ВВЕДЕНИЕ 4
1. ИСПОЛЬЗОВАНИЕ МАТЕМАТИЧЕСКИХ МЕТОДОВ В МЕДИЦИНЕ 7
1.1. Классические математические методы в диагностике различных заболеваний человека 7
1.2 Технологии искусственного интеллекта в медицинской практике 8
2. ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА ДАННЫХ КЛАССИЧЕСКИМИ
СТАТИСТИЧЕСКИМИ МЕТОДАМИ ДЛЯ ДИАГНОСТИКИ
ПЕРИНАТАЛЬНОГО ПОРАЖЕНИЯ ЦЕНТРАЛЬНОЙ НЕРВНОЙ СИСТЕМЫ 9
2.1 Классический статистический анализ 9
2.2 Анализ данных с применением дискриминантного метода 9
2.3 Кластерный метод анализа данных диагностики перинатального
поражения центральной нервной системы
2.4 Факторный метод анализа клинических форм перинатального
поражения центральной нервной системы
3. ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В
ДИАГНОСТИКЕ ПЕРИНАТАЛЬНОГО ПОРАЖЕНИЯ ЦЕНТРАЛЬНОЙ НЕРВНОЙ СИСТЕМЫ 20
3.1 Искусственные нейронные сети в диагностике различных клинических форм перинатального поражения центральной нервной системы 20
3.2. Структура анализа данных и компьютерная диагностика
перинатального поражения центральной нервной системы 26
3.3. Компьютерный анализ диагностики перинатального поражения
центральной нервной системы на основе данных гематологического анализатора 29
ЗАКЛЮЧЕНИЕ 31
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 35
ПРИЛОЖЕНИЕ 37
Купить

В настоящее время технологии искусственного интеллекта начинают использоваться во многих областях народного хозяйства. Технологии искусственного интеллекта включают следующие направления: нейронные сети, генетические алгоритмы, экспертные системы, нечеткую логику и др. [4]. В медицинской практике технологии искусственного интеллекта не заменяют врача, они помогают ему решать определенные задачи [6].
Важной проблемой современной медицины является перинатальное поражение центральной нервной системы (ПП ЦНС). Значительная распространенность, тяжелые последствия этого заболевания требуют необходимость углубленного изучения факторов, которые формируют различные клинические проявления поражения центральной нервной системы у новорожденных. Применение математических методов анализа информации является одним из современных путей повышения эффективности диагностики 11 ЦНС.
Объектом исследования - данные состояния пациентов Алтайской краевой клинической детской больницы, и родильных домов районов Алтайского края.
Предмет исследования — анализ данных, классификация, прогнозирование.
Цель работы - исследование связей различных показателей состояния беременной женщины и новорожденного, создание системы обработки информации, прогнозирование перинатального поражения ЦНС на основе различных алгоритмов искусственного интеллекта.
Задачи:
1. Изучить основные связи и закономерности между ключевыми
симптомами перинатального поражения центральной нервной системы.
2. Определить комплекс главных признаков, характеризующих состояние новорожденного на различных этапах прогнозирования перинатального поражения центральной нервной системы.
3. Разработать метод выявления различных клинических форм перинатального поражения центральной нервной системы.
4. Создать программу диагностики перинатального поражения центральной нервной системы.
Практическая значимость. Созданная система диагностики позволяет прогнозировать перинатальное поражением центральной нервной системы по показателям течения беременности матери, родов и состояния новорожденного. Основным результатом работы является создание программы для ЭВМ - «Компьютерная программа прогнозирования исходов перинатального поражения центральной нервной системы у детей» Программа размещена на сайте кафедры педиатрии с курсом ДПО Федерального государственного бюджетного образовательного учреждения высшего образования «Алтайский государственный медицинский университет» Министерства здравоохранения Российской Федерации.
Информационная база - с целью построения прогностических моделей использовались данные состояния новорожденных, течения беременности и родов женщин находящихся в родильных домах Алтайского края и Алтайской краевой клинической детской больницы. База данных содержала следующую информацию:
• Диагноз ребенка:
1. гипоксически - ишемическое поражение ЦНС - 384 ребенка;
2. гипоксически-геморрагическое поражение ЦНС - 82 ребенка;
3. натальная спинальная травма - 357 детей;
4. натальная краниоспинальная травма - 147 детей;
5. отсутствие перечисленных выше диагнозов - 1294 ребенка.
• Информация о состоянии матери (32 параметра).
1 - заболевание или осложнение присутствует;
0- заболевание или осложнение отсутствует.
• Информация состоянии здоровья новорожденного, количество родов и беременностей у матери (7 параметров).
Дополнительно в работе использовались данные 187 новорожденных с гипоксически-ишемическим поражением центральной нервной системы и 47 без данной патологии (возраст 4-7 день после рождения). С помощью гематологического анализатора Sysmex XT-2000i (Sysmex Corporation, Япония) у детей определяли 30 параметров общего анализа крови.
Методы исследования. Для построения сложных нелинейных зависимостей и постановки компьютерного диагноза использовались автоматизированные искусственные нейронные сети и метод деревьев классификации. Методом главных компонент выявляли линейные связи между параметрами общего анализа крови. Статистически значимые
различия количественных данных устанавливались при помощи непараметрического метода критерия Вилкоксона-Манна-Уитни и однопараметрического метода Стьюдента, для качественных данных использовался метод хи-квадрат (уровень значимости р < 0,05).
Дополнительно применяли следующие виды математического анализа: дискриминантный, кластерный, факторный.
Купить