Възможности на компютърно и математическо моделиране за решаване на някои проблеми на офталмологията

Много хора не знаят, че е възможно да се възстанови зрението с CleanVision капсули. Това е комплекс, който съдържа уникални компоненти, предназначени за лечение и профилактика на очни заболявания. Според производителя на това лекарство, сега няма подобен продукт с такива терапевтични свойства!Капсули за восстановяване на зрението - Cleanvision

Подробно описание на лекарството Cleanvision можете да прочетете в этой статье. Официален сайт производител капсул Cleanvision намира се по този адрес адрес: https://cleanvisionnd.com/

Обязателно разкажете за този препарат, тем людям, които изпитват проблеми със зрением!

Резюме на научна статия по компютърни и информационни науки, автор на научна статия – Наталия Зенкова

Статията е посветена на изследването на обобщаването на медицински емпирични данни с помощта на методи на компютърно и математическо моделиране. Предмет на този преглед са резултатите от изследванията и моделирането в областта на офталмологията на базата на медицински емпирични данни.

Подобни теми на научни трудове по компютърни и информационни науки, автор на научна работа – Зенкова Наталия Александровна

Възможности на компютърно и математическо моделиране за някои решения за офталмологични задачи

Статията е посветена на обобщаването на медицински емпирични данни с помощта на компютърни и математически симулационни методи. Представени са резултатите от процеса на изследване и симулация на базата на медицински емпирични данни в областта на офталмологията.

Текстът на научната работа по темата "Възможности на компютърното и математическо моделиране за решаване на някои проблеми на офталмологията"

ВЪЗМОЖНОСТИ НА КОМПЮТЪРНО И МАТЕМАТИЧНО МОДЕЛИРАНЕ ЗА РЕШЕНИЕТО НА НЯКОИ ПРОБЛЕМИ НА ОФТАЛМОЛОГИЯТА

Тамбовски държавен университет име GR Derzhavina 392000, Руска Федерация, Тамбов, ул. Международна, 33 E-mail: arz_sci@mail.ru

Статията е посветена на изследването на обобщаването на медицински емпирични данни с помощта на методи на компютърно и математическо моделиране. Предмет на този преглед са резултатите от изследванията и моделирането в областта на офталмологията на базата на медицински емпирични данни. Ключови думи: компютърно и математическо моделиране; факторен анализ; ANN модел; LASIK; вътреочна леща; оптимизирана формула за изчисляване на IOL; формули Но! ^ ay; Haigis; SRK T и SRK II

Понастоящем медицинските институции постоянно натрупват голямо количество емпиричен материал, който представлява най-различни медицински показатели за пациентите, резултатите от диагностичните и лабораторни изследвания. Въз основа на тази информация лекарите вземат решения относно диагнозата и прогнозират резултатите от лечението. Често, за да направят прогноза, може да се наложи лекарите да вземат предвид голям брой фактори, които се регистрират при наблюдение на пациента и влияят върху резултата от лечението.

В тази връзка могат да се търсят методи за компютърно и математическо моделиране за обобщаване на медицински емпирични данни и изготвяне на прогнози въз основа на получените математически модели.

Целта на настоящата работа е да се обобщи опитът от възможността за използване на методи на математическо моделиране за решаване на някои проблеми, свързани с моделирането на медицински обекти в областта на офталмологията, като се използва примерът за моделиране на реални медицински обекти.

Проучванията са проведени съвместно с тамбовския клон на FSBI MNTK очна микрохирургия, наречена на Академик С.Н. Федорова ”на базата на медицински емпирични данни.

Разработване на ANN модел за оценка на последствията от офталмологичната хирургия. Най-

В това проучване на базата на разработения ANN модел бяха идентифицирани фактори, които предизвикаха регресия на рефракционния ефект след операцията LASIK за коригиране на късогледството [1].

При решаването на този проблем опитите за оценка на причините, водещи до регресия чрез емпирични методи, не дадоха дължими резултати поради големия брой фактори, които се определят по време на наблюдение на пациента. Затова е решено да

решения на този проблем използват методите на математическото моделиране.

ANN моделът е математически модел на обект, изграден на базата на изкуствена невронна мрежа. По време на неговото разработване се извършват структурни и параметрични процедури за идентификация. Структурната идентификация в ANN е добре визуализирана, което ви позволява бързо да изберете подходящите (за описание на емпирични данни) модели на структури. Параметричната идентификация (в ANN тази процедура се нарича обучение) е да се сведе до минимум несъответствието между емпиричните данни и изчисленията на модела с помощта на нелинейни методи на програмиране.

Cleanvision  Ксантелазма век

Данните, използвани като проба, бяха предоставени от офталмолог в Тамбовския клон на FSBI MNTK очна микрохирургия, наречена на Академик С.Н. Федоров “. Тези данни описват наблюдението на състоянието на зрението на пациенти с късогледство, които са претърпели операция на LASIK [1].

За да изградим ANN модел, използвахме резултатите от наблюдението на 115 пациенти във възрастовия диапазон от 18 до 51 години. Регресия след операция се появи в 21 случая от 145.

Емпиричните данни бяха разделени на 4 периода от историята на наблюдение на здравето на очите на пациента, както е показано схематично на фиг. 1.

Тези данни съответстват на параметрите на историята (z0); периодът на лечение, включително първоначален преглед (z1) и хирургична хирургия (z2); период (z3), който съдържа състоянието на очите на пациента в деня след операцията; период (z4), отразяващ изследването на пациента след период от време след операцията.

Основните параметри, използвани по време на лазерна корекция, като диаметърът на оптичната зона, диаметърът на преходната зона, дълбочината на лазера

Фиг. 1. Схемата за получаване на примерни данни

аблация, както и други параметри, използвани за разработване на ANN модела, са описани в [1]. Установени са общо 64 фактора, които влияят на регресията на зрителната острота.

При разработването на ANN модели на различни обекти най-важното решение на следните проблеми е: търсене-структура на ANN модела (неговата структурна идентификация), определяне на трансферната функция на неврон или неврони и избора на метод за обучение на ANN. В общия случай желаната функция е функция от n променливи от формата:

където y е степента на регресия на зрителната острота, изразена със следните стойности: 0 – липса на регресия; 1-4 – тежестта на регресията; xx x2. xp – различни фактори, влияещи върху степента на регресия в различни периоди на наблюдение на пациента. По този начин, според емпиричните данни, е необходимо да се сближи функцията / уравнението (1), като се използва ANN.

Разширяваме функцията / на уравнение (1) в серия на Тейлър. Въвеждаме диференциалния оператор:

Тогава разширяването на функцията / в серия на Тейлър има

където индексът 0 съответства на работната точка, а Jn (xi x2,. xn) е останалата част от разширяването на формулата на Тейлър. Разширяването на серията Taylor се извършва в близост до работната точка.

Анализ на уравнение (3) ни позволява да направим следните изводи. Поради присъствието в знаменателя на формула (3) k! специфичният принос на компоненти с голям k е изключително незначителен.

От това следва, че при формирането на структурата на невронна мрежа е подходяща структура, използваща 13 термина на разширяване (3). По този начин, ние сме определили структурата и трансферните функции на невроните от ANN модела. При избора на метод на преподаване обикновено се използват различни видове градиентни методи.

когато параметрите на модела са значително отстранени от оптималните стойности, методът на спускане на координатите или методът на Монте Карло, когато се работи в близост до оптималната точка. Тези методи са използвани в работата за обучение на ANN модела.

Обучението на ANN модела се свежда до минимизиране на остатъчната функция:

където VaY – данни, съдържащи се в обучителната извадка; Y ”'- данни, получени с помощта на ANN модела; F (w) е остатъчната функция, която е разстоянието между изходните координати на обекта, които се съдържат в тренировъчната извадка VaY и получени с помощта на ANN модела – V1 ″.

За да се тренира ANN, е необходимо да се сведе до минимум остатъчната функция (4) чрез избиране на стойностите на вектора w.

Като първоначална версия на ANN модела е избрана линейна структура, съответстваща на първите два термина от разширяването на уравнението (2), (3) на Тейлор (фиг. 2).

След трениране на мрежата бяха получени тегла, които съответстват на параметрите в извадката:

w [1] = -2,7464688900E + 00; w [2] = -6,4658899160E + 00; w [3] = 3,7352485938E-01; w [4] = 5,2994356672E + 00; w [5] = -6,5037077176E + 00; w [6] = -6,1445468072E + 00; w [7] = -4,3677414456E + 00; w [8] = -9,2983654503E + 01; w [9] = 1,2873840343E + 00; w [10] = 1,1943881523E + 00;

Фиг. 2. Линейната структура на обекта на симулация

"[11] = -6,0425794939E + 00; "[12] = -5,3409969478E-03; "[13] = 9,7793295547E-01; "[14] = 2,4318565408E-01; "[15] = -1,0177519005E-01; "[16] = 5,5028276433E-01; "[17] = 3,1418265545E-01; "[18] = 2,7989371106E-02; "[19] = 1,1839262304E-02; "[20] = -1,2559028582E-02; "[21] = 1,4173578067E + 00; "[22] = 1,0857858334E + 00; "[23] = 1,0707242586E-01; "[24] = 9,3581570923E-02; "[25] = 3,0823427034E-01; "[26] = 3,2671641016E-01; "[27] = -6,2745553627E-01; "[28] = 6,5782841289E-02; "[29] = 1,3844583887E-02; "[30] = 1,6759794958E-01; "[31] = -3,9278929583E-02; "[32] = -2,2513677150E-02; "[33] = -4,0311365098E-01; "[34] = 6,1708237307E-01; "[35] = 1,1776911098E-01; "[36] = -7,2255913663E-01; "[37] = -8,2787563205E-03; "[38] = 2,6271674962E + 00; "[39] = 2,1815077332E + 00; "[40] = -3,6115082731E + 01; "[41] = -1,2146555476E-01; "[42] = 2,7427684382E-02; "[43] = 1,0704619607E-01; "[44] = 5,4303354507E-02; "[45] = -1,3670782271E-02; "[46] = -8,0252595349E-01; "[47] = -4,6975708162E-02; "[48] = 7,8115153257E + 00; "[49] = 2,1486662596E + 01; "[50] = 4,7613569876E + 00; "[51] = 1,1840735126E + 01; "[52] = 3,1364551618E-02; "[53] = 2,6403600153E + 01; "[54] = 2,5930179830E + 00; "[55] = 1,5237857776E-01; "[56] = -8,1240638354E-02; "[57] = 8,4461341992E-03; "[58] = 7,8732606709E-02; "[59] = 7,6910301872E + 00; "[60] = -9,9629930298E + 00; "[61] = -2,2812558069E-01; "[62] = -3,5118428038E-01; "[63] = 6,7429483039E-02; "[64] = -4,8110090853E-02; "[65] = -6,6059948817E + 00; "[66] = -3,1886510200E-02.

Cleanvision  Апарат за лечение на страбизъм при деца

С помощта на линеен модел се определят коефициентите на чувствителност на канала, чиято стойност от своя страна показва силата и посоката на влияние на различни фактори. Установено е, че най-голямото отрицателно въздействие върху регресията на зрителната острота оказва стойността на зрението без корекция (x1-8-1), измерена преди операцията, и величината на сферата чрез рефрактометър (x1-40-1), получена в деня след операцията, и положителна влияние оказват такива параметри като сфера от рефрактометър (x1-53-1) и зрение с корекция (x1-49-1), получени известно време след операцията [1].

Разгледахме и нелинейната структура на ANN модела, схематично представяне на която е показана на фиг. 3.

Неговите елементи, в допълнение към входните и изходните неврони, са още три неврона от междинния слой (линеен, квадратичен и кубичен). За разлика от линейната, нелинейната структура има 198 тегло

коефициенти, докато линейният използва само 66. Това се дължи на факта, че всеки входен неврон с нелинейна структура е свързан с един от 3 неврона, разположени в следващия скрит слой, а другият разглеждан има само един неврон в скрития слой, следователно броят на претеглените Коефициентите на тези две схеми са три пъти различни.

В резултат на изчислителните експерименти беше установено, че линейният модел прави 24 грешки от 100 случая.

Използването на нелинеен модел показа 12 грешки от 100, което е по-адекватно на обекта на изследване и представлява интерес за по-нататъшни изследвания и възможно интегриране в интелигентна експертна система.

По този начин беше разработен ANN модел за оценка на последиците от офталмологичните операции; въз основа на получения модел бяха идентифицирани фактори, които влияят значително върху регресията на зрителната острота.

Оптимизация на формули за изчисляване на IOL. Това проучване анализира съществуващите формули, използвани за изчисляване на IOL на базата на емпирични данни, и също така представи разработването на нова оптимизирана формула.

Вътреочната леща (IOL) е изкуствена леща, която хирургът имплантира, за да замени лещата на окото, ако трябва да бъде отстранена поради замъгляване. Основната цел на IOL е да фокусира светлината върху фундуса (или ретината), както би направила естествената здрава леща. В този момент светлинните лъчи се превръщат в електрически импулси, които влизат в мозъка, където се превръщат в образи. Ако светлинните лъчи не се фокусират правилно върху ретината, мозъкът не може точно да обработва изображенията [2].

Емпирични данни са получени и от IRTC „Микрохирургия на очите“, наречена на Академик С.Н. Фьодоров. Анализът на формулите се основава на 11701 записа. Записът в таблицата съдържа следните данни: идентификационен номер на пациента, дата на работа, марка и оптична мощност на инсталираната леща, възраст, дължина на очите, необходимата оптична сила на лещата за коригиране на грешките на пречупване и

Грешки на известни и оптимизирани формули за изчисляване на IOL

Формула Средна относителна грешка,% Коефициент на корелация на изчислените и емпирични стойности Подобряване на изчислената стойност по формулата (7),%

Haigis 15,6 0,849 4

Но 11a Не можете да намерите това, което ви трябва? Опитайте услугата за подбор на литература.

В резултат на оптимизацията беше получена формула (7) и нейните коефициенти, така че при използване на проба от 11701 записи, всеки от които съответства на един пациент от тамбовския клон на MNTK Eye Microhurgery, наречен на Академик С.Н. Федоров, беше възможно да се получи намаление на грешките в сравнение с известните формули поради по-доброто адаптиране на уравнението към емпиричните данни (Таблица 1).

По-нататъшно намаление на изчислената грешка на формулата е възможно само с намаляване на дисперсията на емпиричните данни.

Cleanvision  Лечение на симптоми на атрофия на ретината

В резултат на това беше направен анализ на съществуващи формули, използвани за изчисляване на IOL на базата на емпирични данни, и беше разработена нова оптимизирана формула.

По този начин в тази работа обобщихме опита от използването на методи на математическо моделиране за обобщаване на медицински емпирични данни, използвайки примера за решаване на някои проблеми в офталмологията. Подходът за данни може да се използва за математическо моделиране на медицински обекти, представени от емпиричен материал,

и служи като основа за разработването на обща концепция за моделиране в медицинската област.

1. Арзамасцев А. А., Зенкова Н. А., Фабрикантов О. Л., Копилов А. Е. Анализ на факторите, определящи регресията на пречупващия ефект след LASIK операции с помощта на методи на математическо моделиране // Бюлетин на Тамбовския университет. Серия Природни и технически науки. Тамбов, 2014. с. 19. том. 6.P1813-1820.

2. Иванов М. Н., Бочаров В. Е., Шевеев А. Ю. и др. Формула за изчисляване на оптичната сила на еластичните вътреочни лещи // Бюлетин по офталмология. 2000. № 1. С. 39-41.

3. Арзамасцев А. А., Фабрикантов О. Л., Зенкова Н. А., Белоусов Н. К. Оптимизация на формули за изчисляване на IOL // Бюлетин на Тамбовски

Университет. Серия Природни и технически науки. Тамбов, 2016.Vol. 21. брой. 1, с. 208-213.

ПРИЗНАВАНИЯ: Работата е извършена като част от изпълнението на държавното задание на Министерството на образованието и науката на Русия № 19.9991.2017 / 5.2 за изпълнение на проекта по темата: „Провеждане на изследователска работа в рамките на международното научно-образователно сътрудничество по програма“ Михаил Ломоносов ”на тема:„ Генерализиране и формализиране на медицината емпирични данни с помощта на методи на математическо моделиране ”с подкрепата на фондация DAAD.

Постъпила на 7 септември 2017 г.

Зенкова Наталия Александровна, Тамбовски държавен университет на име GR Державина, Тамбов, Руска федерация, кандидат на психологическите науки, доцент на катедра „Математическо моделиране и информационни технологии“, e-mail: arz_sci@mail.ru

МОЖНОСТИ НА КОМПЮТЪРНО И МАТЕМАТИЧНО МОДЕЛИРАНЕ НА НЯКОИ ОФТАЛМОЛОГИИ

Тамбовски държавен университет име ГР Державин ул. Интернационална 33, Тамбов, Руска федерация, 392000 E-mail: arz_sci@mail.ru

Статията е посветена на обобщаването на медицински емпирични данни с помощта на компютърни и математически симулационни методи. Представени са резултатите от процеса на изследване и симулация на базата на медицински емпирични данни в областта на офталмологията.

Ключови думи: компютърна и математическа симулация; анализ на факторите; ANN-модел; LASIK; вътреочни лещи; оптимизиране на формули за изчисляване на вътреочни лещи; формули Holladay; Хайгис, SRK T и SRK II

1. Arzamastsev А.А., Зенкова Н.А., Фабрикантов О.Л., Копилов А.Е. Анализ faktorov, obuslovlivayushchikh регрес refraktsionnogo efekta след operatsiy lazik s ispol'zovaniem metodov matematicheskogo modelirovaniya [Анализ на факторите, определящи регресията на експерименталните методи Вестник Тамбовского университета. Seriya Estestvennye i tehhnicheskie nauki – Tambov University Reports. Серия: Природни и технически науки, 2014, кн. 19, бр. 6, вр. 18131820. (на руски).

2. Иванов М.Н., Бочаров В.Е., Шевеев А.Ю. и др. Формула rascheta opticheskoy sily elastichnykh intraokulyarnykh linz [Формула за изчисление на оптичната мощност на еластични вътреочни лещи]. Vestnik oftal'mologii – Annals of Ophthalmology, 2000, no. 1, стр. 39-41. (На руски).

3. Arzamastsev А.А., Фабрикантов О.Л., Зенкова Н.А., Белоусов NK NK Optimizatsiya formul dlya rascheta IOL [Оптимизация на формули за изчисляване на вътреочни лещи]. Вестник Тамбовского университета. Seriya Estestvennye i tehhnicheskie nauki – Tambov University Reports. Серия: Природни и технически науки, 2016, кн. 21, бр. 1, стр. 208-213. (На руски).

ПРИЗНАВАНИЯ: Работата се изпълнява в рамките на държавното задание на Министерството на образованието и науката на Русия. 19.9991.2017 / 5.2 за изпълнение на проекта по темата: „Извършване на научно-изследователска работа в рамките на международното научно-образователно сътрудничество по програма„ Михаил Ломоносов “на тема:„ Генерали-

запазване и формализиране на медицински емпирични данни с използването на методи на математическо моделиране и изкуствен интелект »под подкрепата на фондацията DAAD.

Постъпила на 7 септември 2017 г.

Зенкова Наталия Александровна, Тамбовски държавен университет на име Г. Р. Державин, Тамбов, Руска федерация, кандидат по психология, доцент по катедра „Математическо моделиране и информационни технологии“, e-mail: arz_sci@mail.ru

За цитиране: Зенкова Н.А. Възможности на компютърно и математическо моделиране за решаване на някои проблеми на офталмологията // Бюлетин на Тамбовския университет. Серия Природни и технически науки. Тамбов, 2017.Vol. 22. брой. 6.P. 1507-1512. DOI: 10.20310 / 1810-0198-2017-22-6-1507-1512

CleanVision България