Содержание к диссертации
Введение
ГЛАВА 1. Задачи создания медицинских информационно-аналитических систем для автоматизации процессов диагностики 11
1.1 Эволюция медицинских информационных систем и реализации возможностей поддержки принятия решения 11
1.2 Анализ особенностей разработки МИС в концепции персонализированной медицины 19
1.3 Анализ существующих методов оценки функционального состояния организма человека 23
Выводы по главе 1 33
ГЛАВА 2. Разработка метода оценки ФСО для персонализированной медицины 34
2.1 Анализ требований к методу оценки ФСО человека 34
2.2 Разработка метода автоматизированной диагностики ФСО человека...39
2.2.1 Особенности реализации статистических технологий анализа данных применительно к оценке ФСО человека 41
2.2.2 Особенности реализации нейросетевых технологий анализа данных применительно к оценке ФСО человека 45
2.3 Разработка критерия оценки ФСО человека 50
2.4 Разработка нейронечеткой модели оценки ФСО человека 55
2.4.1 Блок нейронной сети для ввода и обработки данных биосигналов .63
Выводы по главе 2 72
ГЛАВА 3. Разработка информационной модели процессов автоматизированной диагностики ФСО человека .. 73
3.1 Реализация CALS-технологий для проектирования систем автоматизированной диагностики 73
3.2 Исследование возможностей многоагентного подхода к разработке распределенных информационно-аналитических систем 80
3.3 Разработка архитектуры информационно-аналитической системы автоматизированной диагностики 87
Выводы по главе 3 102
ГЛАВА 4. Апробация разработанных метода и моделей для оценки ФСО в хирургии 103
4.1 Постановка задачи оценки ФСО пациента в хирургии 103
4.2 Реализация метода автоматизированной оценки ФСО в хирургии 107
4.2.1 Реализация кластерного анализа 110
4.2.2 Реализация дискриминантного анализа 112
4.2.3 Реализация нейронечеткой модели 117
4.3 Возможности модуля автоматизированной оценки ФСО в программно-аналитическом комплексе БАРС 122
Выводы по главе 4 127
Заключение 128
Список использованной литературы 130
- Анализ особенностей разработки МИС в концепции персонализированной медицины
- Особенности реализации статистических технологий анализа данных применительно к оценке ФСО человека
- Исследование возможностей многоагентного подхода к разработке распределенных информационно-аналитических систем
- Возможности модуля автоматизированной оценки ФСО в программно-аналитическом комплексе БАРС
Введение к работе
Развитие математических методов и моделей, являющихся основой программно-аналитических комплексов, реализующих диагностический процесс в медицине, становится приоритетным направлением. Об этом свидетельствуют многочисленные разработки, описанные как в зарубежной, так и в отечественной литературе (А.В. Богомолов, Л.А. Гридин, Ю.А. Кукушкин, И.Б. Ушаков). Значительная часть работ данного направления посвящена вопросам создания распределенных модульных архитектур комплексов, реализующих технологии гибридных экспертных систем на основе интеллектуальных агентов (А.А. Большаков, Е.И. Зайцев, Д.А. Зарин, Г.В. Заходякин, В.Б. Тарасов, L. Dib, J. Hendler, К. Troitzsch). В них каждый модуль отвечает за диагностику состояния определенной подсистемы организма, комплексная оценка состояния организма осуществляется на основе экспертных знаний. Важным является вопрос объединения специализированных диагностических модулей без потери их функциональной возможности.
Обычно используемые в медицинской практике диагностические показатели, приведенные в медицинской литературе, основаны на многолетних наблюдениях и носят среднестатистический характер. Статистический подход, как известно, оперирует с усредненными показателями, которые имеют большой разброс, что не предоставляет возможности достоверно оценить состояние конкретного человека. Следует отметить, что в медицинской практике используются как точечные, так и интервальные количественные показатели, а также вербальные описания.
Из-за большого объема исходных данных врачу трудно выделить наиболее значимые для данной задачи оценки функционального состояния показатели. Задача формирования совокупности наиболее значимых показателей решается на интуитивном уровне высококвалифицированными специалистами. На основе наиболее значимых показателей врач-эксперт относит функциональное состояние организма человека к определенному классу, определяющему характер лечения.
Вопросам моделирования оценки функционального состояния организма человека посвящен ряд работ, среди которых работы Н.В. Дмитриевой, Ю.Н. Миронкиной, А.В. Новикова, Ю.М. Перельмана, В.П. Колосова, И.В. Шкелева, А.О. Тараканова, М.В. Туманова. Однако в них не исследована возможность приведения исходных показателей к интервальному виду и учета интервальных оценок, более полно отражающих состояние организма. Кроме того, известные модели не доведены до проблемно-ориентированных комплексов программ, позволяющих модифицировать и наращивать их функциональные возможности без перепрограммирования.
Вышеизложенное определило актуальность, цель и задачи работы.
Цель работы — развитие математических моделей и алгоритмов, а также разработка на их основе проблемно-ориентированного комплекса программ, реализующего оценку функционального состояния организма человека на основе учета точечных, интервальных количественных показателей, биосигналов, представленных временными рядами, и вербальных описаний, а также отбор наиболее существенных из них.
Для достижения поставленной цели необходимо решить следующие задачи:
- создать математические модели оценки состояния организма человека, реализующие на основе численных методов совместный анализ различных типов данных (вербальные описания, точечные и интервальные количественные значения, временные ряды) в рамках единого технологического подхода;
- разработать метод разбиения пространства функциональных состояний на классы в зависимости от значимости показателей и значений корреляционных связей между различными функциональными состояниями на основе применения метода скрытого семантического анализа; - разработать метод совместного анализа показателей состояния человека, представленных различными типами данных на основе применения статистических методов и интеллектуальных алгоритмов анализа данных;
- исследовать диагностические возможности предложенного метода совместного анализа разнотипных показателей функционального состояния организма человека;
- разработать модульную архитектуру программно-аналитического комплекса диагностики функционального состояния организма человека на основе многоагентного подхода, который реализует созданный метод анализа данных;
- реализовать модуль оценки функционального состояния организма человека в рамках программно-аналитического комплекса.
Объектом исследования является программно-аналитическое обеспечение системы оценки функционального состояния организма человека и выбора метода лечения онкологических больных в хирургии.
Методы исследования. Для решения поставленных задач использованы методы системного анализа и нечеткой логики, нейросетевого моделирования, статистические методы кластерного и дискриминантного анализа, латентно-семантический анализ, а также технологии и методы проектирования информационных систем (CASE-технологии, многоагентный подход к проектированию информационных систем).
Научная новизна результатов исследований:
- развита математическая модель оценки функционального состояния организма человека и предложена совокупность численных методов для ее реализации, позволяющая по исходному набору показателей, представленных вербальными описаниями, интервальными и точечными количественными значениями, временными рядами, определить принадлежность пациента к определенному классу функционального состояния, что позволило достичь объективность и точность постановки диагноза, сравнимых с показателями работы высококвалифицированных экспертов;
- разработан алгоритм оценки функционального состояния организма человека, основанный на выявлении классов функциональных состояний и скрытых линейных связей между показателями состояния методом сингулярного разложения и дискриминантного анализа, а также уточнении классов функционального состояния, выявлении нелинейных взаимосвязей между показателями и формализации логики принятия решения эксперта на основе нейронечеткой сети;
- предложен метод разбиения пространства функциональных состояний человека на классы в зависимости от значимости показателей и набора возможных методов лечения, основанный на последовательном применении скрытого семантического и дискриминантного анализа;
- разработан метод прогнозирования исхода оперативного вмешательства при лечении онкологических болезней желудочно-кишечного тракта на основе предложенного алгоритма анализа данных, позволяющий формализовать процедуру принятия решения;
- создана модульная архитектура программно-аналитического диагностического комплекса на основе технологии распределенных параллельных вычислений, отличительной особенностью которого является способность к семантическому и физическому распределению вычислительных процедур между модулями, что позволит в дальнейшем легко модифицировать и наращивать программный комплекс.
Связь работы с крупными научными программами и темами.
Диссертационная работа выполнялась при поддержке: 1) Министерства образования, и науки РФ: аналитическая целевая программа «Развитие научного потенциала высшей школы (2006 - 2008 годы)», тема «Синхронизация сложных процессов и систем. Приложения к задачам биофизики»; 2) Российского Фонда фундаментальных исследований (РФФИ): проект 07-07-12066 «Разработка методов модельного анализа биосигналов с целью экспресс-диагностики» (2007 - 2009 годы);
3) Министерства образования и науки РФ и Германской службы академических обменов (DAAD): проект № 16102 «Мультиагентная биомедицинская система обработки информации» (2008 - 2009 годы).
Практическая ценность работы. Предложенные в работе программно-аналитический комплекс диагностики, а также метод и модели внедрены в медицинскую практику в Саратовском государственном медицинском университете, что подтверждается соответствующим актом.
Разработанный метод реализован при оценке предоперационного состояния пожилых пациентов, страдающих онкологическими заболеваниями желудочно-кишечного тракта. Полученные результаты используются в учебном процессе в Саратовском государственном техническом университете при проведении занятий по дисциплинам «Автоматизированные информационно-управляющие комплексы», «Системный анализ и моделирование», «Идентификация и диагностика систем».
Основные положения, выносимые на защиту:
1) Созданная математическая модель оценки функционального состояния человека позволяет использовать различные показатели состояния (вербальные описания, интервальные и точечные количественные значения, временные ряды).
2) Алгоритм, реализующий комбинированную процедуру анализа исходных показателей состояния, позволяет реконструировать логику принятия решения врача-эксперта при оценке функционального состояния.
3) Метод оценки функционального состояния организма человека, реализующий совместное использование скрытого семантического и дискриминантного анализа, а также неиронечеткого алгоритма анализа данных, позволяет выполнять комплексный анализ показателей состояния подсистем организма человека.
4) Метод разбиения пространства функциональных состояний человека на классы в зависимости от значимости показателей и набора возможных методов лечения, основанный на последовательном применении скрытого семантического анализа и обучения с учителем, позволяет каждому классу поставить в соответствие определенный метод лечения.
5) Разработанная модульная архитектура распределенного программно-аналитического комплекса реализует предложенный метод совместного анализа различных показателей и обеспечивает возможность расширения комплекса.
6) Модели и метод принятия решения об оперировании больных преклонного возраста, страдающих онкологическими заболеваниями желудочно-кишечного тракта, позволяют формализовать процесс диагностики предоперационного состояния больного; существенно сократить время, затрачиваемое на предоперационное обследование пациента, а также повысить точность и надежность диагностики на основе выбора объективных показателей.
7) Программно-аналитический комплекс позволяет исследовать предоперационное состояние организма человека на основе разнотипных показателей; архитектура комплекса позволяет путем настройки параметров моделей адаптировать диагностический модуль к различным областям медицинской диагностики.
Апробация результатов работы. Основные положения диссертационной работы докладывались и. обсуждались на 11-й Международной научно-практической конференции «Системный анализ в проектировании и управлении» (Санкт-Петербург, СПбГПУ, .2007); научно-практических конференциях «Ситуационные центры и перспективные информационно-аналитические технологии поддержки принятия решений» (Москва, РАГС, 2007, 2008 и 2009 гг.); 3-й Международной научно 10 технической конференции «Инфокоммуникационные технологии в науке, производстве и образовании ИНФОКОМ-3» (Кисловодск, Филиал СевКавГТУ, 2008); XX (Ярославль, ЯГТУ, 2007) и XXI Международных научно-практических конференциях «Математические методы в технике и технологиях (ММТТ-21)» (Саратов, СГТУ, 2008); Научном семинаре стипендиатов программ «Михаил Ломоносов II» и «Иммануил Кант» 2008/2009 года (Москва, DAAD, 2009).
Реализована программная разработка, зарегистрированная в Реестре программ для ЭВМ. Свидетельство о государственной регистрации программы для ЭВМ№ 2009610632, 28.01.2009.
Публикации. По теме диссертации опубликовано 17 печатных работ, в т.ч. 5 статей в научных журналах из списка ВАК РФ (в т.ч. 2 из них - по смежной специальности), 3 статьи в сборниках научных трудов, 8 докладов в трудах международных конференций, 1 свидетельство о государственной регистрации программы для ЭВМ.
Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка использованной литературы и приложения. Работа содержит 152 страницы текста, 12 рисунков, 16 таблиц, список использованной литературы включает 162 наименования.
В первой главе изучены возможности современных медицинских программно-аналитических комплексов, проанализированы особенности построения их архитектур. Исследовано понятие функционального состояния организма человека.
Вторая глава посвящена разработке метода, алгоритма и модели диагностики функционального состояния организма человека.
Третья глава посвящена созданию многоагентной архитектуры медицинского программно-аналитического комплекса.
В четвертой главе апробированы разработанные метод и модели на задаче оценки предоперационного состояния онкологических больных. Описан макет программно-аналитического комплекса БАРС.
Анализ особенностей разработки МИС в концепции персонализированной медицины
Анализ данных, опубликованных в ряде статей журнала The New England Journal of Medicine [55 - 59], показывает, что в США лишь 17% врачей используют информационно-аналитические системы для поддержки принятия решений. Такой результат явился следствием, в первую очередь, дороговизны предоставляемых известными компаниями программных продуктов. Не менее важным фактором явилась сложность использования предлагаемых программных продуктов. Родившаяся за рубежом концепция Usability [60] подверглась активному обсуждению и развитию в России [61]. Данная концепция основана на понимании того факта, что МИС должна быть одновременно пригодна к применению пользователями (пригодность определяется степенью эргономичности используемой системы) и полезна (полезность определяется функциональностью системы). Как показывает опыт разработок и использования МИС различного назначения, полезность системы прямо пропорциональна ее пригодности. Большинство существующих на сегодняшний день МИС разрабатываются по заказу ЛПУ, а, следовательно, преследуют решение строго поставленных задач. Попытки распространения разработанных алгоритмов, реализованных в специализированных программных модулях, оказываются неудачными в связи с непригодностью (либо неудобством) их использования для решения похожих диагностических (прогностических) задач. Кроме того, они обрабатывают большие массивы плохо структурированной информации и характеризуются сложной логикой. В связи с этим невозможной также оказывается интеграция различных специализированных модулей с целью формирования полной картины о состоянии организма человека. Следовательно, необходимым является развитие направления разработок в области информационных технологий, дающих возможность организовать «прозрачный» процесс обработки информации и облегчить схему взаимодействия объектов системы за счет децентрализации процессов управления.
Особенностью отечественных систем является также отсутствие возможности использования опыта зарубежных разработчиков МИС в полном объеме в связи с отсутствием системы стандартизации в области здравоохранения.
Разрабатываемые отечественные МИС в слабой степени способны минимизировать врачебные ошибки, поскольку у части из них отсутствуют средства координации между узкоспециальными видами диагностики и лечения. Другая часть МИС не приспособлена к реализации в них стандартов оказания врачебной помощи («шаблонов лечения»), частично из-за недостаточности таких стандартов, а также из-за отсутствия необходимых классификаторов и регистров в медицине [62, 63]. Только реализация в системе двух аспектов может привести к минимизации ошибок при принятии решения о назначении лечения.
Отсутствие стандартов электронного обмена медицинскими данными, его форматов и протоколов привело к созданию многочисленных систем, которые в принципе не могут быть объединены в единое информационное пространство из-за несовместимости платформ. В связи с этим назрела необходимость разработки стандартов, регламентирующих работу МИС. Первым утвержденным стандартом стал ГОСТ Р 52636-2006 «Электронная история болезни. Общие положения» (введен в действие 1 января 2008 г.) [64]. Необходимость разработки этого стандарта связана с тем, что именно Электронная История Болезни (ЭИБ) является основным элементом любой МИС, поскольку является интегральным представлением информации о пациенте. Кроме того, признан необходимым перевод ряда зарубежных стандартов (HL7, V3, ICD10, SNOMED) с целью применения их при проектировании МИС в России. В настоящее время применение разрабатываемых стандартов носит рекомендательный характер [65].
При анализе состояния рынка современных МИС компания Microsoft в качестве основных выделила проблемы обеспечения безопасности, совместимости, конфиденциальности, доверия и использования устаревших систем, а также потребность в обеспечении качества, необходимого для накопления критической массы данных в масштабных системах электронного здравоохранения [66]. Кроме того, в десятку самых актуальных проблем, определяемых Microsoft, вошли: - формирование электронных карт больного; - удобная интеграция всех записей о пациенте на протяжении всей его жизни в истории болезни; - контроль подтверждения личности и выданных ему полномочий; безошибочная идентификация пациента; - интеграция различных систем, функционирующих на разных платформах; связь и взаимодействие различных систем; - обмен данными с удаленными системами; - достижение необходимой адаптивности к меняющимся требованиям и запросам; - производительность и расширяемость. Несмотря на то, что ключевым аспектом развития персонализированной медицины является вовлечение пациента в процесс принятия медицинского решения, отсутствуют сведения об успешном внедрении разработок, предусматривающих возможности пользования пациентами сервисами медицинских информационных систем (просмотр и передача данных). В связи с этим актуальным является развитие направления создания открытых систем, предоставляющих возможность совместного использования ресурсов системы, не нарушая при этом ее безопасность. В качестве попытки организации системного подхода к разработке МИС компанией Microsoft была разработана «Методология построения интегрированных медицинских информационных систем (Connected Health Framework (CHF))» [66], призванная оказать содействие по внедрению медицинских информационных сетей. CHF предлагает структурный подход к разработке МИС для государственных и коммерческих организаций, содержащий общие технические принципы и бизнес-рекомендации. Данная методология носит рекомендательный характер и описывает основные направления ориентации служб различного назначения, а также предлагает метод определения бизнес-служб на основе бизнес-требований. Методика Connected Health Framework призвана разрешить две основные проблемы: обеспечить непрерывную интеграцию приложений, а также техническое подключение и возможность взаимодействия сетей. Она также описывает некоторые основные принципы проектирования систем для здравоохранения, предлагает набор бизнес-компонентов и служб, необходимых для создания ориентированной на пациента системы хранения медицинских данных, и показывает, каким образом можно преобразовать существующие приложения в приложения, ориентированные на службы.
Особенности реализации статистических технологий анализа данных применительно к оценке ФСО человека
Проведенный в предыдущей главе анализ подходов к оценке ФСО, обусловил необходимость изучения математических методов, применяемых для оценки состояния материальных систем, и являющихся основой автоматизации процессов диагностики.
Как и для любой материальной системы, для ФСО человека справедлива классификация функциональных состояний на экстенсивные (состояния, имеющие разную психофизиологическую основу) и интенсивные (имеющие принципиальное сходство по содержанию). В связи с этим рассматривают следующую классификацию математических методов (рис. 2.1), используемых для оценки ФСО [93]: 1. Математические методы оценивания состояния, используемые в «профилактических» целях. Большинство методов данной группы используют балльный подход. В основу данного подхода положен метод вычисления оценок, исходя из характеристик состояния на основе значений оценок математического ожидания и среднего квадратического отклонения характеристик. Другой метод подразумевает расчет отклонения текущего значения характеристики состояния от нормы, выставление на основе полученных результатов баллов. Далее с помощью метода среднего арифметического, среднего геометрического или средневзвешенного осуществляется свертка полученных баллов. Основным недостатком данного подхода является возможное отождествление различных состояний. 2. Математические методы для динамического оценивания состояний. Использование большого числа методик предполагает исследование функционирования организма в условиях, граничащих с допустимыми условиями его нормальной работы для оценивания его «потенциальных возможностей». Основным недостатком данного подхода является исследование количественных оценок состояния на основании отклонения от характеристик нормы. 3. Математические методы, используемые при выявлении признаков (ранних форм) нарушения функционирования, как отдельных подсистем, так и организма. Здесь применимы комплексные методы многоуровневого характера, включающие, во-первых, математические методы выявления факторов риска нарушения работы организма, во-вторых, математические методы обработки результатов инструментальных исследований и, в-третьих, математические методы анализа многомерных данных.
При этом выбор математического подхода для решения каждой конкретной задачи предполагает учет индивидуальных особенностей поставленной задачи, способа описания состояния, а также способа представления исходных данных. В основу методов оценивания, как правило, положены средства статистического анализа данных, нечеткой логики, нейросетевые и вероятностные методы. Наиболее эффективны применения гибридных технологий, использующих статистические методы для реализации разведочного анализа данных и определения линейных коэффициентов взаимосвязи показателей, и методов искусственного интеллекта и нечеткой логики для проведения анализа данных с целью выявления нелинейных взаимосвязей в неявном виде [94].
С математической точки зрения задача оценки ФСО человека сводится к отображению пространства показателей, характеризующих функциональное состояние, в одномерное пространство оценок состояния организма (объединяемых в класс) и формулировке интегрального критерия, в соответствии с которым изучаемый объект может быть отнесен к одному из выделенных классов [95]. Фактически задача состоит в реализации 4 этапов: 1) формирование характеристического вектора, образованного показателями состояния системы; 2) выделение классов ФСО и формирование на их основе вектора функциональных состояний; 3) сжатие пространства показателей ФСО; 4) разработка и реализация алгоритма распознавания выделенных классов по совокупности показателей функционального состояния. Описанные в ряде работ [96, 97] методы оценивания ФСО человека используют унифицированные статистические концепции. Основой данных концепций является формирование ковариационной матрицы показателей состояния и использования ее характеристик в процессе кластеризации и сжатия пространства показателей [98, 99]. Характеристический вектор формируется из точечных количественных показателей состояния (либо вербальных описаний, приведенных к количественному виду) на основе информации, предоставляемой экспертами. Для выбора типологических классов и формирования на их основе вектора ФСО используются различные технологии кластеризации данных, позволяющие сформировать подпространства характеристического вектора состояний, являющиеся выражением классов состояний.
Исследование возможностей многоагентного подхода к разработке распределенных информационно-аналитических систем
Как было описано в главе 1, ключевой тенденцией информатизации здравоохранения в рамках концепции персонализированной медицины является интеграция различного типа информационных ресурсов на базе единой платформы. Основным недостатком разрабатываемых МИС является отсутствие единого подхода к проектированию архитектуры, что обусловливает невозможность их интеграции в рамках единого ЕИП, а также сложность процесса их модификации и масштабирования. Кроме того, среди ключевых требований к современным информационным системам было выделено требование децентрализации процессов поддержки принятия медицинского решения с целью упрощения схемы работы разрабатываемых МИС, а также их использования.
Исследованиями проблемы достижения гибкости систем (масштабируемости, реорганизации архитектур) с целью повышения их адаптивных способностей к часто изменяющимся требованиям потребителей занимаются разработчики многоагентной технологии проектирования ИС различных направлений [139 — 151]. Обширное применение многоагентной технологии в задачах построения гибких архитектур ИС организации поиска, логистических, экономических, политических распределенных информационных систем доказало эффективность ее использования. Родившийся на стыке параллельных вычислений и распределенных информационных систем, агентно-ориентированный подход обладает преимуществами обеих методологий (а именно, способностью к обеспечению параллельного исполнения независимых процессов в многопроцессорных системах). Многоагентный подход разрабатывался для решения плохоформализуемых задач, где для эффективной работы вместо одного решателя используется множество коллаборативных агентов, взаимодействующих на основе базы знаний (БЗ), и выполняющих априори известную систему действий, необходимую для решения глобальной проблемы. В состав многоагентной системы входят следующие компоненты [144]: -совокупность системных единиц, в которой выделяются множество активных единиц — агентов, манипулирующих подмножеством пассивных единиц — объектов; -среда, т.е. некоторое пространство, в котором создаются агенты и объекты; -совокупность задач (функций, ролей), поручаемых агентам; - совокупность отношений (взаимодействий) между агентами; -совокупность организационных структур (конфигураций), формируемых агентами; - совокупность действий агентов. В настоящее время не существует единого определения агента, однако термин «агент» обычно используется для описания программ, способных к самоконтролю действий на основе восприятия процессов, происходящих в окружающей среде. Иерархическая структура агентов представлена совокупностью «субагентов», каждый из которых исполняет предписанную ему схему низкоуровневых действий. Структура стандартного агента с простым поведением может быть представлена в следующем виде (рис. 3.1): Деятельность агентов основана на знаниях об окружающей среде (включая знания о других агентах, а также взаимодействиях между ними). Часть информации об окружающей среде может быть скорректирована агентом, как результат восприятия. Цель разработки агента - создание программ, «интеллектуально» взаимодействующих с окружающей средой. Поведение агентов интерпретируется в терминах метафорического словаря убеждений, запросов, мотивов и даже эмоций, концепций, принципов понятий, которые чаще применимы к людям, чем к программам. -автономность, подразумевающую относительную независимость от других программ (агентов), а также способность к осуществлению самоконтроля действий и состояний; -способность к социализации, проявляющуюся в способности агента к взаимодействию с другими агентами по средством использования условного «языка» (чаще компьютерного, нежели естественного); -способность к реакции, проявляющуюся в способности агента воспринимать действия окружающей среды (которой в равной степени может быть, как физический мир, так и виртуальный мир, а также смоделированная окружающая среда, содержащая другие агенты) и адаптироваться к ней; -инициативность, проявляющуюся в способности агента не только к реакции на воздействия внешней среды, но и также оказывать воздействия на внешнюю среду для достижения целей, поставленных перед агентом. Взаимодействие агентов означает установление двусторонних и многосторонних динамических отношений между ними. Взаимодействия между агентами имеют положительную или отрицательную направленность (например, характер сотрудничества или конфликта, притяжения или отталкивания). В настоящее время используют три базовых класса архитектур многоагентных систем [141, 142]: 1) Архитектуры, базирующиеся на принципах и методах работы со знаниями (deliberative agent architectures). Агенты данного типа используют формальное представление картины мира в виде символьной системы и логический решатель. 2) Архитектуры, базирующиеся на поведенческих моделях типа «стимул-реакция» (reactive agent architectures). Действия агентов зависят от ситуации (под которой понимается потенциально сложная комбинация внутренних и внешних воздействий) и определяются правилами типа ситуация-действие. 3) Гибридные архитектуры (hybrid architectures). Агенты данного типа используют комбинированные модели мира и, как правило, используют при рассуждениях какую-либо машину вывода. В основе функционирования любой интеллектуальной системы лежат знания, являющиеся обобщенной и формализованной информацией о свойствах и законах предметной области. С помощью них (знаний) реализуются процессы решения задач, а также преобразования как данных, так и самих знаний. Причем форма, в которой представлены знания, оказывает существенное влияние на свойства и характеристики интеллектуальных систем. Выделяют два типа знаний в системе представления знаний:
Возможности модуля автоматизированной оценки ФСО в программно-аналитическом комплексе БАРС
Используя опыт врачей-экспертов при постановке диагноза, для каждого количественного показателя определены максимальные и минимальные значения, выделен шаг, в соответствии с которым сформированы интервалы данных. Кроме того, используя априорные данные, для каждого показателя были определены функции принадлежности значений выделенным интервалам.
Предварительная обработка вектора вербальных описаний, образованного 7 показателями, состояла в определении для каждого показателя совокупности базовых и нечетких значений. Совокупностям нечетких значений поставлены в соответствие интервалы.Формы функций принадлежности имеющихся значений показателей (количественных и вербальных описаний) выделенным интервалам (нечетким значениям) определялись экспериментальным путем — путем настройки параметров нейронной сети.
Архитектура сформированной сети представлена 6 слоями, расчет которых осуществлялся по формуле (2.17): т = [15,7,3,2,1, Л (значения в скобках обозначают количество узлов в слое). На вход каждого узла нейронной сети, являющегося адаптивной нечеткой нейронной системой умозаключений (ANFIS), подавалась группа, составленная из 2-х показателей. Входным для каждой ANFIS являлся слой, нейроны которого реализовали формы функции принадлежности значений показателей выделенным для каждого из них интервалов данных. В группу попадали показатели, значение кросс-энтропии (вычисленной по формуле (2.16)) для которых, минимально. На рис. 4.3 представлена архитектура нечеткой нейронной сети.
Имеющиеся данные о 262-х реализациях вектора показателей (пациентах, выписанных в удовлетворительном состоянии) разделены на 2 выборки. Первая, в состав которой вошло 130 реализаций (из них 58 пациентов, которым сделана радикальная операция, 67 пациентов с паллиативной операцией и 5 пациентов, которым назначено медикаментозное лечение), использована для обучения нейронной сети; вторая, в состав которой вошло 132 реализации (59 пациентов, которым сделана радикальная операция, 68 пациентов с паллиативной операцией и 5 пациентов, которым назначено медикаментозное лечение), использована для ее тестирования.
Сеть обучалась 30 циклами на выборке из 130 пациентов. Об адекватности модели можно судить, исходя из соотношения количества правильно продиагностированных случаев с реальными данными.
После обучения сети точность диагноза составила 85%, что выше результатов, полученных при анализе статистическими методами данных, и подтверждает гипотезу о необходимости моделирования нелинейных взаимосвязей в системе неявным способом. Кроме того, установлено, что значимыми являются лишь 14 показателей предоперационного состояния больных: «Длительность непроходимости», «Нарушение ритма сердца», «Наличие инфаркта», «Наличие метастазов в лимфатические узлы», «Наличие кишечной непроходимости», «Возраст», «Наличие асцита», «Уровень билирубина», «Уровень альбуминов», «Уровень калия», «Сахар», «Температура при поступлении», «Расположение опухоли», «Фибриноген».
Полученные модели оценки предоперационного состояния больных преклонного возраста, страдающих онкологическими заболеваниями желудочно-кишечного тракта апробированы на выборке из 19 пациентов, умерших после проведенного лечения (из них четверо мужчин и 15 женщин).
Целью проверки являлось выявление причины смерти пациентов, сводившееся к определению: являлась ли постановка диагноза врачами некорректной, повлекшей смерть пациента (в этом случае модель выдавала диагноз, отличный от поставленного врачами), либо смерть вызвана факторами, не являющимися объектами проведенных исследований (например, ошибочным послеоперационном курсом реабилитации, воздействием неучтенных внешних факторов внешней среды).
Анализ данных показал, что среди умерших пациентов оказалось 7 человек, которым сделана операция, относящаяся к классу радикальных, 11 человек, которым сделана операция, относящаяся к классу паллиативных и всего 1 человек, состояние которого оказалось настолько плохим, что проведение какого-либо типа операции являлось невозможным. Подобная ситуация может говорить о том, что, вероятно, врачами не были учтены воздействия некоторых показателей, являющихся с их точки зрения несущественными, однако оказавшихся значимыми в результате проведенных в данной диссертационной работе исследований.
По результатам анализа вектора показателей входной информации из выборки удален пациент, у которого отсутствовали сведения обо всех анализах крови и мочи, поскольку в данном случае построение уравнений регрессии для значимых признаков с целью дополнения данных оказалось невозможным. Таким образом, на вход системы с целью оценки предоперационного ФСО пациента поступила информация о 18-ти клинических случаях.
Результаты анализа, проведенного средствами дискриминантной и нейронечеткой моделей, показывали, что из 18 случаев в 6 постановка диагноза специалистами оказалась ошибочной, причем в 2 случаях можно говорить о том, что вероятной причиной смерти могло послужить операционное вмешательство, в 3 - неправильный выбор степени сложности операции, и в 1 - существовала нереализованная специалистами возможность продления жизни пациента за счет проведения ему одного из видов операции.
Полученные в данном пункте результаты позволяют судить об эффективности разработанного метода оценки функционального состояния организма человека. Использование данных различной биологической и описательной природы в рамках единого технологического подхода позволяет реализовать всесторонний индивидуализированный анализ ФСО с целью его объективной и достоверной оценки. Полученные результаты показывают, что для постановки наиболее точного диагноза необходимой является реализация модели оценки на основе логики экспертов-врачей в совокупности с объективными показателями состояния, получаемыми неинвазивными методами.
