталь на этой схеме - пр€мой выход на класс —3 (гипертензивный подтип —уб“»ј3) признаков INSOMNIA и HEARTACH через правила  R3  и    R4.  

    —огласно схеме ЌЌћ представл€ет собой трехслойную сеть пр€мого распространени€ со следующей структурой:

    – первый слой представл€ет входные признаки (прин€тые в исследование анамнестические данные пациента:  жалобы, симптомы, параклинические данные и т.д., релевантные к “»ј);

    – второй слой – нечеткие правила, представл€ющие собой базу правил ЌЌћ, предназначенные дл€ классификации подтипов “»ј;

    – третий слой представл€ет метки классов, а именно четыре выделенных класса – три подтипа “»ј (—1-—3) и Ќќ–ћј (—4).

     ¬ св€зи с тем, что в обучающей выборке конечный набор нечетких правил составлен  только по четырем признакам из 26, представленным в анкете опроса,: PROFESSN, INSOMNIA, HEARTACH, OPDISODS, то, дискретные значени€ этих признаков у каждого пациента €вл€ютс€ критическими в прин€тии конечного решени€ об отнесении его к определенному подтипу (—уб“»ј1, —уб“»ј2, —уб“»ј3 или Ќќ–ћј). ¬ таблице 2 приведен фрагмент результатов ЌЌћ классификации (обучающа€ выборка, 101 наблюдение) по конкретным пациентам с указанием их дискретных   значений (градаций) по признакам.

    “аблица 2.

    ‘рагмент классификационного решени€ по подтипам “»ј с применением ЌЌћ

    
ѕодтип “»ј

(исходна€ классификаци€)

‘»ќ пациента
¬озраст (полных лет)

AGE PROFESSN INSOMNIA HERED_CV HEREDITA ECG HEARTACH LABEFFEC MEMORYLO OPDISODS –езультат классификации с использованием ЌЌћ
—уб“»ј1 —уб“»ј2 —уб“»ј3 Ќќ–ћј

ƒискретные значени€ (градации) по признакам

—уб“»ј3

(√ипер-тензивный)

Ѕ-вик 56 5 3 3 2 1 2 2 3 2 1 0 0 0,83 0,17
ѕр-ов 50 3 1 3 1 2 2 2 2 2 2 0 0 0,83 0,17
Mа-в 73 6 1 3 2 2 2 2 3 4 2 0 0 0,83 0,17
Ће-ов 60 6 1 3 1 1 2 2 3 2 3 0 0 0,83 0,17
 р-ва √»  60 6 6 2 2 2 3 3 3 3 1 0 0 0,71 0,29
                               
—уб“»ј2 ( ардиоэм-болический) ¬а-ник  55 4 1 2 3 2 2 2 2 2 3 0 0,79 0 0,21
Ўа-ио  70 6 1 2 1 2 2 2 2 3 3 0 0,79 0 0,21
—-ко 55 4 1 2 2 2 2 2 2 2 2 0 0,65 0 0,35
ѕ-лов 48 3 3 2 2 2 2 2 2 2 2 0 0,65 0 0,35
ѕ-ик 50 3 1 2 2 2 1 2 2 2 2 0 0,65 0 0,35
                               
—уб“»ј1 (јтеротром-

ботический)

«-нок   57 5 1 1 1 1 2 2 3 2 3 0,88 0 0 0,12
Ў-ова  49 3 1 1 1 1 2 2 3 2 3 0,88 0 0 0,12
M-ов 49 3 3 1 1 1 1 2 2 2 3 0,86 0 0 0,14
T-кa 40 2 1 1 1 1 2 2 3 2 2 0.79 0 0 0,21
–-ич   46 3 3 1 1 1 2 2 2 1 2 0.79 0 0 0,21
                               
 
Ќќ–ћј
Ў-ич ¬Ѕ 50 4 5 2 1 1 1 2 2 2 1 0 0 0 1
ћ-ин ј— 59 5 5 2 1 1 2 2 1 2 2 0 0 0 1
Ќ-дь √  61 6 5 1 1 1 1 2 1 2 1 0 0 0 1
ј-ль ≈Ќ 37 3 5 2 1 1 1 1 1 1 1 0 0 0 1
√-ар »ј 40 2 5 1 1 1 1 1 1 1 1 0 0 0 1
“-ец Ё 59 5 5 1 1 2 1 1 1 1 1 0 0 0 1
¬-ес ј» 39 2 5 1 1 1 1 1 1 1 2 0 0 0 1
ѕ-ва ≈Ќ 65 6 5 1 2 1 1 1 1 2 1 0 0 0 1

    — использованием ЌЌћ было проведено выделение подтипов “»ј дл€ не вошедших в обучающую выборку наблюдений с отсутствующим указанием подтипа “»ј (тестова€ выборка, 40 наблюдений). ‘рагмент результатов диагностики (распознавани€) приведен в таблице 3, в которой просматриваетс€ наиболее «“»ј-опасное» направление – артериальна€ гипертензи€ —уб“»ј3 (половина всей выборки – 20 наблюдений, 50%), затем следует кардиоэмболи€, —уб“»ј2 (7 наблюдений, 17,5%), церебральный атеросклероз —уб“»ј1 оказалс€ самым малочисленным (три наблюдени€, 7,5%).

    “аблица 3

    ƒифференциальна€ диагностика подтипов “»ј по ЌЌћ (фрагмент тестовой выборки).

    
єє п/п ‘амили€ ».ќ. и возраст пациента  ласс распознавани€ ƒ   и   а   г   н   о   з
—уб“»ј1 —уб“»ј2 —уб“»ј3 Ќќ–ћј
1 ј-ва ЌЌ 58 ж 4 0 0 0 1
2 Ѕ-ко ¬√ 47 м 4 0 0 0 1
3 Ѕ-ко –ѕ 52 ж 3 0 0,178 0,582 0,238
4 Ѕ-ич √»  55 ж 3 0 0 0,709 0,290
5 √-ко —√ 42 м 3 0 0,178 0,582 0,238
6 »-ко √√ 56 м 1 1 0 0 0
7 ћ-ин ј— 66 м 4 0 0,428 0 0,571
16 —-ич ѕЌ 19 лет 1 0,880 0 0 0,120
17 ¬-ин ј» 80 м 2 0 0,789 0 0,210
18 ƒ-ич ¬ћ 53 ж   3 0 0,352 0,459 0,187
19 ƒ-ко ЌЌ 51 м 4 0 0,428 0 0,571
20 ƒ-ич јћ 60 м 2 0 0,789 0 0,210
21  -ко јЌ 49 м 3 0 0,352 0,459 0,187
22 ќ-ва ¬ћ 74 ж 3 0 0 0,709 0,290
23 —-ца јЌ 53 м 4 0 0 0 1
24 Ѕ-ов јѕ 76 м 2 0 0,521 0,339 0,139
25 ¬-ев ¬ƒ 58 м 3 0 0 0,833 0,166
26 √-ко ¬ѕ 66 ж 4 0 0 0 1
27  -но яЅ 60 ж 3 0 0 0,833 0,166
28  -ик Ќѕ 64 ж 2 0 0,652 0 0,347
35 —-ва √’ 67 ж 2 0 0,465 0,379 0,155
36 “-ин —ј 55 м 3 0 0 0,833 0,166
37 ‘-ев јј 53 м 2 0 0,652 0 0,347
38 –-ев —ћ 63 м 3 0 0 0,833 0,166
39 √-нь ƒј 35 м 4 0 0 0 1
40 “-ко “¬ 37 ж 1 0,594 0 0 0,405
ќбщее количество наблюдений (%)

по классам распознавани€ (%)

3 (7.5) 7 (17,5) 20 (50,0) 10 (25,0)

    »з полученных результатов можно сделать осторожно предварительный вывод, что сам по себе атеросклероз сосудов головного мозга – не сама€ выраженна€ первопричина эпизода “»ј, но он имеетс€ при двух других ее подтипов, и в каждом из них в той или иной степени играет свою потенцирующую роль. јтеросклероз может быть причиной дл€ других патологий; это не противоречит традиционным клинико-интуитивным представлени€м и вполне в них укладываетс€. ѕоэтому жестка€ констатаци€ только одного подтипа как отдельного варианта не правомерна – каждый этиопатогенетический путь развити€ эпизода “»ј предопределен, а постановка окончательного дифференциального диагноза осуществл€етс€ по наиболее веро€тному из них. ѕо-видимому, в этом отношении сказываетс€ «статичность» этой патологии в виде локально развивающейс€ на внутренней стенке сосуда атеросклеротической бл€шки (разумеетс€, без учета ее отрыва). ¬ свою очередь, кардиоэмболи€ и артериальна€ гипертензи€ (подтипы —уб“»ј2 и —уб“»ј3) динамичны и про€вление их активности не имеет четкой и жесткой прив€занности к определенному месту внутри сосуда. Ёта неустойчива€ мобильность и делает их более эффективными провокаторами неустойчивой цереброваскул€рной патологии “»ј. ƒес€ть наблюдений (25,0%) были отнесены к классу Ќќ–ћј, что, однако, не может служить основанием дл€ отсутстви€ возможности развити€ эпизода “»ј.

    ѕон€тие подтипа “»ј только начинает выкристаллизовыватьс€ и внедр€тьс€ в клиническую практику. ¬ печатных издани€х и в »нтернете мы не встретили статистических данных о точности диагностики по подтипам “»ј. ѕо состо€нию на сегодн€ речь не идет о сопоставлении качества диагностики «хуже-лучше» различными способами. ¬ услови€х отсутстви€ такой статистики и неточности анамнестических данных представл€етс€ необходимым искать более совершенные способы извлечени€ диагностической информации и ее классификации [1-5, 8, 14, 15], и  на данном этапе следует удовлетворитьс€ дилеммой «приемлемо или неприемлемо».

    “аким образом, в отличие от «добросовестного зазубривани€» классификаторов на линейном дискриминантном анализе, адаптивна€ ЌЌћ акцентирует внимание на обобщенные особенности каждой группы (класса, подгруппы, подтипа) зависимой переменной, анализирует ошибки и «вдумываетс€» в них, адаптиру€сь под результаты анализа, выносит свое окончательное классификационное решение.

    ћногочисленные литературные источники и наш опыт убедили нас в том, что у пациентов с легкими и незначительными морфологическими изменени€ми на  “ и ћ–“ могут быть про€влени€  эпизода “»ј. ќсобенно это отмечаетс€ при лейкоареозе [16]. ќднако, по мере более четкой очерчености морфологических изменений и бόльшей выраженности феноменологических неврологических про€влений происходит конвергенци€ этих картин – они станов€тс€ более адекватными друг другу [9].

    “ака€ нейроморфологическа€ и клиническа€ нечеткость побуждает искать новые подходы. ¬ св€зи с чем еще раз следует вспомнить проблему статистической обработки данных в услови€х нозологической гетерогенности в общемедицинском плане, и не только дл€ дифференциальной диагностики и выделени€ подтипов “»ј. Ёта проблема возникает везде и всюду (повсеместно), в том числе и при подготовке имеющегос€ статистического материала дл€ дальнейшего его анализа при исследовании результатов (эффективности) лечени€. —овершенно не учитываетс€ тот факт, «что, во-первых, среди опытной группы, безусловно, имеютс€ пациенты, которым лечение не помогло вовсе … ¬о-вторых, в контрольной группе больных… без сомнени€ имеютс€ пациенты, у которых объективно регистрируетс€ улучшение состо€ни€. Ѕолее того, авторами не производитс€ количественна€ оценка индивидуальной выраженности изменений изучаемых показателей в процессе лечени€». [6]. Ёто очень существенное замечание. ¬ этом случае речь идет о некорректном кустарном («самотужном») «медицинском статистическом анализе», при котором по t-критерию —тьюдента доказываетс€ «то, что нужно» при полной уверенности в том, что анализ действительно проведен корректно и результаты не терп€т сомнений. ќтдава€ должную дань уважени€ той роли, которую он сыграл в прошлом в статистической обработке данных исследований, на сегодн€ приходитс€ признать, что это уже «—тьюдентов анахронизм», который не может в полной мере удовлетвор€ть возросшим требовани€м современного уровн€ анализа данных и проверки гипотез на истинность или ложность в медицинских исследовани€х.

    —овременные классификационные методы на базе разработок по созданию искусственного интеллекта позвол€ют эту проблему неоднородности исходного материала свести до минимума, и, таким образом, получить окончательное корректное максимально приемлемое решение. Ѕолее того, при составлении отчетов, да и просто дл€ большей нагл€дности полученных результатов используютс€ специальные методы визуализации, которые в медицинских публикаци€х встречаютс€ крайне редко. Ќапример, граф нейросети (рис.), дерево правил и сами правила (см. «п€ть лингвистических правил»), карты  охонена [10], попул€рные наборы, таблицы типа «„то-если»,  таблицы дубликатов и противоречий, многомерное представление данных OLAP и др. ¬се это еще пока «новинки» в современных медицинских публикаци€х.

    ѕри повторных эпизодах “»ј по континууму усиливающихс€ патологических изменений, на смену морфологической и клинической расплывчатости и нечеткости постепенно приходит более очерченный образ клинико-морфологического соответстви€. Ётот функционально-структурный континуум патологического процесса, эволюционирую-щий по типу кресчендо, и €вл€етс€, по нашему мнению, основой формировани€  нечетко обозначенной, но, в то же врем€, достаточно дифференцированной этиопагенетической картины по подтипам “»ј. ¬ абстрактно-математическом (формально-логическом) представлении эти подтипы могут быть представлены как пересекающиес€ множества с нечеткими границами (fuzzy sets) в заданном признаковом пространстве [2, 5, 8].

    ћетод нечеткого нейросетевого моделировани€ – это один из подходов построени€ формальных логических конструкций и генерировани€ гипотез (в том числе и классификационных) на базе разработок по искусственному интеллекту. Ётот аспект тесно св€зан с неврологией. ќсновоположники "новой математики и логики" и теории систем Ћюдвиг фон Ѕерталанфи и ƒжон фон Ќейман, сто€вшие у основ кибернетики и создани€ вычислительных машин (в последствии, компьютеров), с 60-х годов прошлого столети€ уже предвидели, что однажды  "логика будет вынуждена претерпеть метаморфозу и превратитьс€ в неврологию в гораздо большей степени, чем неврологи€ - в раздел логики" [13]. ѕохоже, что эта пророческа€ сентенци€ начинает сбыватьс€.

    «аключение. ѕриобретенный нами опыт работы с ЌЌћ указывает на нецелесообразность вводить большое число градаций при категоризации в неточном и субъективном описании пациентом его жалоб и симптомов “»ј. ќднако, выбрать априори оптимальное количество градаций традиционно клинически трудно. ѕрименение ЌЌћ автоматически дает минимально приемлемое их количество дл€ дальнейшего анализа и получени€ окончательных классификационных выводов.

    ѕолучить четкие исходные анамнестические сведени€ от пациента по жалобам и симптоматике “»ј весьма затруднительно – они всегда содержат элементы сомнений и неуверенности в их описании. ¬ этой ситуации результаты проведенного исследовани€ дают основание считать перспективным использование адаптивного нечеткого нейросетевого моделировани€ дл€ дифференциальной диагностики подтипов “»ј в услови€х нечеткости и сомнительной надежности анамнестических сведений. “акой метод, основанный на разработках по созданию искусственного интеллекта, позвол€ет с учетом субъективных сомнений затруднений пациента в описании данных, «подстраиватьс€» под них «таких, какие они есть» и проводить углубленный дифференцированный по подтипам интеллектуальный анализ этиопатогенетической гетерогенности “»ј дл€ последующей разработки адресных индивидуализированных лечебно-профилактических меропри€тий.

    —овместно с врачом адаптивна€ ЌЌћ работает по схеме:  лассификаци€ – ѕрогнозный диагноз – »ндивидуализированные адресные меропри€ти€ и рекомендации пациенту по предотвращению эпизодов “»ј в будущем.

     Ћитература
  1. ƒривотинов Ѕ.¬., јпанель ≈.Ќ., ћастыкин ј.—. ѕрогноз-диагностика транзиторных ишемических атак и их лечебно-профилактическое предупреждение// ћедицинский журнал.-2006.-є 3.- —. 116-119
  2. ƒривотинов Ѕ.¬., ћастыкин ј.—.,  расько ќ.¬., јпанель ≈.Ќ. ѕрименение разведочных методов анализа данных в дифференциальной диагностике подтипов транзиторных ишемических атак // ¬оенна€ медицина. – 2006.- є 1.- —. 51-54.
  3. ƒривотинов Ѕ.¬., јпанель ≈.Ќ., ћастыкин ј.—. √ипоксическое прекондиционирование как фактор  защиты мозга// ¬оенна€ медицина.-2007.-є 1.- —. 114-118.
  4. ƒривотинов Ѕ.¬., јпанель ≈.Ќ., ћастыкин ј.—. “ранзиторные ишемические атаки в свете современных нейропатофизиологических представлений// ¬ кн.: Ќейрогуморальные механизмы регул€ции функций в норме и патологии. ћинск, 2007.- —. 295-301.
  5. ƒривотинов Ѕ.¬., ћастыкин ј.—., јпанель ≈.Ќ., Ќовоселова Ќ.ј. »спользование нечеткой нейросетевой модели дл€ дифференциальной диагностики подтипов транзиторных ишемических атак // ћедицинский журнал.-2007.-є 2.- —. 102-105.
  6.  абак —.Ћ.,  абак ё.—.  акому методу статистической обработки результатов следует отдавать предпочтение при оценке эффективности нового метода лечени€?//Ѕел. мед. журнал.- 2003.- є 3.-     —. 119-121.
  7. ћастыкин ј.—., јнтонов ».ѕ., Ўалькевич ¬.Ѕ. –оль экспертной системы дл€ профилактики и лечени€ преход€щих нарушений мозгового кровообращени€. ѕериферическа€ нервна€ система.- ¬ып. 21.-ћн.- 1998.- —. 121-125.
  8. ћастыкин ј.—., ƒривотинов Ѕ.¬., јпанель ≈.Ќ. √етерогеность нозологического пон€ти€ транзиторной ишемической атаки // Ѕел. ћед. журнал. 2004, є 4.- —. 18-21.
  9. ћоисеева Ќ.». ћедицинские аспекты вычислительной диагностики в   неврологии. Ћ., 1972. 
  10. Ќовоселова Ќ.ј. –азведочный анализ медицинских данных с использованием самоорганизующихс€ карт  охонена// »скусственный интеллект. - 2002.- є 2.- —. 526-533.
  11. Ќовоселова Ќ.ј. ѕредварительный отбор информативных признаков дл€ улучшени€ точности предсказани€ с помощью нейронной сети //  »скусственный интеллект. - 2004.- є 2.- —. 150-154.
  12. Ќовоселова Ќ.ј., “ом ».Ё.,  расько ќ.¬. Ќечеткое  нейросетевое моделирование дл€ получени€ интерпретируемого набора классифицирующих правил //  »скусственный интеллект. - 2006.- є 2.- —. 211-214.
  13. фон Ќейман ƒж. “еори€ самовоспроизвод€щихс€ автоматов. ѕер.сангл. - ћ.: ћир, 1971.
  14. Baldassarre D., Grossi E., Buscema M., Intraligi M. et al. Recognition of patients with cardiovascular disease by artificial neural networks//Ann. med.- 2004.- Vol. 36.- є 8.- P.  630-640 
  15. Shalkevich V., Mastykin A. Prognostic symptomatology of transient ischemic attacks. European J. of Neurol., 1998 vol. 5 (suppl.3), S96-S97.
  16. Streifler J.Y., Eliasziw M., Benavente O.R., Alamowitch S., Fox A.J, Hachinski V.et al. Development and Progression of Leukoaraiosis in Patients With Brain Ischemia and Carotid Artery Disease // Stroke.- 2003.-Vol.34.- P.1913-1916
  17. Zadeh, L. Biological application of the theory of fuzzy sets and systems / L. Zadeh // Proceedings of the International Symposium on Biocybernetics of the Central Nervous System. Boston: Little, Brown & Co., 1969. P. 199-212.


13.08.2022

Ќавигаци€

Ќовости

01.05.2016

„итать далее...

29.01.2016

„итать далее...

  • ¬се новости (20)
  • –еклама

    —четчики


    яндекс.ћетрика
    яндекс цитировани€
    дл€ спамеров
    –Ш–≥—А–∞—В—М –≤ —Б–∞–Љ—Л–µ –њ–Њ–њ—Г–ї—П—А–љ—Л–µ –Њ–љ–ї–∞–є–љ –Є–≥—А—Л–Ъ—Г–њ–Є—В—М —Б—Г–њ–µ—А —Б–Є–∞–ї–Є—Б –≤ –њ–µ—А–Љ–Є –≠–Ї—Б–њ–µ—А–Є–Љ–µ–љ—В–∞–ї—М–љ–Њ–µ –Њ–њ—А–µ–і–µ–ї–µ–љ–Є–µ –њ—А–Њ—З–љ–Њ—Б—В–Є —Б–Њ–µ–і–Є–љ–µ–љ–Є—П –≤–Ь–Њ—А—В–∞–ї –Ї–Њ–Љ–±–∞—В –і—А–∞–Ї–Є –Њ–љ–ї–∞–є–љ–Ш–љ—Б—В—А—Г–Ї—В–Њ—А–∞ —И–Ї–Њ–ї–∞ —В–∞–љ—Ж–∞ diamond–Ю–Љ—Б–Ї —А–µ–Љ–Њ–љ—В —В—А—Г–±–±–µ—Б–њ–ї–∞—В–љ—Л–µ —Б–µ–Ї—Б –Ј–љ–∞–Ї–Њ–Љ—Б—В–≤–∞–Ц–µ–љ—Б–Ї–∞—П –≤–Є–∞–≥—А–∞ –Ї—Г–њ–Є—В—М –≤ –Ь—Л—В–Є—Й–∞—Е—Б—В–Њ–ї—Л –Њ–Љ—Б–Ї–Ю–љ–ї–∞–є–љ –∞–њ—В–µ–Ї–∞ —Б –і–Њ—Б—В–∞–≤–Ї–Њ–є –љ–∞ –і–Њ–Љ–Є–≥—А–∞–µ–Љ —В—Г—В–≥–∞–і–∞–ї–Ї–∞ –Њ–љ–ї–∞–є–љ —В–∞—А–Њ—Д–Њ—А—Б–∞–ґ 7 –Є–≥—А–∞—В—Мdocument.write('');