В статье представлены результаты разработки вероятностно-статистической модели оценки степени тяжести состояния пациентов, перенесших кардиохирургические вмешательства. При создании модели использованы методы многомерной статистической обработки, логистического регрессионного анализа, расчета коэффициентов информативности выделенных предикторов риска неблагоприятного исхода оперативного вмешательства. Полученная модель включает в себя 12?дооперационных, а также 11?интра-/послеоперационных факторов риска. Разработана прогностическая шкала оценки вероятного риска летальности пациентов после кардиохирургических вмешательств, которая была заложена в основу программного модуля, представляющего собой автоматическую систему поддержки принятия решений врача в клинической практике. Прогностическая значимость сформированной модели составила для оценки вероятности выживания 96,4?%, летального исхода 98,0?%.
The article presents the results probabilistic and statistical models for assessing the severity of patients undergoing cardiac surgery. Developed model used methods of multivariate statistical processing, logistic regression analysis, calculating the coefficients of informativeness selected predictors of risk of adverse outcome of surgery. The resulting model includes 12?presurgical and 11?intra/post-operative risk factors. Developed by our group prognostic risk assessment scale of mortality of patients after cardiac surgery, which was laid in the foundation of the program module, is an automated decision support system the physician in clinical practice. Prognostic significance of the model was formed to assess the probability of survival of 96,4 and 98,0?% mortality respectively.
1. Волкова Н.А. Алгоритм диагностики состояния сердечно-сосудистой системы по результатам многократных измерений артериального давления и пульса // Известия высших учебных заведений. Поволжский регион. Технические науки. – 2015. – № 1. – С. 43-49.
2. Думлер, А.А, Полещук А.Н., Богданов К.В. Опыт создания нейросетевой системы для диагностики сердечно-сосудистых заболеваний // Вестник Пермского университета. – 2011. – № 1. – С. 95–101.
3. Дюк В.А., Курапеев Д.И. Применение методов интеллектуального анализа данных для оценки риска оперативного вмешательства в кардиохирургии // Труды СПИИРАН. – 2009. – № 9. – С. 187–196.
4. Карп В.П., Агарвал Р.К. Новая концепция использования методов искусственного интеллекта в проблеме расширения профессиональных знаний молодых специалистов // Здоровье и образование в XXI веке. – 2012. – № 1. – С. 134–136.
5. Кириков И.А., Колесников А.В., Румовская С.Б. Функциональная гибридная интеллектуальная система для поддержки принятия решений при диагностике артериальной гипертензии // Системы и средства информатики. – 2014. – № 1. – С. 153–179.
6. Клименко Д.Г., Одинак М.М. Прогнозирование ранних исходов лечения ишемических и геморрагических инсультов по данным первичного обследования больных в стационаре // Вестник Российской военно-медицинской академии. – 2008. – № 3. – С. 48–51.
7. Луговкина, Т.К., Тютикова Т.К., Нуриев А.В. Понятийный аппарат для программирования продукта поддержки принятия решений в клинической практике // Системная интеграция в здравоохранении. – 2013. – № 1. – С. 46–54.
8. Садыкова Е.В. Информационные технологии систем поддержки принятия решений врача // Информационно-управляющие системы. – 2012. – № 5. – С. 89–91.