A számítógépes és a matematikai modellezés lehetőségei a szemészet néhány problémájának megoldására

Sokan nem tudják, hogy a látás helyreállítható-e a CleanVision kapszulákkal. Ez egy komplex, amely egyedülálló összetevőket tartalmaz a szembetegségek kezelésére és megelőzésére. A gyógyszer gyártója szerint jelenleg nincs hasonló, ilyen gyógyászati ​​tulajdonságokkal rendelkező termék!Kapszula a látás helyreállításához - Cleanvision

A gyógyszer részletes leírása Cleanvision elolvasható ebben a cikkben. A kapszula gyártójának hivatalos weboldala Cleanvision található ezen a címen: https://cleanvisionnd.com/

Fontos, hogy meséljen erről a gyógyszerről azoknak, akiknek látási problémái vannak!

Számítógépes és informatikai tudományos cikk kivonata, tudományos cikk szerzője – Natalya Zenkova

A cikk az orvosi empirikus adatok általánosításának tanulmányozására szolgál számítógépes és matematikai modellezési módszerek felhasználásával. Jelen áttekintés tárgya az oftalmológia területén végzett kutatások és modellezés eredményei, az orvosi empirikus adatok alapján.

Hasonló tudományos munkák a számítógépes és információs tudományokban, tudományos munkák szerzője – Zenkova Natalya Aleksandrovna

Számítógépes és matematikai modellezés képességei egyes szemészeti feladatok megoldására

A cikk az orvosi empirikus adatok számítógépes és matematikai szimulációs módszerekkel történő általánosítására szolgál. Bemutatjuk a szemészeti kutatás és a szimulációs folyamat eredményeit az orvosi empirikus adatok alapján.

A számítógépes és matematikai modellezés lehetőségei a szemészet néhány problémájának megoldására című tudományos munka szövege

A SZÁMÍTÓGÉPEK ÉS A MATEMATIKAI MODELLEZÉS LEHETŐSÉGEI OPHATALMOLÓGIA NAGY PROBLÉMÁK MEGOLDÁSÁHOZ

A Tambovi Állami Egyetem GR Derzhavina 392000, Orosz Föderáció, Tambov, ul. International, 33 E-mail: arz_sci@mail.ru

A cikk az orvosi empirikus adatok általánosításának tanulmányozására szolgál számítógépes és matematikai modellezési módszerek felhasználásával. Jelen áttekintés tárgya az oftalmológia területén végzett kutatások és modellezés eredményei, az orvosi empirikus adatok alapján. Kulcsszavak: számítógépes és matematikai modellezés; faktoranalízis; ANN modell; LASIK; intraokuláris lencse; optimalizált képlet az IOL kiszámításához; képletek, de! ^ nem; Haigis; SRK T és SRK II

Jelenleg az orvosi intézmények folyamatosan nagy mennyiségű empirikus anyagot halmoznak fel, amely különféle orvosi indikátorok a betegek számára, a diagnosztikai és laboratóriumi vizsgálatok eredményei. Ezen információk alapján az orvosok döntéseket hoznak a diagnózisról és megjósolják a kezelés eredményét. Gyakran a prognózis elkészítéséhez az orvosoknak sok tényezőt kell figyelembe venniük, amelyeket rögzítenek a beteg megfigyelésekor, és amelyek befolyásolják a kezelés eredményét.

Ebben a tekintetben a számítógépes és matematikai modellezési módszerekre lehet szükség az orvosi empirikus adatok általánosításához és a kapott matematikai modellek alapján előrejelzések készítéséhez.

E munka célja a matematikai modellezési módszerek alkalmazásának lehetőségeinek általánosítása az oftalmológia területén az orvosi objektumok modellezésével kapcsolatos problémák megoldására, a valós orvosi objektumok modellezésének példáján keresztül.

A vizsgálatokat az FSBI MNTK szemmikrossebészet Tambov ágával közösen végezték el S.N. akadémikus Fedorova ”orvosi empirikus adatok alapján.

ANN modell kidolgozása a szemészeti műtét következményeinek felmérésére. az

Ebben a tanulmányban a kifejlesztett ANN modell alapján olyan tényezőket azonosítottak, amelyek a refraktív hatás regresszióját okozták a LASIK műtét után a rövidlátás korrigálására [1].

A probléma megoldásakor a regresszióhoz vezető okok empirikus módszerekkel történő felmérése nem adott megfelelő eredményt a beteg megfigyelése során rögzített tényezők nagy száma miatt. Ezért úgy döntöttek, hogy

ennek a problémának a megoldása a matematikai modellezés módszereit használja.

Az ANN modell egy mesterséges idegi hálózat alapján épített objektum matematikai modellje. Fejlesztése során strukturális és parametrikus azonosítási eljárásokat hajtanak végre. Az ANN szerkezeti azonosítása jól láthatóvá válik, amely lehetővé teszi a megfelelő (empirikus adatok leírására) modellszerkezetek gyors kiválasztását. A paraméteres azonosítás (az ANN-ban ezt az eljárást képzésnek hívják) az empirikus adatok és a nem lineáris programozási módszerekkel történő modellszámítás közötti eltérés minimalizálása érdekében.

A mintának felhasznált adatokat szemészeti szakorvos szolgáltatta az FSBI MNTK szemkikörsebészet Tambov fiókjában S.N. akadémikus Fedorov. " Ezek az adatok a myopiában szenvedő, LASIK műtéten átesett betegek látásának megfigyelését írják le [1].

Cleanvision  Mi a hyperopia felnőttekben és gyermekekben

Az ANN modell felépítéséhez 115 beteg megfigyelésének eredményeit használtuk fel 18 és 51 év közötti életkorban. A műtét utáni regresszió 21 esetben 145 esetben jelent meg.

Az empirikus adatokat négy szakaszra osztottuk a beteg szemének egészségi állapotának monitorozása során, amint azt a 4. ábra vázlatosan mutatja. 1.

Ez az adat megfelel az előzmények paramétereinek (z0); a kezelés időszaka, beleértve az első vizsgálatot (z1) és a műtétet (z2); egy periódus (z3), amely a műtét utáni napon szemlélteti a beteg állapotát; periódus (z4), tükrözve a betegnek a műtét utáni időszakot követő vizsgálatát.

A lézerkorrekció során alkalmazott főbb paraméterek, például az optikai zóna átmérője, az átmeneti zóna átmérője, a lézer mélysége

Ábra. 1. A minta adatok beszerzési sémája

az ablációt, valamint az ANN modell kidolgozásához használt egyéb paramétereket a [1] fejezet ismerteti. Összesen 64 tényezőt azonosítottak, amelyek befolyásolják a látásélesség regresszióját.

Különböző objektumok ANN modelljeinek kidolgozásakor a következő problémák legfontosabb megoldása a következő: a ANN modell keresési felépítése (annak szerkezeti azonosítása), egy ideg vagy idegsejtek transzfer funkciójának meghatározása és az ANN edzési módszer kiválasztása. Általános esetben a kívánt függvény a következő alak n változójának függvénye:

ahol y a látásélesség regressziójának mértéke, a következő értékekkel kifejezve: 0 – a regresszió hiánya; 1-4 – a regresszió súlyossága; xx x2. xp – a regresszió fokát befolyásoló különféle tényezők a beteg különböző megfigyelési periódusaiban. Tehát empirikus adatok szerint az (1) függvényt / egyenletet közelíteni kell az ANN segítségével.

Bővítjük az (1) egyenlet funkcióját / Taylor sorozatát. Bemutatjuk a differenciálműveletet:

Akkor a funkció kibővítése / egy Taylor sorozatban

ahol a 0 index a munkapontnak felel meg, és Jn (xi x2 ,. xn) a Taylor-képlet kiterjesztésének fennmaradó része. A Taylor sorozat bővítését a működési pont közelében végezzük.

A (3) egyenlet elemzése lehetővé teszi a következő következtetések levonását. Mivel a (3) képlet a nevezőben van, k! a nagy k-os összetevők fajlagos hozzájárulása rendkívül elhanyagolható.

Ebből következik, hogy egy ideghálózat szerkezetének kialakításakor a 13 kiterjesztési feltételt (3) alkalmazó struktúra megfelelő. Így meghatároztuk az ANN modell neuronok szerkezetét és transzfer funkcióit. A tanítási módszer kiválasztásakor általában különféle gradiens módszereket alkalmaznak.

amikor a modell paramétereit jelentősen eltávolítják az optimális értékektől, akkor a koordináta-leszállási módszer vagy a Monte Carlo-módszer, amikor az optimális pont közelében dolgoznak. Ezeket a módszereket használták az ANN modell továbbképzéséhez.

Az ANN modell képzése a maradék funkció minimalizálására csökken:

ahol VaY – az edzési mintában szereplő adatok; Y ”” – az ANN modell alkalmazásával nyert adatok; F (w) a maradványfüggvény, amely az objektum kimeneti koordinátáinak távolsága, amelyek a VaY kiképzési mintában vannak, és amelyeket az ANN modell segítségével kapunk – V1 ″.

Az ANN kiképzéséhez minimalizálni kell a maradék funkciót (4) a w vektor értékeinek megválasztásával.

Az ANN modell kezdeti változataként egy lineáris struktúrát választottunk, amely megfelel a Taylor (2), (3) egyenlet sorozatának kibővítésének első két feltételeinek (2. ábra).

A hálózat kiképzése után olyan súlyokat kaptunk, amelyek megfelelnek a mintában szereplő paramétereknek:

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;

Ábra. 2. A szimulációs objektum lineáris felépítése

"[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  A gyermekek eltérő strabismus-okai és kezelése

Lineáris modell alkalmazásával meghatároztuk a csatorna érzékenységi együtthatóit, amelyek értéke viszont a különféle tényezők erősségét és befolyási irányát jelzi. Megállapítottuk, hogy a látásélesség regressziójára a legnagyobb negatív hatást a korrekció nélküli látás (x1-8-1), a műtét előtt mért értéke, a gömb nagysága refraktométerrel (x1-40-1) érinti, amelyet a műtét utáni napon kaptak, és pozitív olyan paraméterek, mint például a gömb refraktométerrel (x1-53-1) és a korrekcióval ellátott látás (x1-49-1), amelyeket egy idő után a művelet után kaptak [1], hatással vannak.

Megvizsgáltuk az ANN modell nemlineáris felépítését is, amelynek sematikus ábrázolását az 3. ábra mutatja. XNUMX.

Elemei – a bemeneti és a kimeneti neuronokon kívül – a közbenső réteg további három neuronjai (lineáris, kvadratikus és köbös). A lineáris, nemlineáris szerkezettel ellentétben 198 súlya van

együtthatók, míg a lineáris csak 66-ot használ. Ennek oka az a tény, hogy egy nemlineáris szerkezetű minden bemenő neuron a következő rejtett rétegben található 3 neuron egyikéhez kapcsolódik, míg a másikban a vizsgált másiknak csak egy neuronja van a rejtett rétegben, tehát a súlyozott szám E két séma együtthatói háromszor különböznek.

A számítási kísérletek eredményeként kiderült, hogy a lineáris modell 24 hibából 100 hibát okoz.

Nemlineáris modell használata a 12-ból 100 hibát mutatott, ami megfelelőbb a vizsgálati objektumhoz, és további kutatásokra és az intelligens szakértői rendszerbe történő esetleges integrációra vonatkozik.

Így kifejlesztettek egy ANN-modellt a szemészeti műtétek következményeinek felmérésére, a kapott modell alapján olyan tényezőket azonosítottak, amelyek jelentősen befolyásolják a látásélesség regresszióját.

Az IOL kiszámításához szükséges képletek optimalizálása. Ez a tanulmány elemezte az IOL-k empirikus adatok alapján történő kiszámításához használt meglévő képleteket, és bemutatta egy új, optimalizált képlet kidolgozását is.

Az intraokuláris lencse (IOL) egy műszemű lencse, amelyet a sebész implantál, hogy helyettesítse a szem lencsét, ha azt elhomályosulás miatt el kell távolítani. Az IOL fő célja az, hogy a fényt a felületre (vagy retinara) fókuszálja, ahogyan ezt a természetes egészséges lencse is tenné. Ezen a ponton a fénysugarak elektromos impulzusokká alakulnak, amelyek belépnek az agyba, ahol képeké alakulnak. Ha a fénysugarak nem a retinára koncentrálnak megfelelően, az agy nem tudja pontosan feldolgozni a képeket [2].

Empirikus adatokat is szereztek az IRTC „Eye Microsurgery” elnevezéssel S.N. akadémikus Fedorov. A képletek elemzése 11701 bejegyzésen alapult. A táblázatban szereplő bejegyzés a következő adatokat tartalmazza: a páciens azonosító száma, a működés dátuma, a behelyezett lencse márka- és optikai ereje, életkor, szemhossz, a lencse szükséges refrakciós hibáinak kijavításához szükséges optikai teljesítménye és

Az IOL kiszámításához ismert és optimalizált képletek hibái

Képlet Átlagos relatív hiba,% A kiszámított és az empirikus értékek korrelációs együtthatója A kiszámított érték javítása a (7) képlettel,%

Haigis 15,6 0,849 4

De a 11a nem találja meg, amire szüksége van? Próbálja ki az irodalomkiválasztási szolgáltatást.

Az optimalizálás eredményeként a (7) képletet és annak koefficienseit kaptuk úgy, hogy 11701 rekordból álló minta felhasználásakor, amelyek mindegyike megfelel az MNTK Szemkikrossebészet Tambovi ágának egy betegének, S.N. akadémikus Fedorov szerint az egyenlet empirikus adatokhoz való jobb hozzáigazítása miatt csökkentek a hibák az ismert képletekhez képest (1. táblázat).

A képlet kiszámított hibájának további csökkentése csak az empirikus adatok szórásának csökkentésével lehetséges.

Ennek eredményeként elemeztem az IOL-k empirikus adatok alapján történő kiszámításához használt meglévő képleteket, és kidolgoztam egy új, optimalizált képletet.

Cleanvision  Nyílt szögű glaukóma kezelés

Így ebben a munkában a matematikai modellezési módszerek alkalmazásának tapasztalatait általánosítottuk az orvosi empirikus adatok általánosításához, szemészeti problémák megoldásának példáival. Az adatok megközelítése felhasználható az empirikus anyag által képviselt orvosi objektumok matematikai modellezésére,

és alapul szolgál a modellezés közös koncepciójának kidolgozásához az orvosi területen.

1. Arzamastsev A.A., Zenkova N.A., Fabrikantov O.L., Kopylov A.E. A refraktív hatás regresszióját meghatározó tényezők elemzése a LASIK műveletek után matematikai modellezési módszerekkel // A Tambovi Egyetem közleménye. Természettudományi és műszaki tudományok sorozata. Tambov, 2014. Vol. 19. Vol. 6-1813.

2. Ivanov M.N., Bocharov V.E., Sheveev A.Yu. et al., képlet az elasztikus szemlencsék optikai teljesítményének kiszámítására // Ophthalmology Bulletin. C. No. 2000-1.

3. Arzamastsev A. A., Fabrikantov O. L., Zenkova N. A., Belousov N. K. Az IOL kiszámításához szükséges képletek optimalizálása // Tambovsky-i közlemény

Egyetemen. Természettudományi és műszaki tudományok sorozata. Tambov, 2016.Vol. 21. Kiadás. 1, 208–213.

KÖSZÖNETNYILVÁNÍTÁS: A munkát az Orosz Oktatási és Tudományos Minisztérium 19.9991.2017 / 5.2 számú állami megbízásának teljesítésével végezték el, amely a következő témájú projekt megvalósítására irányult: „Kutatási munka folytatása a Nemzetközi tudományos és oktatási együttműködés keretében a„ Mihail Lomonosov ”program keretében, a következő témában:„ Az orvostudomány általánosítása és formalizálása empirikus adatok matematikai modellezési módszerekkel ”, a DAAD Alapítvány támogatásával.

Érkezett 7. szeptember 2017-én

Zenkova Natalya Alexandrovna, a Tambovi Állami Egyetem GR Derzhavina, Tambov, Oroszország, pszichológiai tudományok jelöltje, a Matematikai modellezés és az Informatika Tanszékének docens, e-mail: arz_sci@mail.ru

A SZÁMÍTÓGÉPEK ÉS A MATEMATIKAI MODELLEK KÉPESSÉGEI NEM FEJEZETT OPHALMOLÓGIAI FELADATOK MEGOLDÁSAI

A Tambovi Állami Egyetem GR Derzhavin 33 Internatsionalnaya St., Tambov, Oroszország, 392000 e-mail címe: arz_sci@mail.ru

A cikk az orvosi empirikus adatok számítógépes és matematikai szimulációs módszerekkel történő általánosítására szolgál. Bemutatjuk a szemészeti kutatás és a szimulációs folyamat eredményeit az orvosi empirikus adatok alapján.

Kulcsszavak: számítógépes és matematikai szimuláció; a tényezők elemzése; ANN modell; LASIK; szemlencsék; intraokuláris lencsék kiszámításához szükséges képletek optimalizálása; képletek Holladay; Haigis, SRK T és SRK II

1. Arzamastsev AA, Zenkova NA, Fabrikantov OL, Kopylov AE Analiz faktorov, obuslovlivayushchikh regresszió refraktsionnogo effekta posle operatsiy lazik s ispol'zovaniem metodov matematicheskogo modelirovaniya [A kísérleti módszerek regresszióját meghatározó tényezők elemzése Vestnik Tambovskogo universiteta. Seriya Estestvennye i tekhnicheskie nauki – A Tambovi Egyetemi Jelentések. Sorozat: Természettudományi és Műszaki Tudományok, 2014, vol. 19., nem 6. o. 18131820. (oroszul).

2. Ivanov MN, Bocharov VE, Sheveev AY et al. Formula rascheta opticheskoy silily elašichnykh intraokulyarnykh linz [A rugalmas intraokuláris lencsék optikai teljesítményének számítási képlete]. Vestnik oftal'mologii – Annals of Ophthalmology, 2000, no. 1. o. 39-41. (Oroszul).

3. Arzamastsev AA, Fabrikantov OL, Zenkova NA, Belousov NK Optimizatsiya formula dlya rascheta IOL [Formula optimalizálása az intraokuláris lencsék kiszámításához]. Vestnik Tambovskogo universiteta. Seriya Estestvennye i tekhnicheskie nauki – A Tambovi Egyetemi Jelentések. Sorozat: Természettudományi és Műszaki Tudományok, 2016, vol. 21., nem 1. o. 208-213. (Oroszul).

KÖSZÖNETNYILVÁNÍTÁS: A munka az Oroszországi Oktatási és Tudományos Minisztérium állami megbízásának keretében valósult meg. 19.9991.2017 / 5.2 teljesíti a következő témájú projektet: "Tudományos-kutatási munka elvégzése a nemzetközi tudományos-oktatási együttműködés keretében a" Mihail Lomonosov "programmal a" Generali-

az orvosi empirikus adatok átalakítása és formalizálása matematikai modellezési módszerek és mesterséges intellektus alkalmazásával », a DAAD alapítvány támogatásával.

Érkezett 7. szeptember 2017-én

Zenkova Natalya Aleksandrovna, a Tambovi Állami Egyetem, nevezett GR Derzhavin, Tambov, Oroszország, pszichológiai jelölt, matematikai modellezés és információs technológiák tanszékének docens, e-mail: arz_sci@mail.ru

Idézetként: Zenkova N.A. A számítógépes és matematikai modellezés lehetőségei a szemészet néhány problémájának megoldására // A Tambovi Egyetem közleménye. Természettudományi és műszaki tudományok sorozata. Tambov, 2017.Vol. 22. Kiadás. 6-1507. DOI: 1512 / 10.20310-1810-0198-2017-22-6-1507

Cleanvision Magyarország