Инженерный журнал: наука и инновацииЭЛЕКТРОННОЕ НАУЧНО-ТЕХНИЧЕСКОЕ ИЗДАНИЕ
свидетельство о регистрации СМИ Эл № ФС77-53688 от 17 апреля 2013 г. ISSN 2308-6033. DOI 10.18698/2308-6033
  • Русский
  • Английский
Статья

Математические модели автоматизации процессов диагностирования больных при предынсультном состоянии

Опубликовано: 01.08.2024

Авторы: Сидняев Н.И., Гаража В.В.

Опубликовано в выпуске: #8(152)/2024

DOI: 10.18698/2308-6033-2024-8-2377

Раздел: Механика | Рубрика: Биомеханика и биоинженерия

Перед данным исследованием ставится цель определения математической модели, которая могла бы лежать в основе автоматизации процесса диагностирования больных в предынсультном состоянии. Предложено использовать представление диагностируемого человека в виде «черного ящика». Показано, что с помощью такого подхода можно получать оценку состояния больного и накапливать информацию нескольких обследований. Для обнаружения взаимосвязи диагностических параметров и физических состояний человека используется диагностическая матрица. С помощью ряда этапов было получено проверяющее множество, которое локализует множество, подразумевающее сокращение функции различимости с использованием таблицы. После удаления лишних строк по принципу принадлежности было получено булево произведение оставшихся функций для определения минимального диагностического множества. Рассмотренные диагностические матрицы являются детерминированными моделями объектов диагностирования больных при предынсультном состоянии, в которых каждому возможному физическому состоянию поставлена вполне определенная, «жесткая» комбинация условных значений параметров. Рассмотрены преимущества предлагаемой аналитической модели, включающие получение конкретных числовых значений физического состояния человека, что позволяет получить функцию состояния с целью его прогнозирования. Диагностическая матрица предоставляет возможность получить описание всех видов взаимосвязей между физическими состояниями человека и диагностическими параметрами. Полученную модель можно назвать наглядной и относительно простой, что способствует облегчению процесса постановки диагноза. Используемые системы булевых функций на основе диагностических матриц служат основой синтеза логических автоматов для постановки диагноза, способных упростить процесс диагностики и производить его не только в клинических условиях.

 EDN LQSGXK


Литература
[1] Каленова И.Е., Шмырев В.И., Бояринцев В.В., Четкарев Ю.Э., Ардашев В.Н. Прогнозирование возникновения ишемического инсульта. Клиническая медицина, 2013, т. 91, № 9, с. 48–52.
[2] Ozaltin O., Coskun O., Yeniay O., Subasi A. A deep learning approach for detecting stroke from brain CT images using OzNet. Bioengineering, 2022, vol. 9, no. 12, p. 783.
[3] Мухаметзянов А.М., Шарафутдинова Н.Х., Ижбульдина Г.И., Усманов З.Н. Первичная профилактика инсульта в условиях многопрофильной поликлиники. Современные проблемы науки и образования, 2015, № 3, с. 213. URL: https://s.science-education.ru/pdf/2015/3/459.pdf
[4] Мартынов Е.В. Дифференциальная диагностика инсультов в молодом возрасте. Клинический случай. Вселенная мозга, 2019, т. 1, № 2, с. 27–29.
[5] Zihni E., Madai V.I., Livne M., Galinovic I., Khalil A.A., Fiebach J.B., Frey D. Opening the black box of artificial intelligence for clinical decision support: A study predicting stroke outcome. PLoS One, 2020, vol. 15, no. 4, e0231166.
[6] Федоренко Е.И., Сысоев О.М., Фарманян Х.А. Профилактика инсульта в молодом возрасте. Интеллектуальный и научный потенциал XXI века: сборник статей Международной научно-практической конференции (22 мая 2017 г., г. Волгоград). В 4 ч. Уфа, МЦИИ ОМЕГА САЙНС, 2017, ч. 4, с. 116–117.
[7] Ляшенко Е.А. Роль калия и магния в профилактике инсульта. РМЖ, 2012, т. 20, № 19, с. 960–962.
[8] Мешкова K.C., Гудкова В.В., Стаховская Л.В. Факторы риска и профилактика инсульта. Земский врач, 2013, № 2 (19), с. 16–19.
[9] Гунькин А.М., Пономарев И., Примаченко Г.К. Разработка системы оповещения о предынсультном состоянии человека. Гагаринские чтения-2017. Москва, МАИ, 2017, с. 941–942.
[10] Xu W., Lin J., Gao M., Chen Y., Cao J., Pu J., Qian K. Rapid computer‐aided diagnosis of stroke by serum metabolic fingerprint based multi‐modal recognition. Advanced Science, 2020, vol. 7, no. 21, p. 2002021.
[11] Yang C.C. Explainable artificial intelligence for predictive modeling in healthcare. Journal of Healthcare Informatics Research, 2022, vol. 6, no. 2, pp. 228–239.
[12] Кычкин А.В. Интеллектуальная информационно-диагностическая система для исследований кровеносных сосудов. Известия Российской академии наук. Теория и системы управления, 2013, № 3, 114 с.
[13] Березников А.И., Шевякин В.Н., Солошенко С.В., Крюков А.А. Прогнозирование, дифференциальная диагностика и управление комбинированной терапией тромбозов центральной вены сетчатки и ее ветвей. Системный анализ и управление в биомедицинских системах, 2008, т. 7, № 4, с. 999–1004.
[14] Котов С.В., Исакова Е.В. Инсульт: диагностика, лечение. Альманах клинической медицины, 2004, № 7, c. 275–294.
[15] Кандыба Д.В. Инсульт. Российский семейный врач, 2016, т. 20, № 3, с. 5–15.
[16] Джаубаева З.К., Джанибекова Т.Т. Исследование математических моделей. III Всерос. науч.-практич. конф. «Современные проблемы математического образования». Карачаевск, 2018, c. 110–113.
[17] Сайлаубеков Н.Т. Принципы разработки аналитических моделей. Вестник КазЭУ, 2009, № 1, с. 291–294.
[18] Братусь А., Новожилов А., Платонов А. Динамические системы и модели в биологии. Москва, Litres, 2022, 390 с.
[19] Гадалов В.Н., Кореневский Н.А., Снопков В.Н. Математические модели рефлекторных систем организма человека и их использование для прогнозирования и диагностики заболеваний. Системный анализ и управление в биомедицинских системах, 2012, т. 11, № 2, с. 515–521.
[20] Кортузов Д.Е., Горбенко A.Ю., Павлова А.И. Исследование операций с нечеткими множествами. Современные материалы, техника и технологии, 2016, № 1 (4), с. 98–103.
[21] Антонова Г.М. Эволюция терминов «черный ящик» и «серый ящик». Вестник Московского финансово-юридического университета, 2012, № 1, с. 16–19.
[22] Ермаков А.Д., Евтушенко Н.В. К синтезу адаптивных проверяющих последовательностей для недетерминированных автоматов. Труды Института системного программирования РАН, 2016, т. 28, № 3, с. 123–144.
[23] Артеменко М.В. Синтез диагностических матриц при скрининге. Успехи современного естествознания, 2004, № 12, с. 33–34.
[24] Раджабов А.Г., Хайдаров А.Х. Применение программируемых логических матриц для медицинских исследований. Цифровой регион: опыт, компетенции, проекты, 2018, с. 403–406.
[25] Шевелев С.С., Кобелев Н.С., Кобелев В.Н. Устройство выполнения логических операций. Известия Юго-Западного государственного университета. Серия Управление, вычислительная техника, информатика. Медицинское приборостроение, 2011, № 2, с. 50–56.