СТАТЬИ АРБИР
 

  2018

  Октябрь   
  Пн Вт Ср Чт Пт Сб Вс
1 2 3 4 5 6 7
8 9 10 11 12 13 14
15 16 17 18 19 20 21
22 23 24 25 26 27 28
29 30 31 1 2 3 4
   

  
Логин:
Пароль:
Забыли свой пароль?


Поддержка принятия диагностических решений на основе мета- анализа


ПОДДЕРЖКА ПРИНЯТИЯ ДИАГНОСТИЧЕСКИХ РЕШЕНИЙ НА ОСНОВЕ МЕТА- АНАЛИЗА

Предложены модели н алгоритмы мета-анализа, позволяющие реализовать парадигмы персонализированной медицины в клинических и экологических исследованиях. Разработана трехуровневая модель мета-анализа, предназначенная для контроля эффективности лекарственных назначений, основанная на контроле межклеточных соотношений в капиллярного крови.

В целях улучшения здоровья и удовлетворения потребностей пациентов целесообразно объединение информационных технологий и клиническая терапия [1]. Воплощением этой парадигмы может быть персонализированная (или целенаправленная) медицина. Предлагается модель организации медицинской помощи людям, основанная на выборе оптимальных диагностических, лечебных и профилактических средств, учитывающая генетические, физиологические, биохимические и других особенности пациента [2].

Проведенными исследования было установлено, что количественный состав и морфология клеток крови являются достаточно стабильными показателями и поэтом могут быть использованы в качестве информативных признаков в динамике.

Целью проведенных исследований является разработка моделей и алгоритма мета-анализа, позволяющих оценить эффективность лекарственных назначений или влияние неблагоприятного экологического фактора на заболеваемость в промышленном кластере.

Решение проблемы контроля эффективности лекарственных назначений или поиска суррогатных маркеров эффективности лекарственных назначений является частью задачи анализа больших данных. В качестве критериев оценки эффективности вмешательств нередко используют так называемые суррогатные исходы. Полагается, что изменения этих показателей в ходе лечения должны отразиться и на клинически значимом исходе. При этом известно, что косвенные критерии оценки очень редко, а то и вовсе не отражают важные клинические исходы в клинических испытаниях.

Разработанные методы интеллектуальных технологий направлены на повышение качества (эффективности) средств медикаментозного воздействия на состояние больного. Врач в этой системе предлагает проект лечения (план лечения). Последующий контроль над лечением осуществляет сам больной. Разработанные интеллектуальные технологии позволяют больному выявить статистическую модель, соответствующую плану лечения, и определяет свое место в этой модели [3]. При этом должны быть предусмотрены средства, блокирующие вход в систему врача/лечащего врача.

Для реализации алгоритмов мета - анализа разработана модель входных данных, в согласно которой данные представлены в виде матрицы размерностью MxN, где М- число объектов, используемых для мета-анализа, а каждый столбик матрицы характеризует векторы информативных признаков в соответствующей реперной точки.

Учитывая, что исходные данные для мета-анализа могут быть получены из разных источников, в различные моменты времени и с возможными пробелами, структурно-функциональную модель мета-анализа формируем в виде автономных нейросетевых модулей, выполняющих функции ап- проксиматоров для фиксированной предыстории Структурно

функциональная модель мета-анализа, учитывающая вышеперечисленные условия, представлена на рисунке 1.

F 2(Ф,Й)

Fn-K^Un-i)

Рисунок 1. Структурно-функциональная модель мета-анализа данных

Каждый блок на рисунке 1 является обучаемой нейронной сетью прямого распространения. В нее входят столько нейронных сетей блочного типа, сколько временных интервалов было выбрано на этапе формирования обучающей выборки. Каждая нейронная сеть определяет функцию регрессии, построенную по столбцам матрицы модели данных. Такая структура нейронной сети позволяет моделировать заболеваемость в зависимости от экологического фактора на всех временных интервалах мониторинга в промышленном кластере или в процессе лечения.

Для настройки нейросетевых аппроксиматоров используется таблица экспериментальных данных. В таблице 1 приведен пример таких экспери ментальных данных для одного объекта с номером j. Обучающая выборка для /'-го нейросетевого аппроксиматора формируется посредством выборки i-x строчек из таблиц, аналогичных таблицы 1, по всем наблюдаемым объектам.

Таблица 1. Формирование экспериментальных данных мониторинга эф- фективности лекарственных назначений для одного объекта с номером /

№№ реперных точек
Интервал
Ai=ti-ti.i
Компоненты вектора Ф
Анамнез
х{
1
Ai
1
2
п
xi
Х(
2
А2
1
2
п
Х{
X-[
N-1
An"i
1
2
п
xL
XL
N
An
1
2
п
xL
xJN

Для восстановления данных необходимы инверсные экстраполяторы, позволяющие восстановить предшествующие функциональные состояния биообъектов, входящих в обучающую выборку. Роль асинхронного экст- раполятора (1), как и аппроксиматора, эффективно выполняет нейронная сеть [4,5]. Однако в этом случае нейронная сеть не может быть настроена традиционными методами, так как функция цели в данном случае не известна.

Схема для настройки инверсного экстраполятора включает три нейронных сети, две из которых должны быть настроены до процедуры настройки инверсного экстраполятора. Процедура настройки выполняется для каждой реперной точки. Функция цели равна нулю для всех входных векторов [Xi 1, Ф]. Третья нейронная сеть осуществляет роль компаратора и выполнена в виде двухвходового сигмоидального нейрона с весовыми коэффициентами равными 1 и -1.

В результате исследований разработана структурно-функциональная модель, обеспечивающая поддержку и принятие диагностических решений изображений мазков периферической крови.

Список литературы

Борисовский, С.А. Нейросетевые модели с иерархическим пространством информативных признаков для сегментации плохоструктурированных изображений/С.А. Борисовский, А.Н. Брежнева, Р.А Томакова//Биомедицинская радиоэлектроника. 2010, - № 2, - С. 49-53.

Томакова, Р.А. Теоретические основы и методы обработки и анализа микроскопических изображений биоматериалов: монография / Р.А. Томакова, С.А. Филист, С.Г. Емельянов. Курск, Юго-Западный государственный университет (ЮЗГУ), 2011. -202с.

Томакова, Р.А. Интеллектуальные технологии сегментации и классификации биомедицинских изображений: монография /Р.А. Томакова, С.Г. Емельянов, С.А. Филист. Курск: Юго-Зап. гос. ун-т, 2012. -222с.

Томакова, Р.А. Гибридные методы и алгоритмы для интеллектуальных систем классификации сложноструктурируемых изображений: автореф. дис. ...д-ра техн.наук : 05.13.17/Томакова Римма Александровна. - Белгород, 2013. - 42с.

Томакова, Р.А. Методы и алгоритмы теории принятия решений: учебное пособие/Р.А. Томакова, В.В. Апальков. - Курск: 2015. -164с.

УДК 004.056.5


КОМКОВ ВИТАЛИЙ СЕРГЕЕВИЧ, ЕМЕЛЬЯНОВ ЕВГЕНИЙ ГЕННАДЬЕВИЧ, ХАНЫКОВ АЛЕКСЕЙ ЕВГЕНЬЕВИЧ Россия, г.Курск, Юго-западный государственный университет vitaliykomkov[AT]gmail.com





МОЙ АРБИТР. ПОДАЧА ДОКУМЕНТОВ В АРБИТРАЖНЫЕ СУДЫ
КАРТОТЕКА АРБИТРАЖНЫХ ДЕЛ
БАНК РЕШЕНИЙ АРБИТРАЖНЫХ СУДОВ
КАЛЕНДАРЬ СУДЕБНЫХ ЗАСЕДАНИЙ

ПОИСК ПО САЙТУ