Бакалавр
Дипломные и курсовые на заказ

Модели, методы и программы для развития медицинской информационной системы прогноза ретинопатии

ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Сделан вывод о том, что предложенные модели, методы и разработанные средства информационно-компьютерной поддержки деятельности вра-чей-неонатологов обеспечили развитие МИС ПРН и достаточны для достоверного прогнозирования основных и промежуточных степеней патологии, что существенно улучшает прототипные решения. Результаты применения математического моделирования в медико-биологических… Читать ещё >

Содержание

  • 1. АНАЛИЗ СОСТОЯНИЯ ПРОБЛЕМАТИКИ ПРИМЕНЕНИЯ МЕТОДОВ, МОДЕЛЕЙ И СРЕДСТВ ИНФОРМАЦИОННО-ПРОГРАММНОЙ ПОДДЕРЖКИ ПРОГНОЗИРОВАНИЯ РЕТИНОПАТИИ (литературно-аналитический обзор с выходом на пакет прототипов)
    • 1. 1. Способы диагностики и прогнозирования ретинопатии недоношенных
    • 1. 2. Применение математических подходов и методов для. прогнозирования патологического процесса
    • 1. 3. Информационно-программные средства поддержки. прогнозирования РН
    • 1. 4. Пакет прототипов, его критика и предполагаемые решения
    • 1. 5. Результаты и
  • выводы по главе 1
  • 2. ДЕКОМПОЗИЦИЯ ЗАДАЧ И ПОЛУФОРМАЛИЗОВАННОЕ
  • МОДЕЛИРОВАНИЕ ОСНОВНЫХ ОБЪЕКТОВ ИССЛЕДОВАНИЯ
    • 2. 1. Декомпозиция задач: первое рассмотрение и цикличность
    • 2. 2. Полу формализованные модели
      • 2. 2. 1. Пакет концептуальных моделей МИС и МИС ПРН
      • 2. 2. 2. Пакет системно-структурных моделей МИС ПРН
      • 2. 2. 3. Пакет алгоритмических моделей функционирования МИС ПРН
    • 2. 4. Математическая постановка задач классификации и прогноза
    • 2. 5. Результаты и
  • выводы по главе 2
  • 3. МАТЕМАТИЧЕСКИЕ МОДЕЛИ И МЕТОДЫ
  • КЛАССИФИКАЦИИ И ПРОГНОЗА
    • 3. 1. Моделирование процедуры исключения малоинформативных признаков
    • 3. 2. Математические модели для решения исходных задач
      • 3. 2. 1. Модель ранжирования факторов по дискриминантным возможностям
      • 3. 2. 2. Модель дихотомического «грубого» прогноза «да/нет»
      • 3. 2. 3. Модель прогноза легкой, средней и тяжелой форм патологии
      • 3. 2. 4. Модель применения кластерного анализа для усиления межгрупповых различий
      • 3. 2. 5. Модель «тонкого» прогноза (между 4 и 5) тяжелых степеней
      • 3. 2. 6. Модель разрешения пограничных ситуаций в ответах. решающего правила
      • 3. 2. 7. Оценка точности результатов классификации и прогноза
    • 3. 3. О матрице связи
    • 3. 4. Результаты и
  • выводы по главе 3
  • 4. РАЗРАБОТКА И РЕАЛИЗАЦИЯ МИС ПРН
    • 4. 1. Этапы и стадии создания МИС ПРН
    • 4. 2. Информационная модель БД
    • 4. 3. Структура программного продукта
    • 4. 4. Реализация программы «GimRN» и описание интерфейса. пользователя
    • 4. 5. Результаты и
  • выводы по главе 4
  • 5. ИСПЫТАНИЕ И ВНЕДРЕНИЕ МИС ПРН
    • 5. 1. Оценка динамики готовности прогноза
      • 5. 1. 1. Эмпирические данные
      • 5. 1. 2. Математическая модель W (t)
    • 5. 2. Примеры клинических испытаний
    • 5. 3. Материалы внедрений
    • 5. 4. Результаты и
  • выводы по главе 5

Модели, методы и программы для развития медицинской информационной системы прогноза ретинопатии (реферат, курсовая, диплом, контрольная)

Актуальность темы

.

Существующие медицинские информационные системы прогноза ретинопатии недоношенных новорожденных (МИС ПРН) — одного из тяжелых заболеваний, приводящих ребенка к быстро наступающей слепоте, обеспечивают лишь «грубый» неоперативный прогноз. А для эффективного лечения необходим своевременный прогноз с «тонким» разделением степеней тяжести. Это требует развития прототипа МИС ПРН в части моделей, методов и программного обеспечения.

Теоретическим основам математического моделирования в медицине и применению моделирования для решения актуальных практических задач, в т. ч. в области НИОКР медицинских интеллектуально-информационных систем, посвящены работы как зарубежных ученых (R. Bellman, Christine L. Tsien, N. Lavrac и др.), так и отечественных (С.А. Айвазян, A.A. Генкин, Е. В. Гублер, В. Дюк, М. Ю. Охтилев, Б. В. Соколов, JI. Б. Штейн, В. Эмануэль, Р. М. Юсупов и др.). Значительный вклад в развитие данной тематики внесён уральской школой (А.Н. Вараксин, C.JI. Гольдштейн, В. С. Казанцев, H.H. Красовский, В л. Д. Мазуров, В. Д. Мазуров, В. Н. Шершнев и др.).

Результаты применения математического моделирования в медико-биологических исследованиях и их информационно-программная поддержка свидетельствуют о существенном вкладе технических дисциплин в эффективность работы врачей, и особенно — исследователей с объектами высокой сложности.

Диссертация выполнена в рамках социального заказа от медицинских учреждений научно-практического типа на выполнение работ по моделированию и реализации систем информационно-программной поддержки медицинской деятельности в соответствии с программами министерства здравоохранения Свердловской области (тема № 1150-пп «Развитие здравоохранения Свердловской области на 2007 — 2015 гг.» от 29.12.2006 г.), кафедры вычислительной техники УрФУ (тема № 3775 «Системная, информационная и компьютерная поддержка нечетких технологий»), грантами правительства Свердловской области (государственный контракт № 7−8/07 от 07.05 2007 г. «Разработка модели медико-социальной профилактики тяжелых нарушений зрительного анализатора у недоношенных детей»), ГБУЗ СО ДКБВЛ Научно-практического центра «Бонум» (договор № 694 от 13.12.2007 «Разработка пакета средств информационно-методической поддержки прогнозирования риска развития ретинопатии у недоношенных детей»).

Объект исследования — модели, методы и программы для развития МИСПРН.

Предмет исследования — развитие моделей, методов и программ МИС.

ПРН.

Глобальная цель работы — развитая медицинская информационная система оперативного прогноза тяжелых степеней ретинопатии с выделением промежуточных.

Локальные цели:

— получение нового знания в виде пакета моделей,.

— применение пакета моделей для компьютерного решения в виде комплекса программ и его практического использования.

Основные задачи работы.

ЗАКЛЮЧЕНИЕ

.

Поставлена и решена системная задача развития МИС ПРН, с формированием пакета прототипов МИС ПРН и ее составляющих, на базе которого выполнено развитие системы. Разработаны и реализованы алгоритмы сбора, объединения и унификации информации, первично регистрируемой в разрозненных источниках данных. Исходный список факторов редуцирован на порядок. Получены: набор информативных и значимых переменных для оценки риска развития РНмассо-возрастные классификации, используемые в качестве независимой переменной в основном правиле прогнозаблок линейных дискриминантных функций и вариант применения дискриминантно-го анализа с пакетом продукционных правил для выявления степени риска развития РН, превосходящий по качеству прототип и реализованный в виде программного средства. Предложены:

— пакет полуформализованных моделей (концептуальных, системно-структурных, алгоритмических, критериальных), описывающих морфогенез и функционирование МИС ПРН, послужившей основой для перехода к математическому моделированию;

— пакет математических моделей (статистического и эвристического ранжирования факторовклассификационной и канонической дискриминации, продукций, рейтингов/антирейтингов решающих правил на основе чувствительности/специфичности и расстояний от объекта до центроидов исследуемых групп для всего комплекса задач прогноза), позволивших выполнить процедуры классификации данных и на этой основе идентифицировать варианты прогноза,.

— модель динамики готовности прогноза, отличающейся введением двух подгоночных параметров,.

— численные методы: суперпозиция кластерного анализа, давшего наиболее значимый объединенный признак т^у, с дискриминантным анализом, давшим классификации с требуемым качеством,.

— комплексы программ: «Система поддержки прогнозирования степени риска развития ретинопатии недоношенных «С1тКЫ» в составе модулей: графической интерпретации результатов прогноза, идентификации и разрешения пограничных ситуаций, хранения и обработки результатов прогноза.

Есть патенты на изобретения, а также свидетельства об официальной регистрации программ для ЭВМ.

Сделан вывод о том, что предложенные модели, методы и разработанные средства информационно-компьютерной поддержки деятельности вра-чей-неонатологов обеспечили развитие МИС ПРН и достаточны для достоверного прогнозирования основных и промежуточных степеней патологии, что существенно улучшает прототипные решения.

Показать весь текст

Список литературы

  1. Rozenbojm J., Palladino E., Azevedo A.C. An expert clinical diagnosis systemfor the support of the primary consultation // Salud. Publica Мех.- 1993.- V.35, N.3.- P.321−325.
  2. Э.И., Сомов E.E., Фомина H.B. Избранные лекции по неона-тальной офтальмологии. СПб.: Нестор-История, 2006.- С. 127−187.
  3. Committee for the classification of retinopathy of prematurity Text.: an international classification of retinopathy of prematurity // Arch. Ophthalmol. — 1987. -Vol. 105,№ 7.-P. 906−912.
  4. M.B. Транспупиллярная диодлазеркоагуляция васкулярных зон сетчатки в лечении прогрессирующей ретинопатии недоношенных с различными вариантами течения Текст.: дис.. канд. мед. наук: 14.00.08 / М. В. Кулакова. Екатеринбург. — 2006. — 194с.
  5. Onofrey С.В. The outcome of retinopathy of prematurity: screening for retinopathy of prematurity using an outcome predictive program Text. / C.B.Onofrey, W.J.Feuer, J.T.Flynn // Ophthalmology. 2001. — Vol. 108, № 1. — P.27−34.
  6. Патент RU 2 358 656 CI МПК A61B 10/00 (2006.01). Способ диагностики ретинопатии недоношенных IV-V стадий/ Е. В. Аронскинд, В.Н. Шершнев- Уральская государственная медицинская академия. — N2007148117/14- Заяв. 26.12.2007- опубл. 20.06.2009.
  7. Ann Hellstrom et al. Early weight gain predicts retinopathy in preterm infants: new, simple, efficient approach to screening // Pediatrics. 2009. — Vol. 123(4). -P. 638 — 645.
  8. А.Г., Мюллер Й. А. «Самоорганизация прогнозирующих моделей» Режим доступа: электронный ресурс. www.gmdh.net/articles/ Шео-гу/zmMul.htm
  9. Т.Н., Козлов Л. Б. Разработка математической модели прогнозирования заболеваемости клещевым энцефалитом. Режим доступа: электронный ресурс. www.rae.ru/use/
  10. Л.В. Методы и приемы прогнозирования. Режим доступа: электронный ресурс. www. astronom2000.info/ прогнозирование/гшрр/
  11. Дж.-О. Ким, Ч. У. Мьюллер, У.Р. Клекка/ Факторный, дискриминантный и кластерный анализ / под ред. И. С. Еникова. М: Финансы и статистика, 1989. -215 с.
  12. Н., Смит Г. Прикладной регрессионный анализ. М.: Статистика, 1971. — 391 с.
  13. В.К., Сотников В. М. Использование многопараметрических методов анализа информации в онкологии. Режим доступа: электронный ресурс. http://vestnik.rncrr.ru/vestnik/v6/papers/bozhenv6.htm
  14. Д.А. Ситуационное управление: Теория и практика. М: Наука. -Гл. ред. физ.- мат. лит., 1986. — 288 с.
  15. С. С., Беркинблит М. Б. Математические проблемы в биологии. -М.: Наука, 1973.- 199 с.
  16. Л. Б. Опыт прогнозирования в медицине с помощью ЭВМ. Л: ЛГУ им. А. А. Жданова, 1987. -146 с.
  17. В. С. Математические методы и новые информационные технологии в решении медицинских задач: лекции. Екатеринбург: НПЦ Уралмед-соцэкономпроблем, 2002. — 79 с.
  18. В. Д. О плохо формализуемых задачах анализа сложных систем // Математическое моделирование процессов в медицинских и биологических системах. Свердловск: УНЦ АН СССР, 1982. С. 3 — 7.
  19. Дж. Математические идеи в биологии. -М.: Мир, 1970. 179 с.
  20. В.Н. Построение интеллектуальных диагностических систем в медицинских приложениях // Информационные технологии. № 7. — 2007. — С. 5458.
  21. Г. И. Назаренко, Г. С. Осипов. Основы теории медицинских технологических процессов. М.: ФИЗМАТЛИТ, 2005.-142 с.
  22. А. Л. Методы распознавания. М.: Высшая школа, 2004. — 261 с.
  23. М. Ю. Интеллектуальные технологии мониторинга и управления структурной динамикой сложных технических объектов. М.: Наука, 2006. -410 с.
  24. А. А. Новая информационная технология анализа медицинских данных (программный комплекс ОМИС). СПб.: Политехника, 1999. — 250 с.
  25. Р. Математические методы в медицине. М.: Мир, 1987. — 200 с.
  26. Е.В. Информатика в патологии, клинической медицине и педиатрии. Л.: Медицина, 1990. — 176 с.
  27. П. П., Рычагов Г. П. Математическое моделирование в биологии и медицине. Минск: Беларуская навука, 1997. 207 с.
  28. Обзор статистических пакетов Электронный ресурс. Режим доступа: http://www.ase.rU/http://www.nickart.spb.ru/clause/text07.php
  29. Медицинская информационная система OphthalBase Электронный ресурс. Режим доступа: http://www.ase.ru/
  30. Медицинская информационная система e-Hospital Офтальмология Электронный ресурс. Режим доступа: http://www.e-hospital.ru/
  31. Медицинская информационная система Офис-менеджер офтальмология Электронный ресурс. Режим доступа: http://www.wilmark.ru
  32. С.К., Клевакина А. М., Ткаченко Т. Я. Реализация медицинской информационной системы поддержки деятельности офтальмолога // Научные труды X отчетной конференции молодых ученых ГОУ ВПО УГТУ-УПИ: сборник статей. Екатеринбург, 2006. — С. 87−89.
  33. C.JI., Печеркин С. С. Системный метод прототипирования // Вестник российской академии естественных наук. № 1. 2010. — С. 45−49.
  34. Т.А., Горохова В. А., Болотникова Е. С. Оценка когнитивной эр-гономичности онтологии на основе анализа графа. // Искусственный интеллект и принятие решений. № 3. — 2009. — С. 33−41.
  35. Т.А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. Учебник. СПб.: Питер, 2001.-384 с.
  36. Дюк В., Эмануэль В. Информационные технологии в медико-биологических исследованиях. СПб.: Питер, 2003. — 528 с.
  37. C.JT. Системная интеграция бизнеса, интеллекта, компьютера. Екатеринбург: ИД «ПироговЪ», 2006. — 392 с.
  38. В.Д. Математические методы распознавания образов. Екатеринбург: изд-во Урал, ун-та, 2010.- 101с.
  39. Ш. М. Интеграция источников медицинской информации: цели и методология. Электронный ресурс. Режим доступа: www. emm.infomed.su/articles/
  40. Приказ МЗ РФ N 457 от 28.12.2000 г. «О совершенствовании пренатальной диагностики в профилактике наследственных и врожденных заболеваний у детей».
  41. А.Н., Панов В. Г., Казмер Ю. И. Статистические модели с коррелированными предикторами в экологии и медицине. Екатеринбург: издательство Уральского университета, 2011. — 141с.
  42. В.П., Боровиков И.П. STATISTICA. Статистический анализ и обработка данных в среде Windows. М.: информационно-издательский дом «Филинь», 1997. — 608 с.
  43. В.И. Математико-статистическая обработка данных медицинских исследований. СПб: Военно-медицинская академия, 2002.- 267 с.
  44. У.Р. Факторный, дискриминантный и кластерный анализ // Пер. с англ. А. М. Хотинского, С. Б. Королёва, под ред. И. С. Енюкова. М.: Финансы и статистика, 1989. — 215 с.
  45. Н.Г. Прикладные методы анализа данных и знаний. Новосибирск: изд-во Ин-та математики, 1999. — 266 с.
  46. В. Задачи распознавания с большими массивами обучающей информации метод выбора существенных подзадач // Сб. докладов юбилейной научной сессии. — Шумен, 1982. — С. 195−204.
  47. А.Е., Муратова Е. А., Берестнева О. Г. Извлечение знаний с применением алгоритма адаптивного кодирования разнотипной информации // Искусственный интеллект (Донецк). 2002. — № 2. — С.315−322.
  48. Е.А., Берестнева О. Г., Янковская А. Е. Эффективный алгоритм адаптивного кодирования разнотипной информации // Искусственный интеллект в XXI веке. Труды межд. конгресса. Том 1. — М.: Физматлит, 2001. С. 155−156.
  49. С.А., Мхитарян.В. С. Прикладная статистика и основы эконометрики.- М.: Юнити. 1998.-1022 с.
  50. Ту Дж., Гонсалес Р. Принципы распознавания образов.- М.: Мир, 1978. -411 с.
  51. Г. С. Методы обработки разнотипных экспериментальных данных. -Новосибирск: Наука, 1981. 158 с.
  52. И.А. Принципы доказательной педиатрии. СПб.: Фолиант, 2004. — 240 с.
  53. А. А., Туньон В. Современные модели качества программного обеспечения. BYTE / Россия, 1999 г., № 12.
  54. В.В. Стандартизация характеристик и оценивания качества программных средств. // Приложение к журналу «Информационные технологии», 2001, № 4.
  55. Munson С. Software Engineering Measurement. Auerbach Publications. Publication Date: 2003. P. 324.
  56. Ablow C.M., Kaylor D.J. Inconsistent homogenous linear inequalities //Bull, of American Math. Soc. 1965, V.71, № 5. P. 724. (противоречивость информации)
  57. Э. В. Экспертные системы: решение неформализованных задач в диалоге с ЭВМ. М.: Наука, 1987. — 280 с. 61. 1С-АНАЛИТ: Медицинское учреждение. Электронный ресурс. Режим доступа: http://www.analit.ru.
  58. А. Н., Пономарёва Г. Т. Применение математики в экспериментальной и клинической медицине. М.: Медицина, 1967. 356 с.
  59. ЭВЕРЕСТ программный комплекс для комплексной автоматизации лечебно-профилактических учреждений. Электронный ресурс. — Режим доступа: http://www.ait.ru.
  60. М. А., Дорфман Н. Л. Экстремальные принципы в биологии и физиологии. М.: Наука, 1978. — 256 с.
  61. А. В. Статистические методы моделирования и принятия решений в развивающихся медико-биологических системах. Новосибирск, 1991. -223 с.
  62. A.B., Лапко В. А., Ченцов C.B. Непараметрические модели распознавания образов в условиях малых выборок // Автометрия. 1999. — № 6. — С. 105−113.
  63. Н. Математика в биологии и медицине. М.: Мир, 1970. 326 с.
  64. В.Д., Хачай М. Ю. Комитетные конструкции // Известия УрГУ. Математика и механика. 1999. — № 14. -С. 77 — 108.
  65. В.Д., Казанцев B.C., Белецкий Н. Г. Пакет Квазар прикладных программ распознавания образов (версия 2): Информ. материалы по математ. обеспечению. АН СССР. УНЦИММ. Свердловск: Б.и., 1979. — 121 с.
  66. М.В. Основы компьютерных систем. М.: Наука, 2004. — 444 с.
  67. С. А. Прикладная статистика: Классификация и снижение размерности. М.: Финансы и статистика, 1989. — 607 с. 73 .Каримов Р. Н. Основы дискриминантного анализа. Учебно-методическое пособие. — Саратов: СГТУ, 2002. — 108 с.
  68. Интеллектуальный анализ данных в медицине. Электронный ресурс. -Режим доступа: http://www.magix.fri.uni-lj.si/blaz/papers/encyclopedia2000.pdf.
  69. Event Discovery in Medical Time-Series Data. Электронный ресурс. Режим доступа: http://www.groups.csail.mit.edu/medg/projects/maita /documents /tsien/D200403 .pdf.
  70. From Data to Actionable Knowledge: Applying Data Mining to the Problem of Intrusion Detection. Электронный ресурс. Режим доступа: http://www.stottlerhenke.com/papers/icaidataminingintrusiondetection.pdf.
  71. Rencher Alvin С. Methods of multivariate analysis. copyright John Wiley & Sons, inc. — 2002. — 732 p.
  72. Дюк В. А. Конструирование психодиагностических тестов: традиционные математические модели и алгоритмы Электронный ресурс. Режим доступа: /http ://www.psyfactor. org/lib/dyuk 1 .htm
  73. JI. M. Математические методы распознавания образов. М: МГУ, 2004. — 85 с.
  74. Т.А. Применение дискриминантного анализа для оценки качества математической подготовки студентов-социологов. Благовещенск: Амурский государственный университет — № 2(10) -2005. — С. 177 — 185.
  75. Н. И. Ананьев С.Н. Энтропийный подход к решению задач классификации многомерных данных. // Информационные технологии. 2006. № 8. С. 50−55.
  76. P.C., Яцко А. И. Элементы прикладной теории геометрического программирования. М.: Знание, 2004. — 126.
  77. .Г. Анализ качественных признаков. М.: Статистика, 1980. -319 с.
  78. Э. Методы анализа данных / под ред Айвазяна С. А. и Бухштабера В. М. М.: Финансы и статистика, 1985. — 357с.
  79. С.А. Об оптимальных разбиениях на градации в задачах классификации //Прикладная статистика М.: Наука, 1983. — с. 179−188.
  80. Rui Xu, D., Wunsch II. Survey of clustering algorithms// IEEE Transactions on Neural Networks, -2005.-v.16, № 3.- p. 645.
  81. Onofrey C.B. The outcome of retinopathy of prematurity: screening for retinopathy of prematurity using an outcome predictive program / C.B.Onofrey, W.J.Feuer, J.T.Flynn // Ophthalmology. 2001. — Vol. 108, № 1. — P.27−34.
  82. Система поддержки прогнозирования степени риска развития ретинопатии недоношенных «GimRN 2» / Ю. В. Марчук, М. А. Кожевников, О. П. Ковтун, С.И.Блохина- Свидетельство об официальной регистрации программы для ЭВМ № 2 009 615 071 от 16.09.2009.
  83. Margaret Sullivan Рере, Mary Lou Thompson Combining diagnostic test results to increase accuracy / Biostatistics. № 1 (2). — 2000. — P. 123−140.
  84. G. Paone, G. De Angelis. Ameglio Discriminant analysis on small cell lung cancer and non-small cell lung cancer by means of NSE and CYFRA-21.1. Eur Respir J, 1995, p. 235
  85. Pratul Kumar Saraswatil, Sanjeev V. Sabnis Comparison of CART and Discriminant Analysis of Morphometric Data in Foraminiferal Taxonomy// Anuario do Instituto de Geociencias. -Vol. 29 1. — 2006. — P. 153−162
  86. Ф.А. Дискретная математика для программистов: Учебник для вузов. СПб.: Питер, 2009. — 384 с.
  87. Vaswani М., Rao ravindra V. biochemical measures in the diagnosis of alcohol dependence using discriminant analysis // Indian J Med Sci, Vol. 59. №. 10. — October 2005.-P. 423−430
  88. Hsinchun С., Sherrilynne S. Knowledge management, data mining, and text mining in medical informatics / medical informatics. 2007. — P. 213−220
  89. Jiandong Fang Shiaofen Fang Jeffrey Huang Mihran Tuceryan Digital Geometry Image Analysis for Medical Diagnosis // Department of Computer and Information Science Indiana University Purdue University Indianapolis. 2009. — P 723- 743
  90. Banu DM 1, Songul Albayrak Visualization and analysis of classifiers performance in multi-class medical data // Expert Systems with Applications 34. 2008 — P. 628−634
  91. Xinying Zhang, Chad L. Myers, S. Y. Kung Cross-weighted fisher discriminant analysis for visualization of dna microarray data // Princeton University. 2009. -159−179
  92. J. M. Bernardo, M. J. Bayarri, J. O. Berger, A. P. Dawid, D. Heckerman, A. F. M. Smith, M. West bayesian statistics 7 // Proceedings of the Seventh Valencia International Meeting clarendon press. 2003. — P. 369−389
  93. Mounir MESBAH Latent Regression Models for Measurement in Health // Session Title: Multivariate Statistics Affiliation: LSTA, University Pierre et Marie Curie, Paris, France. 2009. P. 589−590
  94. George Avery, Jason Lee, Stan Falk, Assessment of Cultural Variation in Medical Laboratories Arkansas Laboratory // Medicine Surveillance Network Survey 6: November, 2001. P. 236−250
  95. Pekka Sillanaukee, Ulf Olsson Improved Diagnostic Classification of Alcohol Abusers by Combining Carbohydrate-deficient Transferrin and y-Glutamyltransferase // Clinical Chemistry. 2001 P. 681−685
  96. Aparecida D. P. Souza Helio S. Bayesian binary regression model: an application to in-hospital death after ami prediction // Migon Pesquisa Operacional, v.24, n.2, Maio a Agosto de 2004. P.253−267
  97. Ф.И., Тарасенко Ф. П. Введение в системный анализ. М.: Высшая школа, 1989. 320 с.
  98. А.И. Экспертные оценки. Учебное пособие. -М.: 2002. 31 с.
  99. Ю. И. Рязанов B.B., Сенько O.B. Распознавание. Математические методы. Программная система. Практические применения. М: Фазис, 2005. -159 с.
  100. А.И. Курс теории систем. М: ВШ, 2001. — 304 с.
  101. А. Введение в теорию нечетких множеств. М.: Радио и связь, 1982. -432 с.
  102. О.Ю. Статистический анализ медицинских данных. Применение пакета прикладных программ STATISTICA. М.: МедиаСфера, 2002. 312 с.
  103. В.О. Анализ точностных характеристик модифицированного метода ближайшего соседа // Информационные технологии. № 4. 2006. — С. 5257.
  104. В.Н. Построение интеллектуальных диагностических систем в медицинских приложениях // Информационные технологии. № 7. 2003. — С. 54−58.
  105. Математико-статистические методы в клинической практике / Под ред. В. И. Кувакина. СПб.: Б.и., 1993. — 199 с.
  106. Т.Н. Применение современных статистических методов в практике клинических исследований. // Украинский медичний часопис. № 2 (40). -2004. С. 138−143
  107. Е.В., Ковтун О. П., Казанцев B.C. Применение метода распознавания образов для прогнозирования оперативного вмешательства у рожениц с функционально узким тазом. // Вестник уральской медицинской академической науки. № 3, 2006. С. 139−142
  108. И.Б., Богомолов A.B., Кукушкин Ю. А. технология автоматизированной синдромной диагностики заболеваний на основе трехзначной логики. // Информационные технологии. № 7. 2003. — С. 34−44.
  109. Dorigo V., Di Саго G., Gambardella L. Ant Algorithm for Discrete Oprimization // Artificial Life. 1999. Vol 5 № 3. P. 137−172
Заполнить форму текущей работой