Нейросетевое прогнозирование и мониторирование больных после радикальной позадилонной простатэктомии тема диссертации и автореферата по ВАК РФ 14.01.23, кандидат наук Демченко, Наталья Александровна

  • Демченко, Наталья Александровна
  • кандидат науккандидат наук
  • 2015, Москва
  • Специальность ВАК РФ14.01.23
  • Количество страниц 137
Демченко, Наталья Александровна. Нейросетевое прогнозирование и мониторирование больных после радикальной позадилонной простатэктомии: дис. кандидат наук: 14.01.23 - Урология. Москва. 2015. 137 с.

Оглавление диссертации кандидат наук Демченко, Наталья Александровна

Используемые сокращения.........................................................................3

Введение...............................................................................................4

Глава 1. Нейросетевое моделирование и его применение в урологии. Обзор

литературы.........................................................................................10

Глава 2..Материалы и методы исследования...............................................33

2.1 .Характеристика исследования............................................................33

2.2.Характеристика пациентов................................................................34

2.3.Методы обследования больных..........................................................35

2.4.Методика оперативного лечения.........................................................40

2.5 .Патоморфологическое исследование...................................................41

2.6.Послеоперационный мониторинг........................................................42

Глава 3. Влияние изучаемых факторов на достоверность прогнозирования и

эффективность мониторинга рака простаты.................................................48

Глава 4. Создание, применение и практическая реализация нейросетевой модели прогнозирования и мониторинга рака простаты.........................................57

4.1.Создание нейросетевой модели прогнозирования и мониторинга..............57

4.2.Практическое применение нейросетевой модели прогнозирования и мониторинга рака простаты..................................................................64

4.3.Практическая реализация нейросетевой модели прогнозирования и

мониторинга рака простаты..................................................................86

Заключение........................................................................................89

Выводы.............................................................................................96

Практические рекомендации................................................................97

Список использованной литературы......................................................98

Приложение.....................................................................................118

ИСПОЛЬЗУЕМЫЕ СОКРАЩЕНИЯ

ВОУ - внутренняя оптическая уретротомия

ДГПЖ - доброкачественная гиперплазия предстательной железы

ИИ - искусственный интеллект

ИНС - искусственные нейронные сети

л\у - лимфатические узлы

КТ - компьютерная томография -

МРТ - магнитнорезонансная томографии

НС - нейронная сеть

ПЖ - предстательная железа

ПИН - простатическая интраэпителиальная неоплазия

ПРИ - пальцевое ректальное исследование

ПСА - простатспецифический антиген

РПЖ - рак предстательной железы

РПЭ - радикальная простатэктомия

ТРУЗИ - трансректальное ультразвуковое исследование

УВА - уретровезикальный анастомоз

УЗИ - ультразвуковое исследование

ЭВМ - электронная вычислительная машина

ЭС - экспертные системы

EAU - Европейская ассоциация урологов

ASAP - (atypical small acinar proliferation) атипичная мелкоацинарная пролиферация

Qmax - максимальная скорость мочеиспускания Voct - объем остаточной мочи

Рекомендованный список диссертаций по специальности «Урология», 14.01.23 шифр ВАК

Введение диссертации (часть автореферата) на тему «Нейросетевое прогнозирование и мониторирование больных после радикальной позадилонной простатэктомии»

ВВЕДЕНИЕ Актуальность темы

Рак предстательной железы - наиболее распространенная злокачественная опухоль у мужчин. С возрастом заболеваемость раком простаты увеличивается гораздо быстрее, чем заболеваемость другими злокачественными опухолями. Рак простаты является причиной смерти 3% мужчин старше 50 лет. Риск случайного обнаружения рака у мужчин-в~50 лет составляет около 40%. Распространенность данного заболевания у мужчин моложе 40 лет - 1 на 10 ООО; в возрасте 60 лет - 1 на 100; в возрасте 75 лет - 1 на 8 человек [104]. В США и ряде стран Европы РПЖ занимает первое место в структуре онкологической заболеваемости у мужчин. [103]. В структуре онкологических заболеваний в ряде стран РПЖ выходит на 2-3 место после рака легких и желудка, а в США - на первое место [104,105]. В России в 2010 году зарегистрировано 26268 новых случаев РПЖ - это второе место в структуре онкологической заболеваемости с показателем 40,2 на 100 000 мужчин. Среднегодовой прирост заболеваемости составил 9,83% [65]. Вместе с тем среди причин смерти мужчин от злокачественных новообразований рак простаты в настоящее время занимает второе место после рака легких. У родственников больных раком предстательной железы риск заболеть выше, чем у мужчин, в семьях которых данного заболевания не было. Причем, чем в более молодом возрасте возникла опухоль у родственника, тем выше риск. Так, если опухоль возникла в 70 лет, то риск у родственников повышен в 4 раза, если в возрасте 60 лет - то в 5 раз; если в возрасте 50 лет - то в 7 раз [102].

Таким образом, риск развития рака предстательной железы имеется у каждого мужчины, независимо от того, имеются ли какие-либо симптомы или заболевания простаты.

Онкоурология сегодня обладает широкими возможностями для ранней диагностики рака простаты, что позволяет выявлять злокачественный процесс в предстательной железе на клинически-локализованных стадиях (Т1-Т2) -тогда, когда можно добиться полного излечения заболевания после выполнения радикальной простатэктомии. Наличие местно-распространенного процесса (ТЗ)

предполагает проведение мультимодальной терапии, одним из этапов которой также является вышеуказанная операция. Ограничения проведения операции обусловлены лишь анестезиологическим риском. Но всегда у оперирующего хирурга остаются сомнения - насколько достоверно дооперационное стадирование, насколько целесообразно проведение такой объемной операции.

Первыми попытками прогнозирования данных патоморфологического заключения * были - таблицы Партина - и номограммы Катана. Одним из направлений, позволяющих оптимизировать стадирование опухолевого процесса, является разработка прогностических моделей - номограмм на основе анализа предикторов опухолевой экспансии. Наиболее популярны из них таблицы Партина, разработанные на больших когортах пациентов, однако их достоверность не превышает 50—80%. Один из основных недостатков существующих прогностических моделей — четкая зависимость их достоверности от популяции и выборки больных, на которых они разработаны. Применение данных методик при анализе других популяций и выборок приводит к явному снижению их прогностической ценности.

Таких математических прогностических моделей не много, но существует настоятельная необходимость в разработке методов, которые могли бы достаточно точно, имея стандартный перечень исходных клинических данных (стадия заболевания ТЫМ, уровень ПСА сыворотки крови, индекс Глисона и т.д.,) с большей долей вероятности предположить послеоперационное течение РПЖ, развитие осложнений (биохимический рецидив, недержание мочи, стриктура уретровезикального анастомоза, эректильная дисфункция и т.д.) и выработать тактику по их раннему выявлению и лечению.

Эта задача существенно упрощается при внедрении в процесс искусственных нейронных сетей - программных реализаций математических моделей, построенных по принципу функционирования биологических нейронных сетей -сетей нервных клеток живого организма. ИНС представляют собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты, особенно

в сравнении с процессорами, используемыми в персональных компьютерах. Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. Будучи соединёнными в большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи, что диктует необходимость проводить дальнейшие и интенсивные разработки в этой области. -

Цель исследования

Цель - улучшить результаты лечения больных раком предстательной железы путем создания и внедрения компьютерной системы по прогнозированию и мониторингу послеоперационного периода у больных, перенесших радикальную простатэктомию.

Задачи

1. Выявить значимые показатели для прогнозирования послеоперационного течения рака простаты.

2. Разработать нейросетевой алгоритм построения рекомендаций для послеоперационного мониторинга больных, перенесших радикальную простатэктомию.

3. Разработать , компьютерную нейросетевую программу прогнозирования и мониторинга послеоперационного течения рака,простаты.

4. Апробировать и внедрить в практическую деятельность многопрофильного стационара нейросетевую модель для прогнозирования и мониторинга в урологической практике.

Научная новизна

В диссертации получены следующие результаты, характеризующиеся научной новизной:

1. Создан алгоритм обучения на основе математического моделирования, позволивший создавать нейронную сеть прогнозирования и мониторирования больных после радикальной простатэктомии.

2. Разработанная нейросетевая модель способна достаточно быстро адаптироваться к новым для нее выборкам больных.

3. Достигнута возможность интеграции системы в больничный документооборот, распечатывания^данных о проведенном лечении и его особенностях на бумажном носителе, наблюдения пациентов с активным вызовом на повторные осмотры, в сроки, предусмотренные нейронной сетью.

Основные положения, выносимые на защиту

1. Разработана оригинальная продукционная нейросетевая система для прогнозирования и мониторинга послеоперационного течения рака простаты.

2. Использован принцип совмещенной информационно-интеллектуальной прогностической системы в области урологии.

3. Разработана собственная прогностическая программа для консультации больных, перенесших радикальную простатэктомию, предназначенная для эффективного послеоперационного мониторинга и рекомендации его лечащему врачу.

Практическая значимость

В результате данного исследования создана программа «Математическое моделирование послеоперационного течения рака простаты или игс^аЪ). Проведенное исследование позволяет формировать управленческие решения на основе комплексного подхода к оценке состояния здоровья пациента, что, в свою очередь обеспечивает возможность увеличить эффективность оперативного лечения и снизить процент послеоперационных осложнений.

В результате проектирования информационно-интеллектуальной модели создан программный продукт, который позволяет прогнозировать основные

онкоурологические показатели: пятилетнюю безрецидивную выживаемость, экстракапсулярную экстензию, поражение лимфоузлов и семенных пузырьков, а также проводить мониторинг экспертного класса врачами любой категории за больными после радикальной простатэктомии. Таким образом, это одновременно и средство автоматизации работы эксперта в сложных условиях клинической практики, и интеллектуальная система поддержки принятия решений, которая учитывает при интеллектуальном анализе множество различных внутренних.и внешних факторов, существенно расширяя возможность врача по всему комплексу возможных видов лечения.

Внедрение результатов исследования в практику

Результаты исследования могут быть использованы в работе онкоурологических отделений стационаров и поликлиник. Созданная программа используется при обучении курсантов, проходящих циклы усовершенствования на кафедре Урология и хирургическая андрология РМАПО г. Москвы. Разработанная программа используется при проведении практических занятий по изучению нейросетевых технологий в дисциплине «Математика искусственных нейронных сетей» Московского института информационных технологий. Результаты исследования внедрены в практику работы урологических отделений ГКБ им. С.П.Боткина г. Москвы.

Личный вклад автора

В процессе работы над диссертацией автором лично проанализирована современная литература по изучаемой проблеме, сформулированы цель и задачи научной работы, разработаны дизайн исследования и первичная медицинская документация - карта обследуемого пациента, проведен отбор и клинический осмотр всех больных, сбор анамнеза, клиническое обследование и наблюдение пациентов во время стационарного лечения и на амбулаторном этапе исследования. Автор принимала непосредственное участие в операциях,

динамическом наблюдении соответственно указанным срокам 223 пациентов, которым была выполнена РПЭ. На основании полученных результатов автором проведены анализ и статистическая обработка данных, интерпретация полученного материала, создана нейросетевая модель прогнозирования и мониторинга, подготовлены публикации по выполненной работе, сформулированы основные положения и выводы диссертационной работы, разработаны практические рекомендации

Публикации

По теме диссертации опубликовано 3 работы в журналах, входящих в перечень ведущих рецензируемых научных журналов и изданий, рекомендованных ВАК для опубликования основных результатов диссертационных исследований. Оформлено свидетельство о государственной регистрации программы для ЭВМ № 2013616964 «Математическое моделирование послеоперационного течения рака простаты (иго81а1;)» от 29.07.2013. Основные материалы диссертации доложены на 5-й Всероссийской научно-практической конференции «Актуальные проблемы онкоурологии» (Абзаково, 2011) и на VII Конгрессе РООУ (Москва, 2012).

Глава 1

Нейросетевое моделирование и его применение в урологии.

Обзор литературы.

Рак простаты является большой социальной и медицинской проблемой. В США за 2006 г. выявлено 234 460 случаев рака предстательной железы, 27 350 больных умерли от этого заболевания [105]. Злокачественное поражение простаты составляет~около трети всех раков у мужчин, по частоте выявления рак простаты занимает первое, а по смертности - третье место (после рака легких и бронхов) [104]. Заболеваемость и смертность от рака простаты в России возрастает. В 2010 году в России от данной патологии умерло 9971 мужчин, прирост данного показателя за 10 лет составил 57,56%, локализованный РПЖ диагностирован у 44,8% больных [14,65]. Прирост стандартизированного показателя заболеваемости (мировой показатель) по России за период с 1991 по 2000 годов составил 64,4%, среднегодовой темп прироста - 5,7%. В России число впервые выявленных случаев возрастает с каждым годом. В 2007 году морфологически верифицировано 75,2 % диагнозов рака простаты. От числа больных с установленным диагнозом рак простаты 34,4 % имели 1-П стадию, 37,5 % - III стадию, 23, 6 %- IV стадию [15,59]. В структуре смертности населения России после 70 лет и старше, опухоли простаты занимают третье место [62]. Ежегодное увеличение числа больных с верифицированным раком простаты связано с несколькими факторами - внедрение и исследования простатспецифического антигена в рутинную практику, относительной простотой выполнения и доступностью трансректальной мультифокальной биопсии, значительной осведомленностью врачей и пациентов [105].

Введение скрининговых программ привело к повышению числа выявляемых случаев РПЖ, которые можно полностью излечить. С повышением частоты встречаемости РПЖ и повышением эффективности хирургического лечения, существенно увеличилось число радикальных простатэктомий. Оперативное лечение может быть радикальным, если злокачественный процесс выявлен на

ранних стадиях. Кроме того, совершенствуется техника, накапливается опыт у оперирующих хирургов, что понижает частоту осложнений этой операции.

С 90-х годов прошлого столетия РПЭ стала методом выбора в лечении локализованных форм РПЖ. В последнее десятилетие в основу хирургической техники простатэктомии положены фундаментальные исследования анатомии и физиологии малого таза, что позволяет существенно уменьшить осложнения и смертность, а также сохранить дооперационное качество жизни. В мире накоплен большой опыт оперативного лечения больных РПЖ и целесообразность применения хирургической тактики основывается на том, что выявленный клинически значимый РПЖ прогрессирует медленно, но неизбежно. Так как РПЭ является самым ранним и самым эффективным методом лечения локализованных форм РПЖ, отбор пациентов играет все более важную роль в оценке и выборе целесообразной лечебной стратегии.

Точное стадирование является основополагающим условием в лечении РПЖ и важно для отбора кандидатов для РПЭ. Наиболее обсуждаемым критерием для выбора оперативного лечения является стадия заболевания. Большинство специалистов считают, что идеальными пациентами для оперативного лечения являются больные с локализованными формами - Т1-Т2 стадиями. При этом степень дифференцировки опухоли, уровень ПСА, возраст не оказывают существенного влияния на выбор лечения, пока опухоль расценивается как локализованная [115]. Тем не менее, подавляющее большинство урологов едины во мнении, что кандидатами для РПЭ, являются пациенты с ожидаемым сроком жизни не менее 10 лет [85].

У некоторого числа пациентов послеоперационное морфологическое исследование выявляет экстрапростатический процесс. Не обнаруженная предварительно экстрапростатическая экстензия может привести к неполному ее иссечению, появлению положительного хирургического края и повышает риск рецидивирования. Недостаточная чувствительность современных методов локального стадирования - пальцевое ректальное исследование, определение сывороточного ПСА, ТРУЗИ, МРТ - приводит к недооценке стадии в 50 %

случаев, в связи с чем, возникает потребность в методах, повышающих точность стадирования рака простаты - и тут открываются достаточно широкие горизонты для использования нейронных сетей.

Проблема искусственного интеллекта является сейчас одной из самых злободневных [1]. При изучении проблем, связанных с искусственным интеллектом, решаются многие основополагающие вопросы, связанные с путями развития научной мысли, с воздействием достижений в области вычислительной техники и робототехники на жизнь будущих поколений людей. Здесь возникают и развиваются новые методы научных междисциплинарных исследований, формируется новый взгляд на роль тех или иных научных результатов и возникает то, что можно назвать философским осмыслением этих результатов.

Понятие искусственного интеллекта многогранно [25]. Но, есть несколько важных аспектов. Во-первых, это вопрос о том, что такое искусственный интеллект, ведь определение понятия обусловливает предмет, цель, методы, успешность исследования. Во-вторых, интеллект подразумевает обработку информации, поэтому важной является проблема представления знаний в системах искусственного интеллекта. В-третьих, существовали и существуют различные подходы к решению вопросов, связанных с созданием интеллектуальных систем, и их рассмотрение проливает свет на многие аспекты проблемы. В-четвертых, огромное значение имеет обеспечение взаимодействия систем искусственного интеллекта с человеком на естественном языке, так как при этом значительно облегчается ведение диалога.

Искусственный интеллект — наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ. ИИ связан со сходной задачей использования компьютеров для понимания человеческого интеллекта, но не обязательно ограничивается биологически правдоподобными методами - такое определение искусственного интеллекта, которое дал Джон Маккарти в 1956 году на конференции в Дартмутском университете, не связано напрямую с пониманием интеллекта у человека [36]. Поясняя своё определение, Джон Маккарти указывает: «Проблема состоит в том, что пока мы не можем в

целом определить, какие вычислительные процедуры мы хотим называть интеллектуальными. Мы понимаем некоторые механизмы интеллекта и не понимаем остальные. Поэтому под интеллектом в пределах этой науки понимается только вычислительная составляющая способности достигать целей в мире».

Несмотря на то, что, по мнению некоторых ученых, искусственный интеллект принципиально невозможен— разработки в области создания систем искусственного интеллекта являются в настоящее время одним из приоритетных направлений в науке [50].

История искусственного интеллекта как нового научного направления начинается в середине XX века [28]. Как научная дисциплина ИИ состоит из нескольких крупных течений. Наиболее широко применимые в медицине - это экспертные системы и искусственные нейронные сети.

Экспертные системы - это направление исследований в области искусственного интеллекта по созданию вычислительных систем, умеющих принимать решения, схожие с решениями экспертов в заданной предметной области [39].

Экспертные системы имеют одно большое отличие от других систем искусственного интеллекта: они не предназначены для решения каких-то универсальных задач, как например нейронные сети или генетические алгоритмы. Экспертные системы предназначены для качественного решения задач в определенной разработчиками области, в редких случаях - областях [4].

Первую экспертную систему, которую назвали DENDRAL, разработали Э. А. Фейенбаум и Дж Ледерберг в Стэнфорде в конце 1960-х г.г. [50]. Эта была экспертная система, определяющая строение органических молекул по химическим формулам и спектрографическим данным о химических связях в молекулах. Система DENDRAL использовалась в качестве консультанта химиками-органиками более 15 лет, однако методика современных экспертных систем связана с другой разработкой - MYCIN. В ней использовались знания экспертов медицины для диагностики и лечения менингита и бактериальных инфекций крови. Данную систему разработали в Стэнфорде в начале 70-х годов

для диагностики септического шока. Половина больных умирала от него в течение суток, а врачи могли обнаружить сепсис лишь в 50 % случаев. MYCIN, казалось, была подлинным триумфом технологии экспертных систем - она позволяла обнаружить сепсис в 100 % случаев [52].

Экспертная система MYCIN одной из первых обратилась к проблеме принятия решений на основе ненадежной или недостаточной информации. Все рассуждения экспертной системы MYCIN были основаны на принципах управляющей логики, соответствующих специфике предметной области. Многие методики разработки экспертных систем, использующиеся сегодня, были впервые разработаны в рамках проекта MYCIN.

В настоящее время существуют и онлайн-версии медицинских экспертных систем, где любой пользователь может установить диагноз с той или иной долей вероятности.

Однако, скоро стало ясно, что подобные линейные системы, хоть и могут принести пользу в некоторых областях, не учитывают некоторые ключевые аспекты человеческого интеллекта. В связи с этим интерес исследователей переключился на другую отрасль искусственного интеллекта - на искусственные нейронные сети - аппаратные реализации математических моделей, построенные по принципу функционирования сетей нервных клеток живого организма [2,70].

Впервые понятие нейронной сети ввели У. МакКалок и У. Питтс в фундаментальной статье о логическом исчислении идей и нервной активности в 1943г [11,35,36]. В 1948 году Норберт Винер публикует работу о кибернетике. Основной идеей является представление сложных биологических процессов математическими моделями [18]. В 1958 Розенблатт изобретает однослойный перцептрон [38,54]. (рис 1.)

Д-элементы З-зле менты

РЗ-эл ементы

Рис 1. Однослойный перцептрон Розенблатта [54].

Перцептрон обретает популярность - его используют для распознавания образов, прогнозирования погоды и т.д. В 1960 году Уидроу совместно со своим студентом Хоффом на основе дельта-правила (формула Уидроу) разработали Адалин - построенный на базе созданных ими же принципиально новых элементов - мемисторах. Сейчас Адалин (адаптивный сумматор) является стандартным элементом многих систем обработки сигналов. В след за этим, в 1975 году К.РикшЫта представил Когнитрон - самоорганизующуюся сеть, предназначенную для инвариантного распознавания образов, но этого возможно было добиться только при помощи запоминания практически всех состояний образа [102].

В 1986 году Дэвидом Румельхартом, Дж. Хинтоном и Рональдом Дж. Вильямсом и независимо, и одновременно С.И. Карцевым и В.А. Охониным («Красноярская группа») продолжили и существенно развили метод обратного распространения ошибки. Начался взрыв интереса к обучаемым нейронным сетям [56].

ИНС - это структура для обработки когнитивной информации, основанная на моделировании функций мозга [96,108]. Основу каждой ИНС составляют относительно простые, в большинстве случаев однотипные элементы (ячейки), имитирующие работу мозга. Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут

быть возбуждены или заторможены. Искусственный нейрон обладает группой синапсов - однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон - выходную связь данного нейрона, с которого сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов (рис 2) [57,121].

входной

(распределительный) скрытые (промежуточные) слои выходной

псевдослои слои

Рис 2. Схематическое строение искусственной нейронной сети [9].

Для ИНС характерен принцип параллельной обработки сигналов, что достигается путем объединения большого числа нейронов в так называемые слои и соединения нейронов различных слоев [1]. Теоретически количество слоев и количество нейронов может быть произвольным, однако фактически оно ограничено ресурсами компьютера. В общем случае, чем сложнее ИНС, тем масштабнее задачи, подвластные ей [41,108]. Прочность синаптических связей модифицируется в процессе извлечения знаний из обучающего набора данных (режим обучения), а затем используется при получении результата на новых данных (режим исполнения) [29].

Наиболее важным отличием ИНС от остальных методов прогнозирования является возможность конструирования системы самим врачом-экспертом, который может передавать нейронной сети свой индивидуальный опыт и опыт своих коллег или обучать сеть на реальных данных, полученных путем наблюдений [123]. Нейронные сети способны принимать решения, основываясь на выявляемых ими скрытых закономерностях в многомерных данных [22].

Положительное отличительное свойство ИНС состоит в том, что они не программируются, т.е. не используют никаких правил вывода для постановки диагноза, а обучаются делать это на примерах. В ряде случаев ИНС могут демонстрировать удивительные свойства, присущие мозгу человека, в том числе отыскивать закономерности в запутанных данных [8]. Нейронные сети нашли применение во многих областях техники, где они используются для решения многочисленных прикладных задач: в космонавтике, автомобилестроении, банковском и военном деле, страховании, робототехнике, при передаче данных и др. [6,45]. Другое, не менее важное, свойство нейронной сети состоит в способности к обучению и обобщению полученных знаний [9]. Сеть обладает чертами искусственного интеллекта. Натренированная на ограниченном множестве обучающих выборок, она обобщает накопленную информацию и вырабатывает ожидаемую реакцию применительно к данным, не обрабатывающимся в процессе обучения [43,61].

Примеры использования ИНС в медицине нельзя назвать единичными, они применяются во многих областях здравоохранения [55]. Сегодня номограммы широко используются в различных разделах медицины - кардиологии[17,88,124], пульмонологии [30], маммологии [21], хирургии [19,31,44,48,58,69,133], онкологии [53,66], акушерстве и гинекологии [33,34], а также в урологии [5,7,32,47]. В онкоурологии разработано множество номограмм. Наибольшее их количество предназначено для ведения больных раком предстательной железы, что не удивительно, так как в развитых странах это одна из наиболее часто встречающихся злокачественных опухолей у мужчин. Разработаны также номограммы для рака мочевого пузыря и почечно-клеточного рака. Схематично процесс применения обученной ИНС в медицине показан на схеме 1.

Поток данных (результат обследования

обработка

принятие решения (выбор тактики лечения)

данных

>

пациентов)

Схема 1. Схема применения обученной искусственной нейронной сети в медицине.

Врач, активно применяющий номограммы в своей клинической практике, должен иметь представление как выбирать наиболее качественную. Самый важный показатель - прогностическая точность номограммы [3,49,51]. Первоначально, в ходе построения математической модели на основе данных когорты пациентов, проверяется правильность прогноза на той же популяции участников - рассчитывается так называемый коэффициент прогностической достоверности номограммы (индекс конкордантности), выражаемый в процентах или долях единицы [42]. Большинство современных прогностических моделей имеют индекс конкордантности 70-85%. Индекс достоверности превышающий 80% (или 0,8) говорит о высокой прогностической точности номограммы, и лишь немногие прогностические модели таким обладают им [10]. Заслуживающая доверия номограмма должна пройти и так называемую внешнюю валидизацию, т. е. проверку на других популяциях [46,134].

Похожие диссертационные работы по специальности «Урология», 14.01.23 шифр ВАК

Список литературы диссертационного исследования кандидат наук Демченко, Наталья Александровна, 2015 год

Список использованной литературы

1. АгеенкоИ.Н. Элементы архитектуры нейросистем: концепции нейросистемы, память, активные нейронные сети, модели процессов мышления / И.Н.Агеенко. - Ульяновск: ФГОУ ВПО Ульян. ГСХА, 2004. - 192 с.

2. Андрейчиков A.B., Андрейчикова О.Н. Интеллектуальные информационные системы. - М.: Финансы и статистика, 2004. - 424с.

3. Аюпов И.Р., Лисовец Ю.П., Лукьянов И.В. Моделирование нейронной сети в среде Matlab для построения медицинского диагноза. //Проектирование инженерных и научных приложений в среде Matlab, 2007. 3-я всероссийская научная конференция (Санкт-Петербург, 2007).

4. Аюпов И.Р., Махалов A.A. Построение нейронной сети для экспертной системы принятия решений в построении медицинского диагноза. //Мэ и Инф. - 2007, 14-я межвузовская научно-техническая конференция студентов и аспирантов (Москва, 2007).

5. Башарин A.B. Использование эффективной мощности пневматической контактной уретеролитотрипсии на основе математической модели : автореферат дисс. ... к. м. н. Москва.-2014.-24с.

6. Васильев В.И., Жернаков C.B., Фрид А.И. Нейрокомпьютеры в авиации (самолеты) / Под ред. Васильева В.И., Ильясова Б.Г., Кусимова С.Т. Кн. 14: Учеб. пособие для вузов. М.: Радиотехника, 2003. - 496 с.

7. Гвасалия Б.Р. Прогнозирование послеоперационных осложнений и летальности в хирургическом лечении доброкачественной гиперплазии предстательной железы с применением нейросетевых компьютерных программ. Автореферат дисс ...к.м.н. Смоленск. - 2004. - 23с.

8. Гельфанд И.М., Розенфельд Б.И., Шифрин М.А. Очерки о совместной работе математиков и врачей. Серия "Синергетика: от прошлого к будущему". Изд.2, 2004. 320 с.

9. Головко В. А.Нейронные сети: обучение, организация и применение: Учебник для вузов. / Под ред. А. И. Галушкина. - М.: ИПРЖР, 2001. - 256 с.

Ю.Галушкин А.И. Нейронные сети:-основы теории: научное издание. - М.: Горячая линия-Телеком, 2010. - 496 с.

П.Галушкин А.И, Цыпкин ЯЗ. Нейронные сети: История развития теории: учебное пособие для студентов вузов по направлению подготовки бакалавров и магистров./ "Прикладные математика и физика" М.: ИПРЖР, 2001 - 840 с

12.Городецкий А.Е., Тарасова И. J1. Управление и нейронные сети. Изд-во СПбГПУ, 2005, 400с.

13. Гужва А.Г., Доленко С.А., Персианцев И.Г. Методика отбора существенных входных признаков при нейросетевом решении задач регрессии // «Нейрокомпьютеры: разработка, применение» : науч.-тех. журн. 2010. № 3.

Н.Давыдов М. П., Аксель Е. М. Смертность населения России и стран СНГ от злокачественных новообразований в 2006 году// Вестник РОНЦ им. Н. Н. Блохина РАМН, т. 19, №2 (прил. 1), 2008

15. Давыдов М. И., Аксель Е. М. Статистика злокачественных новообразований в России и стран СНГ в 2007 году// Вестник РОНЦ им. H.H. Блохина РАМН т.20, №3 (77), прил. 1 июль-сентябрь 2009

16.Дюк В. А., Эмануэль B.JI. Информационные технологии в медико-биологических исследованиях. - СПб.: Питер, 2003.-528 с.

17.Егерь Ю. В. Прогнозирование риска смерти больных нестабильной стенокардией с использованием искусственной нейронной сети. //Вестник Смоленской медицинской академии. 2001 №2. - С. 53-55

18.Ежов A.A., Шумский С.А. Нейрокомпьютинг и его применения. - М.: МИФИ, 2008. - 222с.

19.Есин C.B., др. Применение нейросетевых компьютерных технологий в определении лечебной тактики у больных язвенной болезнью желудка и двенадцатиперстной кишки. М. Изд. "Вестник хирургии им. И.И. Грекова". 2000. Т. 159, №1, - С. 73-76.

20.Жмудяк M.JL, Повалихин А.Н., Стребуков A.B. Сравнение эффективности дифференциальной диагностики заболеваний статистическими методами // Студенты, аспиранты и молодые ученые - малому наукоемкому бизнесу (Ползуновский гранты): материалы IX-го Всероссийского слета студентов, аспирантов и молодых ученых - лауреатов конкурса Министерства образования и науки РФ и Государственного фонда содействия развития малых форм предприятий в научно-технической сфере «Ползуновские гранты» / под. общ.ред. А.А.Максименко - Барнаул: Изд-во АГТУ, 2004. - С. 100-105

21.Заболотская Н.В. Новые технологии в ультразвуковой маммографии. М.: СТРОМ, 2011.-256с.

22.Иванов А.И., Кисляев С.Е., Гелашвили П.А. Искусственные нейронные сети в биометрии, медицине, здравоохранении. Самара: ООО «Офорт», 2004.-236с.

23.Карандашев Я.М., Крыжановский Б.В., Литинский Л.Б.. Обобщённая модель Хопфилда и статфизический подход: общий случай. //Нейроинформатика-2011. XIII Всероссийская научно-техническая конференция. Сборник научных трудов, ч.З, с.181-190. М., НИЯУ МИФИ, 2010

24.Карпухин О.Н. Глобальные (стратегические) проблемы практического применения сложных математико-статистических методов (хемометрики), Док. на 4-ом междун.симп. "Современные методы многомерных данных" (WSC-4). Черноголовка, 14-18 февраля, 2005.

25.Круглов В.В., Борисов В. В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия - Телеком, 2001.-382с.

26.Круглов В.В. Нечеткая логика и искусственные нейронные сети. Физматлит, 2001.224 с.

27.Комарцова Л. Г., Максимов А. В. Нейрокомпьютеры. Изд-во МГТУ им. Н.Э. Баумана, 2002. — 320 с.

28.Корсаков С.Н. Начертание нового способа исследования при помощи машин, сравнивающих идеи / Под ред. A.C. Михайлова. — М.: МИФИ, 2009. - 44с.

29.Круглов, В.В. Интеллектуальные информационные системы: компьютерная поддержка систем нечеткой логики и нечеткого вывода. М.: Физматлит, 2002. 310с.

30.Кузнецов В. В. Оптимизация схемы лечения больных бронхиальной астмой в возрастном аспекте с применением нейросетевого моделирования. Автореферат дисс ...к.м.н. Воронеж. - 2002. -16с.

31. Лебедев Д.С. Использование нейронных сетей для принятия внутригоспитальных управленческих решений (на примере острого панкреатита). Автореферат дисс ...к.м.н. - Москва. - 2005. - 80с.

32.Лукьянов И.В. Экспертная система диагностики и выбора тактики лечения у больных с ДГПЖ. Автореферат дисс.... к.м.н. - Москва. -2001.- 19с.

33.Мазуров А. Д. Прогноз исхода беременности на основе методов многомерного анализа данных. // Актуальные вопросы современной

медицины. Сборник научных трудов по итогам межвузовской ежегодной заочной научно - практической конференции с международным участием. Екатеринбург 2014.- С. 12-15

34. Макаренко Т. А. Использование компьютерной экспертной нейросетевой системы с целью прогнозирования осложнений беременности и родов, параметров физического развития новорожденных. //Вестник перинатологии, акушерства и гинекологии. 2000 В. 7. - С. 102-113

35.Материалы интервью Джона Маккарти «What is artificial intelligence?» 2007г.

36.МакКаллок У.С., Питтс У. Логическое исчисление идей, относящихся к нервной активности // Автоматы, под ред. Шеннона К.Э. и Маккарти Дж. М.: ИЛ, 1956. С. 362-384.

37.Медведев B.C., Потемкин В.Г. Нейронные сети. Matlab 6. — Диалог-МИФИ, 2002. - 496с

38. Минский М., Пейперт С. Перцептроны. Мир, 1971,- 261с.

39. Миркес Е.М. Нейроинформатика. - Красноярск: ИПЦ КГТУ, 2002. -347 с.

40.Муха Ю. П. Системные функции и нейросетевые системы для измерения основных физиологических параметров. //Биомедицинские технологии и радиоэлектроника. 2002 №2. - С. 58-61

41.Муха,Ю.П. Системное функциональное преобразование для медицинских измерений / Ю.П.Муха, Д.В.Жмурин //Биомедицинские технологии и радиоэлектроника.- 2002.-N4.- С. 16-19.

42. Муха Ю. П. Метрологическое описание нейронных сетей. //Биомедицинские технологии и радиоэлектроника. 2002 №4. - С. 20-23

43. Муха Ю. П. Принципы построения медицинских диагностических комплексов на базе нейросетевых технологий. //Биомедицинские технологии и радиоэлектроника. 2001 №4. - С. 42-47

44. Назаренко Г. И. Прогнозирование характера течения острого панкреатита методом нейронных сетей. //Вестник хирургии имени И. И. Грекова. 2005. -Т. 164, № 1.-С. 50-54

45. Немытин Ю. В. Опыт применения интеллектуальных компьютерных технологий в лечебно-диагностической практике. //Военно-медицинский журнал. 2006. - Т. 327, № 10. - С. 8-11

46.Носенко E.H. Искусственные нейронные сети в медицинских исследованиях / E.H. Носенко, Д.Ю. Игнатов, Е.В. Зоркова // Перспективи медицини та бюлоги. - 2011. - Т. 3, № 1. - С. 76-79.

47. Олексюк И.И. Прогнозирование результатов дистанционной ударно-волновой литотрипсии и рецидивного камнеобразования у больных с мочекаменной болезнью. //Автореферат... к. м.н. - Москва.-1997,-18с.

48.Осипов В. В. Применение искусственных нейронных сетей в лечении язвенной болезни.// Воен.-мед. журн. 2000 - №6. С. 40-44

49. Осовский, С. Нейронные сети для обработки информации Текст. / С. Осовский; пер. с польского И.Д. Рудинского.- М.: Финансы и статистика, 2002. - 344 с.

50.Петрунин Ю. Ю., Рязанов М. А., Савельев А. В. Философия искусственного интеллекта в концепциях нейронаук. — М.: МАКС Пресс, 2010. - 78с.

51 .Рутковская Д., Пилиньский М., Рутковский JI. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И. Д. Рудинского. — М.: Горячая линия — Телеком, 2006. — 452 с.

52.Роберт Каллан. Основные концепции нейронных сетей = The Essence of Neural Networks First Edition. — 1-е. — «Вильяме», 2001. — 288c.

53.Ройзман А. П. Моделирование факторов риска осложнений и прогноза при хирургическом лечении рака толстой кишки (на принципах нейросетевых технологий). Автореф.. ..к. м. н. Уфа. - 2008,- 24с.

54тРозенблатг Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга. Под ред. С.М. Осовца М: Мир; 1965. - 480с.

55.Руанет В. В., Искусственные нейронные сети в комплексном решении медико-биологических проблем.// Автореф...д. б. н.Тула. - 2007. — 44с.

56.Савельев А. В. На пути к общей теории нейросетей. К вопросу о сложности // Нейрокомпьютеры: разработка и применение. — 2006. — № 4-5. — С. 4—14.

57.Саймон Хайкин. Нейронные сети: полный курс = Neural Networks: А Comprehensive Foundation. — 2-е. — М.: «Вильяме», 2006. — 1104с.

58.Соломаха А.А. Нейросетевое прогнозирование риска возникновения ранних послеоперационных осложнений в абдоминальной хирургии: Автореф.... к. м. н,- Саранск, 1997.- 15 с.

59.Статистика злокачественных новообразований в России и странах СНГ в 2007 г. // Вестник РОНЦ им. Н.Н. Блохина РАМН. - Том 20. - № 3 (77). -Прил. 1

60.Тархов Д.А. Нейронные сети: модели и алгоритмы. М.: Радиотехника,2005. -256с.

61.Терехов А.В. Нейросетевые системы управления. — 1-е. — Высшая школа, 2002, — 184с.

62.Трапезников, Н.Н. Статистика злокачественных новообразований в России и странах СНГ (состояние онкологической помощи, заболеваемость и

смертность) / H.H. Трапезников, Е.М. Аксель. Москва: РОНЦ им. Блохина РАМН, 2001.-295 с.

бЗ.Харченко Е. П. Использование модели нейронной сети для прогнозирования рака на основе иммунологических показателей. //Бюллетень экспериментальной биологии и медицины. 1996 Т.122. №8. С. 206-208

64.Частиков А.П., Гаврилова Т.А., Белов Д.Л. Разработка экспертных систем. Среда CLIPS. - СПб. : БХВ-Петербург, 2003. - 606 с

65.Чиссов В.И., Старинский В.В. Состояние онкологической помощи населению России в 2010 году. - М.: ФГУ «МНИОИ им. П. А. Герцена» Минздравсоцразвития России, 2011. - 188 с.

66.Шевченко Ю. В. Прогнозирование течения раннего послеоперационного периода у больных с радикальными операциями по поводу рака легкого с использованием методов бинарной логистической регрессии и искусственных нейронных сетей. Автореф....к. м. н. - Москва. 2008.- 25 с.

67.Шибзухов З.М. Некоторые вопросы теоретической нейроинформатики. //XIII Всероссийская научно-техническая конференция "Нейроинформатика-2011". Лекции по нейроинформатике. М., НИЯУ МИФИ, 2010. С.44-72.

68.Щетинин В.Г., Соломаха A.A. Применение компьютерных «нейронных сетей» в клинической лабораторной диагностике. //Клиническая лабораторная диагностика 1998; №10:-С. 21—33.

69. Щетинин В. Г., Нейросетевой прогноз послеоперационных осложнений.//Медицинская техника. 2000 №2. - С. 21-25

70. Ясницкий Л.Н Введение в искусственный интеллект. Издательский центр "Академия", 2008. — С. 176.

71.Augustin H, Hammerer P, Graefen M. Intraoperative and perioperative morbidity of contemporary radical retropubic prostatectomy in a consecutive series of 1243 patients: results of a single center between 1999 and 2002. //Eur Urol 2003;43(2): 113—8.

72.Babaian RJ, Fritsche HA, Zhang Z. Evaluation of prostAsure index in the detection of prostate cancer: a preliminary report. //Urology. 1998 Jan;51(1): 132-6.

73.Bader P, Burkhard FC, Studer UE. Disease progression and survival of patients with positive lymph nodes after radical prostatectomy. Is there a chance of cure? //J Urol 2003;169(3):849—54.

74.Bassi P., Sacco E., De Marco V. Prognostic accuracy of an artificial neural network in patients undergoing radical cystectomy for bladder cancer: a comparison with logistic regression analysis.// BJU Intern. - 2007. - Vol. 99, N 5. -P. 1007—1012

75.Bill-Axelson A, Holmberg L, Filen F. Scandinavian Prostate Cancer Group Study Number 4. Radical prostatectomy versus watchful waiting in localized prostate cancer: the Scandinavian prostate cancer group-4 randomized trial. //J Natl Cancer. Inst. 2008; 100( 16): 1144—54.

76.Bishop C.M. Pattern Recognition and Machine Learning.// Springer, 2006 - 738 p.

77.Boccon-Gibod L, Bertaccini A, Bono AV. Management of locally advanced prostate cancer: a European consensus. //Int J Clin Pract. 2003 Apr;57(3): 187-94.

78.Bochner BH, Kattan MW, Vora KC. Postoperative nomogram predicting risk of recurrence after radical cystectomy for bladder cancer. International Bladder Cancer Nomogram Consortium. //J Clin Oncol. 2006 Aug 20;24(24):3967-72. Epub 2006 Jul 24.

79.Boccon-Gibod L, Djavan WB, Kattan MW. Management of prostate-specific antigen relapse in prostate cancer: a European Consensus.// Int J Clin Pract 2004;58(4):382—90.

80.Briganti A, Larcher A, Abdollah F.Updated Nomogram Predicting Lymph Node Invasion in Patients with Prostate Cancer Undergoing Extended Pelvic Lymph Node Dissection: The Essential Importance of Percentage of Positive Cores. //Eur Urol. 2012 Mar;61(3):480-7. doi: 10.1016/j.eururo.2011.10.044. Epub 2011 Nov 7.

81.Briganti A, Salonia A, Gallina A. Validation of a nomogram predicting the probability of lymph node invasion based on the extent of pelvic lymphadenectomy in patients with clinically localized prostate cancer. //BJU Int 2006;98(4):788—93.

82.Bruwer G, Heyns CF, Allen FJ. Influence of local tumour stage and grade on reliability of serum prostate-specific antigen in predicting skeletal metastases in patients with adenocarcinoma of the prostate. //Eur Urol 1999;35(3):223—7.

83.Burke HB, Bostwick DG. ProstAsure Index in the detection of prostate cancer. //Urology. 1998 Sep;52(3):531-2.

84.Cagiannos I, Karakiewicz P, Ohori M. A preoperative nomogram identifying decreased risk of positive pelvic lymph nodes in patients with prostate cancer.// J Urol. 2003 Nov; 170(5): 1798-803.

85.Catalona WJ et al., "Measurement of prostate-specific antigen in serum as a screening test for prostate cancer". // Engl J Med (1991);324(17): pp. 1156-1161.

86.Caudill, M., and C. Butler, Understanding Neural Networks: Computer Explorations, Vols. 1 and 2, Cambridge, MA: the MGG Press, 1992.

87.Ciresan D., Meier U., Masci J. Multi-column Deep Neural Network for Traffic Sign Classification. //Neural Networks, Vol. 34, August 2012, pp. 333 - 338

88.Cindy L. Grines, M.D., et al. A Comparison Of Immediate Angioplasty With Thrombolytic Therapy For Acute Myocardial Infarction, The New England Journal of Medicine, vol. 328, No. 10, 1993// Massachusettes Medical Society, pp. 673679.

89.Chun F.K., Karakiewicz P.I., Briganti A. et al. A critical appraisal of logistic regression-based nomograms, artificial neural networks, classification and regression-tree models, look-up tables and risk-group stratification models for prostate cancer.// BJU Intern. - 2007. - Vol. 99, N 4. - P. 794—800

90.Crawford ED, Batuello JT, Gamito EJ. Artificial neural network model for the assessment of lymph node spread in patients with clinically localized prostate cancer. //Urology. 2001 Mar;57(3):481-5.

91.Das A., Ben-Menachem T., Farooq F. T. et al. Artificial neural network as a predictive instrument in patients with acute nonvariceal upper gastrointestinal hemorrhage.// Gastroenterology. - 2008. - Vol. 134, N 1. - P. 65—74.

92.Di Blasio CJ, Scardino PT, Kattan MW. Predicting clinical end points: treatment nomograms in prostate cancer. //Semin Oncol. 2003 Oct;30(5):567-86.

93.Diblasio CJ, Kattan MW. Use of nomograms to predict the risk of disease recurrence after definitive local therapy for prostate cancer.// Urology. 2003 Dec 29;62 Suppl 1:9-18.

94.Djavan B, Partin A, Zlotta AR, et al. Prospective evaluation of an artificial neural network for prostate cancer detection. //J Urol. 2000; №4, A1227.

95.Dohler F., Mormann F., Weber B. et al. A cellular neural network based method for classification of magnetic resonance images: towards an automated detection of hippocampal sclerosis. // J. Neurosc. Methods. - 2008 (in press).

96.Gassman E.E., Powell S.M., Kallemeyn N.A. et al. Automated bony region identification using artificial neural networks: reliability and validation measurements. // Skeletal Radiol. - 2008. - Vol. 37, N 4. - P. 313—319

97.Gallina A., Chun F.K-H, Briganti A., et al. Development and split- sample validation of a nomogram predicting the probability of seminal vesicle invasion at radical prostatectomy. //Eur Urol 2007; 52:98-105.

98.Geary ES, Stamey TA. Pathological characteristics and prognosis of nonpalpable and palpable prostate cancers with a Hybritech prostate specific antigen of 4 to 10 ng./ml.// J Urol. 1996 Sep; 156(3): 1056-8.

99.Gleason DF, "Classification of prostatic carcinomas", Cancer Chemother Rep (1966); 50(3): pp. 125-128.

100. Greene KL, Meng MV, Kattan MW. Validation of the Kattan preoperative nomogram for prostate cancer recurrence using a community based cohort: results from cancer of the prostate strategic urological research endeavor (capsure). //J Urol. 2004 Jun; 171(6 Pt l):2255-9.

101. Gontero P, Kirby RS. Nerve-sparing radical retropubic prostatectomy: techniques and clinical considerations. Prostate Cancer Prostatic Dis 2005;8(2):133—9.

102. Fukushima K. Neocognitron: A hierarchical neural network capable for visual pattern recognition // Neural networks. 1988. V.l. N.2. P. 119-130.

103. Jemal A, Lortet-Tieulent J et al. International variation in prostate cancer incidence and mortality rates. European Urology 2012 Jun; 61 (6): 53-66.

104. Jemal A. et al Cancer statistics, 2008. CA Cancer// J Clin 2008;58:71-96

105. Jemal A., Siegel R. et al Cancer statistics, 2009. CA Cancer// J Clin 2009;59:225-249

106. Han M, Partin AW, "Nomograms for clinically localized prostate cancer. Part I: radical prostatectomy", //Semin Urol Oncol (2002);20(2): pp. 123-130.

107. Haese A, Epstein JI, Huland H, Partin AW. Validation of a biopsy-based pathologic algorithm for predicting lymph node metastases in patients with clinically localized prostate carcinoma. //Cancer 2002;95(5): 1016—21.

108. Haykin S. New directions in statistical signal processing: from systems to brain. - Cambridge, London: The MIT Press, 2007.

109. Heidenreich A, Varga Z, Von Knobloch R. Extended pelvic lymphadenectomy in patients undergoing radical prostatectomy: high incidence of lymph node metastasis. //J Urol 2002; 167(4): 1681—6.

110. Hinton G., Deng L., Yu D., and other. Deep Neural Networks for Acoustic Modeling in Speech Recognition, //IEEE Signal Processing Magazine, Vol. 29, No. 6, 2012, pp. 82 - 97.

111. Hricak H, Wang L. The role of preoperative endorectal MRI in the decision regarding whether to preserve or resect neurovascular bundles during radical retropubic prostatectomy. //Cancer 2004;100(12):2655—63.

112. Horowitz N., Moshkowitz M., Halpern Z. et al. Applying data mining techniques in the development of a diagnostics questionnaire for GERD. // Dig. Dis. Sci. - 2007. - Vol. 52, N 8. - P. 1871—1878

113. Kattan MW, Eastham JA, Stapleton AMF, et al., "A preoperative nomogram for disease recurrence following radical prostatectomy for prostate cancer", J Natl Cancer Inst (1998);90(10): pp. 766-771.

114. Kattan MW, Wheeler TM, Scardino PT "Post-operative nomogram for disease recurrence after radical prostatectomy for prostate cancer", J Clin Oncol (1999);17(5): pp. 1499-1507.

115. Kattan MW, Eastham JA, Scardino PT Counseling men with prostate cancer: a nomogram for predicting the presence of small, moderately differentiated, confined tumors.// J Urol. 2003 Nov; 170(5): 1792-7.

116. Kattan MW, Reuter V. A postoperative prognostic nomogram for renal cell carcinoma.//J Urol. 2001 Jul;166(l):63-7.

117. Kattan MW, Potters L, Blasko JC Pretreatment nomogram for predicting freedom from recurrence after permanent prostate brachytherapy in prostate cancer.//Urology. 2001 Sep;58(3):393-9.

118. Kattan MW, Zelefsky MJ, Kupelian PA. Pretreatment nomogram that predicts 5-year probability of metastasis following three-dimensional conformai radiation therapy for localized prostate cancer. //J Clin Oncol. 2003 Dec 15;21(24):4568-71.

119. Kattan MW. Nomograms are superior to staging and risk grouping systems for identifying high-risk patients: preoperative application in prostate cancer.// Curr Opin Urol. 2003 Mar; 13(2): 111-6

120. Kattan MW, Wheeler TM, Scardino PT. Postoperative Nomogram for Disease Recurrence after Radical Prostatectomy for Prostate Cancer.// Journal of Clinical Oncology 1999; 17:1499-1507.

121. Kevin Swingler. Applying Neural Networks. A practical Guide. - 2000. - 664c.

122. Koh H, Kattan MW, Scardino PT. A nomogram to predict seminal vesicle invasion by the extent and location of cancer in systematic biopsy results. //J Urol. 2003 Oct; 170(4 Pt 1): 1203-8.

123. Kohonen T. Self-organized formation of topologically correct feature maps // Biol.Cybern. 1982. V.43. N.l. P.56-69.

124. Kristin Newby et al. Biochemical Markers in Suspected Acute Myocardial Infarction: The Need for Early Assessment, Duke University Medical Center, Durham, NC, //Clinical Chemistry, vol. 41, No. 9, 1995, pp. 1263-1265.

125. Liew P.L., Lee Y.C., Lin Y.C. et al. Comparison of artificial neural networks with logistic regression in prediction of gallbladder disease among obese patients. // Dig. Liver Dis. - 2007. - Vol. 39, N 4. - P. 356—362.

126. Lee N, Newhouse JH, Olsson CA. Which patients with newly diagnosed prostate cancer need a computed tomography scan of the abdomen and pelvis? An analysis based on 588 patients.// Urology 1999;54(3):490—4.

127. Lee Y.C., Lee W.J., Lee T.S. et al. Prediction of successful weight reduction after bariatric surgery by data mining technologies.// Obes. Surg. - 2007. - Vol. 17, N9.-P. 1235—1241

128. Lepor H, Nieder AM, Ferrandino MN. Intraoperative and postoperative complications of radical retropubic prostatectomy in a consecutive series of 1,000 cases.//J Urol 2001; 166(5): 1729—33.

129. Lowrance W., Scardino P.T. Predictive models for newly diagnosed prostate cancer patients.//Rev. Urol. -2009. Vol.113 P. 117-126.

130. Lughezzani G., Briganti A, Kattan M.W., Montorsi F. et al. Predictive and Prognostic Models in Radical Prostatectomy Candidates: A Critical Analysis of the Literature.// Eur.Urology. Vol. 58, i. 5, pp. 51-52, November 2010

131. Maffezzini M, Seveso M, Taverna G. Evaluation of complications and results in a contemporary series of 300 consecutive radical retropubic prostatectomies with the anatomic approach at a single institution. //Urology 2003;61(5):982—6.

132. Masterson TA, Touijer AK. The role of endorectal coil MRI in postoperative staging and decision-making for the treatment of clinically localized prostate

cancer. //Magnetic Resonance Materials in Physics, Biology and Medicine (MAGMA), 2008 November;21(6):371-7.

133. Moshkowitz M., Horowitz N. Halitosis and gastroesophageal reflux disease: a possible association. // Oral Dis. 2007 Nov;13(6):581-5.

134. Morales D.A. Mathematical modeling of titration curves. //J.Chemom., 16, 2002 - 247p.

135. Moul JW. Prostate specific antigen only progression of prostate cancer. //J Urol 2000; 163(6): 1632—42.

136. Mullerad M, Hricak H, Kuroiwa K, et al. Comparison of endorectal magnetic resonance imaging, guided prostate biopsy and digital rectal examination in the preoperative anatomical localization of prostate cancer.// J Urol 2005; 174:2158— 63.

137. Mullerad M, Hricak H, Wang L. Prostate cancer: detection of extracapsular extension by genitourinary and general body radiologists at MRI imaging. //Radiology 2004;232(l):140—6.

138. Ohori M, Kattan MW, Koh H. Predicting the presence and side of extracapsular extension: a nomogram for staging prostate cancer.// J Urol. 2004 May; 171(5): 1844-9; discussion 1849.

139. Partin AW. Nomograms for clinically localized prostate cancer. Part I: radical prostatectomy. //Semin Urol Oncol. 2002 May;20(2): 123-30

140. Partin AW, Walsh PC, Epstein JI. Contemporary update of the prostate cancer staging nomograms (Partin tables) for the new millennium. //Urology 2001;58(6):843—8.

141. Remzi M, Anagnostou T, Ravery V, et al., "An artificial neural network to predict the outcome of repeat prostate biopsies" //Urology (2003);62(3)

142. Potter C, Donnel C, Crawford ED, et al. Artificial neuron network model to predict biochemical failure after radical prostatectomy. //Mol Urol. 2001; №5, p. 159-162

143. Sala E, Akin O, Moskowitz C.The role of Endorectal MR Imaging (erMRI) in the Evaluation of Seminal Vesicle Invasion - Diagnostic Accuracy and Multivariate Feature Analysis. //Am Radiology 2006;238:929-937.

144. Santori G., FontanaL, ValenteU. Application of an artificial neural network model to predict delayed decrease of serum creatinine in pediatric patients after kidney transplantation. // Transplant. Proc. - 2007. - Vol. 39, N 6. - P. 1813— 1819

145. Schumacher MC, Burkhard FC. Is pelvic lymph node dissection necessary in patients with a serum PSA<10ng/mL undergoing radical prostatectomy for prostate cancer? //Eur Urol 2006;50(2):272—9.

146. Smaletz O, Scher HI, Small EJ. Nomogram for overall survival of patients with progressive metastatic prostate cancer after castration. //J Clin Oncol. 2002 Oct l;20(19):3972-82.

147. Sokoloff MH, Brendler CB. Indications and contraindications for nerve-sparing radical prostatectomy.// Urol Clin North Am 2001 ;28(3):535—43.

148. Stamey TA, Kabalin JN, McNeal JE. Prostate specific antigen in the diagnosis and treatment of adenocarcinoma of the prostate. II. Radical prostatectomy treated patients. //J Urol 1989; 141(5): 1076—83.

149. Stephan C., Xu C., Finne P. et al. Comparison of two different artificial neural networks for prostate biopsy indication in two different patient populations. // Urology. - 2007. - Vol. 70, N 3. - P. 596—601

150. Stephenson AJ, Scardino PT, Eastham J A Preoperative nomogram predicting the 10-year probability of prostate cancer recurrence after radical prostatectomy. //J Natl Cancer Inst. 2006 May 17;98(10):715-7.

151. Stephenson AJ, Scardino PT. Postoperative nomogram predicting the 10-year probability of prostate cancer recurrence after radical prostatectomy. //J Clin Oncol. 2005 Oct 1;23(28):7005-12.

152. Stephenson AJ, Kattan MW, Eastham JA. Prostate cancer-specific mortality after radical prostatectomy for patients treated in the prostate-specific antigen era. //J Clin Oncol 2009; 27:4300-5.

153. Stephenson AJ, Scardino PT, Kattan MW. Predicting the outcome of salvage radiation therapy for recurrent prostate cancer after radical prostatectomy. J Clin Oncol. 2007 May 20;25(15):2035-41. Erratum in: //J Clin Oncol. 2007 Sep 10;25(26):4153.

154. Stephenson AJ, Kattan MW, Scardino PT. Defining biochemical recurrence of prostate cancer after radical prostatectomy: a proposal for a standardized definition. //J Clin Oncol 2006;24(24):3973—8.

155. Steuber T., Graefen M., Haese A., et al. Validation of a nomogram for prediction of side specific extracapsular extension at radical prostatectomy. //J Urol 2006; 175:939-44, discussion 944.

156. Suardi N., Porter C.R., Reuther A.M., et al. A nomogram predicting long-term biochemical recurrence after radical prostatectomy.// Cancer 2008; 112:1254— 63.

157. Suykens J.A.K., Horvath G., Basu S. Advances in learning theory: methods, models and applications; //Cancer, 2008. - 650 c.

158. Swindle PW, Kattan MW, Scardino PT. Markers and meaning of primary treatment failure. //Urol Clin North Am. 2003 May;30(2):377-401.

159. Tewari A, Narayan P. Novel staging tool for localized prostate cancer: a pilot study using genetic adaptive neural networks.// J Urol. 1998 Aug;160(2):430-6.

160. Tzallas A.T., Tsipouras M.G., Fotiadis D.I. et al. Automatic seizure detection based on time-frequency analysis and artificial neural networks.// Comput. Intell. Neurosc. - 2007. - Vol. 2007. - P. 1—13

161. Walz J., Chun F.K., Klein E.A., et al. Nomogram predicting the probability of early recurrence after radical prostatectomy for prostate cancer.//J Urol

" 2009; 181:601-7, discussion 607-8.

162. Walsh PC, Donker PJ. Impotence following radical prostatectomy: insight into etiology and prevention.//J Urol 1982;128(3):492—7.

163. Wang L, Hricak H, Kattan MW. Prediction of seminal vesicle invasion in prostate cancer: incremental value of adding endorectal MRI to the Kattan Nomogram.// Radiology 2007;242( 1): 182—8.

164. Wang L, Hricak H, Scardino PT, Kuroiwa K. Prediction of organ confined prostate cancer: incremental value of MRI and MRI sprectroscopic imaging to staging nomograms.// Radiology 2006;238(2):597—603.

165. Wang L, Mullerad M, Chen FIN. Prostate cancer: incremental value of endorectal MRI findings for prediction of extracapsular extension.// Radiology 2004;232(1): 133—9.

166. Wei JT, Zhang Z, Madyastha KR. Understanding artificial neural networks and exploring their potential applications for the practicing urologist. //Urology. 1998 Aug;52(2):161-72.

167. Zorn K.C., Capitanio U. Multi-institutional external validation of seminal vesicle invasion nomograms: head-to-head comparison of Gallina nomogram versus 2007 Partin tables.// Int J Radiat Oncol Biol Phys 2009;73:1461-7.

168. Yarbro JW. Conference on prognostic factors and staging in cancer management, contributions of artificial neural networks and other statistical methods, Arlington, Virg //Cancer. 2001 Apr 15;91(8 Suppl): 1593-4.

169. Yu J.B., Makarov D.V., Sharma R., Peschel R.E., Partin A.W., Gross C.P. Validation of the Partin nomogram for prostate cancer in a national sample.// J. Urol. 2010. Vol.l83-P. 105-11.

Приложение

Программные модули диагностики, сгенерированные по правилам для использования в составе интегрированной интеллектуально-учетной системы.

function mainForm H=open('win_pd.fig'); handles=guihandles(H); par=guidata(handles.win_main); load test_testl for_save load test_test2 for_save2 sizebd = size(for_save); size_bd2 = size(for_save2);

par.pac_max2=size_bd2( 1); for i = 1 : par.pac_max2 for j=1:4 tempf = for_save2(i,j); par.val(i).s(j) = {temp_f{l,l}}; end

for j=l:8

p_temp=for_save2(i,j+4); par.val(i).p(j) = str2num(p_temp{l}); end

par.val(i).p(9) = par.val(i).p(8)+ 90; end

par.tek2=par.pac_max2;

par.pac_max=size_bd( 1); par.tek = par.pac_max + 1; par.c=str2num(datestr(date, 10)); par.c2=datenum(datestr(date,2)); for i = 1 :par.pac_max for j = 1:8

q = for_save(i,j); par.pac(i).s(j)={q{ 1,1}}; end

for j = 1:22

p_temp=for_save(i,j+8); par.pac(i).p(j)=str2num(p_temp{ 1}); end end

set(handles.pasd_indO,'ForegroundColor', [1 0 0]);

set(handles.pasd_tekdate,'String',datestr(par.c2,'dd.mm.yy')); set(handles.pasd_oper_date,'String',datestr(par.c2+l,'dd.mm.yy')); set(handles.text_info,'String',...

['Форма для нового пациента. Порядковый номер: ',num2str(par.tek)]);

par.pac(par.tek).p=zeros(l ,22); guidata(handles.win_main,par) set(handles.pasd_nextO,'Callback', {@pasd_nextO_Callback,handles}) set(handles.pasd_ind 1,'Callback', {@pasd_ind l_Callback,handles}) set(handles.save_main,'Callback', {@save_main_Call,handles}) set(handles.win_main,'CloseRequestFcn', {@save_main_Callback, handles, H}) set(handles.pasd_search,'Callback', {@pasd_search_Callback,handles}) set(handles.pasd_ind2,'Callback', {@pasd_ind2_Callback,handles})

function pasd_ind2_Callback(~,~,handles)

h8=open('quest8.fig');

handles_h8=guihandles(h8);

par=guidata(handles.win_main);

temp_i=0;

if par.tek > par.pac_max par.tek = par.pac_max; end

if par.pac(par.tek).p(20) == 1 temp_i = 1;

else

for i=l :par.pac_max if par.pac(i).p(20)==l par.tek = i; temp_i = i; break; end end end

if temp i == 0

errordlg({['B базе нет пациентов ']; ['которые были прооперированы']} ,'Информация'); delete(h8); return; end s = 0;

for j = 1 : par.pac_max2

if (strcmp(par.val(j).s(l),par.pac(par.tek).s(l))) &&

(strcmp(par.val(j).s(2),par.pac(par.tek).s(2))) &&

(strcmp(par.val(j).s(3),par.pac(par.tek).s(3))) s = s + 1;

m_temp(s)=par.pac(par.tek).s(4); mas_val(s,l :7)=par.val(i).p(l :7); m(s)=par.val(j).p(8); end end

mas_val(l,8)=(par.pac(par.tek).p(21));

mas_val(2:s,8)=(m(l:s-l));

s=s+l;

mas_val(s, 1:7)=-1;

mas_val(s,8)=datenum(datestr(date,2));%(m(s-1));%

temp_ 1={par .pac(par .tek). s( 1)};

temp_2= {par .pac(par .tek). s(2)};

temp_3={par.pac(par.tek).s(3)};

a=strcat(temp 1 {1,1} ,'_',temp_2 {1,1} ,'_',temp_3 {1,1});

set(handles_h8. ind2f,' String', a);

temp_y=par.c-par.pac(par.tek).p(l); temp_ost=rem(temp_y, 10); str_temp = [num2str(tempy)'']; if temp_ost == 1

str_temp = [str_temp 'год']; elseif (temp_ost >= 2) && (temp_ost <= 4)

str temp = [str_temp 'года']; else

str_temp = [str_temp 'лет']; end

set(handles_h8.ind2_year,'String',str_temp);

Pt_num = num2str(par.pac(par.tek).p(14));

switch Pt_num, case '1',

pt_str = '2a'; case '2',

pt_str = '2b'; case '3',

ptstr = '2c'; case '4',

pt_str = '3 a'; case '5',

pt_str = '3 b';

end

b=strcat('pT',pt_str,,N',num2str(par.pac(par.tek).p(15)-l),...

'M',num2str(par.pac(par.tek).p(16)),'R',num2str(par.pac(par.tek).p(17))); set(handles_h8.ind2_ptnmr,'String',b);

if s<4

temp_height = 0; else

temp_height = 1; end

guidata(handles.win_main,par)

set(handles_h8.table 1,''positional 12-temp_height 75.9 7+temp_height],... 'Rowname',datestr(mas_val(l:s,8),'dd.mm.yy'),'data',mas_val(:,l:7)); % 'ColumnEditable',temp_edit);

set(handles_h8.ind2_close,'Callback',{@ind2_close_Callback,h8}) set(handles_h8.ind2_save,'Callback', {@ind2_save_Callback,handles,handles_h8,s,h8

})

set(handles_h8.history,''Callback', {@history_Callback, handles, mas_val,s, a, m_temp})

function history_Callback(~,~, handles, mas_val,s, a, m_temp)

par=guidata(handles.win_main);

test=open('testl 11 .fig');

handles_test5=guihandles(test);

set(handles_test5.test_l,'string',{['Пациент ' а{1}]});

drawnow;

pause(l.O);

for ii=l:s-l

ql=datestr(mas_val(ii,8)); q2=m_temp(ii);

q3=strcat(ql,'_',q2{l});

set(handles_test5 .test_l,'string',cat( 1 ,get(handles_test5 .test_l,'string'),q3));

drawnow;

pause(0.15);

end

function ind2_save_Callback(~,~,handles,handles_h8,s,h8)

par=guidata(handles.win_main);

m=get(handles_h8. table 1,''data');

par.pac_max2=par.pac_rnax2+l;

par. val(par .pac_max2). s( 1 )=par. pac(par .tek). s( 1);

par.val(par.pac_max2).s(2)=par.pac(par.tek).s(2);

par.val(par.pac_max2).s(3)==par.pac(par.tek).s(3); par. val(par.pac_max2). s(4)= {'n/a'}; par.val(par.pac_max2).p( 1 )=m(s, 1); par.val(par.pac_max2).p(2)=m(s,2); par.val(par.pac_max2).p(3)=m(s,3); par.val(par.pac_max2).p(4)=m(s,4); par.val(par.pac_max2).p(5)=m(s,5); par.val(par.pac_max2).p(6)=m(s,6); par.val(par.pac_max2).p(7)=m(s,7); if get(handles_h8.ind2_monl,'Value')== 1 a=l;

elseif get(handles_h8.ind2_mon3,'Value')== 1 a=2;

elseif get(handles_h8.ind2_mon6,'Value,)== 1 a=3;

elseif get(handles_h8.ind2_monl2,'Value')== 1 a=6;

end

par.val(par.pac_max2).p(9)=par.c2+a*30;

temp_a = get(handles_h8.date_pos_pos, 'string'); if strcmp(temp_a,{"})==l %тут ошибка

par.val(par.pac_max2).p(8)= datenum(datestr(date,2)); elseif temp_a(3)=='.' && temp_a(6)=='.'

par.val(par.pac_max2).p(8)=datenum(get(handles_h8.date_pos_pos, 'string'),'dd.mm.yy'); %datenum(datestr(date,2)); end

for i=l :par.pac_max2-1 for j=(i+l):par.pac_max2

if par.val(i).p(8)>par.val(j).p(8) temp = par.val(i); par.val(i)=par.val(j); par.val(j) = temp; end end end

count_psa=0; count_vv=0; count_v_ost=0; %for i=l:s-l

if m(s,l)>m(s-l,l)

count_psa=count_psa+l; end

%end

% str_war(l,:)={ ['Обратите внимание на значение VV,'];['oho превышает значение 6 ml/s']}

% str_war(2,:)={ ['Обратите внимание на значение V ost,'];['oHC> превышает значение 150 ml']}

% str_war(3,:)={['Обратите внимание на значение VV,'];['oho превышает значение 6 ml/s'];['a так же V ost превышает значение 150 ml']}

% str_war(4,:)={['Обратите внимание на значение ПСА.'];['Тенденция роста. Последнее значение больше 0.4'];['Рекомендация проведения биопсии ложа',]}

% str_war(5,:)={['Обратите внимание на значение ПСА,'];['Тенденция роста. Риск биохимического рецидива.'];['Рекомендация проведения гормонотерапии',]}

if count_psa>0 if m(s,l)>=0.5

uiwait(msgbox({['Обратите внимание на значение ПСА.'];['Тенденция роста. Последнее значение больше 0.5']; ['Рекомендация проведения биопсии ложа',]},'Внимание','modal')); elseif m(s,l)<0.5

uiwait(msgbox({['Обратите внимание на значение ПСА,'];['Тенденция роста. Риск биохимического рецидива.']; ['Рекомендация проведения

гормонотерапии',]},'Внимание','modal')); end

elseif m(s,2)>=6 && m(s,7)>=150

uiwait(msgbox({ ['Обратите внимание на значение VV,'];['oho превышает значение 6 ml/s']; ['а так же V ost превышает значение 150 ml']},'Внимание','modal')); elseif m(s,2)>=6

uiwait(msgbox({ ['Обратите внимание на значение VV,'];['oho превышает значение 6 ml/s']},'Внимание','modal')); elseif m(s,7)>=l 50

uiwait(msgbox({['Обратите внимание на значение V ost,'];['оно превышает значение 150 тГ]},'Внимание','пк^аГ)); end

guidata(handles.win_main,par) delete(h8);

h_rec=open('win_recom.fig'); handles_h_rec=guihandles(h_rec);

set(handles_h_rec.but_cancel,'Callback', {@h_rec_cancel_Callback,h_rec}) set(handles_h_rec.but_save,'Callback', {@h_rec_save_Callback,handles,handles_h_re c,h_rec})

function h_rec_cancel_Callback(~,~,h_rec)

delete(hrec);

function h_rec_save_Callback(~,~,handles,handles_h_rec,h_rec)

par=guidata(handles.win_main);

temp_2=speedreadstr(handles_h_rec.recom);

par.val(par.pac_max2).s(4)={temp_2};

guidata(handles.win_main,par)

delete(hrec);

function ind2_close_Callback(~,~,h8) delete(h8);

function pasd_search_Callback(~,~,handles) %поиск

h5=open('quest5.fig'); handles_h5=guihandles(h5);

set(handles_h5.que5_blij,'string',['требуется посещение до ',...

datestr(datenum(datestr(date,2))+14,24)]); set(handles_h5.que_next,'Callback', {@h5_search_Callback,handles,handles_h5,h5})

function h5_search_Callback(~,handles,handles_h5,h5) %поиск

par=guidata(handles.win_main); temp_l =speedreadstr(handles_h5 .que5_search); temp=temp_l {1,1}; length_temp=length(temp); j=0;

for i=l :par.pac_max

if strncmp(temp,par.pac(i).s(l),length_temp)==l

H+U

m(j)=i; end end

blij = get(handles_h5.que5_blij,'Value');

if strcmp(temp,'n/a')

j=0; %обнуляем, чтобы не дублировать записи в поиске, for i=l :par.pac_max j=j+i; m(j)=i; end end

if blij == 1

j = 0; s=0;

for i=l :par.pac_max2

if par.val(i).p(8)-datenum(datestr(date,2)) <= 14 % s=s+l;

n(s, 1 )=par.val(i).s( 1); n(s,2)=par.val(i).s(2); n(s,3)=par.val(i).s(3); end end

for i=l :par.pac_max %здесь точно правильно? if par.pac(i).p(22)-datenum(datestr(date,2)) <=14 j=j+i; m(j)=i; end

for p=l:s

if strcmp(n(p,l),par.pac(i).s(l)) && strcmp(n(p,2),par.pac(i).s(2)) && strcmp(n(p,2),par.pac(i).s(2)) j=j+i; mG)=i;

end end end

for i= 1:j -1 for k=(i+l):j if m(i)==m(k)

m(k)=0; end end end l=m; clear m; s=0; for i= 1 :j if l(i)~=0 s=s+l; m(s)=l(i); end end

j=s;

end if j~=0

h4=open('quest4.fig'); handles_h4=guihandles(h4);

set(handles_h4.info_search,'String', ['Найдено ',num2str(j)]); columneditable = [false false false true]; for i=l:j

a={par.pac(m(i)).s(l)}; dat(i,l)=a{l,l}; b={par.pac(m(i)).s(2)}; dat(i,2)=b{l,l}; c={par.pac(m(i)).s(3)}; dat(i,3)=c{l,l}; % dat(i,4)={d}; dat(i,4)={false}; end

set(handles_h4.uitablel,'Data',dat,'ColumnEditable', columneditable); set(handles_h4.search_close,'Callback',{@search_close_Callback,h4})

set(handles_h4.search_ok,'Callback', {@search_ok_Callback,handles,handles_h4,h5,h4,j ,m}) else

errordlg(['Hn4ero не найдено '] ,'Информация'); end

function search_close_Callback(~,~,h4) delete(h4);

function search_ok_Callback(~,~,handles,handles_h4,h5,h4,j,m) par=guidata(handles.win_main); ml=get(handles_h4.uitablel,'data'); for i=l:j

if ml {i,4}==l;

break; end end

par.tek=m(i);

guidata(handles.win_main,par); if par.pac(par.tek).p(20) = 0

pasd_indl_Callback(i,j,handles); elseif par.pac(par.tek).p(20) = 1

pasd_ind2_Callback(i,j,handles); else

errordlg({['B базе нет пациентов с назначенным ']; ['оперативным лечением. Ошибочка!']} ,'Информация'); end

delete(h5);

delete(h4);

function save_main_Call(~,~,handles) save_main_C(handles);

function save_main_C(handles) par=guidata(handles.win_main); str_xls = ['Al' ,':','AD',num2str(par.pac_max)] for i=l :par.pac_max for j=l :8

temp={par.pac(i).s(j)}; for_save(i,j)=temp{ 1,1}; end

for j=1:22

for_save(i,j+8)={num2str(par.pac(i).p(j))}; end end

if par.pac_max ~= 0 pwd

save test_testl for_save end

str_xls2 = ['Al' ,':','L',num2str(par.pac_max2)]; for i=l :par.pac_max2 for j=1:4

temp={par.val(i).s(j)}; for_save2(i,j)=temp {1,1}; end

for j=1:8

for_save2(i,j+4)={num2str(par.val(i).p(j))}; end end

if par.pac_max2 ~= 0

save test_test2 for_save2 end

%-------------------

function save_main_Callback(~,~,handles,H)

save_main_C(handles);

delete(H);

function pasd_ind l_Callback(~,~, handles) %результаты после операции

par=guidata(handles.win_main); temp =0;

if (par.tek == 0) || (par.tek>par.pac_max) for i=l :par.pac_max j=par.pac_max-i+1; if par.pac(j).p(20) == 0 par.tek =j; temp=j; break; end end

if temp == 0

errordlg({['B базе нет пациентов с назначенным ']; ['оперативным лечением.']} ,'Информация'); return end end

set(handles.pasd_indO,'FontWeight','normar,'ForegroundColor',[0,0,0]);

set(handles.pasd_indl,'Font Weight','bold','ForegroundColor',[1,0,0.5]);

h7=open('quest7.fig');

handles_h7=guihandles(h7);

guidata(handles.win_main,par)

indl_Callback(handles,handles_h7)

set(handles_h7.oper_prev,'Callback', {@oper_prev_Callback,handles,handles_h7}) set(handles_h7.oper_next,'Callback', {@oper_next_Callback,handles,handles_h7}) set(handles_h7.indlclose,'Callback', {@indl_close_Callback,handles,handles_h7,h7

})

set(handles_h7.win_indl,'CloseRequestFcn',{@indl_close_Callback,handles,handles _h7,h7})

function ind 1 _Callback(handles,handles_h7) par=guidata(handles.win_main); temp_y=par.c-par.pac(par.tek).p( 1); % if (temp_y(2)<0) || (temp_y(3)<0) % temp_y ear = temp_y( 1)-1; % else

% temp_y ear = temp_y( 1); % end

temp_ost=rem(temp_y, 10); temp_l={par.pac(par.tek).s(l)}; temp_2={par.pac(par.tek).s(2)}; temp_3={par ,pac(par .tek). s(3)}; set(handles_h7.oper_f,'String',temp_l {1,1}); set(handles_h7.oper_i,'String',temp_2 {1,1});

set(handles_h7.oper_o,'String',temp_3 {1,1}); strtemp = [num2str(temp_y)'']; if tempost == 1

str_temp = [str_temp 'год']; elseif (temp ost >= 2) && (temp_ost <= 4)

str_temp = [str_temp 'года']; else

str temp = [str temp 'лет']; end

set(handles_h7.oper_v,'String',str_temp); % set(handles.text_info,'String',...

% ['Форма прооперированного пациента. Порядковый номер:

',num2str(par.tek)]);

set(handles_h7.oper_date,'String',datestr(par.pac(par.tek).p(21),'dd.mm.yy')); if par.pac(par.tek).p(20) ~= 0

set(handles_h7.post_T,'Value',par.pac(par.tek).p(14),'enable','off); set(handles_h7.post_N,'Value',par.pac(par.tek).p(l 5),'enable','off); set(handles_h7.post_M,'String',num2str(par.pac(par.tek).p(l 6)),''enable',''off); set(handles_h7.post_R,'Value',par.pac(par.tek).p(l 7),'enable','off); set(handles_h7.post_gl 1,'Value',(par .pac(par.tek).p( 18)-rem(par.pac(par.tek).p( 18), 10))/l 0,'enable','off);

set(handles_h7.post_gl2,'Value',rem(par.pac(par.tek).p( 18), 10),'enable','off); set(handles_h7.post_ppi,'Value',par.pac(par.tek).p(l 9),'enable','off); set(handles_h7.oper_check,'Visible','off); set(handles_h7.oper_date,'enable','off); set(handles_h7.indl_prih,'Visible','off);

else

set(handles_h7.post_T,'Value', 1,'enable','on'); set(handles_h7.post_N,'Value', 1,'enable','on'); set(handles_h7.post_M,'String',",'enable','on'); set(handles_h7.post_R,'Value',0,'enable','on'); set(handles_h7.post_gll,'Value', l,'enable','on'); set(handles_h7.post_gl2,'Value', 1,'enable','on'); set(handles_h7.post_ppi,'Value',0,'enable','on'); set(handles_h7.oper_check,'Visible','on','value',0); set(handles_h7.oper_date,'enable','on'); set(handles_h7 .ind 1 _prih,'Visible','on'); set(handles_h7.mon 1,'Value', 1); end

guidata(handles.win_main,par)

function indl_close_Callback(~,~,handles,handles_h7,h7)

close_Callback(handles,handles_h7); par=guidata(handles.win_main); par.tek = par.pacmax + 1 ;

set(handles.pasd_indl,'Font WeightVnormalVForegroundColor1,[0,0,0]); set(handles.pasd_indO,'Font Weight','bold','ForegroundColor',[ 1,0,0.5]); set(handles.text_info,'String',...

['Форма для нового пациента. Порядковый номер: ',num2str(par.tek)]); delete(h7);

guidata(handles.win_main,par);

function close_Callback(handles,handles_h7) par=guidata(handles.win_main);

if (par.pac(par.tek).p(20) == 0) && (get(handles_h7.oper_check,'value')==l) par.pac(par.tek).p(14)=get(handles_h7.post_T,'value'); par.pac(par.tek).p(15)=get(handles_h7.post_N,'value'); par.pac(par.tek).p(16)=speedread(handles_h7.post_M); par.pac(par.tek).p(17)=get(handles_h7.post_R,'value');

par.pac(par.tek).p(18)=10*get(handles_h7.post_gll,'value')+get(handles_h7.post_gl2,'v alue');

par.pac(par.tek).p(19)=get(handles_h7.post_ppi,'value'); par.pac(par.tek).p(20)=l ;

par.pac(par.tek).p(21)=datenum(get(handles_h7.oper_date,'String'),'dd.mm.yy');

% s_a=size(par.val); % s=s_a(2); s=par .pac_max2 ; s=s+l;

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.