Автореферат и диссертация по медицине (14.00.33) на тему:Применение искусственных нейронных сетей для решения военно-медицинских задач

На правах рукописи

РГБ ОД - 6 СЕН 1999

РЕЗВАНЦЕВ Михаил Владимирович

ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ РЕШЕНИЯ ВОЕННО-МЕДИЦИНСКИХ ЗАДАЧ

14.00.33 - социальная гигиена и организация здравоохранения

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата медицинских наук

Санкт-Петербург 1999

Работа выполнена в Военно-медицинской академии

Научный руководитель:

доктор медицинских наук профессор В.И. Кувакин.

Официальные оппоненты:

доктор медицинских наук профессор Г.К. Максимов

кандидат медицинских наук И.А. Красил ышков.

Ведущее научное учреждение:

Научно-исследовательский институт военной медицины МО РФ.

Защита диссертации состоится 15 июня 1999 г. в__часов на

заседании специализированного совета Д 106.03.09 в Военно-медицинской академии (194044, г. Санкт-Петербург, ул. Лебедева, 6).

С диссертацией можно ознакомиться в фундаментальной библиотеке Военно-медицинской академии.

Автореферат разослан «__»_ 1999 г.

Ученый секретарь специализированного совета доктор медицинских наук профессор

Ю.В. Лизунов

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность исследования. Сложность управления в рамках медицинской службы Вооруженных Сил как системы в значительной мере обусловлена проблемами обработки информации. При практически неограниченных возможностях по её хранению, передаче и элементарной обработке (сводка, сортировка, группировка, графтёское представление) недостаточно реализуется аналитическая составляющая военно-медицинских информационных систем. Имеющиеся массивы данных в структурах медицинской службы не полностью используются для оптимизации принимаемых решений, как в клинической области, так и организационной. Поэтому в военно-медицинских системах значительное внимание уделяется разработке новых и адапташш известных методов анализа информации и моделирования.

Несмотря на разнообразие методов статистического моделирования и мощность вычислительной техники, в настоящее время в военной медицине существует множество задач, требующих повышения качества их решения. К ним можно отнести практически все задачи, связанные с необходимостью в ходе их решения осуществлять моделирование сложных систем. Примером может служить целый класс задач эмпирического прогнозирования, таких, как задачи медицинской диагностики, профессионального отбора, прогнозирования исходов и длительности лечения, прогнозирования показателей здоровья военнослужащих в мирное и военное время, объемов и структуры запасов медицинского имущества. Большинство современных военно-медицинских задач по природе своей являются слабострукгурнрованными и трудноформапизуе-мыми, так как их объектами являются сложные системы..

Применение стандартных методов многомерного статистического анализа не всегда позволяет эффективно выявлять зависимости и моделировать связи в военно-медицинских системах, что обусловлено рядом методологических трудностей исследования сложных систем. 13 ряде случаев применение методов статистического моделирования невозможно.

Все это определяет актуальность поиска новых научно-методических подходов к решению военно-медицинских задач. Анализ современных тенденций развития информатики позволяет констатировать, что данный поиск весьма перспективен в такой области новых информационных технологий, как средства искусственного интеллекта (ИИ). Важное место в ряду инструментальных средств ИИ занимают искусственные нейронные сети (ИНС), получившие широкое распространение при решении трудноформализуемых задач в разных областях знания.

Цель исследования заключается в разработке методики решения военно-медицинских задач с использованием искусственных нейронных сетей в интересах повышения эффективности медицинского обеспечения войск.

Задачи исследования:

1. Провести анализ методологических подходов к построению искусственных нейронных сетей и опыта их применения.

2. Разработать и апробировать методику решения военно-медицинских задач с использованием искусственных нейронных сетей.

3 Оценить эффективность применения нейросетевого моделирования для решения военно-медицинских задач.

Научная новизна полученных результатов состоит в том, что:

- впервые разработана методика решения военно-медицинских задач с применением нейросетевого моделирования;

- установлена высокая эффективность применения ИНС при решении разноплановых военно-медицинских задач эмпирического прогнозирования.

Практическая значимость исследования:

- созданная методика решения военно-медицинских задач может успешно использоваться для повышения качества и оптимизации принимаемых решений по медицинскому обеспечению войск в мирное и военное время;

- оценено влияние ряда факторов этапного лечения на исходы лечения раненых нейрохирургического профиля; показано, что задачами этапа квалифицированной медицинской помощи в отношении этих раненых является их выделение из общего потока, оказание неотложных реанимационных мероприятий, выполнение оперативных вмешательств только по неотложным показаниям и обеспечение скорейшей доставки на этап специализированной медицинской помощи;

- разработанная частная методика оценки критического времени пережатия аорты (КВПА) при оперативных вмешательствах по поводу ишемической болезни сердца (ИБС) с использованием аппарата искусственного кровообращения и созданная на её основе нейросетевая система применяется в практической работе клиники сердечно-сосудистой хирургии им. П.А.Куприянова и может быть использована в других клиниках кардиохирургического профиля;

- разработанная нейросетевая система диагностики рассгройств психической адаптации (РПА) у военнослужащих, проходящих службу по призыву, может использоваться в войсковом звене медицинской службы.

Положения, выносимые на защиту:

- методика решения военно-медицинских задач с использованием искусственных нейронных сетей;

- результаты сравнительной оценки эффективности применения ИНС для решения военно-медицинских задач;

- нейросетевая система диагностики расстройств психической адаптации у военнослужащих, проходящих службу по призыву, позволяет на основании данных психологического обследования с вероятностью более 80% выявлять лиц, нуждающихся в проведении комплекса мероприятий медико-психологической коррекции;

- частная методика оценки критического времени пережатия аорты с использованием НС-модели позволяет повысить качество управления лечебно-диагностическим процессом при оперативном лечении больных ИБС в условиях экстракорпорального кровообращения (ЭКК).

Апробация работы. Материалы и основные положения исследования доложены и обсуждены на III Всероссийском съезде сердечно-сосудистых хирургов (Москва, 1997), юбилейной конференции, посвященной 100-летию Санкт-Петербургского Государственного Медицинского Университета им. акад. И.П. Павлова «Прогресс и проблемы в лечении заболеваний сердца и сосудов» (Санкт-Петербург, 1997); VI Санкт-Петербургской Международной конференции «Региональная информатика 98» (Санкт-Петербург, 1998); IV Всероссийском съезде сердечно-сосудистых хирургов (Москва, 1998).

Результаты диссертационной работы реализованы в:

- монографии «Прогнозирование в кардиохирургии»,- СПб: Питер Паб-лишинг, 1998. - 208с. (Серия «Практическая медицина»);

- лекции «Прогнозирование в кардиохирургии» в «Избранных лекциях по клинической хирургии» / Воен.-мед. акад. - СПб., 1998. - Вып. 8. - С. 56-79.

- учебном процессе на кафедре автоматизации управления медицинской службой (с военно-медицинской статистикой), сердечно-сосудистой хирургии им. П.А. Куприянова, практической работе НИЛ-7 Военно-медицинской академии.

По материалам диссертации опубликовано 13 печатных работ.

Объем и структура диссертации. Диссертация состоит из введения, четырех глав, заключения и шести приложений. Объем диссертации - 175 е., из которых: 138 - основного текста, 15 страниц - список использованных источников, 22 - приложения. В списке литературы 163 источника, в том числе 85 иностранных. Диссертация иллюстрирована 36 таблицами и 20 рисунками.

МАТЕРИАЛЫ И МЕТОДЫ ИССЛЕДОВАНИЯ

В целях создания и отработки методики, оценки её эффективности рассмотрены три группы военно-медицинских задач: специальные, задачи организационного плана и клинические задачи. Подобное распределение на группы является условным и позволяет учесть их особенности при разработке методики решения с применением ИНС. Используются три задачи - по одной из каждой группы. Все они являются реально существующими и актуальными для своей области.

В качестве специальной рассмотрена задача диагностики расстройств психической адаптации у военнослужащих, проходящих службу по призыву.

Цель решения данной задачи - разработка эффективной модели для диагностики РПА у военнослужащих, проходящих службу по призыву на основании данных комплексного психофизиологического обследования.

Низкий уровень психологической устойчивости призывников и специфика военной службы приводят к расстройству адаптации, что в свою очередь является основой возникновения как- психических заболеваний, так и чрезвычайных происшествий в Армии и на Флоте (воинские преступления с применением оружия, захватом заложников, самоубийства и другие) [Колупаев Г.П., Биркин A.A., 1992; Нечипоренко В.В., Литвинцев C.B., 1996; Чиж И.М., 1996; Курпатов В.И., 1997]. Выявление таких лиц позволит целенаправленно проводить комплекс мероприятий медико-психологической коррекции, направленных на улучшение адаптационных возможностей [Боченков A.A., Шостак В.И.,Глушко А.Н.1996].

Материалами для специальной задачи послужили данные комплексного психофизиологического обследования военнослужащих. Использовались многоуровневый личностный опросник (МЛО) «Адаптивность», анкета самооценки состояния (АСС), ткала ситуационной и личностной тревожности Спилбергера - Ханипа, 16-факторный личностный опросник Кеттелла (форма С), стандартные физиологические пробы, позволяющие оценить функциональное состояние и резервные возможности кардиореспираторной системы (Штанге, Генча, пульсометрия).

Методом экспертной оценки по данным комплексного психофизиологического обследования все военнослужащие были разделены на три группы [Вязицкий П.В., Дьяконов М.М., Ендальцев Б.В. и др., 1988]:

I - группа адаптированных;

II - группа адаптирующихся (не требующие коррекции функционального состояния, а только наблюдения);

III - группа с расстройствами психической адаптации (требующие проведения мероприятий медико-психологической коррекции).

Основными критериями диагностики расстройства адаптации служили: стабильно сниженное субъективное самочувствие по анкете самооценки состояния, повышенный уровень ситуационной и (или) личностной тревожности по шкале самооценки Спилбергера - Ханина, сниженные функциональные возможности сердечно-сосудистой и дыхательной систем (пробы Штанге, Генча, пульсометрия).

По результатам двукратного комплексного психофизиологического обследования 212 курсантов первого курса ВВУЗа набора 1997 года и 368 моряков осеннего призыва 1997 года в первые три месяца адаптации к условиям военной службы выявлено соответственно 29 и 46 человек с расстройством адаптации, или около 13% от общего числа военнослужащих. При этом из 368 моряков второй раз были обследованы только 106 человек: практически все военнослужащие II и III групп и только часть военнослужащих I группы.

Для решения задачи использовалось два массива медицинской информации, содержащих одинаковый набор из 86 признаков - данных второго комплексного психофизиологического обследования. Первый, с результатами об-

следования 212 курсантов ВВУЗа использовался для подготовки обучающей выборки; второй, с результатами обследования 106 моряков - контрольной выборки.

В качестве задачи организационного характера рассмотрена задача прогноза исходов и длительности лечения раненых нейрохирургического профиля и оптимизации варианта системы лечебно-эвакуационных мероприятий.

Цель решения задачи - оценка эффективности нейрохирургической помощи на войсковых этапах медицинской эвакуации. Необходимо оценить влияние на исходы и длительность лечения факторов, характеризующих этапное лечение раненых нейрохирургического профиля, а также выбрать оптимальную схему лечебно-эвакуационного обеспечения (ЛЭО).

Материалами для данной задачи послужили данные об оказании помощи и исходах лечения 170 раненых нейрохирургического профиля во время вооруженного конфликта на Северном Кавказе в 1996 году. Для решения поставленных задач рассматривались признаки, характеризующие ранение: вид ранения и наличие сочетанных повреждений, а также оказанную помощь на различных этапах медицинской эвакуации (оказание раненому первой врачебной, квалифицированной медицинской помощи, проведение первичного и повторного оперативного вмешательства, длительность лечения).

Из 170 раненых 16 имели ранение мягких тканей головы, 26 - непроникающее ранение черепа, 128 - проникающее ранение черепа и головного мозга (ГМ). Сочетанные ранения имел 91 человек.

Первая врачебная помощь была оказана 86 раненым. Через этап квалифицированной медицинской помощи прошли 106 пострадавших, из них 75 было выполнено хирургическое вмешательство. Первичное оперативное вмешательство на этапе специализированной медицинской помощи выполнено у 95, повторное - у 99 раненых.

Определившимся исходам были присвоены следующие значения (баллы): 1- возвращен в строй; 2 - изменение категории годности;-3 - инвалидиза-ция П-Ш группы; 4 - инвалидизация I группы; 5 - летальный исход.

В качестве клинической рассмотрена задача разработки методики оценки критического значения времени пережатия аорты при оперативном лечении больных ИБС в условиях экстракорпорального кровообращения.

Показано, что в сердечно-сосудистой хирургии актуальной является проблема оценки прогноза оперативного лечения ИБС, от которого зависит правильность отбора больных для такого лечения, объем предоперационной подготовки, планирование хирургического вмешательства. В работе обоснован выбор в качестве комплексного показателя, характеризующего устойчивость миокарда к фактору отрицательного воздействия аноксии, критического времени пережатия аорты. При этом под критическим понимается такое время пережатия аорты, превышение которого резко увеличивает риск развития острой сердечной недостаточноеги (ОСН) в послеоперационном периоде.

Материалами для данной задачи послужили данные обследования и результаты хирургического лечения 147 больных ишемической болезнью сердца, прооперированных в клинике сердечно-сосудистой хирургии им. П.А.Куприянова Военно-медицинской академии в 1993-1998 гг. Методом разработки историй болезни из архива клиники был подготовлен массив медицинской информации, из которого компоновались обучающие выборки.

Средний возраст пациентов составил 52,0±0,7 года. Распределение по функциональному классу стенокардии было следующим: 9,5% больных относились ко второму, 64,6% - к третьему и 25,9% - к четвертому функциональному классу.

Из всех обследованных больных 99 в прошлом перенесли острый инфаркт миокарда, из них у 33 больных в анамнезе было два и более инфарктов. Аневризма левого желудочка имелась у 31 пациента.

Всем больным было выполнено маммаро-коронарное или аорто-коронарное шунтирование, или их сочетание в условиях ЭКК с использованием аутовены или собственной лучевой артерии пациента. Среднее количество шунтов составило 3,2 на 1 больного, среднее время пережатия аорты - 70±3 минут. При наличии аневризмы выполнялась операция Дора.

У 29 пациентов во время операции или в раннем послеоперационном наблюдалось развитие ОСН с последующим летальным исходом. Другие причины летальных исходов в данном исследовании не анализировались.

При решении задачи рассматривались 24 вероятно значимых показателя, влияющих на развитие ОСН и определяемых в предоперационном периоде. В их составе данные анамнеза, результаты обследования, показатели, характеризующие оперативное вмешательство.

При выборе признаков учитывались стандартные показатели, определяемые у всех больных при их обследовании и лечении в клинике и не требующие проведения дополнительных диагностических исследований, что позволит применять разрабатываемую методику оценки критического времени пережатия аорты на практике с использованием данных, которые заносятся в истории болезни всех больных с данной патологией.

Оценка эффективности применения разработанной методики в ходе исследования производилась с использованием статистических методов изучения эффективности методов диагностики, методом содержательного анализа и методом сравнения полученных результатов с данными других авторов.

Для сравнения эффективности различных подходов каждая задача решена с использованием методов статистического моделирования: корреляционного, однофакторного и многофакторного дисперсионного, дискриминантного анализа. Оценка значимости различий показателей диагностической эффективности моделей, полученных с использованием нейросетевого моделирования и методов статистического анализа производилась по t-критерию Стыо-дента с использованием преобразования Фишера.

В исследовании использовались пакеты прикладных программ: Statistica for Windows 5.0 - для статистического анализа и моделирования, Borland 0+ Builder 3.0 - для разработки интерфейсных оболочек нейросетевых моделей.

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ

При изучении методологических подходов к построению искусственных нейронных сетей и опыта их применения определены основные понятия ней-росетевого моделирования, выявлен круг задач, в отношении которых целесообразно применение ИНС, выделены положения, составившие основу методики решения военно-медицинских задач. Анализ литературных источников показал, что ИНС являются одним из перспективных и динамично развивающихся направлений в разработке систем искусственного интеллекта и за пятьдесят лег преодолели путь от первых описаний до глубоких теоретических исследований и выпуска широкого класса прикладных систем в промышленном масштабе. Они нашли широкое применение в решении трудноформализуемых задач в различных областях знания, в том числе в биологии и медицине. ИНС обладают гибкостью, универсальностью, многофункциональностью и устойчивостью при работе с «зашумленными» данными. Эти качества ИНС предоставляют исследователям эффективный инструмент для решения задач моделирования изучаемых сложных систем и процессов военной медицины.

Показано, что в основе метода моделирования с использованием ИНС лежат следующие базовые идеи.

Под искусственной нейронной сетью понимается система обработки информации, основанная на моделировании функций мозга. Основополагающий принцип, положенный в основу ИНС - это сходство их строения и функционирования с биологическим прототипом - нервной системой живых организмов.

Основным структурным элементом ИНС является искусственный нейрон, выходной сигнал которого вычисляется как пороговая или сигмоидная функция от взвешенной суммы входных сигналов z = + ...+ w„x„, где w-весовые коэффициенты, х - входные сигналы. Из подобных структурных элементов, искусственных нейронов, состоит нейронная сеть (рис.1). Нейроны и межнейронные связи могут задаваться программно на персональном компьютере (эмулироваться) или реализовываться аппаратно.

Нейронная сеть, получающая на входе некоторый сигнал, способна после прохода его по нейронам выдавать выходной сигнал, который зависит от весовых коэффициентов всей сети. Обучение ИНС представляет процесс настройки весовых коэффициентов сети, приводящий к такому состоянию, чтобы подача некоторого множества входных сигналов приводила к требуемому множеству выходных сигналов.

входной слой

промежуточный слой

выходной слой

У,

Ук

Рис. 1. Пример архитектуры ИНС.

Анализ показал, что главной качественной особенностью ИНС является то, что они могут быть настроены на некоторое правило обработки информации без явного его задания, но путем обучения по эталонам типа «входной сигнал - выходной сигнал», «ситуация - действие».

Показано, что в исследовании целесообразно использовать общую структуру нейросетевой модели (НС-модели) в виде 3-слойной нейронной сети, эмулируемой на персональном компьютере. При этом ИНС параметризована двумя матрицами весовых коэффициентов: А - размерами р%(п+1) и В -размерами к*(р+1), где п - число входных нейронов, к - число выходных нейронов, р - количеством нейронов промежуточного слоя. Преобразование, осуществляемое ИНС, может быть описано следующим образом:

У = а{в2), 2 = сг(лх), Х = (Х1)Г, (1)

где а - логистическая функция F(x) =

Х - вектор входных сигналов.

1

1 + ехр(--г)

Для обучения ИНС используется алгоритм обратного распространения ошибки, позволяющий эффективно решать различные диагностические и прогностические задачи [Горбань А.Н., Дунин-Барковский В.Л., Кирдин А.Н. и др., 1998; Rumelhart D.E., Hinton G.E., Williams R.J., 1986]. Применение в качестве функции преобразования простой логистической функции позволяет при необходимости реализовать модель даже на калькуляторе, что немаловажно для военно-медицинских приложений, например, в полевых условиях. В ис-

следовании использовался программный эмулятор ИНС «BPNN», реализующий данные положения.

Используя принцип системного подхода, на основании анализа литературных источников и результатов вычислительных экспериментов удалось разработать целостную методику решения военно-медицинских задач с применением ИНС.

Предлагаемая методика базируется на основных положениях и практике использования ИНС в медицине, выборочного медико-статистнческого исследования и предусматривает шесть этапов решения задачи.

I этап - постановка задачи: включает в себя определение целей и информационного пространства исследования, выработку плана его проведения. Также проводится оценка принадлежности задачи к задачам эмпирического прогнозирования.

II этап - сбор обучающих данных: набор репрезентативного материала -примеров для обучения сети, каждый из которых представляет массив входных данных и соответствующий ему известный ответ.

III этап - создание и обучение нейронной сети с использованием программы-эмулятора на персональном компьютере. Этап включает:

1. Подготовку матрицы данных в соответствии с разработанными методическими рекомендациями.

2. Отбор наиболее информативной подсистемы признаков с использованием последовательного исключения признаков с максимальными по модулю весовыми коэффициентами при обучении ИНС с одним нейроном промежуточного слоя.

3. Определение архитектуры ИНС.

Число нейронов входного слоя определяется, как сумма всех уровней качественных факторов и числа количественных признаков, характеризующих состояние объектов. Количество нейронов выходного слоя равно числу контролируемых количественных параметров или прогнозируемых качественных состояний объектов.

Особое внимание необходимо уделить подбору оптимальной величины промежуточного слоя нейронов:

- при необходимости создания достаточно эффективной модели в условиях ограниченного времени целесообразно принять количество нейронов промежуточного слоя равным половине числа входных нейронов;

- для создания оптимальной конфигурации промежуточного слоя целесообразно использовать последовательное тестирование на контрольной выборке обученных НС-моделей,. начиная с величины промежуточного слоя, равной одному нейрону. Критерием в этом случае является минимальное значение среднеквадратической ошибки на контрольной выборке;

- при невозможности выделить часть наблюдений в контрольную выборку осуществляется последовательное увеличение количества нейронов проме-

жуточного слоя, при котором критерием достаточностн служит динамика среднеквадратической ошибки на обучающей выборке: при резком снижении скорости её уменьшения считается, что ИНС «уловила» наиболее сильные внутренние закономерности в обучающих данных и наращивание промежуточного слоя прекращается.

4. Обучение окончательной НС-модели оптимизированной архитектуры.

5. Оценку направления и степени влияния признаков, составляющих входной вектор на моделируемый параметр. Осуществляется посредством анализа матрицы весовых коэффициентов полученной модели.

IV этап - создание интерфейса: разработка средств взаимодействия с пользователем в целях облегчения ввода данных, интерпретации результата, вывода ответа сети.

Созданный интерфейс, как минимум, должен осуществлять преобразование входных данных и моделируемых параметров, автоматически интерпретировать результат работы модели.

V этап - отладка программы. Этот этап включает отладку работы программы. Данный этап не имеет особенностей и служит для выявления возможных сбоев при работе в реальных условиях и доработки интерфейсной части программы.

VI этап - доучивание. В условиях реальной работы накапливаются данные, которые используются для дальнейшего обучения уже имеющейся нейронной сети. При этом, как правило, используется тот же самый алгоритм обучения, а в качестве начальных параметров сети - параметры существующей НС-модели. Таким образом, возможно «накопление опыта» нейросетевой моделью в процессе эксплуатации. Данный этап характерен только для обучающихся систем.

Для оценки эффективности разработанной методики и отработки методических аспектов применения с её помощью решен ряд военно-медицинских задач. Обоснован их выбор, показана актуальность и дана подробная постановка.

В результате решения задачи диагностики расстройств психической адаптации у военнослужащих, проходящих службу по призыву получена НС-модель следующей архитектуры: девять входных нейронов, два нейрона промежуточного слоя, три - выходного.

Первоначально в составе входного вектора имелось 85 переменных. Методом последовательного исключения признаков с максимальными по модулю весовыми коэффициентами были отобраны наиболее информативные для диагностики расстройств психической адаптации показатели. Определено, что в состав входного вектора модели целесообразно включить следующие переменные:

I. По данным МЛО:

- РИ - поведенческая регуляция, стены;

- шкала К - неосознанная психическая напряженность, Т-баллы;

- шкала Р - осознанная психическая напряженность, Т-баллы;

- шкала Бс - шизоидность, Т-баллы.

II. По данным шкалы ситуационной и личностной тревожности Спилбергера - Ханина:

- БТ - ситуационная тревожность, стены;

- ЬТ - личностная тревожность, стены.

III. По данным 16-ти факторного личностного опросника Кеттелла:

- шкала С - эмоциональная неустойчивость, баллы.

IV. По данным анкеты самооценки состояния:

- бодрость, баллы;

- количество жалоб.

Все вышеуказанные признаки определяются при проведении стандартных методик в составе комплексного психофизиологического обследования военнослужащих.

Получена модель (1), где

А =

136.5013 -142,8368 52,3949 16,2421 -27,7339 28,1063 -16,9486 10,6433 18,6384 -111,4949 65,1568 -74,9553 58,2335 -41.5667-23,2836 9,5999 -4,0996 36,513798 8,04943 -51,2884 '38,228158 8,523601 -44,446924' -43,139661 77,270511 -36,769889 12,196569 -56,261168 21,012913

Порядок показателей во входном векторе следующий: ситуационная тревожность, шкала Р - осознанная психическая напряженность, личностная тревожность, поведенческая регуляция, количество жалоб, шкала Бс - шизоидность, шкала К - неосознанная психическая напряженность, шкала С - эмоциональная неустойчивость, бодрость.

Диагностическая эффективность модели проверена на обучающей и контрольной выборках (табл.1, 2).

Таблица 1

Результаты распознавания обучающей выборки

Истинный номер группы Правильно распознано, % Распознаны, как относящиеся к группам

I II III

I 97,2 139 3 1

II 67,5 II 27 2

III 82,8 4 1 24

Всего 89,6 154 31 27

Таблица 2

Результаты распознавания контрольной выборки___

Истинный Правильно Распознаны, как относящиеся к группам

номер группы распознано, % I II III

I 90,0 18 1 1

II 47,5 12 19 9

III 95,7 0 2 44

Всего 76,4 30 22 54

Показатели чувствительности и специфичности полученной модели при диагностике III группы военнослужащих (имеющих расстройства психической адаптации) отражены в отдельной табл. 3, так как качество работы именно с этой группой нас интересовало более всего.

Таблица 3

Показатели чувствительности и специфичности модели по ре_зультатам диагностики III группы__

Выборка Чувствительность, % Специфичность, %

Обучающая 82,8 98,4

Контрольная 95,7 83,3

Результаты свидетельствуют о достаточно эффективной диагностике расстройств психической адаптации с помощью НС-модели. Показатели чувствительности и специфичности для группы с расстройствами психической адаптации составили более 80% на обоих выборках. Невысокое качество распознавания военнослужащих II группы может быть объяснено тем, что в соответствии с экспертным заключением в эту группу попадали лица с незначительными нарушениями адаптации, не требующими коррекции функционального состояния. Ввиду объективных трудностей экспертной оценки в многомерном пространстве признаков II группа является наиболее неоднородной. Безусловно, использование НС-модели позволит более объективно диагностировать варианты психической адаптации у военнослужащих за счет выявления нейронной сетью существенных закономерностей при разделении на группы.

Анализ матрицы весовых коэффициентов позволил сделать вывод о том, что наибольшее влияние на принятие диагностического решения оказывают ситуационная и личностная тревожность, осознанная психическая напряженность (фактор Р), поведенческая регуляция и количество жалоб.

Сравнение с решением, полученным стандартными методами показало, что по подавляющему большинству показателей нейросетевая модель превосходит дискриминантную. Качество распознавания обучающей выборки для неё выше в каждой группе военнослужащих (табл.4).

Таблица 4

Сравнение результатов тестирования моделей__

Номер группы Правильно распознано в обучающей выборке, % Правильно распознано в контрольной выборке, %

НС-модель Дискр. Модель НС-модель Дискр. модель

I 97,2 95,6 90,0 65,0*

II 67,5 42,5** 47,5 32,5

III 82,8 75,9 95,7 97,8

Всего 89,6 83,5* 76,4 67,0

Примечание: здесь и в других табл. звездочками отмечены уровии значимости различий между относительными величинами: *- р<0,1 ; ** - р<0,05 , *** - р<0,01.

Почти не отличаясь в первой группе, в третьей разница составляет 7%, а во второй группе достигает 25% (р<0,05). В контрольной выборке разница также значительна: во второй группе - 15%, в первой - 25%. Оценка значимости различий между относительными показателями выявила достоверное различие в эффективности распознавания второй группы: НС-модель имеет большую чувствительность на обучающей выборке (р<0,05) и лучшую специфичность на контрольной выборке (р<0,01).

При более подробном анализе диагностических результатов в группе военнослужащих с расстройствами психической адаптации (табл.5) отмечается, что дискриминантная модель на контрольной выборке имеет незначительно лучшую чувствительность, всего на 2%. Однако это наблюдается на фоне значимого (р<0,01) снижения специфичности до чрезвычайно низкого значения 56,7% по сравнению с 83,3% у нейросетевой модели. При работе с контрольной выборкой НС-модель обладает достоверно (р<0,01) большей диагностической эффективностью в отношении группы военнослужащих с расстройствами адаптации, чем дискриминантная модель.

Таблица 5

Показатели диагностической эффективности моделей для III группы

Обучающая выборка Контрольная выборка

Показатель НС-модель Дискр. Модель НС-модель Дискр. модель

Чувствительность, % 82,8 75,9 95,7 97,8

Специфичность, % 98,4 97,3 83,3 56,7***

Безошибочность, % 96,2 94,3 88,7 74,5***

Уровень ложноотрица- 17,2 24,1 4,3 2,2

тельных ответов, %

Уровень ложноположи- 1,6 2,7 16,7 43,3***

тельных ответов, %

Статистическое моделирование выявило приблизительно ту же самую группу наиболее информативных признаков для создания окончательной модели. Оценка степени влияния на принятие диагностического решения имеет определенные отличия (рис.2). Обращает на себя внимание, что по данным НС-модели осознанная психическая напряженность (шкала Р) оказывает почти в два раза большее влияние на диагностическое решение, чем в дискрими-нантной модели. Подобная ситуация наблюдается и с показателем ситуационной тревожности. В то же время влияние таких показателей психологического обследования, как личностная тревожность, поведенческая регуляция и количество жалоб в дискриминантной модели значительно выше.

Рис.2. Относительное влияние признаков на принятие диагностического решения

Условные обозначения: STS - ситуационная тревожность; F - осознанная психическая напряженность; LTS - личностная тревожность; PRS - поведенческая регуляция; SC - шизоидность; К - неосознанная психическая напряженность; С - эмоциональная неустойчивость; Galob - количество жалоб; Bodr - бодрость.

НС-модель дополнена графическим интерфейсом, получена нейросете-вая диагностическая система, функционирующая в операционной среде Windows 95 и готовая к практическому использованию в войсковом звене медицинской службы.

Решение задачи прогнозирования исхода и длительности лечения раненых нейрохирургического профиля и оптимизации варианта системы лечебно-эвакуационных мероприятий с использованием методики показало, что наибольшее влияние на исход и длительность лечения оказывает вид ранения

(проникающее, непроникающее ранение, ранение мягких тканей головы) и оказание квалифицированной помощи. Причем, наличие этапа квалифицированной медицинской помощи и выполнение оперативного вмешательства на этом этапе имеет отягчающее влияние на исход лечения, особенно для раненых с проникающими ранениями черепа.

Прогнозируемые значения исходов и длительности лечения для различных схем ЛЭО приведены в табл. 6.

Таблица 6

Прогноз исходов и длительности лечения для различных схем ЛЭО

Оказание раненому первой врачебной помощи Оказание раненому квалифицированной медицинской помощи Прогнозируемое значение исхода лечения (в баллах) Прогнозируемая длительность лечения (сутки)

нет Нет 3,17 61,6

нет есть 3,54 76,2

есть нет 2,92 61,4

есть Есть 3,50 61,8

Для определения оптимального варианта оперативного лечения в зависимости от тяжести ранения была построена ИНС и обучена на обучающем множестве, в котором входной вектор составляли четыре переменных: проведение первичного оперативного вмешательства на этапе квалифицированной помощи; проведение первичного оперативного вмешательства на этапе специализированной помощи; проведение повторного оперативного вмешательства на этапе специализированной помощи; вид ранения.'

Выходной вектор составила одна переменная - исход лечения. Архитектура созданной НС-модели: шесть входных нейронов, один промежуточный слой с тремя нейронами, один выходной нейрон. Нейронная сеть имеет шесть входных нейронов, т.к. для каждого уровня фактора "вид ранения" используется отдельный нейрон.

Получена модель (1), где

■0,507622 -1,114992 0,671382 -5,307349 1,296193 2,588541 -2,022488 -0,043801 -5,033712 -7,581205 -5,776917 -3,449393 4,348797-5,477434 -2,364593 -0,241240 -6,809678 -4,825520 1,193045 1,226642-3,005692

В = [2,907117 6,610688 6,718829 -1,268784]

Нейронная сеть с такими же архитектурой и входным вектором обучена для прогнозирования длительности лечения, составившей соответственно вы-

ходной вектор. При обучении данной ИНС из выборки были исключены случаи, завершившиеся летальным исходом.

Параметры модели (1):

"0,877259 -0,001575 -1,247234 1,066112 1,754522 -1,744950 0,475811 ' А = -0,798721 -0,067890 -2,139145 3,2912810,754135 -4,712027 -1,266532 3,905593 -3,136779 -3,332383 -1,630154 7,238612 -4,639645 0,368955 ^

В = [1,255523 -2,244439 -1,496418 -1,52672)]

При решении данной задачи число промежуточных нейронов не оптимизировалось: моделировались условия, характерные для решения военно-медицинских задач в условиях жесткого ограничения времени на принятие решения. В этом случае в соответствии с методикой число нейронов промежуточного слоя принято равным половине числа входных нейронов.

Прогнозируемые значения исходов и длительности лечения для различных схем оперативного лечения приведены в табл. 7.

Таблица 7

Прогноз исхода и длительности лечения для различных схем

оперативного лечения раненых нейрохирургического прос шля

Вид помощи, при котором проведено первичное оперативное вмешательство Проведение повторной операции на этапе специализированной медицинской помощи Вид ранения Прогнозируемое значение исхода лечения (в баллах) Прогнозируемое значение длительности лечения (сут)

Квалифицированная есть Ранения мягких тканей 1,88 57,1

Квалифицированная нет 1,88 35,0

Специализированная нет 1,88 17,6

Специализированная есть 1,88 62,4

Квалифицированная есть Непроникающие ранения черепа 2,80 54,7

Квалифицированная нет 2,50 30,3

Специализированная нет 2,89 40,0

Специализированная есть 2,44 . 50,0

Квалифицированная есть Проникающие ранения черепа иГМ 3,67 76,7

Квалифицированная нет 4,48 87,1

Специализированная нет 3,58 66,0

Специализированная есть 3,27 80,9

В группе с ранениями мягких тканей, а также с непроникающими ранениями черепа не выявлено выраженной зависимости прогноза исхода от схемы

оперативного лечения. Только у раненых с проникающими ранениями черепа и головного мозга отчетливо прослеживается значительное ухудшение прогноза в случае проведения первичного оперативного вмешательства на этапе квалифицированной помощи. Таким образом, прогностически наиболее благоприятным оказывается вариант, при котором оперативное вмешательство выполняется на этапе специализированной медицинской помощи с последующей повторной реконструктивной операцией.

Результаты прогнозирования с использованием разработанных НС-моделей позволили сделать выводы, важные для выработки решения на организацию лечебно-эвакуационного обеспечения данной категории раненых:

1. Раненых с проникающими ранениями черепа и головного мозга после оказания им первой врачебной помощи целесообразно незамедлительно доставлять на этап специализированной медицинской помощи. Проведение им оперативного лечения на этапе квалифицированной помощи ухудшает исходы лечения. Раненых с непроникающими ранениями черепа после получения ими первой врачебной помощи по возможности также следует направлять на этап специализированной медицинской помощи.

2. Оптимальная схема ЛЭО, дающая наилучший прогноз исхода и длительности лечения раненых нейрохирургического профиля - это оказание первой врачебной помощи с последующей эвакуацией в специализированное учреждение.

Решение задачи с использованием дисперсионного анализа дало практически те же результаты, что применение ИНС. Отмечены следующие особенности:

- сделать вывод о статистической значимости влияния факторов и статистической значимости различий средних значений на сочетаниях уровней факторов позволил только дисперсионный анализ. Оба метода дали одинаковую информацию о степени и направлении влияния факторов на исход лечения;

- моделирование с помощью ИНС дает возможность прогнозировать значение контролируемых параметров-откликов на тех сочетаниях уровней факторов, на которых нет ни одного наблюдения. В данной задаче НС-модель позволила прогнозировать значение исходов при ранениях мягких тканей головы в условиях различных схем оперативного лечения;

- анализ параметров НС-модели не дает возможности оценить эффект взаимодействия факторов на моделируемый параметр.

Применение методики при решении клинической задачи позволило разработать частную методику оценки критического времени пережатия аорты, создать эффективную прогностическую модель, способную с учетом комплекса показателей, характеризующих состояние органов и систем организма, определять данный параметр при оперативном лечении больных ИБС в условиях ЭКК.

Установлено, что из 24 анализируемых признаков (данных обследования пациента, а также характеризующих оперативное вмешательство) на развитие ОСН при оперативном лечении больных ИБС наибольшее влияние оказывают: время пережатия аорты, функциональный класс стенокардии, значение индекса Кетле, определяемые с помощью эхокардиографии конечный диастоличе-ский размер левого желудочка и фракция выброса левого желудочка, количество перенесенных инфарктов, исход перенесенного инфаркта миокарда (руб-цовые изменения, аневризма), наличие экстрасистол (предсердные, редкие или частые желудочковые). Данные признаки составили входной вектор при обучении окончательной НС-модели.

Определена оптимальная архитектура НС-модели: восемь входных нейронов, пять нейронов промежуточного слоя и один выходной. В результате применения НС-модели больной относится к одной из двух групп:

1 - группа с низким риском развития острой сердечной недостаточности;

2 - группа с высоким риском развития этого осложнения.

Критерием отнесения больного к первой или второй группе служит значение выходного нейрона: при величине его значения до 0,5 больной относится к первой группе, при значении более 0,5 - ко второй группе.

Автоматически методом последовательной подстановки значения времени пережатия аорты во входном векторе определяется наименьшее значение, при котором НС-модель классифицирует больного, как относящегося ко второй группе. Это время и интерпретируется как КВГ1А. Данный показатель является своеобразным интегральным показателем устойчивости миокарда к интраоперационной ишемии. Может использоваться при отборе больных ИБС для оперативного лечения, для оценки эффективности предоперационной подготовки и имеет рекомендательное значение для выработки хирургической бригадой плана предстоящего оперативного вмешательства.

Полученная модель (1) параметризована матрицами:

А =

- 28,8395 - 85,2562 - 32,5623

- 37 ,5832 7,8466 - 18,7037 24,1685 29,1086 16,1000

- 35 ,5851 - 25,8455 - 19,8391 14,4758 27,9820 - 4,5305 21,4772 - 29,2110 - 2,4937

- 14 ,5749 - 16,2875 - 13,2467

- 15,2765 - 34,0051 - 21,5736 20,0932 26,3679 16,6195

- 64 ,1943 - 42,6783

- 40 ,0073 - 24,4827 77,0063 44,2006

- 25 ,5708 - 20,7342 - 5,8111 - 23,4384

3,1319 - 6,9985

10,1919 - 12,7494

- 35,8730 -¡7 ,7532 28 ,2399 39.8012

В = [-18,6319 -27,5186 -16,6141 -29,9154 -21,3574 1,4567]

Модель имеет высокие показатели диагностической эффективности: чувствительность - 86,2%, специфичность - 94,9%, показатель безошибочности - 93,2% на обучающей выборке. Метод «кросс-проверки» показал уменьшение специфичности до 68,9%, специфичности - 92,3%, показателя безошибочности - 87,7%.

Анализ матрицы весовых коэффициентов показал, что наибольшее влияние на развитие ОСН оказывают: время пережатия аорты, индекс Кетле, функциональный класс стенокардии, конечный диастолический размер левого желудочка и наличие экстрасистолии. Чем больше значение таких показателей, как время пережатия аорты, функциональный класс стенокардии, конечный диастолический размер левого желудочка, количество инфарктов миокарда в анамнезе, а также наличие частых желудочковых экстрасистол и аневризмы левого желудочка, тем выше риск развития ОСН. Увеличение значения индекса Кетле и фракции выброса левого желудочка уменьшает риск развития данного осложнения. Интересно отметить, что согласно НС-модели влияние конституционального фактора, показателем которого является индекс Кетле, на риск развития ОСН достаточно велико (18,5%), а в ряде работ, посвященных вопросам прогнозирования исходов хирургического лечения ИБС, данный фактор не упоминается совсем [Борисов И. А., 1994).

Сравнение показателей диагностической эффективности для НС-модели и статистической выявило значимое разл!гчие (р<0,05) между показателями специфичности, безошибочности и уровнями ложноположительных ответов в пользу НС-модели (табл.8).

Таблица 8

Показатели диагностической эффективности моделей_

Показатель Нейросетевая модель Дискриминант-ная модель

Чувствительность, % 86,2 75,9

Специфичность, % 94,9 81,3**

Безошибочность, % 93,2 85,0**

Уровень ложноотрицательных ответов а, % 13,8 24,1

Уровень ложноположительных ответов (5, % .5,1 12,7**

Статистическое моделирование выявило приблизительно ту же самую группу наиболее информативных признаков для создания окончательной модели. Оценка степени влияния на развитие ОСН в целом достаточно близка (рис.3). Интересно отметить, что на первом месте по степени влияния на раз-

витие ОСН у нейросетевой модели - длительность пережатия аорты, а у дис-криминантной модели - значение индекса Кетле. С нашей точки зрения оценка нейросетевой модели ближе к реальной действительности.

о% ---——!-1 ' — ■

НС Дискр.

Модель

Рис.3. Относительное влияние признаков на риск развития ОСН по данным нейросетевой и дискриминантной моделей.

Условные обозначения: ВПА - время пережатия аорты, КЕТЛЕ - значение индекса Кетле, ФКС - функциональный класс стенокардии, КИ - количество перенесенных инфарктов миокарда, ИИ - исход перенесенного инфаркта миокарда; ЭС - наличие экстрасистолии; КДРЛЖ - конечный диастолический размер левого желудочка; ФВ - фракция выброса левого желудочка, РИТМ -характер сердечного ритма.

Разработанная НС-модель дополнена развитым графическим интерфейсом, обеспечивающим удобный ввод данных и вывод результата прогнозирования.

Результатом работы над данной задачей является программное приложение, функционирующее в операционной среде Windows 95 и проходящее апробацию в клинике сердечно-сосудистой хирургии им. П.А.Куприянова Военно-медицинской академии.

ВЫВОДЫ

1. Современные военно-медицинские задачи характеризуются такими свойствами, как системность, многокомпокентность, наличие большого количества внутренних и внешних связей, разное качество представления информации, слабая формализованность. При этом, как правило, все задачи требуют большой оперативности в их решении. Уникальность единицы учета - жизнь, здоровье человека, обусловливает высокую цену ошибки. В данных условиях повышению эффективности решения таких задач способствует применение искусственных нейронных сетей (ИНС), являющихся перспективным направлением в разработке систем искусственного интеллекта.

2. В результате проведенных исследований разработана и апробирована методика решения военно-медицинских задач с применением ИНС, которая позволяет автоматически реализовывать в моделях внутренние закономерности эмпирических данных, характеризующих изучаемую военно-медицинскую систему. Это дает возможность создавать эффективные модели сложных систем без глубокого предварительного анализа характера связей внутри системы с использованием методов статистического анализа.

В то же время, с помощью полученной методики можно качественно решать задачи содержательного анализа данных, под которым понимается выявление силы и направления связи между показателями, определение информативности признаков в целях принятия управляющего решения.

3. Сравнение эффективности решения военно-медицинских задач показало преимущество методики с применением ИНС над методами статистического моделирования. Нейросетевое моделирование является достаточно универсальным методом, так как позволяет решать широкий спектр задач без привлечения многочисленных сложных процедур и методов при использовании стандартного подхода. Моделирование с применением ИНС свободно от ограничений, характерных для методов статистического моделирования и позволяет получать решения с лучшими показателями диагностической эффективности, точности прогноза, в том числе в условиях неполной информации о системе.

4. Разработанная методика благодаря универсальности, относительной простоте применения и нетребовательности к аппаратным ресурсам ЭВМ может быть рекомендована для внедрения при решении разноплановых военно-медицинских задач. Использование методики позволяет решать основные задачи многомерного моделирования и получать эффективные модели сложных систем.

5. Методика решения военно-медицинских задач с применением искусственных неГфонных сетей может быть использована в интересах различных

органов управления медицинской службой. Предоставляя в их распоряжение возможность получения информации прогнозного характера, позволяя оценить влияние факторов, воздействующих на объект управления, она может существенно влиять на выработку оптимальных решений по медицинскому обеспечению войск в мирное и военное время.

Использование методики позволяет военным врачам-неспециалистам по методам статистического анализа данных получать качественные решения задач, связанных с моделированием сложных систем и процессов в своих специфических прикладных областях. Обучающиеся нейросетевые системы, аккумулирующие опыт и знания, дают возможность повысить качество решения задач диагностики, оптимизации тактики лечения, прогнозирования исходов лечения и возможных осложнений. Они могут использоваться для создания систем поддержки принятия решения в любых областях военной медицины.

ПРАКТИЧЕСКИЕ РЕКОМЕНДАЦИИ

1. При разработке военно-медицинских автоматизированных информационных систем для органов управления медицинской службой всех уровней, а также для врачей-специалистов, наряду с методами логического и статистического анализа, информационного и имитационного моделирования необходимо шире использовать методы нейросетевого моделирования.

2. Методику решения военно-медицинских задач с использованием ИНС целесообразно внедрить в информационно-статистическую и исследовательскую работу медицинской службы для повышения качества решения задач, связанных с изучением и моделированием сложных систем.

3. Включить в учеОную программу и тематический план дисциплины «Основы военно-медицинской информатики и статистики» тему «Применение искусственных нейронных сетей для решения военно-медицинских задач».

4. Для выявления среди военнослужащих, проходящих службу по призыву, лиц, нуждающихся в проведении комплекса мероприятий медико-психологической коррекции по поводу расстройств психической адаптации, целесообразно использовать разработанную нейросетевую диагностическую систему.

5. В целях повышения качества управления лечебно-дизгностическим процессом при оперативном лечении больных ИБС в условиях эксгракорпо-рального кровообращения целесообразно применять частную методику оценки критического времени пережатия аорты с использованием НС-модели.

СПИСОК РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Нейросетевая модель прогнозирования кровотечения из варикозно' расширенных вен пищевода у больных с портальной гипертензией // Актуальные вопросы клиники, диагностики и лечения: Тез. докл. науч. конф., посвящ. 150-летию клинич. отд. Воен.-мед. акад. - СПб., 1997. - С. 481-482. (соавт. Алентьев С.А.)

2. Нейросетевая модель прогнозирования миокардиальной недостаточности при оперативном лечении ишемической болезни сердца // Медицинская информатика накануне 21 века: - Всерос. науч. конф.: Тез. докл. - СПб., 1997. -С. 193-194. (соавт. Шихвердиев H.H., Марченко С.П.)

3. Методология применения искусственных нейронных сетей в решении задач клинической медицины // Медицинская информатика накануне 21 века: - Всерос. науч. конф.: Тез. докл. - СПб., 1997. - С. 218. (соавт. Оточкин A.B.)

4. Стандартизация и унификация медицинских информационных систем на основе искусственных нейронных сетей // Военная наука и образование - городу: I гор. науч.-пракг. конф. воен. учеб. и науч. учреждений Санкт-Петербурга: Тез. докл. - СПб., 1997. - Ч. 2. - С. 191. (соавт. Материн Н.В.)

5. Нейросетевая модель прогнозирования отдаленных результатов у больных с искусственными клапанами сердца // Прогресс и проблемы в лечении заболеваний сердца и сосудов: Материалы юбил. конф., посвящ. 100-летию Санкт-Петербург, гос. мед. ун-та им. акад. И.П. Павлова. - СПб., 1997. -С. 66. (соавт. Шихвердиев H.H., Марченко С.П., Шленчак С.В., Баутин А.Е.)

6. Использование нейросетевой модели для оценки влияния времени аноксии миокарда на исход аортокоронарного шунтирования // Прогресс и проблемы в лечении заболеваний сердца и сосудов: Материалы юбил. конф., посвящ. 100-летию Санкт-Петербург, гос. мед. ун-та им. акад. И.П. Павлова. -СПб., 1997. - С. 77. (соавт. Шихвердиев H.H., Марченко С.П.)

7. Современные подходы к прогнозированию исходов кардиохирурги-ческих операций // Третий Всерос. съезд сердечно-сосудистых хирургов: Тез. докл. и сообщ. - М., 1997. - С. 49 . (соавт. Шевченко Ю.Л., Шихвердиев H.H.)

8. Применение нейросетевой модели для определения критического времени аноксии миокарда при оперативных вмешательствах по поводу ИБС // Нейроинформатика и её приложения: VI Всерос. семинар: Тез. докл. - Красноярск, 1998. - С. 154. (соавт. Шихвердиев H.H., Марченко С.П.)

9. Возможности искусственных нейронных сетей в кардиохирургии // Четвертый Всерос. съезд сердечно-сосудистых хирургов: Тез. докл. и сообщ. -М., 1998. - С. 273. (соавт. Шевченко Ю Л., Кувакин В.И., Шихвердиев H.H.)

10. Исследование факторной структуры признаков, влияющих на исход АКШ у больных ИБС // Юбил. конф. молодых ученых и специалистов, посвящ. 200-летию Воен.-мед. акад. - СПб, 1998. - С. 81. (соавт. Марченко С.П.)

11. Прогнозирование в кардиохирургии // Избранные лекции по клинической хирургии / Воен.-мед. акад. - СПб., 1998. - Вып. 8. - С. 56-79. (соавт. Шихвердиев Н.Н.)

12. Опыт применения искусственных нейронных сетей при решении прогностических задач военной медицины // Региональная информатика - 98, РИ - 98: VI Санкт-Петербург, междунар. конф.: Тез. докл. - СПб., 1998. - Ч. 1. -С. 142-143. (соавт. Кувакин В.И.)

13. Моделирование временных рядов с использованием искусственных нейронных сетей // Региональная информатика - 98, РИ - 98: VI Санкт-Петербург. междунар. конф.: Тез. докл. - СПб., 1998. - Ч. 1. - С. 151-152.

Подписано к печати Формат 60 х84 Ч^_

Типография ВМедА

Заказ 7 г 9

Объем^лп.л.