Программно-информационная поддержка процессов идентификации состояния органичной системы: На примере ревматических заболеваний тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Сычев, Олег Александрович

• Сычев, Олег Александрович
• кандидат технических наук
• 2005

Оглавление диссертации кандидат технических наук Сычев, Олег Александрович

Перечень сокращений, условных обозначений, символов и терминов.

ВВЕДЕНИЕ.

ГЛАВА 1. СОВРЕМЕННЫЕ ПОДХОДЫ К АВТОМАТИЗАЦИИ ПРОЦЕССА ИДЕНТИФИКАЦИИ СОСТОЯНИЯ ОРГАНИЧНОЙ СИСТЕМЫ.

1.1. Задача идентификации состояния органичной системы.

1.2. Ревматология как предметная область с точки зрения процесса идентификации состояния органичной системы.

1.3. Существующие автоматизированные средства поддержки диагностики в ревматологии.

1.4. Модели представления знаний, используемые для решения задачи идентификации состояния органичной системы.

1.5. Цель и задачи исследования.

ГЛАВА 2. МОДЕЛЬ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ ДЛЯ ЗАДАЧ ИДЕНТИФИКАЦИИ СОСТОЯНИЯ ОРГАНИЧНОЙ СИСТЕМЫ С ВЫВОДОМ ПО ПРЕЦЕДЕНТАМ.

2.1. Исчисление отношений.

2.2. Методы дедуктивного и индуктивного вывода на исчислении отношений.

2.3. Представление приближенных зависимостей в исчислении отношений. Правдоподобный вывод.

2.4. Представление данных и знаний предметной области на исчислении отношений.

2.5. Вывод по прецедентам в исчислении отношений.

Введение диссертации (часть автореферата) на тему «Программно-информационная поддержка процессов идентификации состояния органичной системы: На примере ревматических заболеваний»

Актуальность темы. В настоящее время существует ряд задач, в рамках которых требуется установить причину нарушения функционирования системы для ее дальнейшего устранения. Данная задача связана с идентификацией и распознаванием образов и широко распространена в технике, медицине, социальных науках и экономике. В частности в медицине это задача диагностики заболевания пациента.

Проблема идентификации и распознавания образов в течение продолжительного времени привлекает внимание специалистов в области математики, кибернетики, системного анализа и искусственного интеллекта. Существенный вклад в становление и развитие данного направления внесли ученые Ф. Розенблатт, Р. Шэнк, А.Н. Колмогоров, Д.А. Поспелов, М. Бонгард, У. Маккаллок, А. Новиков, П. Грин и др.

Существующие на сегодняшний день подходы к автоматизации процесса идентификации состояния сложной системы на основании информации о поведении системы охватывают класс динамических систем, характеризуемых небольшим параметрическим множеством и, как правило, имеющих математическую модель. Большой вклад в развитие этой области внесли ученые А. А. Метешкин, Г. П. Шибанов, Е. Ю. Барзилович, С. М. Веисс, А. К. Куликовский и др. Однако имеются существенные различия между исходными данными, имеющимися в распоряжении исследователя технических и органичных систем.

При изучении технических систем, легко доступна информация о процессе функционирования системы, устройстве и функциональном назначении ее подсистем, а количество известных случаев нарушения функционирования системы обычно невелико. Поэтому методы идентификации состояний технических систем основаны главным образом на использовании математической модели системы.

Органичные системы, по определению В.Н. Спицнаделя, появляются в результате постепенно развития, усложнения и дифференциации более простых систем. Режимы функционирования и назначение подсистем в этом случае известны лишь приблизительно. Сложно изучать функционирование подсистем органичной системы по отдельности ввиду наличия большого количества обратных связей. В случае органичных систем имеется большой массив опытных данных, полученных в результате наблюдения за различными нарушениями их функционирования. Поэтому для решения задачи идентификации состояния органичной системы представляется целесообразным использовать подходы на основе вывода по прецедентам с учетом особенностей органичных систем.

Задача идентификации состояния органичной системы (например медицинской диагностики) является нетривиальной ввиду большого числа параметров, описывающих состояние системы; косвенного характера большинства измеряемых параметров по отношению к причине нарушения функционирования системы; невозможности изучать функционирование подсистем по отдельности и других свойств органичных систем. Решение этой задачи требует привлечения квалифицированных специалистов, а также значительных затрат времени и материальных ресурсов. Автоматизация ее решения с помощью методов вывода по прецедентам позволит повысить качество идентификации состояния органичной системы за счет увеличения точности определения состояния системы, снижения затрачиваемого на это времени и уменьшения количества необходимых исследований (нередко дорогостоящих). В связи с этим в настоящее время актуальной является разработка моделей представления знаний и данных, развитие методов использования вывода по прецедентам, предназначенных для идентификации состояния органичных систем, и реализация их в виде программно-информационного комплекса поддержки процессов идентификации состояния органичных систем.

Цель работы состоит в повышении эффективности процесса идентификации состояния органичной системы на примере диагностики ревматических заболеваний и снижении затрат на проведение этого процесса.

Для достижения данной цели были поставлены и решены следующие задачи.

1. Исследовать процесс диагностики ревматических заболеваний и сделать обзор систем поддержки принятия решений и моделей представления знаний.

2. Разработать модель представления знаний для использования в задачах диагностики с помощью рассуждений по прецедентам на основе свойств знаний, используемых в процессе диагностики.

3. Разработать методы и алгоритмы диагностики на разработанной модели представления знаний.

4. Реализовать программно-информационный комплекс поддержки диагностики ревматических заболеваний и проверить эффективность разработанных методов и алгоритмов в ходе опытной эксплуатации комплекса.

Методы исследования. Для решения поставленных задач были использованы методы системного анализа, искусственного интеллекта, теории проектирования реляционных баз данных и аппарат теории решеток.

Научная новизна результатов, выносимых на защиту, заключается в следующем.

1. Модель представления знаний в задачах диагностики по прецедентам - исчисление отношений на элементах решетки, отличающееся от известных возможностью представления любой неполной информации об отношении включения, рассмотрением отношения включения в качестве полной атомной решетки с относительными дополнениями, наличием алгоритмов дедуктивного и индуктивного вывода на единой модели представления знаний, возможностью использования различных стратегий индуктивного вывода в зависимости от задачи.

2. Методы хранения и обработки приближенных отношений в задачах диагностики с помощью вывода по прецедентам, отличающиеся от известных двухпараметрическим представлением приближенных отношений, возможностью использования различных кривых спада уверенности, возможностью настройки границ приближенных отношений, простотой правдоподобного вывода для случая, когда один из элементов является атомарным.

3. Методика отображения знаний и данных предметной области на исчисление отношений, которая отличается от известных возможностью представления симптомов, заданных не только шкалами наименований, но и интервальными значениями; возможностью диагностирования по нескольким независимым шкалам, с определением не только вида заболеваний, но и его формы или активности; описанием близости значений симптомов для вывода по прецедентам с помощью различных метрик.

Практическая ценность полученных результатов.

1. На основании предложенных модели представления знаний, методики отображения знаний и данных предметной области и методов идентификации состояния органичной системы с помощью вывода по прецедентам разработаны структура базы знаний и алгоритмы этапов процесса диагностики.

2. Предложенные методика, методы и алгоритмы реализованы в виде программно-информационного комплекса поддержки диагностики ревматических заболеваний, который состоит из базы знаний, подсистемы работы со знаниями, подсистемы работы с данными о больных и подсистемы диагностики.

3. Программно-информационный комплекс поддержки диагностики ревматических заболеваний показал свою эффективность в ходе опытной эксплуатации в НИИ клинической и экспериментальной ревматологии при решении задачи диагностики формы, активности и течения ревматоидного артрита по данным лабораторных исследований.

Теоретические и практические результаты диссертационной работы использовались в научно-исследовательской деятельности НИИ клинической и экспериментальной ревматологии РАМН.

Реализация и внедрение результатов. Программно-информационный комплекс поддержки диагностики ревматических заболеваний внедрен в НИИ клинической и экспериментальной ревматологии РАМН. Его применение позволяет уменьшить количество применяемых при диагностике ревматических заболеваний лабораторных исследований и сократить время диагностики.

Апробация работы. Основные положения диссертации докладывались на научных семинарах кафедры «САПР и ПК» ВолгГТУ, а также на международных и всероссийских научных и научно-практических конференциях: «Информационные технологии в образовании, технике и медицине» (Волгоград 2000, 2002, 2004), «Методы и алгоритмы прикладной математики в технике, медицине и экономике» (Новочеркасск 2001, 2002), «Математические методы в технике и технологиях» ММТТ-2000 (Санкт-Петербург, 2000), V, VI, VII, VIII Региональных конференциях молодых исследователей Волгоградской области (Волгоград, 2001 - 2004).

Публикации. По теме диссертации опубликовано 11 печатных работ, в то числе 1 публикация в изданиях центральной печати, 6 статей в сборниках научных трудов, 4 тезиса докладов различных конференций.

Личный вклад соискателя состоит в постановке задачи, разработке теоретических положений и апробации предложенных подходов на практических задачах.

Структура и содержание диссертационной работы. Диссертационная работа состоит из введения, четырех глав, заключения, 2-х приложений и

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Сычев, Олег Александрович

4. 4. Основные результаты и выводы

С помощью моделей и алгоритмов, предложенных в главе 3, спроектирован и разработан программно-информационный комплекс поддержки диагностики ревматических заболеваний «Эсмадра». Комплекс состоит из четырех частей: базы знаний, подсистемы работы со знаниями, подсистемы работы с данными о больных и подсистемы диагностики. Главной функцией комплекса является поддержка диагностики ревматических заболеваний.

Комплекс внедрен в НИИ Клинической и Экспериментальной Ревматологии РАМН. Опытная эксплуатация комплекса показала, что его использование позволяет увеличить эффективность процесса диагностики ревматических заболеваний за счет уменьшения количества лабораторных исследований, необходимых для диагностики, в среднем на 3-5 исследований для одного больного при сохранении прежнего качества диагностики, что позволяет уменьшить затраты на проведение исследований и время пребывания больного в стационаре во время диагностики. Ожидаемый экономический эффект от внедрения комплекса в ревматологическом отделении больницы регионального уровня составляет приблизительно 765000 рублей в год.

ЗАКЛЮЧЕНИЕ

На основе исследования процессов идентификации состояния органичной системы, анализа известных моделей представления знаний и методов вывода разработаны: модель представления знаний для использования в задачах идентификации состояния органичной системы с помощью вывода по прецедентам - исчисление отношений; методы и алгоритмы поддержки процессов идентификации состояния органичной системы; программно-информационный комплекс поддержки диагностики ревматических заболеваний, который показал свою эффективность в опытной эксплуатации.

1. Предложена модель представления знаний - исчисление отношений, позволяющая представлять в точной и приближенной форме информацию о классах, связанных отношением включения и методы индуктивного и дедуктивного вывода на этой модели.

2. Разработана методика отображения на исчисление отношений данных и знаний предметной области, позволяющая отображать различные виды симптомов, представленные шкалами наименований и отрезками оси действительных чисел, и осуществлять процесс идентификации состояния органичной системы по нескольким различным типам диагнозов.

3. Предложены методы диагностики с помощью вывода по прецедентам с представлением знаний на исчислении отношений: метод диагностики на основании единичных симптомов и их групп и метод диагностики на основании полного симптома; а также метод определения исследований, наиболее информативных для продолжения диагностики в текущей диагностической ситуации.

4. Разработаны алгоритмы диагностики на основании единичных симптомов и их групп, формирования набора прецедентов для диагностируемой органичной системы, диагностики на основании полного симптома и определения исследований, наиболее информативных для дальнейшего уточнения диагноза.

5. Предложенные методика, методы и алгоритмы реализованы в виде программно-информационного комплекса поддержки диагностики ревматических заболеваний, который состоит из базы знаний, подсистемы работы со знаниями, подсистемы работы с данными о больных и подсистемы диагностики. Комплекс показал свою эффективность в опытной эксплуатации в НИИ клинической и экспериментальной ревматологии РАМН.

В целом полученные результаты позволяют повысить эффективность идентификации состояния органичных систем, сократить время диагностики и снизить затраты на ее проведение.

Список литературы диссертационного исследования кандидат технических наук Сычев, Олег Александрович, 2005 год

1. Ан Р. Н., Бордюжа А. В., Ленкина Н. В. Особенности развития и лечения болезни Рейтера у лиц молодого возраста // Актуальные проблемы современной ревматологии. 1999. - Вып. 17. - С. 8 .

2. Багирова Г. Г., Сизова Л. В. Использование опросников для оценки качества жизни больных остеоартрозом // Актуальные проблемы современной ревматологии. 2001. - Вып. 19. - С. 140-142 .

3. Балабанова Р. М., Насонова М. А. К вопросу о совершенствовании рабочей классификации ревматоидного артрита // Научно-практическая ревматология. 2001. - №5. - С. 91-95 .

4. Бедина С. А., Левкина М. В., Мартемьянов В. Ф. Диагностическое значение определения ферментов пуринового метаболизма при ревматоидном артрите // Актуальные проблемы современной ревматологии. 1999. - Вып. 17. - С. 14 .

5. Бедина С. А., Левкина М. В., Мартемьянов В. Ф. Энзимная диагностика клинических форм ревматоидного артрита // Актуальные проблемы современной ревматологии. 1999. - Вып. 17. - С. 15 .

6. Буч Г. Объектно-ориентированный анализ и проектирование с примерами приложений на С++: Пер с англ.-2-е изд.- М.: Издательство Бином, СПб.: Невский диалект, 2000.-560 с.

7. Вендров А. М. Проектирование программного обеспечения экономических информационных систем. М.: Финансы и статистика, 2000. 352 с.

8. Вест С. Дж. Секреты ревматологии / Пер. с англ. М. - СПб.: «Издательство БИНОМ». - «Невский диалект», 1999. - 768 с.

9. Вирт Н. Алгоритмы + структуры данных = программы. М.: Мир, 1985.- 193 е.

10. Выявление экспертных знаний (процедуры и реализации) / О.И.

11. Ларичев, А.И. Мечитов, Е.М. Мошкович, Е.М. Фуремс. М.: Наука, 1989.- 128 с.

12. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб: Питер, 2000 - 384 с.

13. Гаськов А. П., Валивач М. Н. Информация об экспертной системе медицинской диагностики «Консилиум» / Internet http://www.eksi.kz/consilium/librar/esmdshort.htm

14. Гонтарь И. П., Петрова Н. В., Зборовская И. А. Определение ферментативно-активного, иммуноактивного церуплазмина и антител к нему у больных ревматоидным артритом // Актуальные проблемы современной ревматологии. 2001. - Вып. 19. - С. 51

15. Горбань А.Н. Обучение нейронных сетей М.: СП ПараГраф, 1990-210 с.

16. Гэри М., Джонсон Д. С. Вычислительные машины и труднорешаемые задачи. М.: Мир, 1982. - 148 с.

17. Дворянкин А. М., Сычев О.А. Исчисление отношений множеств // Методы и алгоритмы прикладной математики в технике, медицине и экономике: Мат. междунар. научн.-практ. конф., Новочеркасск, 8.02. 2001 /ЮРГТУ (НПИ). Новочеркасск, 2001. - Ч. 5. - С. 32-34.

18. Дворянкин А. М. и др. Искусственный интеллект. Моделирование рассуждений и формальные системы: Учеб. пособие // А. М. Дворянкин, М. Б. Сипливая, И. Г. Жукова Волгоград: Волгоград, гос. техн. ун-т, 2003.— 140 с.

19. Дворянкин A.M., Сычев О.А. Формализация данных медицинской карты ревматологического отделения с помощью исчисления отношений для автоматизации диагностики и научных исследований // Информационные технологии в образовании, технике и медицине:

20. Матер, междунар. конф., Волгоград, 18-22.10.2004. / ВолгГТУ и др. -Волгоград, 2004. Т.З. - С. 193-198.

21. Диагностическое значение определения ферментов в клетках крови при системной красной волчанке. / А. В. Рвачев, Т. В. Сердюкова, Т. А. Панкратова и др. // Актуальные проблемы современной ревматологии. -1999.-Вып. 17.-С. 79.

22. Дормидонтов Е. Н., Коршунов Н. И., Фризен Б. Н. Ревматоидный артрит. -М.: Медицина, 1981. 175 с.

23. Дрейпер Н., Смит Г. Прикладной регрессионный анализ: В 2-х кн. Кн. 1/ Пер с англ. 2-е изд., перераб. и доп. - М.:Финансы и статистика, 1986.-366с

24. Дробышева А. Э., Еров Н. К. Некоторые клинические аспекты диагностики реактивных артритов // Актуальные проблемы современной ревматологии. 1999. - Вып. 17. - С. 35

25. Еров Н. К. Спорные вопросы диагностики ревматоидного артрита с системными проявлениями // Актуальные проблемы современной ревматологии. 1999. - Вып. 17. - С. 38

26. Зайцева Т. В. Болевой синдром, психологическая реакция на болезнь и качество жизни больных ревматоидным артритом // Актуальные проблемы современной ревматологии. 2001. - Вып. 19. - С. 74-75

27. Зайцева Т. В. Качество жизни как интегральный показатель здоровья у больных ревматоидным артритом // Актуальные проблемы современной ревматологии. 1999. - Вып. 17. - С. 42

28. Игнатьев В. М., Шевченко В. П. Многокритериальный подход к оценке объекта // Развивающиеся интеллектуальные системы автоматизированного проектирования и управления. Материалы межд. научн.-практич. конф. Новочеркасск.: УПЦ «Набла», 2001. - С. 50-52

29. Ионкина Т. Г., Золотарева Н. М., Степанова О. В. Сравнительная характеристика иммунологических показателей у больныхревматоидным артритом и реактивным артритом // Актуальные проблемы современной ревматологии. 1999. - Вып. 17. - С. 52.

30. Искусственный интеллект. Модели и методы: Справочник./ Под ред. Д.А.Поспелова. М.: Радио и связь, 1990. - 304 с.

31. Калверт Ч. Программирование в Windows 95. Освой самостоятельно/ Пер. с англ. Д.А. Зарецкого, И.В. Муравьева;Под ред. Д.Зарецкого.-М.: Бином, 1996.-1008с.

32. Клинические рекомендации и алгоритмы. Ревматология. / Под общей редакцией Е. Л. Насонова. М.: ООО «ВолгаМедиа», 2004. - 112 с.

33. Клинические рекомендации. Ревматология. / Под. ред. Е. Л. Насонова. -М.:ГЭОТАР-Медиа, 2005. 288 с.

34. Кобринский Б.А. Искусственный интеллект и медицина: возможности и перспективы систем, основанных на знаниях //Новости искусственного интеллекта №4, 2001. Internet http://www.raai.org/library/library.shtml

35. Корн Г., Корн Т. Справочник по математике для научных работников и инженеров. М.: Наука, 1968. 720 с.

36. Коршунов Ю.М. Математические основы кибернетики: Учеб. пособие для вузов 3-е изд., перераб. и доп.- М.: Энергоатомиздат, 1987.-496 с.

37. Лейнекер Р. Энциклопедия Visual С++.-СП6: Издательство «Питер», 1999.-1152 с.

38. Липченко В. Я., Самусев Р. П. Атлас анатомии человека: Классическая учебная литература. 3-е изд., перераб. и доп. - М.: «Альянс-В», 1998. - 320 с.

39. Мазуров В. И., Лила А. М. Ревматоидный артрит (клиника, диагностика, лечение). СПб.: «Мед Масс Медиа», 2000. - 96с.

40. Медведев В. С., Потемкин В. Г. Нейронные сети. MATLAB 6 / Под общ. ред. к.т.н. В.Г. Потемкина.-М.:ДИАЛОГ-МИФИ, 2002.-496 с.

41. Мозговая Е. Э., Хортиева С. С., Некрасова С. П. Клиническая значимость определения активности фумаратгидратазы при системной склеродермии // Актуальные проблемы современной ревматологии. 1999. -Вып. 17. - С. 70

42. Насонов Е. Л., Балабанова Р. М. Лечение ревматоидного артрита препаратами золота. (Пособие для врачей). М.: ИД Медпрактика-М, 2002.-24 с.

43. Насонова В. А., Астапенко М. Г. Клиническая ревматология М.: Медицина. - 1989. - 586 с.

44. Нейроинформатика / Горбань А.Н., Дунин-Барковский В.Л., Кирдин А.Н. и др. Новосибирск: Наука. Сибирское предприятие РАН, 1998. — 296с.

45. Никитин М. В., Зборовский А. Б., Гонтарь И. П. Новые аспекты иммунодиагностики остеоартроза // Актуальные проблемы современной ревматологии. 2001. - Вып. 19. - С. 134-135

46. Нильсон Н. Принципы искусственного интеллекта.— М.: Радио и Связь, 1985.

47. Окороков А. Н. Диагностика болезней внутренних органов: Т. 2. Диагностика ревматических и системных заболеваний соединительной ткани. Диагностика эндокринных заболеваний. М.: Медицинская литература., 2001. - 576с.

48. Осипов Г.С. Искусственный интеллект: состояние исследований и взгляд в будущее //Новости искусственного интеллекта №1, 2001 / Internet http://www.raai. org/library/library. shtml

49. Основы научных исследований: Учеб. для техн. вузов/ В.И. Крутов, И.М. Грушко, В.В. Попов и др.; Под ред. В.И. Крутова, В.В. Попова-М.: Высш. шк., 1989.- 400 с.

50. Поспелов Д.А. Ситуационное управление: теория и практика. М.: Наука, 1986. - 284 с.

51. Построение экспертных систем: Пер. с англ./ Под ред. Ф. Хейса-Рота, Д. Уотермана, Д. Лената- М.: Мир, 1987-441 с.

52. Ревматические болезни. / Под. ред. В. А. Насоновой, Н. В. Бунчука. М.: Медицина, 1997. 325 с.

53. Системные болезни соединительной ткани / И. М. Ганджа, В. М. Сахарчук, JI. М. Свирид. — Киев.: Выща школа. Головное издательство, 1988.-270 с.

54. Скорняков Л. А. Элементы теории структур. М.: Наука, 1970. - 158 с.

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

56. Сложность вычислений и алгоритмов / под ред. В.А. Козмидиади, А.Н. Маслова, Н.В. Петри-М.: Мир, 1974.

57. Спицнадель В. Н. Основы системного анализа: Учеб. пособие.— СПб.: «Изд. дом «Бизнес-пресса», 2000.— 326 с.

58. Статистические методы в имитационном моделировании / Пер. с англ. Ю.П. Адлера, К.Д. Аргуновой, В.Н. Варыгина, A.M. Талалая; Под ред. и с предисл. Ю.П. Адлера и В.Н. Варыгина Вып. 1- М.: Статистика, 1978.-221 с.

59. Сычев О. А. Представление знаний на основе исчисления отношений включения // Информационно-измерительные и управляющие системы: Журнал. 2004. - Т. 2., №3. - С. 23-31.

60. Технология системного моделирования/ Е.Ф. Аврамчук, А.А. Вавилов, С.В. Емельянов и др.; Под общ. ред. С.В. Емельянова и др.- М.: Машиностроение; Берлин: Техник, 1988.-520 с.

61. Токарева 3. А. Сравнительная характеристика стероидно-белкового взаимодействия у больных ревматизмом и ревматоидным артритом // Актуальные проблемы современной ревматологии. 2001. -Вып. 19.-С. 98

62. Трисветова Е. Л. Клинические маски системной склеродермии // Актуальные проблемы современной ревматологии. 1999.1. Вып. 17.-С. 102

63. Трисветова Е. JI. Предикторы остеоартроза // Актуальные проблемы современной ревматологии. 1999. — Вып. 17. - С. 101

64. Уотерман Д. Руководство по экспертным системам/ Пер. с англ. М.: Мир, 1989. - 388 с.

65. Фоломеева О.М., Амирджанова В. Н. К вопросу о совершенствовании рабочей классификации ревматоидного артрита: определение функциональной способности пациента // Научно-практическая ревматология. 2001. - №5. - С. 96-97

66. Фролов А.Б. Модели и методы технической диагностики.-М.: Знание, 1990.-47 с.

67. Цикритзис Д., Лоховски Ф. Модели данных / Пер. с англ.- М.: Финансы и статистика, 1985 344 с.

68. Шакулашвили Н. А., Гегещидзе Д. Т. Диагностические критерии некоторых заболеваний околосуставных мягких тканей для массовых эпидемиологических исследований // Актуальные проблемы современной ревматологии. 2001. - Вып. 19. - С. 177

69. Шень А. Программирование: теоремы и задачи. М.: МЦНМО, 1995. -263 с.84.

70. Aamodt A., Plaza E. Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches // AlCom Artificial Intelligence Communications, IOS Press, Vol. 7,1994 , pp. 39-59.

71. AIAI Technology: Case-based reasoning // Internet http://www.aiai.ed.ac.uk/technology/casebasedreasoning.htm

72. American College of Rheumatology Subcommittee on Rheumatoid Arthritis Guidelines. Guidelines for the Management of Rheumatoid Arthritis. 2002 Update // Arthritis Rheum. 2002. - Vol. 46. - P. 328-346.

73. Amett F.C. Edworthly S. M., Bloch D. A. et. al. American Rheumatism Association 1087. Revised criteria for the classification of rheumatoido atrthritius // Arthritius Rheumatoido 1988. - vol 31, - p. 315-324.

74. B. Lopez, E. Plaza, Case-based planning for medical diagnosis, In: J. Komorowski, Z. W. Ras (Eds.) Methodologies for Intelligent Systems: 7th International Symposium, ISMIS '93, Springer Verlag, 1993. p. 96-105

75. Brown, В., Lewis, L. A case-based reasoning solution to the problem of redundant resolutions of non-conformances in large scale manufacturing. In: R. Smith, C. Scott (eds.): Innovative Applications for Artificial Intelligence 3. MIT Press, 1991.

76. Carbonell, J. Derivational analogy; A theory of reconstructive problem solving and expertise acquisition. In R.S. Michalski, J.G. Carbonell, T.M. Mitchell (eds.): Machine Learning An Artificial Intelligence Approach, Vol.II, 1986, pp. 371-392.

77. David Leake. Case-Based Reasoning: Experiences, Lessons and Future Directions, AAAI Press/MIT Press, 2000. 420 p.

78. Davis R. Consultation, Knowledge Acquisition and Instruction: A Case Study / Internet http://www.medg.lcs.mit.edu/ftp/psz/AIM82/ch3.html

79. Guvenir A., Demiroz G., liter N. Learning Differential Diagnosis of Erythemato-Squamous Diseases using Voting Future Intervals / Internethttp://cs.bilkent.edu.tr

80. Guvenir H. A. Detection of Abnormal ECG Recordings using Feature Intervals / Internet http://cs.bilkent.edu.tr

81. Klippel J., Dieppe P. Rheumatology. St Louis: Mosby-Year Book, 1998

82. Kolodner, J. An introduction to case-based reasoning. Artificial Intelligence Review 6(1), 1992, pp. 3-34.

83. Kulikowski A. C., Weiss S. M. Representation of Expert Knowledge for Consultation: The CASNET and EXPERT projects / Internet http://www.medg.lcs.mit.edu/ftp/psz/AIM82/ch2.html

84. Lee D. M., Weinblatt M. E. Rheumatoid Arthritis // Lancet. 2001. - Vol 358.-P. 903-911.

85. Pople H. Heuristic Methods for Imposing Structure on Ill-Structured Problems: The Structuring of Medical Diagnostics / Internet http://www.medg.lcs.mit.edu/ftp/psz/AIM82/ch5.html

86. Reinhardt B. Generating Case Oriented Intelligent Tutoring Systems / Internet http://ki.informatik.uni-wuerzburg.de/forschung/publikationen/ lehrstuhl/Reinhardt-AAAI-97/aaai-workshop.html

87. Riesbeck, C. An interface for case-based knowledge acquisition. In Kolodner, J., ed., Proceedings of the DARPA Case-Based Reasoning Workshop, 1988. 312-326.

88. Schewe S., Reinhardt В., Betz C. Experiences with a Knowledge-Based Tutoring System for Student Education in Rheumatology / Internet http://ki.informatik.uni-wuerzburg.de/forschung/publikationen/lehrstuhl/ Reinhardt-XPS-99/XPS-99 .html

89. Simoudis, E., and Miller, J. The application of CBR to help desk applications. In Bareiss, R., ed., Proceedings of the DARPA Case-Based Reasoning Workshop, 1991. P. 25-36.

90. Slovits P. Artificial Intelligence and Medicine / Internet http://www.medg.lcs.mit.edu/ftp/psz/AIM82/ch 1 .html

91. Slovits P., Long W. The Development of Clinical Expertise in the Computer / Internet http://www.medg.lcs.mit.edu/ftp/psz/AIM82/ch4.html125