Системы поддержки принятия решений
  • 2019 № 1 Возможности технологий «Big Data» в медицине

    Статья посвящена исследованию особенностей использования технологий анализа больших объемов неструк-
    турированных и многообразных данных («Big Data») в медицине. Рассмотрена история развития, целесообразность применения и накопленный опыт по использованию технологий «Big Data» в Европе и России, определены их возможности и преимущества, а также отдельное внимание уделено перспективным направлениям развития. Детально проанализирована сфера их применения на примере ранней диагностики и лечения онкологических заболеваний, где они нашли применение при составлении и изучении «омиксных» баз данных, которые включают в себя генетическую информацию каждого отдельно взятого пациента и открывают возможности персонализированного подбора лечения. Также отмечен потенциал аналитических технологий в системе здравоохранения и эпиднадзора.

    Авторы: Карнаухов Н. С. [1] Ильюхин Р. Г. [1]

    Темы: big data2 анализ информации1 биоинформатика3 онкология3 персонализированная медицина5

    Подробнее >

  • Математическое моделирование
  • 2018 № 1 Разработка модели матричного агрегатного вычислителя для анализа имплицитных знаний в интеллектуальной системе ранней диагностики РПЖ

    Статья посвящена исследованию проблем применения математического аппарата для решения диагностических задач в медицине. Проанализированы сравнительные характеристики и обоснованы возможности использования нечетко-логических моделей как инструмента диагностики РПЖ. Приведен пример использования матричного агрегатного вычислителя (МАВ) применительно к диагностике ранних стадий рака предстательной железы (РПЖ).

    Авторы: Абдулаева З. И. [1] Курбанбаева Д. Ф. [1] Топузов М. Э. [1]

    Темы: матричный агрегатный вычислитель (мав)1 нечеткая логика5 нечетко-логические системы и модели1 онкология3 рак предстательной железы.1

    Подробнее >

  • Искусственный интеллект в здравоохранении
  • 2019 № 3 pdf Разработка алгоритма поиска клинически однородных пациентов по слабоструктурированным текстовым данным электронной медицинской карты онкологического профиля

    Рост контингента пациентов со злокачественными новообразованиями в целом по России значительно увеличивает нагрузку на специализированную сеть онкологических учреждений и врачей онкологов. Наиболее вероятно, что данная тенденция сохранится в ближайшие годы. Одним из направлений повышения эффективности врачебной деятельности является извлечение современными методами анализа данных знаний из больших массивов медицинских данных путем кластеризации больных, заключающейся в выделении групп однородных (схожих) больных по совокупности клинических показателей. Целью исследования является разработка алгоритма поиска клинически однородных пациентов по слабо-
    Искусственный интеллект в здравоохранении структурированным и неструктурированным данным электронной медицинской карты онкологического диспансера, с последующей возможностью встраивания его в системы поддержки принятия врачебных решений (СППВР). Применение таких СППВР в практической медицине и в сфере медицинского образования позволит анализировать массивы информации
    неограниченного размера, что потребует дальнейшего внедрения и совершенствования информационных систем на всех
    уровнях оказания медицинской помощи. Однородность больных в работе определяли методом машинного обучения по-
    средством косинусного расстояния в пространстве векторных представлений электронных медицинских карт. Экспериментна 20 случайно выбранных электронных медицинских картах больных ГБУЗ «Клинический онкологический диспансер № 1» Министерства здравоохранения Краснодарского края показал высокую эффективность алгоритма в создании кластеров клинически схожих пациентов.

    Авторы: Халафян А. А. [5] Кошкаров А. А. [8] Мурашко Р. А. [3] Собченко К. В. [2] Шаров С. В. [2] Аветисян М. С. [1] Егоров К. С. [1] Кох В. Н. [1]

    Темы: векторное представление1 онкология3 системы поддержки принятия врачебных решений4 электронная медицинская карта14

    Полная версия статьи в формате PDF
    3.9 МБ

    Подробнее >