Метод и алгоритмы локализации кластеров адаптационного потенциала в биотехнических системах реабилитации лиц с ограниченными возможностями здоровья

Для повышения эффективности результатов реабилитации лиц с ограниченными возможностями здоровья необходим индивидуальный подход, учитывающий особенности организма каждого конкретного пациента, с целью оптимизации выбора средств для реабилитационных мероприятий или лечения. Для реабилитации лиц с ограниченными возможностями здоровья предлагается метод классификации адаптационного потенциала, предназначенного для контроля и управления их функциональным состоянием в процессе терапии или сеанса реабилитационной процедуры. Разработан метод локализации кластеров в пространстве суррогатных маркеров, включающий четыре этапа, отличающийся тем, что первый этап выявляет релевантные маркеры, характеризующие изменение адаптационного потенциала живой системы при воздействии экзогенного фактора; на втором этапе осуществляется доказательство надежности кластеризации уровней адаптационного потенциала; на третьем этапе анализируются результаты классификации на динамических обучающих выборках, а на четвертом этапе осуществляется анализ статистической неоднородности и / или гетерогенности выделяемых кластеров. Разработан гибридный классификатор адаптационного потенциала, включающий пять «слабых» классификаторов, построенных на основе нечеткой логики принятия решений, и полносвязную нейронную сеть прямого распространения сигнала в качестве агрегатора. Апробация гибридного классификатора осуществлена на экспериментальной группе постинфарктных больных. Оценка эффективности проводилась с помощью ROC-анализа. Показатели качества классификации синтезированного гибридного классификатора позволяют рекомендовать его для биотехнических систем реабилитационного типа, осуществляющих лечебно-восстановительные процедуры для постинфарктных больных.

1. Флетчер Р., Флетчер С., Вагнер Э. Клиническая эпидемиология. Основы доказательной медицины. 2008:350.

2. Кукушкин Ю.А., Бухтияров А.В., Богомолов А.В. Обобщение материалов независимых экспериментальных исследований методом мета-анализа. Информационные технологии. 2001;(6):48–53.

3. Петрунина Е.В., Томакова Р.А., Филист С.А. Гибридные методы и модели для биотехнических систем с адаптивным управлением диагностическими и реабилитационными процессами: монография. Минобрнауки России, Юго-Западный государственный университет (ЮЗГУ). Курск: Юго-Западный гос. ун-т; 2022. 248 с.

4. Трифонов А.А., Филист С.А., Кузьмин А.А., Петрунина Е.В., Шехине М.Т. Адаптивная биотехническая система с роботизированным устройством для восстановления двигательных функций нижних конечностей постинсультных больных. Моделирование, оптимизация и информационные технологии. 2021;9(3):1–26.

5. Курочкин А.Г., Кузьмин А.А., Старцев Е.А., Филист С.А. Алгоритмы мета-анализа эффективности диагностических и терапевтических решений на основе мониторинга суррогатных маркеров, получаемых по результатам анализа сложноструктурируемых изображений. Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2016;4(21):41–55.

6. Анохин П.К. Избранные труды: Кибернетика функциональных систем. Москва: Медицина; 1998. 400 с.

7. Апанасенко Г.Л., Попова Л.А., Магльований А.В. Санология. Основы управления здоровьем. LAMBERT: Academic Publishing; 2012. 404 с.

8. Гайдес М.А. Общая теория систем (системы и системный анализ). Винница: Глобус-пресс; 2005. 201 с.

9. Кудрявцев П.С., Шуткин А.Н., Протасова В.В. [и др.] Структурно-функциональная модель для мониторинга влияния управляющих воздействий на функциональное состояние самоорганизующихся систем. Прикаспийский журнал: управление и высокие технологии. 2015;2(30):105–119.

10. Ушаков И.Б., Сорокин О.Г. Адаптационный потенциал человека. Вестник РАМН. 2004;3:8–13.

11. Бороноев В.В., Гармаев Б.З., Омпоков В.Д., Ямпилов С.С. Оценка динамики функционального состояния человека по параметрам пульсовой волны. Международный журнал прикладных и фундаментальных исследований. 2017;2-2:274–277.

12. Филист С.А., Шуткин А.Н., Уварова В.В. Структурно-функциональная модель мета-анализа медико-экологических данных. Актуальные направления научных исследований XXI века: теория и практика. 2015;3(8-1):364–367.

13. Баевский Р.М., Берсенева А.П. Оценка адаптационных возможностей организма и риск развития заболеваний. Москва: Медицина; 1997. 265 с.

14. Мирошников А.В., Шаталова О.В., Ефремов М.А., Стадниченко Н.С., Новоселов А.Ю., Павленко А.В. Алгоритм оптимизации модели Войта в классификаторах функционального состояния живых систем. Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2022;12(2):59–75.

15. Мирошников А.В., Стадниченко Н.С., Шаталова О.В., Филист С.А. Модели импеданса биоматериала для формирования дескрипторов в интеллектуальных системах диагностики инфекционных заболеваний. Моделирование, оптимизация и информационные технологии. 2020;8(4):1–14.

16. Киселев А.В., Петрова Т.В., Дегтярев С.В., Рыбочкин А.Ф., Филист С.А., Шаталова О.В., Мишустин В.Н. Нейросетевые модули с виртуальными потоками для классификации и прогнозирования функционального состояния сложных систем. Известия Юго-Западного государственного университета. 2018;22(4):123–134.

17. Киселев А.В., Шаталова О.В., Протасова З.У., Филист С.А., Стадниченко Н.С. Модели латентных предикторов в интеллектуальных системах прогнозирования состояния живых систем. Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2020;10(1):114–133.

18. Киселев А.В., Томаков М.В., Петрунина Е.В. [и др.] Слабые классификаторы с виртуальными потоками в интеллектуальных системах прогнозирования сердечно-сосудистых осложнений. Известия Юго-Западного государственного университета. Серия Управление, вычислительная техника, информатика. Медицинское приборостроение. 2019;9(1):6–19.

19. Киселев А.В., Савинов Д.Ю., Филист С.А., Шаталова О.В., Жилин В.В. Виртуальные потоки в гибридных решающих модулях классификации сложноструктурируемых данных. Прикаспийский журнал: управление и высокие технологии. 2018;2(42):137–149.

20. Khatatneh K., Filist S., Shatalova O. [et al.]. Hybrid neural networks with virtual flows in in medical risk classifiers. Journal of Intelligent and Fuzzy Systems. 2022;43(1):1621–1632. DOI: 10.3233/JIFS-212617.

21. Филист С.А., Емельянов С.Г., Рыбочкин А.Ф. Нейросетевой решающий модуль для исследования живых систем. Известия Курского государственного технического университета. 2008;2(23):77–82.

22. Филист С.А., Шаталова О.В., Ефремов М.А. Гибридная нейронная сеть с макрослоями для медицинских приложений. Нейрокомпьютеры. Разработка и применение. 2014;6:35–39.

23. Серегин С.П. [и др.] Математические модели прогнозирования и профилактики рецидивов инфаркта миокарда в реабилитационном периоде: монография. Курск: КГМУ; 2015. 166 с.

24. Шишкина Е.А., Хлынова О.В., Туев А.В. [и др.] Возможности прогнозирования повторного инфаркта миокарда у больных трудоспособного возраста. Российский кардиологический журнал. 2020;25(8):69–74.

25. Кореневский Н.А., Филатова О.И., Лукашов М.И. Комплексная оценка уровня психоэмоционального напряжения. Биомедицинская радиоэлектроника. 2009;(5):4–9.

26. Шаталова О.В. Интеллектуальные системы мониторинга медицинских рисков с учетом биоимпедансных исследований: монография. Курск: ЮЗГУ; 2020. 356 с.