Система поддержки принятия врачебных решений при диагностике заболевания печени

Обложка

Цитировать

Полный текст

Аннотация

В работе рассмотрена система поддержки принятия решений при диагностике заболевания печени на основе данных медицинских обследований пациентов. Разработан программно-алгоритмический комплекс для принятия решений по определению стадии заболевания пациента. Определены значимые параметры, характеризующие стадию заболевания печени с использованием совокупных оценок корреляционных зависимостей параметров и данных врачей-экспертов. Предложены классификаторы, базирующиеся на нечетком логическом выводе для определения стадии заболевания печени. Выполнены исследования, подтверждающие эффективность предлагаемой системы поддержки принятия решений при медицинской диагностике.

Об авторах

Александр Сергеевич Серобабов

Омский государственный технический университет

Автор, ответственный за переписку.
Email: aserobabow95@mail.ru

аспирант

Россия, Омск

Людмила Альбертовна Денисова

Омский государственный технический университет

Email: denisova@asoiu.com

доктор технических наук, профессор, доцент

Россия, Омск

Список литературы

  1. Ивашкин В.Т., Драпкина О.М., Маев И.В., Трухманов А.С., Блинов Д.В., Пальгова Л.К., Цуканов В.В., Ушакова Т.И. Распространенность неалкогольной жировой болезни печени у пациентов амбулаторно-поликлинической практики в Российской Федерации: результаты исследования DIREG 2 // Российский журнал гастроэн терологии, гепатологии, колопроктологии. 2015. № 6. С. 31-41.
  2. Tkachenko A.L., Denisova L.A. Designing an information system for the electronic document management of a university: Automatic classification of documents // Journal of Physics: Conference Series. 2022. P. 012035.
  3. Ткаченко А.Л., Денисова Л. А. Автоматическая класси фикация текстовых документов в системе электронного документооборота вуза // Информационные технологии и вычислительные системы. 2023. № 1. С. 3-19.
  4. Левенков К.О., Коровин Е.Н. Разработка автоматизиро ванной информационной системы оценки состояния, диагностики и выбора тактики лечения больных с хроническими заболеваниями // Вестник Воронежского государственного технического университета. 2018.№ 6. С. 16-24.
  5. Стародубцева Л.В., Кореневская Е.Н. История разработки российских аналоговых искусственных нейронных сетей для автоматизированной медицинской диагностики // История и педагогика естествознания. 2020.№ 3-4. C. 29-32.
  6. Масликова У.В., Супильников А.А. Технологии разра ботки программы содействия принятию решения в диагностике заболеваний системы крови с использованием свёрточных искусственных нейронных сетей // Вестник медицинского института «Реавиз»: реабилита ция, врач и здоровье. 2020. № 5. C. 138-150.
  7. Эюбова Н.И. Методы классификации в диагностике уролитиаза с применением нечеткой логики для предобработки данных // Информационно-управляющие системы. 2013. № 6. С. 85-90.
  8. Loomba R., Sanyal A.J. The global NAFLD epidemic // Nat Rev Gastroenterol Hepatol. 2013. No 10. P. 686-690.
  9. Серобабов А.С. Формирование диапазонов перемен ных экспертной системы с использованием дерева при нятия решений // Journal of Advanced Research in Technical Science. 2019. № 17. С. 161-166.
  10. Gorunescu F., Belciug S., Gorunescu M., Badea R. Intelligent decision making for liver fibrosis stadialization based on tandem feature selection and evolutionary driven neural network // Expert Systems with Applications. 2012. No 17. P. 12824-12832.
  11. Resino S., Seoane J. A., Bellon, J. M., Dorado J., Martin-Sanchez F., Alvarez E., Cosín J., López J.C., López G., Mi ralles P., Juan Berenguer. An artificial neural network im proves the non-invasive diagnosis of significant fibrosis in HIV/HCV coinfected patients // Journal of Infection. 2011. No 62. P. 77-86.
  12. Poynard T, Ratziu V, Naveau S, Thabut D, Charlotte F, Messous D, Capron D., Abella A., Massard J., Ngo Y., Mun teanu M., Mercadier A., Manns M., Albrecht J. The diagnos tic value of biomarkers (SteatoTest) for the prediction of liver steatosis // Comparative Hepatology. 2005. V. 4. No 10.
  13. Sweidan S., El-Sappagh S., Elbakry H., Sabbeh S. Liver fi brosis diagnosis with Mamdani FIS // Journal of advanced research design. 2018. V. 42. No 1. P. 17-24.
  14. Sweidan S., Shaker El-Sappagh S., El-Bakry H., Sabbeh S., Badria F.A., Kwak K.-S. A fibrosis diagnosis clinical deci sion support system using fuzzy knowledge // Arabian Journal for Science and Engineering. 2019. V. 44. No 4. P. 3781-3800.
  15. Sanai F., Keeffe E. Liver biopsy for histological assessment: The case against // Saudi Journal of Gastroenterology. 2010. No 16. P 124-132.
  16. Saleh E., Valls A., Moreno A., Romero P. Diabetes retinopathy risk estimation using fuzzy rules on electronic health record data // Modeling Decision for Artificial Intel ligence MDAI Lecture Notes in Computer Science. V. 2016. No 9880. Р. 263-274.
  17. Quinlan J. C4.5: Programs for machine learning // Machine Learning. Morgan Kaufmann Publishers, 1993. V. 16. No 3. P. 235-240.
  18. Ливзан М.А., Гаус О.В., Николаев Н.А., Кролевец Т.С. НАЖБП: коморбидность и ассоциированные заболевания // Экспериментальная и клиническая гастроэнтерология. 2019. № 10 (170). С. 57-65.
  19. Отдельнова К. А. Определение необходимого числа наблюдений в социально-гигиенических исследованиях // Сб. трудов 2‑го ММИ. 1980. № 150 (6). С. 18-22.
  20. Серобабов А.С., Чебаненко Е.Б, Денисова Л.А., Кроле вец Т.С. Разработка экспертной системы ранней диагностики заболеваний: программные средства первичной обработки и выявлений зависимостей // Омский научный вестник. 2018. № 4 (160). С. 179-184.
  21. Чубаненко Е. А., Беляева О.Д., Беркович О.А., Баранова Е.И. Значение лептина в формировании метаболического синдрома // Проблемы женского здоровья. 2010. Т. 5. № 1. C. 45-60.
  22. Серобабов А.С., Денисова Л.А. Разработка алгоритма выявления значимых параметров для определения ста дии заболевания в системе поддержки принятия врачебных решений // Известия ТулГУ (технические науки). 2023. № 2. С. 157-162.
  23. Петровский А.Б., Ройзензон Г.В. Многокритериальный выбор с уменьшением размерности пространства призна ков: многоэтапная технология ПАКС // Искусственный интеллект и принятие решений. 2012. № 4. С. 88-103.
  24. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. Под ред. С.А. Айвазяна. М.: Финансы и статистика, 1989.
  25. Алескеров Ф.Т., Белоусова В.Ю., Егорова Л.Г., Миркин Б.Г. Анализ паттернов в статике и динамике, часть 1: обзор литературы и уточнение понятия // Бизнес-информатика. 2013. № 3 (25). С. 3-18.
  26. Пегат А. Нечеткое моделирование и управление. М.: Из дательский центр «БИНОМ». Лаборатория знаний, 2013.
  27. Денисова Л.А. Многокритериальная оптимизация на основе генетических алгоритмов при синтезе систем управления. Монография. Омск: Изд-во ОмГТУ, 2014.
  28. Дьяконов В.П. MATLAB 7. */R2006/R2007: самоучитель. М: ДМК Пресс. 2008.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».