Preview

Нейрохирургия

Расширенный поиск

Когнитивный анализ клинических данных в структуре принятия врачебного решения

https://doi.org/10.17650/1683-3295-2021-23-4-121-125

Полный текст:

Аннотация

Практикующий врач в своей повседневной деятельности сталкивается с проблемами принятия решений в условиях неопределенности, обилия разнородной информации о больном. Вопросы диагностики, определение ведущих модальностей ведения пациента связаны с необходимостью качественного прогнозирования течения заболевания, расчета рисков развития осложнений и неблагоприятного исхода, что особенно проблематично в условиях экстренной службы. Человеческий мозг значительно уступает современным компьютерам в вычислительной мощности, однако он способен моментально интерпретировать информацию и анализировать ее, кроме того, он способен обучаться, формировать представления, делать выводы. Попытка объединения вычислительной мощности и интуитивного анализа, свойственного человеческому мозгу, нашла отражение в построении компьютерных программ на основе нейронных сетей. Вместе с развитием информационных технологий, разработкой новых конфигураций нейросетей и принципов их обучения открываются все большие возможности их использования в сфере решения слабоструктурированных задач, с которыми сталкивается врач в своей повседневной практике.

Об авторах

Н. В. Лавриненко
ГБУЗ «Клиническая больница скорой медицинской помощи»
Россия

170024 Тверь, ул. М. Конева, 71



Д. А. Гуляев
ФГБУ «Национальный медицинский исследовательский центр им. В.А. Алмазова» Минздрава России; ФГБОУ ВО «Северо-Западный государственный медицинский университет им. И.И. Мечникова» Минздрава России
Россия

Дмитрий Александрович Гуляев 

191104 Санкт-Петербург, ул. Маяковского, 12

191015 Санкт-Петербург, ул. Кирочная, 41



В. А. Мануковский
ФГБОУ ВО «Северо-Западный государственный медицинский университет им. И.И. Мечникова» Минздрава России
Россия

191015 Санкт-Петербург, ул. Кирочная, 41



Список литературы

1. Святочевский П.А., Гуляев Д.А., Орлов В.Н. и др. Исследование динамики хирургической активности в отношении гипертензивных внутримозговых гематом с помощью математического моделирования на примере Республики Чувашия. Саратовский научно-медицинский журнал 2019;15(2):308–12. [Svyatochevsky P.A., Gulyaev D.A., Orlov V.N. et al. Investigation of the dynamics of surgical activity in relation to hypertensive intracerebral hematomas using mathematical modeling on the example of the Republic of Chuvashia. Saratovskiy nauchnomeditsinskiy zhurnal = Saratov Scientific and Medical Journal 2019;15(2):308–12. (In Russ.)].

2. Старков Е.Ф. Система поддержки принятия решений в медицине. Вестник новых медицинских технологий 2006;13(2). [Starkov E.F. Decision support system in medicine. Vestnik novykh meditsinskikh tekhnologiy = Bulletin of New Medical Technologies 2006;13(2). (In Russ.)].

3. Гусев А.В. Перспективы нейронных сетей и глубокого машинного обучения в создании решений для здравоохранения. Искусственный интеллект в здравоохранении 2017(3):92–106. [Gusev A.V. Prospects of neural networks and deep machine learning in creating solutions for healthcare. Iskusstvennyy intellekt v zdravookhranenii = Artificial intelligence in healthcare 2017(3):92–106. (In Russ.)].

4. McCulloch W.S., Pitts W. A logical calculus of the ideas immanent in nervous activity. Bull Math Biophys 1943;5:115–33. DOI: 10.1007/BF02478259.

5. Ясницкий Л.Н., Думлер А.А., Богданов К.В. и др. Диагностика и прогнозирование течения заболеваний сердечно-сосудистой системы на основе нейронных сетей. Медицинская техника 2013(3):42–4. [Yasnitskiy L.N., Dumler A.A., Bogdanov K.V. et al. Diagnosis and prediction of the course of diseases of the cardiovascular system based on neural networks. Meditsinskaya tekhnika = Medical equipment 2013(3):42–4. (In Russ.)].

6. Christopher J.J., Ramakrishnan S., Sangeetha S. Wavelet based qualitative assessment of femur bone strength using radiographic imaging. International Journal of Computer and Information Engineering 2008;2(5):1407–10. DOI: 10.5281/zenodo.1074675.

7. Kilic N., Ucan O.N. Colonic polyp detection in CT colonography with fuzzy rule based 3D template matching. J Med Syst 2009;33(1):9–18. DOI: 10.1007/s10916-008-9159-3.

8. Chen H., Xu Y., Ma Y. et al. Neural network ensemble-based computer-aided diagnosis for differentiation of lung nodules on CT images: clinical evaluation. Acad Radiol 2010;17(5):595–602. DOI: 10.1016/j.acra.2009.12.009.

9. Salah B., Alshraideh M., Beidas R. et al. Skin cancer recognition by using a neurofuzzy system. Cancer Informatics 2011; 10(2):1–11. DOI: 10.4137/CIN.S5950.

10. Mena L.J., Félix V.G., Ochoa A. et al. Mobile personal health monitoring for automated classification of electrocardiogram signals in elderly. Comput Math Methods Med 2018(5):e912805. DOI: 10.1155/2018/9128054 e912805.

11. Toney L.K., Vesselle H.J. Neural networks for nodal staging of non-small cell lung cancer with FDG PET and CT: importance of combining uptake values and sizes of nodes and primary tumor. Radiology 2014;270(1):91–8. DOI: 10.1148/radiol.13122427.

12. Hirose H., Takayama T., Hozawa S. et al. Prediction of metabolic syndrome using artificial neural network system based on clinical data including insulin resistance index and serum adiponectin. Comput Biol Med 2011;41(11):1051–6. DOI: 10.1016/j.compbiomed.2011.09.005.

13. Andersson B., Andersson R., Ohlssonb M. et al. Prediction of severe acute pancreatitis at admission to hospital using artificial neural networks. Pancreatology 2011;11(3):328–35. DOI: 10.1159/000327903.

14. Narain R., Saxena S., Goyal A.K. Cardiovascular risk prediction: a comparative study of Framingham and quantum neural network based approach. Patient Prefer Adherence 2016(10):1259–70. DOI: 10.2147/PPA.S108203.

15. Mayer A., Zverinski D., Pfahringer B. et al. Machine learning for real-time prediction of complications in critical care: a retrospective study. Lancet Respir Med 2018;6(12):905–14. DOI: 10.1016/S2213-2600(18)30300-X.


Рецензия

Для цитирования:


Лавриненко Н.В., Гуляев Д.А., Мануковский В.А. Когнитивный анализ клинических данных в структуре принятия врачебного решения. Нейрохирургия. 2021;23(4):121-125. https://doi.org/10.17650/1683-3295-2021-23-4-121-125

For citation:


Lavrinenko N.V., Gulyaev D.A., Manukovskiy V.A. Decision support technology for clinical data cognitive analysis. Russian journal of neurosurgery. 2021;23(4):121-125. (In Russ.) https://doi.org/10.17650/1683-3295-2021-23-4-121-125

Просмотров: 144


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1683-3295 (Print)
ISSN 2587-7569 (Online)
X