Материалы доступны только для специалистов сферы здравоохранения. Авторизуйтесь или зарегистрируйтесь.
Кардиоваскулярные заболевания, качество жизни и комплаентность в структуре нейросетевой прогностической модели осложнений у реципиентов печени
Кардиоваскулярные заболевания, качество жизни и комплаентность в структуре нейросетевой прогностической модели осложнений у реципиентов печени
Космачева Е.Д., Бабич А.Э., Халафян А.А., Акиньшина В.А. Кардиоваскулярные заболевания, качество жизни и комплаентность в структуре нейросетевой прогностической модели осложнений у реципиентов печени. Consilium Medicum. 2019; 21 (5): 84–90. DOI: 10.26442/20751753.2019.5.190426
________________________________________________
Материалы доступны только для специалистов сферы здравоохранения. Авторизуйтесь или зарегистрируйтесь.
Аннотация
Цель. Анализ кардиоваскулярных заболеваний, нарушений липидного обмена, уровня комплаентности и качества жизни реципиентов печени с последующей разработкой индивидуального подхода прогнозирования осложнений посредством использования искусственной нейронной сети.
Материалы и методы. В ретроспективной части исследования сформирована база данных первичной документации 135 пациентов (81 мужчина и 54 женщины), которым проведена ортотопическая трансплантация печени (ОТП) в ГБУЗ «НИИ – ККБ №1 им. проф. С.В. Очаповского» г. Краснодара. В данной статье проанализированы сердечно-сосудистый статус реципиентов до и через 4 года после трансплантации печени, а также нарушения липидного и углеводного обменов через 6, 12, 24, 36 и 48 мес с помощью программы Statistica 10.0 (Tibco, USA). В проспективной части проведено анкетирование пациентов о комплаентности и качестве жизни. Созданная база данных о реципиентах использовалась для построения моделей нейронных сетей в программном модуле в среде программирования Microsoft Visual C# 2015 для прогноза осложнений у реципиентов печени по объединенной конечной точке осложнений – гепатит трансплантата, тромбоз, наличие опухолей и эпизоды отторжения трансплантата.
Результаты. Уровень общего холестерина составил 3,6±1,6 ммоль/л до трансплантации, через 6 мес, 12 мес, 2, 3 и 4 года увеличение составило 16,7, 19,4, 27,8, 38,9 и 38,9% соответственно. Динамика триглицеридов: в сравнении с исходным уровнем до трансплантации – увеличение на 29,3, 41,7, 36,7, 52,2, 43,0% через 6 мес, 1 год, 2 года, 3 года и 4 года соответственно. Уровень липопротеидов низкой плотности до операции – 2,3±1,4 ммоль/л, увеличение через 2 года на 8,7%, через 3 и 4 года на 21,7 и 26,1% соответственно. До трансплантации артериальная гипертензия верифицирована у 21,5% с увеличением за период наблюдения до 29,6%. Сахарный диабет до трансплантации печени верифицирован у 14,4% пациентов, спустя 4 года – в 22,7% случаев. Через 4 года после трансплантации печени число пациентов с ишемической болезнью сердца и хронической сердечной недостаточностью увеличилось на 27,4 и 20,7%. Как у женщин, так и у мужчин-реципиентов печени отмечена низкая комплаентность к лечению по опроснику Мориски–Грина. Наибольшее отличие реципиентов и здоровых при оценке качества жизни отмечалось по шкалам «физическое функционирование» – на 31,3%, «ролевое функционирование, обусловленное физическим состоянием», – на 60,8%, «общее состояние здоровья» – на 33,4%, «ролевое функционирование, обусловленное эмоциональным состоянием», – на 52,9%. Показатели кардиоваскулярного статуса реципиентов печени, комплаентности и качества жизни включены в искусственные нейронные сети в программе «Прогнозирование осложнений у реципиентов печени» с общей прогностической способностью сети 98,49%.
Заключение. У реципиентов печени увеличивается частота встречаемости кардиоваскулярных заболеваний, сахарного диабета и нарушений липидного обмена в сравнении с периодом до трансплантации. Исследование комплаентности, качества жизни, а также сформированный массив клинико-лабораторных и инструментальных данных о пациентах до трансплантации и по пяти временным периодам после трансплантации позволили с помощью искусственной нейронной сети создать программу «Прогнозирование осложнений у реципиентов печени», свидетельство о государственной регистрации программы для ЭВМ №2019614005.
Ключевые слова: кардиоваскулярные заболевания, сахарный диабет, дислипидемия, искусственные нейронные сети, комплаентность, качество жизни, реципиенты печени, прогнозирование осложнений.
Материалы и методы. В ретроспективной части исследования сформирована база данных первичной документации 135 пациентов (81 мужчина и 54 женщины), которым проведена ортотопическая трансплантация печени (ОТП) в ГБУЗ «НИИ – ККБ №1 им. проф. С.В. Очаповского» г. Краснодара. В данной статье проанализированы сердечно-сосудистый статус реципиентов до и через 4 года после трансплантации печени, а также нарушения липидного и углеводного обменов через 6, 12, 24, 36 и 48 мес с помощью программы Statistica 10.0 (Tibco, USA). В проспективной части проведено анкетирование пациентов о комплаентности и качестве жизни. Созданная база данных о реципиентах использовалась для построения моделей нейронных сетей в программном модуле в среде программирования Microsoft Visual C# 2015 для прогноза осложнений у реципиентов печени по объединенной конечной точке осложнений – гепатит трансплантата, тромбоз, наличие опухолей и эпизоды отторжения трансплантата.
Результаты. Уровень общего холестерина составил 3,6±1,6 ммоль/л до трансплантации, через 6 мес, 12 мес, 2, 3 и 4 года увеличение составило 16,7, 19,4, 27,8, 38,9 и 38,9% соответственно. Динамика триглицеридов: в сравнении с исходным уровнем до трансплантации – увеличение на 29,3, 41,7, 36,7, 52,2, 43,0% через 6 мес, 1 год, 2 года, 3 года и 4 года соответственно. Уровень липопротеидов низкой плотности до операции – 2,3±1,4 ммоль/л, увеличение через 2 года на 8,7%, через 3 и 4 года на 21,7 и 26,1% соответственно. До трансплантации артериальная гипертензия верифицирована у 21,5% с увеличением за период наблюдения до 29,6%. Сахарный диабет до трансплантации печени верифицирован у 14,4% пациентов, спустя 4 года – в 22,7% случаев. Через 4 года после трансплантации печени число пациентов с ишемической болезнью сердца и хронической сердечной недостаточностью увеличилось на 27,4 и 20,7%. Как у женщин, так и у мужчин-реципиентов печени отмечена низкая комплаентность к лечению по опроснику Мориски–Грина. Наибольшее отличие реципиентов и здоровых при оценке качества жизни отмечалось по шкалам «физическое функционирование» – на 31,3%, «ролевое функционирование, обусловленное физическим состоянием», – на 60,8%, «общее состояние здоровья» – на 33,4%, «ролевое функционирование, обусловленное эмоциональным состоянием», – на 52,9%. Показатели кардиоваскулярного статуса реципиентов печени, комплаентности и качества жизни включены в искусственные нейронные сети в программе «Прогнозирование осложнений у реципиентов печени» с общей прогностической способностью сети 98,49%.
Заключение. У реципиентов печени увеличивается частота встречаемости кардиоваскулярных заболеваний, сахарного диабета и нарушений липидного обмена в сравнении с периодом до трансплантации. Исследование комплаентности, качества жизни, а также сформированный массив клинико-лабораторных и инструментальных данных о пациентах до трансплантации и по пяти временным периодам после трансплантации позволили с помощью искусственной нейронной сети создать программу «Прогнозирование осложнений у реципиентов печени», свидетельство о государственной регистрации программы для ЭВМ №2019614005.
Ключевые слова: кардиоваскулярные заболевания, сахарный диабет, дислипидемия, искусственные нейронные сети, комплаентность, качество жизни, реципиенты печени, прогнозирование осложнений.
________________________________________________
Objective. To analyze cardiovascular disorders, lipid metabolism disorders, compliance level and quality of life of liver transplant recipients and to develop individualized approach to prediction of complications development with the use of artificial neural networks.
Materials and methods. In the retrospective part of the study a database of primary documents of 135 patients (81 male, 54 female) who underwent orthotopic liver transplantation (OLT) in State Budgetary Healthcare Institution “Research institute – Prof. S.V. Ochapovskii Regional Clinical Hospital №1” in Krasnodar was developed. The present article analyses recipients cardiovascular status before and 4 years after liver transplantation as well as lipid and carbohydrate metabolism disorders at 6, 12, 24, 36, and 48 months with the use of Statistica 10.0 (Tibco, USA) software. In the prospective part questionnaire survey of the patients about compliance and quality of life was conducted. The designed recipients database was used for development of neural networks models in the program unit in Microsoft Visual C# 2015 software development environment for prognosis of complications development in liver transplant recipients according to combined endpoint – transplant hepatitis, thrombosis, tumors and episodes of transplant rejection.
Results. Total cholesterol level was 3.6±1.6 mmol/L before transplantation, after 6 months, 12 months, 2, 3, and 4 years it increased by 16.7, 19.4, 27.8, 38.9 и 38.9%, respectively. Triglycerides level dynamics compared with baseline level before transplantation increased by 29.3, 41.7, 36.7, 52.2, 43.0% after 6 months, 1 year, 2 years, 3 years, and 4 years, respectively. Low density lipoprotein level before operation was 2.3±1.4 mmol/L and in 2 years increased by 8.7%, in 3 and 4 years by 21.7 и 26.1%, respectively. Before transplantation arterial hypertension was diagnosed in 21.5% of patients, the number increased to 29.6% during the observation period. Diabetes mellitus was diagnosed in 14.4% of patients before transplantation and in 22.7% of patients 4 years after it. Four years after liver transplantation the amount of patients with ischemic heart disease and chronic heart failure increased by 27.4 and 20.7%. Both in female and male liver transplant recipients low compliance to treatment was observed according to Morisky–Green questionnaire test. Most differences between recipients and healthy people were observed in “physical functioning” score – by 31.3%, “role functioning defined by physical functioning” – by 60.8%, “general state of health” – by 33.4%, “role functioning defined by emotional state” – by 52.9%. Characteristics of cardiovascular status of liver recipients, compliance and quality of life were included in artificial neural networks in program “Complication prognosis in liver recipients” with total predictive capability of the network accounted for 98.49%.
Conclusion. In liver recipients frequency of cardiovascular disorders, diabetes mellitus and lipid metabolism disorders increased in comparison with pre-transplantation period. Study of compliance, quality of life and formed database of clinical, laboratory, and instrumental data on patients before transplantation and in 5 periods of time after it along with the use of neural networks allowed creating a program “Complication prognosis in liver recipients”, certificate of registration of computer program №2019614005.
Key words: cardiovascular disorders, diabetes mellitus, dyslipidemia, artificial neural networks, compliance, quality of life, liver transplant recipients, complications development prognosis.
Materials and methods. In the retrospective part of the study a database of primary documents of 135 patients (81 male, 54 female) who underwent orthotopic liver transplantation (OLT) in State Budgetary Healthcare Institution “Research institute – Prof. S.V. Ochapovskii Regional Clinical Hospital №1” in Krasnodar was developed. The present article analyses recipients cardiovascular status before and 4 years after liver transplantation as well as lipid and carbohydrate metabolism disorders at 6, 12, 24, 36, and 48 months with the use of Statistica 10.0 (Tibco, USA) software. In the prospective part questionnaire survey of the patients about compliance and quality of life was conducted. The designed recipients database was used for development of neural networks models in the program unit in Microsoft Visual C# 2015 software development environment for prognosis of complications development in liver transplant recipients according to combined endpoint – transplant hepatitis, thrombosis, tumors and episodes of transplant rejection.
Results. Total cholesterol level was 3.6±1.6 mmol/L before transplantation, after 6 months, 12 months, 2, 3, and 4 years it increased by 16.7, 19.4, 27.8, 38.9 и 38.9%, respectively. Triglycerides level dynamics compared with baseline level before transplantation increased by 29.3, 41.7, 36.7, 52.2, 43.0% after 6 months, 1 year, 2 years, 3 years, and 4 years, respectively. Low density lipoprotein level before operation was 2.3±1.4 mmol/L and in 2 years increased by 8.7%, in 3 and 4 years by 21.7 и 26.1%, respectively. Before transplantation arterial hypertension was diagnosed in 21.5% of patients, the number increased to 29.6% during the observation period. Diabetes mellitus was diagnosed in 14.4% of patients before transplantation and in 22.7% of patients 4 years after it. Four years after liver transplantation the amount of patients with ischemic heart disease and chronic heart failure increased by 27.4 and 20.7%. Both in female and male liver transplant recipients low compliance to treatment was observed according to Morisky–Green questionnaire test. Most differences between recipients and healthy people were observed in “physical functioning” score – by 31.3%, “role functioning defined by physical functioning” – by 60.8%, “general state of health” – by 33.4%, “role functioning defined by emotional state” – by 52.9%. Characteristics of cardiovascular status of liver recipients, compliance and quality of life were included in artificial neural networks in program “Complication prognosis in liver recipients” with total predictive capability of the network accounted for 98.49%.
Conclusion. In liver recipients frequency of cardiovascular disorders, diabetes mellitus and lipid metabolism disorders increased in comparison with pre-transplantation period. Study of compliance, quality of life and formed database of clinical, laboratory, and instrumental data on patients before transplantation and in 5 periods of time after it along with the use of neural networks allowed creating a program “Complication prognosis in liver recipients”, certificate of registration of computer program №2019614005.
Key words: cardiovascular disorders, diabetes mellitus, dyslipidemia, artificial neural networks, compliance, quality of life, liver transplant recipients, complications development prognosis.
Полный текст
Список литературы
1. Sanoob MU, Madhu A, Ajesh K, Varghese SM. Artificial Neural Network for Diagnosis of Pancreatic Cancer. IJCI 2016; 2 (5).
2. Кирсанова А.В., Дмитриев Г.А. Нейросетевая система диагностики внутричерепных образований. Програм. продукты и системы. 2009; 3: 123–125.
[Kirsanova A.V., Dmitriev G.A. Neirosetevaia sistema diagnostiki vnutricherepnykh obrazovanii. Program. produkty i sistemy. 2009; 3: 123–125 (in Russian).]
3. Ганцев Ш.Х., Зимичев А.А., Хрисанов Н.Н., Климентьева М.С. Применение нейронной сети в прогнозировании рака мочевого пузыря. Мед. вестн. Башкортостана. 2010; 3: 44–7.
[Gantsev Sh.Kh., Zimichev A.A., Khrisanov N.N., Kliment'eva M.S. Primenenie neironnoi seti v prognozirovanii raka mochevogo puzyria. Med. vestn. Bashkortostana. 2010; 3: 44–7 (in Russian).]
4. Миронов П.И., Лутфарахманов И.И., Ишмухаметов И.Х., Тимербулатов В.М. Искусственные нейронные сети в прогнозировании развития сепсиса у больных тяжелым острым панкреатитом. Анналы хирург. гепатологии. 2008; 2 (13): 85–9.
[Mironov P.I., Lutfarakhmanov I.I., Ishmukhametov I.Kh., Timerbulatov V.M. Iskusstvennye neironnye seti v prognozirovanii razvitiia sepsisa u bol'nykh tiazhelym ostrym pankreatitom. Annaly khirurg. gepatologii. 2008; 2 (13): 85–9 (in Russian).]
5. Афонин П.Н., Афонин Д.Н., Дору-Товт В.П. Применение искусственных нейронных сетей для прогнозирования нарушений жизнедеятельности больных гематогенным остеомиелитом позвоночника. Вестн. новых мед. технологий. 2007; 3 (14): 42–4.
[Afonin P.N., Afonin D.N., Doru-Tovt V.P. Primenenie iskusstvennykh neironnykh setei dlia prognozirovaniia narushenii zhiznedeiatel'nosti bol'nykh gematogennym osteomielitom pozvonochnika. Vestn. novykh med. tekhnologii. 2007; 3 (14): 42–4 (in Russian).]
6. Макарова Л.С., Семерякова Е.Г. Разработка решающих правил для системы поддержки принятия решений дифференциальной диагностики бронхиальной астмы. Вестн. науки Сибири. 2012; 3 (4): 162–7.
[Makarova L.S., Semeriakova E.G. Razrabotka reshaiushchikh pravil dlia sistemy podderzhki priniatiia reshenii differentsial'noi diagnostiki bronkhial'noi astmy. Vestn. nauki Sibiri. 2012; 3 (4): 162–7 (in Russian).]
7. Алексеева О.В., Россиев Д.А., Ильенкова Н.А. Применение искусственных нейронных сетей в дифференциальной диагностике рецидивирующего бронхита у детей. Сиб. мед. обозрение. 2010; 6: 75–9.
[Alekseeva O.V., Rossiev D.A., Il'enkova N.A. Primenenie iskusstvennykh neironnykh setei v differentsial'noi diagnostike retsidiviruiushchego bronkhita u detei. Sib. med. obozrenie. 2010; 6: 75–9 (in Russian).]
8. Алексеева О.В., Ильенкова Н.А., Россиев Д.А., Соловьева Н.А. Оптимизация дифференциальной диагностики рецидивирующей бронхолегочной патологии у детей. Сиб. мед. журн. 2013; 2: 37–41.
[Alekseeva O.V., Il'enkova N.A., Rossiev D.A., Solov'eva N.A. Optimizatsiia differentsial'noi diagnostiki retsidiviruiushchei bronkholegochnoi patologii u detei. Sib. med. zhurn. 2013; 2: 37–41 (in Russian).]
9. Аравин О.И. Применение искусственных нейронных сетей для анализа патологий в кровеносных сосудах. Рос. журн. биомеханики. 2011; 3 (53): 45–51.
[Aravin O.I. Primenenie iskusstvennykh neironnykh setei dlia analiza patologii v krovenosnykh sosudakh. Ros. zhurn. biomekhaniki. 2011; 3 (53): 45–51 (in Russian).]
10. Оленко Е.С., Киричук В.Ф., Кодочигова А.И. и др. Использование искусственных нейронных сетей в прогнозировании риска развития артериальной гипертензии у пенитенциарных субъектов. Междунар. журн. приклад. и фундам. исследований. 2009; 5: 119.
[Olenko E.S., Kirichuk V.F., Kodochigova A.I. et al. Ispol'zovanie iskusstvennykh neironnykh setei v prognozirovanii riska razvitiia arterial'noi gipertenzii u penitentsiarnykh sub"ektov. Mezhdunar. zhurn. priklad. i fundam. issledovanii. 2009; 5: 119 (in Russian).]
11. Caliskan A, Yuksel ME. Classification of Coronary Artery Disease Data Sets by Using a Deep Neural Network. Euro Biotech J 2017; 4: 271–7.
12. Savalia S, Emamian V. Cardiac Arrhythmia Classification by Multi-Layer Perceptron and Convolution Neural Networks. Bioengineering 2018; 5 (2): 35.
13. Howard JP, Fisher L, Shun-Shin MJ. Cardiac Rhythm Device Identification Using Neural Networks. JACC Clin Electrophysiol 2019; 5 (5): 576–86.
14. Niranjana Murthy HS, Meenakshi M. ANN Model to Predict Coronary Heart Disease Based on Risk Factors. Bonfring Int J Man Mach Interface 2013; 2: 13–8.
15. Atkov OYu, Gorokhova SG, Sboev AG et al. Coronary Heart Disease Diagnosis by Artificial Neural Networks Including Genetic Polymorphisms and Clinical Parameters. J Cardiol 2012; 2 (59): 190–4.
16. Ясницкий Л.Н., Думлер А.А., Полещук А.Н. и др. Нейросетевая система экспресс-диагностики сердечно-сосудистых заболеваний. Перм. мед. журн. 2011; 4: 77–86.
[Iasnitskii L.N., Dumler A.A., Poleshchuk A.N. et al. Neirosetevaia sistema ekspress-diagnostiki serdechno-sosudistykh zabolevanii. Perm. med. zhurn. 2011; 4: 77–86 (in Russian).]
17. Deepta R, David B, Girish N. Generalization Studies of Neural Network Models for Cardiac Disease Detection Using Limited Channel ECG. IBM Research, San Jose. 2019.
18. Басова Л.А., Карякина О.Е., Мартынова Н.А., Кочорова Л.В. Прогнозирование послеоперационных осложнений на основе нейросетевых технологий. Вестн. новых медицинских технологий. 2015; 4 (22): 117.
[Basova L.A., Kariakina O.E., Martynova N.A., Kochorova L.V. Prognozirovanie posleoperatsionnykh oslozhnenii na osnove neirosetevykh tekhnoloogii. Vestn. novykh meditsinskikh tekhnologii. 2015; 4 (22): 117 (in Russian).]
19. Лутфарахманов И.И., Миронов П.И. Современные пути прогнозирования развития сепсиса у больных тяжелым острым панкреатитом. Практ. медицина. 2016; 5 (97): 21.
[Lutfarakhmanov I.I., Mironov P.I. Sovremennye puti prognozirovaniia razvitiia sepsisa u bol'nykh tiazhelym ostrym pankreatitom. Prakt. meditsina. 2016; 5 (97): 21 (in Russian).]
20. Мустафаева А.Г. Возможности прогнозирования развития метаболического синдрома у пациентов различных возрастных групп. Вестн. новых медицинских технологий. 2018; 5: 121–7.
[Mustafaeva A.G. Vozmozhnosti prognozirovaniia razvitiia metabolicheskogo sindroma u patsientov razlichnykh vozrastnykh grupp. Vestn. novykh meditsinskikh tekhnologii. 2018; 5: 121–7 (in Russian).]
21. Никитина М.А., Пчелкина В.А., Чернуха И.М. Нейросетевые технологии в анализе гистологических препаратов. Контроль качества продукции. 2019; 3: 17–24.
[Nikitina M.A., Pchelkina V.A., Chernukha I.M. Neirosetevye tekhnologii v analize gistologicheskikh preparatov. Kontrol' kachestva produktsii. 2019; 3: 17–24 (in Russian).]
22. Выучейская М.В., Крайнова И.Н., Грибанов А.В. Нейросетевые технологии в диагностике заболеваний (обзор). Журн. мед.-биол. исследований. 2018; 3 (6): 284–94.
[Vyucheiskaia M.V., Krainova I.N., Gribanov A.V. Neirosetevye tekhnologii v diagnostike zabolevanii (obzor). Zhurn. med.-biol. issledovanii. 2018; 3 (6): 284–94 (in Russian).]
23. Неретин Е.Ю., Минаев Ю.Л., Акулов В.А. Мультиагентная технология в ранней диагностике меланомы кожи. Здравоохранение Российской Федерации. 2018; 6 (62): 331–5.
[Neretin E.Iu., Minaev Iu.L., Akulov V.A. Mul'tiagentnaia tekhnologiia v rannei diagnostike melanomy kozhi. Zdravookhranenie Rossiiskoi Federatsii. 2018; 6 (62): 331–5 (in Russian).]
24. Галиуллина А.Ш., Васильев А.П., Коваленко И.А., Сбитнева А.А. Искусственные нейронные сети. Теория. Практика. Инновации. 2019; 1 (37): 29–33.
[Galiullina A.Sh., Vasil'ev A.P., Kovalenko I.A., Sbitneva A.A. Iskusstvennye neironnye seti. Teoriia. Praktika. Innovatsii. 2019; 1 (37): 29–33 (in Russian).]
25. Баянова А.В., Кузнецова Е.Л. Нейросетевые технологии в России. Наука и образование: проблемы и стратегии развития. 2018; 1 (4): 46–54.
[Baianova A.V., Kuznetsova E.L. Neirosetevye tekhnologii v Rossii. Nauka i obrazovanie: problemy i strategii razvitiia. 2018; 1 (4): 46–54 (in Russian).]
26. Барский А.Б. Нейронная сеть: распознавание, управление, принятие решений. М: Финансы и статистика, 2004.
[Barskii A.B. Neural network: recognition, control, decision making. Moscow: Finansy i statistika, 2004 (in Russian).]
27. Хайкин С. Нейронные сети. М.: Вильямс, 2006.
[Khaikin S. Neural networks. Moscow: Vil'iams, 2006 (in Russian).]
28. Клачек П.М., Полупан К.Л., Корягин С.И., Либерман И.В. Основы теории и технологий создания прикладных систем. Калининград: Изд-во БФУ им. И. Канта, 2018.
[Klachek P.M., Polupan K.L., Koriagin S.I., Liberman I.V. Fundamentals of the theory and technology of creating applied systems. Kaliningrad: Izd-vo BFU im. I. Kanta, 2018 (in Russian).]
29. Порханов В.А., Космачева Е.Д., Пашкова И.А. Опыт трансплантации солидных органов в Краснодарском крае. Трансплантология. 2018; 10 (2): 98–104.
[Porkhanov V.A., Kosmacheva E.D., Pashkova I.A. Opyt transplantatsii solidnykh organov v Krasnodarskom krae. Transplantologiia. 2018; 10 (2): 98–104 (in Russian).]
30. De Luca L, Westbrook R, Emmanuel A. Tsochatzis Royal Metabolic and cardiovascular complications in the liver transplant recipient. Ann Gastroenterol 2015; 28 (2): 182–92.
31. Watt KD, Pedersen RA, Kremers WK et al. Evolution of causes and risk factors for mortality post-liver transplant: results of the NIDDK long-term follow-up study. Am J Transplant 2010; 10 (6): 1420–7.
32. Lucey MR, Terrault N, Ojo L et al. Long-Term Management of the Successful Adult Liver Transplant: 2012 Practice Guideline by the American Association for the Study of Liver Diseases and the American Society of Transplantation. Liver Transpl 2013; 19: 3–26.
33. Скляник И.А., Шамхалова М.Ш., Шестакова М.В. Посттрансплантационный сахарный диабет. Обзор литературы. Сахарный диабет. 2015; 18 (2): 20–31.
[Sklianik I.A., Shamkhalova M.Sh., Shestakova M.V. Posttransplantatsionnyi sakharnyi diabet. Obzor literatury. Sakharnyi diabet. 2015; 18 (2): 20–31 (in Russian).]
34. Бойцов С.А., Погосова Н.В., Бубнова М.Г. и др. Кардиоваскулярная профилактика 2017. российские национальные рекомендации. Рос. кардиол. журн. 2018; 6 (23): 7–122.
[Boitsov S.A., Pogosova N.V., Bubnova M.G. et al. Kardiovaskuliarnaia profilaktika 2017. Rossiiskie natsional'nye rekomendatsii. Ros. kardiol. zhurn. 2018; 6 (23): 7–122 (in Russian).]
35. Чазова И.Е., Лазарева Н.В., Ощепкова Е.В. Артериальная гипертония и хроническая обструктивная болезнь легких: клиническая характеристика и эффективность лечения (по данным национального регистра артериальной гипертонии). Терапевтический архив. 2019; 3 (91): 4–10.
[Chazova I.E., Lazareva N.V., Oshchepkova E.V. Arterial'naia gipertoniia i khronicheskaia obstruktivnaia bolezn' legkikh: klinicheskaia kharakteristika i effektivnost' lecheniia (po dannym natsional'nogo registra arterial'noi gipertonii). Therapeutic Archive. 2019; 3 (91): 4–10 (in Russian).]
36. Жернакова Ю.В., Чазова И.Е., Ощепкова Е.В. и др. Распространенность сахарного диабета в популяции больных артериальной гипертонией. по данным исследования ЭССЕ-РФ. Системные гипертензии. 2018; 1 (15): 56–62. DOI: 10.26442/2075-082X_15.1.56-62
[Zhernakova Yu.V., Chazova I.E., Oshchepkova E.V. et al. The prevalence of diabetes mellitus in population of hypertensive patients according to ESSE RF study results. Systemic Hypertension. 2018; 15 (1): 56–62. DOI: 10.26442/2075-082X_15.1.56-62 (in Russian).]
37. Самородская И.В., Ларина В.Н., Бойцов С.А. Вклад четырех групп неинфекционных заболеваний в смертность населения регионов Российской Федерации в 2015 г. Профилактическая медицина. 2018; 1 (21): 32–8.
[Samorodskaia I.V., Larina V.N., Boitsov S.A. Vklad chetyrekh grupp neinfektsionnykh zabolevanii v smertnost' naseleniia regionov Rossiiskoi Federatsii v 2015 g. Profilakticheskaia meditsina. 2018; 1 (21): 32–8 (in Russian).]
38. Золин А.Г., Силаева А.Ю. Применение нейронных сетей в медицине. Сборник «Актуальные проблемы науки, экономики и образования XXI века». 2012: 264–71.
[Zolin A.G., Silaeva A.Iu. Primenenie neironnykh setei v meditsine. Sbornik "Aktual'nye problemy nauki, ekonomiki i obrazovaniia XXI veka'. 2012: 264–71 (in Russian).]
39. Morisky DE, Green LW, Levine DM. Concurrent and predictive validity of a self-reported measure of medication adherence. Medical Care 1986; 24: 67–74.
40. Kadyrov RV, Аsriyan OB, Koval'chuk SА. Questionnaire "level of compliance": monograph. Admiral Nevelskoy Maritime State University [Morskoi gosudarstvennyi universitet im. admirala G.I. Nevel'skogo]. Vladivostok, 2014; 74.
41. Акиньшина В.А., Бабич А.Э., Космачева Е.Д., Халафян А.А. Прогнозирование осложнений у реципиентов печени. Свидетельство о регистрации программы для ЭВМ. 2019614005 27.03.2019.
[Akin'shina V.A., Babich A.E., Kosmacheva E.D., Khalafian A.A. Prognozirovanie oslozhnenii u retsipientov pecheni. Svidetel'stvo o registratsii programmy dlia EVM. 2019614005 27.03.2019 (in Russian).]
42. Machilskaya OV. The factors determining adherence to treatment in arterial hypertension patients (literature review). Russian Journal of Cardiology and Cardiovascular Surgery [Kardiologiya i serdechno-sosudistaya khirurgiya]. 2016; 9 (3): 55–65.
43. Кривошапова К.Е., Цыганкова Д.П., Барбараш О.Л. Распространенность, осведомленность и приверженность лечению артериальной гипертензии: мифы и реальность. Системные гипертензии. 2018; 15 (1): 63–7. DOI: 10.26442/2075-082X_15.1.63-67
[Krivoshapova K.E., Tsygankova D.P., Barbarash O.L. Prevalence, awareness and adherence to treatment of arterial hypertension: myths and reality. Systemic Hypertension. 2018; 15(1): 63–7. DOI: 10.26442/2075-082X_15.1.63-67 (in Russian).]
44. Mayorova OV., Khrushcheva TS. Аssessment of relationship between late diabetic complications frequency and treatment compliance in patients with diabetes mellitus type 1. Smolensk Medical Almanac 2018; 2: 20–22.
45. Кузьмина Э.В., Нарыжная Н.Ю., Пьянкова Н.Г. и др. Особенности системного анализа и применения информационных технологий при исследовании явлений и процессов в различных сферах деятельности. Коллективная монография. Краснодар, 2019.
[Kuz'mina E.V., Naryzhnaia N.Iu., P'iankova N.G. et al. Osobennosti sistemnogo analiza i primeneniia informatsionnykh tekhnologii pri issledovanii iavlenii i protsessov v razlichnykh sferakh deiatel'nosti. Kollektivnaia monografiia. Krasnodar, 2019. (in Russian).]
2. Kirsanova A.V., Dmitriev G.A. Neirosetevaia sistema diagnostiki vnutricherepnykh obrazovanii. Program. produkty i sistemy. 2009; 3: 123–125 (in Russian).
3. Gantsev Sh.Kh., Zimichev A.A., Khrisanov N.N., Kliment'eva M.S. Primenenie neironnoi seti v prognozirovanii raka mochevogo puzyria. Med. vestn. Bashkortostana. 2010; 3: 44–7 (in Russian).
4. Mironov P.I., Lutfarakhmanov I.I., Ishmukhametov I.Kh., Timerbulatov V.M. Iskusstvennye neironnye seti v prognozirovanii razvitiia sepsisa u bol'nykh tiazhelym ostrym pankreatitom. Annaly khirurg. gepatologii. 2008; 2 (13): 85–9 (in Russian).
5. Afonin P.N., Afonin D.N., Doru-Tovt V.P. Primenenie iskusstvennykh neironnykh setei dlia prognozirovaniia narushenii zhiznedeiatel'nosti bol'nykh gematogennym osteomielitom pozvonochnika. Vestn. novykh med. tekhnologii. 2007; 3 (14): 42–4 (in Russian).
6. Makarova L.S., Semeriakova E.G. Razrabotka reshaiushchikh pravil dlia sistemy podderzhki priniatiia reshenii differentsial'noi diagnostiki bronkhial'noi astmy. Vestn. nauki Sibiri. 2012; 3 (4): 162–7 (in Russian).
7. Alekseeva O.V., Rossiev D.A., Il'enkova N.A. Primenenie iskusstvennykh neironnykh setei v differentsial'noi diagnostike retsidiviruiushchego bronkhita u detei. Sib. med. obozrenie. 2010; 6: 75–9 (in Russian).
8. Alekseeva O.V., Il'enkova N.A., Rossiev D.A., Solov'eva N.A. Optimizatsiia differentsial'noi diagnostiki retsidiviruiushchei bronkholegochnoi patologii u detei. Sib. med. zhurn. 2013; 2: 37–41 (in Russian).
9. Aravin O.I. Primenenie iskusstvennykh neironnykh setei dlia analiza patologii v krovenosnykh sosudakh. Ros. zhurn. biomekhaniki. 2011; 3 (53): 45–51 (in Russian).
10. Olenko E.S., Kirichuk V.F., Kodochigova A.I. et al. Ispol'zovanie iskusstvennykh neironnykh setei v prognozirovanii riska razvitiia arterial'noi gipertenzii u penitentsiarnykh sub"ektov. Mezhdunar. zhurn. priklad. i fundam. issledovanii. 2009; 5: 119 (in Russian).
11. Caliskan A, Yuksel ME. Classification of Coronary Artery Disease Data Sets by Using a Deep Neural Network. Euro Biotech J 2017; 4: 271–7.
12. Savalia S, Emamian V. Cardiac Arrhythmia Classification by Multi-Layer Perceptron and Convolution Neural Networks. Bioengineering 2018; 5 (2): 35.
13. Howard JP, Fisher L, Shun-Shin MJ. Cardiac Rhythm Device Identification Using Neural Networks. JACC Clin Electrophysiol 2019; 5 (5): 576–86.
14. Niranjana Murthy HS, Meenakshi M. ANN Model to Predict Coronary Heart Disease Based on Risk Factors. Bonfring Int J Man Mach Interface 2013; 2: 13–8.
15. Atkov OYu, Gorokhova SG, Sboev AG et al. Coronary Heart Disease Diagnosis by Artificial Neural Networks Including Genetic Polymorphisms and Clinical Parameters. J Cardiol 2012; 2 (59): 190–4.
16. Iasnitskii L.N., Dumler A.A., Poleshchuk A.N. et al. Neirosetevaia sistema ekspress-diagnostiki serdechno-sosudistykh zabolevanii. Perm. med. zhurn. 2011; 4: 77–86 (in Russian).
17. Deepta R, David B, Girish N. Generalization Studies of Neural Network Models for Cardiac Disease Detection Using Limited Channel ECG. IBM Research, San Jose. 2019.
18. Basova L.A., Kariakina O.E., Martynova N.A., Kochorova L.V. Prognozirovanie posleoperatsionnykh oslozhnenii na osnove neirosetevykh tekhnoloogii. Vestn. novykh meditsinskikh tekhnologii. 2015; 4 (22): 117 (in Russian).
19. Lutfarakhmanov I.I., Mironov P.I. Sovremennye puti prognozirovaniia razvitiia sepsisa u bol'nykh tiazhelym ostrym pankreatitom. Prakt. meditsina. 2016; 5 (97): 21 (in Russian).
20. Mustafaeva A.G. Vozmozhnosti prognozirovaniia razvitiia metabolicheskogo sindroma u patsientov razlichnykh vozrastnykh grupp. Vestn. novykh meditsinskikh tekhnologii. 2018; 5: 121–7 (in Russian).
21. Nikitina M.A., Pchelkina V.A., Chernukha I.M. Neirosetevye tekhnologii v analize gistologicheskikh preparatov. Kontrol' kachestva produktsii. 2019; 3: 17–24 (in Russian).
22. Vyucheiskaia M.V., Krainova I.N., Gribanov A.V. Neirosetevye tekhnologii v diagnostike zabolevanii (obzor). Zhurn. med.-biol. issledovanii. 2018; 3 (6): 284–94 (in Russian).
23. Neretin E.Iu., Minaev Iu.L., Akulov V.A. Mul'tiagentnaia tekhnologiia v rannei diagnostike melanomy kozhi. Zdravookhranenie Rossiiskoi Federatsii. 2018; 6 (62): 331–5 (in Russian).
24. Galiullina A.Sh., Vasil'ev A.P., Kovalenko I.A., Sbitneva A.A. Iskusstvennye neironnye seti. Teoriia. Praktika. Innovatsii. 2019; 1 (37): 29–33 (in Russian).
25. Baianova A.V., Kuznetsova E.L. Neirosetevye tekhnologii v Rossii. Nauka i obrazovanie: problemy i strategii razvitiia. 2018; 1 (4): 46–54 (in Russian).
26. Barskii A.B. Neural network: recognition, control, decision making. Moscow: Finansy i statistika, 2004 (in Russian).
27. Khaikin S. Neural networks. Moscow: Vil'iams, 2006 (in Russian).
28. Klachek P.M., Polupan K.L., Koriagin S.I., Liberman I.V. Fundamentals of the theory and technology of creating applied systems. Kaliningrad: Izd-vo BFU im. I. Kanta, 2018 (in Russian).
29. Porkhanov V.A., Kosmacheva E.D., Pashkova I.A. Opyt transplantatsii solidnykh organov v Krasnodarskom krae. Transplantologiia. 2018; 10 (2): 98–104 (in Russian).
30. De Luca L, Westbrook R, Emmanuel A. Tsochatzis Royal Metabolic and cardiovascular complications in the liver transplant recipient. Ann Gastroenterol 2015; 28 (2): 182–92.
31. Watt KD, Pedersen RA, Kremers WK et al. Evolution of causes and risk factors for mortality post-liver transplant: results of the NIDDK long-term follow-up study. Am J Transplant 2010; 10 (6): 1420–7.
32. Lucey MR, Terrault N, Ojo L et al. Long-Term Management of the Successful Adult Liver Transplant: 2012 Practice Guideline by the American Association for the Study of Liver Diseases and the American Society of Transplantation. Liver Transpl 2013; 19: 3–26.
33. Sklianik I.A., Shamkhalova M.Sh., Shestakova M.V. Posttransplantatsionnyi sakharnyi diabet. Obzor literatury. Sakharnyi diabet. 2015; 18 (2): 20–31 (in Russian).
34. Boitsov S.A., Pogosova N.V., Bubnova M.G. et al. Kardiovaskuliarnaia profilaktika 2017. Rossiiskie natsional'nye rekomendatsii. Ros. kardiol. zhurn. 2018; 6 (23): 7–122 (in Russian).
35. Chazova I.E., Lazareva N.V., Oshchepkova E.V. Arterial'naia gipertoniia i khronicheskaia obstruktivnaia bolezn' legkikh: klinicheskaia kharakteristika i effektivnost' lecheniia (po dannym natsional'nogo registra arterial'noi gipertonii). Therapeutic Archive. 2019; 3 (91): 4–10 (in Russian).
36. Zhernakova Yu.V., Chazova I.E., Oshchepkova E.V. et al. The prevalence of diabetes mellitus in population of hypertensive patients according to ESSE RF study results. Systemic Hypertension. 2018; 15 (1): 56–62. DOI: 10.26442/2075-082X_15.1.56-62 (in Russian).
37. Samorodskaia I.V., Larina V.N., Boitsov S.A. Vklad chetyrekh grupp neinfektsionnykh zabolevanii v smertnost' naseleniia regionov Rossiiskoi Federatsii v 2015 g. Profilakticheskaia meditsina. 2018; 1 (21): 32–8 (in Russian).
38. Zolin A.G., Silaeva A.Iu. Primenenie neironnykh setei v meditsine. Sbornik "Aktual'nye problemy nauki, ekonomiki i obrazovaniia XXI veka'. 2012: 264–71 (in Russian).
39. Morisky DE, Green LW, Levine DM. Concurrent and predictive validity of a self-reported measure of medication adherence. Medical Care 1986; 24: 67–74.
40. Kadyrov RV, Аsriyan OB, Koval'chuk SА. Questionnaire "level of compliance": monograph. Admiral Nevelskoy Maritime State University [Morskoi gosudarstvennyi universitet im. admirala G.I. Nevel'skogo]. Vladivostok, 2014; 74.
41. Akin'shina V.A., Babich A.E., Kosmacheva E.D., Khalafian A.A. Prognozirovanie oslozhnenii u retsipientov pecheni. Svidetel'stvo o registratsii programmy dlia EVM. 2019614005 27.03.2019 (in Russian).
42. Machilskaya OV. The factors determining adherence to treatment in arterial hypertension patients (literature review). Russian Journal of Cardiology and Cardiovascular Surgery [Kardiologiya i serdechno-sosudistaya khirurgiya]. 2016; 9 (3): 55–65.
43. Krivoshapova K.E., Tsygankova D.P., Barbarash O.L. Prevalence, awareness and adherence to treatment of arterial hypertension: myths and reality. Systemic Hypertension. 2018; 15(1): 63–7. DOI: 10.26442/2075-082X_15.1.63-67 (in Russian).
44. Mayorova OV., Khrushcheva TS. Аssessment of relationship between late diabetic complications frequency and treatment compliance in patients with diabetes mellitus type 1. Smolensk Medical Almanac 2018; 2: 20–22.
45. Kuz'mina E.V., Naryzhnaia N.Iu., P'iankova N.G. et al. Osobennosti sistemnogo analiza i primeneniia informatsionnykh tekhnologii pri issledovanii iavlenii i protsessov v razlichnykh sferakh deiatel'nosti. Kollektivnaia monografiia. Krasnodar, 2019. (in Russian).
2. Кирсанова А.В., Дмитриев Г.А. Нейросетевая система диагностики внутричерепных образований. Програм. продукты и системы. 2009; 3: 123–125.
[Kirsanova A.V., Dmitriev G.A. Neirosetevaia sistema diagnostiki vnutricherepnykh obrazovanii. Program. produkty i sistemy. 2009; 3: 123–125 (in Russian).]
3. Ганцев Ш.Х., Зимичев А.А., Хрисанов Н.Н., Климентьева М.С. Применение нейронной сети в прогнозировании рака мочевого пузыря. Мед. вестн. Башкортостана. 2010; 3: 44–7.
[Gantsev Sh.Kh., Zimichev A.A., Khrisanov N.N., Kliment'eva M.S. Primenenie neironnoi seti v prognozirovanii raka mochevogo puzyria. Med. vestn. Bashkortostana. 2010; 3: 44–7 (in Russian).]
4. Миронов П.И., Лутфарахманов И.И., Ишмухаметов И.Х., Тимербулатов В.М. Искусственные нейронные сети в прогнозировании развития сепсиса у больных тяжелым острым панкреатитом. Анналы хирург. гепатологии. 2008; 2 (13): 85–9.
[Mironov P.I., Lutfarakhmanov I.I., Ishmukhametov I.Kh., Timerbulatov V.M. Iskusstvennye neironnye seti v prognozirovanii razvitiia sepsisa u bol'nykh tiazhelym ostrym pankreatitom. Annaly khirurg. gepatologii. 2008; 2 (13): 85–9 (in Russian).]
5. Афонин П.Н., Афонин Д.Н., Дору-Товт В.П. Применение искусственных нейронных сетей для прогнозирования нарушений жизнедеятельности больных гематогенным остеомиелитом позвоночника. Вестн. новых мед. технологий. 2007; 3 (14): 42–4.
[Afonin P.N., Afonin D.N., Doru-Tovt V.P. Primenenie iskusstvennykh neironnykh setei dlia prognozirovaniia narushenii zhiznedeiatel'nosti bol'nykh gematogennym osteomielitom pozvonochnika. Vestn. novykh med. tekhnologii. 2007; 3 (14): 42–4 (in Russian).]
6. Макарова Л.С., Семерякова Е.Г. Разработка решающих правил для системы поддержки принятия решений дифференциальной диагностики бронхиальной астмы. Вестн. науки Сибири. 2012; 3 (4): 162–7.
[Makarova L.S., Semeriakova E.G. Razrabotka reshaiushchikh pravil dlia sistemy podderzhki priniatiia reshenii differentsial'noi diagnostiki bronkhial'noi astmy. Vestn. nauki Sibiri. 2012; 3 (4): 162–7 (in Russian).]
7. Алексеева О.В., Россиев Д.А., Ильенкова Н.А. Применение искусственных нейронных сетей в дифференциальной диагностике рецидивирующего бронхита у детей. Сиб. мед. обозрение. 2010; 6: 75–9.
[Alekseeva O.V., Rossiev D.A., Il'enkova N.A. Primenenie iskusstvennykh neironnykh setei v differentsial'noi diagnostike retsidiviruiushchego bronkhita u detei. Sib. med. obozrenie. 2010; 6: 75–9 (in Russian).]
8. Алексеева О.В., Ильенкова Н.А., Россиев Д.А., Соловьева Н.А. Оптимизация дифференциальной диагностики рецидивирующей бронхолегочной патологии у детей. Сиб. мед. журн. 2013; 2: 37–41.
[Alekseeva O.V., Il'enkova N.A., Rossiev D.A., Solov'eva N.A. Optimizatsiia differentsial'noi diagnostiki retsidiviruiushchei bronkholegochnoi patologii u detei. Sib. med. zhurn. 2013; 2: 37–41 (in Russian).]
9. Аравин О.И. Применение искусственных нейронных сетей для анализа патологий в кровеносных сосудах. Рос. журн. биомеханики. 2011; 3 (53): 45–51.
[Aravin O.I. Primenenie iskusstvennykh neironnykh setei dlia analiza patologii v krovenosnykh sosudakh. Ros. zhurn. biomekhaniki. 2011; 3 (53): 45–51 (in Russian).]
10. Оленко Е.С., Киричук В.Ф., Кодочигова А.И. и др. Использование искусственных нейронных сетей в прогнозировании риска развития артериальной гипертензии у пенитенциарных субъектов. Междунар. журн. приклад. и фундам. исследований. 2009; 5: 119.
[Olenko E.S., Kirichuk V.F., Kodochigova A.I. et al. Ispol'zovanie iskusstvennykh neironnykh setei v prognozirovanii riska razvitiia arterial'noi gipertenzii u penitentsiarnykh sub"ektov. Mezhdunar. zhurn. priklad. i fundam. issledovanii. 2009; 5: 119 (in Russian).]
11. Caliskan A, Yuksel ME. Classification of Coronary Artery Disease Data Sets by Using a Deep Neural Network. Euro Biotech J 2017; 4: 271–7.
12. Savalia S, Emamian V. Cardiac Arrhythmia Classification by Multi-Layer Perceptron and Convolution Neural Networks. Bioengineering 2018; 5 (2): 35.
13. Howard JP, Fisher L, Shun-Shin MJ. Cardiac Rhythm Device Identification Using Neural Networks. JACC Clin Electrophysiol 2019; 5 (5): 576–86.
14. Niranjana Murthy HS, Meenakshi M. ANN Model to Predict Coronary Heart Disease Based on Risk Factors. Bonfring Int J Man Mach Interface 2013; 2: 13–8.
15. Atkov OYu, Gorokhova SG, Sboev AG et al. Coronary Heart Disease Diagnosis by Artificial Neural Networks Including Genetic Polymorphisms and Clinical Parameters. J Cardiol 2012; 2 (59): 190–4.
16. Ясницкий Л.Н., Думлер А.А., Полещук А.Н. и др. Нейросетевая система экспресс-диагностики сердечно-сосудистых заболеваний. Перм. мед. журн. 2011; 4: 77–86.
[Iasnitskii L.N., Dumler A.A., Poleshchuk A.N. et al. Neirosetevaia sistema ekspress-diagnostiki serdechno-sosudistykh zabolevanii. Perm. med. zhurn. 2011; 4: 77–86 (in Russian).]
17. Deepta R, David B, Girish N. Generalization Studies of Neural Network Models for Cardiac Disease Detection Using Limited Channel ECG. IBM Research, San Jose. 2019.
18. Басова Л.А., Карякина О.Е., Мартынова Н.А., Кочорова Л.В. Прогнозирование послеоперационных осложнений на основе нейросетевых технологий. Вестн. новых медицинских технологий. 2015; 4 (22): 117.
[Basova L.A., Kariakina O.E., Martynova N.A., Kochorova L.V. Prognozirovanie posleoperatsionnykh oslozhnenii na osnove neirosetevykh tekhnoloogii. Vestn. novykh meditsinskikh tekhnologii. 2015; 4 (22): 117 (in Russian).]
19. Лутфарахманов И.И., Миронов П.И. Современные пути прогнозирования развития сепсиса у больных тяжелым острым панкреатитом. Практ. медицина. 2016; 5 (97): 21.
[Lutfarakhmanov I.I., Mironov P.I. Sovremennye puti prognozirovaniia razvitiia sepsisa u bol'nykh tiazhelym ostrym pankreatitom. Prakt. meditsina. 2016; 5 (97): 21 (in Russian).]
20. Мустафаева А.Г. Возможности прогнозирования развития метаболического синдрома у пациентов различных возрастных групп. Вестн. новых медицинских технологий. 2018; 5: 121–7.
[Mustafaeva A.G. Vozmozhnosti prognozirovaniia razvitiia metabolicheskogo sindroma u patsientov razlichnykh vozrastnykh grupp. Vestn. novykh meditsinskikh tekhnologii. 2018; 5: 121–7 (in Russian).]
21. Никитина М.А., Пчелкина В.А., Чернуха И.М. Нейросетевые технологии в анализе гистологических препаратов. Контроль качества продукции. 2019; 3: 17–24.
[Nikitina M.A., Pchelkina V.A., Chernukha I.M. Neirosetevye tekhnologii v analize gistologicheskikh preparatov. Kontrol' kachestva produktsii. 2019; 3: 17–24 (in Russian).]
22. Выучейская М.В., Крайнова И.Н., Грибанов А.В. Нейросетевые технологии в диагностике заболеваний (обзор). Журн. мед.-биол. исследований. 2018; 3 (6): 284–94.
[Vyucheiskaia M.V., Krainova I.N., Gribanov A.V. Neirosetevye tekhnologii v diagnostike zabolevanii (obzor). Zhurn. med.-biol. issledovanii. 2018; 3 (6): 284–94 (in Russian).]
23. Неретин Е.Ю., Минаев Ю.Л., Акулов В.А. Мультиагентная технология в ранней диагностике меланомы кожи. Здравоохранение Российской Федерации. 2018; 6 (62): 331–5.
[Neretin E.Iu., Minaev Iu.L., Akulov V.A. Mul'tiagentnaia tekhnologiia v rannei diagnostike melanomy kozhi. Zdravookhranenie Rossiiskoi Federatsii. 2018; 6 (62): 331–5 (in Russian).]
24. Галиуллина А.Ш., Васильев А.П., Коваленко И.А., Сбитнева А.А. Искусственные нейронные сети. Теория. Практика. Инновации. 2019; 1 (37): 29–33.
[Galiullina A.Sh., Vasil'ev A.P., Kovalenko I.A., Sbitneva A.A. Iskusstvennye neironnye seti. Teoriia. Praktika. Innovatsii. 2019; 1 (37): 29–33 (in Russian).]
25. Баянова А.В., Кузнецова Е.Л. Нейросетевые технологии в России. Наука и образование: проблемы и стратегии развития. 2018; 1 (4): 46–54.
[Baianova A.V., Kuznetsova E.L. Neirosetevye tekhnologii v Rossii. Nauka i obrazovanie: problemy i strategii razvitiia. 2018; 1 (4): 46–54 (in Russian).]
26. Барский А.Б. Нейронная сеть: распознавание, управление, принятие решений. М: Финансы и статистика, 2004.
[Barskii A.B. Neural network: recognition, control, decision making. Moscow: Finansy i statistika, 2004 (in Russian).]
27. Хайкин С. Нейронные сети. М.: Вильямс, 2006.
[Khaikin S. Neural networks. Moscow: Vil'iams, 2006 (in Russian).]
28. Клачек П.М., Полупан К.Л., Корягин С.И., Либерман И.В. Основы теории и технологий создания прикладных систем. Калининград: Изд-во БФУ им. И. Канта, 2018.
[Klachek P.M., Polupan K.L., Koriagin S.I., Liberman I.V. Fundamentals of the theory and technology of creating applied systems. Kaliningrad: Izd-vo BFU im. I. Kanta, 2018 (in Russian).]
29. Порханов В.А., Космачева Е.Д., Пашкова И.А. Опыт трансплантации солидных органов в Краснодарском крае. Трансплантология. 2018; 10 (2): 98–104.
[Porkhanov V.A., Kosmacheva E.D., Pashkova I.A. Opyt transplantatsii solidnykh organov v Krasnodarskom krae. Transplantologiia. 2018; 10 (2): 98–104 (in Russian).]
30. De Luca L, Westbrook R, Emmanuel A. Tsochatzis Royal Metabolic and cardiovascular complications in the liver transplant recipient. Ann Gastroenterol 2015; 28 (2): 182–92.
31. Watt KD, Pedersen RA, Kremers WK et al. Evolution of causes and risk factors for mortality post-liver transplant: results of the NIDDK long-term follow-up study. Am J Transplant 2010; 10 (6): 1420–7.
32. Lucey MR, Terrault N, Ojo L et al. Long-Term Management of the Successful Adult Liver Transplant: 2012 Practice Guideline by the American Association for the Study of Liver Diseases and the American Society of Transplantation. Liver Transpl 2013; 19: 3–26.
33. Скляник И.А., Шамхалова М.Ш., Шестакова М.В. Посттрансплантационный сахарный диабет. Обзор литературы. Сахарный диабет. 2015; 18 (2): 20–31.
[Sklianik I.A., Shamkhalova M.Sh., Shestakova M.V. Posttransplantatsionnyi sakharnyi diabet. Obzor literatury. Sakharnyi diabet. 2015; 18 (2): 20–31 (in Russian).]
34. Бойцов С.А., Погосова Н.В., Бубнова М.Г. и др. Кардиоваскулярная профилактика 2017. российские национальные рекомендации. Рос. кардиол. журн. 2018; 6 (23): 7–122.
[Boitsov S.A., Pogosova N.V., Bubnova M.G. et al. Kardiovaskuliarnaia profilaktika 2017. Rossiiskie natsional'nye rekomendatsii. Ros. kardiol. zhurn. 2018; 6 (23): 7–122 (in Russian).]
35. Чазова И.Е., Лазарева Н.В., Ощепкова Е.В. Артериальная гипертония и хроническая обструктивная болезнь легких: клиническая характеристика и эффективность лечения (по данным национального регистра артериальной гипертонии). Терапевтический архив. 2019; 3 (91): 4–10.
[Chazova I.E., Lazareva N.V., Oshchepkova E.V. Arterial'naia gipertoniia i khronicheskaia obstruktivnaia bolezn' legkikh: klinicheskaia kharakteristika i effektivnost' lecheniia (po dannym natsional'nogo registra arterial'noi gipertonii). Therapeutic Archive. 2019; 3 (91): 4–10 (in Russian).]
36. Жернакова Ю.В., Чазова И.Е., Ощепкова Е.В. и др. Распространенность сахарного диабета в популяции больных артериальной гипертонией. по данным исследования ЭССЕ-РФ. Системные гипертензии. 2018; 1 (15): 56–62. DOI: 10.26442/2075-082X_15.1.56-62
[Zhernakova Yu.V., Chazova I.E., Oshchepkova E.V. et al. The prevalence of diabetes mellitus in population of hypertensive patients according to ESSE RF study results. Systemic Hypertension. 2018; 15 (1): 56–62. DOI: 10.26442/2075-082X_15.1.56-62 (in Russian).]
37. Самородская И.В., Ларина В.Н., Бойцов С.А. Вклад четырех групп неинфекционных заболеваний в смертность населения регионов Российской Федерации в 2015 г. Профилактическая медицина. 2018; 1 (21): 32–8.
[Samorodskaia I.V., Larina V.N., Boitsov S.A. Vklad chetyrekh grupp neinfektsionnykh zabolevanii v smertnost' naseleniia regionov Rossiiskoi Federatsii v 2015 g. Profilakticheskaia meditsina. 2018; 1 (21): 32–8 (in Russian).]
38. Золин А.Г., Силаева А.Ю. Применение нейронных сетей в медицине. Сборник «Актуальные проблемы науки, экономики и образования XXI века». 2012: 264–71.
[Zolin A.G., Silaeva A.Iu. Primenenie neironnykh setei v meditsine. Sbornik "Aktual'nye problemy nauki, ekonomiki i obrazovaniia XXI veka'. 2012: 264–71 (in Russian).]
39. Morisky DE, Green LW, Levine DM. Concurrent and predictive validity of a self-reported measure of medication adherence. Medical Care 1986; 24: 67–74.
40. Kadyrov RV, Аsriyan OB, Koval'chuk SА. Questionnaire "level of compliance": monograph. Admiral Nevelskoy Maritime State University [Morskoi gosudarstvennyi universitet im. admirala G.I. Nevel'skogo]. Vladivostok, 2014; 74.
41. Акиньшина В.А., Бабич А.Э., Космачева Е.Д., Халафян А.А. Прогнозирование осложнений у реципиентов печени. Свидетельство о регистрации программы для ЭВМ. 2019614005 27.03.2019.
[Akin'shina V.A., Babich A.E., Kosmacheva E.D., Khalafian A.A. Prognozirovanie oslozhnenii u retsipientov pecheni. Svidetel'stvo o registratsii programmy dlia EVM. 2019614005 27.03.2019 (in Russian).]
42. Machilskaya OV. The factors determining adherence to treatment in arterial hypertension patients (literature review). Russian Journal of Cardiology and Cardiovascular Surgery [Kardiologiya i serdechno-sosudistaya khirurgiya]. 2016; 9 (3): 55–65.
43. Кривошапова К.Е., Цыганкова Д.П., Барбараш О.Л. Распространенность, осведомленность и приверженность лечению артериальной гипертензии: мифы и реальность. Системные гипертензии. 2018; 15 (1): 63–7. DOI: 10.26442/2075-082X_15.1.63-67
[Krivoshapova K.E., Tsygankova D.P., Barbarash O.L. Prevalence, awareness and adherence to treatment of arterial hypertension: myths and reality. Systemic Hypertension. 2018; 15(1): 63–7. DOI: 10.26442/2075-082X_15.1.63-67 (in Russian).]
44. Mayorova OV., Khrushcheva TS. Аssessment of relationship between late diabetic complications frequency and treatment compliance in patients with diabetes mellitus type 1. Smolensk Medical Almanac 2018; 2: 20–22.
45. Кузьмина Э.В., Нарыжная Н.Ю., Пьянкова Н.Г. и др. Особенности системного анализа и применения информационных технологий при исследовании явлений и процессов в различных сферах деятельности. Коллективная монография. Краснодар, 2019.
[Kuz'mina E.V., Naryzhnaia N.Iu., P'iankova N.G. et al. Osobennosti sistemnogo analiza i primeneniia informatsionnykh tekhnologii pri issledovanii iavlenii i protsessov v razlichnykh sferakh deiatel'nosti. Kollektivnaia monografiia. Krasnodar, 2019. (in Russian).]
________________________________________________
2. Kirsanova A.V., Dmitriev G.A. Neirosetevaia sistema diagnostiki vnutricherepnykh obrazovanii. Program. produkty i sistemy. 2009; 3: 123–125 (in Russian).
3. Gantsev Sh.Kh., Zimichev A.A., Khrisanov N.N., Kliment'eva M.S. Primenenie neironnoi seti v prognozirovanii raka mochevogo puzyria. Med. vestn. Bashkortostana. 2010; 3: 44–7 (in Russian).
4. Mironov P.I., Lutfarakhmanov I.I., Ishmukhametov I.Kh., Timerbulatov V.M. Iskusstvennye neironnye seti v prognozirovanii razvitiia sepsisa u bol'nykh tiazhelym ostrym pankreatitom. Annaly khirurg. gepatologii. 2008; 2 (13): 85–9 (in Russian).
5. Afonin P.N., Afonin D.N., Doru-Tovt V.P. Primenenie iskusstvennykh neironnykh setei dlia prognozirovaniia narushenii zhiznedeiatel'nosti bol'nykh gematogennym osteomielitom pozvonochnika. Vestn. novykh med. tekhnologii. 2007; 3 (14): 42–4 (in Russian).
6. Makarova L.S., Semeriakova E.G. Razrabotka reshaiushchikh pravil dlia sistemy podderzhki priniatiia reshenii differentsial'noi diagnostiki bronkhial'noi astmy. Vestn. nauki Sibiri. 2012; 3 (4): 162–7 (in Russian).
7. Alekseeva O.V., Rossiev D.A., Il'enkova N.A. Primenenie iskusstvennykh neironnykh setei v differentsial'noi diagnostike retsidiviruiushchego bronkhita u detei. Sib. med. obozrenie. 2010; 6: 75–9 (in Russian).
8. Alekseeva O.V., Il'enkova N.A., Rossiev D.A., Solov'eva N.A. Optimizatsiia differentsial'noi diagnostiki retsidiviruiushchei bronkholegochnoi patologii u detei. Sib. med. zhurn. 2013; 2: 37–41 (in Russian).
9. Aravin O.I. Primenenie iskusstvennykh neironnykh setei dlia analiza patologii v krovenosnykh sosudakh. Ros. zhurn. biomekhaniki. 2011; 3 (53): 45–51 (in Russian).
10. Olenko E.S., Kirichuk V.F., Kodochigova A.I. et al. Ispol'zovanie iskusstvennykh neironnykh setei v prognozirovanii riska razvitiia arterial'noi gipertenzii u penitentsiarnykh sub"ektov. Mezhdunar. zhurn. priklad. i fundam. issledovanii. 2009; 5: 119 (in Russian).
11. Caliskan A, Yuksel ME. Classification of Coronary Artery Disease Data Sets by Using a Deep Neural Network. Euro Biotech J 2017; 4: 271–7.
12. Savalia S, Emamian V. Cardiac Arrhythmia Classification by Multi-Layer Perceptron and Convolution Neural Networks. Bioengineering 2018; 5 (2): 35.
13. Howard JP, Fisher L, Shun-Shin MJ. Cardiac Rhythm Device Identification Using Neural Networks. JACC Clin Electrophysiol 2019; 5 (5): 576–86.
14. Niranjana Murthy HS, Meenakshi M. ANN Model to Predict Coronary Heart Disease Based on Risk Factors. Bonfring Int J Man Mach Interface 2013; 2: 13–8.
15. Atkov OYu, Gorokhova SG, Sboev AG et al. Coronary Heart Disease Diagnosis by Artificial Neural Networks Including Genetic Polymorphisms and Clinical Parameters. J Cardiol 2012; 2 (59): 190–4.
16. Iasnitskii L.N., Dumler A.A., Poleshchuk A.N. et al. Neirosetevaia sistema ekspress-diagnostiki serdechno-sosudistykh zabolevanii. Perm. med. zhurn. 2011; 4: 77–86 (in Russian).
17. Deepta R, David B, Girish N. Generalization Studies of Neural Network Models for Cardiac Disease Detection Using Limited Channel ECG. IBM Research, San Jose. 2019.
18. Basova L.A., Kariakina O.E., Martynova N.A., Kochorova L.V. Prognozirovanie posleoperatsionnykh oslozhnenii na osnove neirosetevykh tekhnoloogii. Vestn. novykh meditsinskikh tekhnologii. 2015; 4 (22): 117 (in Russian).
19. Lutfarakhmanov I.I., Mironov P.I. Sovremennye puti prognozirovaniia razvitiia sepsisa u bol'nykh tiazhelym ostrym pankreatitom. Prakt. meditsina. 2016; 5 (97): 21 (in Russian).
20. Mustafaeva A.G. Vozmozhnosti prognozirovaniia razvitiia metabolicheskogo sindroma u patsientov razlichnykh vozrastnykh grupp. Vestn. novykh meditsinskikh tekhnologii. 2018; 5: 121–7 (in Russian).
21. Nikitina M.A., Pchelkina V.A., Chernukha I.M. Neirosetevye tekhnologii v analize gistologicheskikh preparatov. Kontrol' kachestva produktsii. 2019; 3: 17–24 (in Russian).
22. Vyucheiskaia M.V., Krainova I.N., Gribanov A.V. Neirosetevye tekhnologii v diagnostike zabolevanii (obzor). Zhurn. med.-biol. issledovanii. 2018; 3 (6): 284–94 (in Russian).
23. Neretin E.Iu., Minaev Iu.L., Akulov V.A. Mul'tiagentnaia tekhnologiia v rannei diagnostike melanomy kozhi. Zdravookhranenie Rossiiskoi Federatsii. 2018; 6 (62): 331–5 (in Russian).
24. Galiullina A.Sh., Vasil'ev A.P., Kovalenko I.A., Sbitneva A.A. Iskusstvennye neironnye seti. Teoriia. Praktika. Innovatsii. 2019; 1 (37): 29–33 (in Russian).
25. Baianova A.V., Kuznetsova E.L. Neirosetevye tekhnologii v Rossii. Nauka i obrazovanie: problemy i strategii razvitiia. 2018; 1 (4): 46–54 (in Russian).
26. Barskii A.B. Neural network: recognition, control, decision making. Moscow: Finansy i statistika, 2004 (in Russian).
27. Khaikin S. Neural networks. Moscow: Vil'iams, 2006 (in Russian).
28. Klachek P.M., Polupan K.L., Koriagin S.I., Liberman I.V. Fundamentals of the theory and technology of creating applied systems. Kaliningrad: Izd-vo BFU im. I. Kanta, 2018 (in Russian).
29. Porkhanov V.A., Kosmacheva E.D., Pashkova I.A. Opyt transplantatsii solidnykh organov v Krasnodarskom krae. Transplantologiia. 2018; 10 (2): 98–104 (in Russian).
30. De Luca L, Westbrook R, Emmanuel A. Tsochatzis Royal Metabolic and cardiovascular complications in the liver transplant recipient. Ann Gastroenterol 2015; 28 (2): 182–92.
31. Watt KD, Pedersen RA, Kremers WK et al. Evolution of causes and risk factors for mortality post-liver transplant: results of the NIDDK long-term follow-up study. Am J Transplant 2010; 10 (6): 1420–7.
32. Lucey MR, Terrault N, Ojo L et al. Long-Term Management of the Successful Adult Liver Transplant: 2012 Practice Guideline by the American Association for the Study of Liver Diseases and the American Society of Transplantation. Liver Transpl 2013; 19: 3–26.
33. Sklianik I.A., Shamkhalova M.Sh., Shestakova M.V. Posttransplantatsionnyi sakharnyi diabet. Obzor literatury. Sakharnyi diabet. 2015; 18 (2): 20–31 (in Russian).
34. Boitsov S.A., Pogosova N.V., Bubnova M.G. et al. Kardiovaskuliarnaia profilaktika 2017. Rossiiskie natsional'nye rekomendatsii. Ros. kardiol. zhurn. 2018; 6 (23): 7–122 (in Russian).
35. Chazova I.E., Lazareva N.V., Oshchepkova E.V. Arterial'naia gipertoniia i khronicheskaia obstruktivnaia bolezn' legkikh: klinicheskaia kharakteristika i effektivnost' lecheniia (po dannym natsional'nogo registra arterial'noi gipertonii). Therapeutic Archive. 2019; 3 (91): 4–10 (in Russian).
36. Zhernakova Yu.V., Chazova I.E., Oshchepkova E.V. et al. The prevalence of diabetes mellitus in population of hypertensive patients according to ESSE RF study results. Systemic Hypertension. 2018; 15 (1): 56–62. DOI: 10.26442/2075-082X_15.1.56-62 (in Russian).
37. Samorodskaia I.V., Larina V.N., Boitsov S.A. Vklad chetyrekh grupp neinfektsionnykh zabolevanii v smertnost' naseleniia regionov Rossiiskoi Federatsii v 2015 g. Profilakticheskaia meditsina. 2018; 1 (21): 32–8 (in Russian).
38. Zolin A.G., Silaeva A.Iu. Primenenie neironnykh setei v meditsine. Sbornik "Aktual'nye problemy nauki, ekonomiki i obrazovaniia XXI veka'. 2012: 264–71 (in Russian).
39. Morisky DE, Green LW, Levine DM. Concurrent and predictive validity of a self-reported measure of medication adherence. Medical Care 1986; 24: 67–74.
40. Kadyrov RV, Аsriyan OB, Koval'chuk SА. Questionnaire "level of compliance": monograph. Admiral Nevelskoy Maritime State University [Morskoi gosudarstvennyi universitet im. admirala G.I. Nevel'skogo]. Vladivostok, 2014; 74.
41. Akin'shina V.A., Babich A.E., Kosmacheva E.D., Khalafian A.A. Prognozirovanie oslozhnenii u retsipientov pecheni. Svidetel'stvo o registratsii programmy dlia EVM. 2019614005 27.03.2019 (in Russian).
42. Machilskaya OV. The factors determining adherence to treatment in arterial hypertension patients (literature review). Russian Journal of Cardiology and Cardiovascular Surgery [Kardiologiya i serdechno-sosudistaya khirurgiya]. 2016; 9 (3): 55–65.
43. Krivoshapova K.E., Tsygankova D.P., Barbarash O.L. Prevalence, awareness and adherence to treatment of arterial hypertension: myths and reality. Systemic Hypertension. 2018; 15(1): 63–7. DOI: 10.26442/2075-082X_15.1.63-67 (in Russian).
44. Mayorova OV., Khrushcheva TS. Аssessment of relationship between late diabetic complications frequency and treatment compliance in patients with diabetes mellitus type 1. Smolensk Medical Almanac 2018; 2: 20–22.
45. Kuz'mina E.V., Naryzhnaia N.Iu., P'iankova N.G. et al. Osobennosti sistemnogo analiza i primeneniia informatsionnykh tekhnologii pri issledovanii iavlenii i protsessov v razlichnykh sferakh deiatel'nosti. Kollektivnaia monografiia. Krasnodar, 2019. (in Russian).
Авторы
Е.Д. Космачева1,2, А.Э. Бабич*1,2, А.А. Халафян2, В.А. Акиньшина2
1 ГБУЗ «Научно-исследовательский институт – Краевая клиническая больница №1 им. проф. С.В. Очаповского» Минздрава Краснодарского края, Краснодар, Россия;
1 ГБУЗ «Научно-исследовательский институт – Краевая клиническая больница №1 им. проф. С.В. Очаповского» Минздрава Краснодарского края, Краснодар, Россия;
2 ФГБОУ ВО «Кубанский государственный медицинский университет» Минздрава России, Краснодар, Россия
*anna-babich1@yandex.ru
*anna-babich1@yandex.ru
________________________________________________
Elena D. Kosmacheva1,2, Anna E. Babich*1,2, Aleksan A. Khalafian2, Vera A. Akin'shina2
1 Research institute – Prof. S.V. Ochapovsky Clinical Hospital №1 of the Ministry of Health of the Krasnodar Region, Krasnodar, Russia;
1 Research institute – Prof. S.V. Ochapovsky Clinical Hospital №1 of the Ministry of Health of the Krasnodar Region, Krasnodar, Russia;
2 Kuban State Medical University, Krasnodar, Russia
*anna-babich1@yandex.ru
*anna-babich1@yandex.ru
Цель портала OmniDoctor – предоставление профессиональной информации врачам, провизорам и фармацевтам.