Диссертация (1174198), страница 3
Текст из файла (страница 3)
Весьматериал,представленныйвдиссертации,получен,обработанипроанализирован лично автором. Разработка информационной системыосуществлялась при непосредственном участии автора, заключавшемся впостановке задачи, разработке баз данных, экспертной и статистическойоценке признаков, описанию математического алгоритма диагностическогопроцесса, тестировании версий разработанных информационных систем иклинической оценке их эффективности.
Программирование осуществлялосьспециалистами кафедры медицинской и биологической физики с курсоммедицинской информатики ФГБОУ ВО Тюменский ГМУ МЗ РФ.ПубликацииПо теме диссертации опубликовано 46 работ, в том числе 13журнальных статей, в журналах, рекомендованных ВАК. Получено 8свидетельств о государственной регистрации программ для ЭВМ и 5свидетельств о государственной регистрации баз данных в ФС поинтеллектуальной собственности, патентам и товарным знакам.Апробация работыТема обсуждена на заседании кафедры медицинской и биологическойфизики с курсом медицинской информатики ФГБОУ ВПО «ТюмГМА МЗРФ» 2013.
Апробирована на заседании проблемной комиссии «Современныетехнологии диагностики, лечения и профилактики внутренних заболеваний»при ФГБОУ ВПО «ТюмГМА МЗ РФ» (2013). Работа выполнена по плану16НИР ФГБОУ ВПО «ТюмГМА МЗ РФ». Тема диссертации утвержденаУченым Советом ФГБОУ ВПО «ТюмГМА МЗ РФ» (2013). Предварительноерассмотрение на межкафедральном заседании ФГБОУ ВО Тюменский ГМУМинздрава России (2016).Основные положения доложены и обсуждены на Всероссийскойконференция«Поленовскиечтения»Санкт-Петербург,(2011,2012.),Всероссийской научной конференции с международным участием студентовимолодыхученых«Актуальныепроблемытеоретической,экспериментальной, клинической медицины и фармации» (г. Тюмень, 2009,2011),ежегодной специализированнойконференцииивыставке«Информационные технологии в медицине» (г.
Москва, 2010; 2017),Всероссийском конгрессе «Человек и лекарство. Урал – 2012» (г. Тюмень,2012, 2012, 2016, 2018), 10-м Международном форуме MedSoft – 2014 (г.Москва),Всероссийскомфоруме«Электронноеправительство—современный механизм управления регионом» (г. Тюмень 2015, 2016),научно-практической конференции «Построение системы менеджментакачества в медицинских организациях. Международный и Российский опыт»(г. Москва, 2017).
Международной научно-практической конференции"Эффективное управление в здравоохранении: проекция в будущее"(Тюмень, 2019).Соответствие паспорту специальностиТема работы соответствует п.12 паспорта специальности 03.01.09«Математическая биология, биоинформатика»; п. 6 паспорта специальности14.01.11 «Нервные болезни».17Реализация результатов работыРабота выполнена на кафедре медицинской и биологической физики скурсом медицинской информатики ФГБОУ ВО «ТюмГМУ» МЗ РФ.Основные результаты работы внедрены в практическую деятельностьГБУЗ ТО «Областная клиническая больница №2» (г. Тюмень), ГБУЗ ТОСтанция скорой медицинской помощи (г. Тюмень), в учебный процесскафедр медицинской и биологической физики с курсом медицинскойинформатики ФГБОУ ВО «ТюмГМУ» МЗ РФ.Объем и структура работыДиссертация изложена на 235 страницах машинописного текста, состоитиз списка принятых сокращений, введения, 9 глав, заключения, выводов ипрактических рекомендаций, библиографического списка, включающего 313источников, в том числе 173 отечественных и 140 зарубежных.
Полученныерезультаты проиллюстрированы с помощью 25 таблиц и 21 рисунка.18ГЛАВА IСИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ ВРАЧЕБНОГО РЕШЕНИЯВ ДИАГНОСТИЧЕСКОМ ПРОЦЕССЕ(обзор литературы)Развитие медицины в последние десятилетия характеризуется быстрым изначительным увеличением объемов информации, созданием баз данныхбольших объёмов, необходимостью оценки ситуации и принятия решений врежиме реального времени. По данным Wang W, Krishnan E. (Wang. W.,2014) объём научной информации в мире на текущий момент достигает 8зеттабайт (1 зеттабайт = 1021 байт), а к 2020 году он может достигнуть 44зеттабайт, и значительную часть этого объёма составляет биомедицинскаяинформация. В настоящее время информационные нагрузки в медицинедостигают очень больших объёмов, при этом получаемые объёмыинформации характеризуются не только величиной, но сложностью игетерогенностью структуры, что затрудняет применение к ним обычныхстатистических методов анализа.
Всё это обусловливает важность развитияновых способов получения, оценки, классификации и обработки этойинформации для определения течения и прогноза заболеваний.Развитие компьютерной техники и алгоритмов обработки информации взначительнойстепениспособствуетсозданиюивнедрениюсистемподдержки принятия врачебного решения в различных направленияхмедицины.Система поддержки принятия врачебных решений (СППВР), в широкомпонимании термина, это программное обеспечение, позволяющее путемсбора и анализа информации влиять на принятие врачом решения приобследовании пациента, диагностике, назначении лечения с целью сниженияошибок и повышения качества оказываемой медицинской помощи (А.В.Гусев, Т.В. Зарубина, 2017).1.1. Классификация СППВРСистемы поддержки принятия врачебного решения являются отраслевымвариантом систем поддержки принятия решения (СППВР), или DecisionSupportSystems(DSS),представляютсобойспециальныйтипинформационных систем, которые призваны обеспечить оказание помощилицам, принимающим решения.
Важно отметить множественность вариантовклассификации, но одни не стали широко признанными, а другие, удачныедля своего времени, потеряли актуальность (В.Е. Кириенко, 2013).Тот же автор, ссылаясь на мнение эксперта в данной области Д. Пауэра,приводит следующие основные классы:Работающие с сообщениями (Communications-driven).
Определяютсяиспользованием сетевых и коммуникационных технологий для поддержкигрупп пользователей, работающих над выполнением общей задачи.Работающие с данными (Data-driven). Здесь учитывается уровень доступаи обработки временных рядов внутренних данных организаций, иногдавнешних данных в режиме реального времени.Работающие с документами (Document-driven). Характеризуются тем, чтоосуществляют поиск и работу с неструктурированной информацией,заданной в различных форматах, включая отсканированные документы,гипертекстовые документы, изображения, звуки и видеоРаботающие со знаниями (Knowledge-driven).
Обеспечивают поддержкурешения задач на основе фактов, правил, процедур, могут предложить илирекомендоватьдействиядляпользователейспомощьюэкспертнойподдержки при решении специализированных проблемРаботающие с моделями (Model-driven). Определяются использованиемматематических моделей (статистических, финансовых, оптимизационных,имитационных и т.д.).20По взаимодействию с пользователем, системы поддержки принятиярешения разделяют на:• пассивные (помогают в процессе принятия решений)•активные (непосредственно участвуют в разработке правильногорешения)• кооперативныеРешающее значение в разработке СППВР (в отличие от других ИС),имеет метод анализа исходных данных, требующий больших затратвременных, интеллектуальных и финансовых ресурсов (В.С.
Симанков, А.А.Халафян, 2010).ВработеЛ.С.Чеботаревой,2013,представленаклассификациясуществующих методов анализа данных:1. Методы статистической обработки данных: предварительный анализприроды статистических данных. Основные недостатки: требование кспециальной подготовке пользователя, большинство методов, основываютсяна парадигме, в которой главными фигурантами выступают усредненныезначения, которые при исследовании реальных сложных жизненныхфеноменов часто оказываются недостаточно реалистичными.2.
Кибернетические методы:2.1.Методнейронныхсетейреализуетсяпутемпостроенияиерархической сети, узлами которой являются модели нервных клеток(нейронов), у которых выходной сигнал определяется взвешенной суммойвходных сигналов. В свою очередь, входные сигналы представляют собойвыходные сигналы нейронов предыдущего уровня. Входными сигналамивсей сети являются параметры текущих рядов наблюдений. Ретроспективныеданные используются в качестве обучающих выборок, формирующихзначения весовых коэффициентов входных параметров нейронов. Основныенедостатки связаны с необходимостью иметь очень большой объем21обучающей выборки. Знания, зафиксированные как веса нескольких сотенмежнейронных связей, не поддаются анализу и интерпретации человеком.2.2.
Эволюционное программирование.решенияпутемимитациипроцессаПолучение оптимальногоэволюциипопуляции,которыйитерационно повторяется. При этом вносятся различные, возможнослучайные, изменения. Совокупность модифицированных решений образуетновое поколение возможных решений, которое подвергается «естественномуотбору», основанному на «критерии выживания». Может получиться так, чтонаиболееэффективноерешениеможетоказатьсярезультатомпоследовательной эволюции далеко не лучшего (хотя и допустимого)решения.2.3. Генетические алгоритмы.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
