Содержание к диссертации
Введение
1. Анализ и автоматизированная диагностика медицинских систем, методы диагностики, лечения и профилактики послеродовых гнойно-воспалительных заболеваний 12
1.1. Существующие методы анализа и автоматизированной диагностики медицинских систем 12
1.1.1. Сжатие информации о состоянии медицинской системы при переходе из пространства состояний в пространство симптомов 13
1.1.2. Методы анализа состояния сложных систем в пространстве симптомов 15
1.1.3. Известные методы медицинской диагностики 16
1.2. Особенности гнойно-воспалительных заболеваний в современных условиях 21
1.3. Классические методы медицинской диагностики гнойно-воспалительных Заболеваний 24
1.4. Лечение послеродовых гнойно-воспалигельных заболеваний 32
1.5. Лечебное применение сорбентов в медицине и методика их нанесения на раневую поверхность 36
1.6. Профилактика послеродовых гнойно-воспалительных заболеваний 43
2. Иерархическая модель сложной медицинской системы и информационный подход к ее диагностике 46
2.1. Иерархическая модель сложной медицинской системы и ее регулирование 46
2.2. Набор симптомов болезни как сообщение для управления сложной медицинской системой 54
2.3. Болезнь как возмущение в системе управления 60
2.4. Информационный подход к организации симптомов, характеризующих медицинскую систему 73
3. Методы автоматизированной диагностики состояния медицинской системы 82
3.1. Интегральные пороговые методы медицинской диагностики.. 82
3.1.1. Интегральный пороговый метод обработки, основанный на статических симптомах заболевания 82
3.1.2. Диагностика с использованием корреляционного интеграла 85
3.2. Дифференциальный метод автоматизированной диагностики на основе кластерного анализа 89
3.3. Дифференциальная диагностика заболевания по его динамическим симптомам 93
3.4. Обоснование и выбор объекта автоматизированной диагнос і ики 106
4. 'Экспериментальные результаты автоматизированной диагностики послеродовых гнойно-воспалительных заболеваний (на примере эндометрита) 115
4.1. Определение рационального интервала дискретизации симптомов и числа их градаций 1 15
4.2. Формирование рациональной системы симптомов и экспериментальные результаты распознавания эндометрита, степени его тяжести с использованием интегральных пороговых методов 126
4.3. 'Экспериментальные результаты распознавания эндометрита и классификации тяжести заболевания методом кластерного анализа по статическим симптомам 157
4.4. Моделирование дифференциальной диагностики заболевания по его динамическим симптомам 164
4.5. Алгоритм и примеры автоматизированной диагностики заболеваний с помощью иерархически организованной системы решающих правил 166
5. Лечение послеродовых гнойно-воспалительных заболеваний сорбентами 173
5.1. Обоснование применения сорбентов для местного лечения гнойно-воспалительных заболеваний 173
5.1.1. Общие свойства гелевых сорбентов 174
5.1.2. Сорбционный механизм эвакуации с раневой поверхности гнойного экссудата 176
5.1.3. Методика и техника экспериментального исследования процесса сорбции 178
5.2. Клиническая характеристика обследованных родильниц 186
5.3. Клиническая и лабораторная оценка эффективности гелевых сорбентов при лечении эндометрита 197
5.3.1. Динамика клинического состояния родильниц 199
5.3.2. Сократительная способность матки 201
5.3.3. Динамика основных показателей лабораторных исследований процесса лечения эндометрита гелевином... 204
6. Медико-экологический мониторинг гнойно-воспалительных заболеваний 221
6.1. Методические подходы к оценке медико-экологического состояния гнойно-воспалительной заболеваемости 221
6.2. Информационное обеспечение медико-экологического мониторинга гнойно-воспалительных заболеваний 224
6.3. Состояние гнойно-воспалительной заболеваемости населения 227
6.4. Состояние окружающей среды Воронежа 235
6.5. Оценка влияния экологических условий на гнойно-воспалительную заболеваемость населения 246
6.6. Концепция организации и развития автоматизированной системы медико-экологического мониторинга послеродовых гнойно-воспалительных заболеваний 250
Заключение 255
Рекомендации 257
- Известные методы медицинской диагностики
- Информационный подход к организации симптомов, характеризующих медицинскую систему
- Диагностика с использованием корреляционного интеграла
- Формирование рациональной системы симптомов и экспериментальные результаты распознавания эндометрита, степени его тяжести с использованием интегральных пороговых методов
Известные методы медицинской диагностики
Отсутствие достаточно полной информации о процессах, протекающих в медицинских системах, обусловливает преимущество применения статистических принципов медицинской диагностики на основе обобщенных признаков состояния системы "организм человека - симптом заболевания".
В рамках вероятностной модели можно выделить пять основных методов обработки симптомов заболеваний, которые используются в медицинской диагностике.
/. Параметрические методы [73] применяются для диагностики сосюяния медицинских систем в случаях, когда известно статистическое распределение симптомов, описывающих состояние организма человека. При )том полагают, что в медицинских приложениях имеют место распределения, близкие к нормальному. Например, такие непрерывные параметры как рост, вес и кн. нередко удовлетворительно описываются кривой нормального или гауссова распределения.
Кроме гого, существует ряд медицинских оснований, позволяющих предполагать, что многие распределения, встречающиеся во врачебной пракшке, должны бьпь близки к нормальным.
Однако реальные распределения симптомов заболевания, построенные по имеющимся базам медицинских данных часто отличаются от нормальных. )то обусловлено несколькими причинами:
1. Число компонентов недостаточно велико, что бывает в подавляющем большинстве случаев вследствие малой мощности обучающих выборок, содержащих недостаточное количество информации о симптомах заболевания;
2. Их нелыя счшаїь независимыми, поэтому различные компоненты не мої у і однозначно рассма і рішаться как слагаемые.
Параметрические алгоритмы классификации строятся на основе критерия максимального правдоподобия. Частным, широко используемым случаем, является байесовское правило. При этом информация о заболеваниях часто бывает неполной. Это объясняется небольшим числом больных, состояние которых близко к норме, либо имеющих редкую разновидность забоїевания. Значительно больше пациентов с тяжелым іечением болезни. Для накопления информации о различных формах заболевания нужно длительное время. Теорема Байеса же используется со следующими допущениями:
1. Симптомы болезни независимы между собой, что не совсем корректно;
2. Каждое заболевание имеет симптомокомплексы, не пересекающиеся
между собой, хотя одни и ге же симптомы могут проявляться при разных заболеваниях.
Внесение в модель нового симптома приводит к изменению структуры самой модели, и вероятности рассчитываются заново, что усложняет расчеты.
Достоинством данного подхода является возможность синтеза оптимальных алгоритмов и теоретической оценки их эффективности. Основным недостатком параметрических методов, используемых для целей медицинской диагностики, является необходимость знания строгой статистической модели заболевания.
2. Непараметрические методы [64]. В большинстве медицинских исследований для оценки существенных различий между двумя выборками симпюмов, соотвегсівующих здоровому и больному организму, используют параметрический критерий Стьюдента. Между тем, в медицинских наблюдениях распределения могут отличаться от нормальных. В случаях, когда неизвестен вид распределения, используются непараметрические критерии различий.
Для непараметрической опенки часто используют методы парзенского окна и К-ближайших соседей.
Недостатком непараметрических методов классификации является отсутствие общей теории, позволяющей оценить как вероятность обнаружения заболевания, так и вероятность его пропуска и гипердиагностики. 3. Эвристические методы [65, 80] основаны на интуитивном выборе симптомов, наилучшим образом характеризующих заболевание человека. Симптомы должны быть информативными и независимыми. Они отражают особенности врачебного мышления и имеющиеся базы данных, что является [лавным достоинством метода. При этом роль математических моделей минимальна. Признаки нормы и симптомы заболеваний на основе обучающей выборки организуются в кластеры в многомерном пространстве симптомов. На базе используемых решающих правил принимается решение о наличии того или иного заболевания из проанализированного алфавита классов, если вектор признаков конкретного больного попадает в coo iветсгвующий кластер.
Эвристические методы распознавания эффективны в медицинской диагностике. Одним из эвристических методов является кластер-анализ -многомерная статистическая процедура сбора наиболее информативных данных об анализир\емом объекте и классификация объектов в сравнительно однородные группы. Целью кластерного анализа является поиск существующих с г р\ к і \ р. Методы кластеризации применяются для обнаружения сгр\кг\ры в данных, которую нелегко найіи при визуальном обследовании или с помощью жспертов.
Me годы кластерного анализа рассматриваются как объективные, легко воспроизводимые способы создания классификаций, и потому широко используются. Структурной основой медицины является классификация болезней, и потом) целесообразно применение методов кластерного анализа для совершенствования диагностики заболевания и работы врача.
Информационный подход к организации симптомов, характеризующих медицинскую систему
Для целей авіома і тированной медицинской диагностики в условиях неопгпмалыюсги и статистической недостаточности существующих баз данных целесообразно использовать эвристический подход с информационной оріанизацией пространства симптомов.
Рациональной с точки зрения наглядности, возможностей развития, строгости и простоты классификации является двумерная организация системы симптомов (рис. 2.7), где по оси абсцисс расположены /V симптомов заболевания, а но оси ординат - количество двоичных единиц login, соответствующих измеряемому числу градаций п каждого симптома.
Начальным уровнем отсчета количественных симптомов является его среднее нормальное значение Например, если симптом / - температура, то 7\„, 36 6 "С
Любой количественный симптом имеет среднюю вариацию нормы, которую обозначим как
Выбор оптимального порога, с точки зрения точности и надежности разделения группы на здоровых и больных, позволяет минимизировать либо вероятность гипердиагностики заболевания, либо его пропуска. Гораздо более важной является минимизация числа пропусков заболевания. Порог выбирается в зависимости от вида задачи классификации. Если решается їлобальная задача отнесения пациента к одной из групп: нормы или паюлогии, выбирается одно пороговое значение. Для решения локальной шдачи определения формы или степени тяжести диагностированного заболевания выбирается несколько порогов, разделяющих обучающую выборку на группы, соответствующие формам болезни. При существующей статистической недостаточности баз медицинских данных невозможен расчег опгимальных порогов классификации заболевания. Поэтому целесообразно использование интегрального подхода, когда оценивается вероятность классификации заболеваний и их форм, и по полученным результатам определяются пороги, минимизирующие число случаев неправильной классификации.
В -коэффициент качества решающей системы, определяемый неопределенностью априорной информации о сообщении АС, заключенной в обучающей выборке. Он характеризует эффективность решающего правила-выбора порога в эвристическом методе классификации заболевания. При полностью известном сообщении энтропия решающей системы нулевая, т.е. В 0 и Р 1. Так как присутствие симптома есть величина случайная, определяемая некоторой вероятностью Ph то энтропия решающей системы В 0. Она определяется качеством обучающей выборки, т.е. фактически интеллектом и опытом врача. Недостатки квалификации врача приводят к увеличению коэффициента В, что может быть скомпенсировано за счет июыточносги информационной емкости сообщения С. Т е. отношение В/С -)ю ошошение ипропии информационной базы знаний решающей системы (врача) к информационной емкости анализируемого им сообщения или ошосигельная нпропия сообщения.
Сделаем теоретическую оценку коэффициента В. Равновероятность решения о наличии и отсутствии болезни, т.е. Р-0,5, соответствует максимально допустимой энтропии решающей системы, когда отношение болезнь/норма равно /. Тогда из (2.78) следует, что
B Nxln2. (2.79)
Этот результат соответствует известным экспериментальным данным распознавания образов простой геометрической формы по двум или трем признакам, где было найдено, что в среднем В = 2 бит [10], откуда следует, чго С 8 бит. Следовательно, минимальное количество информации, необходимое квалифицированному врачу для распознавания болезни Стш = 8 биг Эю минимально возможная информационная емкость системы симптомов Отметим, что недостатки в квалификации, близость симптомов ряда заболеваний и корреляция различных симптомов делает необходимым злк іальївагь значительную избыточноегь в медицинские базы данных. I аким образом На основе принципов неравновесной термодинамики построена обобщенная модель открытой медицинской системы, функционирующая на базе энерго-энтропийного цикла. Показано, что гакой цикл является по своей природе автоколебательным. Изменение цикла приводит к разбалансу энергии торможения и возбуждения и соответственно старению организма и появлению болезней. Рассчитана энергия возбуждения элемента медицинской системы и энершя цикла возбуждения и торможения. - Обработка медицинской информации возможн.) лишь при переходе из пространства состояний медицинской системы в пространство эвристических симптомов, определяемых с помощью врача-эксперта на основе обобщения опытных данных.
- Оценена информационная емкость системы независимых и коррелирующих между собой медицинских симптомов. Так как корреляционные связи различных медицинских симптомов практически не прослежены в существующих базах медицинских данных, то для обработки медицинских сообщений целесообразно использовать параметрические и эвристические методы, использующие системы независимых симптомов заболевания. Для классификации систем симптомов, коррелирующих между собой необходимо использовать нейросетевые технологии.
- Разработана информационная модель болезни как возмущения в канале управления. Оценена информация, теряющаяся в результате нанесения возмущения Показано, что принятие решения в этом случае может быть основано ча пороговом информационном отношении болезнь/норма, причем оптимальные методы обработки медицинских сообщений не применимы.
Ра шит обобщенный информационный подход к построению и оценке минимальной информационной емкости эвристической системы медицинских симптомов в условиях статистической недостаточности базы медицинских данных. Введен критерий оценки вероятности правильной классификации заболеваний с учетом информационной емкости текущего сообщения и базы медицинских данных.
Диагностика с использованием корреляционного интеграла
В сложных медицинских системах не все состояния равновероятны. Это позволяет делать статистический прогноз, качество которого зависит от соответствия информационной емкости сообщения существующей базе данных. Прогнозирование зависит от способности разработанного алгоритма предугадывать, исходя из уже имеющихся в базе данных сведений о заболевании, относится ли рассматриваемый случай к диагностируемому заболеванию и, если да, то в какой форме протекает болезнь. Это способность экстраполировать временную или пространственную последовательность элементов сообщения, составляющих симтомокомлекс заболевания.
Поскольку это предвидение носит только статистический характер, оно не может быть абсолЕОТным, но имеет количественное выражение, характеризующее степень связанности данной истории болезни с уже имеющимися в базе данных.
-Если информация о симптомах протекания рассматриваемого заболевания неполная, то наличие какой- ибо информации выражает способность алгоритма предугадывать то, к какому классу болезней относится данное сообщение, іо есть экстраполировать базу данных. Таким образом, наличие степени предсказуемости означает существование сгагисіической связи между прошлым и будущим, что выражает взаимообусловленность, то есть корреляцию между тем, что имеется в базе данных до момента времени /, и тем, что будет внесено в нее за время t+ т.
Корреляционный анализ требует знания медицинских симптомов, изменяющихся во времени. Если такой информации нет, то достаточно ограничиться вычислением корреляционного интеграла.
Корреляцию дв\х сообщений можно выразить с помощью автокорреляционной функции. Автокорреляционная функция представляет собой среднее значение произведения функции fit) (сообщение в момент времени t) на ее значение fit г) в момені времени t - г. в зависимосіи or roro, рассматривается ли сообщение как развивающееся во времени / или в пространстве z, где г и С,- отрезки времени или расстояния между точками, относительно которых устанавливается корреляция.
Если сообщение /" (/ +г) отличается от имеющейся в базе данных информации fit), то выражение (3 3) является функцией взаимной корреляции этих сообщений и называется корреляционной функцией.
Выражение корреляции имеет место в момент времени t и последующий момент t+т, предусматривает наличие регистрирующего устройства, соотносящего с моментом времени t+т значение функции в момент времени л Эта операция представляет собой функциональное определение того, что мы именуем памятью, и реализуется современными вычислительными системами.
Понятие средней автокорреляции имеет большое значение во всех случайных явлениях, поскольку оно выражает внутреннюю взаимосвязанность, а, следовательно, способность образовывать структуры. Функция автокорреляции равна нулю при полностью беспорядочном явлении и стремится к единице, если это явление полностью предсказуемо, как в случае детерминированных систем.
Для целей медицинской диагностики чрезвычайно важно установить степень корреляции диагностических симптомов с нормой или заболеванием, что может позволить оценить как эффективность различных симптомов, так и диагностировать заболевание. Для расчета корреляционных функций необходимо \становить жесткую пространственную последовательность симиюмов, котрая должна быть одинакова в базе данных и анализируемом сообщении, полученном по результатам медицинских анализов. При этом число сими юмов баш данных /V и полученных по результатам анализа должно быть одинаковым. Они могут отличаться только своими значениями п, в пределах установленной шкалы градаций. То есть для анализа статической системы симптомов необходимо организовать их пространственную последовательность j(z), как это было предложено ранее. При этом значение п выражается в логарифмической шкале для оценки информационной емкости сообщения в битах.
Расчет всей корреляционной функции со сдвигом С по каждому симптому здесь нет необходимости делать, так как их пространственная организация условна и не несет никакой информации. То есть необходимо только вычисление корреляционного интеграла при нулевом сдвиге В этом случае он эквивалентен свертке медицинского сообщения и сообщения, хранящегося в базе данных, то есть общей площади этих двух функций при С, = 0. Так как отличие этих функций только по значениям градаций п - одной координате, то расчет весьма прост, и не требует специальной математической подготовки, то есть в статике можно ограничиться только вычислением корреляционного интеграла при нулевых сдвигах по пространству симптомов. Если корреляционный интеграл в сравнении с базой данных симптомов превышает порог, выбранный на основе экспериментальных результатов, то констатируется наличие заболевания, если нет - его отсутствие. Если выбранный симптом дает значительный вклад в корреляционный интеграл, то он информативен для данного іаболевания и наоборот.
В динамике, если известна временная зависимость f(t) некоторого симптома, вошожен анализ всей корреляционной функции, как по отдельным симптомам, так и по их системе. В этом случае сообщение содержит гораздо больше информации, чем статические симптомы, так как биологические организмы функционируют циклически на базе различных биоритмов. Однако для этого необходимо экспериментально получить временной функционал каждого симптома, что в медицинской практике делается не часто. Поиом\ экспериментально исследовалась корреляция статических симптомов, размещенных в базе данных.
Таким образом, интегральные методы диагностики эффективны в случае существенного различия симптомов состояния организма, например, норма и болезнь в тяжелой форме. При диагностике легкой и близких форм шболевания достаточно сложно подобрать оптимальный порог, эффективно их разделяющий. Поэтому необходимо построение иерархической системы решающих правил, включающих в себя как интегральные пороговые, так и дифференциальные методы классификации заболевания.
Формирование рациональной системы симптомов и экспериментальные результаты распознавания эндометрита, степени его тяжести с использованием интегральных пороговых методов
Для диагностики послеродового эндометрита необходимо учитывать способ родоразрешения, клиническую симптоматику, данные лабораторных, инструментальных, дополнительных методов исследования. Варьируя группы симтомов, составленные по результатам различных анализов, была подобрана рациональная в смысле точности распознавания система симптомов, характеризующих эндометрит. Первоначальная оценка была проведена с учетом времени выполнения и стоимости лабораторных исследований. Поэтому для первоначального расчета были использованы результаты клинического обследования и УЗИ, которые выполняются при обязательном обследовании родильницы. Средние значения симптомов рассматриваемой системы в битах приведены на рис. 4.13. Результаты классификации с использованием интегрального порогового метода приведены в таблице 4.1.
На рис 4.13 пронумерованы следующие симптомы: 1 - качественная характеристика лохий; 2, 3, 4 - соответственно длина, ширина, передне-задний размер матки после кесарева сечения; 5 - характеристика кесарева сечения; 6 - количественная характеристика лохий; 7 - кровопотеря; 8 -качественная характеристика полости матки; 9 - температура; 10 -толщина рубца; 11, 12, 13 - длина, ширина, толщина матки после физиологических родов.
Анализ полученных результатов показал, что область определения вероятности правильной классификации легкой формы заболевания лежит в диапазоне 0,690-0,828, средней - 0,830-0,850, тяжелой - 0,851-0,961.
Проведены границы между формами 0,83 и 0,85 при пороге нормы 0,5, таким образом, чтобы минимизировать число несоответствий диагноза, поставленного компьютером врачебной диагностике (компьютер ставит менее тяжелую форму, чем лечащий врач). При этом наблюдается 7 случаев компьютерной гипердиагностики (10 %) (компьютер поставил более тяжелую форму заболевания, чем в истории болезни) и 8 несоответствий (11,4%).Легкая форма заболевания была определена верно в 4 случаях из 7, в оставшихся трех случаях компьютером была поставлена средняя степень тяжести для двух родильниц и тяжелая форма дпя одной. Средняя степень тяжести компьютером определена верно в 2 случаях из 6, другие 4 случая компьютер отнес к тяжелой форме. Из восьми несоответствий в 4 случаях тяжелая форма была идентифицирована как легкая, ив4 случаях поставлена средняя степень тяжести.
Для последующего расчета к использованной ранее системе симптомов были добавлены результаты общего анализа крови. Средние значения симптомов вновь сформированной системы приведены в виде диаграммы (рис. 4.14).
Из 7 случаев легкой формы заболевания один был определен компьютером как средней тяжести и 2 как тяжелые. Из 6 случаев заболевания средней тяжести 4 были отнесены к тяжелой форме. В 6 случаях из 9 несоответствий компьютер поставил легкую форму заболевания, а в 3 среднюю вместо тяжелой.
Таким образом, добавление к результатам клинического обследования и УЗИ общего анализа крови уменьшило вероятность распознавания заболевания и не улучшило точность распознавания по сравнению с предыдущим расчетом. Анализ полученных результатов позволяет сделать вывод о том, что использование результатов общего анализа крови для целей автоматизированной диагностики эндометрита нецелесообразно, так как это общие симптомы воспалительных заболеваний, а необходимы специфические для эндометрита. На последующем этапе расчета были использованы результаты клинического обследования и УЗИ матки и результаты бактериоскопического метода. Диаграмма средних значений симптомов новой системы приведена на рис. 4.15.
Расчет показал, что вероятность проявления легкой, средней тяжести и тяжелой форм заболевания изменяется в пределах 0,763-0,811, 0,830-0,850, 0,852-0,967 соответственно (таблица 4.3). Границы между формами 0,82 и 0,85. Вероятность распознавания заболевания увеличилась по сравнению с первым расчетом, и несколько раздвинулись пороги классификации форм заболевания. Число случаев компьютерной гипердиагностики и несоответствий составило 9 (12,9 %) и 6 (8,6 %) соответственно.
