Содержание к диссертации
Введение
Глава 1. Обзор литературы 25
1.1. Проблемы диагностики типа (характера) инсульта 25
1.2. Проблемы диагностики подтипа ишемического инсульта 38
1.3. Интеллектуальный анализ данных в задачах медицинской диагностики 47
1.3.1. Статистические методы 47
1.3.2. Нейросетевые методы 48
1.4. Представление экспертных медицинских знаний 54
Глава 2. Материалы и методы исследования 66
2.1. Первичные документальные источники информации 66
2.2. Общая характеристика выборки 69
2.3. Программные средства разработки баз данных 76
2.4. Учет критериев TOAST 76
2.5. Применение терминологического стандарта SNOMED International 3.4 77
2.6. Стратегии и методы получения знаний 80
2.6.1. Методы получения экспертных знаний 80
2.6.2. Математические методы и программные средства интеллектуального анализа данных 81
2.6.2.1. Методы математической статистики 81
2.6.2.2. Логико-статистические методы 82
2.6.2.3. Методы искусственных нейронных сетей 91
2.7. Программное средство разработки экспертной системы 91
2.8. Критерии оценки (показатели) эффективности способов дифференциальной диагностики 92
2.8.1. Операционные характеристики и прогностичность 92
2.8.2. Анализ согласованности независимых диагностических заключений 97
2.8.3. Оценка внутренней и внешней валидности 99
Глава 3. Системный анализ проблемной области. Представление данных 101
3.1. Системный анализ проблемной области 101
3.1.1. Формализация информационного пространства неврологической клиники 101
3.1.2. Разработка компьютеризированной версии частично формализованной истории болезни 103
3.1.3. Разработка баз данных по проблемам инсульта 106
3.1.4. Онтология проблемной области 108
3.2. Представление данных по проблеме дифференциальной диагностики инсультов 112
3.3. Стандартизация представления данных с использованием международного медицинского терминологического стандарта 116
Глава 4. Одномерный статистический анализ данных 121
4.1. Результаты анализа данных анамнеза 121
4.2. Результаты анализа данных клинического обследования 128
4.3. Результаты томографических исследований 134
4.4. Результаты других инструментальных и лабораторных исследований 136
Глава 5. Математические алгоритмы диагностики типа (характера) инсульта 144
5.1. Анализ эффективности диагностики типа инсульта в существующей врачебной практике 144
5.2. Разработка математических алгоритмов с использованием статистического подхода (логистической регрессии) 147
5.3. Разработка математических алгоритмов с использованием логико-статистического подхода 153
5.4. Разработка математических алгоритмов с использованием методов искусственных нейронных сетей 170
5.4.1. Построение искусственных нейронных сетей на эвристическом наборе признаков 173
5.4.2. Построение искусственных нейронных сетей Н<» наборе признаков, информативных по критерию логико-статистического метода 188
5.4.3. Построение искусственных нейронных сетей на наборе признаков, информативных с точки зрения «генетического» алгоритма 192
5.4.4. Дополнительное тестирование наилучшего нейросетевого алгоритма 205
Глава 6. Математические алгоритмы диагностики патогенетических подтипов ишемического инсульта 209
6.1. Применение алгоритма TOAST для диагностики подтипов ишемического инсульта 210
6.2. Экспертная оценка в диагностике подтипов ишемического инсульта 212
6.3. Анализ согласия заключений эксперта и заключений алгоритма TOAST 214
6.4. Построение искусственных нейронных сетей на экспертных признаках 217
6.5. Построение искусственных нейронных сетей на признаках TOAST 226
6.6. Описательная статистика для входных признаков искусственной нейросети 231
Глава 7. Экспертные системы по проблеме дифференциальной диагностики инсультов 235
7.1. Системный анализ проблемной области на применимость технологии экспертных систем 235
7.2. Выявление и представление процедурных экспертных знаний о дифференциальной диагностике инсультов 236
7.3. Разработка демонстрационных и исследовательских прототипов экспертных систем. Оценка показателей их эффективности 248
7.4. Представление информации о научно-обоснованных медицинских вмешательствах при остром инсульте 252
Глава 8. Сравнение эффективности различных математических алгоритмов и экспертных систем 257
Заключение 263
Выводы 281
Практические рекомендации 284
Список литературы 286
Приложение. Формализованные критерии TOAST 319
- Проблемы диагностики типа (характера) инсульта
- Первичные документальные источники информации
- Системный анализ проблемной области
Введение к работе
Тремя основными причинами смертности населения от неинфекционной патологии в современном мире являются сердечно-сосудистые, онкологические и цереброваскулярные заболевания. В России первое место в структуре общей смертности занимает ишемическая болезнь сердца (25,7%), на втором месте находятся цереброваскулярные заболевания (21,4%), на третьем онкологическая патология (14,7%), в то время как в мире последняя занимает второе место. Показатели смертности в России от сосудистых заболеваний мозга - одни из самых высоких в мире, причем заболеваемость населения трудоспособного возраста постоянно увеличивается. На основании данных регистра инсульта заболеваемость в России оценивается приблизительно в 200 человек на 100 тысяч населения в год. Существенно, что среди всех случаев смерти, отнесенных к цереброваскулярной патологии, диагноз инсульта с указанием его характера ставится лишь в 20,6% случаев, недифференцированный диагноз «острое нарушение мозгового кровообращения» - в 38,6% случаев. Ежегодно регистрируется 400 тыс. новых случаев острого инсульта, причем заболеваемость населения трудоспособного возраста постоянно увеличивается. Летальность достигает 35-40%, и 62% лиц, переживших инсульт, остаются инвалидами [8,9, 34].
Решающее значение в снижении смертности и инвалидизации вследствие инсульта принадлежит первичной профилактике, однако существенный эффект дает и оптимизация системы помощи больным инсультом, основанная на концепции гетерогенности инсульта [114]. Именно поэтому большое значение имеет предоставление врачу всесторонней поддержки в принятии быстрого и точного диагностического решения, определяющего дальнейшую тактику лечения, а, следовательно, и прогноз для больного [50]. Это касается как установления характера (типа) инсульта, так и диагностики патогенетического подтипа ишемического инсульта.
В настоящее время "золотым стандартом" (референтным, эталонным методом) прижизненной диагностики характера инсульта считается томографическое исследование головного мозга. Однако абсолютизировать какой-либо инструментальный метод исследования, в том числе и этот, с нашей точки зрения, нецелесообразно. Это связано с несколькими ограничениями.
Во-первых, известно, что согласие (совпадение) врачебных заключений по ультразвуковым, рентгенологическим, радиоизотопным, электрокардиографическим, гистологическим и другим исследованиям, связанных с оценкой медицинских изображений, недостаточно высока и составляет порядка 80% [16, 198, 215]. Это относится как к сходимости метода (совпадение заключений разных врачей), так и к его воспроизводимости (совпадение заключений одного и того же врача в разные дни). Как было показано, согласие специалистов при оценке томографических изображений также является недостаточным [225,244].
Во-вторых, необходимо принимать во внимание реальную ситуацию с недостаточной доступностью для больных такого высокотехнологичного и дорогостоящего метода диагностики типа инсульта, как КТ и МРТ, причем не только в России, но и во многих других странах мира. Так, по данным регистра инсульта Национальной ассоциации борьбы с инсультом в России, только 20% больных с инсультом в крупных городах России проводится томография головного мозга [34].
В-третьих, имеют значение и реальные сроки проведения томографического исследования. Нередко возникает ситуация, когда обследование больного производится вне острейшей фазы инсульта. В этом случае интерпретация КТ-картины очага должна проводиться с учетом текущего этапа эволюции инфаркта мозга или внутримозговой гематомы, что зачастую вызывает существенные затруднения [10]. Так, при сроке более 10-14 суток от начала инсульта томографические данные в отношении характера инсульта не могут считаться вполне надежными [263]. Однако именно на этом этапе развития заболевания важно исключение геморрагического характера произошедшего инсульта, что позволяет в более ранние сроки назначать антитромботическую терапию (аспирин) в целях вторичной профилактики инсульта [183]. Кроме того, Следует отметить также, что МРТ, которая получает все большее распространение, а в ряде клиник постепенно замещает КТ, имеет существенно более низкие операционные характеристики в отношении внутримозговых гематом. В связи с этим число диагностических ошибок в условиях все более широкого применения МРТ может возрасти.
При невозможности проведения томографического исследования головного мозга в необходимые сроки принципиальной становится правильность и быстрота проведения клинической дифференциальной диагностики типа инсульта. Диагностические ошибки при этом по данным разных авторов составляют 20-45% [18, 50, 136]. Такой процент ошибок недопустим в связи с тем, что адекватная терапия должна включать методы лечения, специфические для инсульта ишемического генеза и категорически не должна включать методы, специфические для инсульта геморрагического типа, и наоборот. Поскольку для установления патогенетического подтипа ишемического инсульта «золотого стандарта» в настоящее время не существует, данные о частоте ошибок такой диагностики отсутствуют, однако можно предположить, что их доля не менее существенна.
Таким образом, задача поддержки принятия квалифицированного решения по поводу дифференциального диагноза острого нарушения мозгового кровообращения продолжает быть актуальной. Ее могла бы решить интеллектуальная компьютерная система поддержки принятия решений в области неотложной ангионеврологии, ассистирующая неврологу или врачу общей практики. Системы такого типа относятся к классу медико-технологических [21,141].
-11 Уровень развития интеллектуальных информационных систем в определенной проблемной области определяется уровнем достигнутой формализации в этой области. Известно, что степень применения математических методов отражает методическую зрелость научной дисциплины и широту ее возможностей. Многие ученые придерживаются точки зрения, что уровень развития определенной науки определяется степенью ее математизации. Так, Э. Кант писал: «В каждой науке столько истины, сколько в ней числа». А В.И. Вернадский отметил: «Наука начинается тогда, когда человек подходит к явлениям природы с числом и мерою». По сравнению с физикой, химией и рядом других естественных наук биология и медицина, так же как и многие гуманитарные науки, в настоящее время существенно менее математизированы. Медицина пока еще остается одной из наиболее слабо формализованных и плохо структурированных областей знаний. Однако бурное развитие информационных технологий, достижения информатики стимулировали расширение использования математических методов и искусственного интеллекта в медицине. Следует подчеркнуть, что системный анализ, искусственный интеллект, распознавание образов и принятие решений отнесены к приоритетным направлениям фундаментальных исследований в России [106], информационно-телекоммуникационные технологии являются составной частью первого приоритетного направления развития науки, технологий и техники Российской Федерации [115], а искусственный интеллект и распознавание образов - критическими технологиями Российской Федерации [ПО]. Два последних упомянутых документа утверждены Президентом Российской Федерации 30 марта 2002 г. Отмечается, что здравоохранение является одной из областей, где ожидается наибольший эффект от применения технологий интеллектуальных систем [64]. Научно-технологическое направление «системы искусственного интеллекта» имеет устойчивую тенденцию к развитию во всех технологически развитых странах, а рынок интеллектуальных систем в мире постоянно расширяется. Было показано, что компьютерные системы поддержки принятия решений способны улучшить качество медицинской помощи и снизить финансовые затраты [207].
Существуют два основных пути создания компьютерных интеллектуальных систем поддержки принятия решений: разработка математических алгоритмов с использованием методов интеллектуального анализа данных и создание систем представления знаний врачей-экспертов. Под интеллектуальным анализом данных (data mining, knowledge discovery) в настоящее время понимают извлечение ранее не известных закономерностей из больших массивов данных. Экспертные системы (системы, основанные на знаниях) - это интеллектуальные системы, ориентированные на тиражирование опыта высококвалифицированных специалистов (экспертов) в слабоформализованных областях, где качество принятия решений зависит от уровня экспертизы. Основная трудность первого пути - получение репрезентативной базы данных, содержащей не только часто встречающиеся, но и редкие случаи. Основная трудность второго пути - трудоемкость выявления правил эксперта, неполнота множества правил.
Первые интеллектуальные системы в медицине были основаны на математической теории распознавания образов, однако жесткие ограничения на формат исходных данных, моделирование преимущественно линейных закономерностей обусловили недостаточную эффективность таких систем. При этом они обладали свойством закрытости (кибернетичности), и неясность внутренней структуры вызывала неуверенность в правильности работы систем. Указанные факторы оказались препятствиями для широкого применения математических алгоритмов распознавания.
Именно поэтому медицина стала одной из первых областей знаний, для которых начали разрабатываться экспертные интеллектуальные системы. Их положительной отличительной чертой является наличие подсистемы объяснения принятия решения. Вместе с тем существенная неопределенность в знаниях о патогенезе, необходимость учета многообразия клинических проявлений заболеваний, наследственных, социальных и других факторов, влияющих на состояние пациента, делают создание таких систем трудоемким и дорогостоящим.
Попытки разработки математических алгоритмов диагностики типа инсульта предпринимались ещё в 1970-е годы профессором Л.Г. Ерохиной [42-46], чл.-корр. АМН СССР Н.С. Мисюком [90-94] и другими исследователями, однако достигнуть высокого уровня правильного распознавания не удавалось. Как мы полагаем, это было связано с несколькими обстоятельствами.
Во-первых, в 1970-е годы верифицировать материал обучающих выборок можно было только с использованием секционных случаев. Следовательно, исследователи были ограничены возможностью включения в работу только тяжелых случаев, имевших летальный исход. В связи с этим выборки были нерепрезентативными, и поэтому разработанные для них алгоритмы не могли демонстрировать хорошее распознавание в реальной клинической ситуации.
Во-вторых, в те годы использовались главным образом такие методы многомерного статистического анализа как дискриминантный анализ и линейная регрессия. С учетом того, что параметры, используемые при этом в качестве предикторов, являются клиническими и анамнестическими признаками, представляемыми качественными порядковыми либо номинальными данными, применение параметрических статистических методов представляется нам некорректным, а, следовательно, разработанные модели - невалидными.
В-третьих, упомянутые методы являются по сути методами линейного статистического моделирования. Нам же представляется очевидным, что закономерности изучаемой проблемной области нелинейны.
В-четвертых, как весьма существенная отмечалась [42] также проблема отсутствия единообразия в описании клинических признаков в разных клиниках, что снижает эффективность применения разработанных алгоритмов в других клиниках.
В последующие годы ситуация в области разработки формальных методов диагностики принципиально изменилась. С одной стороны, были созданы методы нейровизуализации, позволившие формировать репрезентативные верифицированные выборки, включавшие широкий диапазон тяжести инсультов, которые можно верифицировать и использовать для разработки алгоритмов. С другой стороны, математические методы распознавания образов также получили существенное развитие, благодаря чему было снято большинство ограничений, перечисленных выше. Был разработан логистический регрессионный анализ [153, 166], логические и логико-статистические подходы к распознаванию образов [7, 28, 29, 39, 67, 70, 87, 137]. За последние 5-7 лет создан принципиально новый класс математических методов распознавания образов -методы нейронных сетей. В 1999 г. появились первые публикации о приложениях этих методов. Все упомянутые математические подходы направлены на моделирование нелинейных закономерностей, что открывает принципиально новые возможности для решения прикладных задач, в частности, в области клинической диагностики и прогнозирования.
Тем не менее предпринятые в 1980-90-е гг. за рубежом попытки создания математических моделей для диагностики типа инсульта на обучающих выборках с томографической верификацией [155, 284] не были успешными. По нашему мнению, такой опыт показывает, что включение в алгоритмы небольшого (5-8) числа признаков, хотя и упрощает использование предложенных алгоритмов (шкал) в клинической практике, но не обеспечивает эффективность моделей: диагностическая чувствительность, прогностическая ценность положительного результата и другие операционные характеристики алгоритмов варьируют в весьма широких пределах - от 38% до 91%.
Другой актуальной проблемой является гетерогенность ишемического инсульта, учет которой необходим для назначения патогенетически обоснованной терапии. Зарубежными исследователями предприняты попытки алгоритмизации процесса дифференциальной диагностики двух подтипов ишемического инсульта [157, 299], однако их пока нельзя признать успешными. Интенсивные исследования в данной области продолжаются.
Несмотря на то, что в среде неврологов существует некоторый скепсис в отношении возможности использования систем формальной диагностики, мы все же считаем, что с применением новейших математических методов может быть создана эффективная система для дифференциальной диагностики инсультов. Попытки разработки таких алгоритмов могут быть оправданными при выполнении следующих условий:
- выборки должны быть репрезентативными;
- математические методы должны быть адекватны поставленной задаче и имеющимся данным;
- эффективность разработанных алгоритмов должна быть высокой и значительно превосходить эффективность врачебной практики.
При этом следует еще раз подчеркнуть, что диагностическое заключение алгоритма является лишь поддержкой принятия решения врачом и ни в коем случае не заменяет его. Окончательное решение при использовании ассистирующих диагностических систем всегда остается за человеком.
В отличие от систем формальной диагностики экспертные системы благодаря наличию подсистемы объяснения являются психологически более комфортными для врача. В последнее время для большинства активно работающих медиков необходимость представления декларативных медицинских знаний с помощью информационных технологий стала очевидной. Необходимость же формализованного представления экспертных процедурних знаний пока не кажется столь же очевидной, но в ближайшие годы, при все большем развитии информационных технологий в медицине, в том числе телемедицины, эта необходимость станет, как нам представляется, весьма острой.
Системы, основанные на знаниях, прошли через этапы больших ожиданий и разочарований. С древних времен до сегодняшних дней высокая квалификация врача определяется не столько энциклопедичностью его фактических (декларативных) медицинских знаний, сколько его способностями к анализу и синтезу информации (т.е. обладанием процедурным знанием). Процесс представления процедурных знаний является намного более сложным, чем процесс представления декларативных знаний. Часто врачебное искусство объясняют интуицией. Однако в последние годы было показано, что интуиция врача все же представляет собой рассуждение, хотя и протекающее настолько быстро, что его этапы не осознаются, и основанное обычно на прецедентах. Поэтому моделирование процедурных знаний эксперта может оказаться продуктивным.
Экспертные системы (системы, основанные на знаниях) - это класс интеллектуальных систем, ориентированный на тиражирование опыта высококвалифицированных специалистов (экспертов) в слабо формализованных областях, где качество принятия решений зависит от уровня экспертизы. К числу специалистов, нуждающихся в поддержке экспертными знаниями, в медицине относятся прежде всего ординаторы, специалисты в смежных областях знания, которые способны решать задачи в типичных ситуациях, но порой не в состоянии разобраться в нестандартной или сложной ситуации и вынуждены прибегать к помощи экспертов-консультантов, доступность которых ограничена, а зачастую и вовсе отсутствует (например, в территориально удаленных медицинских учреждениях).
Для обоснования необходимости разработки ЭС должен быть проведен системный анализ проблемной области. В данной работе такой анализ был проведен, и он показал, что разработка ЭС для диагностики типа и подтипа инсульта является обоснованной (уместной), оправданной и возможной. Актуальность разработки ЭС по проблеме дифференциальной диагностики при остром инсульте обоснована высокими уровнями заболеваемости, инвалидизации и смертности от острых нарушений мозгового кровообращения. Предпринятые ранее за рубежом попытки построения ЭС для дифференциальной
-17 диагностики инсультов [234, 299] нельзя признать успешными ввиду их низкой эффективности (средняя точность 73%), что не превосходит эффективность доинструментальной диагностики в существующей врачебной практике и, следовательно, не может считаться убедительным аргументом для внедрения этих ЭС в диагностический процесс.
Мы считаем, что в состав ЭС необходимо включать современные декларативные знания, соответствующие критериям доказательной медицины. Декларативные знания достаточно легко поддаются представлению и отражаются большей частью в традиционных носителях знаний (книги, статьи в периодических изданиях). Однако в связи с возрастающим в геометрической прогрессии потоком декларативных медицинских знаний как практическому врачу, так и исследователю все труднее производить отбор высококачественных, научно-обоснованных фактов. В частности, серьезной проблемой является недостаточно высокий уровень информированности практических врачей-неврологов в области современных представлений о тактике, методах и средствах лечен ля острого инсульта. В настоящее время даже в крупных стационарах зачастую назначаются препараты, применение которых давно не отвечает современным научным представлениям, а иногда даже противоречит им.
Получившая в последнее десятилетие признание концепция доказательной медицины утверждает необходимость обобщения и распространения медицинских знаний на совершенно новом для медицины научном уровне. Согласно этой концепции медицинские знания являются достоверными лишь тогда, когда они получены с использованием строгих методов организации и проведения исследования, отвечающих основным положениям клинической эпидемиологии. Так, по современным представлениям, ни один метод диагностики не может быть признан медицинским сообществом без одномоментного, контролируемого «золотым стандартом» исследования, а эффективность лечебного или профилактического медицинского вмешательства
- без проведения рандомизированных двойных (а лучше - тройных) слепых испытаний.
Пока работы по реализации этой концепции затрагивают главным образом декларативные знания. В публикуемых и регулярно актуализируемых систематических обзорах, содержащихся в Кокрановской электронной библиотеке, анализируется эффективность медицинских вмешательств -медикаментозных, хирургических, физиотерапевтических. По состоянию на январь 2003 г. подготовлено 1519 кокрановских систематических обзоров по всем медицинским специальностям, в том числе 49 - непосредственно относящихся к проблеме инсульта, 27 обзоров по этой проблеме находятся в стадии подготовки. Еще 155 подготовленных обзоров касаются проблемы инсульта косвенно, 104 таких обзора готовятся.
Практически вся актуальная научная информация в настоящее время публикуется на английском языке, причем значительная ее часть представлена лишь в электронном формате. Эти два фактора, как показывает практика российского здравоохранения, существенно ограничивают возможности широкого круга врачей-практиков получать и осваивать современную информацию. Поэтому нам представлялось необходимым включить в состав экспертной системы раздел декларативных знаний о медицинских вмешательствах, который отвечал бы современному уровню знаний в области тактики, методов и средств лечения острого инсульта. Как нам кажется, русскоязычный вариант выводов авторов обзоров может быть существенным подспорьем для принятия врачом соответствующих современному уровню науки способов ведения больных. Реализация информационно-справочной системы в виде приложения для персонального компьютера обеспечит возможность своевременной актуализации базы знаний ЭС.
Таким образом, можно сделать вывод, что разработанные ранее алгоритмы и системы дифференциальной диагностики двух типов инсульта [43,92,155,234, 299] и двух подтипов ишемического инсульта [157, 299] не были эффективными из-за низкой точности (в среднем 71%) и ряда существенных ограничений. Поэтому проблему разработки информационно-алгоритмического обеспечения поддержки принятия решений при дифференциальной диагностике инсультов нельзя признать решенной.
В связи с изложенным целью настоящей работы явилась разработка математических алгоритмов и экспертных систем для дифференциальной диагностики типов инсульта по клинико-анамнестическим данным, получаемым в момент поступления больного, а также патогенетических подтипов ишемического инсульта.
Задачи работы
1. Провести системный анализ проблемной области - области дифференциальной диагностики типов и подтипов инсульта. Создать базу данных по проблеме острого инсульта. Исследовать применимость международного стандарта медицинской терминологии SNOMED International для кодирования терминов российской неврологической школы по проблеме острого инсульта. Оценить информативность признаков, традиционно используемых врачами при дифференциальной диагностике инсультов.
2. Разработать математические алгоритмы диагностики типа (характера) инсульта с использованием методов интеллектуального анализа данных (методов математической статистики, логико-статистических методов распознавания образов и методов искусственных нейронных сетей). Провести сравнительную оценку эффективности алгоритмов.
3. Сопоставить результативность применения логистической регрессии, логико-статистического анализа и методов искусственных нейронных сетей в решении задачи распознавания трех типов инсульта.
4. Разработать математические алгоритмы диагностики подтипов ишемического инсульта с использованием наиболее результативного (из числа примененных на предыдущем этапе работы) метода интеллектуального анализа данных.
5. Изучить продуктивность различных способов формирования набора признаков-предикторов для построения математических алгоритмов дифференциальной диагностики.
6. Осуществить представление экспертных знаний по проблеме диагностики типа и подтипа инсульта на модели семантической иерархической пороговой сети. Разработать прототип интеллектуальной компьютерной системы, включающей экспертные процедурные знания. Осуществить поиск научно-обоснованной информации по вопросам ведения больных с острым инсультом и ее представление в информационно-справочной подсистеме экспертных систем.
7. Оценить диагностическую эффективность экспертных систем для дифференциальной диагностики типов инсульта и подтипов ишемического инсульта.
8. Провести сравнительный анализ диагностической эффективности разработанных нами математических алгоритмов и экспертных систем.
Научная новизна
Впервые разработаны высокоэффективные математические алгоритмы диагностики типа (характера) инсульта с использованием методов нейронных сетей.
Впервые разработаны математические алгоритмы диагностики патогенетических подтипов ишемического инсульта. Впервые в России оценка эффективности всех разработанных алгоритмов проведена в соответствии с критериями доказательной медицины.
Впервые проведено сравнение методов логистической регрессии, логико-статистического подхода и методов искусственных нейронных сетей по их продуктивности в разработке алгоритмов распознавания трех типов инсульта, выявившее преимущество нейросетевых методов.
Впервые разработаны экспертные системы для диагностики типа инсульта и подтипа ишемического инсульта, в которых представление знаний осуществлено на модели иерархической семантической пороговой сети. Оценка эффективности экспертных систем проведена в соответствии с критериями доказательной медицины.
Впервые разработана информационно-справочная система, содержащая сведения о научно-обоснованных методах лечения и организационных мероприятиях при остром инсульте, соответствующих концепции доказательной медицины.
Впервые проведен сравнительный анализ эффективности математических алгоритмов и экспертных систем, разработанных для решения одной и той же задачи.
Впервые в России создан база данных по острому инсульту, включающий информацию о 301 наблюдении по 471 признаку, среди которых: данные анамнеза, характеристики неврологического и соматического статуса, результаты лабораторного и инструментального обследований (КТ/МРТ, ультразвукового исследования экстра- и интракраниальных сосудов, ЭКГ, ЭхоКГ, холтеровского мониторирования).
Впервые в России при кодировании атрибутов базы данных по острому инсульту применен международный стандарт медицинской терминологии SNOMED International.
Практическая значимость
Разработанные нейросетевые алгоритмы поддержки принятия решений при диагностике типа (характера) инсульта и патогенетического подтипа ишемического инсульта могут применяться на практике врачами-неврологами и врачами других специальностей.
В разработанных математических алгоритмах дифференциальной диагностики типа инсульта, включая нейросетевой алгоритм, используются только клинико-анамнестические данные, полученные до инструментального и лабораторного обследования больного, что дает возможность применять данные алгоритмы в лечебно-профилактических учреждениях с различной степенью специализации.
Разработанные экспертные системы могут использоваться врачами-неврологами и врачами других специальностей в качестве консультирующих при принятии диагностических решений в отношении типа инсульта и подтипа ишемического инсульта, а также при выборе научно-обоснованной, опирающейся на достижения доказательной медицины тактики лечения больных с инсультом.
Показана целесообразность использования при разработке русскоязычных медицинских информационных систем терминологического стандарта SNOMED International, что способствует унификации клинических описаний и терминологии, существенно повышает интегрируемость программных средств.
Опыт и методика сопоставления трех методов интеллектуального анализа данных при решении задачи классификации могут быть включены в программы обучения студентов и аспирантов по специальностям 041000 «Медицинская кибернетика» и 05.13.01 «Системный анализ, управление и обработка информации (в медицине)» соответственно.
Результаты формализации информационного пространства проблемной области дифференциальной диагностики инсультов могут применяться при разработке протоколов телемедицинских консультаций.
Основные положения диссертации, выносимые на защиту
1. Сформирован набор клинико-анамнестических признаков, оцениваемых до инструментально-лабораторного обследования больного и закодированных с помощью международного терминологического стандарта SNOMED International. На основе указанного набора признаков стала возможной разработка высокоэффективных математических алгоритмов дифференциальной диагностики типов инсульта.
2. С использованием трех методов интеллектуального анализа данных (логистическая регрессия, логико-статистический анализ, методы искусственных нейронных сетей) разработаны математические алгоритмы диагностики типов инсульта (инфаркт мозга, внутримозговое кровоизлияние, субарахноидальное кровоизлияние). Доказано, что нейросетевой алгоритм превосходит по диагностической чувствительности и прогностической ценности положительного результата как существующий уровень врачебной диагностики, так и разработанные ранее другими авторами алгоритмы.
3. Разработан высокоэффективный нейросетевой алгоритм для распознавания трех патогенетических подтипов ишемического инсульта - кардиогенной эмболии, атеротромбоза и лакунарного инсульта. Заключение алгоритма о принадлежности распознаваемого случая к одному из подтипов инсульта является вероятностным.
4. Показано, что разработанные экспертные системы обеспечивают дифференциальную диагностику типов инсульта и патогенетических подтипов ишемического инсульта, сопоставимую по эффективности с нейросетевыми алгоритмами. Базы знаний экспертных систем реализуют представление знаний неврологов-экспертов по проблемам дифференциальной диагностики инсультов на основе модели иерархической семантической пороговой сети.
Проблемы диагностики типа (характера) инсульта
Инсульт - это клинический синдром, представленный очаговыми неврологическими и/или общемозговыми нарушениями, развивающийся внезапно вследствие острого нарушения мозгового кровообращения (ОНМК), сохраняющийся не менее 24 часов или заканчивающийся смертью больного в эти или более ранние сроки. К инсультам относят инфаркты мозга (ишемические инсульты - ИИ), кровоизлияния в мозг (геморрагические инсульты - ГИ) и субарахноидальные кровоизлияния (САК) [50].
По современным представлениям, абсолютно точная дифференциальная диагностика типа (характера) инсульта только на основании клинических данных вряд ли возможна [50]. Практика свидетельствует, что в среднем у каждого четвертого-пятого больного клинический диагноз типа инсульта, поставленный даже опытным врачом, оказывается ошибочным, причем число ошибок при ГИ выше, чем при ИИ [14, 30, 50, 92, 125, 156]. Вместе с тем точная и быстрая диагностика типа инсульта является весьма важной, так как в острый период заболевания именно от этого в значительной степени зависит дальнейшая тактика лечения, в том числе хирургического, а, следовательно, и прогноз для больного. Поэтому сразу же после неврологического осмотра всем больным с предположительным диагнозом инсульта показано проведение компьютерной (КТ) или магнитно-резонансной томографии (МРТ) головного мозга. КТ головного мозга является международным стандартом при постановке диагноза ОНМК. Точность диагностики кровоизлияний в мозг при КТ на ранних этапах инсульта достигает практически 100% [12, 50]. При отсутствии данных за кровоизлияние на КТ и наличии соответствующих клинико-анамнестических данных, свидетельствующих об остром нарушении мозгового кровообращения ишемического характера, диагноз инфаркта мозга можно поставить с большой точностью даже в отсутствие каких-либо изменений плотности вещества головного мозга на томограммах, что часто случается в первые часы после развития инсульта. Примерно в 80% случаев КТ мозга обнаруживает зону пониженной плотности, клинически соответствующую инфаркту мозга, уже в течение первых 12-24 часов после начала заболевания. МРТ более чувствительна, чем КТ, к обнаружению ишемического очага в первые часы инфаркта мозга и почти во всех случаях выявляет изменения вещества мозга, не видимые при КТ, а также изменения в стволе головного мозга. Однако МРТ менее информативна при кровоизлияниях в мозг, поэтому метод КТ по-прежнему широко используется даже в наиболее хорошо оснащенных неврологических клиниках мира, занимающихся острой цереброваскулярной патологией [50].
Вместе с тем, любой метод инструментальной диагностики не следует абсолютизировать по следующим причинам [18]:
- различная доступность для больных таких исследований;
- нестабильность результатов исследования по техническим причинам (оборудование, квалификация радиолога);
- необходимость оперативного проведения диагностики.
Как известно, специфичность и чувствительность врачебной клинической диагностики отличны от 100%, но и результаты томографического исследования не следует воспринимать как «золотой стандарт». Ведь нейровизуализационные образы нуждаются в интерпретации, причем известно, что наиболее существенные расхождения заключений врачей возникают именно при оценке медицинских изображений [16].
Первичные документальные источники информации
Первичными источниками информации служили истории болезни стационарных больных НИИ неврологии РАМН за 1987-2002 гг.
При отборе первичных документов использовались следующие критерии включения наблюдений в исследование:
1. Заключительный диагноз - инсульт (ишемический инсульт (ИИ), геморрагический инсульт (ГИ) или субарахноидальное кровоизлияние нетравматического гснеза (САК)) любой локализации - как суб-, так и супратен гориальной;
2. Госпитализация в 1-21 сутки от начала инсульта.
Информация о типе (характере) инсульта извлекалась из заключительного диагноза истории болезни и во всех случаях была верифицирована результатами комплексного клинико-инструментально-лабораторного обследования, включая томографическое исследование головного мозга.
Основываясь на принципах доказательной медицины, с целью обеспечения высокой обобщаемости результатов исследования мы отказались от применения каких-либо критериев исключения.
Отбор историй болезней стационарных больных для включения в исследование был псевдослучайным, т.е. при отборе историй болезни не использовалась последовательность случайных чисел, однако не использовались и какие-либо ограничения. Включались подряд все найденные документы, удовлетворявшие критериям включения. Поиск и включение историй болезни в материалы исследования осуществлялись следующим образом.
1. В разработанной в Лаборатории медицинской информатики (с.н.с, к.т.н. И.С. Нафтулин) документальной базе данных, включающей данные об амбулаторных и стационарных историях болезни за период 1999 - 2002 гг., проводился поиск номеров историй болезни по ключевому полю «Код классификатора» (код МКБ-10), который включал следующие значения (табл. 1).
Системный анализ проблемной области
Существенным свойством медицинских информационных систем является возможность анализа и интерпретации данных различными внешними программными средствами.
Современные средства машинного распознавания естественно-языкового текста не в состоянии интерпретировать его точно и без ошибок. Однако в связи с тем, что на основе медицинских данных принимаются решения, прямо отражающиеся на здоровье человека, ситуации "невысокой точности информации" или "наличие ошибки при интерпретации текста" для медицинской информации неприемлемы.
-Решением задачи повышения точности медицинской информации является ее формализация, заключающаяся в максимально возможном исключении произвольного текста из описания клинического статуса больного.
В ходе выполнения этой работы нами были проведены обсуждения с ведущими специалистами всех отделений Института по вопросу об оптимальном содержании частично формализованной истории болезни как для стационара широкого неврологического профиля, так и для специализированной ангаоневрологической клиники. В результате была стандартизована номенклатура симптомов и степеней функциональных расстройств, согласована необходимая степень детализации, разработан формат представления информации.
Нами разработана частично формализованная история болезни для неврологической клиники. Термин "частичная формализация" означает, что некоторые разделы истории болезни частично или полностью не подверглись формализации. Это обусловлено следующими причинами:
Формализация таких разделов, как, например, анамнез жизни, должна предусматривать включение огромного числа предлагаемых врачу вариантов вопросов и ответов. Между тем особенностью ведения неврологических больных зачастую является трудность или невозможность сбора анамнеза вследствие частого наличия у больных дезориентации в пространстве и времени и неадекватности других реакций, что объясняет невысокую информативность данных анамнеза.
Существуют психологические различия при заполнении врачом традиционной и формализованной историй болезни. Консультации с практикующими врачами показали, что врач ощущает большую ответственность за собственноручно записанную информацию, чем за введенную им в формализованную схему, следовательно, достоверность первой выше.
Таким образом, частично формализованная история болезни является компромиссным решением задачи повышения точности медицинской информации.
В разработанной нами истории болезни формализованы следующие разделы:
Паспортная часть (полностью)
Общий анамнез (частично)
Общий осмотр (частично)
Неврологический статус (частично)
Новейший вариант этого документа применяется в клинической практике НИИ неврологии РАМН с 2000 г.
