Możliwości modelowania komputerowego i matematycznego do rozwiązywania niektórych problemów okulistycznych

Wiele osób nie wie, że można przywrócić widzenie za pomocą kapsułek CleanVision. Jest to kompleks, który zawiera unikalne składniki przeznaczone do leczenia i zapobiegania chorobom oczu. Według producenta tego leku, teraz nie ma podobnego produktu o takich właściwościach terapeutycznych!Kapsułki do przywracania wzroku - Cleanvision

Szczegółowy opis leku Cleanvision można przeczytać w tym artykule. Oficjalna strona producenta kapsułek Cleanvision znajduje się pod tym adresem: https://cleanvisionnd.com/

Pamiętaj o tym leku dla tych, którzy mają problemy ze wzrokiem!

Streszczenie artykułu naukowego z zakresu informatyki i informatyki, autor artykułu naukowego – Natalya Zenkova

Artykuł poświęcony jest badaniu uogólnienia medycznych danych empirycznych przy użyciu metod modelowania komputerowego i matematycznego. Przedmiotem tego przeglądu są wyniki badań i modelowania w dziedzinie okulistyki oparte na medycznych danych empirycznych.

Podobne tematy prac naukowych w dziedzinie informatyki i informatyki, autor pracy naukowej – Zenkova Natalya Aleksandrovna

Możliwości modelowania komputerowego i matematycznego dla niektórych rozwiązań zadań okulistycznych

Artykuł poświęcony jest uogólnieniu medycznych danych empirycznych za pomocą komputerowych i matematycznych metod symulacji. Przedstawiono wyniki badań i symulacji na podstawie medycznych danych empirycznych z zakresu okulistyki.

Tekst pracy naukowej na temat „Możliwości modelowania komputerowego i matematycznego w rozwiązywaniu niektórych problemów okulistycznych”

MOŻLIWOŚCI MODELOWANIA KOMPUTEROWEGO I MATEMATYCZNEGO W CELU ROZWIĄZANIA NIEKTÓRYCH PROBLEMÓW OFTALMOLOGII

Tambowski Uniwersytet Państwowy im G.R. Derzhavina 392000, Federacja Rosyjska, Tambow, ul. Międzynarodowy, 33 E-mail: arz_sci@mail.ru

Artykuł poświęcony jest badaniu uogólnienia medycznych danych empirycznych przy użyciu metod modelowania komputerowego i matematycznego. Przedmiotem tego przeglądu są wyniki badań i modelowania w dziedzinie okulistyki oparte na medycznych danych empirycznych. Słowa kluczowe: modelowanie komputerowe i matematyczne; analiza czynnikowa; Model ANN; LASIK; soczewka wewnątrzgałkowa; zoptymalizowana formuła do obliczania IOL; formuły Ale! ^ ay; Haigis; SRK T i SRK II

Obecnie instytucje medyczne stale gromadzą dużą ilość materiału empirycznego, który stanowi różnorodne wskaźniki medyczne dla pacjentów, wyniki badań diagnostycznych i laboratoryjnych. Na podstawie tych informacji lekarze podejmują decyzje dotyczące diagnozy i przewidują wyniki leczenia. Często, aby dokonać rokowania, lekarze mogą potrzebować wziąć pod uwagę dużą liczbę czynników, które są rejestrowane podczas obserwacji pacjenta i wpływają na wynik leczenia.

W związku z tym mogą być potrzebne metody modelowania komputerowego i matematycznego w celu uogólnienia medycznych danych empirycznych i sporządzania prognoz na podstawie uzyskanych modeli matematycznych.

Celem pracy jest uogólnienie doświadczenia dotyczącego możliwości zastosowania metod modelowania matematycznego do rozwiązania niektórych problemów związanych z modelowaniem obiektów medycznych w dziedzinie okulistyki na przykładzie modelowania rzeczywistych obiektów medycznych.

Badania przeprowadzono wspólnie z oddziałem Tambowa FSBI MNTK Eye Microsurgery o nazwie Academician S.N. Fedorova ”na podstawie medycznych danych empirycznych.

Opracowanie modelu ANN do oceny konsekwencji operacji okulistycznej. W

W tym badaniu, na podstawie opracowanego modelu ANN, zidentyfikowano czynniki, które spowodowały regresję efektu refrakcji po operacji LASIK w celu korekcji krótkowzroczności [1].

W rozwiązaniu tego problemu próby oceny przyczyn prowadzących do regresji metodami empirycznymi nie przyniosły należytych rezultatów z uwagi na dużą liczbę czynników ustalonych podczas obserwacji pacjenta. Dlatego postanowiono

rozwiązania tego problemu wykorzystują metody modelowania matematycznego.

Model ANN jest modelem matematycznym obiektu zbudowanym na podstawie sztucznej sieci neuronowej. Podczas jego opracowywania wykonywane są procedury identyfikacji strukturalnej i parametrycznej. Identyfikacja strukturalna w ANN jest dobrze zwizualizowana, co pozwala szybko wybrać odpowiednie struktury modelu (do opisu danych empirycznych). Identyfikacja parametryczna (w ANN, ta procedura nazywa się treningiem) ma na celu zminimalizowanie rozbieżności między danymi empirycznymi a obliczeniami modelu przy użyciu metod programowania nieliniowego.

Cleanvision  Przyczyny zaćmy oka u dorosłych i dzieci (3)

Dane wykorzystane jako próbka zostały dostarczone przez okulistę w oddziale w Tambowie FSBI MNTK Mikrochirurgia oka nazwana na cześć Academician S.N. Fiodorow ”. Dane te opisują obserwację stanu wzroku pacjentów z krótkowzrocznością, którzy przeszli operację LASIK [1].

Aby zbudować model ANN, wykorzystaliśmy wyniki obserwacji 115 pacjentów w wieku od 18 do 51 lat. Regresja po operacji wystąpiła w 21 przypadkach na 145.

Dane empiryczne zostały podzielone na 4 okresy historii monitorowania zdrowia oka pacjenta, jak pokazano schematycznie na ryc. 1.

Dane te odpowiadają parametrom historii (z0); okres leczenia, w tym wstępne badanie (z1) i operacja chirurgiczna (z2); okres (z3), który obejmuje stan oka pacjenta dzień po operacji; okres (z4), odzwierciedlający badanie pacjenta po pewnym czasie po operacji.

Główne parametry stosowane podczas korekcji laserowej, takie jak średnica strefy optycznej, średnica strefy przejściowej, głębokość lasera

Ryc. 1. Schemat uzyskiwania danych przykładowych

ablacja, a także inne parametry wykorzystane do opracowania modelu ANN opisano w [1]. Zidentyfikowano 64 czynniki wpływające na regresję ostrości wzroku.

Przy opracowywaniu modeli ANN różnych obiektów najważniejsze jest rozwiązanie następujących problemów: wyszukiwanie struktury modelu ANN (jego identyfikacja strukturalna), określanie funkcji przenoszenia neuronu lub neuronów oraz wybór metody szkolenia ANN. W ogólnym przypadku pożądana funkcja jest funkcją n zmiennych postaci:

gdzie y jest stopniem regresji ostrości wzroku, wyrażonym przez następujące wartości: 0 – brak regresji; 1-4 – nasilenie regresji; xx x2. xp – różne czynniki wpływające na stopień regresji w różnych okresach obserwacji pacjenta. Zatem, zgodnie z danymi empirycznymi, konieczne jest przybliżenie funkcji / równania (1) za pomocą ANN.

Rozszerzamy funkcję / równania (1) w szeregu Taylora. Przedstawiamy operator mechanizmu różnicowego:

Następnie ma rozszerzenie funkcji / w serii Taylora

gdzie indeks 0 odpowiada punktowi roboczemu, a Jn (xi x2, xn) jest pozostałą częścią rozszerzenia formuły Taylora. Rozbudowa serii Taylora odbywa się w pobliżu punktu pracy.

Analiza równania (3) pozwala nam wyciągnąć następujące wnioski. Ze względu na obecność w mianowniku wzoru (3) k! szczególny udział składników o dużej wartości k jest wyjątkowo znikomy.

Wynika z tego, że przy tworzeniu struktury sieci neuronowej odpowiednia jest struktura wykorzystująca 13 warunków ekspansji (3). W ten sposób określiliśmy strukturę i funkcje przenoszenia neuronów modelu ANN. Wybierając metodę nauczania, zwykle stosuje się różne rodzaje metod gradientu.

gdy parametry modelu są znacznie usuwane z wartości optymalnych, metoda opadania współrzędnych lub metoda Monte Carlo podczas pracy w pobliżu optymalnego punktu. Metody te zostały wykorzystane w pracy do szkolenia modelu ANN.

Trening modelu ANN sprowadza się do minimalizacji funkcji resztkowej:

gdzie VaY – dane zawarte w próbie szkoleniowej; Y ”- dane uzyskane przy użyciu modelu ANN; F (w) jest funkcją resztkową, która jest odległością między współrzędnymi wyjściowymi obiektu, które są zawarte w próbce treningowej VaY i uzyskane za pomocą modelu ANN – V1 ″.

Aby wytrenować ANN, konieczne jest zminimalizowanie funkcji resztkowej (4) poprzez wybranie wartości wektora w.

Jako początkową wersję modelu ANN wybrano strukturę liniową odpowiadającą dwóm pierwszym warunkom rozszerzenia szeregu równań Taylora (2), (3) (ryc. 2).

Po przeszkoleniu sieci uzyskano wagi odpowiadające parametrom w próbce:

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;

Ryc. 2. Struktura liniowa obiektu symulacyjnego

„[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  Jaskra kątowa

Za pomocą modelu liniowego określono współczynniki czułości kanału, których wartość z kolei wskazuje siłę i kierunek wpływu różnych czynników. Stwierdzono, że największy negatywny wpływ na regresję ostrości wzroku ma wartość widzenia bez korekcji (x1-8-1), mierzona przed operacją, oraz wielkość kuli za pomocą refraktometru (x1-40-1), uzyskana dzień po operacji, oraz dodatnia wpływ wywierają takie parametry, jak kula za pomocą refraktometru (x1-53-1) i widzenie z korekcją (x1-49-1) uzyskaną jakiś czas po operacji [1].

Rozważaliśmy także nieliniową strukturę modelu ANN, której schematyczną ilustrację pokazano na ryc. 3)

Jego elementami, oprócz neuronów wejściowych i wyjściowych, są jeszcze trzy neurony warstwy pośredniej (liniowa, kwadratowa i sześcienna). W przeciwieństwie do liniowej, nieliniowej struktury ma masę 198

współczynniki, podczas gdy liniowy używa tylko 66. Wynika to z faktu, że każdy neuron wejściowy o strukturze nieliniowej jest połączony z jednym z 3 neuronów znajdujących się w kolejnej ukrytej warstwie, a drugi rozważany ma tylko jeden neuron w ukrytej warstwie, dlatego liczba ważonych Współczynniki tych dwóch schematów są trzy razy różne.

W wyniku eksperymentów obliczeniowych stwierdzono, że model liniowy popełnia 24 błędy na 100 przypadków.

Zastosowanie modelu nieliniowego wykazało 12 błędów na 100, co jest bardziej adekwatne do przedmiotu badań i jest interesujące dla dalszych badań i możliwej integracji z inteligentnym systemem eksperckim.

W ten sposób opracowano model ANN do oceny konsekwencji operacji okulistycznych; na podstawie uzyskanego modelu zidentyfikowano czynniki, które znacząco wpływają na regresję ostrości wzroku.

Optymalizacja wzorów do obliczania IOL. W tym badaniu przeanalizowano istniejące formuły stosowane do obliczania IOL na podstawie danych empirycznych, a także przedstawiono opracowanie nowej zoptymalizowanej formuły.

Soczewka wewnątrzgałkowa (IOL) to sztuczna soczewka, którą chirurg wszczepia w celu wymiany soczewki oka, jeśli trzeba ją usunąć z powodu zmętnienia. Głównym celem IOL jest skupienie światła na dnie (lub siatkówce), tak jak zrobiłby to naturalny zdrowy obiektyw. W tym momencie promienie świetlne zamieniają się w impulsy elektryczne, które wpływają do mózgu, gdzie są przekształcane w obrazy. Jeśli promienie światła nie skupiają się prawidłowo na siatkówce, mózg nie może dokładnie przetworzyć obrazów [2].

Dane empiryczne uzyskano również z IRTC „Eye Microsurgery” nazwanej na cześć Academician S.N. Fedorova. Analiza formuł została oparta na 11701 wpisach. Wpis w tabeli zawierał następujące dane: numer identyfikacyjny pacjenta, datę operacji, markę i moc optyczną zainstalowanej soczewki, wiek, długość oka, niezbędną moc optyczną soczewki do korekcji błędów refrakcji oraz

Błędy znanych i zoptymalizowanych wzorów do obliczania IOL

Wzór Średni błąd względny,% Współczynnik korelacji wartości obliczonych i empirycznych Poprawa obliczonej wartości za pomocą wzoru (7),%

Haigis 15,6 0,849 4

Ale 11a Nie możesz znaleźć tego, czego potrzebujesz? Wypróbuj usługę selekcji literatury.

W wyniku optymalizacji uzyskano wzór (7) i jego współczynniki, tak że przy użyciu próbki 11701 rekordów, z których każdy odpowiada jednemu pacjentowi z oddziału Tambowa w MUR Mikrochirurgii Oka imieniem Academician S.N. Fiodorow, możliwe było uzyskanie zmniejszenia błędów w porównaniu ze znanymi wzorami dzięki lepszemu dostosowaniu równania do danych empirycznych (Tabela 1).

Dalszy spadek obliczonego błędu wzoru był możliwy tylko przy zmniejszeniu wariancji danych empirycznych.

W rezultacie przeprowadzono analizę istniejących formuł używanych do obliczania IOL na podstawie danych empirycznych i opracowano nową zoptymalizowaną formułę.

Cleanvision  Objawy oparzenia rogówki i pierwsza pomoc

Dlatego w tej pracy uogólniliśmy doświadczenie związane z wykorzystaniem metod modelowania matematycznego do uogólnienia medycznych danych empirycznych na przykładzie rozwiązania niektórych problemów okulistycznych. Metodę danych można wykorzystać do modelowania matematycznego obiektów medycznych reprezentowanych przez materiał empiryczny,

i służy jako podstawa do opracowania wspólnej koncepcji modelowania w dziedzinie medycyny.

1. Arzamastsev A.A., Zenkova N.A., Fabrikantov O.L., Kopylov A.E. Analiza czynników determinujących regresję efektu refrakcji po operacjach LASIK z wykorzystaniem metod modelowania matematycznego // Biuletyn Uniwersytetu Tambowa. Seria Nauk przyrodniczych i technicznych. Tambow, 2014. Vol. 19. Vol. 6. P. 1813–1820.

2. Ivanov M.N., Bocharov V.E., Sheveev A.Yu. i wsp. Wzór do obliczania mocy optycznej elastycznych soczewek wewnątrzgałkowych // Biuletyn Of Okulistyki. 2000. nr 1. C. 39–41.

3. Arzamastsev A. A., Fabrikantov O. L., Zenkova N. A., Belousov N. K. Optymalizacja wzorów do obliczania IOL // Biuletyn Tambowskiego

Uniwersytet. Seria Nauk przyrodniczych i technicznych. Tambov, 2016. Vol. 21. Issue. 1, s. 208–213.

PODZIĘKOWANIA: Prace zostały przeprowadzone w ramach realizacji zadania państwowego rosyjskiego Ministerstwa Edukacji i Nauki nr 19.9991.2017 / 5.2 w celu realizacji projektu na temat: „Prowadzenie prac badawczych w ramach międzynarodowej współpracy naukowej i edukacyjnej w ramach programu„ Michaił Łomonosow ”na temat:„ Uogólnienie i formalizacja medycyny dane empiryczne z wykorzystaniem metod modelowania matematycznego ”przy wsparciu Fundacji DAAD.

Otrzymano 7 września 2017 r

Zenkova Natalya Alexandrovna, Tambov State University im G.R. Derzhavina, Tambow, Federacja Rosyjska, kandydat nauk psychologicznych, profesor nadzwyczajny na Wydziale Modelowania Matematycznego i Technologii Informacyjnych, e-mail: arz_sci@mail.ru

MOŻLIWOŚCI MODELOWANIA KOMPUTEROWEGO I MATEMATYCZNEGO DLA NIEKTÓRYCH ROZWIĄZAŃ ZADAŃ OKULISTYCZNYCH

Tambowski Uniwersytet Państwowy im. GR Derzhavina 33 Internatsionalnaya St., Tambow, Federacja Rosyjska, 392000 E-mail: arz_sci@mail.ru

Artykuł poświęcony jest uogólnieniu medycznych danych empirycznych za pomocą komputerowych i matematycznych metod symulacji. Przedstawiono wyniki badań i symulacji na podstawie medycznych danych empirycznych z zakresu okulistyki.

Słowa kluczowe: symulacja komputerowa i matematyczna; analiza czynników; Model ANN; LASIK; soczewki wewnątrzgałkowe; optymalizacja wzorów do obliczania soczewek wewnątrzgałkowych; formuły Holladay; Haigis, SRK T i SRK II

1. Arzamastsev AA, Zenkova NA, Fabrikantov OL, Kopylov AE Analiz faktorov, obuslovlivayushchikh regress refraktsionnogo effekta posle operatsiy lazik s ispol'zovaniem metodov matematicheskogo modelirovaniya [Analiza czynników determinujących regresję metod eksperymentalnych Vestnik Tambovskogo universiteta. Seriya Estestvennye i tekhnicheskie nauki – Tambov University Reports. Seria: Nauki przyrodnicze i techniczne, 2014, tom. 19, nr 6, pp. 18131820. (po rosyjsku).

2. Ivanov MN, Bocharov VE, Sheveev AY i in. Formula rascheta opticheskoy sily elastichnykh intraokulyarnykh linz [Wzór do obliczania mocy optycznej elastycznych soczewek wewnątrzgałkowych]. Vestnik oftal'mologii – Annals of Ophthalmology, 2000, no. 1, pp. 39–41. (Po rosyjsku).

3. Arzamastsev AA, Fabrikantov OL, Zenkova NA, Belousov NK Optimizatsiya formul dlya rascheta IOL [Optymalizacja wzorów do obliczania soczewek wewnątrzgałkowych]. Vestnik Tambovskogo universiteta. Seriya Estestvennye i tekhnicheskie nauki – Tambov University Reports. Seria: Nauki przyrodnicze i techniczne, 2016, tom. 21, nr 1, pp. 208–213. (Po rosyjsku).

PODZIĘKOWANIA: Praca jest realizowana w ramach zadania państwowego Ministerstwa Edukacji i Nauki Rosji nr. 19.9991.2017 / 5.2 na realizację projektu na temat: „Prowadzenie prac naukowo-badawczych w ramach międzynarodowej współpracy naukowo-edukacyjnej w ramach programu„ Michaił Łomonosow ”na temat:„ Generali-

zacja i formalizacja medycznych danych empirycznych z wykorzystaniem matematycznych metod modelowania i sztucznego intelektu »przy wsparciu fundacji DAAD.

Otrzymano 7 września 2017 r

Zenkova Natalya Aleksandrovna, Tambov State University im. GR Derzhavina, Tambov, Federacja Rosyjska, kandydat psychologii, profesor nadzwyczajny w dziale modelowania matematycznego i technologii informacyjnych, e-mail: arz_sci@mail.ru

Do cytowania: Zenkova N.A. Możliwości modelowania komputerowego i matematycznego do rozwiązywania niektórych problemów okulistycznych // Biuletyn Uniwersytetu Tambowa. Seria Nauk przyrodniczych i technicznych. Tambow, 2017. Vol. 22. Vol. 6. P. 1507-1512. DOI: 10.20310 / 1810-0198-2017-22-6-1507-1512

Cleanvision Polska