Автореферат и диссертация по медицине (14.00.13) на тему:Математические алгоритмы и экспертные системы в дифференциальной диагностике инсультов
- Ученая степень
- доктора медицинских наук
- ВАК РФ
- 14.00.13
Оглавление диссертации Реброва, Ольга Юрьевна :: 2003 :: Москва
Список сокращений, используемых в диссертационной работе.
Введение.
Глава 1. Обзор литературы.
1.1. Проблемы диагностики типа (характера) инсульта
1.2. Проблемы диагностики подтипа ишемического инсульта
1.3. Интеллектуальный анализ данных в задачах медицинской диагностики
1.3.1. Статистические методы
1.3.2. Нейросетевые методы
1.4. Представление экспертных медицинских знаний
Глава 2. Материалы и методы исследования.
2.1. Первичные документальные источники информации
2.2. Общая характеристика выборки
2.3. Программные средства разработки баз данных
2.4. Учет критериев TOAST
2.5. Применение терминологического стандарта SNOMED International 3.
2.6. Стратегии и методы получения знаний
2.6.1. Методы получения экспертных знаний
2.6.2. Математические методы и программные средства интеллектуального анализа данных
2.6.2.1. Методы математической статистики
2.6.2.2. Логико-статистические методы
2.6.2.3. Методы искусственных нейронных сетей
2.7. Программное средство разработки экспертной системы
2.8. Критерии оценки (показатели) эффективности способов дифференциальной диагностики
2.8.1. Операционные харастеристики и прогностичность
2.8.2. Анализ согласованности независимых диагностических заключений
2.8.3. Оценка внутренней и внешней валидности
Глава 3. Системный анализ проблемной области. Представление данных.
3.1. Системный анализ проблемной области
3.1.1. Формализация информационного пространства неврологической клиники
3.1.2. Разработка компьютеризированной версии частично формализованной истории болезни
3.1.3. Разработка баз данных по проблемам инсульта
3.1.4. Онтология проблемной области
3.2. Представление данных по проблеме дифференциальной диагностики инсультов
3.3. Стандартизация представления данных с использованием международного медицинского терминологического стандарта
Глава 4. Одномерный статистический анализ данных.
4.1. Результаты анализа данных анамнеза
4.2. Результаты анализа данных клинического обследования
4.3. Результаты томографических исследований
4.4. Результаты других инструментальных и лабораторных исследований
Глава 5. Математические алгоритмы диагностики типа характера) инсульта.
5.1. Анализ эффективности диагностики типа инсульта в существующей врачебной практике
5.2. Разработка математических алгоритмов с использованием статистического подхода (логистической регрессии)
5.3. Разработка математических алгоритмов с использованием логико-статистического подхода
5.4. Разработка математических алгоритмов с использованием методов искусственных нейронных сетей
5.4.1. Построение искусственных нейронных сетей на эвристическом наборе признаков
5.4.2. Построение искусственных нейронных сетей н<* наборе признаков, информативных по критерию логико-сгатистического метода
5.4.3. Построение искусственных нейронных сетей на наборе признаков, информативных с точки зрения «генетического» алгоритма
5.4.4. Дополнительное тестирование наилучшего нейросетевого алгоритма
Глава 6. Математические алгоритмы диагностики патогенетических подтипов ишемического инсульта.
6.1. Применение алгоритма TOAST для диагностики подтипов ишемического инсульта
6.2. Экспертная оценка в диагностике подтипов ишемического инсульта
6.3. Анализ согласия заключений эксперта и заключений алгоритма TOAST
6.4. Построение искусственных нейронных сетей на экспертных признаках
6.5. Построение искусственных нейронных сетей на признаках TOAST
6.6. Описательная статистика для входных признаков искусственной нейросети
Глава 7. Экспертные системы по проблеме дифференциальной диагностики инсультов.
7.1. Системный анализ проблемной области на применимость технологии экспертных систем
7.2. Выявление и представление процедурных экспертных знаний о дифференциальной диагностике инсультов
7.3. Разработка демонстрационных и исследовательских прототипов экспертных систем. Оценка показателей их эффективности
7.4. Представление информации о научно-обоснованных медицинских вмешательствах при остром инсульте
Глава 8. Сравнение эффективности различных математических алгоритмов и экспертных систем.
Введение диссертации по теме "Нервные болезни", Реброва, Ольга Юрьевна, автореферат
Тремя основными причинами смертности населения от неинфекционной патологии в современном мире являются сердечно-сосудистые, онкологические и цереброваскулярные заболевания. В России первое место в структуре общей смертности занимает ишемическая болезнь сердца (25,7%), на втором месте находятся цереброваскулярные заболевания (21,4%), на третьем онкологическая патология (14,7%), в то время как в мире последняя занимает второе место. Показатели смертности в России от сосудистых заболеваний мозга - одни из самых высоких в мире, причем заболеваемость населения трудоспособного возраста постоянно увеличивается. На основании данных регистра инсульта заболеваемость в России оценивается приблизительно в 200 человек на 100 тысяч населения в год. Существенно, что среди всех случаев смерти, отнесенных к цереброваскулярной патологии, диагноз инсульта с указанием его характера ставится лишь в 20,6% случаев, недифференцированный диагноз «острое нарушение мозгового кровообращения» - в 38,6% случаев. Ежегодно регистрируется 400 тыс. новых случаев острого инсульта, причем заболеваемость населения трудоспособного возраста постоянно увеличивается. Летальность достигает 35-40%, и 62% лиц, переживших инсульт, остаются инвалидами [8,9, 34].
Решающее значение в снижении смертности и инвалидизации вследствие инсульта принадлежит первичной профилактике, однако существенный эффект дает и оптимизация системы помощи больным инсультом, основанная на концепции гетерогенности инсульта [114]. Именно поэтому большое значение имеет предоставление врачу всесторонней поддержки в принятии быстрого и точного диагностического решения, определяющего дальнейшую тактику лечения, а, следовательно, и прогноз для больного [50]. Это касается как установления характера (типа) инсульта, так и диагностики патогенетического подтипа ишемического инсульта.
В настоящее время "золотым стандартом" (референтным, эталонным методом) прижизненной диагностики характера инсульта считается томографическое исследование головного мозга. Однако абсолютизировать какой-либо инструментальный метод исследования, в том числе и этот, с нашей точки зрения, нецелесообразно. Это связано с несколькими ограничениями.
Во-первых, известно, что согласие (совпадение) врачебных заключений по ультразвуковым, рентгенологическим, радиоизотопным, электрокардиографическим, гистологическим и другим исследованиям, связанных с оценкой медицинских изображений, недостаточно высока и составляет порядка 80% [16, 198, 215]. Это относится как к сходимости метода (совпадение заключений разных врачей), так и к его воспроизводимости (совпадение заключений одного и того же врача в разные дни). Как было показано, согласие специалистов при оценке томографических изображений также является недостаточным [225,244].
Во-вторых, необходимо принимать во внимание реальную ситуацию с недостаточной доступностью для больных такого высокотехнологичного и дорогостоящего метода диагностики типа инсульта, как КТ и МРТ, причем не только в России, но и во многих других странах мира. Так, по данным регистра инсульта Национальной ассоциации борьбы с инсультом в России, только 20% больных с инсультом в крупных городах России проводится томография головного мозга [34].
В-третьих, имеют значение и реальные сроки проведения томографического исследования. Нередко возникает ситуация, когда обследование больного производится вне острейшей фазы инсульта. В этом случае интерпретация КТ-картины очага должна проводиться с учетом текущего этапа эволюции инфаркта мозга или внутримозговой гематомы, что зачастую вызывает существенные затруднения [10]. Так, при сроке более 10-14 суток от начала инсульта томографические данные в отношении характера инсульта не могут считаться вполне надежными [263]. Однако именно на этом этапе развития заболевания важно исключение геморрагического характера произошедшего инсульта, что позволяет в более ранние сроки назначать антитромботическую терапию (аспирин) в целях вторичной профилактики инсульта [183]. Кроме того, Следует отметить также, что МРТ, которая получает все большее распространение, а в ряде клиник постепенно замещает КТ, имеет существенно более низкие операционные характеристики в отношении внутримозговых гематом. В связи с этим число диагностических ошибок в условиях все более широкого применения МРТ может возрасти.
При невозможности проведения томографического исследования головного мозга в необходимые сроки принципиальной становится правильность и быстрота проведения клинической дифференциальной диагностики типа инсульта. Диагностические ошибки при этом по данным разных авторов составляют 20-45% [18, 50, 136]. Такой процент ошибок недопустим в связи с тем, что адекватная терапия должна включать методы лечения, специфические для инсульта ишемического генеза и категорически не должна включать методы, специфические для инсульта геморрагического типа, и наоборот. Поскольку для установления патогенетического подтипа ишемического инсульта «золотого стандарта» в настоящее время не существует, данные о частоте ошибок такой диагностики отсутствуют, однако можно предположить, что их доля не менее существенна.
Таким образом, задача поддержки принятия квалифицированного решения по поводу дифференциального диагноза острого нарушения мозгового кровообращения продолжает быть актуальной. Ее могла бы решить интеллектуальная компьютерная система поддержки принятия решений в области неотложной ангионеврологии, ассистирующая неврологу или врачу общей практики. Системы такого типа относятся к классу медико-технологических [21,141].
Уровень развития интеллектуальных информационных систем в определенной проблемной области определяется уровнем достигнутой формализации в этой области. Известно, что степень применения математических методов отражает методическую зрелость научной дисциплины и широту ее возможностей. Многие ученые придерживаются точки зрения, что уровень развития определенной науки определяется степенью ее математизации. Так, Э. Кант писал: «В каждой науке столько истины, сколько в ней числа». А В.И. Вернадский отметил: «Наука начинается тогда, когда человек подходит к явлениям природы с числом и мерою». По сравнению с физикой, химией и рядом других естественных наук биология и медицина, так же как и многие гуманитарные науки, в настоящее время существенно менее математизированы. Медицина пока еще остается одной из наиболее слабо формализованных и плохо структурированных областей знаний. Однако бурное развитие информационных технологий, достижения информатики стимулировали расширение использования математических методов и искусственного интеллекта в медицине. Следует подчеркнуть, что системный анализ, искусственный интеллект, распознавание образов и принятие решений отнесены к приоритетным направлениям фундаментальных исследований в России [106], информационно-телекоммуникационные технологии являются составной частью первого приоритетного направления развития науки, технологий и техники Российской Федерации [115], а искусственный интеллект и распознавание образов - критическими технологиями Российской Федерации [ПО]. Два последних упомянутых документа утверждены Президентом Российской Федерации 30 марта 2002 г. Отмечается, что здравоохранение является одной из областей, где ожидается наибольший эффект от применения технологий интеллектуальных систем [64]. Научно-технологическое направление «системы искусственного интеллекта» имеет устойчивую тенденцию к развитию во всех технологически развитых странах, а рынок интеллектуальных систем в мире постоянно расширяется. Было показано, что компьютерные системы поддержки принятия решений способны улучшить качество медицинской помощи и снизить финансовые затраты [207].
Существуют два основных пути создания компьютерных интеллектуальных систем поддержки принятия решений: разработка математических алгоритмов с использованием методов интеллектуального анализа данных и создание систем представления знаний врачей-экспертов. Под интеллектуальным анализом данных (data mining, knowledge discovery) в настоящее время понимают извлечение ранее не известных закономерностей из больших массивов данных. Экспертные системы (системы, основанные на знаниях) - это интеллектуальные системы, ориентированные на тиражирование опыта высококвалифицированных специалистов (экспертов) в слабоформализованных областях, где качество принятия решений зависит от уровня экспертизы. Основная трудность первого пути - получение репрезентативной базы данных, содержащей не только часто встречающиеся, но и редкие случаи. Основная трудность второго пути - трудоемкость выявления правил эксперта, неполнота множества правил.
Первые интеллектуальные системы в медицине были основаны на математической теории распознавания образов, однако жесткие ограничения на формат исходных данных, моделирование преимущественно линейных закономерностей обусловили недостаточную эффективность таких систем. При этом они обладали свойством закрытости (кибернетичности), и неясность внутренней структуры вызывала неуверенность в правильности работы систем. Указанные факторы оказались препятствиями для широкого применения математических алгоритмов распознавания.
Именно поэтому медицина стала одной из первых областей знаний, для которых начали разрабатываться экспертные интеллектуальные системы. Их положительной отличительной чертой является наличие подсистемы объяснения принятия решения. Вместе с тем существенная неопределенность в знаниях о патогенезе, необходимость учета многообразия клинических проявлений заболеваний, наследственных, социальных и других факторов, влияющих на состояние пациента, делают создание таких систем трудоемким и дорогостоящим.
Попытки разработки математических алгоритмов диагностики типа инсульта предпринимались ещё в 1970-е годы профессором Л.Г. Ерохиной [4246], чл.-корр. АМН СССР Н С. Мисюком [90-94] и другими исследователями, однако достигнуть высокого уровня правильного распознавания не удавалось. Как мы полагаем, это было связано с несколькими обстоятельствами.
Во-первых, в 1970-е годы верифицировать материал обучающих выборок можно было только с использованием секционных случаев. Следовательно, исследователи были ограничены возможностью включения в работу только тяжелых случаев, имевших летальный исход. В связи с этим выборки были нерепрезентативными, и поэтому разработанные для них алгоритмы не могли демонстрировать хорошее распознавание в реальной клинической ситуации.
Во-вторых, в те годы использовались главным образом такие методы многомерного статистического анализа как дискриминантный анализ и линейная регрессия. С учетом того, что параметры, используемые при этом в качестве предикторов, являются клиническими и анамнестическими признаками, представляемыми качественными порядковыми либо номинальными данными, применение параметрических статистических методов представляется нам некорректным, а, следовательно, разработанные модели - невалидными.
В-третьих, упомянутые методы являются по сути методами линейного статистического моделирования. Нам же представляется очевидным, что закономерности изучаемой проблемной области нелинейны.
В-четвертых, как весьма существенная отмечалась [42] также проблема отсутствия единообразия в описании клинических признаков в разных клиниках, что снижает эффективность применения разработанных алгоритмов в других клиниках.
В последующие годы ситуация в области разработки формальных методов диагностики принципиально изменилась. С одной стороны, были созданы методы нейровизуализации, позволившие формировать репрезентативные верифицированные выборки, включавшие широкий диапазон тяжести инсультов, которые можно верифицировать и использовать для разработки алгоритмов. С другой стороны, математические методы распознавания образов также получили существенное развитие, благодаря чему было снято большинство ограничений, перечисленных выше. Был разработан логистический регрессионный анализ [153, 166], логические и логико-статистические подходы к распознаванию образов [7, 28, 29, 39, 67, 70, 87, 137]. За последние 5-7 лет создан принципиально новый класс математических методов распознавания образов -методы нейронных сетей. В 1999 г. появились первые публикации о приложениях этих методов. Все упомянутые математические подходы направлены на моделирование нелинейных закономерностей, что открывает принципиально новые возможности для решения прикладных задач, в частности, в области клинической диагностики и прогнозирования.
Тем не менее предпринятые в 1980-90-е гг. за рубежом попытки создания математических моделей для диагностики типа инсульта на обучающих выборках с томографической верификацией [155, 284] не были успешными. По нашему мнению, такой опыт показывает, что включение в алгоритмы небольшого (5-8) числа признаков, хотя и упрощает использование предложенных алгоритмов (шкал) в клинической практике, но не обеспечивает эффективность моделей: диагностическая чувствительность, прогностическая ценность положительного результата и другие операционные характеристики алгоритмов варьируют в весьма широких пределах - от 38% до 91%.
Другой актуальной проблемой является гетерогенность ишемического инсульта, учет которой необходим для назначения патогенетически обоснованной терапии. Зарубежными исследователями предприняты попытки алгоритмизации процесса дифференциальной диагностики двух подтипов ишемического инсульта [157, 299], однако их пока нельзя признать успешными. Интенсивные исследования в данной области продолжаются.
Несмотря на то, что в среде неврологов существует некоторый скепсис в отношении возможности использования систем формальной диагностики, мы все же считаем, что с применением новейших математических методов может быть создана эффективная система для дифференциальной диагностики инсультов. Попытки разработки таких алгоритмов могут быть оправданными при выполнении следующих условий:
- выборки должны быть репрезентативными;
- математические методы должны быть адекватны поставленной задаче и имеющимся данным;
- эффективность разработанных алгоритмов должна быть высокой и значительно превосходить эффективность врачебной практики.
При этом следует еще раз подчеркнуть, что диагностическое заключение алгоритма является лишь поддержкой принятия решения врачом и ни в коем случае не заменяет его. Окончательное решение при использовании ассистирующих диагностических систем всегда остается за человеком.
В отличие от систем формальной диагностики экспертные системы благодаря наличию подсистемы объяснения являются психологически более комфортными для врача. В последнее время для большинства активно работающих медиков необходимость представления декларативных медицинских знаний с помощью информационных технологий стала очевидной. Необходимость же формализованного представления экспертных процедурнмх знаний пока не кажется столь же очевидной, но в ближайшие годы, при все большем развитии информационных технологий в медицине, в том числе телемедицины, эта необходимость станет, как нам представляется, весьма острой.
Системы, основанные на знаниях, прошли через этапы больших ожиданий и разочарований. С древних времен до сегодняшних дней высокая квалификация врача определяется не столько энциклопедичностью его фактических (декларативных) медицинских знаний, сколько его способностями к анализу и синтезу информации (т.е. обладанием процедурным знанием). Процесс представления процедурных знаний является намного более сложным, чем процесс представления декларативных знаний. Часто врачебное искусство объясняют интуицией. Однако в последние годы было показано, что интуиция врача все же представляет собой рассуждение, хотя и протекающее настолько быстро, что его этапы не осознаются, и основанное обычно на прецедентах. Поэтому моделирование процедурных знаний эксперта может оказаться продуктивным.
Экспертные системы (системы, основанные на знаниях) - это класс интеллектуальных систем, ориентированный на тиражирование опыта высококвалифицированных специалистов (экспертов) в слабо формализованных областях, где качество принятия решений зависит от уровня экспертизы. К числу специалистов, нуждающихся в поддержке экспертными знаниями, в медицине относятся прежде всего ординаторы, специалисты в смежных областях знания, которые способны решать задачи в типичных ситуациях, но порой не в состоянии разобраться в нестандартной или сложной ситуации и вынуждены прибегать к помощи экспертов-консультантов, доступность которых ограничена, а зачастую и вовсе отсутствует (например, в территориально удаленных медицинских учреждениях).
Для обоснования необходимости разработки ЭС должен быть проведен системный анализ проблемной области. В данной работе такой анализ был проведен, и он показал, что разработка ЭС для диагностики типа и подтипа инсульта является обоснованной (уместной), оправданной и возможной. Актуальность разработки ЭС по проблеме дифференциальной диагностики при остром инсульте обоснована высокими уровнями заболеваемости, инвалидизации и смертности от острых нарушений мозгового кровообращения. Предпринятые ранее за рубежом попытки построения ЭС для дифференциальной диагностики инсультов [234, 299] нельзя признать успешными ввиду их низкой эффективности (средняя точность 73%), что не превосходит эффективность доинструментальной диагностики в существующей врачебной практике и, следовательно, не может считаться убедительным аргументом для внедрения этих ЭС в диагностический процесс.
Мы считаем, что в состав ЭС необходимо включать современные декларативные знания, соответствующие критериям доказательной медицины. Декларативные знания достаточно легко поддаются представлению и отражаются большей частью в традиционных носителях знаний (книги, статьи в периодических изданиях). Однако в связи с возрастающим в геометрической прогрессии потоком декларативных медицинских знаний как практическому врачу, так и исследователю все труднее производить отбор высококачественных, научно-обоснованных фактов. В частности, серьезной проблемой является недостаточно высокий уровень информированности практических врачей-неврологов в области современных представлений о тактике, методах и средствах лечения острого инсульта. В настоящее время даже в крупных стационарах зачастую назначаются препараты, применение которых давно не отвечает современным научным представлениям, а иногда даже противоречит им.
Получившая в последнее десятилетие признание концепция доказательной медицины утверждает необходимость обобщения и распространения медицинских знаний на совершенно новом для медицины научном уровне. Согласно этой концепции медицинские знания являются достоверными лишь тогда, когда они получены с использованием строгих методов организации и проведения исследования, отвечающих основным положениям клинической эпидемиологии. Так, по современным представлениям, ни один метод диагностики не может быть признан медицинским сообществом без одномоментного, контролируемого «золотым стандартом» исследования, а эффективность лечебного или профилактического медицинского вмешательства
- без проведения рандомизированных двойных (а лучше - тройных) слепых испытаний.
Пока работы по реализации этой концепции затрагивают главным образом декларативные знания. В публикуемых и регулярно актуализируемых систематических обзорах, содержащихся в Кокрановской электронной библиотеке, анализируется эффективность медицинских вмешательств -медикаментозных, хирургических, физиотерапевтических. По состоянию на январь 2003 г. подготовлено 1519 кокрановских систематических обзоров по всем медицинским специальностям, в том числе 49 - непосредственно относящихся к проблеме инсульта, 27 обзоров по этой проблеме находятся в стадии подготовки. Еще 155 подготовленных обзоров касаются проблемы инсульта косвенно, 104 таких обзора готовятся.
Практически вся актуальная научная информация в настоящее время публикуется на английском языке, причем значительная ее часть представлена лишь в электронном формате. Эти два фактора, как показывает практика российского здравоохранения, существенно ограничивают возможности широкого круга врачей-практиков получать и осваивать современную информацию. Поэтому нам представлялось необходимым включить в состав экспертной системы раздел декларативных знаний о медицинских вмешательствах, который отвечал бы современному уровню знаний в области тактики, методов и средств лечения острого инсульта. Как нам кажется, русскоязычный вариант выводов авторов обзоров может быть существенным подспорьем для принятия врачом соответствующих современному уровню науки способов ведения больных. Реализация информационно-справочной системы в виде приложения для персонального компьютера обеспечит возможность своевременной актуализации базы знаний ЭС.
Таким образом, можно сделать вывод, что разработанные ранее алгоритмы и системы дифференциальной диагностики двух типов инсульта [43,92,155,234, 299] и двух подтипов ишемического инсульта [157, 299] не были эффективными из-за низкой точности (в среднем 71%) и ряда существенных ограничений. Поэтому проблему разработки информационно-алгоритмического обеспечения поддержки принятия решений при дифференциальной диагностике инсультов нельзя признать решенной.
В связи с изложенным целью настоящей работы явилась разработка математических алгоритмов и экспертных систем для дифференциальной диагностики типов инсульта по клинико-анамнестическим данным, получаемым в момент поступления больного, а также патогенетических подтипов ишемического инсульта.
Задачи работы
1. Провести системный анализ проблемной области - области дифференциальной диагностики типов и подтипов инсульта. Создать базу данных по проблеме острого инсульта. Исследовать применимость международного стандарта медицинской терминологии SNOMED International для кодирования терминов российской неврологической школы по проблеме острого инсульта. Оценить информативность признаков, традиционно используемых врачами при дифференциальной диагностике инсультов.
2. Разработать математические алгоритмы диагностики типа (характера) инсульта с использованием методов интелле(сгуального анализа данных (методов математической статистики, логико-статистических методов распознавания образов и методов искусственных нейронных сетей). Провести сравнительную оценку эффективности алгоритмов.
3. Сопоставить результативность применения логистической регрессии, логико-статистического анализа и методов искусственных нейронных сетей в решении задачи распознавания трех типов инсульта.
4. Разработать математические алгоритмы диагностики подтипов ишемического инсульта с использованием наиболее результативного (из числа примененных на предыдущем этапе работы) метода интеллектуального анализа данных.
5. Изучить продуктивность различных способов формирования набора признаков-предикторов для построения математических алгоритмов дифференциальной диагностики.
6. Осуществить представление экспертных знаний по проблеме диагностики типа и подтипа инсульта на модели семантической иерархической пороговой сети. Разработать прототип интеллектуальной компьютерной системы, включающей экспертные процедурные знания. Осуществить поиск научно-обоснованной информации по вопросам ведения больных с острым инсультом и ее представление в информационно-справочной подсистеме экспертных систем.
7. Оценить диагностическую эффективность экспертных систем для дифференциальной диагностики типов инсульта и подтипов ишемического инсульта.
8. Провести сравнительный анализ диагностической эффективности разработанных нами математических алгоритмов и экспертных систем.
Научная новизна
Впервые разработаны высокоэффективные математические алгоритмы диагностики типа (характера) инсульта с использованием методов нейронных сетей.
Впервые разработаны математические алгоритмы диагностики патогенетических подтипов ишемического инсульта. Впервые в России оценка эффективности всех разработанных алгоритмов проведена в соответствии с критериями доказательной медицины.
Впервые проведено сравнение методов логистической регрессии, логико-статистического подхода и методов искусственных нейронных сетей по их продуктивности в разработке алгоритмов распознавания трех типов инсульта, выявившее преимущество нейросетевых методов.
Впервые разработаны экспертные системы для диагностики типа инсульта и подтипа ишемического инсульта, в которых представление знаний осуществлено на модели иерархической семантической пороговой сети. Оценка эффективности экспертных систем проведена в соответствии с критериями доказательной медицины.
Впервые разработана информационно-справочная система, содержащая сведения о научно-обоснованных методах лечения и организационных мероприятиях при остром инсульте, соответствующих концепции доказательной медицины.
Впервые проведен сравнительный анализ эффективности математических алгоритмов и экспертных систем, разработанных для решения одной и той же задачи.
Впервые в России создан база данных по острому инсульту, включающий информацию о 301 наблюдении по 471 признаку, среди которых: данные анамнеза, характеристики неврологического и соматического статуса, результаты лабораторного и инструментального обследований (КТ/МРТ, ультразвукового исследования экстра- и интракраниальных сосудов, ЭКГ, ЭхоКГ, холтеровского мониторирования).
Впервые в России при кодировании атрибутов базы данных по острому инсульту применен международный стандарт медицинской терминологии SNOMED International.
Практическая значимость
Разработанные нейросетевые алгоритмы поддержки принятия решений при диагностике типа (характера) инсульта и патогенетического подтипа ишемического инсульта могут применяться на практике врачами-неврологами и врачами других специальностей.
В разработанных математических алгоритмах дифференциальной диагностики типа инсульта, включая нейросетевой алгоритм, используются только клинико-анамнестические данные, полученные до инструментального и лабораторного обследования больного, что дает возможность применять данные алгоритмы в лечебно-профилактических учреждениях с различной степенью специализации.
Разработанные экспертные системы могут использоваться врачами-неврологами и врачами других специальностей в качестве консультирующих при принятии диагностических решений в отношении типа инсульта и подтипа ишемического инсульта, а также при выборе научно-обоснованной, опирающейся на достижения доказательной медицины тактики лечения больных с инсультом.
Показана целесообразность использования при разработке русскоязычных медицинских информационных систем терминологического стандарта SNOMED International, что способствует унификации клинических описаний и терминологии, существенно повышает интегрируемость программных средств.
Опыт и методика сопоставления трех методов интеллектуального анализа данных при решении задачи классификации могут быть включены в программы обучения студентов и аспирантов по специальностям 041000 «Медицинская кибернетика» и 05.13.01 «Системный анализ, управление и обработка информации (в медицине)» соответственно.
Результаты формализации информационного пространства проблемной области дифференциальной диагностики инсультов могут применяться при разработке протоколов телемедицинских консультаций.
Основные положения диссертации, выносимые на защиту
Сформирован набор клинико-анамнестических признаков, оцениваемых до инструментально-лабораторного обследования больного и закодированных с помощью международного терминологического стандарта SNOMED International. На основе указанного набора признаков стала возможной разработка высокоэффективных математических алгоритмов дифференциальной диагностики типов инсульта.
С использованием трех методов интеллектуального анализа данных (логистическая регрессия, логико-статистический анализ, методы искусственных нейронных сетей) разработаны математические алгоритмы диагностики типов инсульта (инфаркт мозга, внутримозговое кровоизлияние, субарахноидальное кровоизлияние). Доказано, что нейросетевой алгоритм превосходит по диагностической чувствительности и прогностической ценности положительного результата как существующий уровень врачебной диагностики, так и разработанные ранее другими авторами алгоритмы. Разработан высокоэффективный нейросетевой алгоритм для распознавания трех патогенетических подтипов ишемического инсульта - кардиогенной эмболии, атеротромбоза и лакунарного инсульта. Заключение алгоритма о принадлежности распознаваемого случая к одному из подтипов инсульта является вероятностным.
Показано, что разработанные экспертные системы обеспечивают дифференциальную диагностику типов инсульта и патогенетических подтипов ишемического инсульта, сопоставимую по эффективности с нейросетевыми алгоритмами. Базы знаний экспертных систем реализуют представление знаний неврологов-экспертов по проблемам дифференциальной диагностики инсультов на основе модели иерархической семантической пороговой сети.
Благодарности
Автор выражает искреннюю признательность за сотрудничество в процессе выполнения диссертационной работы с.н.с. И сосудистого отделения НИИ неврологии РАМН, д.м.н. М.Ю. Максимовой, доценту Кафедры медицинской кибернетики и информатики РГМУ, к.б.н. В.В. Киликовскому, в.н.с. Проблемной лаборатории медицинских информационных систем РГМУ, к.б.н. С.П. Олимпиевой, заместителю декана Факультета статистики Томского государственного университета, к.т.н. В.П. Леонову.
Заключение диссертационного исследования на тему "Математические алгоритмы и экспертные системы в дифференциальной диагностике инсультов"
ВЫВОДЫ
1. Международный медицинский терминологический стандарт SNOMED International позволяет осуществлять точное представление медицинских данных и знаний российской неврологической школы по проблеме инсульта. Применение этого стандарта дает возможность интегрировать созданную нами базу данных «Острый инсульт» с любыми другими информационными системами, поддерживающими тот же стандарт, в рамках локальных, корпоративных и глобальных компьютерных сетей.
2. Разработаны новые математические алгоритмы диагностики трех типов инсульта (ишемический инсульт, геморрагический инсульт, субарахноидальное кровоизлияние), характеризующиеся различной диагностической эффективностью. Наилучшие результаты дает нейросетевой алгоритм, диагностическая чувствительность которого составляет 97%, точность - 98%, прогностическая ценность - 99%, что достоверно превосходит как существующий уровень врачебной диагностики (чувствительность - 86% без учета случаев неуточненного типа инсульта, 53% - с учетом таких случаев, точность - 84%, прогностическая ценность -81%), так и предложенные ранее математические алгоритмы (точность в среднем 71%). При этом во вновь разработанных математических алгоритмах, включая нейросетевой алгоритм, используются только клинико-анамнестические данные, получаемые до инструментального и лабораторного обследования больного.
3. Дифференциальная диагностика двух типов инсульта - ишемического и геморрагического - по клинико-анамнестическим данным с помощью нейросетевого алгоритма характеризуется диагностической чувствительностью 96%, точностью 95%, прогностической ценностью 93%.
4. Применение различных методов интеллектуального анализа данных -логистической регрессии, логико-статистического анализа и методов нейронных сетей - с целью построения математического алгоритма диагностики типа инсульта выявило преимущество методов нейронных сетей. Данное преимущество выражается в наибольшей диагностической эффективности полученных алгоритмов, возможностях одновременного распознавания нескольких (в данном случае - трех) состояний и предварительного отбора с помощью встроенного «генетического» алгоритма потенциально информативных признаков (симптомов).
5. Нейросетевой алгоритм для распознавания трех патогенетических подтипов ишемического инсульта - кардцогенной эмболии, атеротромбоза и лакунарного инсульта - имеет диагностическую чувствительность 97%, точность 97%, прогностическую ценность 98%, причем предложенный алгоритм показывает большую эффективность, чем стандартно применяющийся с этой же целью международный алгоритм TOAST. Результатом работы нашего алгоритма является вероятность принадлежности рассматриваемого случая к одному из подтипов инсульта. Нейросеть, в которой в качестве входных используются признаки, отобранные экспертами, оказалась более эффективной, чем нейросеть с использованием признаков-критериев TOAST (чувствительность 97% против 87% и прогностическая ценность 98% против 87% соответственно).
6. Применение трех подходов к формированию набора признаков для входного слоя нейросетей - использование признаков, рекомендуемых экспертами, признаков, имеющих высокую информативность по критерию оптимизации функционала качества разбиений, и признаков, отобранных «генетическим» алгоритмом, - выявило наибольшую продуктивность последнего по критерию диагностической эффективности построенных нейросетей.
7. Впервые созданы экспертные системы, реализующие представление знаний неврологов-экспертов по проблемам диагностики типов и подтипов инсульта на основе модели иерархической семантической пороговой сети. Базы знаний экспертных систем содержат 155 решающих правил, построенных на основе качественных описаний экспертами синдромов и симптомов, необходимых для формирования диагностических заключений. При разработке экспертных систем использовались результаты статистического анализа данных.
8. Экспертная система для диагностики типа инсульта обладает диагностической чувствительностью 95%, точностью 94%, прогностической ценностью 93%. Экспертная система для диагностики патогенетических подтипов ишемического инсульта (кардиогенная эмболия, атеротромбоз, лакунарный инсульт) имеет чувствительность 95%, точность 93%, прогностическую ценность 95%. Разработанные экспертные системы обеспечивают дифференциальную диагностику типов инсульта и патогенетических подтипов ишемического инсульта, сопоставимую по эффективности с нейросетевыми алгоритмами.
9. Разработано информационно-алгоритмическое обеспечение для интеллектуальной диагностической системы, состоящей из двух подсистем: подсистемы диагностики на основе математических алгоритмов и экспертной подсистемы. Их одновременное применение в процессе диагностики типов и подтипов инсульта позволяет обеспечить ее наибольшую эффективность благодаря созданию «консилиума интеллектуальных алгоритмов» и прозрачность процесса «рассуждения», а, следовательно, и доверие к системе со стороны пользователя.
ПРАКТИЧЕСКИЕ РЕКОМЕНДАЦИИ
1. Разработчикам медицинских информационных систем рекомендуется применять терминологический стандарт SNOMED International, поскольку это способствует унификации клинических описаний и терминологии, существенно повышает интегрируемость программных средств, что весьма важно при построении распределенных локальных, корпоративных, глобальных компьютерных сетей и внедрения телемедицинских технологий, а, следовательно, и конкурентоспособность разработок.
2. Разработанные нейросетевые алгоритмы для диагностики типа (характера) инсульта рекомендуются для применения врачами-неврологами и врачами других специальностей. Поскольку в разработанных математических алгоритмах дифференциальной диагностики типа инсульта используются только клинико-анамнестические данные, полученные до инструментального и лабораторного обследования больного, существует возможность применять данные алгоритмы в лечебно-профилактических учреждениях здравоохранения с различной степенью специализации.
3. Нейросетевой алгоритм для диагностики патогенетического подтипа ишемического инсульта рекомендуется для применения на практике врачами-неврологами при назначении патогенетически обоснованного лечения больных с ишемическим инсультом, являющегося средством его вторичной профилактики.
4. Экспертные системы могут использоваться врачами-неврологами и врачами ДРУ™* специальностей в качестве консультирующих и обучающих при принятии диагностических решений в отношении типа инсульта и подтипа ишемического инсульта, а также при выборе тактики научно-обоснованного, соответствующего критериям доказательной медицины лечения больных с инсультом.
5. Методика применения интеллектуального анализа данных может быть включена в программы обучения студентов и аспирантов по соответствующим специальностям, а опыт данной работы может использоваться при создании алгоритмов и систем медицинской диагностики.
6. При подготовке протоколов телемедицинских консультаций по проблемам инсульта рекомендуется пользоваться разработанной нами частично формализованной историей болезни неврологического больного.
Список использованной литературы по медицине, диссертация 2003 года, Реброва, Ольга Юрьевна
1. Аникин A.B., Субботина Т.Н., Чакин В.В., Яшин A.A. Диагностическая значимость входных параметров нейросети в приложении к желчнокаменным заболеваниям // Вестник новых медицинских технологий. 1998 - Т. V, №2 - С. 99-102.
2. Арлазаров B.JI., Журавлев Ю.И., Ларичев О.И. и соавт. Теория и методы создания интеллектуальных компьютерных систем // Инф. технологии и вычислит. Системы. 1998. -№ 1.-С. 3-13.
3. Верещагин Н.В., Варакин Ю.Я. Эпидемиология инсульта в России: результаты и эпидемиологические аспекты проблемы // Инсульт. Приложение к Ж. неврологии и психиатрии им. С.С. Корсакова. 2001. -№1.-С. 34-40.
4. Верещагин Н.В., Моргунов В.А., Гулевская Т.С. Патология головного мозга при атеросклерозе и артериальной гипертонии. М.: Медицина-1997. 288 с.
5. Верещагин Н.В., Пирадов М.А. Инсульт: состояние проблемы // В кн.: Неотложные состояния в неврологии, Труды Всеросс. Рабочего совещания неврологов России / Ред. Верещагин Н.В., Пирадов М.А., Евзельман М.А. Орел-Москва: Фаворъ. 2002. - С. 5-12.
6. Виленский Б.С., Аносов Н.К. Инсульт. Л. - 1980.
7. Виноградов A.B. Дифференциальный диагноз внутренних болезней: справочное руководство для врачей. М.: Медицина. - 1987.
8. Власов В.В. Введение в доказательную медицину. М.: МедиаСфера. -2001. -392 с.
9. Власов В.В. Эффективность диагностических исследований. М.: Медицина. - 1988. - 256 с.
10. Ворлоу Ч.П., М.С. Деннис, Ж. ван Гейн и соавт. Инсульт. Практическое руководство для ведения больных / Пер. с англ. яз. под ред. A.A. Скоромца,
11. B.А. Сорокоумова. СПб: Политехника. - 1998. - 629 с.
12. Гаврилова Т.А., В.Ф. Хорошевский. Базы знаний интеллектуальных систем. СПб: Питер. - 2000. - 384 с.
13. Гаврилова Т.А., K.P. Червинская. Извлечение и структурирование знаний для экспертных систем. М.: Радио и связь. 1992. - 200 с.
14. Гаспарян С.А. Классификация медицинских информационных систем // Информационные технологии в здравоохранении. 2001. - № 10-12. - С. 4-5.
15. Гаспарян С.А. Проблемы стандартизации понятий в медицинской информатике // Информатизация здравоохранения России. Всеросс. сборник научных трудов. Под редакцией проф. С.А. Гаспаряна М. - 1996,1. C. 26.
16. Гаспарян С.А., Ерохина Л.Г., Пашкина Е.С. и соавт. Вычислительная диагностика и прогнозирование неотложных состояний в неврологии // Ж неврологии и психиатрии им. С.С. Корсакова. 1994. - т. 94, № 3. - С. 5759.
17. Гельфанд И.М., Розенфельд Б.И., Шифрин М.А. Очерки о совместной работе математиков и врачей. М.: Наука. - 1989.
18. Гельфанд И.М., Шмидт Е.В., Губерман Ш.А. и соавт. Прогнозирование исходов хирургического лечения геморрагических инсультов с помощью ЭВМ // Вопросы нейрохирургии. 1976. - №2. - С. 20-23.
19. Генкин A.A. Новая информационная технология анализа медицинских данных. СПб: Политехника. - 1999. - 191 с.
20. Гублер Е.В. Вычислительные методы распознавания патологических процессов. JI.: Медицина. - 1970. - 319 с.
21. Гуревич B.J1., Карпов В.М., Чарнас М.Я. ЭВМ-диагностика характера мозгового инсульта // В кн.: Клиника, диагностика и лечение острых нарушений мозгового кровообращения. Свердловск. - 1977. - С. 76-82.
22. Гусев Е.И. Нервные болезни. М.: Медицина. - 1988. - С. 268-276.
23. Гусев Е.И., Бурд Г.С., Никифоров A.C. Неврологические симптомы, синдромы, симптомокомплексы. М.: Медицина. - 1999. - С. 495-534.
24. Гусев Е.И., Верещагин Н.В., Скворцова В.И. и соавт. Регистр инсульта. Методические рекомендации по проведению исследования. М. - 2001. -49 с.
25. Гусев Е.И., Скворцова В.И., Стаховская J1.B. Эпидемиология инсульта в России // Инсульт (Приложение к Журналу неврологии и психиатрии им. С.С. Корсакова). 2003. - № 8. - С. 4-9.
26. Гусев Е.И., Скворцова В.И., Чекнева Н.С. Лечение острого мозгового инсульта (диагностические и терапевтические алгоритмы). М., 1997.
27. Джибладзе Д.Н., Брагина Л.К. Стенозы сонных артерий и нарушения мозгового кровообращения (клинико-ангиографические сопоставления) // Ж. невропатологии и психиатрии им. С.С. Корсакова. 1982. - т.82, №1. -С.16-23.
28. Дромашко С.Е., Френкель Г.И., Дубовский Б.О. О возможности исследования генетических систем с помощью информационно-логического подхода // Генетика. 1995. - Т. 31, № 1. - С. 139-143.
29. Дюк В., Самойленко A. Data mining. СПб.: Питер. - 2001. - 366 с.
30. Емелин И.В. Компьютеризированная история болезни и системы классификации медицинских терминов // Компьютерные технологии в медицине. 1997. - №2. - С. 53-57.
31. Ерохина Л.Г., Гаспарян С.А., Пашкина Е.С., Мазурова Л.М. О разработке и использовании методов вычислительной диагностики при сосудистой патологии головного мозга // Ж невропатологии и психиатрии им. С.С. Корсакова. 1990. - Т. 90, № 11. - С. 3-6.
32. Ерохина Л.Г., Кузнецов П.И., Хвастунов P.M. Вычислительные методы в дифференциальной диагностике инсульта // В кн.: Математические методы исследования в неврологии. М. - 1972. - С. 5-34.
33. Ерохина Л.Г., Левицкая Н.И., Хвастунов P.M. К вычислительной диагностике геморрагического и ишемического инсультов // В кн.: Математические методы исследования в неврологии. М. - 1972. - С. 4864.
34. Ерохина Л.Г., Пашкина Е.С., Бояджян В.А. Диагностика кровоизлияний в мозг с прорывом крови в желудочковую систему // Ж невропатологии и психиатрии им. С.С. Корсакова. 1984. - т. 84, №9. - С. 1290-1294.
35. Ерохина Л.Г., Хвастунов Р.И. Основы вычислительной диагностики в невропатологии. М., 1973. - 160 с.
36. Зарубина Т.В. Информационные технологии в интенсивной терапии // Информационные технологии в здравоохранении. 2001. - Ks 10-12. - С. 67.
37. Зарубина Т.В., Гаспарян С.А. Управление состоянием больных перитонитом с использованием новых информационных технологий. М.: Издательство ГИТИСа. - 1999. - 265 с.
38. Ивашко В.Г., Финн В.К. Экспертные системы и некоторые проблемы их интеллектуализации // В кн.: Семиотика и информатика. Сб. научных статей, выпуск 27. М. - 1986. - С. 25-61.
39. Инсульт: принципы диагностики, лечения и профилактики. Краткое руководство для врачей / Под ред. Н.В. Верещагина, М.А. Пирадова, З.А. Суслиной. М.: Интермедика. - 2002. - 208 с.
40. Ионова В.Г., Суслина З.А. Реологические свойства крови при ишемических нарушениях мозгового кровообращения // Неврологический журнал. 2002. -№3.-С. 4-9.
41. Искусственный интеллект. Справочник в трех книгах. Книга 2: Модели и методы. Под ред. Проф. Д.А. Поспелова. М.: Радио и связь. ~ 1990. - 304 с.
42. Кадыков A.C., Калашникова JI.A., Шахпаронова Н.В., Серебренникова О.В. Инсульт в молодом возрасте // Вестник практической неврологии. 1996. -Х°2.-С. 5-7.
43. Калашникова JI.A. Дифференциальная диагностика кровоизлияний в мозг с нетяжелым течением и лакунарных инсультов // В кн.: Всероссийский съездневропатологов и психиатров, 5-й. Тезисы докладов. М. - 1985. - С. 221222.
44. Кобринский Б.А. Искусственный интеллект и медицина: возможности и перспективы систем, основанных на знаниях // Новости искусственного интеллекта. 2001. - № 4 (46). - С. 44-51.
45. Кобринский Б.А. Искусственный интеллект и медицина: особенности прикладных консультативных систем // Новости искусственного интеллекта. 2002. - № 4 (52). - С. 24-28.
46. Кобринский Б.А. Системы искусственного интеллекта в медицине: состояние, проблемы и перспективы // Новости искусственного интеллекта. 1995.-№2.-С. 65-79.
47. Кобринский Б.А., Кудрявцев A.M., Фельдман А.Е. РС-ориентированная информационно-диагностическая система по наследственной патологии у детей // Компьютерная хроника. 1994. - № 8-9. - С. 31-37.
48. Критические технологии федерального уровня / Гос. Комитет Российск Ч Федерации по науке и технологиям. М. - 1996. - С. 16.
49. Кудинов Ю.И. Нечеткие модели вывода в экспертных системах // Известия РАН. Теория и системы управления. 1997. - № 5. - С. 75-83.
50. Кузнецов В.Е. Представление в ЭВМ неформальных процедур. М.: Наука. - 1989.- 160 с.
51. Кузнецова A.B. Диагностика и прогнозирование опухолевого роста по иммунологическим данным с помощью методов синдромного распознавания. Автореф. дис. канд. биол. наук. М. - 1995. - 23 с.
52. Кунин П.Е. Алгоритмы универсального и направленного обучения в задачах альтернативного узнавания применительно к онкологической диагностике. Автореферат . доктора физ.-мат. наук. -М., 1972. 26 с.
53. Куракина Т.Ю,, Дегтярев Д.Н., Киликовский В.В., Олимпиева С.П. Экспертная система поддержки принятия диагностических решений врачом-неонатологом // Медицинская техника. 1999. - № 1. - С. 36-40.
54. Куракина Т.Ю., Дегтярев Д.Н., Олимпиева С.П., Киликовский В.В. Консультативная экспертная система для диагностики основных синдромов у новорожденных // Компьютерная хроника. 1998. - №9. - С. 3-11.
55. Ларичев О.И. Теория и методы принятия решений, а также Хроника событий в Волшебных Странах. М.: Логос. - 2000. - 296 с.
56. Ларичев О.И. Теория подсознательных решающих правил новый взгляд на экспертное мышление / Росс. Ассоциация искусственного интеллекта // Труды конференции «КИИ-2002». Том 1. - М.: Физматлит. - 2002. - С. 114.
57. Ларичев О.И., А.А. Болотов. Система ДИФКЛАСС: построение полных и непротиворечивых баз экспертных знаний в задачах дифференциальной классификации // Научно-техническая информация. Серия 2: Информационные процессы и системы. 1996. - № 9. - С. 9-15.
58. Ларичев О.И., А.И. Мечитов, Е.М. Мошкович, Е.М. Фуремс. Выявление экспертных знаний. М.: Наука. - 1989. - 128 с.
59. Ларичев О.И., Е.В. Нарыжный. Компьютерное обучение экспертным правилам в задачах классификации // Научно-техническая информация. Серия 2: Информационные процессы и системы. 1996. - № 9. - С. 4-9.
60. Ларичев О.И. Компьютерная имитация человеческих рассуждений в задачах классификации // Научно-техническая информация. Серия 2: Информационные процессы и системы. 1996. - № 9. - С. 1-4.
61. Лебедева Н.В. Дифференциальная диагностика острых нарушений мозгового кровообращения // В кн.: Сосудистые заболевания нервной системы. Ред. акад. АМН СССР Е.В. Шмидт. М.: Медицина. - 1975. - С. 491-500.
62. Ленин В.Н., Поветкин C.B. Возможности нейросетевых классификаторов в оценке степени тяжести артериальной гипертонии // Вестник новых медицинских технологий 2001. - T. VIII, №2. - С.13-15.
63. Лукашевич И.П., Мачинская Р.И., Фишман М.Н. Структурная организация медицинской информации «ЭЭГ-эксперт» // В кн.: Матем. методы в технике и технологиях. Сб. тр. 13-й Межд. Научн. Конф. Т. 4. СПб. -2000.-С. 154-157.
64. Лукашевич И.П., Сыркин АЛ. Проблема получения и передачи медицинских знаний // Компьютерная хроника. 1994. - № 8-9. - С. 39-43.
65. Максимова М.Ю. Малые глубинные (лакунарные) инфаркты головного мозга при артериальной гипертонии и атеросклерозе. Дисс. . доктора мед. наук. М. - 2002. - 366 с.
66. Малкин Л.М., Гоз Н.Я. Метод отбора перспективных конъюнкций // В кн.: Материалы IV Симпозиума по применению математических методов и ЭВМ в медико-биологических исследованиях. Гагра. - 1985. - С. 52-58.
67. Марьянчик Б.В., Ермаков А.Ю., Кобринский Б.А. и др. Экспертная диагностическая система для инфантильных спазмов // В кн.: Информатизация здравоохранения России. Всеросс. сб. научн. тр. Ч. 3, 4. -М.-1996.-С. 244-249.
68. Мисюк Н.С. Прогнозирование и профилактика острых нарушений мозгового кровообращения. М.: Высшая школа. - 1987. - 192 с.
69. Мисюк Н.С. Системы прогнозирования мозговых инсультов / Минский гос. мед. институт. Минск. - 1983. - 43 с.
70. Мисюк Н.С. ЭВМ в диагностке нервных болезней. Минск: Беларусь. -1978.- 159 с.
71. Мисюк Н.С., Аносова Н.М. Таблица для прогнозирования возникновения мозговых инсультов // Ж невропатологии и психиатрии им. С.С. Корсакова. 1982. - Т. 82, №12. - С. 45-48.
72. Мисюк Н.С., Довнар И.Н. Опыт распознавания мозговых инсультов при помощи матричных алгоритмов // В кн.: Диагностика, лечение и профилактика нарушений мозгового кровообращения / Ред. академик АМН СССР Н.К. Боголепов. М. - 1971. - С. 88-90.
73. Михайленко A.A. Клинический практикум по неврологии. СПб: Фолиант. -2001.-480 с.
74. Михайлов М.Н., Харольская H.A. Извлечение экспертных знаний из научного текста в полуавтоматическом режиме / Труды III-й Национальной конференции по искусственному интеллекгу-92. Тверь. - 1992.
75. Моисеева H.H. Медицинские аспекты вычислительной диагностики в неврологии. J1. - 1972. - 278 с.
76. Моргоев B.K. Компьютерный метод первичного извлечения знаний // Научно-техническая информация. Серия 2: Информационные процессы и системы. 1996. - №9. - С. 20-24.
77. Мусаев A.A. Обнаружение знаний что это такое? // Банковские технологии. - 1997. - № 4. - С. 104-106.
78. Нарыжный Е.В. Построение оптимальной стратегии запросов к полной базе экспертных знаний // Научно-техническая информация. Серия 2: Информационные процессы и системы. 1996. - № 9. - С. 24-27.
79. Олимпиева C.II., Берсенева Е.А., Киликовский В.В. Действующий прототип экспертной консультативно-диагностической системы по заболеваниям щитовидной железы // Компьютерная хроника. 1998. - Xsl 1. - С.71-77.
80. Осипов Г.С. Инструментарий для экспертных систем. Технология SIMER+MIR // Программные продукты и системы. 1990. - №3. - С. 23-32.
81. Осипов Г.С. Информационные технологии, основанные на знаниях // Новости искусственного интеллекта. -1993. № 1. - С. 1 -41.
82. Осипов Г.С. Приобретение знаний интеллектуальными системами. М.: Наука. - 1997.- 112 с.
83. Основные направления фундаментальных исследований. Приложение к Постановлению Президиума РАН от 1 июля 2003 г. № 233.
84. Пашкина Е.С. Клиника и дифференциальная диагностика кровоизлияний в мозг с прорывом в желудочковую систему (с применением диагностических алгоритмов и ЭВМ). Автореферат . канд. мед. наук. М. - 1984.- 18 с.
85. Переверзев-Орлов B.C. Советчик специалиста. Опыт разработки партнерской системы. М.: Наука. - 1990.
86. Перечень критических технологий Российской Федерации / Министерство промышленности, науки и технологий РФ. Утвержден Президентом Российской Федерации В.В. Путиным 30 марта 2002 г. Пр-578.
87. Пирадов М.А., Верещагин Н.В., Лунев Д.К. и соавт. Гемодинамические факторы риска повторных инфарктов мозга у больных с закупоркой внутренней сонной артерии // Ж невропатологии и психиатрии им. С.С. Корсакова. 1986. -т.86, №1. - С. 11-14.
88. Попов Э.В. Экспертные системы: решение неформализованных задач в диалоге с ЭВМ. М.: Наука. - 1987. - 288 с.
89. Потемкина М.Н., Каралкина М.Н., Киликовский В.В., Олимпиева С.П., Бояджян М.Б. Экспертная консультативная лечебно-диагностическая система по заболеваниям мочевыводящей системы у детей // Компьютерная хроника. 1998.-№9.-С.11-21.
90. Принципы диагностики и лечения больных с острыми нарушениями мозгового кровообращения. Методические рекомендации / Министерство здравоохранения РФ. М. - 2000. - 28 с.
91. Приоритетные направления развития науки, технологий и техники Российской Федерации / Министерство промышленности, науки и технологий РФ. Утверждены Президентом Российской Федерации В.В. Путиным 30 марта 2002 г. Пр-577.
92. Проблемы рефлексии. Сборник статей / Отв. Ред. И.С. Ладенко. -Новосибирск: Наука. 1987. - 237 с.
93. Рахманова З.В., Байдун В.В. Инструментарий ЛЕДИ и его приложения / КИИ-94: Нац. конф. с междунар. уч. "Искусственный интеллект-94". Т.Н. -Рыбинск. 1994. - С.366-372.
94. Рыбина Г.В. Заданно-ориентированная методология автоматизированного построения интегрированных экспертных систем для статических проблемных областей // Известия РАН. Теория и системы управления. -1997.-№5.-С. 129-137.
95. Рыбина Г.В. Проектирование систем, основанных на знаниях. М.: Издательство МИФИ. - 2000. - 104 с.
96. Скворцова В.И., Стаховская J1.B. Современные методы доказательной медицины // Ж. неврологии и психиатрии им. С.С. Корсакова. 2001. - Т. 101,№8.-С. 32-34.
97. Смертность населения Российской Федерации, 1998 г. (статистические материалы). М., Минздрав РФ. - 1999.
98. Соколова J1.B., Фуремс Е.М. Экспертная система диагностики бронхиальной астмы у детей // Компьютерная хроника. 2000. - №1. -С.103-118.
99. Соломенный Ю.С., Максименко H.A. Алгоритмы построения решающих правил распознавания НПНКМ // В кн.: Биомедицинская кибернетика. -Киев.- 1989.-С. 93-97.
100. Сосудистые заболевания нервной системы. Ред. акад. АМН СССР Е.В. Шмидт. М.: Медицина. - 1975. - 663 с.
101. Справочник по неврологии. Под ред. Е.В. Шмидта, Н.В. Верещагина. М.: Медицина. - 1989. - 496 с.
102. Суслина З.А., Танашян М.М., Петрова Е.А. и соавт. Патогенетические аспекты кардиогенных ишемических инсультов // Клиническая медицина. -2001.-№5. с. 15-19.
103. Таперова Л.Н., Веприцкая О.В. Автоматизированное рабочее место детского врача-реаниматолога // Компьютерная хроника. -1994. №3.4. С. 49-60.
104. Трошин В.Д., Васин Ю.Г., Кузнецова Л.Л. Автоматизация диагностики начальных форма сосудистой патологии мозга // В кн.: Сосудистые заболевания нервной системы. 1982. - С. 165-167.
105. Трошин В.Д., Васин Ю.Г., Кузнецова Л.Л., Лебедев Л.И. Алгоритмы распознавания сосудистых заболеваний мозга при профилактических осмотрах населения. 1981. - 254 с.
106. Тунян Ю.С., Бакунц Г.О., Меликян Е.Л., Саркисян А.Г. О вычислительной дифференциальной диагностике мозгового инсульта // Ж невропатологии и психиатрии им. С.С. Корсакова. 1987. - т. 87. №9. - С. 1290-1293.
107. Федин А.И., Румянцева С.А. Избранные вопросы базисной интенсивной терапии нарушений мозгового кровообращения. Методические указания / РГМУ.-М.-2002.-256 с.
108. Финн B.K. Правдоподобные рассуждения в интеллектуальных системах типа ДСМ // Итоги науки и техники. Сер. Информатика. Т. 15. М. - 1991. -С. 54-101.
109. Флетчер Р., С. Флетчер, Э. Вагнер. Клиническая эпидемиология. Основы доказательной медицины. М.: Медиасфера. - 1998. - 352 с.
110. Фонякин A.B., Гераскина J1.A., Суслина З.А. Нарушения ритма сердца при кардиоэмболическом инсульте // Клиническая медицина. 2002. - №3. - С. 20-23.
111. Фуремс Е.М., Гнеденко Л.С. STEPCLASS система извлечения экспертных знаний и проведения экспертизы для решения диагностических задач // Научно-техническая информация. Серия 2: Информационные процессы и системы. - 1996. - № 9. - С. 16-20.
112. Хай Г.А. Компьютерная поддержка работы врача //Информационные технологии в здравоохранении. 2001. - № 10-12. - С. 10-11.
113. Чайлахян Л.М. Искусственный интеллект и мозг (Можно ли моделировать мозг средствами искусственного интеллекта?) // Новости искусственного интеллекта. 2001. - № 4 (46). - С. 29-43.
114. Чеботарева Н.М. Хирургическое лечение внутримозговых кровоизлияний, обусловленных артериальной гипертензией. Автореферат . доктора мед. наук. -М.- 1979.-30 с.
115. Членов Л.Г., Лебедева Н.В. Распознавание и лечение мозговых инсультов // В кн.: Острые нарушения мозгового кровообращения. Научные труды. Вып. 1.-М.-1960.-С. 44-61.
116. Шефер Д.Г., Л.С. Шмушкевич, В.Н. Штуц. Применение коэффициента корреляции в диагностике характера мозгового инсульта // В кн.:
117. Дифференциальная диагностика кровоизлияний в мозг и инфарктов в острейшем периоде. Материалы конференции / Под ред. Г.З. Левина, Г.А. Максудова. М. - 1971. - С. 98-102.
118. Шмидт Е.В., Лунев Д.К., Верещагин Н.В. Сосудистые заболевания головного и спинного мозга М.: Медицина. - 1976. - 283 с.
119. Элти Дж., Кумбс М. Экспертные системы: концепции и примеры. Пер. с англ. яз. М.: Финансы и статистика. - 1987. - 191 с.
120. Янковская А.Е. Принятие и обоснование решений с использованием методов когнитивной графики на основе знаний экспертов различной квалификации // Известия РАН. Теория и системы управления. 1997. - № 5.-С. 125-128.
121. Adams Н.Р. Jr., Davis Р.Н., Leira Е.С. et al. Baseline NIH Stroke Scale strongly predicts outcome after stroke: a report of the trial of Org 10172 in Acute Stroke Treatment // Neurology. 1999. - Vol. 53, №1. - P. 126-131.
122. Adams Jr. H.P., Bendixen B.H., Kapelle L.J. et a. Classification of subtype of acute ischemic stroke. Definitions for use in a multicenter clinical trial // Stroke. 1993. - Vol. 24.-P. 35-41.
123. Adlassnig K.P., Scheithauter W., Grabner G. CADIAG-2/PANCREAS: an artificial intelligence system based on fuzzy set theory to diagnose pancreatic diseases // Third Intern. Conf. Syst. Sci. Health Care. Munich, July 1984. -Berlin.-1984.-P. 396-399.
124. Aldrich J.H., Nelson F.D. Linear probability, logit, and probit models. Beverly Hills, California, Sage Publ.
125. Algra A., De Schryver E.L.L.M., van Gijn J., Kappelle L.J., Koudstaal P.J. Oral anticoagulants versus antiplatelet therapy for preventing further vascular events after transient ischaemic attack or minor stroke of presumed arterial origin
126. Cochrane Review). In: The Cochrane Library, Issue 4, 2002. Oxford: Update Software.*
127. Allen C.M. Clinical diagnosis of the acute stroke syndrome // Quarterly J Med. -1983.-Vol.52.-P.515-523.
128. Arbin M., Britton M., Faire U. Accuracy of bedside diagnosis of stroke // Stroke.- 1981. Vol.12, №3. - P.288-293.
129. Arboix A., Garcia-Eroles L., Massons J.B. et al. Atrial fibrillation and stroke: clinical presentation of cardioembolic versus atherothrombotic infarction // Int J Cardiol. 2000. - Vol. 73, № 1. - P. 33-42.
130. Arboix A., Oliveres M., Massons J. Et al. Early differentiation of cardioembolic from atherothrombotic cerebral infarction: a multivariate analysis // Eur J Neurol.- 1999. Vol.6, № 6. - P. 677-683.
131. Asplund K. Haemodilution for acute ischaemic stroke (Cochrane Review). In: The Cochrane Library, Issue 4,2002. Oxford: Update Software.*
132. Auramo Y., M. Juhola, I. Pyykko. An expert system for the computer-aided diagnosis of dizziness and vertigo // Med Inform. 1993. - Vol. 18, №4. - P. 293-305.
133. Auramo Y., M. Juhola. Modifying an expert system construction to pattern recognition solution // Artficial Intelligence in Medicine. 1996. - Vol. 8. - P. 15-21.
134. Badam P., Solao V., Pai M., Kalantri S.P. Poor accuracy of the Siriraj and Guy's hispital stroke scores in distinguishing haemorrhagic from ischaemic stroke in a rural, tertiary care hospital // Natl Med J India. 2003. - Vol. 16, № 1. - P. 8-12.
135. Bamford J., Sandercock P., Dennis M. Et al. Classification and natural history of clinically identifiable subtypes of cerebral infarction // Lancet. 1991. - Vol. 337.-P. 1521-1526.
136. Здесь и далее звездочкой отмечены кокрановские систематические обзоры, библиографическое описание которых приведено в соответствии с требованиями издателя "The Cochrane Library" Update Software, Oxford.
137. Banks G. Artificial intelligence in medical diagnosis: the INTERNIST/CADUCEUS approach // Crit Rev Med Inform. 1986. - V.l, N1. - P.23-54.
138. Banks G., Weimer B. Symbolic coordinate anatomy for neurology (SCAN) // J Med Syst. 1984. -V.8, N 3. - P. 157-162.
139. Bates D.M., Watts D.G. Nonlinear regression analysis and its applications. -New York, Wiley Publ.
140. Bath P.M.W., Bath F.J., Asplund K. Pentoxifylline, propentofylline and pentifylline for acute ischaemic stroke (Cochrane Review). In: The Cochrane Library, Issue 4,2002. Oxford: Update Software.*
141. Bath P.M.W., Bath F.J., Smithard D.G. Interventions for dysphagia in acute stroke (Cochrane Review). In: The Cochrane Library, Issue 4, 2002. Oxford: Update Software.*
142. Bath P.M.W., Bath F.J. Prostacyclin and analogues for acute ischaemic stroke (Cochrane Review). In: The Cochrane Library, Issue 4, 2002. Oxford: Update Software.*
143. Bath P.M.W., Willmot M., Leonardi-Bee J., Bath F.J. Nitric oxide donors (nitrates), L-arginine, or nitric oxide synthase inhibitors for acute stroke (Cochrane Review). In: The Cochrane Library, Issue 4, 2002. Oxford: Update Software.*
144. Bereczki D., Fekete I. Vinpocetine for acute ischaemic stroke (Cochrane Review). In: The Cochrane Library, Issue 4,2002. Oxford: Update Software.*
145. Bereczki D., Liu M., do Prado G.F., Fekete I. Mannitol for acute stroke (Cochrane Review). In: The Cochrane Library, Issue 4, 2002. Oxford: Update Software.*
146. Berge E., Sandercock P. Anticoagulants versus antiplatelet agents for acute ischaemic stroke (Cochrane Review). In: The Cochrane Library, Issue 4, 2002. Oxford: Update Software.*
147. Besson G., Robert C., Hommel M., Perret J. Is it clinically possible to distinguish nonhemorrhagic infarct from hemorrhagic stroke? // Stroke. 1995. - vol. 26. -p. 1205-1209.
148. Bishop C. Neural Networks for Pattern Recognition. Oxford: University Press. - 1995.
149. Blood pressure in Acute Stroke Collaboration (BASC). Interventions for deliberately altering blood pressure in acute stroke (Cochrane Review). In: The Cochrane Library, Issue 4,2002. Oxford: Update Software.*
150. Bogousslavsky J., Castillo V., Kumral E. Et al. Stroke subtypes and hypertension. Primary hemorrhage vs infarction, large- vs small-artery disease // Arch Neurol. 1996. - Vol.53, № 3. - P. 265-269.
151. Boshuizen H.P.A., Schmidt H.G. On the role of biomedical knowledge in clinical reasoning by experts, intermediates, and novices // Cognitive Science. 1992. -Vol. 16.-P. 153-184.
152. Bowen A., Lincoln N.B., Dewey M. Cognitive rehabilitation for spatial neglect following stroke (Cochrane Review). In: The Cochrane Library, Issue 4, 2002. Oxford: Update Software.*
153. Bozinovski S., Jankovski L., Naumova M. MEXYS: an expert system for psychiatric diagnosis based on the MMPI // Proc. MELECON'85. -Mediterranian Electrotechn. Conf. Madrid, Oct. 1985. Vol. 1. Amsterdam. -1985. - P.243-246.
154. Brasil L.M., de Azevedo F.M., Barreto J.M. A hybrid expert system for the diagnosis of epileptic crisis // Artif Intell Med. 2001. - Vol. 21, № 1-3. - P. 227-233.
155. Broomhead D.S., Lowe D. Multivariate functional interpolation and adaptive networks // Complex Systems. 1988. - Vol. 2. - P. 321-355.
156. Burn J.P.S. Clinical scores in the differential diagnosis of acute stroke (Letter) // BMJ. 1995. - Vol.310, № 6973. - P. 193.
157. Candelise L., Ciccone A. Gangliosides for acute ischaemic stroke (Cochrane Review). In: The Cochrane Library, Issue 4,2002. Oxford: Update Software.*
158. Caplan L.R., Hier D.B., D'Cruz I. Cerebral embolism in the Michael Reese Stroke Registry // Stroke. 1983. - Vol. 14. - P. 530-536.
159. Catanzarite V.A., Greenburg A.G., Bremermann H.J. Computer consultation in neurology: subjective and objective evaluations of the "Neurologist" system // Comput Biol Med. 1982. - Vol. 12,4. - P. 343-355.
160. Celani M.G., Ceravolo M.G., Duca E. Et al. Was infarction or haemorrhage? A clinical diagnosis by means of Allen score // J Neurol. 1992. - Vol.239, № 7. -P.411-413.
161. Celani M.G., Righatti E., Migliacci R. et al. Comparability and validity of two clinical scores in the early differential diagnosis of acute stroke // BMJ. 1994. -Vol. 308, № 6945. - p. 1674-1676.
162. Chandrasekaran B., Mittal S., Smith J.W. MDX and related medical decisionmaking systems // Proc. Intem Joint Conf Artif Intell 81. - 1981. - P.1055.
163. Chandrasekaran B., Mittal S., Smith J.W. RADEX towards a computer-based radiology consultant // Pattern Recognition in Practice / E.S. Gelsema, L.N. Kanal (eds.). - North-Holland Publ. Co. - 1980. - P. 463-477.
164. Chang L.Ch., Tou J.T. Medics a medical knowledge system // IEEE Trans. Syst., Man and Cybem. - 1984. - Vol.14, № 5. - P. 746-750
165. Chute C.G., Cohn S.P., Campbell K.E. et al. The content coverage of clinical classifications. For the Computer-Based Patient Record Institute's Work Group on Codes & Structures // J Am Med Inform Assoc. 1996. - Vol.3, № 3. -p.224-233.
166. Citro G., Banks G., Cooper G. INKBLOT: a neurological diagnostic decision support system integrating causal and anatomical knowledge // Artif Intell Med. 1997. - V. 10, N3. - P. 257-267.
167. Conti A., Innocenti R., Cagliarelli G. Et al. Aetiologic diagnosis of ischaemic stroke in the emergency department: relevance for triage and clinical management // Eur J Emerg Med. 2000. - Vol. 7, № 1. - P. 9-14.
168. Correia M., Silva M., Veloso M. Cooling therapy for acute stroke (Cochrane Review). In: The Cochrane Library, Issue 4,2002. Oxford: Update Software.*
169. Counsell C., Sandercock P. Low-molecular-weight heparins or heparinoids versus standard unfractionated heparin for acute ischaemic stroke (Cochrane Review). In: The Cochrane Library, Issue 4,2002. Oxford: Update Software*
170. De Tommaso M., V. Sciruicchio, R. Belotti et al. Photic driving response in primary headache: diagnostic value tested by discriminant analysis and artificial neural network classifiers // Ital J Neurol Sci. 1999. - Vol. 20. - P. 23-28.
171. Deyo R.A., Dier P., Patrick D.L. Reproducibility and responsiveness of health status measures: statistics and strategies for evaluation // Contr Clin Trials. -1991.-Vol. 12.-P. 142-158.
172. Doller H.J., Hostetler W.E., Krishnamurthy K., Peterson L.L. Epileptologists' Assistant: a cost-effective expert system // SCAMS. 1994. - Vol. 17. - P. 384388.
173. Dzierzanowski J.M., Bourne J.R., Shiavi R. et al. GAITSPERT: an expert system for the evaluation of abnormal human locomotion arising from stroke // IEEE Trans Biomed Eng. 1985. - Vol. 32. - P. 935-942.
174. Early Supported Discharge Trialists. Services for reducing duration of hospital care for acute stroke patients (Cochrane Review). In: The Cochrane Library, Issue 4, 2002. Oxford: Update Software.*
175. Edwards D.F., H. Hollingsworth, A.R. Zazulia, M.N. Diringer. Artificial neural networks improve the prediction of mortality in intracerebral hemorrhage // Neurology. 1999. - Vol. 53. - P. 351-357.
176. Efstathiou S.P., Tsioulos D.I., Zacharos I.D. et al. A new classification tool for clinical differentiation between haemorrhagic and ischaemic stroke // J Intern Med. 2002. - Vol. 252, № 2. - P. 121-129.
177. Elkin P.L., Ruggieri A.P., Brown S.H. et al. A randomized controlled trial of the accuracy of clinical record using SNOMED-RT as compared with ICD9-CM // Proc AMIA Symp. 2001. - P.159-163.
178. Evans A., Harraf F., Donaldson N., Kalra L. Randomized controlled study of stroke unit care versus stroke team care in different stroke subtypes // Stroke. -2002. Vol. 33, № 2. - P. 449-455.
179. Evans A., Perez I., Yu G., Kalra L. Should stroke subtype influence anticoagulation decisions to prevent recurrence in stroke patients with atrial fibrillation? // Stroke. 2001. - Vol.32, № 12. - P. 2828-2832.
180. Evans R.S., Pestotnik S.L., Classen D.C. et al. A computer-assisted management program for antibiotics and other antiinfective agents // N Engl J Med. 1998. -N 338. - P. 232-238.
181. Fahlman S.E. Faster-learning variations on back-propagation: an empirical study // Proceedings of the 1988 Connectionist Models Summer School / D. Touretzky, G.E. Hinton and T.J. Sejnowski (Eds.), San Mateo, CA: Morgan Kaufmann-1988.-P. 38-51.
182. Fausett L. Fundamentals of Neural Networks. New York: Prentice Hall. -1994.
183. Fieschi M., Joubert M., Fieschi D. et al. SPHINX: a production rules expert system for medical consultations / MEDINFO'83. Proc. 4th World Conf. Med. Inform. Pt.l. 1983. - Amsterdam. - 1983. - P.503-506.
184. Forster A., Smith J., Young J., Knapp P., House A., Wright J. Information provision for stroke patients and their caregivers (Cochrane Review). In: The Cochrane Library, Issue 4,2002. Oxford: Update Software.*
185. Foulkes MA, Wolf PA, Price TR, Mohr JP, Hier DB: The Stroke Data Bank: Design, methods, and baseline characteristics // Stroke. 1988. - Vol.19. - P. 547-554.
186. Fries J.F. Time-oriented patient records and a computer databank // J Am Med Assoc. 1972. - Vol. 222. - P.l536-1542.
187. Gandolfo C., Sandercock P., Conti M. Lubeluzole for acute ischaemic stroke (Cochrane Review). In: The Cochiaue Library, Issue 4, 2002. Oxford: Update Software.*
188. Garland L.H. The problem of observer error // Bull NY Acad Med. 1960. -V.36,N9.-P. 570-584.
189. Gaspari M., Roveda G., Scandellari C., Stecchi S. An expert system for the evaluation of EDSS in multipe sclerosis // Artif Intel. Med. 2002. - V. 25, N 2. -P. 187-210.
190. Gierl L., Stengel-Ruthkowski S. Integrating consultation and semi-automatic knowledge acquisition in a prototype-based architecture: experiences with dysmorphic syndromes // Artif Intel! Med. 1994. - Vol.6. - P.29-29.
191. Goldberg D. E. Genetic Algorithms. Reading, MA: Addison Wesley. - 1989.
192. Goldstein L.B. Evidence-based medicine and stroke // Neuroepidemiology. -1999.-Vol.18.-P.120-124.
193. Goldstein L.B., M.R. Jones, D.B. Matchar et al. Improving the reliability of stroke subgroup classification using the trial of ORG 10172 in acute stroke treatment (TOAST) criteria // Stroke. 2001. - Vol. 32, № 5. - P. 1091-1097.
194. Gomes Mda M., Costa M.F., Andre C. Et al. Emergency physician's diagnosis of stroke subtype. An accuracy study // Arq Neuropsiquiatr. 1998. - Vol.56, № 3B.-P. 523-527.
195. Grau A.J., Weimar C., Buggle F. Et al. Risk factors, outcome, and treatment in subtypes of ischemic stroke: the German stroke data bank // Stroke. 2001. -Vol.32,N 11.-P. 2559-2566.
196. Greener J., Enderby P., Whurr R. Pharmacological treatment for aphasia following stroke (Cochrane Review). In: The Cochrane Library, Issue 4, 2002. Oxford: Update Software.*
197. Greener J., Enderby P., Whurr R. Speech and language therapy for aphasia following stroke (Cochrane Review). In: The Cochrane Library, Issue 4, 2002. Oxford: Update Software.*
198. Grotta J.C., Chiu D., Lu M. et al. Agreement and variability in the interpretation of early CT changes in stroke patients qualifying for intravenous rtPA therapy // Stroke. 1999. - Vol. 30, N 8. -P. 1528-1533.
199. Gubitz G., Counsel! C., Sandercock P., Signorini D. Anticoagulants for acute ischaemic stroke (Cochrane Review). In: The Cochrane Library. Issue 4, 2002. Oxford: Update Software.*
200. Gubitz G., Sandercock P., Counsel! C. Antiplatelet therapy for acute ischaemic stroke (Cochrane Review). In: The Cochrane Library, Issue 4, 2002. Oxford: Update Software.*
201. Hajat C., Coshall C., Rudd A.G. et al. The inter- and intraobserver reliabilities of a new classification system for ischaemic stroke: the South London Stroke Register // J Neurol Sci. 2001. - Vol.190, N 1-2. - P. 79-85.
202. Hammond P., Davenport J.C., Fitzpatrick F.J. et al. The RaPiD Project: knowledge-based design of dental prostheses // Expert Systems with Applications. 1995. - Vol. 9, № 2.
203. Hawkins G.C., Bonita R., Broad J.B., Anderson N.E. Inaedequacy of clinical scoring systems to differetiate stroke subtypes in population-based studies // Stroke. 1995. - Vol. 26, № 8. - P. 1338-1342.
204. Haykin S. Neural Networks: A Comprehensive Foundation. New York: Macmillan Publishing. - 1994.
205. Heiser J.F., Brooks R.E., Ballard G.P. Progress report: a computerized psychopharmacology advisor // Proc. 11th Colloq. Intern. Psychopharmacol. -Vienna. 1978.
206. Hertzberg-Todd M., Tremblay G.F., Lam Ch.F. Computer-assisted localization of nervous system injuries // Comput Biomed Res. 1987. - Vol. 20, № 5. - P. 489-496.
207. Hier DB, Atkinson GD, Perline R et al. Can a patient data base help build a stroke diagnostic expert system? // Med Infonratics (Lond). 1986. - Vol. 11, Nl.-P. 75-81.
208. Hoffmann M. Higher cortical function deficits after stroke: an analysis of 1,000 patients from a dedicated cognitive stroke registry // Neurorehabil Neural Repair. -2001.-Vol. 15, №2.-P. 113-127.
209. Horn J., Limburg M. Calcium antagonists for acute ischemic stroke (Cochrane Review). In: The Cochrane Library, Issue 4,2002. Oxford: Update Software.*
210. Huang J.A., Wang P.Y., Chang M.C. et al. Allen score in clinical diagnosis of intracranial hemorrhage // Zhonghua Yi Xue Za Zhi. 1994. - Vol. 54, № 6. - P. 407-411.
211. Hui A.C., Wu B., Tang A.S., Kay R. Lack of clinical utility of the Siriraj stroke score //Intern Med J. 2002. - Vol.32, № 7. - P. 311 -314.
212. Ilic T., Jovicic A., Leoic T. Et al. Cerebral infarction vs. Intracranial hemorrhage validity of clinical diagnosis // Vojnosanit Pregl. - 1997. - Vol. 54, № 4. -P.299-309.
213. Ilzecka J., Stelmasiak Z. Practical significance of ischemic stroke Oxfordshire Community Stroke Project classification // Neurol Neurochir Pol. 2000. - Vol. 34, №1.-P. 11-22.
214. Jacobs, R.A. Increased Rates of Convergence Through Learning Rate Adaptation // Neural Networks. 1988. - Vol.1, N4. - P. 295-307.
215. Juhola M., Viikki K., Laurikkala J. et al. Application of artificial intelligence in audiology // Scand Audiol Suppl. 2001. - V. 52. - P. 97-99.
216. Juhola M., Y. Auramo, E. Kentala, I. Pyykko. An essay on power of expert system versus human expertise // Med inform. 1995. - Vol. 20, N2. - P. 133138.
217. Kemeny V., D.W. Droste, S. Hermes et al. Automatic embolus detection by neural networks // Stroke. 1999. - Vol. 30. - P. 807-810.
218. Kentala E., Pyykko I., Auramo Y., Juhola M. Otoneurological expert system // Ann Otol Rhinol Laryngol. 1996. - V.8, N 1. - P. 654-658.
219. Kilstrom JF. The cognitive unconscious // Science. 1987. - Vol. 237.
220. Kinney E.L. Expert system detection of drug interactions: results in consecutive inpatients // Comput Biomed Res. 1986. - Vol. 19, № 5. - P. 462-267.
221. Kuznetsova A.V., Senko O.V., Matchak G.N. et al. The Prognosis of Survivance in Solid Tumor Patients Based on Optimal Partitions of Immunological Parameters Ranges // J Theor Med. 2000. - Vol. 2. - P.317-327.
222. Kwan J., Sandercock P. In-hospital care pathways for stroke (Cochrane Review). In: The Cochrane Library, Issue 4,2002. Oxford: Update Software.*
223. Langhorne P., Dennis M.S., Kalra L., Shepperd S., Wade D.T., Wolfe C.D.A. Services for helping acute stroke patients avoid hospital admission (Cochrane Review). In: The Cochrane Library, Issue 4,2002. Oxford: Update Software.*
224. Lau F, A. Penn, D. Wilson et al. The diffusion of an evidence-based disease guidance system for managing stroke // Int J Med Informatics. 1998. - Vol. 51. -P. 107-116.
225. Lee B.I., Nam H.S., Heo J.H. et al. Yonsei stroke registry/ Analysis of 1000 patients with acuye cerebral infarctions // Cardiovasc Dis. 2001. - Vol.12, N 3. -p. 145-151.
226. Lee L.J., C.S. Kidwell, J. Alger et al. Impact on stroke subtype diagnosis of early diffusion-weighted resonance imaging and magnetic resonance angiography // Stroke. 2000. - Vol. 31, № 5. - P. 1081-1089.
227. Lesmo L., Marzuoli M., Molino G. Et al. An expert system for the evaluation of liver functional assessment // J Med Syst. 1984. - Vol. 8, № 1-2. - P. 87-101.
228. Li Y.-C., L. Liu, W.-T. Chiu, W.-S. Jian. Neural network modeling for surgical decisions on treumatic brain injury patients // Int J Med Informatics. 2000. -Vol. 57.-P. 1-9.
229. Lincoln N.B., Majid M.J., Weyman N. Cognitive rehabilitation for attention deficits following stroke (Cochrane Review). In: The Cochrane Library, Issue 4, 2002. Oxford: Update Software*
230. Liu M., Counsell C., Wardlaw J. Fibrinogen depleting agents for acute ischaemic stroke (Cochrane Review). In: The Cochrane Library, Issue 4, 2002. Oxford: Update Software.*
231. Liu M., Wardlaw J. Thrombolysis (different doses, routes of administration and agents) for acute ischaemic stroke (Cochrane Review). In: The Cochrane Library, Issue 4, 2002. Oxford: Update Software."
232. Logan R.F., Poulton S.M., Severs M.P. Clinical scores in the differential diagnosis of acute stroke // BMJ. 1994. - Vol. 309. - P.807-808.
233. Madden K.P., Karanjia P.N., Adams H.P. Jr., Clarke W. Accuracy of initial stroke subtype diagnosis in the TOAST study // Neurology. 1995. - Vol. 45, № 11.-P. 1975-1979.
234. Mader T.J., Mandel A. A new clinical scoring system fails to differentiate hemorrhagic from ischemic stroke when used in the acute care setting // J Emerg Med. 1998.-Vol. 16, № l.-P. 9-13.
235. Majid M.J., Lincoln N.B., Weyman N. Cognitive rehabilitation for memory deficits following stroke (Cochrane Review). In: The Cochrane Library, Issue 4, 2002. Oxford: Update Software.*
236. Mariak Z., Swiercz M., Krejza J. et al. Intracranial pressure processing with artificial neural networks: classification of signal properties // Acta Neurochir (Wien). 2000. - Vol. 142. - P. 407-412.
237. Masarie F.E., Miller R.A., Myers J.D. INTERNIST-I properties: Representing common sense and good medical practice in a computerized medical knowledge base // Comput Biomed Res. 1985. - Vol.18. - N5. - P.458-479.
238. Matsumura Y. RHYNOS: a consultation system for diagnosis of headache and facial pain // Comput Methods Programs Biomed. 1986. - Vol.23. - P. 65-71.
239. Mazzone C., Chiodo Grandi F., Sandercock P., Miccio M., Salvi R. Physical methods for preventing deep vein thrombosis in stroke (Cochrane Review). In: The Cochrane Library, Issue 4,2002. Oxford: Update Software.*
240. Meijden van der M.J., H.J. Tange, J. Boiten et al. An experimental electronic patient record for stroke patients. Part 1: Situation analysis // Int J Med Informatics. 2000. - Vol. 58-59. - P. 111-125.
241. Meijden van der M.J., H.J. Tange, J. Boiten et al. An experimental electronic patient record for stroke patients. Part 2: System description // Int J Med Informatics. 2000. - Vol. 58-59. - P. 127-140.
242. Mohiuddin A.A., Bath F.J., Bath P.M.W. Theophylline, aminophylline, caffeine and analogues for acute ischaemic stroke (Cochrane Review). In: The Cochrane Library, Issue 4, 2002. Oxford: Update Software.*
243. Mohr JP, Caplan LR, Melski JW, Goldstein RJ, Duncan GW, Kistler JP, Pessin MS, Bleich HL: The Harvard Cooperative Stroke Registry: A prospective registry // Neurology. 1978. - Vol. 28. - P. 754-762.
244. Moody J., Darkin C.J. Fast learning in networks of locally-tuned processing units // Neural Computation. 1989. - Vol. 1, N2. - P. 281-294.
245. Morley N.C.D., Berge E., Cruz-Flores S., Whittle I.R. Surgical decompression for cerebral oedema in acute ischaemic stroke (Cochrane Review). In: The Cochrane Library, Issue 4,2002. Oxford: Update Software.*
246. Mulsant B., Servan-Schreiber D. Knowledge-engineering: a daily activity on a hospital ward // Comput Biomed Res. 1984. - Vol. 17. - P. 71-91.
247. Panzer R.J., Fiebel J.H., Barber W.H., Gruner P.F. Predicting the likelihood of hemorrhage in patients with stroke // Arch Int Med. 1985. - Vol. 145. - P. 1800-1803.
248. Patel V., Groen G. The general and specific nature of medical expertise: a critical look // Towards the general theory of expertise. Eds. Ericcson K.A., Smith J. -Cambridge: Cambridge Univ. Press, 1991.
249. Patterson D. Artificial Neural Networks. Singapore, Prentice Hall. - 1996.
250. Petty G.W., R.D. Brown, Jr, J.P. Whisnant et al. Ischemic stroke subtypes. A population-based study of functional outcome, survival, and recurrence // Stroke. -2000.-Vol. 31.-P. 1062-1068.
251. Plugge L.A., F.R.J. Verhey, J. Jolles. Differential diagnosis of dementia: a comparison between expert system EVINCE and clinicians // J Neuropsych Clin Neurosci. 1991. - Vol. 3, №4. - P. 398-404.
252. Politakis P., Weiss S. Using empirical analysis to refine expert system knowledge bases // Artif Intell. 1984. - Vol.22, № 1. - P. 23-48.
253. Poungvarin N., Viriyavejakul A., Komontri C. Siriraj stroke score and validation study to distinguish supratentorial intracerebral haemorrhage from infarction // BMJ. 1991. - Vol. 302, N 6957. - P. 1565-1567.
254. Price C.I.M., Pandyan A.D. Electrical stimulation for preventing and treating post-stroke shoulder pain (Cochrane Review). In: The Cochrane Library, Issue 4, 2002. Oxford: Update Software.*
255. Qizilbash N., Lewington S.L., Lopez-Arrieta J.M. Corticosteroids for acute ischaemic stroke (Cochrane Review). In: The Cochrane Library, Issue 4, 2002. Oxford: Update Software*
256. Reggia J.A., Nau D.S., Wang P.Y. Diagnostic expert systems based on a set covering model // Int J Man Machine Stud. 1983. - Vol. 19. - P. 437-460.
257. Ricci S., Celani M.G., Cantisani A.T., Righetti E. Piracetam for acute ischaemic stroke (Cochrane Review). In: The Cochrane Library, Issue 4, 2002. Oxford: Update Software.*
258. Righetti E., Celani M.G., Cantisani T., Sterzi R., Boysen G., Ricci S. Glycerol for acute stroke (Cochrane Review). In: The Cochrane Library, Issue 4, 2002. Oxford: Update Software*
259. Ropper A.H., Griswold K., McKenna D., Souder D. Computer-guided neurologic assessment in the neurologic intensive care unit // Heart Lung. 1981. - Vol. 10. - P. 54-60.
260. Rumelhart D.E., McClelland J. (eds.) // Parallel Distributed Processing. -Cambridge, MA: MIT Press. 1986. - Vol 1.
261. Sandercock P.A., Allen C.M., Corston R.N. et al. Clinical diagnosis of intracranial haemorrhage using Guy's Hospital score // BMJ. 1985. - Vol. 291, № 6510.-P. 1675-1677.
262. Sankai T., Iso H., Imano H. Et al. Survival and disability in stroke by stroke subtype based on computed tomographic findings in three rural Japanese communities // Nippon Koshu Eisei Zasshi. 1998. - Vol. 45, № 6. - P. 552563.
263. Senko O.V. The algorithm of prognosis, based on the procedure of voting by system of boxes on multidimensional space // Pattern Recogn. Image Analysis. -1993.-Vol.3.-P. 283-290.
264. Shepherd A. J. Second-Order Methods for Neural Networks. 1997. - New York: Springer.
265. Shortliffe E.H. Computer-based medical consultations: MYCIN. Elsevier North Holland Inc. - 1976.
266. Speckt D.F. Probabilistic Neural Networks // Neural Networks. 1990. - Vol. 3, №1. - P. 109-118.
267. Spitzer K., Becker V., Thie A., Kunze K. The Hamburg Stroke Data Bank: goals, design and preliminary results // J Neurol 1989. - Vol.236. - P. 139-144.
268. Spitzer K., Thie A., L.R. Caplan, K.Kunze. The MICROSTROKE expert system for stroke type diagnosis // Stroke. 1989. - Vol. 20. - P. 1353-1356.
269. Spitzer K., Thie A., L.R. Caplan, K.Kunze. The TOPOSCOUT expert system for stroke localization // Stroke. 1989. - Vol. 20. - P. 1195-1201.
270. Starita A, Majidi D, Giordano A et al. NEUREX: a tutorial expert system for the diagnosis of neurogenic diseases of the lower limbs // Artficial Intelligence in Medicine. 1995. - Vol. 7, №1. - P. 25-36.
271. Steinke W, Meairs S, Hennerici M. Pathophysiologic assessment of data from a stroke data bank // Neuroepidemiology. 1994. - Vol. 13, №6. - P. 324-334.
272. Stephens C.D., Mackin N., Sims-Williams J.H. The development and validation of an orthodontic expert system // Br J Orthodontics. 1996. - Vol. 23. - P. 1-9.
273. Stroke Unit Trialists' Collaboration. Organised inpatient (stroke unit) care for stroke Cochrane Review). In: The Cochrane Library, Issue 4, 2002. Oxford: Update Software.*
274. Sturm J.W., Dewey H.M., Donnan G.A. et a. Handicap after stroke: how does it relate to disability, perception of recovery, and stroke subtype? The North East Melbourne Stroke Incidence Study // Stroke. 2002. - Vol. 33, № 3. - P. 762768.
275. Swiercz M., Z. Mariak, J. Krejza et al. Intracranial pressure processing with artificial neural networks: prediction of ICP trends // Acta Neurochir (Wien). -2000.-N142.-P. 401-406.
276. The Blood pressure in Acute Stroke Collaboration (BASC). Vasoactive drugs for acute stroke (Cochrane Review). In: The Cochrane Library, Issue 4, 2002. Oxford: Update Software.*
277. The Tirilazad International Steering Committee. Tirilazad for acute ischaemic stroke (Cochrane Review). In: The Cochrane Library, Issue 4, 2002. Oxford: Update Software.*
278. Thompson W.B., Johnson P.E., Moen J.B. Recognition-based diagnostic reasoning / Proc. 8th Int. Joint Conf. Artif, Intell. (Karlsruhe, 1983). Vol. 1. -LosAltos, Calif. -1983. - P. 236-238.
279. Toni D., Fiorelli M., De Michele M. Et al. Clinical and prognostic correlates of stroke subtype misdiagnosis within 12 hours from onset // Stroke. 1996. - Vol. 27, № l.-P. 152.
280. Towards complete and accurate reporting of studies of diagnostic accuracy: the STARD initiative // British Med J.- 2003. N 236. - P. 41-46.
281. Veterans TOAST algorithm for the classification of stroke (VTACS) / Medical record abstraction manual. Version 3.0 12/17/99. http://hsrd.durham.med.va. gov/Toast
282. Wadhwani J., Hussain R., Raman P.G. Nature of lesion in cerebrovascular stroke patients: clinical stroke score and computed tomography scan brain correlation // J Assoc Physicians India. 2002. - Vol. 50, June. - P. 777-781.
283. Wain R.A., S. Tuhrim, L. D'Autrechy, J.A. Reggia. The design and automated testing of an expert system for the differential diagnosis of acute stroke // In: Proc Annual symposium on computer applications in medical care. 1991. - P. 94-98.
284. Wardlaw J.M., del Zoppo G., Yamaguchi T. Thrombolysis for acute ischaemic stroke (Cochrane Review). In: The Cochrane Library, Issue 4, 2002. Oxford: Update Software.*
285. Weir C.J., Murray G.D., Adams F.G. et al. Poor accuracy of stroke scoring systems for differential clinical diagnosis of intracranial haemorrhage and infarction // Lancet. 1994. - Vol. 344, № 8928. - P. 999-1002.
286. West D., West V. Improving diagnostic accuracy using a hierarchical neural network to model decision subtasks // Int J Med Informatics. 2000. - Vol. 57. -P. 41-55.
287. Xiang Z., Srihari S.N., Shapiro S.C., Chulkow J.G. Analogical and prepositional representations of structure in neurological diagnosis // Proc. of the First Conf. on Artif. Intell. Appl. IEEE Comput. Soc. 1984.
288. Zhirnova I.G., Kuznetsova A.V., Rebrova O.Yu. et al. Logical and Statistical Approach for the Analysis of Immunological Parameters in Patients with Wilson's Disease // Russ J Immunology. 1998. - Vol. 3, № 2. - P. 174-184.
289. Библиографическое описание приведено в соответствии с требованиями издателя "The Cochrane Library" Update Software, Oxford.