Публикация научных статей.
Вход на сайт
E-mail:
Пароль:
Запомнить
Регистрация/
Забыли пароль?
https://wos-scopus.com
Научные направления
Поделиться:
Статья опубликована в №29 (январь) 2016
Разделы: Медицина
Размещена 15.12.2015. Последняя правка: 26.12.2015.

ИСПОЛЬЗОВАНИЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ ДЛЯ АЛГОРИТМИЗАЦИИ ПРОЦЕССА ВЫБОРА ТАКТИКИ ЛЕЧЕНИЯ БОЛЬНЫХ ХРОНИЧЕСКОЙ СЕРДЕЧНОЙ НЕДОСТАТОЧНОСТЬЮ С ОПЕРИРОВАННЫМИ ПРИОБРЕТЕННЫМИ ПОРОКАМИ СЕРДЦА

Трухачев Антон Сергеевич

Воронежский государственный технический университет

аспирант

Коровин Е.Н., доктор технических наук, профессор, заместитель зав. кафедрой, кафедра системного анализа и управления в медицинских системах, Воронежский государственный технический университет


Аннотация:
В статье раскрыто применение нейронных сетей для моделирования процесса выбора тактики патогенетического лечения больных хронической сердечной недостаточностью (ХСН) с оперированными приобретенными пороками сердца.


Abstract:
This article has been disclosed the use of neural networks for modeling the choice of tactics of pathogenic treatment in operated patients with acquired heart defects and chronic heart failure (CHF).


Ключевые слова:
хроническая сердечная недостаточность (ХСН); искусственная нейронная сеть (ИНС); анализ чувствительности; лечение

Keywords:
Chronic heart failure (CHF); a neural network; a sensitivity analysis; treatment


УДК 681.3

ВВЕДЕНИЕ

В последнее время отмечается рост интереса к медицинским экспертным системам. Он ориентирован на новое поколение решающих алгоритмов, являющихся неявными и имеющих возможность самонастройки [1], которая может выполняться на небольшом количестве данных [2]. Основной группой таких алгоритмов считаются нейросетевые технологии [5].

Назначение терапии является частным случаем классификации событий, при этом важнейшую ценность представляет классификация тех событий, которые отсутствуют в обучающей нейросеть выборке. Здесь выражается главное преимущество нейросетевых технологий - они предоставляют возможность выполнять такую классификацию, обобщая прежний опыт и применяя его в новых случаях.

Специфика нейронной сети проявляется в ее реализации с применением технологии сверхбольшой степени интеграции. Отличие элементов сети незначительно, а их повторяемость огромна. Это дает возможность обрабатывать различную информацию за небольшой промежуток времени [3]. 

ЦЕЛЬ ИССЛЕДОВАНИЯ - разработка математической модели принятия решении при лечении больных ХСН с оперированными приобретенными пороками сердца для практического здравоохранения; создания автоматизированных интеллектуальных систем принятия решений.

Для достижения поставленной цели необходимо решить следующие задачи:

  1. Оптимизировать структуру нейронной сети для решения задачи выбора схемы лечения;
  2. Вычислить весовые коэффициенты нейронной сети и сформировать преобразования слоев нейронной сети;
  3. Определить чувствительность построенной нейросетевой модели к переменным;


МЕТОДИКА

При формировании математической модели выбора тактики патогенетического лечения ХСН для обучения нейронной сети было использовано 70% исходной выборки, состоящей из 120 больных ХСН оперированными приобретенными пороками сердца в возрасте 60 - 85 лет, тестовая и контрольная подвыборки составили по 15%. Выделение подвыборок исходной совокупности и обучение создаваемой нейросетевой модели проводилось в автоматизированном режиме с использованием системы Statistica 10.

На вход сети подаются 8 диагностических признаков ХСН: стандартное отклонение кардиоинтервалов (SDNN), квадратный корень из суммы квадратов разности величин последовательных пар RR – интервалов (RMSSD), процент количества пар последовательных кардиоинтервалов в кардиограмме, отличающиеся более чем на 50 мс (PNN50), средневзвешенная вариация ритмограммы (СВВР), уровень альдостерона в крови (Альдостерон),  показания теста 6-минутной ходьбы (6-ти мин. Тест), уровнь легочной гипертензии (ЛГ), фракция выброса (ФВ), играющих важную роль в развитии и прогрессировании ХСН, а на выходе получаем данные по назначению необходимой схемы патогенетического лечения ХСН (1 – лечение не требуется, 2 – только ИАПФ, 3 – ИАПФ и спиронолактон).

Для построения ИНС была использована структура многослойного персептрона (рис. 1).


 

Рисунок 1 - Структура многослойного персептрона

ЭКСПЕРИМЕНТАЛЬНАЯ ЧАСТЬ

Итоги построения моделей нейросетей представлены в табл. 1. Для обучения сети был применен алгоритм BFGS, логистическая и гиперболическая функции активации, для активации выходного слоя дополнительно была использовании функция Softmax. 

Таблица 1 - Итоги построения нейросетей

Архитектура сети

Производительность на подвыборках

Алгоритм обучения

Функции активации

Обучающая

Тестовая

Контрольная

Скрытый слой

Выходной слой

1

MLP 8-10-3

96,4286

100,0000

94,4444

BFGS 11

Логистич.

Логистич.

2

MLP 8-4-3

100,0000

100,0000

100,0000

BFGS 7

Гиперб.

Softmax

3

MLP 8-6-3

100,0000

100,0000

100,0000

BFGS 4

Гиперб.

Softmax

4

MLP 8-6-3

98,8095

100,0000

100,0000

BFGS 8

Гиперб.

Гиперб.

5

MLP 8-10-3

97,6190

100,0000

100,0000

BFGS 18

Логистич.

Логистич.

При анализе матрицы ошибок на обучающей подвыборке (табл. 2) по всем моделям видим, что две сети правильно классифицируют данные, но сеть номер 2 обладает наиболее простой архитектурой. 

Таблица 2 - Матрица ошибок

Классы

Y1

Y2

Y3

Всего

Исходные данные

25,0000

29,0000

30,0000

84,0000

1.MLP 8-10-3

Верная классификация

25,0000

27,0000

29,0000

81,0000

Ошибки

0,0000

2,0000

1,0000

3,0000

Верная классификация (%)

100,0000

93,1034

96,6667

96,4286

Ошибки (%)

0,0000

6,8966

3,3333

3,5714

2.MLP 8-4-3

Верная классификация

25,0000

29,0000

30,0000

84,0000

Ошибки

0,0000

0,0000

0,0000

0,0000

Верная классификация (%)

100,0000

100,0000

100,0000

100,0000

Ошибки (%)

0,0000

0,0000

0,0000

0,0000

3.MLP 8-6-3

Верная классификация

25,0000

29,0000

30,0000

84,0000

Ошибки

0,0000

0,0000

0,0000

0,0000

Верная классификация (%)

100,0000

100,0000

100,0000

100,0000

Ошибки (%)

0,0000

0,0000

0,0000

0,0000

4.MLP 8-6-3

Верная классификация

25,0000

28,0000

30,0000

83,0000

Ошибки

0,0000

1,0000

0,0000

1,0000

Верная классификация (%)

100,0000

96,5517

100,0000

98,8095

Ошибки (%)

0,0000

3,4483

0,0000

1,1905

5.MLP 8-10-3

Верная классификация

24,0000

29,0000

29,0000

82,0000

Ошибки

1,0000

0,0000

1,0000

2,0000

Верная классификация (%)

96,0000

100,0000

96,6667

97,6190

Ошибки (%)

4,0000

0,0000

3,3333

2,3810

РЕЗУЛЬТАТЫ И ИХ ОБСУЖДЕНИЕ

Нейросеть под номером 2 была выбрана по наибольшей производительности на всех подвыборках и оптимальной архитектуре. Данная сеть представляет собой многослойный персептрон с одним скрытым слоем и 4 нейронами на нем. (рис. 2). Входы сети обозначены как переменные X1 – X8 соответственно диагностическим признакам ХСН, выходы сети Y1 – Y3 соответствуют схемам патогенетического лечения ХСН. Выходы скрытых нейронов обозначены переменными H1 – H4.


 

 

 

Рисунок 2 - Визуальное представление выбранной нейронной сети

Оценивая вероятности принадлежности наблюдений  к классам, представленные в табл. 3, видим, что построенная сеть безошибочно классифицирует наблюдения. Для каждого наблюдения указано целевое значение класса (исходное) и итоговое значение на выходе нейронной сети, а также вероятности принадлежности наблюдения к каждому из классов. Тот класс, вероятность отнесения к которому наибольшая, является предсказываемым ИНС выходным классом. 

Таблица 3 - Доверительные интервалы

 

Целевое значение

Выход сети

Вероятность принадлежности к классу

Y1

Y2

Y3

1

1

1

0,809011

0,190989

0,000000

4

1

1

0,896470

0,103530

0,000000

5

1

1

0,905230

0,094770

0,000000

7

1

1

0,811836

0,188164

0,000000

9

1

1

0,956446

0,043554

0,000000

12

1

1

0,865736

0,134264

0,000000

13

1

1

0,860355

0,139645

0,000000

15

1

1

0,722831

0,277169

0,000000

16

1

1

0,931990

0,068010

0,000000

17

1

1

0,898315

0,101685

0,000000

20

1

1

0,914842

0,085158

0,000000

21

1

1

0,718378

0,281622

0,000000

22

1

1

0,807943

0,192057

0,000000

23

1

1

0,892760

0,107240

0,000000

24

1

1

0,886899

0,113101

0,000000

25

1

1

0,864370

0,135630

0,000000

26

1

1

0,834304

0,165696

0,000000

27

1

1

0,942513

0,057487

0,000000

28

1

1

0,845394

0,154606

0,000000

30

1

1

0,821845

0,178155

0,000000

34

1

1

0,951687

0,048313

0,000000

35

1

1

0,923553

0,076447

0,000000

36

1

1

0,934293

0,065707

0,000000

37

1

1

0,889792

0,110208

0,000000

38

1

1

0,943055

0,056945

0,000000

39

2

2

0,034314

0,965681

0,000005

40

2

2

0,041498

0,958495

0,000007

41

2

2

0,042456

0,957541

0,000003

42

2

2

0,029770

0,970229

0,000001

45

2

2

0,023706

0,976178

0,000116

46

2

2

0,069844

0,917472

0,012683

47

2

2

0,048077

0,951882

0,000040

48

2

2

0,016526

0,983473

0,000001

49

2

2

0,028943

0,971041

0,000017

50

2

2

0,013681

0,986319

0,000000

51

2

2

0,044688

0,955189

0,000124

52

2

2

0,060045

0,939929

0,000025

55

2

2

0,021334

0,978666

0,000000

56

2

2

0,054813

0,944393

0,000794

58

2

2

0,025840

0,974158

0,000002

59

2

2

0,027395

0,972603

0,000002

61

2

2

0,033336

0,966660

0,000004

62

2

2

0,007522

0,992478

0,000000

64

2

2

0,012291

0,987709

0,000000

66

2

2

0,050804

0,949191

0,000006

67

2

2

0,015608

0,984392

0,000000

68

2

2

0,010268

0,989732

0,000000

69

2

2

0,031313

0,968685

0,000002

72

2

2

0,014485

0,985515

0,000000

73

2

2

0,020720

0,979278

0,000001

74

2

2

0,006873

0,993127

0,000000

75

2

2

0,022413

0,977585

0,000002

76

2

2

0,033538

0,966456

0,000006

79

2

2

0,010694

0,989306

0,000000

80

3

3

0,000613

0,001692

0,997695

83

3

3

0,000634

0,001762

0,997603

84

3

3

0,000624

0,001730

0,997646

87

3

3

0,000615

0,001699

0,997686

88

3

3

0,000614

0,001695

0,997691

89

3

3

0,000615

0,001699

0,997686

90

3

3

0,001602

0,005116

0,993282

91

3

3

0,000613

0,001692

0,997695

92

3

3

0,000612

0,001690

0,997698

94

3

3

0,000624

0,001726

0,997650

95

3

3

0,000624

0,001729

0,997646

96

3

3

0,000615

0,001698

0,997687

97

3

3

0,000617

0,001704

0,997679

98

3

3

0,000613

0,001692

0,997695

100

3

3

0,000613

0,001693

0,997694

101

3

3

0,000583

0,001662

0,997756

102

3

3

0,000594

0,001671

0,997735

104

3

3

0,000596

0,001671

0,997733

105

3

3

0,000594

0,001668

0,997738

106

3

3

0,000615

0,001699

0,997686

108

3

3

0,000613

0,001691

0,997697

109

3

3

0,000498

0,001556

0,997945

110

3

3

0,000613

0,001691

0,997697

112

3

3

0,000612

0,001689

0,997698

113

3

3

0,000611

0,001689

0,997700

114

3

3

0,000614

0,001696

0,997690

115

3

3

0,000281

0,001241

0,998478

117

3

3

0,000612

0,001689

0,997698

118

3

3

0,000618

0,001710

0,997672

119

3

3

0,000612

0,001689

0,997700

120

3

3

0,000615

0,001699

0,997686

Обучение нейронной сети в нашем случае (с учителем) предполагает, что для каждого входного вектора из обучающего множества существует требуемое значение выходного вектора, называемого целевым. Эти вектора образуют обучающую пару. Веса сети изменяют до тех пор, пока для каждого входного вектора не будет получен приемлемый уровень отклонения выходного вектора от целевого [2]. Веса нейросети приведены в табл. 4. 

Таблица 4 - Веса нейронной сети

Связи

Весовое значение

SDNN --> скрытый нейрон 1

0,2967

PNN 50 --> скрытый нейрон 1

0,7880

RMSSD --> скрытый нейрон 1

-0,4002

СВВР --> скрытый нейрон 1

0,2820

Альдостерон --> скрытый нейрон 1

5,2354

6-ти мин тест --> скрытый нейрон 1

-2,4495

ЛГ --> скрытый нейрон 1

0,1550

ФВ --> скрытый нейрон 1

0,9774

SDNN --> скрытый нейрон 2

-7,3304

PNN 50 --> скрытый нейрон 2

-14,4212

RMSSD --> скрытый нейрон 2

-6,0602

СВВР --> скрытый нейрон 2

-8,0018

Альдостерон --> скрытый нейрон 2

-1,6417

6-ти мин тест --> скрытый нейрон 2

-5,0145

ЛГ --> скрытый нейрон 2

8,5470

ФВ --> скрытый нейрон 2

-8,0587

SDNN --> скрытый нейрон 3

-1,7025

PNN 50 --> скрытый нейрон 3

-4,5133

RMSSD --> скрытый нейрон 3

-0,9799

СВВР --> скрытый нейрон 3

-1,2750

Альдостерон --> скрытый нейрон 3

5,1701

6-ти мин тест --> скрытый нейрон 3

-1,7683

ЛГ --> скрытый нейрон 3

5,3332

ФВ --> скрытый нейрон 3

-0,3059

SDNN --> скрытый нейрон 4

1,3146

PNN 50 --> скрытый нейрон 4

2,7018

RMSSD --> скрытый нейрон 4

1,3614

СВВР --> скрытый нейрон 4

1,3257

Альдостерон --> скрытый нейрон 4

-5,5835

6-ти мин тест --> скрытый нейрон 4

3,2810

ЛГ --> скрытый нейрон 4

-2,4366

ФВ --> скрытый нейрон 4

0,6179

смещение скрытого нейрона 1

0,4822

смещение скрытого нейрона 2

0,2117

смещение скрытого нейрона 3

4,5659

смещение скрытого нейрона 4

-1,2944

скрытый нейрон 1 --> Y(1)

-0,1732

скрытый нейрон 2 --> Y(1)

-8,6042

скрытый нейрон 3 --> Y(1)

-3,7045

скрытый нейрон 4 --> Y(1)

2,5646

скрытый нейрон 1 --> Y(2)

-1,6650

скрытый нейрон 2 --> Y(2)

1,0512

скрытый нейрон 3 --> Y(2)

-0,6250

скрытый нейрон 4 --> Y(2)

3,4396

скрытый нейрон 1 --> Y(3)

1,9361

скрытый нейрон 2 --> Y(3)

7,4458

скрытый нейрон 3 --> Y(3)

4,3455

скрытый нейрон 4 --> Y(3)

-5,9876

Смещение нейрона Y(1)

-4,9267

Смещение нейрона  Y(2)

5,0311

Смещение нейрона  Y(3)

-0,1916

Таким образом, преобразования слоев нейронной сети имеют следующий вид:

H1=0,2967*X1+0,7880*X2-0,4002*X3+ +0,2820*X4+5,2354*X5-2,4495*X6+0,1550*X7+ +0,9774*X8+0,4822           (1)

H2=-7,3304*X1-14,4212*X2-6,0602*X3-8,0018*X4-1,6417*X5-5,0145*X6+8,5470*X7-8,0587*X8+0,2117                 (2)

H3=-1,7025*X1-4,5133*X2-0,9799*X3-1,2750*X4+5,1701*X5-1,7683*X6+ +5,3332*X7-0,3059*X8+4,5659               (3)

H4=1,3146*X1+2,7018*X2+1,3614*X3+1,3257*X4-5,5835*X5+3,2810*X6-2,4366*X7+ +0,6179*X8-1,2944               (4)

Y1= -0,1732*H1-8,6042*H2-3,7045*H3+ +2,5646*H4-4,9267                                                                          (5)

Y2= -1,6650*H1+1,0512*H2-0,6250*H3+ +3,4396*H4+5,0311                                                                         (6)

Y3= 1,9361*H1+7,4458*H2+4,3455*H3-5,9876*H4-0,1916,                                                                             (7) 

где Y1 - лечение не требуется, Y2 - только ИАПФ , Y3 - ИАПФ и спиронолактон; H1, H2, H3, H4 - выходы нейронов скрытого слоя.

Проанализируем чувствительность нейросети к каждой из переменных.  Чувствительность дает представление о том, как входы влияют на выходы. Рассмотрим чувствительность обученной сети к переменной xk. Пусть ошибка сети с переменной k на тестовых данных – Ewith k, ошибка сети без переменной k на тестовых данных – Ewithout k, тогда чувствительность будет описана следующей формулой:     

μ= Ewithout k / Ewith k                                                            (8) 

Итоги анализа чувствительности представлены в табл. 5.

Таблица 5 - Анализ чувствительности

 

PNN 50

Альдостерон

ЛГ

ФВ

СВВР

SDNN

6-ти мин тест

RMSSD

Чувствитель-ность

8,826731

7,334014

4,208119

1,27109

1,240502

1,18817

1,05877

0,98466

 
Рис. 3 наглядно иллюстрирует чувствительность нейросети к каждой из переменных. Исключать переменные из анализа не следует, так как  каждая из них играет значительную роль в определении класса. Переменные PNN 50, Альдостерон и ЛГ наиболее важны.

 

 Рисунок 3 - Гистограмма чувствительности

ЗАКЛЮЧЕНИЕ

В итоге проделанной работы была сформирована нейросетевая модель процесса выбора тактики лечения больных ХСН с оперированными приобретенными пороками сердца с учетом индивидуальных особенностей пациентов, которая предполагает возможность автоматизации данного процесса в перспективе. 

В результате построения нейронной сети была определена значимость каждого рассматриваемого признака. Наиболее значимыми критериями выбора схемы лечения у больных ХСН на фоне оперированных приобретенных пороков сердца являются: рNN 50, уровень альдостерона в крови и уровнь легочной гипертензии.
Таким образом, предложенная информационная технология нейросетевого моделирования, позволяет обоснованно выбирать схему патогенетического лечения ХСН.


Библиографический список:

1. Лукашевич И.П. Проблемы информационного взаимодействия в медицине // Новости искусственного интеллекта. 2005. №2. — С.51-62.
2. Скальный А.В. Цинк и здоровье человека (книга для современных думающих врачей и любознательных пациентов). Оренбург: РИК ГОУ ОГУ, 2003.-80 с.
3. Осовский С. Нейронные сети для обработки информации./Перевод с польского И.Д.Рудинского. – М.: Финансы и статистика, 2004. - с. 245-247.
4. Хайкин С. Нейронные сети: полный курс, 2-е изд., Испр.: Пер. с англ. — М.: ООО «И.Д. Вильямс », 2006. — 1104 с.
5. Murray Longmore, Ian В Wilkinson, Tom Turmezei and Chee Kay Cheung. Chronic obstructive pulmonary disease (COPD) Oxford Handbook of Clinical Medicine, Jan 2007; 7.




Рецензии:

15.12.2015, 15:58 Сивопляс-Романова Анна Сергеевна
Рецензия: Статья может быть размещена в журнале после выполнения следующих доработок: 1) Следует изменить формулировку целевой групп пациентов - не понятна фраза "больных с хронической сердечной недостаточностью на фоне прооперированных по поводу приобретенных пороков сердца". Ни лингвистически, ни нозологически эта формулировка не верна. Хроническая сердечная недостаточность - это синдром и осложнение, заболевание - порок сердца, важный момент - оперированный порок. Сердечная недостаточность когда возникла - после операции, т.к. она была не успешна, или до операции. Если до операции, какая ее длительность. 2) Возраст пациентов? 3) Не понятно фраза "неявные задачи медицины". Это какие задачи? По хронической сердечной недостаточности есть протоколы лечения уже много лет. 3) Последний график - это форма подачи информации для рекламы, а не для научной статьи. 4) Доработать выводы - в данном случае все вместе свалено, разделить все по пунктам. Для этого поставить 3-4 задачи и на каждую дать ответ. Это и будет выводами. 5) В выводах указать, в чем же новизна. Я не кардиолог, но со студенческой статьи знаю о значении легочной гипертензии в патогенезе ХСН - при ее развитии и значительной выраженности только трансплантация сердца. Что нового-то сделано? 5) Добавить источники новые литературы особенно по медицине, в частности по кардиологии. Иностранную литературу изучали, может там уже все сделано давно?

16.12.2015 16:16 Ответ на рецензию автора Трухачев Антон Сергеевич:
Здравствуйте, Анна Сергеевна. Благодарю за оказанное внимание. Отвечаю: 1) У больных имелся приобретенный порок, он был оперирован, но после операции ХСН в той или иной степени сохранилась. Следовательно, больные с ХСН на фоне оперированных приобретенных пороков сердца. 2)Возраст уточнил 3) Речь идет о применении нейронных сетей. Неявные задачи – это задачи, которые не имеют четких (явных) алгоритмов решения. В условия таких задач входит большое число сложно комбинирующихся факторов. В основном используется опыт, подразумевающий правильное решение не только в случае повторения ситуации, но и при возникновении совершенно новой, не встречавшейся ранее ситуации. Нейронные сети, работая по неявным алгоритмам и решая задачи, не имеющие явного решения, достаточно хорошо моделируют способ принятия решений человеком. В статье рассмотрел этот вопрос подробнее. 4) Выделил задачи исследования. Результаты соответствуют поставленным задачам. 5) Новизна состоит в предложении математической модели процесса выбора схемы лечения, которая предполагает возможность автоматизации этого процесса. Для достоверности рассчитаны числовые значения чувствительности именно для полученной модели.6) я не встречал информацию по моделированию процесса выбора схемы лечения для данной группы пациентов на базе нейронных сетей. я изучал литературу, которая освещает этот вопрос для других заболеваний, на базе других мат. методов.

15.12.2015, 17:31 Лупальцова Ольга Сергеевна
Рецензия: Статья Трухачева А.С.,Коровин Е.Н. "ИСПОЛЬЗОВАНИЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ ДЛЯ АЛГОРИТМИЗАЦИИ ПРОЦЕССА ВЫБОРА ТАКТИКИ ЛЕЧЕНИЯ БОЛЬНЫХ С ХРОНИЧЕСКОЙ СЕРДЕЧНОЙ НЕДОСТАТОЧНОСТЬЮ НА ФОНЕ ОПЕРИРОВАННЫХ ПРИОБРЕТЕННЫХ ПОРОКОВ СЕРДЦА" актуальна и познавательна, имеет статистическую обработку на высоком уровне. Среди недостатков следует выделить 1) отсутствие четко сформулированной цели исследования, которая должна соответствовать выводам-заключению 2) Недостаточность литературных источников (англоязычных, как минимум 4), 3) Более корректный исправленный перевод аннотации: "This article has been disclosed the use of neural networks for modeling the choice of tactics of pathogenic treatment in operated patients with acquired heart defects and chronic heart failure (CHF).Статья рекомендована к опубликованию после внесения соответствующих исправлений. .
16.12.2015 16:16 Ответ на рецензию автора Трухачев Антон Сергеевич:
Здравствуйте, Ольга Сергеевна! Спасибо за ваши комментарии. Отвечаю: 1) Цель и выводы сформулировал и привел в соответствие. 2) Внес недостающие литературные источники. 3) Аннотацию испривил

2.02.2016, 13:24 Лупальцова Ольга Сергеевна
Рецензия: Статья Трухачева А.С.,Коровин Е.Н. "ИСПОЛЬЗОВАНИЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ ДЛЯ АЛГОРИТМИЗАЦИИ ПРОЦЕССА ВЫБОРА ТАКТИКИ ЛЕЧЕНИЯ БОЛЬНЫХ С ХРОНИЧЕСКОЙ СЕРДЕЧНОЙ НЕДОСТАТОЧНОСТЬЮ НА ФОНЕ ОПЕРИРОВАННЫХ ПРИОБРЕТЕННЫХ ПОРОКОВ СЕРДЦА"рекомендована к опубликованию.

2.02.2016, 18:06 Шевела Татьяна Леонидовна
Рецензия: Послеоперационный уход за пациентом весьма актуален и важен. Любая прекрасно выполненная операция без должного ухода и индивидуального подхода обречена на неудачу. Статья актуальна, но важно ее практическое применение, необходимо отметить в статье требуется ли специальная подготовка и технические знания врачей. Статья может быть опубликована.
03.02.2016 11:11 Ответ на рецензию автора Трухачев Антон Сергеевич:
Здравствуйте, Татьяна Леонидовна. Спасибо за вашу рецензию и актуальный вопрос. Целью исследования являлась разработка математической модели процесса принятия решений при назначении лечения, что и сделано, а практическая реализация модели в виде компьютерной программы находится за рамками данной статьи. В заключении я отметил это направление развития темы. Вкратце скажу, что алгоритм работы программы формируется на базе полученных преобразований слоев нейронной сети, но это уже другая история.



Комментарии пользователей:

Оставить комментарий


 
 

Вверх