СИСТЕМЫ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА МЕДИЦИНСКОЙ ИНФОРМАЦИИ КАК ГЛАВНЫЙ ПОМОЩНИК ВРАЧА ЛУЧЕВОЙ ДИАГНОСТИКИ



Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

В современной клинической практике большое значение придается цифровым технологиям анализа и синтеза данных. Инновационные направления медицинской науки так же связаны с увеличивающимся потоком данных и открытием новых нозологических форм. Наиболее значима доля обработки информации в лучевой диагностике для изучения структуры и функции внутренних органов в норме и патологии. Системы интеллектуального анализа медицинской информации применяются для поддержки принятия решений при диагностике заболеваний, выполнении лечебных манипуляций, в целях предупреждения о наступлении потенциально опасных изменений в состоянии здоровья пациентов. Несмотря на то, что, нейронные сети были введены в медицину с целью полностью заменить специалиста на этапе постановки диагноза, необходимость участия врача в этом процессе неоспорима. Самым важным вариантом использования нейронных сетей в медицине является возможность создания логической схемы. Врач получает информацию о больном при непосредственном осмотре пациента. Искусственная нейронная сеть выдает результат - диагноз, но окончательное право принятия решения остается за врачом. Информационно-поисковая система в данной схеме стоит для того, чтобы компенсировать возможный недостаток знаний врача при сложных и редких клинических случаях и выступает в роли консультанта. Данные алгоритмы, возможно, использовать при организации медицинского обеспечения повседневной деятельности войск (сил) с повсеместным введением телемедицинских технологий.

Полный текст

Доступ закрыт

Об авторах

Р Н Лемешкин

Военно-медицинская академия имени С. М. Кирова

Санкт-Петербург, Россия

В А Блинов

Военно-медицинская академия имени С. М. Кирова

Санкт-Петербург, Россия

А А Багрова

Военно-медицинская академия имени С. М. Кирова

Санкт-Петербург, Россия

Д Н Борисов

Военно-медицинская академия имени С. М. Кирова

Санкт-Петербург, Россия

П П Сиващенко

Военно-медицинская академия имени С. М. Кирова

Санкт-Петербург, Россия

Список литературы

  1. Ежов А. И. Нейронные сети в медицине. 2003. С. 117.
  2. Владзимирский А. В. Телемедицина: Curatio Sine Tempora et Distantia. М., 2016. 663 с.
  3. Грибова В. В., Петряева М. В., Окунь Д. Б., Шалфеева Е. А. Онтология медицинской диагностики для интеллектуальных систем поддержки принятия решений. Онтология проектирования. 2018. Т. 8. № 1 (27). С. 58-73.
  4. Михеев А. Е., Фохт О. А., Хаткевич М. И. Один из подходов к формализации процесса внедрения МИС в медицинской организации. Врач и информационные технологии. 2018. № 5. С. 46-62.
  5. Стародубов В. И., Зарубина Т. В., Сидоров К. В., Алепко А. А. Формирование интегральных показателей оценки уровня информатизации медицинской организации. Врач и информационные технологии. 2018. № 1. С. 6-24.
  6. Чернов В. И., Есауленко И. Э., Родионов О. В., Семенов С. Н. Медицинская информатика. Ростов-на-Дону: Феникс, 2007. 320 с.
  7. Кульнев С. В., Солдатов Е. А., Каниболоцкий М. Н., Жуков А. А. Перспективы совершенствования медицинского обеспечения войск (сил) в современных конфликтах. Воен.-мед. журн. 2017. Т. 338. № 6. С. 4-12.
  8. STATISTICA Neural Network: Пер. с англ. Нейронные сети. М.: Горячая линия - Телеком, 2001. 182 с.
  9. Abeer Y. A., Ahmad M. A., Majid A. A. Clinical decision support system for diagnosis and management of chronic renal failure. In: Proceedings of Applied Electrical Engineering and Computing Technologies. IEEE. 2013. p. 1-6. Doi:10.1109. aeect.2013.6716440
  10. Isa Nam. Towards intelligent diagnostic system employing integration of mathematical and engineering model. In: Proceedings of International Conference on Mathematics, Engineering and Industrial Applications. AIP Publishi
  11. Musen M. A., Middleton B., Greenes R. A. Clinical decisionsupport systems. In: Biomedical informatics. Springer. 2014. p. 643-674. Doi:10.1007.978-1-4471-4474-8_22
  12. Prosperi M. C., Marinho S., Simpson A., Custovic A., Buchan I. E. Predicting phenotypes of asthma and eczema with machine learning. BMC medical genomics. 2014. 7 (1). Doi:10.1186.1755- 8794-7-s1-s7
  13. Zarandi M. H. F., Zolnoori M., Moin M., Heidarnejad H. A fuzzy rule-based expert system for diagnosing asthma. Transaction E: Industrial Engineering. 2010. 17 (2): 129-142.
  14. Абрамова И. А. и др. К вопросу о выполнении конечноэлементного анализа в CAE-системах. Наука и военная безопасность. 2016. № 3 (6). С. 59-65.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© Лемешкин Р.Н., Блинов В.А., Багрова А.А., Борисов Д.Н., Сиващенко П.П., 2019

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

СМИ зарегистрировано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций (Роскомнадзор).
Регистрационный номер и дата принятия решения о регистрации СМИ: серия ПИ № ФС 77 - 77760 от 10.02.2020.