Содержание к диссертации
Введение
1. Пути повышения эффективности системы стоматологического и ортопедического обслуживания населения региона 13
1.1. Методы анализа и прогнозирования развития стоматологической заболеваемости и ортопедической помощи в территориально распределенной системе здравоохранения региона 13
1.2. Методы исследования, классификации и управления системой стоматологического лечения и ортопедической помощи на основе медицинского мониторинга и интеллектуальной поддержки принятия управленческих решений 20
1.3. Цель и задачи исследования 27
2. Исследование и визуализация информации о состоянии стоматологической заболеваемости в регионе 29
2.1. Исследование стоматологической заболеваемости на основе визуализации и трансформации информации 29
2.2. Анализ состояния стоматологической заболеваемости в регионе по территориальным единицам региональной системы медицинского обслуживания населения 42
2.3. Оценка комфортности проживания населения административных территорий региона по стоматологической заболеваемости 54
Выводы второй главы 60
3. Оценка динамики и прогнозирование развития стоматологической заболеваемости в регионе 61
3.1. Динамика развития стоматологической заболеваемости в регионе 61
3.2. Прогностические модели развития стоматологической заболеваемости в регионе 68
3.3. Классификация и оценка риска стоматологической заболеваемости в регионе 98
Выводы третьей главы 109
4. Интеллектуализация принятия решений при управ-лениисистемой стоматологической помощи на основе применения геоинформационных систем 110
Заключение 119
Список литературы 121
Приложение 129
- Методы исследования, классификации и управления системой стоматологического лечения и ортопедической помощи на основе медицинского мониторинга и интеллектуальной поддержки принятия управленческих решений
- Анализ состояния стоматологической заболеваемости в регионе по территориальным единицам региональной системы медицинского обслуживания населения
- Оценка комфортности проживания населения административных территорий региона по стоматологической заболеваемости
- Классификация и оценка риска стоматологической заболеваемости в регионе
Методы исследования, классификации и управления системой стоматологического лечения и ортопедической помощи на основе медицинского мониторинга и интеллектуальной поддержки принятия управленческих решений
Одной из важнейшей задачей системы здравоохранения является обмен информацией о региональных медицинских системах, их особенностях и потенциале, услугах, конкретных лечебно-профилактических учреждений. Особое значение при этом имеют надежность, оперативность, обозримость и наглядность информации, при этом принципиально важно учитывать распределение по территории медицинского персонала, лечебно-профилактических учреждений, уровня заболеваний и т.д. Таким образом, система мониторинга системы здравоохранения должна оперировать объектами, обязательный атрибут которых - пространственная привязка. Этот универсальный атрибут является стержнем, относительно которого удобно проводить одновременную обработку больших групп параметров, и который представляется для всех них взаимоувязывающей точкой опоры. Иными словами, речь идет о геоинформационной технологии и геоинформационной системе (ГИС), как ее практическом воплощении [48].
Под такой ГИС предлагается понимать программно-аппаратный комплекс для сбора, хранения, анализа и отображения слоев пространственно-распределенной информации относительно процессов, протекающих в рамках региональной системы медицинского обслуживания населения (РСМОН). Основой успешного решения задачи мониторинга РСМОН на базе геоинформационной технологии является разработка эффективной и качественной модели данных, охватывающей и увязывающей в единое целое геоинформационные модели, информационно-статистические модели и семантические модели. В качестве такой модели предлагается использовать взвешенную гиперграфовую модель, имеющую пространственную привязку и подчиняющуюся объектно-ориентированному подходу к разработке сложных технических систем [48]. Обоснованием выбора такой модели служит тот факт, что РСМОН представляет собой сложную инфраструктуру, охватывающую множество взаимосвязанных медицинских учреждений. Благодаря наличию пространственной привязки появляется возможность рассматривать РСМОН без отрыва от ее географического, экологического, хозяйственного, демографического и т.п. окружения. Исходя из объектно-ориентированной методологии, нет необходимости пытаться представить РСМОН целиком в одном гиперграфе. Абстрагируясь от одних критериев и уделяя внимание другим, возможно, рассматривать процессы обслуживания населения лечебно-профилактическими учреждениями в разных аспектах, динамически перестраивая соответствующие гиперграфы. Модель РСМОН в виде объектно-ориентированного пространственно привязанного взвешенного гиперграфа представлена на рис. 1.2.
Гиперграфовая модель является лишь математической конструкцией и нуждается в атрибутивном описании, т.е. в наличии атрибутивных баз данных (БД), вносящих в модель тематическое и семантическое содержание. Проектирование атрибутивных БД подразумевает: во-первых, строгую инвентаризацию существующих данных, относящихся к РСМОН, и, во-вторых, определение необходимого объема и характера данных, необходимых для мониторинга. Для сбора данных возможно как перенесение уже собранной традиционными способами информации в атрибутивные БД, так и использование компьютерных сетей, причем последнее предпочтительно из-за большей оперативности. Процесс сетевого сбора информации может заключаться как в обычной пересылке обновленных БД из ЛПУ РСМОН средствами электронной почты, так и в содержании организацией, ведущей мониторинг, специального информационного сервера [48].
Применение такой мониторинговой ГИС планируется осуществлять в четырех основных направлениях [48, 64]: сбор данных - сбор информации из периодических отчетов медицинских учреждений, представление ее в унифицированном формате, пространственная привязка и т.п.; обработка - вычисление, оценка, интерпретация, анализ, хранение данных; управление - объединение данных, моделирование, планирование, принятие решений, прогнозирование; распространение - создание карт, планов, диаграмм, отчетов, цифровых моделей процессов, протекающих в региональной системе медицинского обслуживания. На примере Воронежской области подобная мониторинговая ГИС предполагает построение цифровой модели региональной медицинской системы с гибкой пространственной привязкой. Это подразумевает наличие цифровой картографической основы, множества атрибутивных баз данных и механизмов их управления, блока функций пространственного анализа и среды разработки пользовательских приложений. При рассмотрении характерных черт РСМОН Воронежской области был выявлен ряд сфер применения геоинформационного мониторинга. Оказание помощи в анализе процессов обслуживания населения ЛПУ того или иного района области. Отслеживание имеющихся у медицинских учреждений площадей и оборудования для повышения эффективности их использования. Поддержка специализированного контроля качества, что достигается благодаря выполнению пространственной привязки результатов исследования и дальнейшей их обработки блоком пространственного анализа ГИС. Таким образом, можно сформулировать основные функции геоинформационного мониторинга РСМОН Воронежской области.
Анализ состояния стоматологической заболеваемости в регионе по территориальным единицам региональной системы медицинского обслуживания населения
Анализируя полученные данные можно сделать вывод, что по заболеваемости пародонтом «критическими» являются - Борисоглебский, Тернов-ский и Эртильский районы, по заболеваниям слизистой оболочки полости рта в Борисоглебском, Верхнехавском и Эртильском районах наблюдаются наибольшие значения заболеваемости, показатель «ортопедическая стоматология» характеризуется приблизительно на одно уровне, где выделяются следующие районы: Аннинский, Бобровсикй, Бутурлиновский, Калачеевский, Каменский, Нижнедевицкий, Ольховатский, Павловский, Подгоренский, Та-ловский и Эртильский. По заболеваемости неосложненного кариеса выделяется Грибановский район, где отмечается наибольший уровень данного заболевания, а осложненному кариесу - Эртильский район [19, 40, 53].
При изучении заболеваемости населения в целом, наряду со статистическими методами исследования, целесообразным является применение медико-географических методов. Это обусловлено тем, что одни статистические выводы, без учета картографического анализа, не всегда раскрывают роль факторов внешней среды в распространении болезней, особенно применительно к конкретным территориям [7, 48].
Применение метода картографического анализа не только позволяет показать пространственное положение тех или иных явлений, но и помогает раскрывать смысл и значение этих явлений в их взаимосвязях, исходя из целей медико-экологических исследований. Важную роль в изучении пространственно-распределенной информации по заболеваемости имеет картографический анализ. Специальная карта дает возможность видеть взаимосвязи между распространением заболевания и определенными географическими факторами данной местности.
Специальная медико-географическая карта обеспечивает с одной стороны - необходимую объективность и глубину анализа имеющихся взаимосвязей, а с другой - синтез рассматриваемых явлений применительно к конкретной территории. Использование метода картографического анализа в медико-экологических исследованиях, а также внедрение его в другие отрасли позволяет предвидеть на строго научной основе многие явления, которые могут оказываться неблагоприятными для здоровья населения в пределах конкретной местности, и тем самым обеспечить заблаговременное проведение необходимых профилактических мероприятий.
Взаимодействие статистического моделирования с картографическим анализом предлагается решать с использованием геоинформационных систем. ГИС являются современными средствами интеграции статистического анализа и математического моделирования со средствами управления базами данных для исследования пространственно-организационных данных [48].
Для автоматизации задач визуального моделирования в медицине необходимо решить следующие задачи [23, 48, 67]: - выбрать адекватную графическую модель; - создать атрибутивное описание объектов модели; - выбрать или разработать средства отображения, хранения и редактирования графических и атрибутивных данных; - связать в единую интегрированную модель графические объекты и их атрибутивные описания, т.е. создать «технологическую» модель, с которой будет работать создаваемая система; - обеспечить эффективный переход между описаниями исследуемых объектов, принятыми в предметной области, и их описаниями в «технологической» модели; - создать средства анализа и обработки данных, представленных в модели; - обеспечить ввод визуальных данных в систему, интерпретацию и вывод результатов обработки данных по модели. Использование ГИС позволяет установить новые зависимости между сборами медицинских, экологических и географических данных, их пространственного анализа, и представляет пользователю возможность оптимизировать процесс выбора стратегий в составлении плана лечебно-профилактических мероприятий. Геоинформационное моделирование проводилось с использованием пакета Arc View 3.0. Применение ГИС-вьювера ArcView 3.0 позволило более наглядно представить ситуацию по стоматологическим заболеваниям. На рис. 2.10 представлена картограмма, отражающая классификацию районов Воронежской области по количеству больных стоматологическими заболеваниями (1997-2005 гг.). Как показывают исследования, проведенные при помощи ГИС-анализа, неблагоприятными районами по общему количеству стоматологических заболеваний является Грибановский район, к благоприятным районам с наименьшим показателем по стоматологическим заболеваниям можно отнести - Ольховатский, Россошанский, Верхнемамонский, Петропавловский, Богучарский, Каширский, Новохоперский, Поворинский, Терновский, Верх-нехавский, Рамонский, Семилукский, Борисоглебский и Бобровский районы [36,40].
На рис. 2.11 представлена картограмма, отражающая процент лиц, нуждающихся в стоматологической помощи при профилактическом осмотре. По данному показателю, можно сделать вывод, что наиболее критическим является Панинский район, где данный показатель составляет 83,3 %, а наиболее «благополучным» является Острогожский район - 47,7 %. Общий анализ показывает, что практически во всех районы (90,6 %), количество лиц нуждающихся в стоматологическом помощи превышает более 50 %.
Оценка комфортности проживания населения административных территорий региона по стоматологической заболеваемости
Получение прогностических моделей осуществляется при экстраполяции временного ряда (ВР) по тренду, возможность использования которой определяется следующим: общие условия, определяющие тенденцию развития в прошлом, не претерпевают существенных изменений в будущем; тенденция ряда характеризуется аналитическим уравнением. Ограничения, накладываемые этими условиями, уменьшают точность прогнозных оценок и сужают возможность использования методов прямого прогнозирования [4].
Для построения прогноза использовалась экстраполяция временного ряда. Временной ряд разлагается на краткосрочную осцилляцию, сезонный эффект и случайный остаток; первые три элемента проектируются вперед, собирая их вместе сложением или умножением (в зависимости от модели) для формирования прогноза, затем исследуется ошибки прогноза.
В статистических исследованиях подсчитывается стандартная ошибка оценки параметра или строится доверительный интервал для заданного уровня значимости, т.к. выборка объемом N извлекается случайных образом из генеральной совокупности. При прогнозировании, осуществляя разложение временного ряда, строится модель, и любые ошибки прогноза будут зависеть не только от выборки, но и от ошибок спецификации этой модели.
В общем случае выбор методов адаптивного прогнозирования зависит от длины ряда; наличия (отсутствия) сезонных эффектов, наличие пиков и нестандартности (либо других нарушений) в ряде и типа прогноза (краткосрочного/долгосрочного). Также выбор конкретного метода прогнозирования зависит от выполнения следующих условий [10, 43]: - трудоемкости построения модели; - наличия готовых машинных программ; - быстроты, с которой метод улавливает существенное изменение в поведении ряда (например, внезапный сдвиг математического ожидания или увеличение угла наклона линии тренда); - существования сериальных корреляций в ошибках (в большинстве случаев это указывает на то, что модель сильно упрощена); - неизменяемости первичных данных (во многих рядах прошлые данные время от времени изменяются); - срочности (получение прогноза в режиме on line). Методика статистического прогнозирования по тренду и колеблемости ряда основана на экстраполяции. Пакеты статистических исследований динамических рядов представляют следующие модели для получения прогноза: ? экспоненциальное сглаживание; ? экспоненциальное сглаживание с учетом сезонности; ? модель Бокса-Дженкинска (авторегрессия, скользящее среднее); ? авторегрессионые модели; ? спектральный анализ и др [4]. В работе был применен метод экспоненциального сглаживания для построения краткосрочных прогнозов по стоматологическим заболеваниям Воронежской области. Прогнозирование осуществлялось при помощи пакета Statistica 5.0. Любой метод построения систематических функций для описания наблюдений основывается на критерии наименьших квадратов, в соответствии с которым все наблюдения имеют равный вес. Однако недавним точкам следует придавать в некотором смысле больший вес, а наблюдения, относящиеся к "далекому прошлому", должны иметь по сравнению с ними меньшую ценность (их следует дисконтировать). Для некоторой степени это учитывается в методе скользящих средних с конечной длиной отрезка усреднения, где значения весов, приписываемых последней группе (2т+1) значений, не зависит от предыдущих значений. Рассмотрим идею метода выделения "свежих" наблюдений - экспоненциального сглаживания [4, 69]. x(t) - исходные значения временного ряда. Если а известна, оценку y(t) можно получить из оценки в момент времени (t-І) плюс фактически наблюденное значение x(t) в момент времени t умноженного на а. При составлении прогнозов оперируют интервальной оценкой, определяя так называемые доверительные интервалы прогноза: где t - значение -распределения Стьюдента для m степеней свободы и уровня значимости а, Х- оценка среднего значения, т- оценка среднеквадратичного отклонения, N— объем выборки значений ВР. Для построения краткосрочного прогноза была использована модель экспоненциального сглаживания. Метод применяется для прогнозирования нестационарных временных рядов, имеющих случайные изменения уровня и угла наклона и известен под названием метода Брауна [4, 69]. В качестве основной модели ряда рассматривается его представление в виде полинома невысокой степени, коэффициенты которого медленно меняются со временем: где ф - параметр сглаживания демпфированного (затухающего) тренда. Вычислительный процесс устроен как адаптивная процедура, в которой коэффициенты полинома пересчитываются по старым коэффициентам и новым данным. Процесс вычислений управляется двумя параметрами: порядком аппроксимирующего полинома и параметром сглаживания. Чем ближе параметр сглаживания к единице, тем больше влияние последних наблюдений [4].
Математическая основа метода - локальная аппроксимация ряда полиномом, коэффициенты которого находятся по методу наименьших квадратов с экспоненциально убывающими весами. Наибольший вес приписывается последнему наблюдению, скорость убывания весов последнему наблюдению, скорость убывания весов определяется параметром сглаживания. Подогнанный полином используется далее для прогнозирования.
Классификация и оценка риска стоматологической заболеваемости в регионе
Для классификации районов Воронежской области по набору медицинских показателей, характеризующие стоматологические заболевания использовался кластерный анализ. Кластерный анализ представляет собой специфическую методологию проведения классификации неоднородных статистических совокупностей. Основная цель анализа - выделить в исходных многомерных данных такие однородные подмножества, чтобы объекты внутри групп были похожи в известном смысле друг на друга, а объекты из разных групп — не похожи. Под "похожестью" понимается близость объектов в многомерном пространстве признаков, и тогда задача сводится к выделению в этом пространстве естественных скоплений объектов, которые и считаются однородными группами [59].
Проблема измерения близости объектов возникает при любых трактовках кластеров и различных методов классификации. Основные трудности, возникающие при этом: неоднозначность выбора способа нормировки и определения расстояния между объектами. Расстоянием (метрикой) между объектами в пространстве параметров называется такая величина dab, которая удовлетворяет аксиомам [2, 5]: Al.dab 0,daa=0; A2.deb=dba; A3. dab+ d t dac (неравенство треугольника). Мерой близости (сходства) обычно называется величина цаЪ имеющая предел и возрастающая с возрастанием близости объектов. Существует возможность простого перехода от расстояний к мерам близости: достаточно применить, например, преобразование Не вполне строго будем считать, что адекватной является статистика, либо не меняющаяся при допустимых преобразованиях шкал, либо меняющаяся контролируемым способом [59]. Рассмотрим основные способы определения близости между объектами. В табл. 3.14 приведены некоторые употребительные расстояния и меры близости, используемые для признаков, измеренных в разных шкалах. Матрица расстояний или близости нередко задается непосредственно: либо как таблица экспертных оценок близости, либо как матрица прямых измерений сходства: межотраслевого баланса, степеней соседства географических регионов, взаимной цитируемости авторов и т. д. В таких случаях все поставленные выше проблемы адекватности расстояний и выбора мер сходства снимаются.
В настоящее время существует огромное количество алгоритмов кластер-анализа. Они отражают разнообразие не только вычислительных приемов, но и концепций, стоящих за ними [59].
Наиболее естественный путь нахождения образов заключается в том, что дается точное определение образа и отыскивается скопление точек, обладающее соответствующими свойствами. Например, образ (кластер) можно определить как такое скопление точек, в котором среднее межточечное расстояние меньше среднего расстояния от данных точек до остальных. Поэтому будем считать, что основой первого направления решения задачи структурной классификации является формулировка понятия кластера и разбиение совокупности на части, каждая из которых представляет собой кластер в данном смысле. Такой подход часто называется эвристическим. Однако многие свойства этих процедур изучены достаточно хорошо, а некоторые из алгоритмов находят локальный экстремум определенному функционалу. Поэтому назовем группу алгоритмов, ориентированных на выделение кластеров с заранее заданными свойствами, процедурами прямой классификации. n" - число совпадающих единичных свойств; п - число единичных значений свойств; dl}= 1, если \х -х\I et, и 0 в любом другом случае.
Основной чертой таких процедур является использование ими только одного понятия кластера. Скажем, в группе методов Аг-средних объекты попадают в тот класс, расстояния до центра которого минимальны, т. е. реализуется одно из определений кластера. Это означает, что все классы разбиения будут удовлетворять именно этому определению. Если предположить, что некоторые исходные данные в самом деле имеют причудливый вид, то алгоритмы этого типа не смогут их разделить. Поэтому крайне интересно создать процедуры комбинированной прямой классификации, которые бы выделяли классы в смысле нескольких определений, т. е. подыскивали бы для каждого скопления свойственное ему определение кластера.
Требование к хорошей классификации предъявляют не только в терминах определений отдельных кластеров. Часто общее представление о качестве классификации формулируется в виде некоторого функционала, экстремальное значение которого соответствует наилучшей классификации [15, 59].
Это второе оптимизационное направление в решении задачи кластер-анализа сформировалось позже первого и представляет богатую и разветвленную дисциплину. Остановимся на некоторых методических аспектах, касающихся связи двух подходов.
Оптимизационное направление пытается задачу кластер-анализа ввести в традиционное математическое русло, четко сформулировать критерий и добиваться его экстримизации. При этом, естественно, возникают чисто математические проблемы: определения свойств функционала, путем достижения оптимума, трудоемкости алгоритма.
