ПРИКЛАДНЫЕ АСПЕКТЫ ИНФОРМАТИКИ
ОБРАБОТКА ИНФОРМАЦИИ И АНАЛИЗ ДАННЫХ
Н. Н. Яхно, В. Н. Гридин, Н. Н. Коберская, Д. С. Смирнов, В. И. Солодовников "Алгоритм фильтрации и поиска зависимостей при диагностике пациентов с доумеренным когнитивным снижением"
УПРАВЛЕНИЕ И ПРИНЯТИЕ РЕШЕНИЙ
Н. Н. Яхно, В. Н. Гридин, Н. Н. Коберская, Д. С. Смирнов, В. И. Солодовников "Алгоритм фильтрации и поиска зависимостей при диагностике пациентов с доумеренным когнитивным снижением"
Аннотация. 

Рассмотрены алгоритмы и методы статистической обработки и преобразования медицинских данных пациентов. Предлагается методика выявления групп показателей, и отбора ключевых наблюдений, обладающих наибольшей согласованностью и разделительной способностью для априорных групп пациентов. Применяется комбинаторный канонический анализ для поиска наиболее важных факторов риска при когнитивном снижении.

Ключевые слова: 

сокращение размерности пространства, многомерные статистические методы, канонический анализ, когнитивные нарушения,

Стр. 22-33.

DOI 10.14357/20718632210204
 
Литература

1. Захаров В.В., Яхно Н.Н. Синдром умеренных когнитивных нарушений в пожилом возрасте – диагностика и лечение. РМЖ. 2004; 12(10): 573–6.
2. Amieva H., Le Goff M., Millet X., Orgogozo J.M., Pérès K., Barberger-Gateau P. et al. Prodromal Alzheimer’s disease: Successive emergence of the clinical symptoms. Ann. Neurol. 2008; 64(5): 492–8
3. Mitchell A.J., Beaumont H., Ferguson D., Yadegarfar M., Stubbs B. Risk of dementia and mild cognitive impairment in older people with subjective memory complaints: metaanalysis. Acta Psychiatr. Scand. 2014; 130(6): 439–51.
4. Локшина А.Б., Захаров В.В. Лёгкие и умеренные когнитивные расстройства при дисциркуляторной энцефалопатии. Неврологический журнал. 2006; 11 (Прил. 1): 57–63.
5. Dubois B., Hampel H.J, Feldman H.H., Scheltens P., Aisen P., Andrien S. et al. Preclinical Alzheimer’s disease: Definition, natural history and diagnostic criteria. Alzheimers Dement. 2016; 12(3): 292–323.
6. Seo E.H., Kim H., Lee K.H., Choo I.H. Altered executive function in pre-mild cognitive impairment. J. Alzheimers Dis. 2016; 54(3): 933–40
7. Jessen F., Amariglio R.E., van Boxtel M., Breteler M., Ceccaldi M., Chételat G. et al. Subjective Cognitive Decline Initiative (SCD-I) Working Group. A conceptual framework for research on subjective cognitive decline in preclinical Alzheimer’s disease. Alzheimers Dement. 2014; 10(6): 844–52
8. Яхно Н.Н., Захаров В.В., Коберская Н.Н., Мхитарян Э.А., Гришина Д.А., Локшина А.Б., Савушкина И.Ю., Посохов С.И. "Предумеренные" (субъективные и лёгкие) когнитивные расстройства // Неврологический журнал. 2017. №4. URL:
https://cyberleninka.ru/article/n/predumerennyesubektivnye-
i-lyogkie-kognitivnye-rasstroystva (дата обращения: 03.03.2021).
9. Остроумова Т.М., Парфенов В.А., Остроумова О.Д., Перепелова Е. М., Перепелов В. А., Борисова Е.В. Возможности метода бесконтрастной магнитно-резонансной перфузии для выявления раннего поражения головного мозга при эссенциальной артериальной гипертензии // Неврология, нейропсихиатрия, психосоматика. - 2018. – Т. 10. - № 1. – С. 17–23.
10. Парфенов В.А., Остроумова Т. М., Перепелова Е. М., Перепелов В. А., Кочетков А. И., Остроумова О.Д. Перфузия головного мозга, когнитивные функции и сосудистый возраст у пациентов среднего возраста с эссенциальной артериальной гипертензией // Кардиология. – 2018. – Т. 58. - № 5. – С. 23–31.
11. Коберская Н.Н., Яхно Н.Н., Гридин В.Н., Смирнов Д.С. Влияние сердечно-сосудистых факторов риска на доумеренное когнитивное снижение в среднем и пожилом возрасте. Неврология, нейропсихиатрия, психосоматика. 2021;13(1):13-17.
https://doi.org/10.14412/2074-2711-2021-1-13-17
12. Яхно Н.Н., Гридин В.Н., Смирнов Д.С., Панищев В.С., Парфенов В.А., Остроумова Т.М., Коберская Н.Н. Cтатистическая обработка и методика сокращения размерности пространства данных пациентов при анализе когнитивных нарушений // Информационные технологии. 2020. Т. 26. № 9. С. 515-522
13. Brock, G., Pihur, V., Datta, S., & Datta, S. (2008). clValid: An R Package for Cluster Validation. Journal of Statistical Software, 25(4), 1 - 22.
doi:http://dx.doi.org/10.18637/jss.v025.i04
14. Kendall, M.G. (1948) Rank correlation methods. London: Griffin
15. Labintcev, E. Метрики в задачах машинного обучения. 12 мая 2017. [Электронный ресурс], режим доступа:
https://habr.com/ru/company/ods/blog/328372/
16. Marxer, R., & Purwins H. An F-Measure for Evaluation of Unsupervised Clustering with Non-Determined Number of Clusters. 2008. [Электронный ресурс] Режим доступа:
http://mtg.upf.edu/files/publications/unsuperf.pdf
17. Hotelling H. (1936). Relations between two sets of variables. Biometrika, 28, 321–327. doi: 10.1093/biomet/28.3-4.321
18. González I., Déjean S. CCA: Canonical Correlation Analysis. [Электронный ресурс] Режим доступа:
https://cran.r-project.org/web/packages/CCA/index.html
19. Yehia, Ahmed & Saleh, Mohamed & Ahmed, Abdul-Hadi. (2016). An Adjusted Correlation Coefficient for Canonical Correlation Analysis // Journal of Egyptian Statistical Society.
 

2021 / 03
2021 / 02
2021 / 01
2020 / 04

© ФИЦ ИУ РАН 2008-2018. Создание сайта "РосИнтернет технологии".