Нейросетевое моделирование при прогнозировании характера течения вибрационной болезни в сочетании с хронической обструктивной болезнью легких
Представлена нейросетевая модель прогнозирования развития вибрационной болезни в сочетании с хронической обструктивной болезнью легких (ХОБЛ ). Выявлены наиболее чувствительные входные переменные как для вибрационной болезни, так и при ее Представлено нейромережеву модель прогнозування розвитку вібр...
Збережено в:
| Опубліковано в: : | Международный медицинский журнал |
|---|---|
| Дата: | 2009 |
| Автори: | , |
| Формат: | Стаття |
| Мова: | Російська |
| Опубліковано: |
Інститут проблем кріобіології і кріомедицини НАН України
2009
|
| Теми: | |
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/30498 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Нейросетевое моделирование при прогнозировании характера течения вибрационной болезни в сочетании с хронической обструктивной болезнью легких / В.А. Капустник, О.Л. Архипкина // Международный медицинский журнал. — 2009. — Т. 15, № 4. — С. 42-45. — Бібліогр.: 8 назв. — рос. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1859487173840994304 |
|---|---|
| author | Капустник, В.А. Архипкина, О.Л. |
| author_facet | Капустник, В.А. Архипкина, О.Л. |
| citation_txt | Нейросетевое моделирование при прогнозировании характера течения вибрационной болезни в сочетании с хронической обструктивной болезнью легких / В.А. Капустник, О.Л. Архипкина // Международный медицинский журнал. — 2009. — Т. 15, № 4. — С. 42-45. — Бібліогр.: 8 назв. — рос. |
| collection | DSpace DC |
| container_title | Международный медицинский журнал |
| description | Представлена нейросетевая модель прогнозирования развития вибрационной болезни в сочетании с хронической обструктивной болезнью легких (ХОБЛ ). Выявлены наиболее чувствительные входные переменные как для вибрационной болезни, так и при ее
Представлено нейромережеву модель прогнозування розвитку вібраційної хвороби у поєднанні з хронічною обструктивною хворобою легенів (ХОХЛ ). Виявлено найбільш чуттєві вхідні змінні як для вібраційної хвороби, так і за її поєднання з ХОХЛ , які можуть бути успішно використані під час скринінгового дослідження.
Neuron network model of prognosis of development of vibration sickness in combination with chronic obstructive pulmonary diseases (COPD ) is presented. The most sensitive entrance variables both for vibration sickness and for its combination with COPD , which can successfully be used at in screening investigations, were revealed.
|
| first_indexed | 2025-11-24T16:12:57Z |
| format | Article |
| fulltext |
42
МеЖдУНАРОдНый МедиЦиНСКий ЖУРНАЛ, 2009, № 4
© В. А. КАПУСТНиК, о. л. АРхиПКиНА, 2009
тераПия
Актуальность проблемы прогнозирования
особенностей развития патологического процес-
са в будущем безотносительно к характеру этого
процесса определяется возможностью выявления
значимых специфических показателей, существен-
но влияющих на течение заболевания и эффектив-
ность процедуры лечения. В последние годы для
решения задач прогнозирования в медицине все
чаще применяется нейросетевое моделирование
[1–3]. Математические модели нейронных сетей
(НС) имитируют мышление человека-эксперта.
Подобно человеку, НС способны обобщать полу-
ченную в процессе обучения информацию и затем
генерировать правильные выводы при анализе
новой информации. Также мыслит врач, который,
обращаясь к своим ранее накопленным знаниям
и опыту и используя данные обследования боль-
ного, устанавливает диагноз и делает прогноз.
Метод нейросетевого моделирования вос-
производит полифункциональную синергети-
ку реально существующих в живом организме
естественных микропроцессов и представляет
научно-практический интерес для клиницистов,
поскольку формирует новый перспективный под-
ход к математической обработке данных по ком-
плексной диагностике функционального статуса
больных [4, 5].
Целью работы явилось построение нейросете-
вой модели прогнозирования развития вибраци-
онной болезни (Вб) в сочетании с хронической
обструктивной болезнью легких (ХОбЛ), способ-
ной отобразить конкретную лечебно-тактическую
ситуацию и выявить значимые клинические, ла-
бораторные, инструментальные показатели, вли-
яющие на эффективность принимаемых решений
в плане патогенетической терапии.
При построении НС был использован ли-
цензионный пакет нейросетевого моделирования
statistica neural network (stat. soft. Inc.) [6].
В качестве экспериментальных данных выступали
собственные материалы обследования пациентов,
находящихся на лечении в Нии гигиены труда
и профзаболеваний Харьковского национального
медицинского университета. Все обследованные
были лицами мужского пола в возрасте 45–55 лет
и имели II стадию Вб. Верификацию диагноза
ХОбЛ проводили в соответствии с инструкциями
МЗ Украины (приказ МЗ Украины от 19.03.2007
№ 128) [4, 7]. Первую группу наблюдения соста-
вили 80 больных Вб. Во вторую группу вошли
80 пациентов с Вб в сочетании с ХОбЛ І–ІІ ста-
дии. из исследования были исключены больные
в фазе обострения. 20 практически здоровых
мужчин-добровольцев этого же возраста состави-
ли группу контроля.
Каждого больного обследовали при поступ-
лении и при выписке из клиники. Совокуп-
ность данных обследования являлась примером
для предъявления НС. Учитывались следующие
клинические, лабораторные и инструментальные
показатели (всего 67 входных переменных для
НС) для первой группы (Вб) и второй группы
(Вб + ХОбЛ): возраст; длительность заболева-
ния; параметры вибрации (стаж, средняя вели-
чина вибрации, ширина полосы частот вибрации,
пороги вибрационной чувствительности ПВч-63,
ПВч-125, ПВч-250); элементы соединительной
ткани (содержание в сыворотке крови эластазы,
гликозаминогликанов (гАг), свободного (СОП)
и пептидносвязанного оксипролина (ПСОП), кол-
лагенолитической активности (КА)); концентра-
ции микроэлементов в сыворотке крови (магния,
кальция, меди, неорганического фосфора); данные
клинического анализа крови; данные биохимиче-
ского анализа крови (содержание сахара, общего
и прямого билирубина, аламинаминотрансферазы
(АлАТ), мочевины, креатинина, холестерина, ли-
попротеидов, тимоловая проба, протромбиновый
индекс); физиологические параметры (систоличе-
ское (САд) и диастолическое (дАд) артериальное
давление, рост, вес, индекс массы тела (иМТ));
данные спирографии (ЖеЛ, ФЖеЛ, ОФВ1, ин-
УДК 616.001.34-057:616.233]-07:004.77
нейроСетевое Моделирование При Прогнозировании
характера течения вибрационной болезни
в Сочетании С хроничеСкой обСтруктивной
болезнью легких
Проф. В. А. КАПУСТНиК, О. Л. АРХиПКиНА
Харьковский национальный медицинский университет
Представлена нейросетевая модель прогнозирования развития вибрационной болезни в сочетании
с хронической обструктивной болезнью легких (хобл). выявлены наиболее чувствительные вход-
ные переменные как для вибрационной болезни, так и при ее сочетании с хобл, которые могут
быть успешно использованы при скрининговом исследовании.
Ключевые слова: нейронные сети, вибрационная болезнь, хроническая обструктивная болезнь легких.
43
ТеРАПия
декс Тиффно, МОС 25, 50, 75); холодо-
вой пробы, электротермометрии, дина-
мометрии, выносливости.
Основными элементами НС явля-
ются искусственные нейроны, кото-
рые объединяются в сеть взвешенны-
ми связями, аналогичными дендритам
нейронов головного мозга. Нейроны
объединяются в слои. В общем случае
искусственный нейрон состоит из си-
напсов сумматора и блока нелинейного
преобразования. Синапсы связывают
между собой нейроны и умножают сигналы, по-
ступающие на входы нейрона, на весовые коэф-
фициенты, которые характеризуют силу синап-
тических связей. Сумматор нейрона выполняет
сложение всех сигналов, которые поступают по
синаптическим связям от каждого из нейронов
предыдущего слоя. Нелинейный преобразователь
реализует нелинейную функцию выхода сумматора
и определяет правило, в соответствии с которым
вычисляется выходной сигнал нейрона.
Задача прогнозирования нами была сформу-
лирована как задача классификации. Объектом
прогнозирования являлась длительность ремис-
сии, которая характеризовалась 67 переменными
(факторы риска). Формулирование решающих
правил классификации сложных объектов, кото-
рые описываются большим числом переменных,
представляет значительные трудности, так как тре-
буется перебор всех возможных сочетаний пере-
менных и их градаций и анализ закономерностей,
связывающих условия задачи с результатом. При
решении задачи классификации с помощью НС
формулировка решающих правил не требуется.
Необходимо достаточно полно описать объект
прогнозирования с помощью переменных и ука-
зать, к какому кассу он относится. Сеть в процессе
обучения автоматически осуществляет поиск за-
кономерностей между совокупностью обучающих
данных. Выходные сигналы сети проецируются
в пространстве, размерность которого равна числу
классов. При тройной классификации (3 катего-
рии длительности ремиссии) пространство делится
на три части границами. После того как входные
сигналы проходят через все нейронные сети, на
входе формируется образ, который проецирует-
ся в точку в одной из областей пространства по
разные стороны границы. чем дальше точки рас-
полагаются от границы, тем лучше НС классифи-
цирует объекты.
для обучения сети и оценки качества ее про-
гнозирования все множество экспериментальных
данных случайным образом было разбито на
3 группы: обучающее множество, служащее для
настройки весов НС; контрольное — для контро-
ля процесса обучения сети и предотвращения ее
переобучения; тестовое — для проверки резуль-
татов обучения. Процесс обучения проходил как
подгонка модели, реализуемой сетью, к обучающим
данным. В обучении сети использовались методы
псевдоинверсии, К-ближайших соседей, алгоритм
обратного распространения ошибки, являющийся
стандартным для обучения НС типа многослойно-
го персептрона [8]. В результате оставлялась сеть
с наименьшей ошибкой. далее на тестовой выборке
построенная модель проверялась на адекватность,
убирался эффект переобучения. По каждой из
групп параметров были выделены наиболее зна-
чимые переменные.
При нейросетевом моделировании прогноза
исхода лечения (длительность ремиссии) боль-
ных Вб было исследовано 33 различных модели
НС. Среди них 8 построены на основе обобщен-
ных регрессионных моделей (grnn), 5 — на
основе радиальных базисных функций (rbF),
остальные — многослойные персептроны (MlP),
имеющие 1 или 2 скрытых слоя. Наилучшая сеть
выбиралась по соотношению трех параметров: по
возможности должно быть максимальное качество
представления (эффективность), минимальная
ошибка, а также относительно небольшое число
входов. достойными детального рассмотрения
(и дальнейшего применения на практике) мы счи-
таем нейросетевые модели № 13 и 21 (табл. 1).
Рассмотрим нейронную сеть с индексом 13.
Это сеть на основе радиальных базисных функ-
ций, имеющая ошибку 0,25 и обладающая ка-
чеством представителя 0,80032, т. е. такая модель
может правильно осуществлять классификацию
в 80,03 % случаев.
Эта сеть имеет 13 входов и 3 элемента на един-
ственном латентном слое. На рисунке приведена
архитектура полученной модели.
При обучении сети использовались методы
псевдоинверсии, К-ближайших соседей, К-средних.
Качество обучения сети было удовлетворительным.
далее был проведен анализ чувствительности дан-
ной сети к входным переменным. Следует отме-
тить, что для всех входных показателей значение
ratio, представляющее собой отношение ошибки
сети без этой переменной к ошибке сети со все-
ми переменными, больше или приближается к 1,
что свидетельствует об отсутствии в модели из-
быточных переменных.
Степень важности каждой переменной опреде-
ляется рангом, который назначается в зависимо-
сти от размера ошибки сети в случае исключения
этой переменной. В нашей нейросетевой модели
на основе радиальных базисных функций входные
Таблица 1
Сравнительная оценка эффективности
исследованных моделей
Мо
дель
Тип
сети Ошибка
коли
чество
входов
Скрытое число
переменных
на латентном
слое
качество
предста
вителя
13 RBF 0,2591512 13 3 0,8003155
21 MLP 0,257015 11 4 0,7552579
44
ТеРАПия
показатели ранжированы следующим образом: на
первом месте элемент соединительной ткани —
гАг (1-й ранг), затем три показателя холодовой
пробы: правая начало (2-й ранг), правая исход
(3-й ранг) и левая начало (4-й ранг), показатель
электротермометрии кисти имеет 5-й ранг, динамо-
метрия слева — 6-й ранг, показатель спирографии
(ЖеЛ) — 7-й ранг по важности, микроэлементы
Mg и Са имеют 8-й и 10-й ранги соответственно,
между ними 9-й ранг — еще один показатель ди-
намометрии справа, замыкают список два элемента
соединительной ткани эластаза (11-й ранг) и КА
(12-й ранг) и порог вибрационной чувствитель-
ности (ПВч-63 слева) — 13-й ранг.
При нейросетевом моделировании прогно-
зирования возможной длительности ремиссии
после соответствующей терапии у больных Вб
в сочетании с ХОбЛ рассмотрено 40 моделей, из
которых по балансу соотношения максимальной
точности представления, минимальной ошибки
и количества входов имеет смысл рассмотреть
сети, представленные в табл. 2.
Все они являются многоуровневыми персеп-
тронами (MlP), из которых первые два имеют
по одному скрытому слою, остальные — по два.
исходя из наилучшего соотношения вышеука-
занных параметров представляла интерес сеть
№ 2 с качеством представления 0,98691 и ошиб-
кой 0,13005. Эта сеть являет собой трехслойный
персептрон с 8 входами и 4 элементами на ла-
тентном слое.
ее обучение при стремлении к минимизации
ошибок проводилось по алгоритму обратного
распространения ошибки. Обучение сети вполне
удовлетворительное — ошибка на проверочном
множестве практически не превышает ошибку на
обучающем множестве и, можно сказать, убывает.
Анализируя чувствительность сети, получи-
ли переменные, ранжированные в таком порядке:
показатель спирографии объема форсированного
выдоха за 1-ю с (ОФВ1) (1-й ранг), гемоглобин
(Hg) (2-й ранг), динамометрия справа (3-й ранг),
элемент соединительной ткани СОП (4-й ранг),
показатели электротермометрии кисти (5-й ранг)
и бедра (6-й ранг), эластаза (7-й ранг).
Таким образом, исходя из результатов прове-
денного исследования можно сделать следующие
выводы.
изложенный комплексный подход к анализу
результатов исследования различных функцио-
нальных систем организма у больных Вб и Вб
в сочетании с ХОбЛ свидетельствует о возмож-
ности прогнозирования длительности ремиссии
после соответствующей патогенетической терапии
методами нейросетевого моделирования.
Установлено, что при прогнозировании вре-
мени ремиссии у больных Вб лучшей моделью
явилась сеть на основе радиальных базисных
функций (rbF), имеющая 13 входов и 3 элемента
на латентном слое и позволяющая пра-
вильно предсказать результат в 80,032 %
случаев.
При прогнозировании времени ре-
миссии у больных Вб с сопутству-
ющей ХОбЛ лучшей моделью явился
трехслойный персептрон с 8 входами
и 4 элементами на латентном слое с ве-
роятностью достоверности предсказания
Pd = 0,98691 и ошибкой 0,13005.
Практическая значимость прове-
денного нейросетевого моделирования
обусловлена выделением наиболее чув-
ствительных входных переменных (из
представленных 67) и их ранжировани-
ем по важности, что может быть учтено
в процессе патогенетической терапии.
Архитектура нейронной сети № 13 на основе радиаль-
ных базисных функций: ошибка сети на обучающем
подмножестве: 0,2075683; ошибка сети на тестовом
подмножестве 0,3310631; точность классификации
на обучающем множестве 0,7636098; точность класси-
фикации на тестовом множестве 1,095241
Таблица 2
Сравнительная оценка эффективности нейросетевых
моделей прогнозирования длительности ремиссии
у больных вб и хобл
Мо
дель
Тип
сети Ошибка
коли
чество
входов
Скрытое число
переменных
на латентном
слое
качество
предста
вителя
01 MLP 0,1527752 13 9 1,2268810
02 MLP 0,1300519 8 4 0,9869175
03 MLP 0,1604950 8 5 1,0549740
04 MLP 0,1292884 5 4 0,9600907
05 MLP 0,1072465 4 3 0,9487079
45
ТеРАПия
нейроМережеве Моделювання При Прогнозуванні
характеру Перебігу вібраційної хвороби у Поєднанні
з хронічною обСтруктивною хворобою легенів
В. А. КАПУСТНиК, О. Л. АРХиПКиНА
Представлено нейромережеву модель прогнозування розвитку вібраційної хвороби у поєднанні
з хронічною обструктивною хворобою легенів (хохл). виявлено найбільш чуттєві вхідні змінні
як для вібраційної хвороби, так і за її поєднання з хохл, які можуть бути успішно використані під
час скринінгового дослідження.
Ключові слова: нейронні мережі, вібраційна хвороба, хронічна обструктивна хвороба легенів.
neuron networK sImulatIon at prognosIs of the character of the course
of vIbratIon sIcKness accompanIed by chronIc obstructIve pulmonary
dIsease
V. A. KAPustnIK, o. l. ArKHIPKInA
neuron network model of prognosis of development of vibration sickness in combination with chronic
obstructive pulmonary diseases (copd) is presented. the most sensitive entrance variables both for
vibration sickness and for its combination with copd, which can successfully be used at in screening
investigations, were revealed.
Key words: neuron networks, vibration sickness, chronic obstructive pulmonary disease.
Поступила 27.10.2009
Так, у больных Вб такими переменными высту-
пают в соответствии с рангом: элемент соедини-
тельной ткани гАг, далее показатели холодовой
пробы, електротермометрии кисти, динамоме-
трии, спирографии (ЖеЛ), концентрации магния
и кальция, замыкают список элементы соедини-
тельной ткани — эластаза и КА, порог вибрацион-
ной чувствительности (ПВч-63 слева). У больных
с сочетанной патологией такими переменными
являются: показатель спирометрии ОФВ1; содер-
жание гемоглобина; показатели соединительной
ткани СОП, еластаза; показатели динамометрии
справа, электротермометрии кисти и бедра.
Технологии нейросетевого моделирования мо-
гут быть успешно использованы как в скрининго-
вом исследовании индивидуального прогнозирова-
ния исходов лечения больных Вб и Вб с сопут-
ствующей ХОбЛ, так и в изучении нелинейных
взаимодействий физиологических показателей при
данной патологии.
Л и т е р а т у р а
Осовский С. 1. Нейронные сети для обработки инфор-
мации.— М.: Финансы и статистика, 2002.— 344 с.
Черноруцкий И. Г.2. Методы принятия решений.—
СПб.: бХВ-Петербург, 2005.— 416 с.
Хайкин С. 3. Нейронные сети.— СПб.: Питер, 2006.— 984 с.
Наказ МОЗ України від 19.03.2007 № 128 «Про за-4.
твердження клінічних протоколів надання медичної
допомоги за спеціальністю “Пульмонологія”».— Київ,
2007.— 146 с.
Дюк В., Эммануэль В. 5. информационные технологии
в медикобиологических исследованиях.— СПб.:
Питер, 2003.— 528 с.
Люгер Дж. Ф.6. искусственный интеллект. Стратегии
и методы решения сложных проблем: Пер. с англ.;
4-е изд.— М.: изд. дом «Вильямс», 2003.— 864 с.
Назаренко Г. И., Осипов Г. С. 7. Медицинские инфор-
мационные системы и искусственный интеллект:
Научн. пособие.— Вып. 3.— М.: Медицина xxI,
2003.— 240 с.
Филаретов Г. Ф., Джордан Б.8. Применение автоассо-
циативных нейронных сетей для сжатия информа-
ции // xxx Междунар. конф. «информационные
технологии в науке, образовании, телекоммуникации,
бизнесе».— ялта — гурзуф, 2003.— С. 8–11.
|
| id | nasplib_isofts_kiev_ua-123456789-30498 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | XXXX-0090 |
| language | Russian |
| last_indexed | 2025-11-24T16:12:57Z |
| publishDate | 2009 |
| publisher | Інститут проблем кріобіології і кріомедицини НАН України |
| record_format | dspace |
| spelling | Капустник, В.А. Архипкина, О.Л. 2012-02-04T21:42:44Z 2012-02-04T21:42:44Z 2009 Нейросетевое моделирование при прогнозировании характера течения вибрационной болезни в сочетании с хронической обструктивной болезнью легких / В.А. Капустник, О.Л. Архипкина // Международный медицинский журнал. — 2009. — Т. 15, № 4. — С. 42-45. — Бібліогр.: 8 назв. — рос. XXXX-0090 https://nasplib.isofts.kiev.ua/handle/123456789/30498 616.001.34-057:616.233]-07:004.77 Представлена нейросетевая модель прогнозирования развития вибрационной болезни в сочетании с хронической обструктивной болезнью легких (ХОБЛ ). Выявлены наиболее чувствительные входные переменные как для вибрационной болезни, так и при ее Представлено нейромережеву модель прогнозування розвитку вібраційної хвороби у поєднанні з хронічною обструктивною хворобою легенів (ХОХЛ ). Виявлено найбільш чуттєві вхідні змінні як для вібраційної хвороби, так і за її поєднання з ХОХЛ , які можуть бути успішно використані під час скринінгового дослідження. Neuron network model of prognosis of development of vibration sickness in combination with chronic obstructive pulmonary diseases (COPD ) is presented. The most sensitive entrance variables both for vibration sickness and for its combination with COPD , which can successfully be used at in screening investigations, were revealed. ru Інститут проблем кріобіології і кріомедицини НАН України Международный медицинский журнал Терапия Нейросетевое моделирование при прогнозировании характера течения вибрационной болезни в сочетании с хронической обструктивной болезнью легких Нейромережеве моделювання при прогнозуванні характеру перебігу вібраційної хвороби у поєднанні з хронічною обструктивною хворобою легенів Neuron network simulation at prognosis of the character of the course of vibration sickness accompanied by chronic obstructive pulmonary disease Article published earlier |
| spellingShingle | Нейросетевое моделирование при прогнозировании характера течения вибрационной болезни в сочетании с хронической обструктивной болезнью легких Капустник, В.А. Архипкина, О.Л. Терапия |
| title | Нейросетевое моделирование при прогнозировании характера течения вибрационной болезни в сочетании с хронической обструктивной болезнью легких |
| title_alt | Нейромережеве моделювання при прогнозуванні характеру перебігу вібраційної хвороби у поєднанні з хронічною обструктивною хворобою легенів Neuron network simulation at prognosis of the character of the course of vibration sickness accompanied by chronic obstructive pulmonary disease |
| title_full | Нейросетевое моделирование при прогнозировании характера течения вибрационной болезни в сочетании с хронической обструктивной болезнью легких |
| title_fullStr | Нейросетевое моделирование при прогнозировании характера течения вибрационной болезни в сочетании с хронической обструктивной болезнью легких |
| title_full_unstemmed | Нейросетевое моделирование при прогнозировании характера течения вибрационной болезни в сочетании с хронической обструктивной болезнью легких |
| title_short | Нейросетевое моделирование при прогнозировании характера течения вибрационной болезни в сочетании с хронической обструктивной болезнью легких |
| title_sort | нейросетевое моделирование при прогнозировании характера течения вибрационной болезни в сочетании с хронической обструктивной болезнью легких |
| topic | Терапия |
| topic_facet | Терапия |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/30498 |
| work_keys_str_mv | AT kapustnikva neirosetevoemodelirovaniepriprognozirovaniiharakteratečeniâvibracionnoiboleznivsočetaniishroničeskoiobstruktivnoiboleznʹûlegkih AT arhipkinaol neirosetevoemodelirovaniepriprognozirovaniiharakteratečeniâvibracionnoiboleznivsočetaniishroničeskoiobstruktivnoiboleznʹûlegkih AT kapustnikva neiromereževemodelûvannâpriprognozuvanníharakteruperebíguvíbracíinoíhvorobiupoêdnannízhroníčnoûobstruktivnoûhvoroboûlegenív AT arhipkinaol neiromereževemodelûvannâpriprognozuvanníharakteruperebíguvíbracíinoíhvorobiupoêdnannízhroníčnoûobstruktivnoûhvoroboûlegenív AT kapustnikva neuronnetworksimulationatprognosisofthecharacterofthecourseofvibrationsicknessaccompaniedbychronicobstructivepulmonarydisease AT arhipkinaol neuronnetworksimulationatprognosisofthecharacterofthecourseofvibrationsicknessaccompaniedbychronicobstructivepulmonarydisease |