Учебное пособие 2036

выше, чем во второй на 11,5%. Психологическое здоровье выше в первой группе, чем во второй на 18,1%.

Заключение: с помощью информационных систем, используя опросник SF-36, мы смогли проанализировать результаты качества жизни после консервативного и хирургического лечения больных с синдромом Маллори – Вейсса. Выбор метода лечения зависит от стадии заболевания. При первых стадиях назначают консервативное лечение. На последних стадиях заболевания хирургическое лечение имеет значительное преимущество: операция Бейе, операция Стойка (гастротомия с прошиванием кровоточащих эрозий и перевязкой левой желудочной артерии). Также, используется зонд Блэкмора. Широко водят эндоскопическую терапию для остановки кровотечений – лигирование и клипирование сосудов, введение склерозантов и электрокоагуляция, наложение клипс на дефекты слизистой и аргон-плазменная коагуляция (АПК), особенно при продолжающемся кровотечении.

Таким образом, необходимым является контроль и оценка качества жизни больных с синдромом Маллори – Вейсса

Литература

1.Белоусова И. М, Редкие причины желудочно-кишечных кровотечений. М.: Медицина, 1976. 188 с.

2.Ефремов В.В., Информационные системы обработки и сжатия текста/В.В. Ефремов, И.Н.Ефремова, В.В.Серебровский, А.А.Черепанов.// Научные ведомости Белгородского государственного университета. Серия: Экономика. Информатика. 2014. Т. 29. № 1-1 (172). С. 182-184.

3.Ефремова И.Н, Использование двухкомпонентных продукций в задачах обработки символьной информации/И.Н. Ефремова , В.В. Ефремов ,

Н.А.Емельянова.// Интеллектуальные информационные системы Труды Международной научно-практической конференции. В 2-х частях. 2018. С. 134136.

4. Ефремова И.Н, К вопросу повышения эффективности автоматической обработки информации/ И.Н.Ефремова, В.В.Ефремов.// Современное общество, образование и наука сборник научных трудов по материалам Международной научно-практической конференции: в 9 частях. 2014. С. 22-23.

5.Ефремова И.Н., Параллельный алгоритм вычисления эффективных кодов для представления символьной информации/ И.Н.Ефремова, В.В.Ефремов //Математические методы и инновационные научно-технические разработки Курск, 2014. С. 89-93.

6.Островерхов Г.Е, Оперативная хирургия и топографическая анатомия /учеб. для студентов мед.вузов/ Г.Е.Островерхов, Ю.М. Бомаш, Д.Н. Лубоцкий.-5-е изд., испр.-М.:МИА, 2005.-735 с.

ФГБОУ ВО «Курский государственный медицинский университет», Россия

90

УДК 005:53.02,519.2

А.А. Ковалев, А.А. Ядченко, В.А. Игнатенко, Б.К. Кузнецов

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ В ОБУЧЕНИИ МАТЕМАТИЧЕСКОЙ СТАТИСТИКЕ

Современные исследования в сфере медицины и здравоохранения не обходятся без применения методов статистического анализа данных. В этом проявляется практическая значимость статистических методов в медицинской науке и в здравоохранении в целом. Завоевывающие твердые позиции методы доказательной медицины уверенно формируют образ мыслей и характер действий исследователя. Незыблемое мнение авторитетов, часто основанное на персональном опыте или опыте коллег, уже не является мерилом достоверности и постепенно становится лишь дополнительным критерием оценки, но никак не абсолютным и единственно верным.

Прогрессирующие методы доказательной медицины предъявляют высокие требования к их применению. Строгость подхода требует обширных знаний как в сфере непосредственно профессиональной, так и в областях знаний выходящих далеко за пределы медицины. Не достаточно просто набрать группы для исследования или посчитать средние значения и сделать на основе этого какие-то выводы. Важно правильно набрать группы и правильно оценить статистические параметры полученных результатов. Более того, надо знать собственно саму цель исследования, формулировать соответствующие гипотезы еще до начала эксперимента или сбора данных, а не придумывать их в ходе анализа массива разнородных цифр и наименований при написании статей (в силу специфики медико-биологических исследований этого сложно избежать, однако можно осознанно исключить возможные ошибки такого подхода) [1]. Неправильное или ошибочное применение методов статистического анализа может привести к существенному искажению истинного состояния дел. Ошибки на начальном этапе сбора данных непосредственно влияют на все последующие выводы. В итоге, совершенно бесполезный лекарственный препарат оказывается действенным, а его положительное влияние доказано, причем статистически значимо. В силу того, что использование методов статистического анализа набирает все большую популярность при написании научных работ и студенческих статей, не будет лишним еще раз затронуть проблему грамотного подхода к этим методам.

Одной из важных проблем применения методов статистики в медицине являются достаточно слабые знания самих медиков в этой области. По статистическому анализу медицинских данных, издано большое количество материала. Имеются тематические ресурсы в сети интернет, там же можно наткнуться на целые сообщества, посвященные методам статистики в медикобиологических исследованиях. Однако до сих пор знания, как студентов, так и выпускников медицинских вузов оставляют желать лучшего. Предмет

91

статистики непрост в преподавании и так же сложен в его восприятии учащимися [2]. Среди непростых математических выкладок студент-медик часто теряет нить изложения. И тем более за пределами внимания остаются подводные камни теории или метода, основные ошибки их применения. Описание же статистического раздела в студенческой статье может сводиться к использованию определенных клише, почерпнутых из анализа работ по схожей тематике. А данный подход приводит еще большему дилетантскому пониманию предмета и сути методов доказательной медицины.

Авторы статьи были непосредственными свидетелями, того как студент старшего курса в своей работе для анализа связей между бинарными качественными переменными применил параметрический коэффициент корреляции Пирсона и даже получил какие-то результаты, которые без раздумий посчитал за правильные. Стоит отметить, что и сами руководители студенческих исследований нередко дают не совсем корректные указания своим подопечным, а то и вовсе отказываются консультировать по вопросу обработки данных. В итоге появляется знакомая многим ситуация: «собери данные и занеси их специалисту по статистике, а он что-то да рассчитает». Однако специалисту нужны конкретные вопросы и задания, а «не сравнение на авось всего со всем». К последнему можно добавить, что студент, а иногда и даже аспирант не в состоянии грамотно разъяснить цель своего исследования.

Пример граф-логической схемы для изучения методов сравнения групп в программе MindManager

На базе кафедры медицинской и биологической физики Гомельского государственного медицинского университета в рамках курса «Основы статистики» для более наглядного обзора методов анализа разработаны графлогические схемы (пример на рисунке), структура которых несколько облегчает восприятие материала.

92

Изначально для студента необходимо донести сам факт разных методик анализа применимых к разным типам данных. Качественные, количественные и порядковые данные анализируются разными методами, и их интерпретация так же выглядит и должна пониматься по-разному, хотя в основе и могут лежать схожие принципы. Для количественных данных могут быть применены методы как параметрической так и непараметрической статистики, для порядковых данных используют методы непараметрической статистики, для качественных данных так же применяют непараметрические методы. Наиболее детально разработанными являются методы параметрической статистики, однако прежде чем их применять, необходимо выяснить к какому типу распределения относятся полученные данные. Параметрические методы анализа можно использовать только при условии, что распределение данных является нормальным. Нормальность распределения проверяется методом визуального анализа полученного распределения (внешний вид эмпирического распределения должен быть схож с нормальным распределением), а так же с использованием критериев нормальности, например критерия Шапиро-Уилка, Колмогорова-Смирнова или хи-квадрат. Наиболее популярным является критерий Шапиро-Уилка. Однако стоит помнить, что проверяется в первую очередь не только нормальность распределения выборок, но и нормальность распределения совокупностей из которых эти выборки были извлечены. Эту информацию можно получить из исследований схожей тематики. Часто такой информации может не быть, поэтому анализируется выборочное распределение и по его оценкам делаются выводы о распределении совокупностей [3]. Если же распределение отлично от нормального, то правильным решением будет использование непараметрических критериев.

Определившись с видом распределения и областью методов статистического анализа для данного типа распределения необходимо описать полученные данные. Для характеристики нормального распределения подходят среднее значение М и стандартное отклонение s (запись результата может быть следующей М±s). Если же распределение отличное от нормального (или признак является порядковым), то среднее и стандартное отклонение использовать некорректно и в этом случае правильнее описать данные с помощью медианы и перцентилей (или квартилей). В настоящее время наиболее часто используют интервальную оценку параметра в виде доверительных интервалов с указанием нижней и верхней границ. Доверительный интервал может находиться для средних значений, для медианы, для долей (см. методики описанные в [4,5])

После описания основных статистических параметров обычно переходят к проверке выдвигаемых в исследовании гипотез. Мы приведем лишь некоторые, на наш взгляд, часто возникающие вопросы.

Очень популярным критерием для сравнения групп является критерий Стьюдента. Про ошибки применения данного критерия написано достаточно много статей и публикаций (например, см. [6]). Но мы еще раз обратим на это внимание.

93

Первое, критерий Стьюдента можно применять только для сравнения двух групп. При применении критерия для попарного сравнения большего количества групп он может серьезно завысить результат, и обнаружить различие между группами там, где его нет. Если все же критерий Стьюдента был применен для сравнения нескольких групп попарно, то необходимо увеличить значение уровня значимости, применив поправку Бонферрони (разделить значение заданного уровня значимости на количество попарных сравнений), но даже при таком раскладе критерий Стьюдента нежелателен.

Второе, применение критерия Стьюдента подразумевает обязательную проверку типа распределения обеих групп. Оно должно быть строго нормальным. Без проверки на тип распределения применение критерия Стьюдента недопустимо.

И третье. Это проблема Беренса-Фишера – необходимость равенства дисперсий двух сравниваемых совокупностей. Равенство дисперсий (естественно речь идет о приблизительном равенстве) проверяется критерием Левена, доступном не во всех пакетах статистической обработки.

В случае сравнения более чем двух групп (а так же и для сравнения двух групп) предпочтительнее воспользоваться дисперсионным анализом. Однако дисперсионный анализ показывает только то, что рассматриваемые группы отличаются друг от друга, но не показывает какие группы отличаются. Для выяснения этого вопроса можно воспользоваться критериями попарного сравнения Тьюки, Шеффе или Ньюмана-Кеулса, при условии, что первоначально критерием Фишера были выявлены различия между группами. Данные критерии доступны в разделе апостериорного анализа модуля дисперсионного анализа в пакете Statistica. Также необходимо помнить, что и дисперсионный анализ используется в случае нормального распределения значений в группах. Если это условие не выполняется, то лучше применить непараметрический аналог: критерий Краскела-Уоллиса.

На наш взгляд для комплексного восприятия выше описанных замечаний алгоритмические структуры могут быть более предпочтительными. Отдельно можно было бы отметить возможность построения подобных схем студентом самостоятельно. Для этого можно применить универсальный пакет MSVisio, а так же не менее интересные возможности программ для управления картами памяти. Помимо подобного применения информационных технологий, студента-медика важно избавить от громоздких расчетных формул, поэтому в ходе проведения занятий задействованы определенные программные продукты, которые позволяют осуществить анализ данных без использования громоздких и сложных расчетов. В рамках курса «Основы статистики» Гомельского государственного медицинского университета предлагаются следующие: MSExcel для редактирования и подготовки данных к анализу, так же данный пакет задействуется для первичной обработки данных, построения сводных таблиц и начального графического представления; профессиональное программное обеспечение Statistica, используемое как основной инструмент обработки данных; дополнительновнедрено бесплатное приложение Attestat, в

94

качестве ознакомления студента с бесплатным профессиональным программным обеспечением. Разумеется, чтобы получить даже начального уровня опыт работы с этими программами, студент должен потратить определенное время на их изучение. Однако, изначально сложный материал по обработке данных, преподнесенный на уровне схем и алгоритмов в сочетании с использованием соответствующих программ, значительно упрощается и, самое главное, упорядочивается.

Литература

1.Медико-биологическая статистика.С. Гланц. Пер. с англ. — М., Практика, 1998. — 459 с.

2.Использование информационных технологий в преподавании статистики в гуманитарных вузах. О. П. Страхова, А. А. Каблуков. Коллектив авторов, 2014 УДК 378.016.:519.22:[378.4:009]. Медицина и экология 2014, №4.

3.Лабораторный практикум по биостатистике / Д. Ю. Нохрин. Челябинск: Изд-во Челяб. гос. ун-та, 2018. 289 с. (Классическое университетское образование).

4.Доверительные интервалы для частот и долей. А. М. Гржибовский. Экология человека 2008.№5

5.Наркевич А.Н., Наркевич А.А., Виноградов К.А. Интервальная оценка медианы и ее автоматизация (ГБОУ ВПО «Красноярский государственный медицинский университет им. проф. В.Ф. Войно-Ясенецкого» Минздрава РФ, г. Красноярск, Россия) Врач и информационные технологии. 2013, №4

6.Леонов. В.П. Когда нельзя, но очень хочется,или еще раз о критерии Стьюдента. Электронный журнал БИОМЕТРИКА[Электронный ресурс]. URL: http://www.biometrica.tomsk.ru

Гомельский государственный медицинский университет, Республика Беларусь

УДК 681.518.3

А.Ю. Вдовин, Е.А. Красноперова

ИССЛЕДОВАНИЕ СИГНАЛОВ ОПТИЧЕСКИХ ДАТЧИКОВ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ НА ОСНОВЕ СВЕТОВЫХ

ЭКРАНОВ

При приемо-сдаточных испытаниях патронов стрелкового оружия одним из обязательных этапов испытаний является определение скорости пуль [1]. На этом этапе применяют автоматизированные системы на основе блокирующих устройств (соленоидных, оптикоэлектронных, акустических), при этом наиболее перспективны оптикоэлектронные системы на основе световых

95

экранов, каждый из которых образован линейным излучателем и оптическим датчиком. При пересечении пулей светового экрана часть светового потока от излучателя к датчику затеняется и на выходе оптического датчика формируется электрический импульс [2].

Процесс ввода в эксплуатацию новых автоматизированных систем на основе блокирующих устройств может быть существенно упрощен и удешевлен за счет применения различных средств имитации, к которым можно отнести и имитационные модели.

Использование даже простейших имитационных моделей, представляющих собой последовательность прямоугольных импульсов, позволит оценить корректность работы созданного программного обеспечения автоматизированной системы, применение же более сложных вариантов [3, 4] при разработке программного обеспечения способно существенно облегчить принятие важнейших проектных решений, например, таких, как выбор оптимального с точки зрения обнаружения полезного сигнала порога срабатывания или выбор оптимального с точки зрения точности критерия определения момента времени прихода импульса (в случае выполнения реальных выстрелов истинное время его прихода неизвестно). При этом используемые имитационные модели должны быть максимально адекватными, их создание должно осуществляться на основе анализа большого числа реальных сигналов оптического датчика, получаемых при выполнении выстрелов.

Для создания имитационной модели сигнала датчика системы на основе световых экранов необходимо оценить величину и стабильность параметров регистрируемых импульсов (в первую очередь, длительность фронта t, амплитуду A и соответствующие им значения выборочных среднеквадратических отклонений σ). Так как датчики системы работают на отрицательный контраст, наиболее информативная часть импульса сосредоточена ниже уровня нуля, в связи с этим будем называть фронтом участок сигнала, на котором увеличивается его абсолютное значение (соответствует интервалу времени, на котором пуля входит в световой экран). Длительность фронта импульса будем определять на участке от 0,1A до 0,9A – рис. 1.

Рис. 1. Параметры импульса

96

Для проведения подобного анализа в среде Microsoft Visual Studio была разработана программа, интерфейс которой представлен на рис. 2.

Рис. 2. Разработанная программа В программу загружались файлы, полученные при испытаниях образцов

стрелкового оружия посредством автоматизированной системы АСИС-2Д [5, 6] на основе четырех последовательно расположенных световых экранов (для изделия АКМ – 252 файла, для изделия АК-74 – 175 файлов, АК-102 – 130 файлов). Так как сигналы оптических датчиков сильно зашумлены, применялась их предварительная обработка с помощью полосового фильтра Баттерворта [7, 8]. Программа осуществляет визуализацию сигнала, записанного в файле, и выполняет расчет необходимых параметров.

Полученные результаты приведены в таблица 1-2.

Таблица 1

Амплитуда импульсов с датчиков системы для различных типов

оружия

97

Таблица 2

Длительность импульсов с датчиков системы для различных типов оружия

Данные таблиц 1 и 2 позволяют сделать следующие выводы. Параметры импульсов достаточно стабильны, о чем свидетельствуют сравнительно малые величины среднеквадратических отклонений. Далее, так как длительность фронта во многом определяется скоростью пули, можно было ожидать, что длительность фронта будет увеличиваться на каждом последующем датчике (на первых 25м дистанции скорость пули уменьшается на 2,4-3,4% для рассматриваемых типов изделий). В реальности этого не наблюдается, повидимому, это связано с тем, что существенное значение имеют и другие факторы (неидентичность параметров конструктивных элементов датчиков и пр.). Аналогично, можно ожидать уменьшения амплитуды на каждом последующем датчике. Но и это наблюдается не для всех типов изделий.

Все полученные данные будут весьма важны при создании имитационных моделей сигналов оптических датчиков автоматизированных систем на основе световых экранов.

Литература

1.Данилин Г. А., Основы проектирования патронов к стрелковому оружию: Учебник / Г.А. Данилин, В.П. Огородников, А.Б. Заволокин; Балт. гос.

техн. ун-т. СПб., 2005. 374 с.

2.Афанасьева Н. Ю., Информационно-измерительная система на основе световых экранов для испытаний стрелкового оружия : дисс. … канд. техн. наук : 05.11.16 / Афанасьева Наталья Юрьевна. – Ижевск, 2003.

3.Антонов А. В., Упрощенная имитационная модель сигнала оптического датчика при пересечении дробовым снопом светового экрана / А. В. Антонов, А. Ю. Вдовин // Информационные технологии в науке, промышленности и образовании: сб. трудов регион. науч.-техн. конф. (г. Ижевск, 31 мая 2018 г.) / отв. ред. К. Ю. Петухов [Электронный ресурс]. – Ижевск: Изд-во ИжГТУ имени М. Т. Калашникова, 2018. – 15,3 Мб (PDF). – С. 305-309.

4.Романова Е. М., Создание моделей сигналов оптического датчика автоматизированной системы на основе световых экранов / Е. М. Романова, А. Ю. Вдовин // Информационные технологии в науке, промышленности и образовании: сб. трудов регион. науч.-техн. очно-заоч. конф. (г. Ижевск, 23 мая

98

2015 г.) / науч. ред. В. А. Куликов. – Ижевск: Изд-во ИжГТУ имени М.Т.Калашникова, 2015. – С. 277-281.

5.Вдовин А. Ю. Разработка системы на основе световых экранов для определения внешнебаллистических параметров : дис. … канд. техн. наук : 05.13.01 / Вдовин Алексей Юрьевич – Ижевск, 2010.

6.Вдовин А. Ю. Информационные измерительные системы для определения скорости пуль на нескольких дистанциях / А. Ю. Вдовин, С. Ф. Егоров, Е. М. Марков // Информационные технологии в науке, промышленности и образовании: сб. тр. науч.-техн. конф. факультета «Информатика и вычислительная техника» ИжГТУ (26 апреля 2011 г.) / науч. ред. В. А. Куликов. – Ижевск: Изд-во ИжГТУ, 2011. – С. 145-148.

7.Вдовин А. Ю. Использование фильтров Баттерворта для повышения точности автоматизированной системы определения внешнебаллистических параметров на основе световых экранов / А. Ю. Вдовин, К.О. Саляхутдинов // Информационные технологии в науке, промышленности и образовании: сб. трудов регион. науч.-техн. очно-заоч. конф. (г. Ижевск, 23 мая 2015 г.) / науч. ред. В. А. Куликов. – Ижевск: Изд-во ИжГТУ имени М.Т.Калашникова, 2015. –

С. 184-187.

8.Вдовин А. Ю. Цифровая фильтрация в автоматизированных системах определения внешнебаллистических параметров / А. Ю. Вдовин // Информационные технологии в промышленности и образовании: сб. тр. науч.- техн. конф. факультета «Информатика и вычислительная техника», посвященной 50-летию кафедры «Вычислительная техника» ИжГТУ / науч. ред. Ю. В. Веркиенко. – Ижевск: Изд-во ИжГТУ, 2009. – С. 52-55.

ФГБОУ ВО «Ижевский государственный технический университет имени М. Т. Калашникова», Россия

УДК 519.237.5

А.П. Котенко, А.А. Котенко

МЕТОД ИДЕНТИФИКАЦИИ СИСТЕМЫ РЕГРЕССИОННЫХ УРАВНЕНИЙ ПРИ ВЗАИМОСВЯЗАННЫХ ПАРАМЕТРАХ

Предлагается следующий метод идентификации взаимосвязанных параметров системы линейных регрессионных уравнений по набору одномоментных выборочных наблюдений [1,2]. Для выборки объ ма n рассмотрим систему линейных регрессионных уравнений (структурную форму модели – СФМ) в стандартизованных переменных:

99