Search academic texts

Information × Registration Number 2123U011507, Article popup.category Опубліковано, Стаття Title COMPUTATIONAL INTELLIGENCE METHODS TO PATIENTS STRATIFICATION IN THE MEDICAL MONITORING SYSTEMS popup.author Бакуменко Н. С.Стрілець В. Є.Угрюмов М. Л.Зеленський Р. О.Угрюмова К. М.Старенький В. П.Артюх С. В.Насонова А. М.Bakumenko N. S.Strilets V. Y.Ugryumov M. L.Zelenskyi R. O.Ugryumova K. M.Starenkiy V. P.Artiukh S. V.Nasonova A. M. popup.publication 24-02-2023 popup.source_user Журнал "Радіоелектроніка, інформатика, управління" (Національний університет "Запорізька політехніка") popup.source https://ric.zp.edu.ua/article/view/274455 popup.publisher National University "Zaporizhzhia Polytechnic" Description Актуальність. У сучасній медичній практиці все більше впроваджується автоматизація й інформаційні технології для діагностування захворювань, моніторингу стану пацієнта, визначення програми лікування тощо. Тому розробка нових і удосконалення існуючих методів стратифікації пацієнтів у системах медичного моніторингу є своєчасною і необхідною. Метод. Розроблено методологію, яка включає такі методи обчислювального інтелекту для стратифікації пацієнтів у системах медичного моніторингу, як: 1) метод кластерного аналізу на основі агентного підходу – визначення можливої кількості станів пацієнтів з використанням контрольованих змінних станів; 2) метод побудови робастних метамоделей за допомогою штучних нейронних мереж при апріорній невизначеності даних (відома лише точність вимірювань) за даними моніторингу стану пацієнтів: а) багатовимірна логістична регресійна модель у вигляді аналітичних залежностей апостеріорних ймовірностей різних станів пацієнтів від контрольованих змінних станів; б) багатовимірна діагностична модель у вигляді аналітичних залежностей цільових функцій (критеріїв якості стану хворого) від контрольованих змінних станів; 3) метод оцінки інформативності контрольованих змінних станів при невизначеності апріорних даних; 4) метод побудови робастних багатовимірних моделей контролю стану пацієнтів при апріорній невизначеності даних у даних моніторингу у вигляді аналітичних залежностей, що прогнозуються за виміряними значеннями контрольованих змінних станів у процесі моніторингу; 5) метод зменшення розмірності простору контрольованих змінних станів на основі аналізу інформативності змінних робастних багатовимірних моделей управління станом пацієнтів (аналіз чутливості); 6) метод визначення станів пацієнтів на основі вирішення задачі класифікації за значеннями контрольних та прогнозованих контрольованих змінних стану з використанням імовірнісних нейронних мереж; 7) метод синтезу раціональної індивідуальної програми лікування хворих у системі медичного моніторингу для стану, виявленого на основі прогнозу. У роботі запропонована структура моделі вибору раціональної індивідуальної програми лікування пацієнтів на основі IT Data Stream Mining, яка реалізує концепцію « Big Data for Better Outcomes». Результати. Розроблені передові методи обчислювального інтелекту для прогнозування станів використовувалися при виборі тактики лікування пацієнтів, прогнозуванні ускладнень лікування та оцінці виліковності пацієнта до та під час спеціального лікування. Висновки. Представлено досвід впровадження концепції «Big Data for Better Outcomes» для вирішення проблеми розробки передових методологій нових стратегій стратифікації пацієнтів. Розроблено передову методологію, методи обчислювального інтелекту для стратифікації пацієнтів у системах медичного моніторингу та прикладну інформаційну технологію, що їх реалізує. Розроблені передові методи прогнозування станів можуть бути використані при виборі тактики лікування хворих, прогнозуванні ускладнень лікування та оцінці виліковності хворого до та під час спеціального лікування. popup.nrat_date 2026-02-27 Close