Компьютерная диагностика вероятностными методами и ее использование для дифференциальной диагностики механической и паренхиматозной желтух тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат технических наук Жмудяк, Александра Леонидовна

• Жмудяк, Александра Леонидовна
• кандидат технических наук
• 2008

Оглавление диссертации кандидат технических наук Жмудяк, Александра Леонидовна

ВВЕДЕНИЕ.

ТЕРМИНЫ, СОКРАЩЕНИЯ, ОБОЗНАЧЕНИЯ, ПОЯСНЕНИЯ.

ГЛАВА 1 СОСТОЯНИЕ ПРОБЛЕМЫ.

1.1 Обзор методов диагностики с использованием искусственного интеллекта.

1.2 Медицинская диагностика желтух.

ГЛАВА 2 ТЕОРЕТИЧЕСКОЕ ОБОСНОВАНИЕ РАЗРАБОТАННЫХ МЕТОДИК .:.

2.1 Совмещение медицинского и математического подходов к диагностике заболеваний.

2.1.1 О диагностике на основе моделирования.

2.1.2 Использование условных вероятностей.

2.1.3 Дополнение статистики и уточнение распределений.

2.2 Использование многомерных распределений.

2.3 Байесовский подход к диагностике с учетом взаимозависимости диагностических признаков и динамики заболеваний.

2.3.1 Использование формулы Байеса.

2.3.2 Учет динамики заболеваний при байесовском подходе.

2.3.3 О совмещении методов диагностики.

2.4 Оценка результатов диагностики.

2.4.1 Уровень надежности и неопределенный диагноз.

2.4.2 Устойчивость диагноза.

2.4.3 Надежность постановки диагноза расчетными методами.

2.4.4 Критерий эффективности диагностики.

2.4.5 Влияние отдельного ДП на диагноз.

2.5 Имитационные модели болезней и исследование на них теоретических вопросов.

ГЛАВА 3 БАЗА ДАННЫХ, ВЕРОЯТНОСТИ И ПЛОТНОСТИ ВЕРОЯТНОСТЕЙ ДИАГНОСТИЧЕСКИХ ПРИЗНАКОВ.

3.1 Характеристика статистических данных.

3.1.1 Относительная частота механической и паренхиматозной желтух.

3.1.2 Диагностические признаки.

3.2 Дискретные и непрерывные диагностические признаки, построение гистограмм.

3.2.1 Дискретные и непрерывные диагностические признаки.

3.2.2 Особенности построения гистограмм непрерывных диагностических признаков.

3.3 Построение искусственных распределений.

3.4 Построение многомерных распределений.

3.5 Особенности работы со статистической базой данных.

3.6 Исследование взаимозависимости диагностических признаков.

3.6.1 Независимые и зависимые диагностические признаки в формуле Байеса

3.6.2 Экспертная оценка зависимости признаков.

3.6.3 Наборы (ядра) независимых признаков.

ГЛАВА 4 МАРКЕРЫ ГЕПАТИТОВ И ИХ ИСПОЛЬЗОВАНИЕ ПРИ ДИАГНОСТИКЕ.

4.1 Общая схема диагностики на основе маркеров гепатитов.

4.2 Использование сочетаний маркеров гепатитов.

4.2.1 Вирусный гепатит А.

4.2.2 Вирусный гепатит В.

4.2.3 Вирусный гепатит С.

4.3 Диагностика на основе динамики маркеров.

4.3.1 Динамика маркеров и стадии болезни.

4.3.2 Хронология (формирование хронологии, расстановка моментов) стадий болезни.

4.3.3 Общий алгоритм диагностики на основе динамики маркеров.

ГЛАВА 5 УЧЕТ ДИНАМИКИ ЗАБОЛЕВАНИЙ ПРИ ДИАГНОСТИКЕ.

5.1 Методика учета динамики и взаимозависимость диагностических признаков

5.2 Диагностика при многократном определении признака.

5.3 Влияние лечения на динамику заболевания.

ГЛАВА 6 ПРОГРАММА, РЕЗУЛЬТАТЫ И СРАВНЕНИЕ МЕТОДОВ ДИАГНОСТИКИ.

6.1 Программная система.

6.2 Использование уровня надежности и коэффициента эффективности для оценки качества диагностики.

6.3 Серия экспериментов при различных приемах формирований распределений.

6.4 Серия экспериментов при различных приемах формирования базы данных

6.5 Серия экспериментов с использованием многомерных распределений.

6.6 Серия экспериментов с учетом динамики заболеваний.

6.7 Результаты байесовской диагностики с учетом динамики заболеваний.

6.8 Сравнение результатов дифференциальных диагностик методами Байеса, дискриминантного анализа, классификационных деревьев и нейронных сетей

Введение диссертации (часть автореферата) на тему «Компьютерная диагностика вероятностными методами и ее использование для дифференциальной диагностики механической и паренхиматозной желтух»

Несмотря на обширные исследования в области математических методов диагностики, диагностические программы еще недостаточно совершенны. Это является одной из причин их крайне редкого использования в больницах и поликлиниках, хотя диагностика заболеваний с использованием программно реализованных математических методов является для врача таким же инструментом, как расчеты для инженера: расчетная диагностика не заменяет врача, но помогает ему.

Для создания более совершенных программ необходимо ставить и решать теоретические вопросы диагностики, развивать методики диагностики численными методами и приобретать практический опыт диагностики конкретных заболеваний.

Автором сделана попытка посмотреть на численные методы диагностики как с математической, так и с медицинской точек зрения. Это привело к рассмотрению ряда важных вопросов: совмещения медицинского и математического подходов к диагностике, диагностики с учетом многократно определенных диагностических признаков, учета взаимозависимости диагностических признаков и др.

В диссертации численные методы использованы для дифференциальной диагностики механической и паренхиматозной желтух. Приведем причины актуальности этой диагностической задачи. Паренхиматозная желтуха обусловлена вирусными и иными заболеваниями печёночной клетки, которые лечатся терапевтически. Механическая желтуха является следствием перекрытия желчных путей, например, камнями или опухолью и всегда предполагает необходимость срочного хирургического лечения. Схожие проявления совершенно разных по природе и тактике лечения заболеваний приводят к частым диагностическим ошибкам с тяжелыми последствиями.

ТЕРМИНЫ, СОКРАЩЕНИЯ, ОБОЗНАЧЕНИЯ, ПОЯСНЕНИЯ

Аббревиатуры.

Аббревиатуры, используемые во всех разделах и разделах, связанных с методами диагностики.

ДП - «диагностические признаки». Под ДП понимаются: регистрационно-биографические данные (пол, возраст и т.п.), данные анамнеза, симптомы заболевания, анализы, данные инструментальных обследований пациента и др.

Аббревиатуры, используемые преимущественно в разделах, связанных с медицинскими данными и вопросами.

AJIAT - ферменты аланинаминотрансфераза,

AC AT - ферменты аспартатаминотрансфераза,

МЖ - механическая желтуха,

УЗИ - ультразвуковое исследование,

Индексы j = 1,2,3,., п - номер болезни; / = 1,2,3,., т - номер ДП; t = 1,2,3,., г(/) - момент (день), отсчитываемый с начала болезни.

Отсутствие индекса t говорит о том, что есть информация только за один день (момент) или о том, что рассматривается множество величин, относящихся к моментам tl} t2, tз,—> т. Обозначение т(/) использовано потому, что для разных

ДП число дней, в которые ДП определялись, разное. о» - индекс, указывающий, что величина ДП получена обследованием диагностируемого пациента. (Отсутствие этого индекса указывает на то, что величина ДП относится не к обследованию конкретного пациента, а к другим источникам информации: данным о течении болезни, статистике величин ДП при болезни J и т.п.)

Термины

Выборочную относительную частоту для краткости также будем называть вероятностью, соответственно, выборочную плотность относительной частоты — плотностью вероятности.

Непрерывно распределенные ДП для краткости также будем называть непрерывными ДП. Величины ftj - доля больных болезнью j среди больных диагностируемыми болезнями.

Р — совокупность (распределение) вероятностей диагностируемых болезней у пациента, например, Р(Р\,Рг}-> гДе Р\> Pi ~ вероятности соответственно первой и второй болезней. а — величина (точнее, количественное выражение) диагностического признака, рассматриваемая как алгебраическая переменная. dj — величина а для /-го ДП, например, СОЭ=28 или «есть боль», т.е. «а» может быть непрерывной или дискретной величиной. aoi - конкретное значение z -го ДП, полученное в результате обследования пациента. aoi - то же, полученное в день t. q — распределение, то есть распределение вероятностей дискретного ДП, или плотность распределения вероятностей непрерывного ДП (непрерывно распределенного ДП). Кроме того, q обозначает распределение сочетания ДП -распределение многомерного ДП. Обозначение q используется для распределений, полученных статистически или моделированием. qtj(ai) - распределение /-го ДП при болезни j в момент (день) t; распределение получено сбором статистики или относится к модели, к траектории болезни и определяет вероятности или плотности вероятностей при всех значениях ДП. Такое обозначение подчеркивает, что плотность вероятности есть функция от величины а, от величины ДП. Когда очевидна зависимость плотности распределения от величины а, можно использовать более краткое обозначение: ч'г

Qj(aoi) ~~ вероятность г-го ДП величиной aoi при болезни j в день t. Вообще говоря, два индекса t в одном обозначении - излишняя информативность, т.к. очевидно, что если ДП величиной aoi определен в день t, то для определения вероятности или плотности вероятностей разумно использовать распределение q^cii) только в этот же день t. То есть можно обойтись обозначением qj(aoi). qj(at) = ai)iqt?'(ai),qtj(ai)i.9qTj(ai)^ - совокупность распределений

ДП i при болезни j во все моменты (дни) заболевания. qj(ai) без верхнего индекса t также используется как эквивалент q^a^, когда из контекста ясно, что речь идет об одном дне, или когда временной параметр не рассматривается. ч)(аы) ~ средняя ордината распределения вблизи величины асы, полученной в результате обследования пациента. Когда интервал вблизи величины aoi мал, qj(aoi) приближается к qtj(atoi). Пояснения к тексту

Пояснения и замечания вынесены в приложение А, которое так и названо: «Пояснения и замечания». Ссылка на пояснения представляет собой букву «П» с цифрами, отделенными от буквы «П» пробелом. Первые цифры обозначают номер подраздела, в котором находится комментируемый текст, последняя цифра (написанная через тире) - порядковый номер пояснения в данном подразделе.

Заключение диссертации по теме «Математическое моделирование, численные методы и комплексы программ», Жмудяк, Александра Леонидовна

Все основные результаты диагностики с использованием различных методических приемов сведены в сравнительную таблицу 6.17. В таблице представлены численные эксперименты предыдущих разделов и результаты диагностики с учетом динамики одномерных ДП по выработанным рекомендациям, в соответствии с которыми сильнозависимые многократно определенные значения ДП усредняются (в главе 5, в разделе 5.1, такой подход условно назван вторым приближением).

Список литературы диссертационного исследования кандидат технических наук Жмудяк, Александра Леонидовна, 2008 год

1. Представление и использование знаний/ под ред. X. Уэно, М. Исудзука. М.: Мир, 1989. - 220 с.

2. Элти, Дж. Экспертные системы: концепции и примеры / Дж. Элти, М. Кумба. М.: Финансы и статистика, 1987.-191 с.

3. Таунсенд, К. Проектирование и программная реализация экспертных систем на ЭВМ / К. Таунсенд, Д. Фохт. М.: Финансы и статистика, 1990 — 234 с.

4. Уотермен, Д. Руководство по экспертным системам: пер. с англ. / Д. Уотермен. М.: Мир, 1989. - 388 е.: ил.

5. An expert system for the diagnosis of epilepsy: results of a clinical trial / S. V. Thomas et al. // Natl Med J India. 2001. - Sep-Oct; 14(5). - P. 274-276.

6. Экспертная система прогнозирования течения рака предстательной железы как результат базы данных канцер-регистра Электронный ресурс. / О. В. Леонов [и др.] Электронные данные. - Режим доступа: http://www.oncourolog.ru /conference/2/4/ 10.html.

7. Экспертные системы Электронный ресурс. — Электронные данные. -Режим доступа: http://www.mari-el.ru/mmlab/home/AI/78/.

8. Экспертная система Электронный ресурс. Электронные данные. -Режим доступа: http://rdc.dp.ua.

9. Диагностика коматозных состояний Электронный ресурс.— Электронные данные. Режим доступа: http://www.adminru.com/support/ download r.htm

10. Экспертная система Vertigo Электронный ресурс. Электронные данные. - Режим доступа.:http://ivanovtver.chat.ru/pageapp.htm.

11. Expert systems. Computers as sages by Howard Rheingold Электронный ресурс. Электронные данные. — Режим доступа: http://www.atariarchives.org163index.php

12. Экспертные системы медицинской диагностики. Достоинства и опыт реализации, обоснование экономической эффективности Электронный ресурс. Электронные данные. - Режим flocTyna:http://diagnos.ru.

13. Экспертная диагностическая система Вест-синдром Электронный ресурс. Электронные данные. — Режим доступа: http://www.pedklin.ru/history /history.htm.

14. Место информационных технологий в практике здравоохранения Электронный ресурс. Электронные данные. — Режим доступа: http://www.med-tech.com.ua/articles .

15. Проверим алгеброй болезнь. Новейшие компьютерные технологии на службе диагностики Электронный ресурс. Электронные данные. - Режим доступа: http://www.medvestnik.ru/index.html.

16. Программа «Прогноз развития мозгового инсульта» Электронный ресурс. Электронные данные. — Режим доступа: http://www.port.odessa.ua7 medic/misc/files /insult.zip.

17. Follicular Neoplasms of the Thyroid: Decision Tree Approach Using Morphologic and Morphometric Parameters / V. Deshpande etc. // Acta Cytol. -1997.-V. 41.-P. 369-376.

18. Использование продукционных правил для дифференциальной диагностики болезни Шегрена / О. И. Щербаченко и др. // Прикладные информационные аспекты медицины. — 2000. — Т.З, №2. — С. 12-18.

19. Savasere, A. An Efficient Algorithm for Mining Association Rules in Large Databases / A. Savasere, E. Omiecinski, S. Navathe // In Proc. 21st Int'l Conf. Very Large Data Bases / Morgan Kaufmann San Francisco, 1995. - P. 14-18.

20. Дифференциальная диагностика желтух Электронный ресурс. -Электронные данные. Режим доступа: http://www.port.odessa.ua/medic/misc /files/medorders.zip.

21. Мингалеев, А. А. Компьютерная система диагностики болезней внутренних органов Электронный ресурс. / А. А. Мингалеев. Электронные данные. - Режим доступа: http://www.infamed.com/pub/a040.html.

22. Жмудяк, М. JI. К вопросу об использовании функциональных моделей в диагностике и лечении / М. JI. Жмудяк // Региональные проблемы информатизации: труды республиканской науч.-техн. конф. Барнаул, 1995. — С.25-26.

23. Жмудяк, М. JI. К использованию функциональных моделей в диагностике и лечении / М. JI. Жмудяк; Алт. Гос. Техн. Ун-т им. И. И. Ползунова. Барнаул, 1995.- 28с. - Библиогр. - Рус. -Деп. в ВИНИТИ 05.04.95, №949-В95.

24. Айвазян, С. А. Основы моделирования и первичная обработка данных / С. А. Айвазян, И. С. Енюков, JI. Д. Мешалкин. — М.: Финансы и статистика, 1983.-342 с.

25. Андерсон, Т. Введение в многомерный статистический анализ / Т. Андерсон. -М.: Физматгиз, 1963. 500с.

26. Бейли, Н. Статистические методы в биологии /Н. Бейли; пер. с англ.; -М.: Иностр. лит, 1962. 216с.

27. Бейли, Н. Математика в биологии и медицине / Н. Бейли. М.: Мир, 1970.-Гл. 11.

28. Минцер, О. П. Биологическая и медицинская кибернетика: справочник / О. П. Минцер. — Киев: Наукова думка, 1986. — 375 с.

29. Беллман, Р. Математические методы в медицине / Р. Беллман. М.: Мир, 1987.-200 с.

30. Благуш, П. П. Факторный анализ с обобщениями / П. П. Благуш. М.: Финансы и статистика, 1989 — 246 с.

31. Боровиков, В. П. Statistica. Статистический анализ и обработка данных в среде Windows / В. П. Боровиков, И. П. Боровиков. М.: Информационно-издательский дом «Филин», 1997. — 608 с.

32. Медицинская информационная система / Н. М. Амосов и др. Киев: Наукова думка, 1971. - 178 с.

33. Вальд, А. Статистические решающие функции / А. Вальд //Позиционные игры / под ред. Н. Н.Воробьева, Н. Н. Врублевской. М.: Наука, 1967.-С. 300-522.

34. Ван дер Варден. Математическая статистика: пер. с нем. / Ван дер Варден. М., 1960.-267 с.

35. Волынский, Ю. Д. О месте многомерной статистики в клинико-физиологических исследованиях / Ю. Д. Волынский, А. И. Курочкина // Кардиология. 1980. - Т.20, №5. - С. 88-91.

36. Генкин, А. А. Интеллектуальные медицинские системы, алгоритмически формирующие знания / А.А. Генкин //Стратегическое использование информационных систем: материалы междунар. семинара / под ред. Р. Д. Галиерса, Б. Я. Советова. СПб., 1992. - С. 64-66.

37. Генкин, А. А. Парные коэффициенты корреляции клинико-лабораторных признаков: артефакты и трудности интерпретации / А. А. Генкин //Клиническая лабораторная диагностика 1993. - №6. - С.71-73.

38. Горбань, А. Н. Обучение нейронных сетей / А. Н. Горбань.— М.: СП Параграф, 1991.-300 с.

39. Гублер, Е. В. Информатика в медицине / Е. В. Гублер. М.: Финансы и статистика, 1991. - 219 с.

40. Гублер, Е. В. Вычислительные методы распознавания патологических процессов / Е. В. Гублер. — JL, 1970. 178 с.

41. Гублер, Е. В. Применение непараметрических критериев статистики в медико-биологических исследованиях / Е. В. Гублер, А. А. Генкин. -JL, 1973. -314с.

42. Дюран, Б. Кластерный анализ: пер. с англ. / Б. Дюран. М.: Статистика, 1977.- 128с.

43. Математические модели и оптические реализации многослойных и полиномиальных нейронных сетей / Н. Н. Евтихиев и др. М., 1994. - 32 с. -(Препринт/МИФИ, 004-94).

44. Иберле, К. Факторный анализ / К. Иберле. М.: Статистика, 1980. — 398 с.

45. Кендалл, М. Многомерный статистический анализ и временные ряды / М. Кендалл, А. Стыоарт; пер. Э. JI. Пресмана, В. И. Ротаря. М.: Наука, 1976.-736 с.

46. Кульбак, С. Теория информации и статистика /С. Кульбак; пер. с англ.; под ред. А.Н. Колмогорова. М.: Наука, 1967. - 190 с.

47. Лоули, Д. Н. Факторный анализ как статистический метод / Д. Н. Лоули, А. Э. Максвелл; пер. Ю. Н. Благовещенского. -М.: Мир, 1967. 144 с.

48. Ластед, Л. Введение в проблему принятия решений в медицине / Л. Ластед. -М.: Мир, 1971. 169 с.

49. Методы нейроинформатики. Красноярск: Изд-во КГТУ, 1998 - 205с.

50. Переверзев-Орлов, В. С. Советчик специалиста. Опыт разработки партнерской системы/В. С. Переверзев-Орлов. -М.: Наука, 1990 133с.

51. Пустыльник, Е. И. Статистические методы анализа и обработки наблюдений / Е. И. Пустыльник. М.: Наука, 1968. - 288 с.

52. Прикладная статистика. Классификация и снижение размерности: справ. изд./С. А. Айвазян и др. М.: Финансы и статистика, 1989. - 606 с.

53. Прикладной многомерный статистический анализ: сб. ст. / науч. ред. С. А. Айвазян, А. И. Орлов. М.: Наука, 1978.-392 с.

54. Проблемы вычислительной диагностики: сб. науч. трудов / под ред. Е. В. Гублера; АН СССР. Л., 1969. - 257 с.

55. Распознавание образов и медицинская диагностика / под ред. Ю.И. Неймарка. М, 1972. - 346 с.

56. Основы математической статистики и ее применение / под ред. М. Урсяну. М.: Статистика, 1970. - 224 с.

57. Окунь, Я. Факторный анализ / Я. Окунь. М.: Статистика, 1974 - 200 с.

58. Статистические методы исследования в медицине и здравоохранении / под ред. А. Е. Полякова.- Д.: Медицина, 1971. 200 с.

59. Углов, Б. А. Основы статистического анализа и математического моделирования в медико-биологических исследованиях / Б. А. Углов, Г. П. Котельников, М. В. Углова. Самара: СамГМУ, 1994. - 71 с.

60. Урбах, В. Ю. Статистический анализ в биологических и медицинских исследованиях/В. Ю.Урбах-М., 1975.

61. Уссерман, Ф. Нейрокомпыотерная техника / Ф. Уссерман. — М.: Мир, 1992.-334 с.

62. Харман, Г. Г. Современный факторный анализ / Г. Г. Харман; пер. с англ. В. Я. Лумельского. М.: Статистика, 1972 - 486 с.

63. Хехт-Нильсен, Р. Нейрокомпьютинг: история, состояние, перспективы / Р. Хехт-Нильсен // Открытые системы. 1998. - №4-5.-С. 21-25.

64. Факторный, дискриминантный и кластерный анализы: сборник / пер. А. М. Хотинского, С. Б. Королева; под ред. И. С. Енюкова. М.: Статистика, 1972.-486 с.

65. Abu-Hanna, P. J. F. Lucas, Prognostic Models in Medicine AI and Statistical Approaches, Methods of Information in Medicine © Schattauer GmbH (2001).

66. Gurney, K. An Introduction to Neural Networks: Электронный ресурс. -Электронные данные. Режим доступа: http://www.shef.ac.uk/psvchology/ gurney/notes/contents.html.

67. Анил, К. Джейн Искусственные нейронные сети Электронный ресурс. / К. Джейн Анил, Жианчанг Мао, К М. Моиуддин- Электронные данные. —Режим доступа: http://www.scorcher.ru/neuro/science/neurocomp /mem52.htm

68. Hanson, К. M. A computational approach to Bayesian inference / К. M. Hanson and G.S. Cunningham // Computing Science and Statistics. VA 220397460, 1996. P. 202-211.

69. Mostert, Paul J. A Bayesian Method to Analyse Cancer Survival Times Using the Weibull Model Электронный ресурс. / Paul J. Mostert, Andriette Bekker, Jacobus J.J.Roux- Электронные данные. Режим доступа: http://www.stat.cmu.edu/ISBA/ 108f.pdf.

70. Onisko, Agnieszka A Bayesian network model for diagnosis of liver disorders Электронный ресурс. / Agnieszka Onisko, Marek J. Druzdzel, Hanna Wasyluk- Электронные данные. Режим доступа: http://www. pitt/edu/ -druzdel/psfil es/cbmi99a.pdf

71. Goodman, Steven N. Toward Evidence-Based Medical Statistics. 2: The Bayes Factor // Annals of Internal Medicine. 1999. - Vol. 130, 15 June.

72. Knill- Jones, R. P. Use of sequential bayesian model in diagnosis of jaundice by computer/ R. P. Knill-Jones// Brit Med J. 1973. - Vol. 1. - P. 530.

73. Honours Year Project Report. Bayesian Learning with Incomplete Information in Large Medical Databases: An Application of the EM Algorithm / By Quek Hui Nar, School of Computing National University of Singapore, 1998/99.

74. Электронный учебник по статистике Электронный ресурс. М., StatSoft, 2001. — Электронные данные. - Режим доступа: http://www.statsoft.ru/home/ textbook/default.htm

75. Славин, М. Б. Методы системного анализа в медицинских исследованиях / М. Б. Славин. М.: Медицина, 1989.- 304 е., ил.

76. Щетинин, В. Г. Многослойная самоорганизация нейронных сетей оптимальной сложности / В. Г. Щетинин //Автоматика и вычислительная техника. 1998. - №4.- С. 30-37.

77. Щетинин, В. Г. Принятие решений на нейронных сетях оптимальной сложности / В. Г. Щетинин, А. В. Костюнин // Автоматизация и современные технологии. 1998. - №4. - С. 38-43.

78. Щетинин, В.Г. Синтез решающих правил на нейронных сетях для управления производством / В. Г. Щетинин, О. В. Столярова, А. В. Костюнин // Приборы и системы управления. 1999. - №1. - С. 72-77.

79. Щетинин, В. Г. Применение искусственных нейронных сетей в клинической лабораторной диагностике / В. Г. Щетинин, А. А. Соломаха // Клиническая лабораторная диагностика. 1998 - №10. - С. 21-23.

80. Щетинин, В. Г. Дифференциальная диагностика при помощи искусственных нейронных сетей / В. Г. Щетинин, В. Т. Комаров //Клиническая лабораторная диагностика. 1998. — №11. - С. 34-37.

81. Извлечение знаний с использованием нейронных сетей Электронный ресурс. Электронные данные. - Режим доступа: http://www.chat.ru/~neurolab

82. Что особенного в ДА-системе Электронный ресурс. Электронные данные. - Режим доступа: http://www.contex.ru/index.html .

83. Liao, J.G. A type of restricted maximum likelihood estimator of variance components in generalized linear mixed models / J.G. Liao, Stuart R. Lipsitz // Biometrika. 2002. -№ 2.-P. 401-409.

84. Cunningham, Gregory S. Bayesian estimation of regularization parameters for deformable surface models / Gregory S. Cunningham, Andre Lehovich, Kenneth M. Hanson. Los Alamos National Laboratory, University of Arizona, Dept. of Applied Mathematics, 1999.

85. Maximum Likelihood Estimation of Mixture Densities for Binned and Truncated Multivariate Data / Igor V. Cadez et al. //- Kluwer Academic Publishers, Hingham, MA, USA, 2002. P. 7-34.

86. Жмудяк, M. JI. Алгоритм временной (сдвиг по фазе) адаптации траекторий / М. JI. Жмудяк; АлтГТУ. Барнаул, 1997.- Юс.: Библиогр. -Рус. - Деп. в ВИНИТИ 24.04.97, № 1398-В97.

87. Жмудяк, М. JI. Вероятность принадлежности симптома к данной болезни. Весовые коэффициенты / М. JI. Жмудяк ; АлтГТУ. Барнаул, 1997. -14с. : Библиогр. - Рус. - Деп. в ВИНИТИ 09.09.97, № 2812-В97.

88. Лев, Г. Ш. Критерий наибольшего правдоподобия как основа формулрасчета вероятности болезни / Г. Ш. Лев, М. Л. Жмудяк, Л. М. Жмудяк; Алт. гос. техн. ун-т им. И.И. Ползунова. — Барнаул, 1998. 7с.: Библиогр. - Рус. -Деп. в ВИНИТИ 25.02.98, №552-В98.

89. Жмудяк, М. Л. Диагностика по методу траекторий, вероятностный подход / М.Л. Жмудяк; Алт. гос. техн. ун-т им. И.И. Ползунова. — Барнаул, 1998. Библиогр.-Рус.-Деп. в ВИНИТИ 19.03.98, Ж794-В98.

90. Результаты компьютерной диагностики заболеваний по методу траекторий / М. Л. Жмудяк и др.// Материалы 1-й краевой конф. по математике, посвященной 25-летию АТУ. — Барнаул, 1998. — С. 32-33.

91. Жмудяк, М. Л. Применение принципа максимума правдоподобия в диагностике / М. Л. Жмудяк, Г. Ш. Лев, Л. М. Жмудяк // Материалы 2-й практ. конф. по математике / АТУ. Барнаул, 1999. - С. 69-70.

92. Жмудяк, М. Л. Какой из анализов необходимо сделать в первую очередь / М. Л. Жмудяк, А. В. Гайнер, Л. М. Жмудяк; Алт. гос. техн. ун-т им. И.И. Ползунова. Барнаул, 2000.- 15с.: Библиогр, - Рус. - Деп. в ВИНИТИ 24.03.00, №781-В00.

93. Жмудяк, М. Л. Применение принципа максимума правдоподобия в медицине / М. Л. Жмудяк, Г. Ш. Лев, Л. М. Жмудяк // Сибирский журнал индустриальной математики. — Новосибирск: Изд-во института математики, 2002. Том V, №1(9). - С. 74-78.

94. Жмудяк, М. Л. Модельные болезни / М. Л. Жмудяк, А. Л. Жмудяк;АлтГТУ. Барнаул, 2005.— 15с.: 2 рис.: Библиогр.: 9 назв. — Рус. — Деп. в ВИНИТИ 28.02.2005, № 278-В2005.

95. Жмудяк, М. JI. Нейронные сети и вероятностные методы / М. JI. Жмудяк, A. JI. Жмудяк // Математическое образование на Алтае: труды науч.-метод. конф. (МОНА-2005); Алт. Гос. Техн. Ун-т им. И. И. Ползунова. — Барнаул: Изд-во АлтГТУ, 2005. С. 38-39.

96. Коэффициент эффективности как показатель качества диагностики Электронный ресурс. / А. Н. Повалихин, А. В. Стребуков, A. JI. Жмудяк — Электронные данные. Режим доступа: www.molod.mephi.ru/2002/ data/572.htm .

97. Диагностика заболеваний методами теории вероятностей. / M.JI. Жмудяк, А.Н. Повалихин, А.В. Стребуков, А.В. Гайнер, A.JI. Жмудяк, Г.Г. Устинов // Алт. гос. тех. ун-т им. И.И. Ползунова. — Барнаул: Изд-во АлтГТУ, 2006. 168с. ISBN 5-7568-0524-9.

98. Автоматизированная система медицинской диагностики заболеваний с учетом их динамики методами теории вероятностей / M.JI. Жмудяк, А.Н. Повалихин, А.В. Стребуков, A.JI. Жмудяк, Г.Г. Устинов // Ползуновский вестник. 2006 - № 1. - С. 95-106.

99. Pearl, Judea. Bayesian Networks, in M. A. Arbib (Ed.)/ Judea Perl, Stuart Russell// Handbook of Brain Theory and Neural Networks, Cambridge, MA: MIT Press, 2003.-P. 157-160.

100. Fenton, N.E. Combining evidence in risk analysis using Bayesian Networks/ N.E. Fenton, M. Neil. Электронные данные. - Режим доступа: https://www.dcs.qmul. ac.uk/~norman/papers/Combining%20evidence%20in%20ris k%20analysis%20using%20BNs.pdf.

101. About Bayesian Belief Networks. Electronic resource. / Charles River Analytics Inc., 2004. 625 Mount Auburtn Street Cambridge. Электронные данные. - Режим доступа: http://www.cra.com/pdf/BNetBuilderBackhground.pdf.

102. Тулупьев, A. JI. Байесовские сети: Логико-вероятностный подход / А. Л. Тулупьев, С. И. Николенко, А. В. Сироткин. — СПб.: Наука, 2006. 607 с.

103. Извлечение знаний из медицинских баз данных. Электронный ресурс./ С. Арсеньев. Электронные данные. — Режим доступа:

104. Claus, Elizabeth В. Risk Prediction Models in Breast Cancer / Elizabeth B. Claus — Yale University School of Medicine San Antonio, 2003.

105. Воробьёв, С. А. Структурный анализ результатов медико-биологического эксперимента при неизвестных параметрах моделей Электронный ресурс. / С. А. Воробьев. Электронные данные. - Режим доступа: http://home.uic.tula.ru/~vorobei/Avto ref.htm.

106. Моттль, В. В. Оптимальная сегментация экспериментальных кривых / В. В. Моттль, И. Б. Мучник, В. Г. Яковлев // Автоматика и телемеханика. — 1983.-№ 8.-С. 83-94.

107. Воробьев, С. А. Методы обработки структурных кривых с повторяющимися признаками формы при обработке результатов медико-биологического эксперимента / С. А. Воробьев, А. А. Яшин // Вестник новых медицинских технологий. 1998. - T.V, № 3-4. - С. 17- 19.

108. Статистический метод анализа поздних желудочковых потенциалов у больных с инфарктом миокарда. Электронный ресурс. / С.С. Седов [и др.]-Электронные данные. Режим доступа: http://www.infamed.com/pub/a044.html

109. Слепнев, С. Ю. Система объективной оценки тяжести состояния больных хирургической инфекцией Электронный ресурс. / С. Ю. Слепнев, А. А. Звягин. Электронные данные. - Режим доступа: http://www.med.ru/ medcent/Anest/IV-rz.htm .

110. Young, Robert W. A Confirmatory Factor Analysis of the National Pain Data Bank Version 2 Электронный ресурс. / Robert W. Young, Michael E. Clark, Ronald J. Gironda. - Электронные данные. - Режим доступа: http://www.vachronicpain.org/Downloads/Young.

111. Программа «Дифференциальная диагностика желтух» (jaundice.arj)Электронный ресурс. — Электронные данные. — Режим доступа: http://www.rusmedserv.com/software/index.php.

112. Устинов, Г. Г. Желчнокаменная болезнь. Патогенез, диагностика, лечение/ Г. Г. Устинов, Я. Н. Шойхет. — Барнаул, 1997. 432с.

113. Бондарь, 3. А. Желтухи / 3. А. Бондарь. М., 1965.-352 с.

114. Дунаевский, О. А. Дифференциальная диагностика заболеваний печени / О. А. Дунаевский. М., 1985. - 64с.

115. Дедерер, Ю. М. Патогенез, диагностика и лечение механической желтухи / Ю. М. Дедерер, Н. П. Крылова, Я. Н. Шойхет. — Красноярск, 1990. -112 с.

116. Устинов, Г. Г. Оценка степени операционного риска у больных механической желтухой / Г. Г. Устинов // Вопросы клинической и теоретической медицины. Барнаул, 1994/ - Т. 1 - С. 147-149.

117. Иванов, Ю. В. Механическая желтуха: диагностический алгоритм и лечение Электронный ресурс. / Ю. В. Иванов, С. М. Чудных Электронные данные. - Режим доступа: http://www.osp.i4j/doctore/2002/07-08/076.htm .

118. Harrison's principles of Internal Medicine. 16th Edition. Editors: D.L. Kasper, E. Braunwald, A.S. Fauci, S.L.Hauser, D.L. Longo, J.L. Jameson. McGraw-Hill, Medical Publishing Division. New York, 2005. - 2783p.

119. Хазанов, А. И. Функциональная диагностика болезней печени. 2-е изд., перераб. и доп./А. И. Хазанов. -М.: Медицина, 1988. - 304 с.

120. Выявление вируса гепатита G (HGV) при хронических заболеваниях печени / А. С. Логинов и др. // Российский гастроэнтерологический журнал. -1999.-№ 1. С. 23-31.

121. Шаханина, И. Л. Вирусные гепатиты в России: официальная статистика и экономические потери. Центральный НИИ эпидемиологии МЗ РФ/ И. Л. Шаханина // Бюллетень "Вакцинация. Новости вакцинопрофилактики-2001 -№6 (18) Ноябрь-декабрь. С. 3

122. Филиппова, Н. Н. Вирусные гепатиты Электронный ресурс. / Н. Н. Филиппова, М. В. Комарова Электронные данные. - Режим доступа: www.labdiagn.hl .ru/hepatit.shtml .

123. Хронические вирусные заболевания печени Электронный ресурс. / Е.Н. Ильина [и др.] : пособие для врачей Электронные данные. - Режим доступа: http://lytech.ru/Books/Gepatit/gep 1 .htm .

124. Гепатит В Электронный ресурс. / А.Д. Аммосов Электронные данные. - Режим доступа: http://www.vector-best.ru/brosh/gepb.htm .

125. Вирусные гепатиты (этиопатогенез, эпидемиология, клиника, диагностика и терапия) Электронный ресурс. / А. Г. Рахманова [и др.] : пособие для врачей. Кольцово, 2001 Электронные данные. - Режим доступа: http://www.vector-best.ru/brosh/virhep.htm .

126. Ильянкова, А. А. Клинико-морфологическая характеристика внепеченочных проявлений HBV-инфекции / А. А. Ильянкова, П. Е. Крель // Российский журнал гастроэнтерологии, гепатологии, колопроктологии. — 2001.-Том 11,N 3 . С. 11-18.

127. Львов, Д.К. Вирусные гепатиты / Д. К. Львов // Вопросы вирусологии: двухмесячный научно-теоретический журнал / РАМН. 2002. - N 6 . - С. 44-46.-ISSN 0507-4088.

128. ГОСТ 8.207-76. Прямые измерения с многократными наблюдениями. Методы обработки результатов наблюдений. Основные положения.

129. Гмурман, В. Е. Теория вероятностей и математическая статистика: учеб. пособие для вузов/ В. Е. Гмурман. 9-е изд., стер. — М.: Высш. шк., 2003. -479 е.: ил.

130. Zhmudyak, A. Using Bayes' Formula for Improving Disease Diagnostics. Karyn Kupcinet International Science School Summer Program 2006/ Weizmann institute of science. Rehovot, Israel: The Academic Affairs Office, October, 2006 -P. 34.

131. Загоруйко, Н.Г. Эмпирическое предсказание /Н.Г. Загоруйко; отв ред. В.А.Скоробогатова. Новосибирск: Наука. Сиб.отд-ние, 1979.-124 с.