Интеллектуальная система поддержки принятия решений скрининг-диагностики рака желудка на основе комбинированных классификационных правил тема диссертации и автореферата по ВАК РФ 05.11.17, кандидат наук Бабков, Александр Сергеевич

• Бабков, Александр Сергеевич
• кандидат наук
• 2014

Оглавление диссертации кандидат наук Бабков, Александр Сергеевич

СОДЕРЖАНИЕ

Введение

Глава 1 Аналитический обзор и постановка задач исследования

1.1 Скрининг-диагностика рака желудка

1.2 Принципы самоорганизационного моделирования

1.3 Синтез нечетких решающих правил

Цели и задачи исследования

Глава 2 Модель и методы скрининг-диагностики рака желудка для интеллектуальной системы поддержки принятия решений

2.1 Информационно-аналитическая модель системы поддержки принятия решений скрининг-диагностики рака желудка

2.2 Формирование обучающих и контрольных выборок и метод оценки классификационных возможностей структур медицинских данных

2.3 Метод синтеза нечетких решающих правил скрининг-диагностики рака желудка на основе данных о структуре связей между показателями крови

Выводы второй главы

Глава 3 Разработка основных элементов интеллектуальной системы скрининг-диагностики рака желудка

3.1 Разработка структуры интеллектуальной системы поддержки принятия решений скрининг-диагностики рака желудка

3.2 Формирование пространства информативных признаков

3.3 Синтез функций риска диагностики рака желудка

3.4 Алгоритм управления процессом скрининг-диагностики рака желудка на

основе показателей крови и анамнеза обследуемого

Выводы третьей главы

Глава 4 Результаты экспериментальных исследований

4.1 Формирование обучающих и контрольных выборок

4.2 Математические модели структуры связей между показателями крови

4.3 Диагностические возможности решающих правил

Выводы четвертой главы

Заключение

Библиографический список

Приложение

Введение диссертации (часть автореферата) на тему «Интеллектуальная система поддержки принятия решений скрининг-диагностики рака желудка на основе комбинированных классификационных правил»

ВВЕДЕНИЕ

Актуальность работы. Актуальность диссертационного исследования обусловлена тем, что своевременная диагностика онкологических заболеваний позволяет существенным образом снизить смертность, улучшить качество терапевтических и хирургических последствий, снизить экономические затраты на лечение и последующую реабилитацию больных. В процессе скрининга рака желудка обязательным является осуществление анализа крови и расчета значений соответствующих онкомаркеров. Так как состав крови отражает происходящие в организме изменения при развитии патологических процессов, то анализ происходящих изменений состава крови позволяет повысить качество скрининг- диагностики. Достаточно оперативное осуществление системного анализа происходящих структурных изменений врачом затруднительно в силу необходимости обработки большого количества информации в условиях ее нечеткой определенности. В соответствии с этим возникает потребность в разработке интеллектуальной системы поддержки принятия решений (СППР) для скрининг-диагностики на основе современных компьютерных технологий, позволяющей осуществлять раннее выявление рака желудка и/или формировать в процессе скрининга рекомендации о необходимости продолжения обследования пациента в специализированных центрах или клиниках.

Степень разработанности темы исследования. В силу различных объективных и субъективных причин, ухудшения экологической обстановки и роста психологического напряжения людей наблюдается тенденция к ухудшению популяционных свойств здоровья населения. Возникает необходимость в массовом качественном медицинском обследовании людей с применением скрининговых систем, стандартизации методов и автоматизированных технологий, которые позволяют проектировать качественные интеллектуальные системы поддержки принятия решений для выявления определенных классов заболеваний. В Российской Федерации начиная с 1990 года ведутся разработки в области скрининга здоровья детей и

подростков (системы ВИТА-90, АКДО, АСПОН, КМАДО, АСДОК, САНУС, КАСМОН и др.). Аналогичные системы существуют в США (фирмы «Сог^гоП^еСогр», «ОЕТгССЖР») и других странах. Базовая автоматизированная система скрининг-диагностики включает в себя подсистемы регистрации пациента автоинтервьюирования, проверки работы различных физиологических и сенсорных систем организма, анализа ЭКГ и артериального давления, результаты лабораторных анализов различных биологических проб. К настоящему времени разработаны и эксплуатируются системы скрининга различных групп заболеваний. Скрининг заболеваний осуществляется по: раку яичников, шейки матки, молочной железы, предстательной железы, легких, прямой кишки, мочевого пузыря, полости рта, кожи, поджелудочной железы. В настоящее время скрининг рака желудка осуществляется в основном методами фото-флюорографии с двойным контрастированием и гастроскопией в специализированных центрах или клиниках. С этой целью применяются онкомаркеры типаРЭА, СА242, СА72.4, СА19.9 с диагностической эффективностью порядка 60-65%. Автоматизированных скрининговых диагностических систем рака желудка в условиях массовой диспансеризации населения не разработано, что снижает диагностическую эффективность на ранней стадии развития заболевания и приводит к росту летальности.

Таким образом, научно-технической задачей исследования является повышение диагностической эффективности скрининговых систем рака желудка на основе результатов общего анализа крови и информации об образе жизни, жалобах и состоянии здоровья обследуемого путем применения современных информационных и компьютерных интеллектуальных технологий.

Работа выполнена в соответствии с федеральной целевой программой «Предупреждение и борьба с социально значимыми заболеваниями» и с научными направлениями федерального государственного бюджетного образовательного учреждения высшего профессионального

образования «Юго-Западного государственного университета» «Медико-экологические информационные технологии».

Объект исследования. Пациенты, у которых предполагается наличие онкологических заболеваний желудка.

Предмет исследования. Методы, математические модели и интеллектуальная система поддержки принятия решений о необходимости клинического обследования пациента в процессе скрининг-диагностики рака желудка.

Цель работы: Разработка интеллектуальной системы поддержки принятия решений скрининг-диагностики рака желудка, позволяющей по результатам общего анализа крови и анамнеза определять людей с риском наличия исследуемого заболевания с использованием комбинированных классификационных правил принятия решений.

Для достижения поставленной цели необходимо решить следующие задачи:

- разработать информационно-аналитическую модель скрининг-диагностики рака желудка;

разработать метод оценки классификационных возможностей структур медицинских данных для синтеза решающих диагностических правил;

разработать метод синтеза нечетких математических моделей скрининг-диагностики рака желудка на основе информации о структуре связей между показателями крови и анамнеза пациента;

сформировать пространство информативных признаков для построения автоматизированной системы интеллектуальной системы поддержки принятия решений скрининг-диагностики рака желудка;

на репрезентативной обучающей выборке синтезировать диагностические решающие правила для интеллектуальной системы поддержки принятия решений скрининг-диагностики рака желудка;

- разработать алгоритм и программное обеспечение интеллектуальной системы скрининг-диагностики рака желудка на основе анализа изменений в структуре связей между регистрируемыми показателями крови пациента;

- провести верификацию полученных диагностических правил соотнесения обследуемого к группе риска болеющих раком желудка на репрезентативной контрольной выборке.

Научная новизна исследований. В диссертации получены следующие результаты, характеризующиеся научной новизной:

- информационно-аналитическая модель для интеллектуальной системы поддержки принятия решений скрининг-диагностики рака желудка, позволяющая с приемлемым для медицинской практики качеством по результатам анализа крови и общей информации о состоянии пациента, содержащейся в анамнезе, принимать решения о необходимости дальнейшего клинического обследования;

метод оценки классификационных возможностей структур медицинских данных, основанный на вычислении мер доверия к выборкам и признаковому пространству, позволяющий повысить качество работы решающих правил в условиях скрининга;

- метод синтеза нечетких математических моделей скрининг-диагностики рака желудка, отличающийся применением в качестве классификаторов решающих правил, основанных на использовании мер близости между регистрируемыми и расчетными значениями показателей крови, что позволяет с системной точки зрения анализировать происходящие в процессе развития заболевания структурные изменения в организме на ранней стадии;

- диагностические решающие правила для интеллектуальной системы скрининг-диагностики рака желудка, отличающиеся применением оценок риска наличия заболевания по показателям, характеризующим образ жизни, текущее состояние пациента, перенесенные заболевания и результаты общего анализа крови как совместно, так и по отдельности;

- алгоритм, структура и программное обеспечение интеллектуальной системы скрининг-диагностики рака желудка на основе анализа изменений в структуре связей между регистрируемыми показателями крови пациента, отличающиеся использованием синтезированных методом группового учета аргументов математических моделей, отражающих различные взаимосвязи между регистрируемыми показателями у больных и не больных раком желудка людей и позволяющие формировать рекомендации по ведению пациентов с начальными стадиями исследуемого заболевания.

Теоретическая и практическая значимость работы состоит в том, что для повышения качества медицинского обслуживания в области профилактики рака желудка разработаны:

- информационно-аналитическая модель для интеллектуальной системы поддержки принятия решений скрининг-диагностики рака желудка; метод оценки классификационных возможностей структур медицинских данных;

метод синтеза математических моделей и комплекс классификационных решающих правил скрининг-диагностики рака желудка;

- алгоритмическое и программное обеспечение, составляющие основу интеллектуальной системы поддержки принятия решений скрининг-диагностики рака желудка, позволяющей формировать рекомендации о необходимости обследования пациента в специализированных центрах. Применение предложенных в диссертации методов и средств позволяет улучшить качество медицинского обслуживания людей, имеющих высокий риск и страдающих таким заболеванием как рак желудка.

Методология и методы исследования. Для решения поставленных задач использовались методы теории синтеза биотехнических систем системного анализа, статистической обработки экспериментальных данных, теории нечетких множеств, экспертного оценивания, группового учета аргументов, математического моделирования.

Положения, выносимые на защиту: 1. Метод оценки классификационных возможностей структур медицинских данных для синтеза

диагностических правил, основанный на применении мер доверия, позволяет корректировать правила принятия решений с целью улучшения качества классификации. 2. Информационно-аналитическая модель и структура интеллектуальной системы поддержки принятия решений скрининг-диагностики рака желудка позволяют на основе результатов общего анализа крови и анамнеза оценивать риск наличия заболевания и формировать качественные рекомендации о необходимости обследования в

специализированных центрах. 3. Математические модели, отражающие связи между показателями крови, позволяют проанализировать системные изменения в структуре крови при возникновении рака желудка. 4. Решающие правила, основанные на анализе образа жизни, анамнеза пациента и вычислении мер близости между значениями регистрируемых показателей крови и их расчетными по идентифицированными математическими моделями величинами, позволяют осуществлять диагностику заболевания с приемлемым для практической медицины качеством.

Степень достоверности и апробация результатов. Результаты исследования показали их воспроизводимость в различных условиях, непротиворечивость концепциям системного анализа и теории синтеза биотехнических систем, а так же аналогичным результатам, полученным другими исследователями. Методы, модели и алгоритмы скрининг-диагностики рака желудка построены на теории распознавания образов, группового учета аргументов и нечеткой логики принятия решений и согласуются с ранее опубликованными экспериментальными данными по теме диссертации. Предложенные в работе методы, модели и алгоритмы переданы в опытную эксплуатацию на кафедре факультетской хирургии медицинского института ЕМУ «БелГУ» и используются в учебном процессе кафедры биомедицинской инженерии Юго-Западного государственного университета при обучении студентов специальности 200401. Основные теоретические положения и научные результаты диссертационной работы докладывались, обсуждались и получили положительную оценку на следующих

конференциях и семинарах: VI Международной студенческой электронной научной конференции «СТУДЕНЧЕСКИЙ НАУЧНЫЙ ФОРУМ 2014»(Москва, 2014); Международная заочная научно-практическая конференция «Актуальные вопросы в научной работе и образовательной деятельности» (Тамбов, 2014); Международная научно-практическая конференция «Научный прогресс на рубеже тысячелетий - 2014»; «Математические методы в прикладных задачах» (Курск, 2013); «Алгоритмы и программы математических и физических задач» (Курск, 2013); «X МЕгшАкОБМ УЁБЕСКО - РЯАКТЮКЛ» (Прага 2014), на научно-технических семинарах кафедр биомедицинской инженерии и информатики и прикладной математики ЮЗГУ (Курск - 2012, 2013, 2014).

Структура и объем работы. Диссертация работы состоит из введения, 4 глав, заключения, приложения и библиографического списка, включающего 81 отечественных, 46 зарубежных источников, 2 ссылки на электронные ресурсы. Работа изложена на 148 листах машинописного текста, содержит 16 рисунков и 17 таблиц.

ГЛАВА 1 АНАЛИТИЧЕСКИЙ ОБЗОР И ПОСТАНОВКА ЗАДАЧ

ИССЛЕДОВАНИЯ

1.1 СКРИНИНГ-ДИАГНОСТИКА РАКА ЖЕЛУДКА

Рак желудка (РЖ) представляет собой крайне актуальную проблему современной онкологии во всем мире. По сводным эпидемиологическим данным это заболевание в мире является четвертым наиболее частым после рака легких, молочных желез, толстой кишки. Ежегодно диагностируется более 930 тыс. новых случаев выявления РЖ, а одногодичная летальность составляет более 700 тыс. (более 75%) [123].

В России это заболевание стабильно занимает второе место в структуре онкологических заболеваний и летальности. Ежегодно РЖ заболевают 46 тыс. человек, а одногодичная летальность составляет 56% [123]). Россия занимает место в первой десятке в мире по уровню заболеваемости РЖ.

Среднее время от появления специфических симптомов до постановки диагноза РЖ составляет 3 месяца, что свидетельствует как о поздней обращаемости пациентов к врачу, так и об объективных сложностях диагностики, о необходимости оптимизации тактики обследования на доклиническом, т.е. поликлиническом уровне.

Вопрос о сроках диагностики опухолевого поражения желудка стоит достаточно остро. Если в специализированных клиниках время от момента обращения до постановки диагноза сведено к минимуму, то в общей лечебной сети этот процесс по объективным причинам может растянуться на недели. В нашем исследовании среднее время от момента обращения до момента диагностики составило 15,7 дня, а в период до 30 суток морфологически верифицированный диагноз РЖ был установлен у большинства - 416 (87,8%) пациентов.

Более 90 дней потребовалось на верификацию процесса у 6 (1,3%) пациентов, что достаточно часто наблюдается при диффузно-

инфильтративном варианте роста опухоли, когда характер поражения слизистой оболочки может быть минимальным, обусловливая сложности получения информативного биоптата.

В большинстве наблюдений (418 (88,2%)) морфологический материал получен при эндоскопическом исследовании, тогда как из отдаленных метастатических очагов биопсийный материал получен в 1,6% случаев.

В плане диспансерного обследования у бессимптомных пациентов диагностическое эндоскопическое исследование выполнено в 27 (5,7%) наблюдениях. В остальных случаях диагностику проводили при наличии симптомов желудочного неблагополучия, либо после предшествующего рентгенологического обследования.

Из факторов неполноценной диагностики следует отметить низкую частоту специфического исследования гастро-биоптата на Н. pylori, что является важным аспектом проведения программ иррадикации данной специфической инфекции. Известно, что Н. pylori индуцирует опухолевую трансформацию слизистой оболочки желудка особенно при выполнении сохранных объемов вмешательств [123]. Этот метод является необходимым шагом индивидуализации тактики лечения особенно в случаях раннего РЖ после выполнения эндоскопической мукозэктомии. В нашем случае исследование на H.pylori было проведено лишь у 23 (4,9%) пациентов.

Предоперационное стадирование является крайне важным элементом определения тактики лечения, в том числе комбинированной и комплексной терапии РЖ. Следует отметить, что варианты комбинированного лечения всецело зависят от достоверности дооперационного обследования и возможности детальной оценки распространенности процесса по критериям сТ, cN и сМ. Это, в свою очередь, определяется двумя кофакторами: методами диагностики (в зависимости от их чувствительности и специфичности) и системами стадирования.

Из инструментальных методов диагностики для определения клинической стадии широко применялся эндоскопический (98,7%), УЗИ

брюшной полости (90,7%) и рентгенологическое обследование (64,3%). Учитывая настоятельную необходимость исследования глубины опухолевой инвазии стенки желудка, лимфогенной и интраперитонеальной распространенности, можно отметить, что комплексное обследование пациентов проведено у достаточно ограниченного круга пациентов, преимущественно в академических лечебных учреждениях. Обязательным методом исследования пациентов с местно распространенным РЖ является лапароскопическое исследование с выполнением перитонеального лаважа (проведено лишь у 39,2 и 11,8% пациентов соответственно, что, конечно же, ведет к недооценке распространенности опухоли). Более специфичный метод исследования глубины опухолевой инвазии и характера поражения регионарных лимфатических узлов (эндо-УЗИ выполнен лишь у 2,5% пациентов). Компьютерная томография (KT) брюшной полости выполнялась у 13,7% пациентов, что обусловлено высокой стоимостью данного метода. Столь неполноценный объем диагностики лимитирует возможность дооперационного определения истинной стадии и выбора метода лечения, адекватного распространенности процесса. Следует отметить, что в западных странах частота выполнения KT органов брюшной полости превалирует над частотой выполнения УЗИ (52,2 и 39,1% соответственно), тогда как частота выполнения лапароскопии с лаважем брюшной полости остается неоправданно низкой - лишь 9,1 и 2,9% соответственно (рис.1). В настоящее время в практической онкологии применяются две наиболее часто используемые классификации РЖ. Первое и, возможно, доминирующее положение занимает классификация Японской ассоциации по раку желудка (Japanese Gastric Cancer Associations - JGCA). В англоязычной литературе опубликовано второе издание основных правил по изучению РЖ, базирующееся на 13-м переиздании Правил в Японии (Japanese Classification of Gastric Cancer - 2nd English Edition) [74].

Другой классификацией РЖ является совместное издание Международного противоракового союза (МПС - UICC) и Американского

объединенного противоракового комитета (А.ГСС), опубликованное в 2002 г. [56]. Между двумя этими классификациями остается достаточно много разногласий, что находит отражение во многих публикациях, посвященных этой крайне актуальной проблеме.

Причины несвоевременной диагностики рака желудка

У подавляющего большинства больных уже при первом обращении имелась выраженная картина ракового поражения, не вызывающая сомнений в характере заболевания. В поздние сроки от начала заболевания обратилось к врачу небольшое число больных. Следовательно, при квалифицированном подходе врачей, к которым впервые обращаются больные с желудочными заболеваниями, качество диагностики распространенного рака желудка может быть значительно улучшено. Для этого необходимо повысить онкологические знания врачей общелечебной сети, особенно терапевтов и рентгенологов.

Опыт показывает [70, 84, 88], что хорошо поставленная противораковая пропаганда способствует более раннему обращению больных, что особенно важно в отношении внутренних локализаций рака, в том числе и рака желудка.

1.2 ПРИНЦИПЫ САМООРГАНИЗАЦИОННОГО МОДЕЛИРОВАНИЯ

Поскольку биологические системы построены по самоорганизационному принципу, то представляется целесообразным осуществлять их математическое моделирование, основанное на аналогичных базисных принципах организации. Наиболее развитым в этом направлении является метод группового учета аргументов (МГУА) [39, 40].

Построение систем моделирования по методу группового учета аргументов (МГУА) базируется на следующих принципах:

1. Принцип самоорганизации модели. При последовательном увеличении сложности структуры модели значения внешних критериев сначала уменьшаются, достигают минимума, а затем или остаются неизменными, или начинают увеличиваться. Первое наименьшее значение комбинации критериев определяет единственную модель оптимальной сложности.

2. Принцип внешнего дополнения. Задачи интерполяции относятся к некорректно поставленным задачам, которыле имеют многозначное решение. Для однозначного их решения необходимо задание адекватного внешнего дополнения - внешнего критерия оптимальности. Под внешним критерием будем понимать критерий, который вычисляется с использованием информации, не использованной при оценке параметров. Внутренние дополнения, т.е. критерии, не использующие никакой дополнительной информации, при действии помех не могут решить задачу выбора модели оптимальной сложности.

3. Гёделевский подход при самоорганизации моделей. Теорема утверждает, что для любой системы исходных аксиом (внешних дополнений первого уровня) всегда можно задать такую теорему, для доказательства которой недостаточно данной системы аксиом и необходимы новые аксиомы - внешние дополнения. Применительно к

моделям самоорганизации идеи Гёделя можно интерпретировать таким образом: по минимуму заданного внешнего критерия можно решить все вопросы о выборе опорных функций, структуры и параметров модели, кроме вопросов, связанных с алгоритмом вычисления и способами использования самих критериев.

4. Внешние критерии селекции моделей. Уравнение регрессии выбирается по критерию минимума смещения - непротиворечивости, в соответствии с которым требуется, чтобы модели, построенные по части таблицы А, как можно меньше отклонялись от моделей, построенных по части таблицы В. Критерий минимума смещения является базовым, потому что непротиворечивость моделей является обязательным свойством оптимальной модели.

5. Разбиение таблицы данных на части. Основной критерий минимума смешения требует разбиения таблицы данных на две равные части А и В. Обычно таблица исходных данных делится на три части: обучающая А, проверочная В и экзаменационная выборка С. Обучающая выборка используется для получения оценок параметров модели (например, коэффициентов регрессии), а проверочная - для выбора структуры модели.

6. Гипотеза селекции. При использовании принципа селекции в кибернетике необходимо придерживаться следующих правил:

a) для каждого поколения (или ряда селекции модели) существует некоторое минимальное количество отбираемых комбинаций, которые называются свободой выбора и обеспечивают сходимость многорядных селекций модели оптимальной сложности;

b) слишком большое количество поколений приводит к индуциту (информационная матрица становится плохо обусловленной);

c) чем сложнее задача селекции, тем больше нужно поколений для получения модели оптимальной сложности.

7. Принцип сохранения свободы выбора. Свобода выбора обеспечивается тем, что на каждый следующий ряд селекции передается не одно решение, а несколько лучших, отобранных на последнем ряде. Д. Габор сформулировал этот принцип следующим образом: принимать решение в данный момент времени необходимо таким образом, чтобы в следующий момент времени, когда возникнет необходимость в очередном решении, сохранялась бы свобода выбора решений.

8. Применение эвристических методов. Эвристический характер самоорганизации моделей особенно проявляется при выборе опорной функции отдельных моделей, критериев селекции моделей, способа регуляризации, способа нормирования переменных, конкретной реализации последовательного увеличения сложности моделей-претендентов.

9. Одновременное моделирование на разных уровнях общности языка математического описания объектов. Основным моментом в этом принципе является использование многоуровневого моделирования для решения задачи прогнозирования.

Самоорганизация относится к эмпирическим методам моделирования. Эти методы в своей области применения имеют некоторые преимущества по сравнению с теоретическими и полуэмпирическими методами построения моделей. В тех случаях, когда мы наблюдаем параметры исследуемого объекта, но не знаем структуры и механизма взаимодействия между элементами сложной системы, поведение которой определяет значения параметров, подход самоорганизации оказывается единственным надежным средством построения моделей прогноза. С помощью самоорганизации решение можно определить, даже если другими способами получить результаты невозможно. Модели, полученные с помощью самоорганизации, имеют специфическую область применения и особенно эффективны для долгосрочного прогноза. Физические модели, полученные на основе математической теории наблюдаемых объектов, могут преследовать только

полностью определенные опознавательные цели (идентификация и долгосрочный прогноз). Поэтому построение моделей в соответствии с новыми объективными методами самоорганизации делает возможным вместо допущений грубых ошибок предложить модели, которые основываются на надежной информации и получены с помощью самоорганизации.

Внешние критерии оптимальности

Реализация выборки делится на реализацию начальной выборки, с помощью которой оцениваются параметры модели, и реализация проверочной выборки, с помощью которой осуществляется выбор подходящей модели. Критерий регулярности определяет среднеквадратичное отклонение модели на проверочной последовательности.

Список литературы диссертационного исследования кандидат наук Бабков, Александр Сергеевич, 2014 год

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Айвазян С.А. Прикладная статистика. Классификация и снижение размерностей [Текст] // С.А. Айвазян, В.М. Буштабер, И.С. Енюков, Л.Д. Мешалкин - М.: - Финансы и статистика, 1989. - 607 с.

2. Александров В.В. Анализ данных на ЭВМ (на примере СИТО). [Текст] // В.В. Александров, А.И. Алексеев, И.Д. Горский - М.: Финансы и статистика, 1990.-245 с.

3. Алексахин C.B. Прикладной статистический анализ данных. Теория. Компьютерная обработка. Области применения. Книга 1. [Текст] C.B. Алексахин // В 2-х томах. - М.: ПРИОР, 2002. - 688 с.

4. Алексахин C.B. Прикладной статистический анализ данных. Теория. Компьютерная обработка. Области применения. Книга 2. [Текст] C.B. Алексахин // В 2-х томах. - М. ПРИОР, 2002. - 423 с.

5. Артеменко М.В., Бабков A.C. Классификация методов прогнозирования поведения систем // Современные проблемы науки и образования. - 2013. - №

6. - URL: www.science-education.ru/l 13-11527 (дата обращения: 19.07.2014).

6. Артеменко М.В., Серебровский В.В., Бабков A.C. Информационно-аналитическая модель поддержки принятия решений в процессе диагностики рака желудка //Фундаментальные исследования. - 2014. - №6. - С. 18 - 23.

7. Бабков A.C. Алгоритм ранней диагностики рака желудка на основе анализа структуры показателей крови [Текст] / Системный анализ и управление в биомедицинских системах. - М., 2014. - Т. 13 № 2. - С. 463-465.

8. Бабков A.C. Система поддержки принятия решений ранней диагностики рака желудка [Текст] / М.В. Артеменко, В.В. Серебровский, A.C. Бабков // Международная заочная научно-практическая конференция «Актуальные вопросы в научной работе и образовательной деятельности». - Тамбов, 2014. - С. 24-26.

9. Бабков A.C. Системная оценка коэффициентов уверенности различий между диагностическими классами в условиях выборок [Текст] / A.C. Бабков // VI Международной студенческой электронной научной конференции

«СТУДЕНЧЕСКИЙ НАУЧНЫЙ ФОРУМ 2014». - Москва, 2014. - URL: http://www.scienceforum.ru/2014/763/5960 (дата обращения: 19.07.2014).

10. Бабков A.C. Технология применения системы поддержки принятия решения необходимости клинического обследования рака желудка // Материалы международной научно-практической конференции «Интегративные процессы в образовании и медицине -2014». - Курск, 2014. -С. 24-33.

11. Бабков A.C. Формирование выборок фактологического материала диагностических систем с оценкой квалификационных возможностей [Текст] / A.C. Бабков // Международная заочная научно-практическая конференция «Актуальные вопросы в научной работе и образовательной деятельности». -Тамбов, 2014.-С. 23-24.

12. Бабков A.C. Формирование информативного признакового множества // X Международная научно-практическая конференция «Научный прогресс на рубеже тысячелетий — 2014». - Прага, 2014. - С. 98-101.

13. Бабков A.C., Серебровский В.В. Артёменко М.В. Синтез решающих правил ранней диагностики рака желудка на основе анализа связей между показателями крови // Материалы международной научно-практической конференции «Интегративные процессы в образовании и медицине -2014». -Курск, 2014.-С. 33-42.

14. Боровников В.П. Statistica для студентов и инженеров. - М.: Компьютер Пресс, 2011.-301 с.

15. Валенкевич JI.H., Яхонтова О.И. Болезни органов пищеварения: рук-во по гастроэнтерологии для врачей. - СПб.: ДЕАН, 2006. - 656 с.

16. Вапник В., Червоненкис А. Теория распознавания образов. - М.: Наука, 1974. -416 с.

17. Васильев Н.С., Панов, В.М. «Имитационное моделирование сложных систем» - М.: Практика, 1998.

18. Воронцов И.М., Шаповалов В.В., Баранов A.A., Кучма В.Р., Маталыгина O.A. Руководство по применению автоматизированных

технологий скрининг диагностики нарушений здоровья детей в образовательных учреждениях (под редакцией академика A.A. Баранова и профессора В.Р. Кучмы) - СПб: РОШУМЗ, 2010. - 77 с.

19. Воронцов И.М., Шаповалов В.В., Шерстюк Ю.М. Здоровье. Опыт разработки и обоснование применения автоматизированных систем для мониторинга и скринирующей диагностики нарушений здоровья. - СПб.: ООО «ИПК «Коста»Б, 2006. - 432 с.

20. Воронцов И.М., Шаповалов В.В., Шерстюк Ю.М. Здоровье. Опыт разработки и обоснование применения автоматизированных систем для мониторинга и скринирующей диагностики нарушений здоровья. - СПб.: ООО «ИПК «Коста»Б, 2006. - 432 с.

21. Гайдышев И.П. Анализ и обработка данных: специальный справочник. - СПб.: Питер, 2001. - 752 с.

22. Гланц С. Медико-биологическая статистика. Пер. с англ. - М.: Практика, 1999.-259 с.

23. Глухов A.A. Статистика в медицинских исследованиях [Текст] // A.A. Глухов A.M., Земсков H.A., Степанян A.A., Андреев А.Н., Рог Э.В., Савенюк И.Н., Химина В.А. - Воронеж: Изд-во «Водолей», 2005. - 158 с.

24. Горелик A.JI. Методы распознавания. [Текст] // A.JI. Горелик, В.А. Скрипкин - М.: Высшая школа, 1984. - 258 с.

25. Горелов B.JI, Мельникова E.H. Основы прогнозирования систем. - М.: высш.шк., 1986. - 287 с.

26. Горяинова Е.Р., Панков А.Р., Платогнов E.H. Прикладные методы анализа статисических данных. - М:Изд.дом Высшей школы экономики, 2012. -310 с.

27. Давыдов М.И., Аксель Е.М. Заболеваемость злокачественными новообразованиями населения России и стран СНГ в 2007 г. - М.: Вестник РОНЦ им. Н. Н. Блохина РАМН, т.20, №3 (прил. 1), 2009. - С. 120-134.

28. Дифференциальная диагностика внутренних болезней // Под ред. В.В. Щекотова. - Ростов-на-Дону: Феникс, 2007. - 592 с.

29. Доверительные интервалы прогноза [Электронный ресурс] // Структурно-логические схемы: сайт. — URL: Ьйр://схемо.рф/8Ьету/уекопот1ка/уекопоте1г1ка-у-8ЬетаЬ-1-1аЬНсаЬ-рос1-гес1-prof-orehova-s-a-2008-g/8047.html (дата обращения 29.06.2013).

30. Дуброва, Т. А. Статистические методы прогнозирования [Текст]: Учебное пособие для вузов // Т.А. Дуброва. - М.: ЮНИТИ-ДАНА, 2003. - 206 с.

31. Дюк В., Эммануэль В. Информационные технологии в медико-биологических исследованиях. - СПб: Питер, 2003. - 528 с.

32. Елисеева H.H. Общая теория статистики [Текст] // H.H. Елисеева, М.М. Юзбашев // Учебник под ред. И.И. Елисеевой. - 4-е изд., перераб. и доп. - М.: Финансы и статистика, 2003. - 480 с.

33. Емельянов С.Г. Формальные грамматики и грамматические сети. Особенности применения при решении задач распознавания и обработки сложноструктурированных разнородных данных и знаний [Текст] // С.Г. Емельянов, A.B. Николаев. - М.: Высш. шк., 2005. - 251 с.

34. Жуков H.H. Метод многомерной статистической фильтрации разновидной геологическрй информации для решения задач картирования и прогноза. - Киев, 1997. - 48 с.

35. Завьялов A.B. Системная организация физиологических функций в норме и патологии: Актовая речь на заседании Ученого совета Курского государственного медицинского университета 8 февраля 2005 г. - Курск, КГМУ, 2005. - 20 с.

36. Заде JI.A. Понятие лингвистической переменной и ее применение к принятию приближенных решений. // JI.A. Заде - М.: Мир, 1976. - 312 с.

37. Зайцев В.М., Лифляндский В.Г., Маринкин В.И. Прикладная медицинская статистика: Учебное пособие. - СпбЮОО «Издательство ФОЛИАНТ», 2006.- 432 с.

38. Зайцев. М.Г., Варюхин C.B. Методы оптимизации управления и принятия решений. Примеры, задачи, кейсы. Изд-во Академия народного

хозяйства. -2011 . - 640 с.

39. Ивахненко А.Г. Долгосрочное прогнозирование и управление сложными системами. -М.: Техника, 1975. -313 с.

40. Ивахненко А.Г., Юрачковский, Ю.П. Моделирование сложных систем по экспериментальным данным. - М.: Радио и связь, 1987. - 118 с.

41. Исаева Н.М. Системный подход к математическому моделированию в биологии и медицине // Н.М. Исаева, Т.н. Субботина // Вестник новых медицинских технологий. - 2000. - T.VII №3 - 4 .- 25 с.

42. Касьянов В.О. Суб'ективний анагпз. Монография. - Киев: НАУ, 2007. -512 с.

43. Клюшин Д., Петунин Ю. Доказательная медицина. Применение статистических методов . - Вильянс: Диалектика, 2008. - 320 с.

44. Коптева H.A. Прогнозирование возникновения заболеваний работников сельскохозяйственного производства [Текст] // H.A. Кореневский, В.И. Серебровский, H.A. Коптева - Курск: изд-во Курск, гос. с.-х. ак., 2005. - 35 с.

45. Кореневский H.A., Попечителев Е.П., Филист С.А. Проектирование электронной медицинской аппаратуры для диагностики и лечебных воздействий. - Курск: Курск, гор. типография, 1999. - 537 с.

46. Кореневский H.A., Рябкова Е.Б. Метод синтеза нечетких решающих правил по информации о геометрической структуре многомерных данных // Вестник Воронежского государственного технического университета 2011г. -Т.7, №8. - С.128-137.

47. Костенко И.П. Введение в вероятностное прогнозирование. - Ижевск: Институт компьютерных исследований, 2004. - 316 с.

48. Котов Ю.Б. Новые математические подходы к задачам медицинской диагностики. - М.: Единоториал УРСС, 2004. -328 с.

49. Кровь - индикатор стояния организма и его систем // Под ред. Р.В. Ставицкой. - М.: МНПИ, 1999. - 160 с.

50. Круглов В.В., Нечеткая логика и искусственные нейронные сети [Текст] // В.В. Круглов, М.И. Дли, Р.Ю. Годунов. - М.: Физматлит, 2001.-221 с.

51. Лбов Г.С. Методы обработки разнотипных экспериментальных данных [Текст] // Г.С. Лбов. - Новосибирск: Наука, 1981.-287 с.

52. Леоненков А. Нечеткое моделирование в среде MATLAB и fuzzyTECH [Текст] // А. Леоненков. - СПб.: Изд. BNV, 2008. - 736 с.

53. Мультипликативная аппроксимация методом группового учета аргументов // Свидетельство об официальной регистрации программы для ЭВМ № 2007611654 от 25.04.2007

54. Новак В. Математические принципы нечеткой логики [Текст]:пер. с англ. // В. Новак, И. Перфильева, И.М. Мочкрож. - М.: Физматлит, 2006. - 352 с.

55. Новосельцев В.И. Теоретические основы системного анализа [Текст] // В.И. Новосельцев, Б.В. Тарасов, В.А. Голиков, Б.Е. Демин // Под ред. В.И. Новосельцева. - М.: Майор, 2006. - 592 с.

56. Оболенский А.Н., Кореневский H.A., Артеменко М.В. Интегральное применение иммунных сетей и корреляционного анализа для выявления патологий в электрокардиосигнале // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика.-2012. - №2,4.3.-С. 351-356.

57. Обрезан А.Г., Шайдаков Е.В., Стрельников A.A. Скрининг и профилактика актуальных заболеваний. - Спб.: Спецлит Спб, 2012.

58. Омельченко В., Демидова А. Математика. Компьютерные технологии в медицине. -М.: Из-тво Феникс, 2010. - 592 с.

59. Попечителев Е.П. Методы медико-биологических исследований. Системные аспекты [Текст]: учеб. Пособие // Е.П. Попечителев. - Житомир, 1997.- 186 с.

60. Попечителев Е.П. Системный анализ медико-биологических исследований // Е.П. Попечителев; Санкт-Петербургский государственный электротехнический университет им. В.И. Ульянова (Ленина) «ЛЭТИ». -Саратов: Науч. книга, 2009. - 366 с.

61. Портной Л.М., Статник Г.А. Нужна ли современная диагностика рака

желудка? // Медицинская визуализация, №3. - С. 23-34.

62. Рак желудка: симптомы, диагностика, лечение, профилактика [Электронный ресурс]. - Режим доступа: http://natural-medicine.ru/4127-rak-zheludka.html (дата обращения 18.02.2014).

63. Рангайн P.M. Анализ биомедицинских сигналов. Практический подход // Пер.с англ. Под ред. А.П. Немирко. - М.: ФИЗМАТЛИТ, 2010. - 440 с.

64. Романко В.К. Разностные уравнения. Учебное пособие. - М.: Издательство Бином, 2006. - 113 с.

65. Рыков A.C. Модели и методы системного анализа: принятие решений и оптимизация// Учебное пособие для вузов . - М.: Издательский дом «Руда и металлы», 2005. - 352 с.

66. Соленова Л.Г., Михайловский Н.Я., Смулевич В.Б. Первичная профилактика рака: Информ. бюл. 2009. URL: http://www.ppr-info.ru/attachments/158 PPR-1 9.pdf (дата обращения 29.06.2014).

67. Соловьев И.В., Майорогв A.A. Проектирование информационных систем. Фундаментальный курс. // под ред. В.П. Савиных. - М.: Академический проект, 2009. - 398 с.

68. Строгалев В.П., Толкачева И.О. Имитационное моделирование: Учеб. Пособие. - М.: изд-во МГТУ им. Н.Э. Баумана, 2008.-280 с.

69. Туйман А.Е. Анализ показателей погрешности для оценки качества прогнозирования. - Омск. - 32 с.

70. Устинов А.Г. Автоматизированные медико-технологические системы в 3-х частях [Текст] // А.Г. Устинов, В.А. Ситарчук, Н.А, Кореневский // Под ред. А.Г. Устинова. Монография. - Курск, КурскГТУ, 1995. - 390 с.

71. Фролов В.Н. Управление в биологических и медицинских системах [Текст]: учеб. Пособие // В.Н. Фролов. Под ред. д-ра техн. наук, проф. Я.Е. Львовича и д-ра мед. наук, проф. М.В. Фролова. - Воронеж: Воронеж, гос. техн. ун-т., 2001. - 327 с.

72. Хадарцев A.A. Информационные технологии в медицине: монография-Тула, 2006. - 272 с.

73. Хадарцев A.A., Соколов Э.М. Интеграция медицинской науки, образования и практической деятельности. // В сб.: Тезисы докладов научно-практической конференции «50 лет сотрудничества». - Тула, 1997. - С. 268271.

74. Черноусов А.Ф. Ранний рак и предопухолевые заболевания желудка. -М: ИздАТ, 2002. - 253 с.

75. Черноусов А.Ф., Черноусов Ф.А., Селиванова И.М. Радикальное хирургическое лечение раннего рака желудка. -М.: Хирургия. Журнал им. Н.И. Пирогова, 2004. - №7.

76. Шаповалов В.В., Ахутин В.М. Формальная модель автоматизированной системы профилактических осмотров населения. - М.: Медицинская техника, №1,2002. - С. 3-7.

77. Шаповалов В.В., Маталыгина O.A., Воронцов И.М. Эволюция автоматизированной системы профилактических осмотров детей в автоматизированный комплекс для диспансерных обследований. - М.: Медицинская техника, №3, 2005. - С. 18-21.

78. Шебшаевич Л.Г., Алексеев A.A. Жизнь - кибернетическая медико-биологическая системность («Геном человека», клонирование - критический анализ). - М.: Триада Плюс, 2001. - 608 с.

79. Шепитько Г.Е. Социальное прогнозирование и моделирование. - М.: РИО Академии ЭБ МВД России, 2005. - 150 с.

80. Шмак А.И Рак желудка: факторы риска, профилактика, диагностика и лечение: метод, пособие // А.И. Шмак. - Минск, 2007. - 12 с.

81. Яхъяева Г.Э. Нечеткие множества и нейронные сети. Учебное пособие [Текст] // Г.Э. Яхъяева. - М.: Интернет-университет информационных технологий; БИНОМ. Лаборатория знаний, 2006. - 316 с.

82. Allum W.H., Powell D.J., McConkey С.С. et al. Gastric cancer: a 25 year review // Brit. J. Surg. - 1989. - Vol. 76. - P. 535-540.

83. Blot W.J., Devesa S.S., Kneller R.W., Fraumeni J.F. Rising incidence of adenocarcinoma of the esophagus and gastriccardia // JAMA. - 1999. - Vol. 265. -

84. Chisato H., Daisuke S. The Japanese Guidelines for Gastric Cancer Screening // Jpn. J. Clin. Oncol. - 2008. - Vol. 38 . - P. 259-267.

85. Choi M.G., Lee J.H., Park K.J., Yang H.K., Park J.G., Lee K.U. et al. Chronological changes of clinicopathologic features in gastric cancer // J. Korean. Surg. Soc. - 1999. - Vol. 57. - P. 514-522.

86. Crew K.D., Neugut A.I. Epidemiology of gastric cancer // World J. Gastroenterol. - 2006. - Vol. 12. - P. 354-362.

87. Dr Knut Schroeder Diagnosing Your Health Symptoms for Dummies. - John Wiley & Sons Ltd, 2010.

88. Dr Terry Priestman The Cancer Survivor's handbook. - Sheldon Press, 2009.

89. Finegan W.C. Being a Cancer Patient's Carer: A Guide. - Radcliffe Publishing Ltd, 2005.

90. Finegan W.C. Being a Cancer Patient's Carer: A Guide. - Radcliffe Publishing Ltd, 2005.

91. Geiger C. The Cancer Survivors Club. - CKG Ventures Ltd, 2012.

92. Hattori Y., Tashiro H., Kawamoto T. et al. Sensitivity and specificity of mass screening for gastric cancer using the measurement of serum pepsinogens // Jpn. J. Cancer Res. - 1995. - Vol. 86. - P. 1210-1215.

93. Hosokawa O., Hattori M., Takeda T., Watanabe K., Fujita M. Accuracy of endoscopy in detecting gastric cancer // J. Gastroenterol. Mass. Surv. - 2004. - Vol. 42.-P. 33-39.

94. Jemal A, Bray F, Center MM, Ferlay J, Ward E, Forman D. Global cancer statistics. - CA Cancer J Clin 2011. - P. 69-90.

95. Jemal A., Siegel R., Ward E., Murray T., Xu J., Thun M.J. Cancer statistics, 2007 // CA Cancer J. Clin. - 2007. - Vol. 57. - P. 43-66.

96. Kazuo Tanaka, Hua O. Wang Fuzzy Control Systems Design and Analysis: A Linear Matrix Inequality Approach. 2001. John Wiley &Sons, INC. ISBNS: 0-47132324-1 (Hardback). - 305 p.

97. Kazuo Tanaka, Hua O. Wang Fuzzy Control Systems Design and Analysis: A Linear Matrix Inequality Approach. 2001. John Wiley &Sons, INC. ISBNS: 0-47132324-1 (Hardback). - 305 p.

98. Kitahara F., Kobayashi K., Sato T. et al . Accuracy of screening for gastric cancer using serum pepsinogen concentrations // Gut. - 1999. - Vol. 44. - P. 693697.

99. Klir, George, J., Ute H. St. Clair, and Bo Yuan. Fuzzy Set Theory Foundations and. Applications. - Prentice-Hall, Inc., 1997. - 345p.

100. Kodoi A., Yoshihara M., Sumii K. et al. Serum pepsinogen in screening for gastric cancer // J. Gastroenterol. - 1995. - Vol. 30. - P. 452-460.

101. Korenevskii, N.A., Khodeev, D.V., Yatsun S.M. "Prediction of genesis and development of skin diseases at bioactive sites using fuzzy decision rules" Biomedical Engineering. Springer New York. Volume 42, Number 2 / March 2008. pp. 60-63. ISSN 0006-3398 (Print) 1573-8256 (Online).

102. Korenevskii, N.A., Krupchatnikov, R.A., Gorbatenco, S.A. "Generation of fuzzy network models taught on basis of data structure for medical expert systems" Biomedical Engineering. Springer New York. Volume 42, Number 2 / March 2008. pp. 67-72. ISSN 0006-3398 (Print) 1573-8256 (Online).

103. Kunisaki C., Ishino J., Nakajima S. et al. Outcomes of mass screening for gastric carcinoma // Ann. Surg. Oncol. - 2006. - Vol. 13. - P. 221-228.

104. Martin S Karpeh, David P Kelsen, Joel E Tepper. Cancer of the Stomach Cancer: Principles and Practice of Oncology, 7th Edition Published by Lippincott Williams & Wilkins, Copyright. -2005.

105. Miki K. Gastric cancer sc reening using the serum pepsinogen test method // Gastric Cancer. - 2006. - Vol. 9. - P. 245-253.

106. Mukoubayashi C., Yanaoka K., Ohata H. et al. Serum pepsinogen and gastric cancer screening // Intern. Med. - 2007. - Vol. 46. - P. 261-266.

107. Murakami R., Tsukuma H., Ubukata T., Nakanishi K., Fujimoto I., Kawashima T. et al. Estimation of validity of mass screening program for gastric cancer in Osaka, Japan // Cancer. - 1990. - Vol. 65. - P. 1255-1260.

108. Oishi Y., Kiyohara Y., Kubo M. et al. The serum pepsinogen test as a predictor of gastric cancer // Amer. J. Epidemiol. - 2006. - Vol. 163. - P. 629-637.

109. Orchard A. Their Cancer, Your Journey: A Traveller's Guide for Carers, Family and Friends. - Rainbow Heart Publishing, 2008.

110. Otsuji M., Kouno Y., Otsuji A., Tokushige J., Shimotatara K., Arimura K. et al. Assessment of small diameter panendoscopy for diagnosis of gastric cancer: comparative study with follow up survey date // Stomach and Intestine. - 1989. -Vol. 24.-P. 1291-1297.

111. Parkin D.M. Global cancer statistics in the year 2000 // Lancet oncology. -2001. - Vol. 2, Sept. - P. 533-543.

112. Parsonnet J., Friedman G.D., Vandersteen D.P. et al. Helicobacter pylori infection and the risk of gastric carcinoma // N. Engl. J. Med. - 1991. - Vol. 325. -P. 1127.

113. Pierluigi Cocco, Mary H. Ward, Eva Buiatti Occupational Risk Factors for Gastric Cancer: an Overview. - USA, The Johns Hopkins University School of Hygiene and Public Health, vol. 18, No. 2, 1996. - P. 219-234.

114. Portnoi L.M., Kazantseva I.A., Isakov V.A. et al. Gastric cancer screening in selected population of Moscow region: retrospective evaluation // Europ. Radiol. -1999.-Vol. 9, №4.-P. 701-705.

115. Riad Taha Al-Kasasbeh, Korenevskii N.A., Ionescu F., Kuzmin A.A. "Synthesis of the Combined Fuzzy Rules for Medical Applications with Using Tools of Exploration Analysis". Proc. 4th IAFA Intern. Conferece Interdisciplinary Approaches in Fractal Analysis, Bucharest, Pomania, May 26029, 2009 ISSN 20664451, pp. 71-78.

116. Riecken B., Pfeiffer R., Ma J.L., Jin M.L., Li J.Y., Liu W.D. et al. No impact of repeated endoscopic screens on gastric cancer mortality in a prospectively followed Chinese population at high risk // Prev. Med. - 2002. - Vol. 34. - P. 2228.

117. Statistics and Information Department, Ministry of Health, Labour and Welfare // Report on the health services for the elderly. - 2002.

118. Tashiro A., Sano M., Kinameri K., Fujita K., Takeuchi Y. Comparing mass screening techniques for gastric cancer in Japan // World J. Gastroenterol. - 2006. -Vol. 12.-P. 4873-4874.

119. Tsubono Y., Hisamichi S. Case control studies of screening for gastric cancer in Japan // J. Gastroenterol Mass. Surv. - 1999. - Vol. 37. - P. 182-185.

120. Tsubono Y., Hisamichi S. Screening for gastric cancer in Japan // Gastric. Cancer. - 2000. - Vol. 3.-P. 9-18.

121. Tsukuma H., Oshima A., Nakahara H., Morii T. Natural history of early gastric carcer: a non#concurrent, long term, follow up study // Gut. - 2000. - Vol. 47. - P.618-621.

122. Uemura N., Okamoto S., Yamamoto S. et al. Helicobacter pylori infection and the development of gastric cancer // N. Engl. J. Med. - 2001. - Vol. 345. - P. 784789.

123. URL: http://www.rusmedserv.com/files/labdiag/25_onkomarkery.pdf.

124. URL: http://www.science-education.ru/113-11527 (дата обращения: 18.02.2014).

125. Wai К. Leung, Ming-shiang Wu, Yasuo Kakugawa. Screening for gastric cancer in Asia: current evidence and practice // Lancet. Oncol. - 2008. - Vol. 9. - P. 279-287.

126. Watabe H., Mitsushima Т., Yamaji Y., Okamoto M., Wada R., Kokubo T. et al. Predicting the development of gastric cancer from combining Helicobacter pylori antibodies and serum pepsinogen status: a prospective endoscopic cohort study // Gut. - 2005. - Vol.54. - P. 764-768.

127. Yamagata H., Kiyohara Y., Aoyagi K. et al. Impact of Helicobacter pylori infection on gastric cancer incidence in a general Japanesepopulation // Arch. Intern. Med. - 2000. - P. 1962-1968.

128. Young Min Kwon, Hyung Taek. Lim Factors associated with use of gastric cancer screening services in KoreaWorld // J. Gastroenterol. - 2009, August 7. -Vol. 15.-P. 3653-3659.

129. Zadeh, L. A. Advances in Fuzzy Mathematics and Engineering Fuzzy Sets and

Fuzzy information-Granulation Theory. Beijing Normal University Press. 2005. ISBN 7-303-05324-7.