RT - SR - Electronic T1 - Нейронные сети для прогнозирования динамики развития заболеваний JF - Креативная хирургия и онкология SP - 2020-12-16 DO - 10.24060/2076-3093-2020-10-3-198-204 A1 - А. Г. Хасанов, A1 - Д. Г. Шайбаков, A1 - С. В. Жернаков, A1 - А. М. Меньшиков, A1 - Ф. Ф. Бадретдинова, A1 - И. Ф. Суфияров, A1 - Ю. Р. Сагадатова, A1 - А. Г. Хасанов, A1 - Д. Г. Шайбаков, A1 - С. В. Жернаков, A1 - А. М. Меньшиков, A1 - Ф. Ф. Бадретдинова, A1 - И. Ф. Суфияров, A1 - Ю. Р. Сагадатова, YR - 2020 UL - https://repo.bashgmu.ru/publication/963 AB - Введение. В настоящее время наблюдается широкое внедрение компьютерных технологий в медицину. Медицинская нейроинформатика позволяет анализировать задачи диагностики и прогнозирования различных заболеваний с помощью нейросетей. Актуальность применения искусственных нейронных сетей объясняется их востребованностью и практичностью в использовании.Материалы и методы. На наш взгляд, наглядным примером возможности изучения вопросов прогнозирования течения заболевания является рожистое воспаление. В данной работе произведена обработка данных ретроспективного исследования историй болезней пациентов, получавших стационарное лечение на базе ГБУЗ РБ ГКБ № 8 г. Уфы в период 2006–2015 гг. для решения задачи прогнозирования рожистого воспаления с использованием современных статистических пакетов программ и среды моделирования MATLAB.Результаты и обсуждение. Результаты сравнительного анализа показали, что в качестве архитектуры нейросети наиболее целесообразно выбрать 3-слойную рекуррентную сеть прямого распространения. В рассматриваемом случае оптимальная структура нейросети имеет вид: 27–6–1 (т.е. используется 27 нейронов на входе, 6 — в скрытом слое, 1 нейрон в выходном слое). Наилучшая сходимость процесса обучения сети обеспечивается при использовании квазиньютоновского алгоритма и алгоритма сопряженных градиентов. При оценке эффективности нейросетевого прогнозирования динамики развития рожистого воспаления был осуществлен сравнительный анализ с рядом классических методов: экспоненциального сглаживания, скользящего среднего, метода наименьших квадратов, метода группового учета аргумента.Заключение.Применение предложенных в работе нейросетевых методов прогнозирования динамики развития рожистой патологии, основанного на аппроксимации и экстраполяции процессов изменения анамнеза пациента на фиксированных отрезках временного окна (в пределах «скользящего временного окна»), позволяет эффективно решать задачи прогнозирования.