Модели и методы принятия решений хирургом тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Егоров, Александр Алексеевич

• Егоров, Александр Алексеевич
• кандидат технических наук
• 2011

Введение диссертации (часть автореферата) на тему «Модели и методы принятия решений хирургом»

Перитонит - воспаление брюшины, сопровождающееся как местными, гак и общими симптомами. Первичные перитониты возникают достаточно редко, приблизительно в 1% случаев острой хирургической патологии. Вторичные перитониты составляют 15-20% всех случаев острой хирургической патологии и травм брюшной полости, т.е. занимают большой объем вктуре экстренной хирургии и врачу хирургу в своей практике часто приходиться сталкиваться с данным заболевайием.

Несмотря на высокий уровень развития медицинских технологий, особенно в фармацевтической области, проблема выживаемости при перитонитах остается достаточно острой и является одной из ведущих причин летальности от острой хирургической патологии и составляет по разным источникам от 25-30% до 85-90%. Так же летальность при перитонитах зависит не только от источника перитонита, распространенности и времени прошедшею с момеша начала заболевания, но также и 01 ряда других сопутствующих причин, таких как возраст, наличие сопутсшующей патологии и многое другое. Каждый раз перед хирургом при лечении перигошпа. особенно в момент операции остро встает один вопрос - о способе завершения операции, т.к. от этого зависит как жизнь пациента, так и сроки его выздоровления.

Современное состояние информационных технологий позволяет использовать их во всевозможных областях человеческой деятельности. Естественно, наиболее актуальными зонами исследования являются те области, которые требуют оперативности обработки больших объемов информации, а также решение нетривиальных задач, не имеющих четких алгоритмов решения. Такие задачи, как правило, решаются высококвалифицированными лсспершми и специалистами.

Разработка математических методов решения медицинских задач началась в 20 веке. За прошедшее столетие исследователями было изобретено множество способов проверки гипотез и выводов. В 60-е годы были разработаны методы анализа, общим признаком которых явилось наличие явных алгоритмов принятия решений. Наиболее популярные методы активно используются в теоретической медицине, однако в клинической практике они не нашли широкого применения.

Многолетние исследования в области клинической медицины показали, что решения, принимаемые специалистами, основываются на интуитивных предположениях (на опыте). Но в виду того, что опыт специалиста трудно формализуем и не может быть представлен в виде четко сформулированного алгоритма, учитывающего все детали, широкое его использование для решения конкретных задач диагностики, прогнозирования и принятия решений затруднено [1]. Принятие решений в области медицины имеет свои особенности, обусловленные тем, что большинство данных содержится в описательном виде, т.е. в виде качественных переменных (бактериальный, желчный и т.д.). Более того, при исследовании объектов, устанавливается, что на объекты изучения влияет большое количество всевозможных факторов. Многофакторное воздействие приводит к тому, что формализация используемой информации ведет к сложному ответу, имеющему совершенно нелинейную зависимость.

Следует учесть тот факт, что затруднение принятия решения обуславливается неспособностью человеческого мозга к обработке больших объемов информации, состоящих из цепочек взаимосвязей, из-за чего при работе с комплексной и изменяющейся во времени информацией эффективность принятия решений снижается. Для решения этой проблемы лицам, принимающим решения, необходимо использовахь в своей работе системы, способные аккумулировать опыт, т.е. системы способные, в некотором смысле, интуитивно думать. В качестве инструментов для создания подобной интеллектуальной системы в данной работе служат: методы математической статистики и нейронные сети, которые ориентированы на анализ сложных, линейных и нелинейных задач.

Исходя из того, что потребность в таких системах существует, в последнее время ведется множество разработок интеллектуальных систем, позволяющих помочь специалисту принять более верное и оперативное решение.

Применяя подобные интеллектуальные системы в области здравоохранения, можно в значительной степени повысить качество оказываемых медицинских услуг не только на этапах диагностики, но и непосредственно в процессе лечения.

Целью диссертационной работы является создание математических методов, моделей и алгоритмов для классификации способов завершения и возможных исходов операции по поводу перитонита.

Задачи исследования. Для достижения поставленной цели необходимо решить следующие задачи:

1. Определить наборы зависимых и независимых переменных для построения математических моделей, на основе дооперационных и интраоперационных данных о пациенте, nocí у пившем в хирургическое отделение.

2. Разработать математические модели классификации способов завершения операции с учетом исходов. Доказать адекватность и значимость разработанных моделей.

3. Сравнить качество построенных моделей на выборках данных пациентов разного объема и с разной полнотой исходной информации, выявить модель, обладающую лучшими классификационными способностями с целью использования ее в качестве математического аппарата разрабатываемой интеллектуальной информационной системы поддержки принятия решений (ИИС ГШР). Обосновать выбор модели для использования ее в качестве решателя интеллектуальной информационной системы поддержки принятия решений хирургом.

4. Разработать информационное, алгоритмическое и программное обеспечение интеллектуальной информационной системы поддержки принятия решения хирурга при завершении операции по причине перитонита.

Объект исследования: Процесс принятия решения хирургом о способе завершения операции по причине перитонита. Предметом исследования является математическое моделирование процесса принятия решеиия о выборе способа завершения операции по поводу перитонита.

Методы исследования. Для решения поставленных задач применяются методы теории систем и системного анализа, теории принятия решений, теории вероятностей и математической статистики, математического моделирования, аппарата вероятностных нейронных сетей (ВМС), а также результаты исследований российских и зарубежных ученых (Савельева B.C., Гельфанда Б.Р., Филимонова М.И., Зарубиной Т.В., и т.д.).

Ядром математического обеспечения являются методы регрессионного анализа, включающие в себя алгоритм пошагового отбора значимых переменных в модели и модель бинарной логистической регрессии (J1P). Второй составляющей математического обеспечения являются вероятностные нейронные сети (ВНС) на основе радиальной базисной функции, подробно описанные в работе Саймона Хайкина.

При разработке интеллектуальной информационной системы поддержки принятия решений (ИИС ППР) были применены современные средства разработки приложений и концепция объектно - ориентированного программирования.

Научная новизна результатов, выносимых на защиту. При решении задач, поставленных в диссертационной работе, получены следующие новые научные результаты:

Впервые для решения задачи классификации способов завершения и возможных исходов операции по причине перитонита использовались модели, полученные на основе бинарной логистической регрессии (J1P). Доказана адекватность разработанных моделей бинарной логистической регрессии (ЛР). Построены таблицы классификации и графики чувствительности и специфичности моделей.

Впервые для решения задачи классификации способов завершения и возможных исходов операции по причине перитонита использовались модели вероятностных нейронных сетей (ВНС). Доказана адекватность обученных моделей вероятностных нейронных сетей на основе радиально базисной функции. Построены таблицы классификации и графики чувствительности и специфичности моделей. Проведено сопоставление эффективности применения моделей вероятностных нейронных сетей и бинарной логистической регрессии (ЛР).

Доказано, чю качество классифицирующих моделей, как на основе бинарной логистической регрессии (ЛР), так и на основе вероятностных нейронных сетей на обучающих выборках сопоставимо, но при тестировании моделей на новых данных вероятностные нейронные сети обладают лучшими классификационными способностями.

Впервые используется теорема Байеса для уточнения результатов, полученных на основе бинарной ло1исгической регрессии (ЛР) и вероятностных нейронных сетей.

Впервые разработана методика системного анализа процесса принятия решения хирургом выбора способа завершения операции по причине перитонита.

Практическая значимость результатов работы. Интеллектуальная информационная система поддержки принятия решения хирурга по выбору способа завершения операции по причине перитонита предоставит хирургам инсфумен!, помогающий определить способ завершения операции для получения благоприятного исхода. Разработанное программное средство также может использоваться как обучающая система поддержки принятия решения для студентов медицинских вузов.

Апробация результатов работы. Материалы исследований представлены на 3 международных и 4 региональных конференциях. По теме диссертации опубликовано 11 работ, в том числе 1 — тезисы доклада в материалах конференции, 10 статей, из них три в изданиях, рекомендованных ВАК, а также получено 1 свидетельство о государспленной регистрации пакета программ.

Структура диссертации. Диссертация состоит из введения, четырех глав с выводами, заключения, приложений.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Егоров, Александр Алексеевич

Вывод

Разработано информационное, алгоритмическое и программное обеспечение для поддержки принятия решения хирурга по способу завершения операции по поводу перитонита. Разработана объектно ориентирванная модель ИИС ППР. Разработан модуль для хранения тематических карт больных.

ЗАКЛЮЧЕНИЕ

На основании проведенных исследований была решена задача по созданию моделей, алгоритмов и программного обеспечения предназначенного для помощи врачу - хирургу в принятии решения о завершении операции по поводу перитонита.

В работе получены следующие основные результаты:

1. Разработаны многомерные модели данных, а также методика многомерного анализа данных. Описан и применен алгоритм отбора значимых факторов в модели данных. В результате использования алгоритма отбора данных, были отобраны факторы, имеющие высокую значимость для определения возможных исходов и способов завершения операции по поводу перитонита. В качестве зависимых переменных было принято взять следующие факторы: благоприятный исход, повторное хирургическое вмешательство, способ завершения операции сшиванием швов наглухо, способ завершения операции релапаратомией, способ завершения операции лапарастомией.

2. Показано, что для решения задачи о выборе способа завершения операции по поводу перитонита может быть применена бинарная'логистическая регрессия, способная классифицировать наблюдения с высокой долей верной классификации. При оценке качества моделей на обучающей выборке процент верных отнесений для всех моделей превысил 90%, с чувствительностью и специфичностью выше 0,9

3. Разработаны модели на основе вероятностных нейронных сетей, способные также классифицировать наблюдения с высокой-долей верной классифиакции. При оценке качества моделей на обучающей выборке процент верных отнесений для всех моделей превысил 93%, с чувствительностью и специфичностью выше 0,9 (кроме /ТУЛО?). При проверке качества моделей с использованием вновь поступивших наблюдений, модель на основе логистической регрессии и модель на основе вероятностной нейронной сети продемонстрировали высокие классификационные способности. Проценты верных отнесений в модели на основе логистической регрессии составили в среднем 71%. при этом ¿максимальное значение составило 89%, а минимальное 32%. Проценты верных отнесений в модели на основе вероятностной нейронной сети составили в среднем 74%. при этом максимальное значение составило 100%, а минимальное 31%. Было установлено, что модели на основе ВНС обладают лучшей специфичностью на перекрестных и новых наблюдениях.

4. Создано информационное, алгоритмическое и программное обеспечение ИИС ППР. ИИС ППР представляет собой сложную систему, выполненную на основе гибридного решателя. В качестве математического аппарата в решателе выступают уравнения бинарной логистической регрессии и вероятностные нейронные сети. ИИС ППР способна решать задачу самообучения при помощи алгоритма пошагового отбора данных в модели. Таким образом с течением времени независимые переменные, участвующие в моделях, могут модифицироваться.

Важными характеристиками разработанной системы являются высокая скорость обучения ВНС, при которой не требуется участие человека. Применение современных средств ■ разработки приложений и концепции объектно ориентированного программирования позволило реализовать гибкую, открытую и легко сопровождаемую систему. ИИС ППР способна перенимать опыт хирурга непосредственно без участия специалиста разрабатывающего математический аппарат ИИС ПГ1Р.

К перспективам дальнейших исследований по данной теме можно отнести:

Рассмотрение возможности применения выработанных алгоритмов и программного обеспечения для решения других не менее сложных задач классификации в области медицины.

Список литературы диссертационного исследования кандидат технических наук Егоров, Александр Алексеевич, 2011 год

1. Богомолов С.Д. Применение искусственных нейронных сетей для прогнозирования в хирургии / С.Д. Богомолов, C.B. Киселев, А.П. Медведев / Нижегородский медицинский журнал. 2003 -№ 1. С. 1316.

2. Савельев B.C., Гельфанд Б.Р. Филимонова М.И. Перитонит: Практическое руководство. М.: Литтерра, 2006. 208 с.

3. Шляпников С.А., Ефимова И.С. Вторичный и третичный перитонит: роль антибактериальной терапии в комплексном лечении //Антибиотики и химиотерапия. 2001. №46(12). С. 35-41.

4. Острейковский В.А. Теория систем. М.: Высшая школа, 1997. - 240 с.

5. Волкова В.Н., Денисов A.A. Теория систем: Учебник для студентов вузов. М: Высшая школа, 2006. 511 с.

6. Микшина В. С. Теория принятия решений: учеб. пособие для вузов. — Сургут : Изд-во СурГУ, 2007. 260 с.

7. Ломоносов С. П. Использование шкалы APACHE II для оценки тяжести состояния больных с инфицированным некротическим панкреатитом // С. П. Ломоносов // Укр. мед. час. —2000. №3. С. 21-25.

8. Ефимова И.С. Системная воспалительная реакция у больных с вторичным и третичным перитонитом // И.С. Ефимова // Хирургические инфекции. 2007. №1. С. 27-31.

9. Шуркалин Б.К. Как завершить операцию при перитоните // Шуркалип Б.К., Кригер А.Г., Горский В.А. и др. // Третий конгресс Ассоциации хирургов им. Н.И. Пирогова. М., 2001. С. 157-159.

10. Аскерханов Г.Р. Применение алгоритма в опеределении показаний к повторным операциям при перитоните. // Аскерханов Г.Р., Гусейнов А.Г., Загиров У.З., Султанов Ш.А. // Южно-Российский медицинский журнал. Медицина: наука и практика. 2000. № 3-4.

11. Koperna Th, Schulz F. Prognosis and treatment of peritonitis. Arch Surg 1996; 131:180—5.

12. Гельфанд Б.Р., Ярошецкий А.И. Интегральные оценки тяжести состояния больных при политравме. ЦЭМПИНФОРМ. Вып. 3. М., 2004. С. 40.

13. Ярошецкий А.И. Респираторная поддержка при остром респираторной дистресс-синдроме // А.И. Ярошецкий, Д.Н. Проценко, О.В. Игнатенко // Инфекции в хирургии. 2009 (7). приложение №2. С. 129-143.

14. Большая медицинская энциклопедия, Т. 11. — 3-е изд. — М.: «Советская энциклопедия», 1979. С.320.

15. Вентцель Е.С. Введение в исследование операций. М.: «Советское радио». 1964.391 с.

16. Дробышев Ю.П. Байесовский подход к задаче различения различных форм вирусного гепатита // Дробышев Ю.П., Нигматуллин P.C. Петрушин Ю.П. // Эпидемиология сердечно-сосудистых заболеваний. Под ред. И.К. Швацабая. М.: Медицина, 1977. С. 90101.

17. Липатов В.А. Оценка выраженности спаечного процесса брюшной полости методом семантического дифференциала // MEDLINKS.RU: медицинские ссылки России. 2000. URI/http://www.medlinks.ru/article.php7siclH 986 (дата обращения: 05.12.2007).

18. Коробов В.Б. Организация проведения экспертных опросов при разработке классификационных моделей // СОЦИС (социологические исследования). 2003. № 11. С. 102-109

19. Ременников В.В. Разработка управленческого решения. М.: ЮНИТИ - ДАНА, 2000, 140 с.

20. Кабатов Ю.Ф., Славин М.Б. Вероятностно-статистические методы в медицинских исследованиях. М.: «Медицина», 1976, 298 с.

21. Славин М.Б., Савицкий В.Б. О связи экономической эффективности средств автоматизации с надежнос1ыо профилактическою обслуживания // Приборы и системы управления, 1969. №7. С. 34-39.

22. Острейковский В.А. О формализации предметной области интеллектуальной информационной системы поддержки принятия решений врачом / Острейковский В.А.,

23. Дрожжин Е.В., Федоров Д.А. // Известия высших учебных заведений. Ядерная энергетика. -2007. №3. С. 30-37

24. Бейли Н. Математика в биологии и медицине: Пер. с англ. — М.: Мир, 1970. 324 с.

25. Бородулин А.И., Свиридова A.B., Судаков О.В. Использование кластерного анализа в диагностике ишемической болезни сердаца // Бородулин А.И., Свиридова A.B., Судаков О.В. // Прикладные информационные аспекты медицины. 2009. №11. С. 149- 154.

26. Халафян A.A. Statistica 6. Статистический анализ данных. 3-е изд. Учебник -М.: ООО «Бином-Пресс», 2008. 512 с.

27. Зарубина Т.В., Гаспарян С.А. Управление состоянием больных перитонитом с использованием новых информационных технологий. Москва, 1999. 265 с.

28. Медведев А.И. Использование нейронных сетей при медицинской диагностике тяжелых осложнений и хирургических операций. Материал научно практической конференции. // ИНФО 2008. г. Сочи. С. 140-142.

29. Тихомиров О. К. Философские и психологические проблемы "искусс1 венного интеллекта" // "Искусственный интеллект" и психология. М., 1976. С. 14.

30. Ежов A.A., Чечеткин В.Д. Нейронные сети в медицине // Откр. сист.- 1997. № 4. С. 34-37.

31. Silvia Miksch, Jim Hunter, Elpida Keravnou. Artificial Intelligence in Medicine. 10th Conference on Artificial Intelligence in Medicine, AIME 2005, Aberdeen, UK, July 23-27, 2005

32. Афонин Д.Н. Прогнозирование вероятности ампутации и инвалидизации у больных атеросклерозом нижних конечностей // Афонин Д.Н., Скляренко Р.Т. Афонин ПЛ. Каличава А.Ш. // Новые технологии в медицине, г. Санкт — Петербург. 2008. С. 19-20.

33. Литвин, A.A. Пейросетевое прогнозирование гнойно-септических осложнений острого деструктивного панкреатита // Литвин A.A., Жариков О.Г., Сенчук Г.А. // Украинский журнал телемедицины и медицинской телематики. — 2007. Том 5. № 1. С. 63-70.

34. Микшина B.C., Егоров A.A. Дарвин В.В. // Интеллектуальная информационная система поддержки принятия решения хирурга при завершении оперативного вмешательства по поводу Перитонита. // ИНФО 2008. г. Сочи. С. 157-159.

35. Черноруцкий И.Г. Методы оптимизации и принятия решений: Учебное пособие. // СПб.: Изд-во «Лань».- 2001. 384 с.

36. Блягоз З.У., Попова АЛО. Принятие решений в условиях риска и неопределенности. Вестник Адыгейского государственного университета. 2006. № 4. С. 164— 168.

37. A.A. Егоров, Модель принятия решения хирурга. Вестник новых медицинских технологий Тульского государственного университета. // A.A. Егоров. B.C. Микшина // Вестник новых медицинских технологий. 2011. Т. 7, №4. С. 178 - 181.

38. Бескровный И. М. Трехмерная интегрированная модель принятия решений // ECONF.RAE.RU: Системный анализ и управление. 2009. URL: http://econf.rae.ru/article/4986 (дата обращения: 17.03.2011).

39. Назаренко Г.И., Гулиев Я.И., Ермаков Д.Е. Медицинские информационные системы: теория и практика М.: Физматлит - 2005. С. 320.

40. Стрижов В.В. Модель управления особо охраняемыми природными территориями /Актуальные проблемы современной науки, 2005, № 5. ISSN 1680-2721.

41. Сенин А. Методы отбора переменных в регрессионные модели // BASEGROUP.RU : Технологии анализа данных. 1995. URL: http://www.basegroup.ru/library/analysis/regression/feature selection/ (дата обращения: 20.05.2008).

42. Айвазян С.А. и др. Прикладная статистика. Исследование зависимостей: Снрав. Изд. М.: Финансы и статистика, 1985. 487 с.

43. Большаков A.A., Каримов Р.Н. Методы обработки многомерных данных и временных рядов: Учебное пособие для вузов. —М.: Горячая линия—Телеком, 2007. 522 с.

44. Барсегян A.A., Куприянов М.С., Степаненко В.В., Холод И.И. Методы и модели анализа данных: OLAP и Data Mining — M.: «БХВ», 2004. 331 с.

45. В.Н.Волкова, В.И.Козлов, Системный анализ и приняше решений. Словарь-справочник. М.: Высшая школа. 2004. 616 с.

46. Славин М.Б. Методы системного анализа в медицинских исследованиях. М.: Медицина, 1989. 304 с.

47. Добров Г.М., Ершов Ю.В., Левин E.H., Смирнов Л.П. Экспертные оценки в научно-техническом прогнозировании. Киев: Наукова думка, 1974. 160 с.

48. Многомерный статистический анализ в экономических задачах: компыоюрнос моделирование в SPSS: Учеб. Пособие/ Под ред. И.В. Орловой. М.: Вузовский учебник, 2009.310с.

49. Вуколов Э.А. Основы статистического анализа . Практикум по статистическим методам и исследованию операций с использованием пакетов STATISTIC А и EXCEL: учебное пособие. 2-е изд., испр. И доп. -М.: ФОРУМ, 2008. 464 с.

50. Елисеева И.И. Эконометрика. М.: Финансы и статистика., 2004. 344 с.

51. Магнус Я.Р., Катышев П.К., Пересоцкий A.A. Эконометрика. Начальный курс: учеб. 6 -изд., перераб и доп. - М.: Дело, 2004. 575 с.

52. Greene W.H. Econometric analysis. 3rd edition. Prentice Hall, Upper Saddle River, New Jersey, 1997.

53. Реброва О.IO. Статистический анализ медицинских данных. Применение накеш прикладных программ Statistica. M.: МедиаСфера,2002 312с.

54. Андронов A.M., Копытов Е.А. Гринглаз Л.Я. Теория вероятности и математическая статистика: Учебник для вузов,- СПб.: Питер, 2004. 461 с.

55. Кобзарь А.И. Прикладная математическая статистика. Для инженеров и научных работников. М.: ФИЗМАЛИТ, 2006. 816 с. - ISBN 5-9221-0707-0.

56. Крянев A.B., Лукин Г.В. Математические методы обработки неопределенных данных. 2-е изд., испр. - М.: ФФИЗМАЛИТ, 2006. 216 с.

57. Логистическая-регрессия // STATSOFT.RU: Статистический портал StatSoft. 1999. URL: http://www.statsoft.ru/home/portal/taskboards/logitregression.htrn (дата обращения: 20.05.2008).

58. Бююль Ахим, Цёфель Петер. SPSS: искусство обработки информации. Анализ статистических данных и восстановление скрытых закономерностей: Пер. с нем. / Ахим Бююль, Петер Цёфель СПб. : ООО «ДиаСофтЮП», 2005 608 с.

59. Ивченко Г.И., Медведев Ю.И. Математическая статистика: Учеб. пособие для втузов. М.: Высш. шк., 1984. 248 с.

60. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. М.: Финансы и статистика., 1986. 369 с.

61. Афифи А., Эйзен С. Статистический анализ. Подход с использованием ЭВМ. М.: Мир, 1982. 480 с.

62. Юнкеров В.И., Григорьев С.Г. Математико-статисшческая обработка данных медицинских исследований. СПб.: ВМедА, 2002. 206 с.

63. Боровиков В.П. Популярное введение в программу STATISTICA. М.: «КомпьютерПресс», 1998. 267с.

64. What are pseudo R-squareds? // ATS.UCLA.EDU: Academic Technology Services. 1995. URL: http://www.ats.ucla.edu/stat/mult pkg/faq/general/psuedo RSquareds.htm (дата обращения: 22.05.2008).

65. Паклин H. Логистическая регрессия и ROC-анализ математический annapai // BASEGROUP.RU: .Технологии анализа данных. 1995. URL: http://www.basegroup.ru/library/analysis/regression/logistic/ (дата обращения: 20.05.2008).

66. Fawcett Т. ROC Graphs: Notes and Practical Considerations for Researchers // Kluwer Academic Publishers. 2004.

67. Davis J., Goadrich M. The Relationship Between Precision-Recall and ROC Curves // Proc. Of 23 International Conference on Machine Learning, Pittsburgh, PA, 2006

68. Россиев, Д.А. Самообучающиеся нейросетевые экспертные системы в медицине: теория, методология, инструментарий, внедрение: Автореф. дис. . д-ра. мед. наук. Красноярск, 1996. 51 с.

69. Artificial Neural Networks: Concepts and Theory, IEEE Computer Society Press, 1992.

70. Richard P. Lippmann, An Introduction to Computing with Neural Nets, IEEE Acoustics, Speech, and Signal Processing Magazine, April 1987.

71. Нейронные сети. Statistica Neural Networks: Методология и технологии современного анализа данных / Под редакцией В.П. Боровикова. 2-изд., перераб. И доп. -М.: Горячая линия - Телеком, 2008. 392 с.

72. Вероятностная нейронная сеть // STATSOFT.RU: Статистический портал StatSoft. 1999. URL: http://www.statsoft.ru/home/portal/applications/NeuralNetworksAdvisor/Adv-new/PNN.htm (дата обращения: 29.01.2009).

73. Н.Г. Ярушкина. Основы теории нечетких гибридных систем: Учеб. Пособие. — М.; Финансы и статистика, 2004. 320с.

74. Мао K.Z., Tan К.С. and Ser W. Probabilistic Neural-Network Structure Determination for Pattern Classification, IEEE TRANSACTIONS ON NEURAL NETWORKS, VOL. 11, NO. 4, JULY 2000/

75. European Journal of Scientific Research/ Cooperative Neural Network Generalization Model Incorporating Classification and Association.Waleed, A.J. Rasheed, №4, 2009, pp.639-648.

76. Калан P. Основные концепции нейронных сетей. -М.: Вильяме, 2001. 287 с.

77. Е.С. Вентцель. Теория вероятностей. М.: Изд.«Наука», 1969. 576 с.

78. Сравнение моделей временных рядов // BASEGROUP.RU: Технологии анализа данных. 1995. URL: http://www.basegroup.ru/solutions/scripts/details/compare model/ (дата обращения: 3.02.2009).

79. Нейронные сети: обучение с учителем // SCORCHER.RU: Естественный интеллект. 2003. URL: http://www.scorcher.ru/neuro/science/Perceptron/mem32.htm (дата обращения: 12.04.2009).

80. Егоров A.A. Модель принятия решений врача-хирурга в условиях риска и неопределенности. // Егоров A.A., Микшина В.В. // Международная научно-практическая конференция // ИНФО 2010.- 2010. г. Сочи. С. 226 229.

81. Воробьев П.А. Принятие решений на пути от теории к практике // Воробьев П.А., Сура М.В. // Проблемы стандартизации в здравоохранении: Научно-пракшческии рецензируемый журнал . — 2004. № 6. С. 3 - 11. — ISSN 1607-2502.

82. Джексон, Питер. Введение в экспертные системы. : Пер. с англ. : Уч. Пос. М. : Издательский дом «Вильяме», 2001. 624 с.

83. Древе Ю.Г. Некоторые вопросы проектирования интеллектуальных информационных систем // Северный регион: наука, образование, культура. 2008. №1. С 27-30.

84. Кобринский Б.А. Ретроспективный анализ медицинских экспертных систем // Новости искусственного интеллекта №2. 2005. С. 6-17.

85. Кобринский Б.А. Искусственный интеллект и медицина: Возможности и перспективы систем, основанных на знаниях // Новости искусственного интеллекта. 2001. №4. С. 44-51.

86. Подходы к отображению субъективно нечетких представлений эксперта и пользователя в интеллектуальных системах // Программные продукты и системы №4. 1997. С. 45—47.

87. Королев В.Ю., Бенинг В.Е., Шоргин С.Я. Математические основы теории риска: Учебн. Пособ. М.: Физматлит, 2007. 544 с.

88. A.A. Егоров, Интеллектуальная информационная система поддержки принятия решений хирурга по выбору способа завершения операции. // A.A. Егоров, B.C. Микшина, В.В. Дарвин, A.A. Суровов // Современные проблемы науки и образования. 2011. № 5.

89. Нейлор К. Как построить свою экспертную систему. М.: ЭнергоАтомИздат. 1991., 286 с.

90. Попов Э.В. Экспертные системы: Решение неформализованных задач в диалоге ЭВМ. М.: Паука. Гл. ред. физ.-мат. лит., 1987 . - 288 с.

91. Структура экспертной системы // AIRPORTAL.RU: Портал исскуственного интеллекта. 2009. URL: http.V/www.aiportal.ru/articles/expert-systems/structure.html (дата обращения: 4.02.2010).

92. Режимы работы экспертных систем // AIRPORTAL.RU: Портал исскуственного интеллекта. 2009. URL: http://www.aiportal.ru/articles/expert-svstems/modes-work.html (дата обращения: 4.02.2010).