Програмний модуль попереднього діагностування пацієнтів на основі нейронної мережі кохонена
Людмила Савицька, Наталія Добровольська, Володимир КондратюкЯк відомо, діагностування – це надважливий аспект в процесі відновлення здоров’я. Коли пацієнт звертається з певними скаргами за медичною допомогою, то в більшості випадків, кожний лікар призначить йому загальний або розширений (біохімічний) аналіз крові. Це є базова діагностична процедура. Загальний аналіз дозволить встановити відповідний факт порушення в роботі організму. Біохімічний же аналіз крові надасть вже більш точну інформацію про стан більшості життєво важливих органів, і дозволить оцінити основні обмінні процеси. Високу значимість мають результати аналізу саме на етапі діагностики, і, в подальшому, при моніторингу процесу одужання. Моніторинг потрібен при необхідності контролю ефективності терапії. То ж у статті розглядаються атуальні та важливі питання розробки програмного модуля для попереднього діагностування пацієнтів за аналізом крові. Тому важливим є час виконання та швидкість отримання результатів аналізу крові. Програмний модуль, що пропонується до вашої уваги, має за основу нейронну мережу Кохонена. Так як така нейронна мережа є мережею, що навчається, то вона стає відмінним помічником в нашій задачі в цілому та й при подальшому діагностуванні. Діагностування відбувається на основі результатів аналізу, при цьому зберігається велика кількість важливих параметрів при достатньо швидкій роботі алгоритму. Отже, цей програмний модуль необхідний для збільшення достовірності попереднього діагностування, відносно конкурентів, а також, для достатньо великої економії часу лікарів і пацієнтів за рахунок швидкості роботи алгоритму. У статті наведено структуру, математичну модель та порядок функціонування нейронної мережі Кохонена. Розглянуто архітектуру програмного модуля нейронної мережі. Розроблено алгоритм функціонування програмного модуля, та й вже готового додатку
Використані джерела
[1] Akimenko, V.V. (2020). Artificial neural networks in tasks of information grouping and analysis. Kyiv: Taras Shevchenko National University of Kyiv.
[2] Subbotin, S.O. (2020). Neural networks: theory and practice. Zhytomyr: Publisher O.O. Evenok.
[3] Kohonen, T. (2001). Self-organizing maps. Berlin: Springer.
[4] Oja, E., & Kaski, S. (1999). Kohonen Maps. Oxford: Elsevier.
[5] Kantardzic, M. (2011). Data mining: Concepts, models, methods, and algorithms (2nd ed.). Hoboken: John Wiley & Sons.
[6] Tan, J. (2010). Developments in healthcare information systems and technologies: Models and methods. Pennsylvania: IGI Global.