В статье рассматриваются вопросы диагностики заболеваний легких, таких как кавернозный, инфильтративный, очаговой, диссеминированный туберкулез, онкология и пневмония. Медико-социальное значение болезней органов дыхания в современных условиях велико и определяется, прежде всего, их крайне высокой частотой среди различных контингентов населения. Учитывая значимость дыхания для организма, необходимо вовремя выявлять различные патологии и применять незамедлительные меры лечения. Одним из средств повышения эффективности диагностики данных патологий является автоматизация обработки диагностических данных с использованием современных технологий, а также создание компьютерной системы поддержки принятия решений, которая принимала бы во внимание большой объем диагностической информации и исключала ошибки субъективного характера. Выделение топологических групп по легочным заболеваниям проводилось с использованием самоорганизующихся карт Кохонена. По результатам классификации было проведено обучения нейронных сетей, используя алгоритм «многослойного персептрона» методом «обратного распространения», и получены математические модели. В медицинской практике постоянно следует учитывать то обстоятельство, что достоверные и адекватные медицинские данные, например, лабораторные анализы, результаты инструментального диагностического исследования, данные опроса больного или физикального исследования, потеряют свою актуальность, если информационный процесс длительно растянут по времени. Разработанные нейросетевые модели, были реализованы в информационно-программном обеспечении, которое позволит повысить эффективность процесса диагностики заболеваний легких The article deals with the diagnosis of lung diseases such as cavernous, infiltrative, focal, disseminated tuberculosis, oncology and pneumonia. The medical and social significance of respiratory diseases in modern conditions is great and is determined, first of all, by their extremely high frequency among various contingents of the population. Given the importance of breathing for the body, it is necessary to timely identify various pathologies and apply immediate treatment measures. One of the means of increasing the efficiency of diagnosing these pathologies is the automation of the processing of diagnostic data using modern technologies, as well as the creation of a computer decision support system that would take into account a large amount of diagnostic information and exclude subjective errors. The selection of topological groups for pulmonary diseases was carried out using self-organizing Kohonen maps. Based on the classification results, neural networks were trained using the "multilayer perceptron" algorithm by the "backpropagation" method and mathematical models were obtained. In medical practice, one should constantly take into account the fact that reliable and adequate medical data, for example, laboratory tests, the results of an instrumental diagnostic study, data from a patient survey or physical examination, will lose their relevance if the information process is prolonged for a long time. The developed neural network models were implemented in information and software that will improve the efficiency of the process of diagnosing lung diseases
В статье рассматриваются методы кластерного и дискриминантного анализа для построения математических моделей диагностики гинекологических заболеваний. Гинекологические патологии занимают значительное место в структуре заболеваемости у женщин. Между тем, точная дифференциальная диагностика патологий зачастую бывает, невозможна, так как гинекологические заболевания носят вероятностный характер, большинство диагностических признаков выражаются качественными показателями, которые индивидуальны для каждой пациентки. Лечащему врачу приходится решать сложную задачу по анализу клинических, лабораторных и инструментальных признаков для постановки точного диагноза. С применением аппарата сетей Петри произведено построения модели дифференциальной диагностики гинекологических заболеваний. На основе полученных математических моделей, сформирована структура и информационно-программное обеспечение для системы диагностики гинекологических заболеваний в медицинских организациях. Внедрение разработанного программного продукта в медицинскую структуру позволит уменьшить вероятность врачебной ошибки, а также повысить эффективность и точность постановки диагноза пациенткам The article discusses the methods of cluster and discriminant analysis for constructing mathematical models for the diagnosis of gynecological diseases. Gynecological pathologies occupy a significant place in the structure of morbidity in women. Meanwhile, accurate differential diagnosis of pathologies is often impossible, since gynecological diseases are of a probabilistic nature, most of the diagnostic signs are expressed in qualitative indicators that are individual for each patient. The attending physician has to solve a complex task of analyzing clinical, laboratory and instrumental signs to make an accurate diagnosis. Using the apparatus of Petri nets, a model for the differential diagnosis of gynecological diseases was constructed. On the basis of the obtained mathematical models, the structure and information software for the system of diagnostics of gynecological diseases in medical organizations was formed. The introduction of the developed software product into the medical structure will reduce the likelihood of medical error, as well as increase the efficiency and accuracy of diagnosing patients
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.