Введение к работе
Актуальность темы
Реальные объекты управления характеризуются сложностью структуры и многомерностью внутренних и внешних связей. К ним можно отнести биомедицинские, технические, экономические и социальные системы. Анализ и синтез систем управления сложными объектами основывается на определения класса объекта управления. Таким образом, классификация сложных объектов управления является актуальной задачей во многих областях исследования.
Одним из примеров классификации сложных объектов управления является медицинская диагностика, где в качестве объекта управления выступает функциональное состояние организма человека.
Информатизация области здравоохранения создает предпосылки для изучения и разработки систем поддержки принятия решений (СППР) в медицинских приложениях. Среди множества медицинских задач, которые могут быть решены средствами информационных систем, можно выделить последовательную триаду «диагностика - прогнозирование - лечение». Очевидно, что ошибки и неточности в диагностике и прогнозировании приводят к неправильному выбору лечения, что в свою очередь может нанести вред пациенту. Следует отметить, что в процессе диагностики врач принимает решение в условиях неопределенности, оперируя значительным количеством данных, опираясь на личный опыт и знания. Поэтому усилия многих специалистов в области информационных технологий направлены на проектирование систем, имитирующих эвристики врача, или попытки алгоритмизировать процесс принятия решения в медицине, основываясь на знаниях экспертов.
Вопросам компьютерной диагностики посвящены работы Н.А. Кореневского, Е.С. Подвального, Б.А. Корбинского, О.В. Родионова, Е.Н. Коровина, В.Н. Фролова, Д. Ферруччи, Э. Коэйра, Е.С. Бернера и др. Между тем в настоящее время остаются актуальными вопросы, связанные с повышением эффективности процесса принятия решений при диагностике артериальной гипертонии. Учитывая специфику отрасли медицинской диагностики, повышение эффективности в информационной поддержке принятия решений заключается в повышении уровня оперативности, достоверности и обоснованности выдаваемых системой рекомендаций. Показатель обоснованности отражает способность системы провести трассировку хода решения от симптома к диагнозу. В медицинских приложениях эта характеристика имеет особое значение, поскольку, когда система не может объяснить ход получения решений, врач не может опираться на этот вывод.
Обобщая вышеизложенное, можно сделать вывод, что тема диссертации, посвященной информационной поддержке принятия решений
при диагностике артериальной гипертонии на основе методов гибридного интеллекта, является актуальной.
Цель работы и задачи исследования
Целью исследования является повышение эффективности процесса поддержки принятия решений при классификации состояния сложных объектов на основе методов гибридного интеллекта на примере диагностики артериальной гипертонии.
Реализация поставленной цели требует решения следующих задач исследования:
-
Системный анализ сложных объектов управления и задачи диагностики артериальной гипертонии как проблемы классификации сложных объектов.
-
Разработка комплекса системных и динамических моделей процессов поддержки принятия решений при классификации сложных объектов на примере диагностики артериальной гипертонии.
-
Разработка метода поддержки принятия решений при классификации сложных объектов на примере диагностики артериальной гипертонии.
-
Разработка алгоритмического и программного обеспечения основных функциональных модулей системы и исследование характеристик эффективности информационной поддержки принятия решений.
Объектом исследования является процесс поддержки принятия решений классификации сложных объектов на примере диагностики артериальной гипертонии.
Предметом исследования являются алгоритмы и методы поддержки принятия решений при классификации сложных объектов на примере диагностики артериальной гипертонии.
Методика исследования
При решении поставленных задач использовались методы системного анализа, теории принятия решений, методы системного моделирования, теории вероятностей и математической статистики, методы классификации, теории нейронных сетей, экспертных систем, теории гибридных интеллектуальных систем.
На защиту выносятся:
-
Комплекс системных и динамических моделей процессов поддержки принятия решений при классификации сложных объектов на примере диагностики артериальной гипертонии.
-
Гибридный интеллектуальный метод поддержки принятия решений при классификации сложных объектов на примере диагностики артериальной гипертонии.
-
Архитектура системы поддержки принятия решений, реализующая предложенную трансформационную модель гибридного интеллекта.
4. Алгоритмическое и программное обеспечение, реализующее
предложенный гибридный интеллектуальный метод поддержки принятия
решений.
5. Результаты исследования характеристик эффективности
информационной поддержки принятия решений при внедрении
разработанной СППР в диагностический процесс.
Научная новизна работы содержится в следующих результатах диссертационного исследования:
1. Комплекс функциональных, информационных и динамических
моделей процессов принятия решений, отличающихся применением
вероятностных оценок классификации состояния сложных объектов
управления, что позволяет создать полное описание процесса принятия
решений в аспекте структурного и логического взаимодействия элементов
разрабатываемой системы.
-
Гибридный интеллектуальный метод поддержки принятия решений, отличающийся структурно-функциональным разделением процесса поддержки принятия решений на уровни вычислений и интерпретации на различных этапах функционирования разрабатываемой системы, что позволяет повышать уровень оперативности, достоверности и обоснованности рекомендаций системы при классификации состояния сложных объектов управления.
-
Архитектура системы поддержки принятия решений, реализующая трансформационную модель гибридного интеллекта, отличающаяся применением двухуровневого алгоритма поддержки принятия решений, позволяющего объединить в единое информационное пространство отдельные модули системы, обеспечить адаптацию и эволюцию знаний в процессе функционирования системы.
Практическую ценность имеют следующие полученные результаты:
Разработанный метод поддержки принятия решений на основе классификации состояния сложного объекта управления и синтеза гибридного интеллекта позволяет на 15% повысить достоверность решений и на 43% уровень обоснованности рекомендаций при внедрении в процесс диагностики артериальной гипертонии за счет применения вероятностных нейросетевых моделей классификации состояния пациента и продукционных правил экспертной системы.
Разработанное алгоритмическое и программное обеспечение функциональных модулей СППР на основе предложенного гибридного интеллектуального метода поддержки принятия решений характеризуется использованием принципов параллельных вычислений, учетом модели пользователя, поддержкой обучения и дообучения в процессе функционирования, интегрированностью, объединением в единое информационное пространство различных программных средств,
поддержкой распределенной работы модулей системы, что позволяет повысить на 25% оперативность принятия решений.
Внедрение результатов работы в виде математического, алгоритмического и программного обеспечения поддержки принятия решений при диагностике артериальной гипертонии осуществлено в медицинских учреждениях г. Уфы (Республиканский кардиологический диспансер). Наибольшую практическую ценность полученные результаты исследования имеют при внедрении в диагностический процесс сельских лечебно-профилактических учреждений, где наблюдается нехватка квалифицированных и узкоспециализированных кадров.
Также основные результаты диссертационного исследования внедрены учебный процесс Уфимского государственного авиационного технического университета при чтении лекционного курса и проведении лабораторных занятий по дисциплине «Методы обработки биомедицинских сигналов и данных».
Апробация работы
Основные положения представлены в 13 публикациях, в том числе в 3 статьях, опубликованных в рецензируемых журналах из списка ВАК, и 2 свидетельствах о регистрации программ для ЭВМ. Результаты докладывались на следующих конференциях:
16-я Всероссийская межвузовская научно-техническая конференция студентов и аспирантов «Микроэлектроника и информатика», г. Москва, 2009 г.
XII и XIII Международные научно-технические конференции «Медико-экологические информационные технологии», г. Курск, 2009, 2010 г.
Всероссийская научно-практическая конференция с международным участием «Информационные технологии в профессиональной деятельности и научной работе», г. Йошкар-Ола, 2009 г.
IX Международная научно-техническая конференция «Физика и радиоэлектроника в медицине и экологии - ФРЭМЭ», г. Владимир, 2010 г.
XXIII Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов «Биотехнические, медицинские и экологические системы и комплексы (Биомедсистемы)», г. Рязань, 2010 г.
XV Всероссийская научно-техническая конференция студентов, молодых ученых и специалистов «Новые информационные технологии в научных исследованиях и в образовании (НИТ)», г. Рязань, 2010 г.
IX Всероссийская научная конференция «Нейрокомпьютеры и их применение», г. Москва, 2011 г.
Соответствие специальности
Работа соответствует паспорту специальности 05.13.01 «Системный анализ, управление и обработка информации», поскольку результаты представляют собой научно обоснованные метод и алгоритмы решения задач повышения эффективности процессов поддержки принятия решений, относящихся к
области обработки медицинской информации. При этом работа соответствует следующим пунктам раздела «Области исследований» паспорта данной специальности:
п. 5. «Разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации», поскольку результаты исследования реализованы в виде зарегистрированного программного обеспечения.
п. 10. «Методы и алгоритмы интеллектуальной поддержки при
принятии управленческих решений в технических системах», поскольку
проблема диагностики артериальной гипертонии решается
интеллектуальными методами принятия решений и обработки информации. В работе предложены новые модели, методы и алгоритмы поддержки принятия диагностических решений и классификации состояния пациента.
Структура и объем работы
Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложений. Работа содержит 129 с. машинописного текста, включая 42 рисунка, 19 таблиц и список литературы из 116 наименований.
