Прогнозирование течения раннего послеоперационного периода у больных с радикальными операциями по поводу рака легкого с использованием методов бинарной логистической регрессии и искусственных нейронны тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат медицинских наук Шевченко, Юрий Владимирович

• Шевченко, Юрий Владимирович
• кандидат медицинских наук
• 2008

Оглавление диссертации кандидат медицинских наук Шевченко, Юрий Владимирович

Введение.

Глава 1. Рак легкого. Классификация, диагностика, лечение и прогнозирование исхода. (Обзор литературы).

1.1 Рак легкого: клиническая картина.

1.1.1 Классификации рака легкого.

1.1.2.Диагностика рака легкого.

1.1.3 Лечение рака легкого.

1.2 Использование различных математических методов при прогнозировании течения и исхода рака легкого.

1.2.1 Прогнозирования исхода заболевания раком легкого с помощью математических моделей.

1.2.2 Опыт прогнозирования на основе регрессионного анализа.

1.2.3 Использование в клинической практике метода искусственных нейронных сетей для решения задач прогнозирования.

1.2.4 Опыт совместного использования методов бинарной логистической регрессии и искусственных нейронных сетей.

Глава 2. Материалы и методы.

2.1 Характеристика групп пациентов.

2.2 Использованные математические методы.

Глава 3. Результаты и их обсуждение.

3.1 Этап подготовки данных.

3.2 Анализ данных и отбор переменных для построения моделей.

3.3 Построение моделей на основе бинарной логистической регрессии

3.3.1 Построение моделей на основе бинарной логистической регрессии с использованием данных ретроспективного массива.

3.3.2 Построение моделей на основе бинарной логистической регрессии с использованием данных проспективного массива.

3.4 Построение моделей на основе многослойных нейронных сетей.

3.4.1 Построение моделей многослойных нейронных сетей с использованием данных ретроспективного массива.

3.4.2 Построение моделей многослойных нейронных сетей с использованием данных проспективного массива.

3.5 Построение моделей на основе полносвязных нейронных сетей.

3.5.1 Построение моделей на основе полносвязных нейронных сетей с использованием данных ретроспективного массива.

3.5.2 Построение моделей на основе полносвязных нейронных сетей с использованием данных проспективного массива.

3.6 Сравнение полученных моделей.

3.7 Программное средство для прогнозирования тяжести течения раннего послеоперационного периода у больных после радикальных операций по поводу рака легкого.

Введение диссертации (часть автореферата) на тему «Прогнозирование течения раннего послеоперационного периода у больных с радикальными операциями по поводу рака легкого с использованием методов бинарной логистической регрессии и искусственных нейронны»

Злокачественные заболевания легких занимают первое место в структуре онкологической заболеваемости мужского населения в мире. Рак легких — наиболее распространенная форма злокачественных новообразований во всем мире. Несмотря на все усилия по профилактике этого заболевания, уровень заболеваемости с начала XX века вырос в несколько десятков раз. Наиболее высокие показатели заболеваемости раком легкого - 80-99 на 100 тысяч - характерны для черных мужчин США, маори Новой Зеландии, жителей Триеста (Италия). Несколько ниже этих уровней (60-79 на 100 тысяч) заболеваемость мужчин раком легкого во многих странах (Бразилия, Канада, Беларусь, Эстония, Франция, Германия, Нидерланды, Польша, Чехия, Испания, Великобритания). Для России стандартизованный показатель заболеваемости раком легкого составляет 66 человек на ЮОтысяч у мужчин и 6,9 человек на ЮОтысяч среди женщин [16, 34]. Минимальные уровни показателей заболеваемости мужчин раком легкого отмечены в Мали (5,3 на 100 тысяч), Пуэрто-Рико (19,1 на 100 тысяч), Индии (14,5 на 100 тысяч).

Практически во всех странах заболеваемость раком легкого женщин в 3-10 раз ниже, чем у мужчин, кроме женщин маори (Новая Зеландия), у которых самый высокий в мире стандартизованный показатель заболеваемости (72,9 на 100 тысяч).

В России ежегодно заболевают раком легкого свыше 63000 человек, в том числе свыше 53000 мужчин. Более 34,2%, выявляются в IV стадии заболевания. Самые высокие показатели заболеваемости раком легкого у мужчин среди административных территорий России выявлены в Саратовской области (96,3 на 100 тысяч), Калмыкии (92,7 на 100 тысяч), Омской области (92,6 на 100 тысяч). На уровне 80-89 на 100 тысяч эти показатели находятся в Мурманской области, Карелии, Новгородской, Ивановской, Костромской, Астраханской, Курганской, Оренбургской,

Челябинской, Новосибирской, Магаданской и Сахалинской областях, Алтайском и Хабаровском краях.

Показатель заболеваемости раком легкого мужчин России практически не изменился за последние 20 лет и составил в 1999 году 66,0 на 100 тысяч. В конце 70-х и начале 80-х годов наблюдался рост заболеваемости раком легкого. У женщин те же тенденции, но на значительно более низком уровне (6,9 на 100 тысяч).

В структуре онкологической заболеваемости мужчин России рак легкого занимает 1-е место и составляет 25%, доля рака легкого среди женского населения - 4,3%. В 2006 году от злокачественных заболеваний легкого умерли 58,9 тысяч человек, что составило 21% всех смертей от злокачественных заболеваний [16]. В 2005 этот показатель составил 59,5 тысяч человек(21%). Смертность от рака легкого несколько снизилась относительно 90-х годов (В 1990 году она составила 70,4 тысяч человек или 25% всех случаев смертей от злокачественных заболеваний).

Однолетняя выживаемость во всем мире составляет 20-30%. В первую очередь, это связано с тем, что, как правило, пациенты, с раком легких, обращаются за специализированной онкологической помощью уже на IV стадии онкологического процесса. А это в свою очередь, объясняется тем, что, как правило, начальные стадии рака легкого протекают почти бессимптомно.

Основным методом лечения рака легкого является хирургический метод. Лечение заключается в удалении части легкого пораженной опухолью или всего легкого. Хирургическое лечение может сочетаться с лучевой терапией или лекарственной терапией. Без хирургического лечения эти методы употребляются для неоперабельных больных. Это позволяет замедлить рост опухоли, но не дает возможности полной элиминации опухоли.

Операции по поводу рака легкого являются травматичными, происходит значительная резекция малого круга кровообращения, в течение операции может происходить значительная кровопотеря, значительно снижается поверхность газообмена в легких. В связи с этим в раннем послеоперационном периоде существует высокий риск осложнений, как со стороны респираторной, так и сердечно-сосудистой системы. Таким образом, после операции по поводу рака легкого пациенты нуждаются в постоянном наблюдении, им может потребоваться интенсивная терапия. Для этого в раннем послеоперационном периоде пациенты поступают в отделение реанимации и интенсивной терапии.

Ранний послеоперационный период после операции по поводу рака легкого может протекать гладко, однако возможно развитие осложнений. Прогноз тяжести протекания послеоперационного периода позволит выбрать оптимальное лечение в отделении реанимации. Для прогнозирования течения и исхода рака легкого использовались различные математические методы, однако однозначного решения не получено. Таким образом, разработка математических алгоритмов для прогнозирования тяжести течения послеоперационного периода остается актуальной задачей.

Цель работы: Прогнозирование благоприятного и неблагоприятного течения раннего послеоперационного периода у больных с радикальными операциями по поводу рака легкого с использованием метода бинарной логистической регрессии и метода искусственных нейронных сетей на основе данных дооперационного обследования пациента, типа хирургического вмешательства и интраоперационных данных.

Для достижения поставленной цели были поставлены следующие задачи:

1. Определить набор независимых переменных для построения моделей с использованием бинарной логистической регрессии и метода нейронных сетей на основе результатов предоперационного обследования пациентов, интраоперационных данных и данных, доступных при поступлении в отделение интенсивной терапии.

2. Определить зависимую переменную, отражающую тяжесть течения раннего послеоперационного периода у больных с радикальными операциями по поводу рака легкого.

3. Построить прогностические модели течения раннего послеоперационного периода на основе методов бинарной логистической регрессии, полносвязных и многослойных искусственных нейронных сетей (ИНС) и сопоставить их эффективность.

4. Сравнить качество построенных прогностических моделей на выборках данных пациентов разного объема и с разной полнотой исходной информации.

5. Разработать информационное, алгоритмическое и программное обеспечение для прогнозирования тяжести течения послеоперационного периода у больных с радикальными операциями по поводу рака легкого. Разместить программное средство в общедоступных ресурсах и в виде модуля информационной системы отделения реанимации и интенсивной терапии.

Научная новизна. Впервые для решения задачи прогнозирования тяжести течения раннего послеоперационного периода у больных с радикальными операциями по поводу рака легкого использовались методы построения моделей на основе регрессионного анализа и искусственных нейронных сетей, проведено сопоставление эффективности применения этих методов. Показано, что качество прогностических моделей, как на основе бинарной логистической регрессии, так и на основе искусственных нейронных сетей зависит в большей степени от полноты исходной информации и в меньшей степени от объема выборки. Впервые для оценки тяжести течения раннего послеоперационного периода у больных с радикальными операциями по поводу рака легкого использовалась комплексная переменная, основанная на экспертной оценке, определяемой с учетом длительности пребывания пациента в отделении реанимации, наличия послеоперационных осложнений и необходимости протезирования жизненно-важных функций организма.

Практическая значимость работы

Разработанное программное средство прогнозирования тяжести течения раннего послеоперационного периода после радикальных операций по поводу рака легкого позволяет врачам анестезиологам-реаниматологам в момент поступления пациента в отделение реанимации и интенсивной терапии определить риск развития у него осложнений. Это дает возможность выбрать оптимальную схему лечения, исходя из индивидуального прогноза пациента. Разработанное программное средство может использоваться как автономно, так и в составе медицинской информационной системы отделения реанимации и интенсивной терапии «ИНТЕРИС».

Структура и объем диссертации

Диссертационная работа состоит из введения, глав обзора литературы, описания материалов и методов исследования, результатов исследования и их обсуждения, заключения, выводов и практических рекомендаций. Список литературы включает 121 источник, из них 60 работ отечественных и 61 иностранных авторов. Диссертация изложена на 150 страницах машинописного текста, иллюстрирована 20 рисунками и 42 таблицами.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Шевченко, Юрий Владимирович

Выводы

1. В результате использования математических методов были отобраны переменные, имеющие высокую прогностическую значимость для определения тяжести течения послеоперационного периода. Для построения моделей с помощью методов бинарной логистической регрессии, полносвязных и многослойных искусственных нейронных сетей использовались по 8 переменных. Пять переменных вошли во все модели: процент палочкоядерных лейкоцитов, резервный объем вдоха, мгновенная объемная скорость на 75% выдоха, кальций плазмы при поступлении в ОАиР, интраоперационная кровопотеря. Три переменные использовались в двух из трех моделей: ACT, рН при поступлении в ОАиР, наличие в анамнезе операций.

2. В качестве зависимой переменой, характеризующей тяжесть течения раннего послеоперационного периода у больных с радикальными операциями по поводу рака легкого, была выбрана экспертная оценка, учитывающая длительность пребывания в отделении реанимации, исход заболевания, развившиеся осложнения, необходимость протезирования жизненно-важных функций организма.

3. Построены модели прогнозирования тяжести послеоперационного периода с помощью методов бинарной логистической регрессии и искусственных нейронных сетей двух типов: полносвязных искусственных нейронных сетей и многослойных искусственных нейронных сетей. При оценке качества моделей на обучающей выборке процент верных отнесений для всех моделей превысил 80%, с чувствительностью и специфичностью выше 0,8. При проверке качества моделей с использованием данных вновь поступивших пациентов модель на основе многослойных нейронных сетей и модель на основе бинарной логистической регрессии продемонстрировали более высокую прогностическую способность (процент верных отнесений 94%, специфичность 0,9), чем модели на основе полносвязных нейронных сетей (процент верных отнесений 82%, специфичность 0,7).

4. Использование различных исходных массивов данных для построения моделей показало, что более качественные модели получались на основе массива с меньшим количеством случаев (117 пациентов, 241 переменная), но более качественным заполнением массива.

5. Разработано информационное, алгоритмическое и программное обеспечение для прогнозирования тяжести течения раннего послеоперационного периода у больных, оперированных по поводу рака легкого и модуль информационной системы отделения реанимации и интенсивной терапии «ИНТЕРИС». Модуль внедрен в повседневную практику работы отделения анестезиологии и реанимации. Программное средство выложено в Интернет на сайте кафедры медицинской кибернетики и информатики РГМУ для широкого использования.

Практические рекомендации

1. Разработанное программное средство предназначено для поддержки принятия решения врачом анестезиологом реаниматологом при оценке тяжести течения раннего послеоперационного периода у больных после радикальных операций по поводу рака легкого. Перед практическим применением программного средства необходимо ознакомиться с руководством пользователя, встроенным в него.

2. Программное средство для прогнозирования тяжести течения раннего послеоперационного периода у больных после радикальных операций по поводу рака легкого расположено на общедоступном ресурсе Ьйр:\\сшс1.г8ши.ги. Разработанное решающее правило реализовано также в виде модуля информационной системы отделения реанимации и интенсивной терапии «ИНТЕРИС» и может использоваться в отделении реанимации при внедрении системы.

3. Для расчета индивидуального прогноза тяжести течения раннего послеоперационного периода используются 11 переменных: цветовой показатель крови, проценты палочкоядерных и сегментоядерных лейкоцитов в лейкоцитарной формуле, аспартатаминотрансфераза, резервный объем вдоха, мгновенная объемная скорость на 75% выдоха, давление на плато в дыхательном контуре аппарата ИВЛ в начале операции, значения рН и кальция плазмы при поступлении в отделение реанимации, интраоперационная кровопотеря и наличие в анамнезе операций, требующих проведения общей анестезии.

Список литературы диссертационного исследования кандидат медицинских наук Шевченко, Юрий Владимирович, 2008 год

1. Адамян A.A. Дифференциальная диагностика рака легкого с помощью комплекса лабораторных методов // Грудная хирургия. 1981. — №1. — С. 13

2. Бадыков Р.Г. Рак легкогоюбоснование тактики хирургического лечения: автореф. дис. .докт. мед. наук. Уфа,2000г. - 47с.

3. Баргесян B.C. Планирование лечения больных раком легкого на основе индивидуального прогноза: автореф. дис. . докт. мед. наук. — Ереван, 1997.-40 с.

4. Блинов Н.И. Бронхоскопическая картина рака легкого различного морфологического строения// Вопросы онкологии. 1983. - №10. - С. 13.

5. Вахрушев С.Г., Мызников A.B., Россиев Д.А. Нейросетевое определение оптимальных методов лечения хронического тонзиллита// Новости оториноларингологии и логопатологии. 2001. - №1. - С. 12-18.

6. Вилков В.Г., Невзоров В.П. Статистическое испытание устойчивости результатов применения множественной логистической регрессии для диагностики в клинических условиях// Юж.-Рос. мед. Журн. 1998. — №4. -С. 37-41.

7. Гаспарян С.А. Функциональное развитие больничных информационных систем// Врач и информационные технологии. 2005. - №5. - С. 18-27.

8. Гаспарян CA., Зарубина Т.В., Опыт использования мониторно-компьютерных систем в гастроэнтерологической клинике // Компьютерная хроника. — 1994. №3. — С 4.

9. Гасс М.В., Соколова Е.Ю., Климов А.Б. и др. Прогнозирование развития респираторных осложнений после радикальных операций по поводу немелкоклеточного рака легкого // Хирургия. Журнал имени Н. И. Пирогова. 2006. - № 12. - С. 9-12.

10. Ю.Гвасалия Б.Р., Гринев A.B. Нейросетевое прогнозирование послеоперационной летальности при доброкачественной гиперплазии предстательной железы // Андрология и генитал. хирургия. 2001. - №1. -С. 60-63.

11. Голдберг Е.В., Дыгай A.M., Новицкий В.В. Рак легкого и система крови. -Томск: Издательство Томского Университета, 1992. 221 с.

12. Гончаров И.М., Харченко В.П. Состояние внешнего дыхания и малого крута кровообращения у больных раком легкого // Советская медицина. — 1985. -№11.- С 13.

13. Гублер Е.В. Вычислительные методы распознавания патологических процессов. J1.: Медицина, 1970. - 319 с.

14. Гублер Е.А. Методы анализа и распознавания патологических процессов. -Л.: Медицина, 1978.-296с.

15. Давыдов М.И., Полоцкий Б.Е., Малаев С.Г. и др. Некоторые прогностические факторы в хирургическом лечении рака лекгого // Хирургия. 1996. - №1. - С. 13-16.

16. Демографический ежегодник России. 2007 / Федеральная служба государственной статистики. — М.: Росстат, 2007. 551 с.

17. Дюсембаев З.Е. Индивидуальное прогнозирование исхода рака легкого: автореф. дис. . докт. мед. наук. — СПб, 1993. 40 с.

18. Егерь Ю.В., Бирюкова И.А. и др. Прогнозирование риска смерти больных нестабильной стенокардией с использованием искусственной нейронной сети // Вестн. Смол. мед. Акад. 2001. - №2. - С. 53-55.

19. Ерюхин И. А. Комментарии к статье Г. И. Назаренко и др. «Прогнозирование характера течения острого панкреатита методом нейронных сетей» // Вестник хирургии имени И. И. Грекова. 2005. - Т. 164, № 1.-С. 55.

20. Жарков В.Л., Курчин В.П., Демидчик Ю.Е. и др. Прогнозирование послеоперационных осложений и летальности при хирургическом и комбинированном лечении рака легкого. // Клиническая онкология. — 1990.-№10.-С. 13.

21. Зарубина Т.В., Швырёв С.Л., Сидоров К.В. ИНТЕРИС информационная система отделения реанимации и интенсивной терапии // Врач и информационные технологии. - 2006. - № 3. - С.27-40.

22. Ишмухаметов И. X. Нейросетевой подход к прогнозированию течения и исходов острых хирургических заболеваний у больных в критических состояния: автореф. дис. .канд. мед. наук. Уфа,2007. - 130 с.

23. Киликовский В.В., Олимпиева С.П. Технология создания компьютерных консультативных экспертных систем для интеллектуальной поддержки принятия медицинских решений // Врач и информационные технологии. -2004.-№5.-с 64-69.

24. Киликовский В.В., Олимпиева С.П., Берсенева Е.А. Экспертная консультативно-диагностическая система по заболеваниям щитовидной железы.// Медицинская кибернетика в клинической практике М.: ГВКГ им Н.Н.Бурденко, 1999. - С. 81-82.

25. Коломиец С.А. Использование многофакторного метода анализа в прогнозе эффективности комбинированного лечения рака легкого. //Актуальные вопросы современной онкологии: Сб. статей. — Томск, 1994. -С. 80-81.

26. Косяк A.A. Прогнозирование исходов хирургического лечения рака легкого: автореф. дис. . .канд. мед. наук. Пермь, 2003. -26 с.

27. Краевский H.A. О гистологической классификации рака легкого // Вестник АМН СССР. 1976. - №3. - С. 15-16.

28. Круглов В.В., Самородская И.В. и др. Использование искусственной нейронной сети для прогнозирования нарушений ритма сердца присиндромах предвозбуждения желудочков //Вестн. новых мед. технологий. 2000. - Т.7,№2. - С. 18-20.

29. Лактионов К.К. Современные подходы к индивидуальному прогнозированию результатов хирургического лечения немелкоклеточного рака легкого. // Рос. Онкол. Журнал. 2000. — № 1. — С.20-24.

30. Лактионов К.П. Эпидермоидный рак легкого: (Клиника, лечение, прогноз): автореф. дис. . .докт. мед. наук. Москва, 1988. - 40 с.

31. Международная классификация болезней в онкологии. ВОЗ, Женева, 1976.

32. Мерабишвили В.М., Дятченко О.Т., Статистика рака легкого (заболеваемость, смертность, выживаемость) // Практическая онкология. — 2000. -№>3,- С. 26-27.

33. Муравская Г.В., Яськевич A.C., Голубович И.А. и др. Комбинированное лечение больных раком легкого // Здравоохранение Белоруссии. — 1975. — №7. С. 55-58.

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

35. Никуличев Л. А. Хирургическое лечение низкодифференцированного немелкоклеточного и мелкоклеточного рака легко: автореф. дис. .докт. мед. наук. — Москва,2000. 49с.

36. Островский В.К. Некоторые показатели крови и лейкоцитарный индекс интоксикации при туберкулезе, пневмониях и раке легких.//Проблемы туберкулеза и болезней легких. 2005. - №3. - С. 43-46.

37. Перельман М.И., Бирюков Ю.В., Григорьева С.П., Отс О.И Отдаленные результаты лечения мелкоклеточного рака легкого // Вопросы онкологии. 1989. - Т.35,№8. - С. 184-186.

38. Родионов В.В., Куницин А.Г., Артемьев И.Г., Осложнения после лобэктомии с резекцией и пластикой бронхов при раке легкого // Грудная хирургия. 1981.-№1.-С. 13.

39. Россиев Д.А Самообучающиеся нейросетевые экспертные системы в медицине: теория, методология, инструментарий, внедрение: дис. .докт. мед. наук. Красноярск, 1995 - 200 с.

40. Рукосуев A.A., Котляров Е.В., Бородянко О.Н. Прогнозирование исходов хирургического лечения рака легкого методом распознавания образов // Всесоюзный симпозиум «Автоматизированные информационные системы в онкологии» . — JL, 1991. — С. 58.

41. Ручкин В.В. Обоснование тактики хирургического лечения и реабилитации больных раком легкого на основе изучения отдаленных результатов: автореф. дис. .канд. мед. наук. . Уфа,2003. — 26 с.

42. Саблин И.Н., Флеров Е.В., Шевченко В.В. и др. Разработка и первый опыт применения мониторно-компьютерной системы для общей хирургии // Анестезиол. и реаниматол. 1999. -№ 5. -С. 59 - 62.

43. Савицкий А.И. Рак легкого. М.:Медгиз, 1957. - 273с.

44. Скорняков С.Н., Бугаева Е.Ю. Некоторые вопросы прогнозирования осложнений в хирургии рака легкого // Анестезиология и реаниматология 1997.-№1. -С 13.

45. Тулепов A.C.,. Колычева Н.И., Нургуждаев К.С. Легочная вентиляция в зависимости от гистологического типа рака легкого // Здравоохранение Казахстана. 1986. - №5. - С. 13.

46. Усмонов X. С. Определение прогностических признаков при выборе хирургического лечения немелкоклеточного рака легкого: автореф. дис. .канд. мед. наук. -СПб., 2001. -21с.

47. Устинов А.Г., Лешуков С.В., Житарева И.В. Интерактивный и автоматический компьютерный дискриминантный анализ мониторных данных // Моделирование в клинической практике.-М: 2МОЛГМИ им. Н.И.Пирогова. 1988. - С. 90-91.

48. Харченко В.П., Кузьмин И.В. Рак легкого. Руководство для врачей. -М.:Медицина. 1994.- 480с.

49. Харченко В.П., Галил-Оглы Г.А., Чхиквадзе В.Д. и др Хирургическое и комбинированное лечение рака легкого // Вестник хирургии им. Грекова. 1989.-Т. 142,№5. - С. 3-6.

50. Шевченко Ю. Л., Чистов Л.В., Борисов И.А. и др. Прогнозирование исходов радикальных операций у больных раком легкого с тяжелыми сочетанными и конкурирующими заболеваниями // Хирургия. Журнал им. Н.И. Пирогова. 2003. - №10. - С. 6-14.

51. Швырев С.Л. Автоматизированный мониторинг миоэлектрической активности тонкой кишки у больных с разлитым перитонитом в раннем послеоперационном периоде: дис. .канд мед.наук. -М., 1996. 120с.

52. Швырев С.Л. Зарубина Т.В. Monitoring of electrical activity of small bowel in patients with generalized peritonitis // Crit.Care. 1997. - V.l,suppl.l . - P. 17.

53. Щетинин В.Г., Костюнин A.B., Соломаха A.A. Нейросетевой прогноз послеоперационных осложнений // Мед. техника. 2000. - №2. - С. 21-25.

54. Abe Н., MacMahon Н., Engelmann R. et al. Computer-aided Diagnosis in Chest Radiography: Results of Large-Scale Observer Tests at the 1996-2001 RSNA Scientific Assemblies // Radiographics. 2003. - Vol 23. - P. 255-265.

55. Alonso Rodríguez A, Pértega Díaz S, González Blanco A. et al. The utility of artificial neural networks in the prediction of prostate cancer on transrectal biopsy//Actas. Urol. Esp.- 2006 .-Vol. 30.-P. 18-24.

56. American Joint Committee of Cancer(AJCC) Lung. Manual for Staging of Cancer / Eds. Bears O.H. et al. Philadelphia: J.B. Lippincott, 1988. - 115 p.

57. Bartfay E., Mackillop W.J., Pater J.L. Comparing the predictive value of neural network models to logistic regression models on the risk of death for small-cell lung cancer patients. // Eur. J. Cancer Care (Engl) . 2006. - Vol. 15. — P. 115124.

58. Becker R.B., Zimmerman J.E., Knaus W.A. et al. The use of APACHE III to evaluate ICU length of stay, resource use, and mortality after coronary artery by-pass surgery // J Cardiovasc. Surg. (Torino). 1995. - Vol. 36. - P 1-11.

59. Biganzoli E., Boracchi P., Mariani L. et al. Feed forward neural networks for the analysis of censored survival data: a partial logistic regression approach. // Stat. Med. 1998.-Vol. 17.-P. 1169-1186.

60. Bishop C.M. Neural Networks for Pattern Recognition, 3rd ed. Oxford: Oxford University Press, 1995.

61. Bourdes V.S., Bonnevay S., Lisboa P.J. et al. Breast cancer predictions by neural networks analysis: a comparison with logistic regression.// Conf. Proc. IEEE Eng. Med. Biol. Soc. 2007. - P. 5424-5427.

62. CHEN H., WANG X., MA D. et al. Neural network-based computer-aided diagnosis in distinguishing malignant from benign solitary pulmonary nodules by computed tomography // Chinese Medical Journal. 2007. - Vol. 120,No. 14. — P. 1211-1215.

63. Chu C.M., Wetter T., Artificial neural network may perform good to predict the survivability of cervical cancer // AMIA Annu. Symp. Proc. 2006. - P. 889.

64. College of American Pathologists: Systematized nomenclature of medicine. -Chicago, IL., 1976.

65. Cook DJ., Grifith LE., Walter SD et al. The attributable mortality and length of intensive care unit stay of clinically important gastrointestinal bleeding in critically ill patients // Critical Care. 2001. - Vol. 5,No. 6. - P.368-375.

66. Engoren M., Moreno R., Reis M.D. A genetic algorithm to predict hospital mortality in an ICU population // Crit. Care Med. 1999. - Vol. 27. - A52.

67. Farid E Ahmed Artificial neural networks for diagnosis and survival prediction in colon cancer // Mol. Cancer. 2005. - Vol. 4. - P. 29.

68. Fine T.L. Feedforward Neural Network Methodology, 3rd ed. New York: Springer-Verlag, 1999.

69. Groeger J.S., Lemeshow S., Price K. et al. Multicenter outcome study of cancer patients admitted to the intensive care unit: a probability of mortality model // Journal of clinical oncology. 1998. - Vol.16. - P. 761-770.

70. Hastie T., Tibshirani R., Friedman J. The elements of statistical learning: data mining, inference, and prediction. -New York: Springer, 2001.

71. Haykin S. Neural Networks A Comprehensive Foundation, 2nd ed. -: Macmillan College Publishing, 1998.

72. Hosmer D.W., Lemeshow S. Applied Logistic regression. 2-nd ed. New York: Wiley, 2000.

73. Hopfield J., Neural Networks and physical systems with emergent collective computational abilities // Proc.National Academy of Science USA. 1982. -Vol. 79.-P. 2554-2558.

74. International Union Against Cancer (UICC): TNM Claccification of Malignant Tumors 4th ed./Eds. Hermanec P., Sobin L.H.- Berlin:Springen-Verlag, 1987. -69 p.

75. International Union Against Cancer (UICC): TNM Claccification of Malignant Tumors / Eds. Sobin L.H. Wittekind Ch. -N.Y.:Willey-Liss, 1997. 98 p.

76. Jaimes F., Farbiarz J., Alvares D. et al. Comparison between logistic regression and neural networks to predict death in patients with suspected sepsis in the emergency room // Critical Care. 2005. - Vol. 9. -R150-R156.

77. Jefferson M.F., Neil Ch.B. et al. Comparison of a Genetic Algorithm Neural Network with Logistic Regression for Predicting Outcome after Surgery for Patients with Nonsmall Cell Lung Carcinoma //CANCER. 1997. - Vol. 79/7. -P.1338-1342.

78. Jennings D.E. Outliers and residual distributions in logistic regression // Journal of the American Statistical Association, 1986. Vol. 81. - P. 987-999.

79. Kleinbaum D.G. Logistic Regression: A Self-Learning Text. New York: Springer-Verlag, 1994.

80. Knaus W.A., Draper E.A., Wagner D.P., Zimmerman J.E. APACHE II: a severity of disease classification system // Crit. Care Med. 1985. - Vol. 13. -P. 818-829.

81. Knaus W.A., Wagner D.P., Draper E.A. et al. The APACHE III prognostic system. Risk prediction of hospital mortality for critically ill hospitalized adults. //Chest.-1991.-Vol. 100.-P. 1619-1636.

82. Kohonen T. The self organizing map // Proc of IEEE. 1990. - Vol 78. - P. 1464-1479.

83. Le Gall J.R., Lemeshow S., Saulnier F. A new Simplified Acute Physiology Score (SAPS II) based on a European/North American multicenter study // JAMA. 1993. - Vol. 270. - P. 2957-2963.

84. Lemeshow S., Teres D., Klar J.et al. Mortality Probability Models (MPM II) based on an international cohort of intensive care unit patients //JAMA. — 1993. -Vol. 270.-P. 2478-2486.

85. Lemeshow S., Hosmer D.W. A review of goodness of fit statistics for use in the development of logistic regression models // Am. J. Epidemiol. 1982. -Vol. 115.-P. 92-106.

86. Marchevsky A.M., Patel S., Wiley K.J. et al. Artificial neural networks and logistic regression as tools for prediction of survival in patients with Stages I and II non-small cell lung cancer // Mod. Pathol. 1998. - Vol. 11. -P. 618625.

87. Metnitz P.G., Valentin A., Vesely H. et al. Prognostic performance and customization of the SAPS II: results of a multicenter Austrian study. // Intensive Care Med. 1999. - Vol. 25. - P. 192-197.

88. Moreno R., Apolone G., Reis M.D. Evaluation of the uniformity of fit of general outcome prediction models // Intensive Care Med. 1998. — Vol. 24. — P. 40^7.

89. Mountain C.F., Libshitz H.I., Hermes K.E. Lung cancer: A Handbook for Staging and Imaging. Houston: Mountain and Libshitz, 1993.

90. Nakamura K., Yoshida H., Engelmann R. et al. Computerized Analysis of the Likelihood of Malignancy in Solitary Pulmonary Nodules with Use of Artificial Neural Networks // Radiology. 2000. - Vol. 214. - P. 823-830.

91. Nimgaonkar A, Karnad D.R., Sudarshan S. et al. Prediction of mortality in an indian intensive care medicine. Comparison between APACHE II and artificial neural networks // Intensive Care Med. 2004. - Vol. 30. - P. 248253.

92. Norusis M. SPSS 13.0 Statistical Procedures Companion. Upper Saddle-River, N.J.: Prentice Hall, Inc. 2004.

93. Ripley, B.D. Pattern Recognition and Neural Networks. Cambridge: Cambridge University Press, 1996.

94. Sato F., Yutaka S., Florin M.S. et al. Prediction of survival in patients with esophageal carcinoma using artificial neural networks // Cancer. 2005. -Volume 103/8.-P. 1596- 1605.

95. Santos-García G., Varela G., Novoa N. et al. Prediction of postoperative morbidity after lung resection using an artificial neural network ensemble // Artif. Intell. Med. 2004. - Vol 30. - P. 61-69.

96. Sarym D.J. Comparison of Artificial Neural Networks with other statistical approaches. Result from medical data sets // Cancer. 2001. - Vol. 91/8 — P.1636-1642.

97. Suistomaa M., Kari A., Ruokonen E. et al. Sampling rate causes bias in APACHE II and SAPS II scores // Intensive Care Med. 2000. - Vol.26. - P. 1773-1778.

98. Schweiger C.R., Soeregi G., Spitzauer S. et al. Evaluation of Laboratory Data by Conventional Statistics and by Three Types of Neural Networks // Clin. Chem. -1993. Vol. 39/9. - P. 1966-1971.

99. Teres D., Lemeshow S. Using severity measures to describe high performance intensive care units //Crit. Care Clin. 1993. - Vol. 9. - P. 543554.

100. Van Hodenhoven M., Nguen D.T., Eijkenmans M.J. et al. Optimizing intensive care capacity using individual length-of-stay prediction models. // Critical Care. 2007. - Vol. 11.- R42-R51.

101. Varela G., Jiménez M.F., Novoa N. A model to predict death after lung cancer resection: applicability to individual cases // Arch Bronconeumol. — 2003. Vol. 39. - P. 249-252.

102. Varela G., Novoa N., Jiménez M.F. et al. Applicability of logistic regression (LR) risk modelling to decision making in lung cancer resection // Interactive Cardiovascular and Thoracic Surgery. -2003. Vol. 2. - P. 12-15.

103. Vesselle H.,Turcotte E., WiensLind, B.S. et al. Application of a Neural Network to Improve Nodal Staging Accuracy with 18F-FDG PET in Non-Small Cell Lung Cancer // Journal of Nuclear Medicine. 2003. - Vol. 44,No. 12. -P. 1918-1926.

104. Virgo K.S., Naunheim K.S., Coplin M.A. et al. Lung Cancer Patient Follow-Up: Motivation of Thoracic Surgeons // Chest. 1998. - Vol. 114. - P. 15191534.

105. Wolfe P., Murphy J., McGinley J. et al. Using nuclear morphometry to discriminate the tumorigenic potential of cells: a comparison of statistical methods // Cancer Epidemiol. Biomarkers Prev. 2004. - Vol. 13(6) . - P. 97688.

106. Zimmerman J.E., Wagner D.P., Draper E.A. et al. Evaluation of acute physiology and chronic health evaluation III predictions of hospital mortality in an independent database // Crit. Care Med. 1998. - Vol. 26. - P. 1317-1326.

107. Zweig M.H., Campbell G Receiver-operating characteristic (ROC) plots: a fundamental evaluation tool in clinical medicine // Clin. Chem. 1993. - Vol. 39.-P. 561-577.