Автореферат и диссертация по медицине (14.00.33) на тему:Использование нейронных сетей для принятия внутригоспитальных управленческих решений (на примере острого панкреатита)
- Ученая степень
- кандидата медицинских наук
- ВАК РФ
- 14.00.33
Оглавление диссертации Лебедев, Дмитрий Сергеевич :: 2005 :: Москва
Введение
СОДЕРЖАНИЕ
Глава I. Эпидемиология, этиопатогенез, классификация, диагностика и прогнозирование острого панкреатита (обзор литературы)
Эпидемиология острого панкреатита
Этиология острого панкреатита
Классификация острого панкреатита
Диагностика острого панкреатита
Прогнозирование в медицине
Модели прогнозирования тяжести острого панкреатита и его исходов
Выводы к главе I.
Глава II. Клиническая характеристика больных и методы исследования
1. Характеристика больных
2. Нейронные сети
3. Методы уменьшения размерности пространства исходных данных
Выводы к главе II
Глава III. Прогнозирование характера течения острого панкреатита методом нейронных сетей результаты собственных исследований)
Выводы к главе III
Введение диссертации по теме "Общественное здоровье и здравоохранение", Лебедев, Дмитрий Сергеевич, автореферат
Актуальность исследования.
Одним, из важнейших условий повышения качества медицинской помощи: является совершенствование методов принятия управленческих решений в клинической практике. В качестве вспомогательного инструмента для принятия решений широко используются различные прогностические модели. В основе принятия решений, как известно, лежит диагноз и прогноз тяжести заболевания, различных осложнений, длительности госпитализации или исхода заболевания. Прогнозирование особенностей течения заболевания . и исходов? позволяет своевременно-принимать необходимые меры клинического и административного характера для выбора оптимальной тактики и места лечения,, предотвращения тяжелых осложнений; и в конечном итоге повышения результативности медицинской помощи в каждом конкретном случае. В последние десятилетия благодаря бурному развитию компьютерных технологий, достижениям в области обработки и анализа информации, в частности, в области искусственного интеллекта, для широкого практического использования: стали доступны методы, позволяющие разрабатывать прогностические модели, ориентированные на. конкретные лечебно-тактические ситуации и обладающие рядом; особенностей, позволяющими применять, их в разных лечебных учреждениях. Среди таких методов одним из наиболее перспективных, является метод нейронных сетей, который-все чаще используется для решения широкого спектра практических задач, в, том числе задач прогнозирования, в медицине. О росте интереса к этому методу свидетельствует лавинообразное: нарастание числа: публикаций,, посвященных, нейронным сетям,, в- медицинских изданиях. Настоящая работа: посвящена: исследованию! возможности: применения метода нейронных- сетей/ для принятия клинических управленческих решений; на примере прогнозирования характера течения острого панкреатита (ОП).
Деструктивный панкреатит среди острых хирургических заболеваний органов брюшной полости относится к наиболее тяжелой патологии. Основными причинами летальных исходов являются: гнойно-септические осложнения и полиорганная несостоятельность [8,9,14,15,20,30,81,85, 88,93,94,96,97,98, 99,103,106,107].
В странах Европы и Америки ОП занимает третье место среди острых хирургических заболеваний органов брюшной полости после острого аппендицита и острого холецистита [85,93,94]. Наиболее часто ОП встречается в группе взрослого трудоспособного населения [85,97,112,118]. По данным литературы повсеместно наблюдается увеличение заболеваемости ОП, которая колеблется от 5,4 до 79,8 на 10000 населения [93] и числа деструктивных форм ОП [54,55] и гнойно-септических осложнений [97,158]. Панкреонекроз развивается у 15-20% больных и у 40-70% происходит инфицирование очагов деструкции [55,96,97]. Несмотря на тенденцию к снижению летальности при деструктивной форме ОП в последние десятилетия, она остается высокой и достигает 4070% [54,55,96,97]. При деструктивном панкреатите с гнойно-септическими-осложнениями летальность от 20 до 85,7% [96,97].
Рост заболеваемости и высокая летальность при тяжелых формах ОП заставляет искать новые подходы к его профилактике и лечению. В настоящее время существуют несколько моделей, используемых для-принятия клинических решений при лечении ОП* на основе прогнозирования исхода заболевания, с использованием ряда клинико-лабораторных данных. Наиболее известными из них являются модели Ranson, Glasgow и APACHE II. Применяются также модификации системы Balthazar, система Филлина-Костюченко, прогностические критерии Agarwal и Pitchumoni, Hong Kong, критерии Bank, Bernard Organ Failure Scoring System (BOFSS), отдельные лабораторные маркеры [14,30,44,47,48,53,54,55,72,73,74,76,80, 83,85,92,93,155].
Ранее предпринимались также попытки использовать метод нейронных сетей для прогнозирования исхода ОП- в группе больных' с панкреонекрозом и прогнозирования длительности госпитализации больных ОП [Алексеев Н.Ю., 2002; Kimmo L. Halonen, 2003; Walter Е. Pofahl, 1998]. Однако существующие в настоящее время модели не нашли широкого практического применения, что связано с рядом причин, в том числе с отсутствием межгоспитального характера моделей и неудовлетворительными результатами индивидуального прогнозирования при использовании статистических методов.
Таким образом, широкая распространенность ОП, высокая летальность при осложненных его формах, неудовлетворенность 4 результатами прогнозов, сделанных с помощью существующих моделей, и необходимость в возможно более ранние сроки точно прогнозировать особенности течения заболевания с целью принятия клинических управленческих решений определяют актуальность дальнейшего поиска новых методов прогнозирования.
Целью исследования явилась разработка прогностической модели характера течения ОП на базе метода нейронных сетей, обладающей межгоспитальным характером и способствующей правильному выбору места и тактики лечения больных на ранней стадии заболевания.
Задачи исследования.
Для достижения указанной цели были сформулированы и последовательно решены следующие задачи:
1. Определить объект прогнозирования в соответствии с классификацией острого панкреатита, принятой на Международном симпозиуме в г. Атланта (США) в 1992 г.
2. Оценить возможность применения метода нейронных сетей для прогнозирования характера течения заболевания и разработать на его основе прогностическую модель, обладающую межгоспитальным характером на примере острого панкреатита.
3. Обосновать выбор прогностических переменных с учетом их доступности в клинической практике и значимости.
4. Решить задачу уменьшения размерности пространства признаков ОП методом сжатия данных с потерей несущественной части информации.
5. Провести оценку чувствительности, специфичности и точности разработанной модели.
Объект исследования — больные ОП и их распределение по функциональным подразделениям лечебно-профилактического учреждения с учетом характера течения заболевания.
Предмет исследования — морфо-функциональные особенности, определяющие характер течения ОП.
Объект прогнозирования - принадлежность больного ОП к одному из двух классов в соответствии с характером течения заболевания (тяжелый ОП — класс 1, нетяжелый ОП — класс 2).
Единицы наблюдения - данные клинического, лабораторного и инструментального методов обследования.
Научная новизна:
1. Установлено, что на основе метода нейронных сетей может быть разработана эффективная модель прогнозирования характера течения острого панкреатита в рамках двух классов для принятия клинических управленческих решений.
2. Впервые выбор прогностических переменных осуществлен с учетом их доступности и затратности в клинической практике Российской Федерации.
3. Определена чувствительность, специфичность и точность нейросетевого метода прогнозирования характера течения острого панкреатита.
4. Показано, что для уменьшения числа прогностических переменных при прогнозировании характера течения ОП может быть применен метод сжатия данных с потерей части несущественной информации с помощью многослойной автоассоциативной нейронной сети с нелинейными функциями активации во всех слоях.
Практическая значимость:
1. На примере острого панкреатита показано, что метод нейронных сетей может быть использован для прогнозирования характера течения заболевания.
2. Разработанная, прогностическая модель позволяет на ранней стадии заболевания выявлять больных с высоким риском развития тяжелого характера течения ОП, что способствует своевременному и правильному определению тактики и места лечения этих больных.
3. Разработанная модель обладает межгоспитальным характером, так как является открытой для дообучения на новых клинических примерах в других лечебных учреждениях.
Положения, выносимые на защиту:
1. Метод нейронных сетей может быть использован для прогнозирования характера течения ОП. При этом он обладает высокими показателями чувствительности, специфичности и точности.
2. Нейросетевая модель — эффективный инструмент для принятия внутригоспитальных управленческих решений при остром панкреатите.
3. Для достижения высокой достоверности прогнозов характера течения ОП необходимо использовать совокупность данных, характеризующих как функциональный, так и морфологический аспекты заболевания с применением современных методов диагностики.
Внедрение результатов исследования.
Результаты исследования внедрены в практику Медицинского центра Банка России, Клинической больницы №1 Медицинского центра Управления делами Президента, в учебный процесс на кафедре организации медицинского обеспечения вооруженных сил с курсами ОТП и.ЭВЗ ГИУВ МО РФ.
Апробация результатов исследования.
Основные положения диссертации доложены на межкафедральной научно-практической конференции в Государственном институте усовершенствования врачей Министерства Обороны Российской Федерации (2004 г.), на заседании ученого совета Медицинского центра Банка России.
Публикации:
По теме диссертации опубликованы 3 печатные работы.
Объем и структура диссертации.
Диссертация состоит из введения, 3 глав, заключения, выводов, практических рекомендаций и списка литературы. Работа изложена г на 100 страницах компьютерного набора. Иллюстрирована 19 рисунками, 29 таблицами. В списке литературы представлено 214 источников (80 отечественных авторов и 134 иностранных авторов).
Заключение диссертационного исследования на тему "Использование нейронных сетей для принятия внутригоспитальных управленческих решений (на примере острого панкреатита)"
Основные выводы и полученные результаты работы заключаются в следующем:
1. Разработанная на основе метода нейронных сетей модель позволяет прогнозировать характер течения ОП в рамках двух классов в соответствии с классификацией ОП, принятой на Международном симпозиуме в г. Атланта (США) в 1992 г.
2. Разработанная модель обладает следующими характеристиками:
1) высокие показатели чувствительности и специфичности;
2) простота практического использования;
3) открытый характер (возможность дальнейшего обучения); 4) индивидуальный характер прогнозов.
3. Разработанная модель может использоваться для контроля правильности перевода больных ОП из отделения реанимации в коечное отделение и планирования использования коечного фонда.
4. Модель позволяет принимать решения по управлению качеством лечения больных ОП путем сопоставления реальных и должных (прогнозируемых) сроков госпитализации.
5. Установлено, что существуют значимые прогностические переменные, доступные для исследования в широкой клинической практике, позволяющие прогнозировать характер течения ОП в рамках двух классов в первые трое суток госпитализации.
6. Раздельное использование показателей, характеризующих морфологический аспект ОП, и функциональных переменных не даёт требуемого качества прогнозирования.
Список использованной литературы по медицине, диссертация 2005 года, Лебедев, Дмитрий Сергеевич
1. Агеев А.Д., Балухто А.Н., Бычков А.В. и др. Нейроматематика. Кн. 6: Учеб. пособие для вузов / Общая ред. А.И. Галушкина. М.: ИПРЖР, 2002, -448 с.
2. Айвазян С.А, Бухштабер В.М., Енюков И.С., Мешалкин Д.Д. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика, 1989.
3. Айвазян С.А. Статистическое исследование зависимостей. М.: Металлургия, 1968.
4. Айвазян С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики. Учебник для вузов. М.: ЮНИТИ, 1998. 1022 с.
5. Анил К. Джейн, Жианчанг Мао, Моиуддин К.М. Введение в искусственные нейронные сети // Открытые системы. П 1997. - №4.
6. Араб-Оглы Э.А., Бестужен-Лада И.В., Гаврилов Н.Ф. и др. Рабочая книга по прогнозированию. 1982
7. Арутюнян В.М., Григорян Г.А. Диагностика и патогенетические основы лечения панкреатита. Ереван, 1995. - 281 с.
8. Батвинков Н.И., Горелик П-В. Диагностика и лечение острого панкреатита. // Хирургия. -1982. N6. - с. 21-25.
9. Беляев А.А. Абсцессы поджелудочной железы, как осложнение острого панкреатита. // Хирургия. -1975. № 10. - с. 10-13.
10. Беркинблит М.Б. Нейронные сети. М.: МИРОС, 1993.
11. Большаков А.А., Каримов Р.Н. Методы сжатия информации. Сарат.политехи, инст-т, Саратов, 1991. — 88с.
12. Боровиков В.П., Боровиков И.П. STATISTICA Статистический анализ и обработка данных в среде Windows. Издание 2-е, стереотипное -М.: Информационно-издательский дом «Филинъ», 1998. - 608 с.
13. Боровиков В.П., Ивченко Г.И. Прогнозирование в системе STATISTICA в среде Windows. Основы теории и интенсивная практика на компьютере: Учеб. пособие. М.: Финансы и статистика, 2000. - 384 с.
14. Бурневич С.З., Гельфанд Б.Р., Орлов Б.Б., Цыденжапов Е.Ц. Деструктивный панкреатит: современное состояние проблемы. // Вестник хирургии. -2000. -т. 159, №2. -с. 116-123.
15. Бэнкс П. Панкреатит. Пер. с англ. М.: Медицина, 1982. —207 с.
16. Бэстенс Д.Э., ван ден Берг В.М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. Москва: ТВП, 1997. 236 с.
17. Васильев А.Ю., Никитин В.Г., Карусинов П.С., Глушков А.А. Возможности МРТ в диагностике заболеваний поджелудочной железы. // Материалы научно-практич. конф. МРТ в медицинской практике. АМН.- М., 1995. 58 с.
18. Ватолин Д., Ратушняк А., Смирнов М. Юкин В. Методы сжатия данных. Устройство архиваторов, сжатие изображений и видео. М.: ДИАЛОГ-МИФИ, 2002. -384 С.
19. Власов П.В., Котляров П.М. Лучевая диагностика заболеваний поджелудочной железы. // Вестник рентгенологии и радиол. 1995. - №3.- с. 13-15.
20. Галицкий Г.А. Ультразвуковая диагностика при различных формах острого и хронического панкреатита. Автореф. дисс. . канд. мед. наук. -М., 1984. 20 с.
21. Галушкин А.И. Нейрокомпьютеры. Кн. 3: Учеб. пособие для вузов / Общая рея, А.И, Галушкина. М,: ИПРЖР, 20005 - 528 с,
22. Галушкин А.И. Теория нейронных сетей. Кн. 1: Учеб. пособие для вузов/ Общая ред. А.И. Галушкина. М.: ИПРЖР, 2000, - 416 с.
23. Геллер Л. И. Сопоставление ультразвуковых и клинико-функциональных показателей состояния поджелудочной железы у больных хроническим панкреатитом. // Клин, медицина. -1990. №5. - с. 95-99.
24. Гидериш Г.И. Осложнения острого панкреатита. // Хирургия. -1980. -№1. с. 95-98.
25. Головко В.А. Нейронные сети: обучение, организация и применение. Кн. 4: Учеб. пособие для вузов / Общая ред. А.И. Галушкина. М.: ИПРЖР, 2001, -256с.
26. Горбань А.Н. Обучение нейронных сетей. -М.: СП ПараГраф, 1991.
27. Джордан Б. Сопоставительный анализ статистического и нейросетевого сжатия информации. Международный форум информатизации МФИ-2001: Доклады международной конференции
28. Информационные средства и технологии", 16-18 октября 2001 г., в 3-х томах. Том 1, Москва 2001 г.
29. Джордж Ф. Люгер. Искусственный интеллект: стратегии и методы решения сложных проблем , 4-е издание.: Пер. с англ. М.:Издательский дом "Вильяме", 2003. в - 864 с.
30. Дунин-Барковский B.JI. Информационные процессы в нейронных структурах. М. Наука, 1978.
31. Елецкая О.Н. Острый панкреатит. JL: Медицина, 1971. -184 с.
32. Елисеева И.И., Юзбашнв М.М. Общая теория статистики: Учебник / Под ред. чл. -корр. РАН И.И. Елисеевой. 4-е изд., перераб. и доп. - М.:Финансы и статистика, 2000. - 480 с.
33. Железинская Н.В. Лучевая диагностика заболеваний поджелудочной железы. Автореф. дис. . канд. мед. наук. -Тамбов. 1997. -21 с.
34. Ивашкин В.Т., Хазанов А.И., Пискунов А.С., Ивлев А.С., Селезнев К. К., Никитин В. Г. О классификации хронического панкреатита. // Клин, мед. 1990. -N°10.-c. 96-98.
35. Кармазановский ГГ., Федоров В.Д. Компьютерная томография поджелудочной железы и органов забрюшинного пространства. М., «Паганель», 2000.-310 с.
36. Круглов В.В. Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия-Телеком, 2001. - 382 с.
37. Лищенко А. И. Гнойно-некротические осложнения деструктивного панкреатита: Автореф. дис. . канд. мед. наук.- М., 1994. - 46 с.
38. Медведев В. С., Потемкин В. Г. Нейронные сети. MATLAB 6/ Под общ. ред. К.Т.Н. В. Г. Потемкина. М.: ДИАЛОГ-МИФИ, 2002. - 496 с.
39. Медик В.А., Токмачев М.С., Фишман Б.Б. Статистика в медицине и биологии. Руководство в двух томах. Том 2. Прикладная статистика здоровья. 2001
40. Минько Б.А. Комплексная лучевая диагностика и оценка эффективности лечения хронических панкреатитов и опухолевых заболеваний поджелудочной железы.: Автореф. дис. . доктора мед. наук. -Спб, 1999. 24 с.
41. Для достижения высокой чувствительности и специфичности прогнозов в структуру переменных, подающихся на вход нейронной сети, необходимо включать показатели клинических, лабораторных и инструментальных методов обследования.
42. Практические рекомендации:
43. Для уменьшения числа прогностических переменныхцелесообразно использовать разработанную автоассоциативную нейронную сеть, которая позволяет выделить три наиболее информативных и некоррелированных фактора из общего числа лабораторных данных.
44. Для достижения межгоспитального характера прогнозов по мере пополнения базы данных новыми клиническими примерами в других лечебных учреждений необходимо проводить дальнейшее обучение классифицирующей нейронной сети.
45. Митропольский А.К. Техника статистических вычислений. Изд. "Наука", М., 1971, 576стр.
46. Мкртчян С.О. Нейроны и нейронные сети. (Введение в теорию формальных нейронов) М.: Энергия, 1971. - 232 с.
47. Назаренко Г.И., Полубенцева Е.И. Управление качеством медицинской помощи. — М.: Медицина, 2000. — 368 с.
48. Нейронные сети: история развития теории. Кн.5: Учеб. пособие для вузов. / Под общей ред. А.И. Галушкина, Я.З. Цыпкина. М.: ИПРЖР, 2001.- 840 с.
49. Нечепорук В.М., Островский В. П., Блох Б.А. Диагностика и лечение острого панкреатита. // Клин.хир. -1982. №11. - с.21 -24.
50. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. - 344 с.
51. Пермяков Н.К., Подольский А.Е. О патогенезе панкреатита. // Хирургия. -1973.-№9.-с. 23-29.
52. Портной Л.М., Араблинский А. В. Лучевая диагностика заболеваний поджелудочной железы. // Рос. журн. гастроэнтерологии, гепатологии, колопроктологии. 1994. - т.4. - с. 99-105.
53. Портной Л.М., Араблинский А.В., Филижанко В.Н., Юрескул И.В. Роль КГ в диагностике деструктивных форм острого панкреатита. // Соврем, проблемы хирургической гепатологии. Матер. IV конференции хирургов-гепатологов. Тула, 1996. стр. 167.
54. Портной Л.М., Раслов А.Л. Ультразвуковое сканирование в диагностике заболеваний органов брюшной полости и забрюшинного пространства (Обзор литературы). // Вестник рентгенол. и радиол. -1986. -№5. с. 70-77.
55. Роберт Каллан. Основные концепции нейронных сетей.: Пер. с англ. -М.: Издательский дом. "Вильяме", 2001.
56. Розенблатт. Ф. Принципы нейродинамики: персептроны и теория механизмов мозга. -М.: Мир, 1965.
57. Романов ГА., Сачечелашвили ГЛ., Долгова М.Б. и др. Комплексная диагностика заболеваний панкреатодуоденальной зоны // Вест. рент, и радиол.-1996.-№4.-с. 78.
58. Рябов В.И., Ноздрачев В.И. Гнойные осложнения деструктивного панкреатита. // Вестн. хир. 1980. №11. - с. 40-44.
59. Савельев B.C., Буянов В.М., Кубышкин В.А., Жадкевич М.М. Прогнозирование течения острого панкреатита. // Хирургия. 1981. -N10. - с. 47-51.
60. Савельев B.C., Кубышкин В.А. Панкреонекроз. Состояние и перспективы. // Хирургия. 1993. - №6. - с. 22-28.
61. Скурихин А.Н. Нейронные сети: определения, концепции, применение.- М.: ЦНИИ управления экономики и информатики, 1991.
62. Современные представления об этиологии, патогенезе, клинике и медикаментозном лечении. // Клин, медицина. -1979. № 6. - с. 93-97.
63. Соколов JI.K., Микушкин О.М., Саврасов В.М., Терновой С.К. Клинико-инструментальная диагностика болезней органов гепато-панкреатодуоденальной системы. М.: Медицина, 1987. - 210 с.
64. Сошникова JI.A., Тамашевич В.П., Уебе Г., Шефер М. Многомерный статистический анализ в экономике: учеб, пособие для вузов. М,:ЮНИТИ-ДАНА, 1999. - 598 с.
65. Сташук ГА., Дуброва С.Э., Емельянова JI.H., Трипатхи С. Лучевая диагностика различных форм острого панкреатита. // Вестник рентгенологии и радиологии. 1999. - №6. -с. 15-19.
66. Суровцев И.С., Клюкин В.И., Пивоварова Р.П. Нейронные сети. -Воронеж: ВГУ, 1994. 224 с.
67. Толстой А.Д. Перитониты при острых панкреатитах. // Труды Лен. НИИ Скорой помощи им. Джанелидзе. -1976. с. 51—58.
68. Топчиашвили ЗА, Кацарава М.М., Метревели Р.Е., Сепашвили Б.С. Лечение острого деструктивного панкреатита. // Хирургия. 1990. -№10. - с. 89-94.
69. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика. Пер. с англ. М.: Мир, 1992. - 240 с.
70. Филаретов Г.Ф., Кабанов В.А., Вигойя Э., Житков А.Н. Алгоритмическое обеспечение приборов-идентификаторовкачества.Вестник МЭИ, 2001, №4, с. 25-32.
71. Филаретов Г.Ф., Джордан Б. Нейросетевое сжатие информации в нелинейных динамических системах. XXIX международная конференция. Информационные технологии в науке, образовании, телекоммуникации, бизнесе. Украина, Крым, Ялта-Гурзуф, 20-30 мая 2002 г.
72. Филаретов Г.Ф., Джордан Б. Применение автоассоциативных нейронных сетей для сжатия информации. XXX международная конференция. Информационные технологии в науке, образовании, телекоммуникации, бизнесе. Украина, Крым, Ялта-Гурзуф, 19-28 мая 2003 г.
73. Филаретов Г.Ф., Джордан Б. Применение искусственных нейронных сетей для сжатия стохастических сигналов. Сборник материалов XV Научно-технической конференции с участием зарубежных специалистов. М.: МГИЭМ, 2003 г.
74. Филаретов Г.Ф., Житков А.Н., Применение искусственных нейронных сетей в сенсорных системах. Датчики и системы, 1999, №5, с. 2-9.
75. Филин В. И., Гидирим Р. П. Острый панкреатит и его осложнения. -Кишинев: Штинца, 1982. -146 с.
76. Филин В.И., Гидирим ГЛ., Толстой А.Д., Вашетко Р.В. Травматический панкреатит. Кишинев, 1990. -199 с.
77. Филин В.Н. Неотложная панкреатология. СПб.: Изд-во Питер, 1994. - 410с.
78. Ходарева Н.Н. Компьютерно-томографическая семиотика острых заболеваний и повреждений поджелудочной железы. -Автореф. дисс. . канд. м ед. наук. М., 1999. 22 с.
79. Чаплинский В. В., Гнатышак А.И. Острый панкреатит. М.: Медицина, 1972.-268 с.
80. Шаваров И.Г., Шевченко А.С., Андрусенко О.П. Диагностика и хирургическое лечение кист поджелудочной железы. // Клин. хир. -1980. -№11. с. 42-44.
81. Шаповальянц С. Г. Ретроградная панкреатохолангиография в диагностике причин рецидивов панкреатита. // Сов. медицина. -1980. -№6. с. 16-20.
82. Шелагуров А.А. Болезни поджелудочной железы. М., 1970. - 291 с.
83. Шматов В.А. Гнойно-воспалительные осложнения острого панкреатита: Автореф. дис. канд. мед. наук. М., 1990. - 26 с.
84. Agarwal N, Pitchumoni CS. Assessment of severity in acute pancreatitis. Am J Gastroenterology (1991); 86:1385.
85. Aldridge M.C., Omstein M., Glaser G., Dudley H.A. Pancreatic resection for acute pancreatitis. // Brit.J.Surg. -1985. -Vol. 72, N 10. -p. 796800.
86. Allardyce DB. Incidence of necrotizing pancreatitis and factors related to mortality. Amer Journ Surg (1987); 154: 295-299.
87. Baert A.L. et al. Radiology of the Pancreas. Springer-Verlag, 1994.281 p.
88. Balthazar E. CT in diagnostic the forms of the acute pancreatitis. // Surgery.-1985.-Vol. 41, N4.-p.ll02-1109.
89. Balthazar EJ, Robinson DL, Megibow AJ, Ranson JH. Acute pancreatitis: value of CT in establishing prognosis. Radiology (1990); 174: 331.
90. Balthazar EJ, Robinson DL, Megibow AJ. Acute pancreatitis: Value of CT in establishing prognosis. Radiology (1990); 174: 331-336.
91. Balthazar EJ. Incremental dynamic bolus computed tomography of acute pancreatitis — state-of-the-art. Internati J Pancreatol (1993); 13:147. 3
92. Balthazar EJ. Incremental dynamic bolus computed tomography of acute pancreatitis — stage-of-the-art. Internati J Pancreatol 1993; 13:147;
93. Balthazar EJ., Freeny PC, van Sonnenberg E. Imaging and intervention in acute pancreatitis. Radiology (1994); 193: 297.
94. Balthazar, EJ. CT Diagnosis and staging of acute pancreatitis. Radiologic Clinics of North Am (1989); 27:19.
95. Banks P.A. Infected necrosis: morbidity and therapeutic consequences. // Hepatogastroenterology. 1991. -Vol. 38, №2. -p. 116-119.
96. Banks PA, Gerzof SG. Indications and results of fine needle aspiration of pancreatic exudate. In: Beger H, Buchler M (Eds). Acute Pancreatitis. Springer-Verlag, Berlin (1987): 171-174.
97. Banks PA. Infected necrosis: morbidity and therapeutic consequences. Hepatogastroenterology (1991); 38:116.
98. Beger H.G. Surgery in acute pancreatitis. // Hepatogastroenterology. -1991. -Vol.38, №2.-p. 92-96.
99. Beger HG, Bittner R, Block S, Buchler M. Bacterial contamination of pancreatic necrosis: A prospective clinical study. Gastroenterol (1986); 91: 433438.
100. Beger HG, Buchler M. Outcome of necrotizing pancreatitis in relation to morphological parameters. In: Malfertheiner P, Ditchuneit H (Eds). Diagnostic Procedures in Pancreatic Disease. Springer-Verlag, Berlin (1986): 130-132.
101. Beger HG, Maier W, Block S et al. How do imaging methods influence the surgical strategy in acute pancreatitis? In: Malfertheiner P, Ditchuneit H (Eds). Diagnostic Procedures in Pancreatic Disease. Springer-Verlag, Berlin (1986): 54-60.
102. Beger HG. Surgery in acute pancreatitis. Hepatogastroenterology (1991); 38: 92.
103. Bishop, C. (1995). Neural Networks for Pattern Recognition. Oxford: University Press.
104. Bittner R, Block S, Buchler M, Beger HG. Pancreatic abscess and infected pancreatic necrosis: Different local septic complications in acute pancreatitis. Dig Dis Sci (1987); 32:1082-1087.
105. Block S, Maier W, Bittner R, Buchler M, Malfertheiner P, Beger HG. Identification of pancreas necrosis in severe acute pancreatitis: imaging procedures versus clinical staging. Gut (1986); 27:1035.
106. Bouland, H. and Kamp, Y. (1988). Auto-association by multilayer perceptrons and singular value decomposition. Biological Cybernetics 59, 291294.
107. Bradley E.L. A clinically based classification system for acute pancreatitis. Summery of the international symposium on acute pancreatitis. -Atlanta, 1992.
108. Bradley EL III, Alien KA. A prospective longitudinal study of observation vs. surgical intervention in the management of necrotizing pancreatitis. Amer Journ Surg (1991); 161:19-24.
109. Bradley EL III, Gonzalez AC, Clements J1 Jr. Acute pancreatic pseudocysts: Incidence and implications. Ann Surg (1976); 184: 734-737.
110. Bradley EL III, Murphy F, Fergusson C. Prediction of pancreatic necrosis by dynamic pancreato-graphy Ann Surg (1989); 210: 495.
111. Bradley EL III. A clinically based classification system for acute pancreatitis: Summary of the Atlanta International Symposium. Arch Surg (1993); 128: 586-590.
112. Bradley EL III. Debridement is rarely necessary in patients with sterile pancreatic necrosis. Pancreas (1996); 13: 220-222.
113. Bradley EL III. Overview. In: Bradley EL III, ed. Complications of-Pancreatitis. Philadelphia, PA: WB Saunders Co; (1982): 1-36.
114. Brailsford J., Ward J., Chalmers A.G., Ridgway J., Robinson P.J. Dynamic MRI of the pancreas: gadolinium enhansment in normal tissue. // Clin. Radiol. 1994. -Vol.49.-p. 104-108.
115. Bridle, J.S. (1990). Probabilistic interpretation of feedforward classification network outputs, with relationships to statistical pattern recognition. In F.
116. Broomhead, D.S. and Lowe, D. (1988). Multivariable functional interpolation and adaptive networks. Complex Systems 2, 321-355.
117. Buchler M, Malfertheiner P, Schoetensack C, Uhl W, Beger HG. Sensitivity of antiproteases, complement factors, and C-reactive protein in detecting pancreatic necrosis: Results of a prospective clinical study Int Journ Pancreatol (1986); 1: 227-235.
118. Buchler M. Objectification of the severity of acute pancreatitis. Hepatogastroenterology (1991); 38:101.
119. Buggy BP, Nostrant TT. Lethal pancreatitis. Amer Journ Gastroenterol (1983); 78: 810-814.
120. Carling, A. (1992). Introducing Neural Networks. Wilmslow, UK: Sigma Press.
121. Clavien PA, Hauser H, Meyer P. Value of contrast-enhanced CT in the early diagnosis and prognosis of acute pancreatitis: A prospective study of 202 patients. Amer Journ Surg (1988); 155:457-466.
122. Cornfield АР, Cooper MJ, Williamson AC, Mayer AD, McMahon MJ, Dickson AP, Shearer MG, Imrie LW. Prediction of severity in acute pancreatitis: prospective comparison of three prognostic indices. Lancet (1985); 2: 403.
123. Cristopher M. Bishop. Neural Networks for Pattern Recognition. Oxford University Press. 1995.
124. CruickshankA.H., Bennbow E. Pathology of the Pancreas. London, 1995. - 341 p.
125. David M. Skapura. Building Neural networks. Brightware Corporation and Adjunct Faculty. School of Natural Applied Sciences, University of Houston at Clear Lake. ACM Press New York. 1995.
126. Dominguez-Munoz JE. Diagnosis of acute pancreatitis: any news or still amylase? In: Buchler M, Uhl E, Friess H, Malfertheiner P, eds. Acute Pancreatitis: Nowel Concepts in Biology and Therapy. London: Blackwell Science, 1999; 11: 47-52.
127. Douglas G. Altman, Royston Patrick. What we do mean by validating a prognostic model? Statistics in medicine. Statist. Med. 2000; 19: 453-473.
128. Elman R, Arneson N, Graham. Value of blood amylase estimations in the diagnosis of pancreatic disease. Arch Surg (1929); 19: 943-965.
129. Fahlman, S.E. (1988). Faster-learning variations on back-propagation: an empirical study. In D. Touretzky, G.E. Hinton and T.J. Sejnowski (Eds.), Proceedings of the 1988 Connectionist Models Summer School, 38-51. San Mateo, CA: Morgan Kaufmann.
130. Fausett, L. (1994). Fundamentals of Neural Networks. New York: Prentice Hall.
131. Fausett, Laurene V. Fudamentals of neural networks: architectures, algorithms, and applications, Florida Institute of Technology. Prentice-Hall, -1994.
132. Fitz RH. Acute pancreatitis: A consideration of pancreatic hemorrhage, hemorrhagic suppurative, and gangrenous pancreatitis and of disseminated fat necrosis. Boston Med Surg Journ (1889); 120: 181-187, 205-207, 229-235.
133. Fogelman Soulie and J. Herault (Eds.), Neurocomputing: Algorithms, Architectures and Applications, 227-236. New York: Springer-Verlag.
134. Freeny P.C. Angio CT: diagnosis and detection of complications ofacute pancreatitis// Hepatogastroenterology. 1991. -Vol.38, №4. -p. 109-115.93
135. Freeny PC. Angio-CT: diagnosis and detection of complications of acute pancreatitis. Hepato-gastroenterol (1991); 38:109.
136. Frey CF, Bradley EL III, Beger HG. Progress in acute pancreatitis. Surg Gynecol Obstet (1988); 167:282-286.
137. Frey CF. Hemorrhagic pancreatitis. Amer Journ Surg (1970); 137: 616622.
138. Gamaste W. Diagnostic tests for acute pancreatitis. Gastroenterologist, 2:119-30, 1994.
139. Gerzof SG, Banks PA, Robbins AH, et al. Early diagnosis of pancreatic infection by CT-guided aspiration. Gastroenterol (1987); 93:1315-1320.
140. Goldberg, D. E. (1989). Genetic Algorithms. Reading, MA: Addison Wesley.
141. Gudgeon AM, Heath DI, Hurley PR, et al. Trypsinogen activation peptides assay in the early prediction of severity of acute pancreatitis. Lancet (1990); 335: 4-8.
142. Haykin, S. (1994). Neural Networks: A Comprehensive Foundation. New York: Macmillan Publishing.
143. Heiken J.P., Brink J.A., Vannier M.W. Spiral (medical) CT. // Radiology.
144. Hertz J., Krogh A., and Palmer R.G., Introduction to the Theory of Neural Computation, Redwood City. CA: A ddi son-Wesley, 1991.
145. НШ MC, Barkin J, Isikoff MB, Silverstein W, Kaiser M. Acute pancreatitis: clinical vs. CT findings. AJR (1982); 139: 263.
146. Howard JM, Jordan GL. Classification of pancreatitis. In: Howard JM, Jordan GL, eds. Surgical Diseases of the Pancreas. Philadelphia, JB Lippincott (1960); 45-70.
147. Howard TJ, Wiebke EA, Mogovero G, et al. Classification and treatment of local septic complications in acute pancreatitis. Amer Journ Surg (1995); 170: 44-50.
148. Jacobs, R.A. (1988). Increased Rates of Convergence Through Learning Rate Adaptation. Neural Networks 1 (4), 295-307.
149. Jeffrey RB Jr. Sonography in acute pancreatitis. Rad Clinics of North Am (1989); 27: 5.
150. Jimenez H, Aldrete JS. Clinical implications derived from the morphologic classification of 89 patients with acute pancreatitis. Journ Clin Gastroenterol (1983); 5:137-142.
151. Johnson CD, Stephens DH, Sarr MG. CT of acute pancreatitis: correlation between lack of contrast enhancement and pancreatic necrosis. AJR (1991); 156: 93.
152. Joliffe IT. Principal Component Analysis. New York: Springer-Yerlag, 1986.
153. Kevin Swmgler. Applying Neural Networks. A Practical Guide. Centre for Cognitive and Computational Neuroscience. University of Stirling. Academic Press. -1996.
154. Kivisaari L, Somer K, Standerskjold-Nordenstam C-G, Schroder T, Kivilaakson E, Lempinen M. Early detection of acute fulminant pancreatitis by contrast-enhanced computed tomography. Scand J Gastroenterol (1983); 18: 39.
155. Knaus WA, Draper EA, Wagner DP, Zimmerman JE. APACHE II: A severity of disease classification system. Crit Care Med (1985); 13: 818-829
156. Kohonen, T. (1982). Self-organized formation of topologically correct feature maps. Biological Cybernetics, 43, 59-69.
157. Kourtesis G, Wilson SE, Williams. The clinical significance of fluid collections in acute pancreatitis. Am Surgeon (1990); 56: 796.
158. Kramer, M.A. (1991). Nonlinear principal components analysis using autoassociative neural networks. AlChe Journal 37 (2), 233-243.
159. Kune GA, King R. The late complications of acute pancreatitis: Pancreatic abscess; Med Journ Aust(1973);l:1241-1246.
160. Laing FC, Wing VW. Extrapancreatic spread of acute pancreatitis: new observations with real-time US. Radiology (1986); 159: 707.
161. Larvin M, Chalmers AC, McMahon MJ. Dynamic contrast enhanced computed tomography: a precise technique for identifying and localising pancreatic necrosis. Br Med J (1990); 300:1425.
162. Le Moine О, Devaster JM, Deviere J, Thity P, Cremer M, Ooms HA. Trypsin activity. A new marker of acute alcogolic pancreatitis. Dig Dis Sci 1994; 39:2634-8.
163. Leger L, Chiche B, Louvel A. Pancreatic necrosis and acute pancreatitis. World Journ Surg (1981); 5:315-320. 33 Книга АР ст p 190
164. Levenberg, К. (1944). A method for the solution of certain non-linear problems in least squares. Quarterly Journal of Applied Mathematics II (2), 164168.
165. London NJ, Leese T, Lavelle JM, Miles K, West KP, Watkin DF, Fossard DP. Rapid-bolus contrast-enhanced dynamic computed tomography in acute pancreatitis: a prospective study. Br J Surg (1991); 78:1452.
166. Lowe, D. (1989). Adaptive radial basis function non-linearities, and the problem of generalisation. First IEEE International Conference on Artificial Neural Networks, 171-175, London, UK.
167. Lumsden A, Bradley EL III. Secondary pancreatic infections. Surg Gynecol Obstet (1990); 170: 459-467.
168. Machado M, Bacchella T, Monteiro da Cunha JE, et al. Surgical treatment of pancreatic necrosis. Dig Dis Sci (1986); 31 (suppi): 25.
169. MacMahon MJ, Playforth MJ, Pickford IR. A comparative study of methods for the prediction of the severity of attacks of acute pancreatitis. Br J Surg (1980); 67: 22.
170. Maier W. Early objective diagnosis and staging of acute pancreatitis by contrast-enhanced computed tomography. In: Beger HG, Buchler M, eds. Acute Pancreatitis. New York, Springer-Verlag NY Inc (1987): 132-140.
171. Marincek B. Predictive value of tomographic images in pancreatic diseases. // Schweiz. Rundsch. med. Prax. -1994. Bd.19. - s. 823-827.
172. Marquardt, D.W. (1963). An algorithm for least-squares estimation of non-linear parameters. Journal of the Society of Industrial and Applied Mathematics 11 (2), 431-441.
173. Mayer W. Early objective diagnosis and staging of acute pancreatitis by contrast enhanced CT. In: Beger H, Buchler M, (Eds). Acute Pancreatitis. Springer-Verlag, Berlin (1987): 132-140.
174. McClelland (Eds.), Parallel Distributed Processing, Vol 1. Cambridge, MA: MIT Press.
175. Minsky, M.L. and Papert, S.A. (1969). Perceptions. Cambridge, MA: MIT Press.
176. Moody, J. and Darkin, С J. (1989). Fast learning in networks of locally-tuned processing units. Neural Computation 1 (2), 281-294.
177. Morgan D.E., Baron Т.Н., Smith J.K., Robbin M.L, Kenney P.J. Pancreatic fluid collections prior to intervention: evaluation with MR imaging compared with CT and US. // Radiology. 1997. - Vol.203. - p. 773-778.
178. Oja E., Ogawa H, and Wangviwattana J. Principal Components Analysis by Homogeneous Neural Networks, Part II: Analysis and Extensions of the Learning Rule. HI ICE Transactions of Information and Systems (Japan), vol. E75-D, 1992 pp. 376-82.
179. Parker, D.B. (1985). Learning logic. Technical Report TR-47, Cambridge, MA: MIT Center for Research in Computational Economics and Management Science.
180. Patterson, D. (1996). Artificial Neural Networks. Singapore: Prentice Hall.
181. Pedersoli P., Bassi C., Vesentini S., Campedelli A. A randomised multicenter clinical trial of antibiotic prophylaxis of septic complications in acute necrotising pancreatitis with imipenem // Surg. Gynecol. Obstet. -1993. -Vol. 176, №5. p. 480-483.
182. Pederzoli P, Bassi C, Elio A, Corra S, et al. Infected necrosis is a prognostic factor in necrotizing pancreatitis. Gastroenterol (1989); 96:1389A.
183. Peter J.F. Lucas, Ameen Abu-Hanna. Prognostic methods in medicine. Artificial intelligence in medicine 15 (1999) 105-119.
184. Ranson J.H. The role of surgery in the management of acute pancreatitis//Ann. Surg. 1990. -Vol. 211, №4. - p. 382-393.
185. Ranson J.H., Balthazar B.C.E., Caccavale R., Cooper M. Computed tomography and the prediction of pancreatic abscess in acute pancreatitis. // Ann. Surg.- 1985. Vol.201.-№5. - p. 656-665.
186. Ranson JHC, Rifkind RM, Roses DF. Prognostic signs and the role of operative management in acute pancreatitis. Surg Gynecol Obstet (1975); 139: 69-80.
187. Renner IG, Savage WT, Pantoja JL, Renner VJ. Death due to acute pancreatitis: A retrospective analysis of 405 autopsy cases. Dig Dis Sci (1985); 30:1005-1018.
188. Robinson P.J.A., Sheridan M.B. Pancreatitis: computed tomography and magnetic resonance imaging. // European Radiology. 2000. - Vol.10. -№3. - p. 401-408.
189. Rosenblatt, F. (1958). The Perceptron: A probabilistic model for information storage and organization in the brain. Psychological Review 65, 386-408.
190. Rumelhart, D.E. and McClelland, J. (eds.) (1986). Parallel Distributed Processing, Vol 1. Cambridge, MA: MIT Press.
191. Rumelhart, D.E., Hinton, G.E. and Williams, R.J. (1986). Learning internal representations by error propagation. In D.E. Rumelhart, J.L.
192. Russell D. Reed, Robert J. Marks II. Neural smithing: supervised learning in feedforward artificial neural networks. A Bradford Book. The MIT Press 1998.
193. Sanger T.D. Optimal unsupervised learning in single layer linear feedformed neural network//Neural networks, 1989. -Vol. 2. pp. 459-473.
194. Schein C.I. Postcholecystectomy syndroms: New York-San Francisco-London: Harper and Row, 1978. 264 p.
195. Shepherd, A. J. (1997). Second-Order Methods for Neural Networks. New York: Springer.
196. Siegelman SS, Copeland BE, Saba GP, Cameron JL, Sanders RC. CT of fluid collections associated with pancreatitis. Amer Journ Roentgenol (1980); 134:1121-1132.
197. Simon Haykin. Neural Networks: A Comprehensive Foundation. Second Edition. McMaster University. Prentice-Hall. 1999.
198. Singer MB, Gyr K, Sarles H. Revised classification of pancreatitis. Gastroenterol (1985); 89:683-685.
199. Speckt, D.F. (1990). Probabilistic Neural Networks. Neural Networks 3 (1), 109-118.
200. Speckt, D.F. (1991). A Generalized Regression Neural Network. IEEE Transactions on Neural Networks 2 (6), 568-576.
201. Spiegehalter DJ, Knill-Jones RP. Statistical and knowledge-based approaches to clinical decision-support systems, with an application in gastrointerology. J R Stat Soc 1984; 147:35-77
202. Spiro H.M. Clinical Gastroenterology. — New York-Toronto-London, Macrnillan, 1977. -1290p.
203. Stanten R, Frey CF. Comprehensive management of acute necrotizing pancreatitis and pancreatic abscess. Arch Surg (1990); 125: 1269-1275.
204. Uhl W, Buchler M, Malfertheiner P, Isenmann R, et al. Pancreatic necrosis develops within four days after the acute attack. Gastroenterol (1991); 100:123A.
205. Uhl W, Buchler M, Malfertheiner P, Marini M, Beger HG. PMN elastase in comparison with CRP, antiproteases, and LDH as indicators of necrosis in human acute pancreatitis. Pancreas (1991); 6: 253-259.
206. W.H., Teukolsky, S.A., Vetterling, W.T. and Flannery, B.P. (1992). Numerical Recipes in C: The Art of Scientific Computing (Second ed.). Cambridge University Press.
207. Werbos, P.J. (1974). Beyond regression: new tools for prediction and analysis in the behavioural sciences. Ph.D. thesis, Harvard University, Boston, MA.
208. Wgatt S.H., Fishman E.K. Spiral CT of the pancreas. // Semin. Ultrasound CT MR. 1994.-Vol.15. - №2. - p. 122-132.
209. White E.M., Wittenberg J., Mueller P.R. et al. Pancreatic necrosis: CT manifestations // Radiology. -1986. -Vol.158. №2. - p. 343-346.
210. White IT. Pancreatitis. Baltimore, Williams & Wilkins (1966): 214.27
211. Widrow, В., and Hoff Jr., M.E. (I960). Adaptive switching circuits. IRE WESCON Convention Record, 96-104.
212. Wilson C, Heath DI, Imrie CW. Prediction of outcome in acute pancreatitis: a comparative study of apache II, clinical assessment and multiple factor scoring systems. Br J Surg (1990); 77:1260.
213. E. Oja. Principal components, minor components, and linear neural networks. Neural Networks, 5: 927-935, 1992.