Содержание к диссертации
Введение
ГЛАВА 1. Анализ методов диагностики больных с бронхо-легочнои недостаточностью, направления по совершенствованию процессов их диагностики и терапии 12
1.1. Современные методы и средства диагностики и терапии больных с бронхо-легочной недостаточностью 12
1.2. Методы интеллектуального анализа данных и их использование в задачах медицинской диагностики 20
1.3. Цель и задачи исследования 28
ГЛАВА 2. Моделирование критических состояний больных с бронхо-легочной недостаточностью с использованием технологии добычи данных 30
2.1. Рациональный выбор показателей критического состояния больных с бронхо-легочной недостаточностью для целей медицинской диагностики 31
2.2. Алгоритм восстановления пробелов в массиве данных 49
2.3. Нейросетевое моделирование критических состояний больных с бронхо-легочной недостаточностью 58
Выводы по главе 78
ГЛАВА 3. Интеллектуализация выбора рациональных методов диагностики и прогнозирование осложнений у больных с бронхо-легочной недостаточностью 79
3.1. Статистическая оценка эффективности диагностических методов больных бронхо-легочной недостаточностью 79
3.2. Прогнозирование возникновения осложнений у больных бронхо-легочной недостаточностью по данным оперативного мониторинга и ретроспективной информации
3.3. Рациональный выбор методов диагностических исследований больных бронхо-легочной недостаточностью по показателям эффективности 106
Выводы по главе 114
ГЛАВА 4. Разработка и апробация подсистемы интеллектуальной поддержки врача-реаниматолога 116
4.1. Структура программно-информационного обеспечения подсистемы интеллектуальной поддержки врача-реаниматолога 116
4.2. Рационализация диагностики состояний и выбора тактики интенсивной терапии больных с применением подсистемы интеллектуальной поддержки врача-реаниматолога 130
4.3. Оценка эффективности интеллектуализации диагностики критических состояний и терапии больных с бронхо легочной недостаточностью на основе нейросетевого моде
лирования 136
Выводы по главе 148
Заключение 149
Литература 152
- Методы интеллектуального анализа данных и их использование в задачах медицинской диагностики
- Алгоритм восстановления пробелов в массиве данных
- Прогнозирование возникновения осложнений у больных бронхо-легочной недостаточностью по данным оперативного мониторинга и ретроспективной информации
- Рационализация диагностики состояний и выбора тактики интенсивной терапии больных с применением подсистемы интеллектуальной поддержки врача-реаниматолога
Введение к работе
Актуальность темы Исходное тяжелое состояние, сопутствующая
патология и чрезвычайно агрессивное влияние многочасовых хирургических
вмешательств в условиях вспомогательного кровообращения довольно часто
формируют критическое расстройство гомеостаза В этой связи ближайший
послеоперационный период, едва ли не самый ответственный и трудоемкий
во всей схеме лечения больного, диктует необходимость постановки и
решения задачи прогнозирования текущего состояния больного с бронхо-
легочной недостаточностью, т е предвидения вероятного возникновения
того или иного осложнения или предсказания характера течения и исхода
болезни Другой аспект, являющийся одним из решений задачи
прогнозирования, во многом обуславливающий благоприятный исход
послеоперационной интенсивной терапии, связан с выбором адекватной для
каждого больного тактики лечения Учитывая вероятностный характер
возникновения и развития послеоперационных осложнений,
неопределенность в выборе цели управления лечением, а также устойчивую тенденцию перехода к инновационным медицинским технологиям, подходы к прогнозированию состояния и рационализации лечения больных с бронхо-легочной недостаточностью в послеоперационном периоде должны опираться на интеграцию клинической тактики лечения, основанную на знании закономерностей развития патологических процессов, с применением математических методов поддержки интеллектуальной деятельности врача
Среди комплексных задач, связанных с оптимизацией лечения, проблеме прогнозирования и рационализации терапевтической тактики с применением компьютерных средств реализации математического описания принадлежит ведущая роль Данному направлению были посвящены работы как отечественных, так и зарубежных клиницистов Однако эти исследования были направлены на построение в основном линейных прогностических моделей, характеризующих исход самих хирургических вмешательств с учетом дооперационных и интраоперационных факторов, и не учитывали динамики развития патологического процесса в течение первых 3-5 суток с момента поступления больного в реанимацию, без механизма адаптивной коррекции оценок эффективности лечения в зависимости от предпочтений врача на каждом шаге интенсивной терапии
Таким образом, актуальность темы диссертационного исследования определяется необходимостью повышения эффективности медицинской помощи больным с бронхо-легочной недостаточностью в реанимационном периоде за счет прогнозирования раннего возникновения и течения осложнений на основе текущей и ретроспективной информации и коррекции терапевтических мероприятий на основе нейросетевого моделирования
Работа выполнена в рамках одного из основных научных направлений Воронежского государственного технического университета "Проблемно-ориентированные системы управления"
Цель работы и задачи исследования Целью работы является оптимизация лечения в остром периоде у больных с бронхо-легочной недостаточностью на основе разработки методов и программных средств моделирования состояния с применением технологии получения данных, а также реализация проблемно-ориентированных алгоритмов принятия решений и анализа оценок эффективности лечения
Для достижения поставленной цели необходимо было решить следующие основные задачи
провести системный анализ инновационных технологий лечения критических состояний больных с бронхо-легочной недостаточностью,
на основе анализа структуры ретроспективной информации провести оптимизацию признакового пространства показателей критического состояния больных,
построить многокритериальные модели оценки эффективности лечебных мероприятий,
реализовать методы интеллектуализации диагностики критических состояний больных с бронхо-легочной недостаточностью на основе нейросетевых технологий,
разработать логико-лингвистическую модель выбора лечебных мероприятий интенсивной терапии и алгоритмические процедуры интеллектуальной поддержки врача-реаниматолога,
провести рационализацию диагностики состояний и выбора тактики интенсивной терапии больных с применением подсистемы интеллектуальной поддержки врача-реаниматолога,
оценить эффективность интеллектуализации диагностики критических состояний и терапии больных с бронхо-легочной недостаточностью на основе нейросетевого моделирования
Методы исследования. Для решения поставленных задач помимо клинических методов использовались основные положения теории вероятности и математической статистики, методы нейросетевого моделирования и основные положения теории управления биосистемами
Научная новизна. В диссертации получены следующие основные результаты, характеризующиеся научной новизной
логические модели диагностики критических состояний больных с бронхо-легочной недостаточностью на основе нейронных сетей, позволяющие установить в явном виде зависимости между параметрами гомеостаза больных с бронхо-легочной недостаточностью и наличием у больного осложнений,
алгоритм восстановления пробелов в массиве данных, обеспечивающий повышение достоверности прогнозов, выдаваемых всей системой в целом,
алгоритм многокритериального выбора методов медицинской диагностики по показателям эффективности, использующий метод свертывания векторного критерия, учитывающего относительную важность частных критериев оптимальности с помощью построения скалярной функции,
комплекс взаимосвязанных программных модулей, обеспечивающих реализацию интеллектуализации принятия решений на основе имитационно-семантического моделирования путем интерактивного построения модели и управления тактикой лечения на основе разработанных алгоритмов
Практическая значимость работы. В результате проведенного исследования решена задача многокритериального выбора методов медицинской диагностики по показателям эффективности На основе экспертного заключения проводится формирование множества альтернативных методов диагностики, определение набора показателей и критериев эффективности этих методов Разработана функциональная структура распознавания и анализа данных, обеспечивающая эффективное решение задач дифференциальной диагностики состояний больных бронхо-легочной недостаточностью
Результатом работы системы является программный комплекс по диагностике и тактике лечения больных бронхо-легочной недостаточностью с учетом хронических заболеваний и вероятности возникновения осложнений Практическое применение комплекса позволяет сократить время, требуемое на вынесение диагноза, повысить точность определения степени тяжести заболевания, сократить время выбора оптимальной тактики лечения, что в свою очередь приводит к снижению времени, требуемого на лечение, и повышает его эффективность
Реализация и внедрение результатов работы Созданный комплекс лингвистических средств поддержки принятия решений апробирован и внедрен в клиническую практику кардиологического, нефрологического и эндокринологического отделений МУЗ ГО г Воронежа ГКБ № 10
Теоретические и практические результаты работы внедрены в учебный процесс кафедры Технология и обеспечение гражданской обороны в чрезвычайных ситуациях Воронежского государственного технического университета для студентов специальности 280103 «Защита в чрезвычайных ситуациях»
Апробация работы. Результаты диссертационной работы докладывались и обсуждались на следующих конференциях и семинарах Всероссийской конференции "Интеллектуальные информационные системы" (Воронеж, 2003), Всероссийской конференции "Интеллектуализация управления в социальных и экономических системах" (Воронеж, 2003), ежегодных научных конференциях профессорско-преподавательского состава Воронежского государственного технического университета
Публикации. По теме диссертации опубликовано 14 научных работ, в том числе 2 в изданиях, рекомендованных ВАК РФ
В работах, опубликованных в соавторстве, лично соискателю
принадлежит в [3, 4] детальная проработка структуры процессов и путей
повышения эффективности задач стандартизации и сертификации
здравоохранения, в [5, 6] фрагменты моделей приобретения знаний из баз
данных медицинского профиля, в [7] анализ эффективности медицинских
исследований в задачах медицинской диагностики, в [12] принципы
восстановления пробелов в массиве данных, в [13] подход к подбору
оптимальной методики лечения больного бронхо-легочной
недостаточностью
Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, изложенных на 151 странице, списка литературы из 155 наименований, 6 приложений, содержит 17 таблиц и 34 иллюстрации
Методы интеллектуального анализа данных и их использование в задачах медицинской диагностики
Вопросы применения средств искусственного интеллекта для интеллектуальной поддержки лица, принимающего решения, исследуются уже десятки лет. Тем не менее, до недавнего времени под такими средствами понимались в основном экспертные системы, в то время как доля других систем была крайне незначительной. Благодаря резко возросшей активности исследований в области нейросетей в настоящее время наблюдается резкий прорыв средств, основанных на сетях нейронов, в область медицинских исследований, экономики, химии, биологии, физики и многих других наук.
В области медицины такой прорыв нейросетевых технологий объясняется прежде всего спецификой медицинских данных: нечеткостью и неполнотой. Кроме того, в некоторых областях медицины комплексный анализ данных другими средствами чрезвычайно затруднен вследствие большого количества подлежащих анализу параметров. Одной из таких областей является пульмонология, и в частности, исследование такого заболевания как бронхо-легочная недостаточность (БЛН).
Бронхо-легочная недостаточность является одной из распространенных патологий и затрагивает население различных возрастных групп. Существующие стандартные схемы лечения больных БЛН основываются на учете достаточно большого количества клинико-диагностических критериев. В то же время, недостаточно проработан дифференцированный подход к лечению больных разного возраста. Между тем известно, что БЛН протекает неодинаково у больных различных возрастных групп. Кроме того, с увеличением возраста пациентов нарастает количество разнообразных сопутствующих за 13 болеваний, которые часто оказывают существенное влияние на эффективность лечения основного заболевания, а также требуют применения препаратов, которые могут давать различные побочные эффекты. Традиционно лечащий врач на основе собственного опыта самостоятельно принимает решение о допустимости применения конкретных лечебных воздействий для больного заданного возраста с заданным набором сопутствующих заболеваний и формирует тактику лечения на основе стандартной схемы. Прогноз длительности пребывания больного в стационаре также строится на основании опыта и интуиции, без возможности моделирования применения предлагаемых схем лечения к данному больному (группе).
В связи с этим возникла необходимость в разработке программного комплекса, осуществляющего автоматизированный подбор и виртуальное тестирование оптимальных с точки зрения врача либо предложенных в качестве таковых самим программным комплексом схем лечения. При этом должны учитываться не только традиционные клинико-диагностические данные, но также возраст больного и наличие/отсутствие сопутствующих заболеваний.
Постановка задачи поиска оптимальной схемы лечения в общем случае выглядит следующим образом: на основе анализа исходных данных о выделенной группе больных или о конкретном больном выбрать из списка доступных препаратов, физиотерапевтических процедур и других методов лечебного воздействия те, которые позволили бы достичь максимально возможной эффективности лечения. При этом необходимо учитывать возраст больного (группы), противопоказания, характерные для тех или иных лечебных воздействий, и наличие или отсутствие у больного (группы) сопутствующих заболеваний. Требуется также прогнозирование длительности пребывания в стационаре данного больного с применением предлагаемой схемы лечения.
Рассмотрим основные методы, применяемые в системах интеллектуальной поддержки деятельности врача, существующих на сегодняшний день. Наиболее хорошо зарекомендовавшими себя в этой области являются мето 14 ды, основанные на применении следующих средств: экспертных систем, индуктивных обучающихся систем, деревьев решений и нейронных сетей. Проанализируем применимость каждого из этих методов для решения задач данного исследования.
Как и любая система, основанная на знаниях, экспертная система обязательно содержит в своем составе базу знаний и механизм логических выводов. Зачастую для представления фактических знаний используется отдельный механизм - база данных, в базе знаний остаются лишь процедурные знания. Кроме того, для ведения базы знаний и дополнения ее при необходимости знаниями, полученными от эксперта, требуется отдельный модуль приобретения знаний.
Другим важным компонентом экспертной системы является пользовательский интерфейс, необходимый для правильной передачи ответов пользователя в базу знаний. Пользовательский интерфейс играет важную роль при манипуляции знаниями и отображении результатов решения поставленной задачи. Таким образом, экспертная система представляет собой систему, объединяющую возможности компьютера со знаниями и опытом эксперта в такой форме, что система может предложить один или несколько вариантов решения задачи. Важной характеристикой экспертных систем является способность системы пояснять по требованию ход своих рассуждений, сопровождать различные этапы решения комментариями. Модуль экспертной системы, реализующий пояснения хода проводимых рассуждений, позволяет повысить степень доверия пользователя к полученному результату.
Основной недостаток экспертных систем заключается в том, что «поставщиком знаний» для них является человек или группа людей, что и порождает определенные проблемы в ходе формирования базы знаний. Эксперты часто неспособны настолько четко выразить ход процесса мышления, чтобы его можно было бы изложить в форме, подходящей для использования машиной. Разные эксперты зачастую по-разному подходят к одной и той же проблеме; недостаток точности, в совокупности с тем фактом, что диагностические правила получены от экспертов в разные моменты времени (и воз 15 можно в разном контексте) нередко может приводить ко внутренним рассогласованиям в развивающейся базе знаний. Поддержка согласованности в экспертных системах больших размерностей до сих пор остается проблемой, открытой для исследований.
Экспертные системы требуют эксперта, способного связать прикладную область знаний, необходимых для диагностики, с базой знаний, формируемой в процессе поиска решения. Индуктивные обучающиеся системы позволяют миновать многие трудности при получении знаний из исходных данных, а также сократить временные и вычислительные затраты благодаря тому, что данные системы способны обрабатывать приближенную модель области знания. Индуктивная обучающаяся система снабжается экспертом примерами наблюдаемых признаков и соответствующих им диагнозов. В отличие от систем, которые просто хранят примеры, индуктивные системы используют примеры, чтобы вывести зависимости между признаками и диагнозами. Техническая задача индуктивных систем состоит в формировании приближенного множества классифицирующих правил. Классы правил обычно описываются на концептуальном языке.
Алгоритм восстановления пробелов в массиве данных
При прохождении цикла каждый пример имеет свою оценку. Вычисляется, кроме того, суммарная оценка множества всех примеров обучающей выборки. Если после прохождения нескольких циклов она равна нулю, обучение считается законченным, в противном случае циклы повторяются.
Количество циклов обучения, также как и время, требующееся для полного обучения, зависят от многих факторов - величины обучающей выборки, количества входных параметров, вида задачи, типа и параметров неиросети и даже от случайного расклада весов синапсов при инициализации сети.
При обучении нейромодели для коррекции весов синапсов использовался вариант алгоритма обратного распространения ошибки («back propagation»). Алгоритм обратного распространения - это итеративный градиентный алгоритм, который используется с целью минимизации среднеквадратичного отклонения текущего выхода и желаемого выхода.
Рассмотрим более подробно данный алгоритм.
Алгоритм обратного распространения ошибки представляет собой рекурсивный алгоритм, который сначала применяется к выходным нейронам сети, а затем проходит сеть в обратном направлении до первого слоя.
Веса синапсов корректируются следующим образом: где 4 - желаемый выход нейрона./; yj - текущий выход нейрона./. Если нейрон с номером j принадлежит одному из слоев с первого по предпоследний, то ;= ;ОЧ)І№ (2Л8) где к проходит всей нейроны слоя с номером на единицу больше, чем у того, которому принадлежит нейрону.
Настройка внешних смещений нейронов Ъ аналогична.
Несмотря на популярность данного алгоритма у него есть и недостатки. Многокритериальная задача оптимизации в методе обратного распространения рассматривается как набор однокритериальных - на каждой итерации происходят изменения значений параметров сети, улучшающие работу лишь с одним примером обучающей выборки. Такой подход существенно уменьшает скорость обучения. Для ускорения обучения использовалась простая модификация алгоритма обратного распространения, в которой величина шага на каждой итерации определяется инерционным соотношением: где а - коэффициент инерции, 0 а 1.
Для проектирования нейросетевой модели диагностики критических состояний больных с бронхо-легочной недостаточностью, использовался программный комплекс NeuroProfi. Данное ПО позволяет проектировать нейромодели слоистой архитектуры с произвольным количеством нейронов на каждом слое, а так же предоставляет расширенные возможности по оптимизации структуры нейросети от равномерного упрощения нейромодели до удаления малозначимых синапсов.
Для выявления критических состояний больных с бронхо-легочной недостаточностью была создана трехслойная гомогенная нейросеть, включающая 20 входных симптомов, 10 входных нейронов, 10 скрытых нейронов, 10 выходных нейронов, 5 конечных синдромов. Для всех нейронов сети в качестве передаточной функции использовалась сигмоидальная функция: F(A)=A/(0,1+1А ). Вербальное описание полученной нейросети приведено в Приложении 1. Апробация построенной модели была проведена на контрольной выборке, включающей статистику по 25 больным, не вошедшим в обучающую выборку. Обученная нейросеть однозначно распознает все при 67 меры из обучающей выборки и достаточно точно (средняя уверенность в диагнозе составляет более 90 %) выдает ответы на примеры из контрольной выборки.
Результаты тестирования нейромодели диагностики критических состояний больных с бронхо-легочной недостаточностью по контрольной выборке приведены в табл. 2.6.
Осложнение Статистика . тестирования Дыхательная недостаточ- Нарушенияводно-солевогобаланса Хронический гепатит Хронический пиелонефрит
Полученный результат позволяет сделать вывод о выявлении искомой зависимости и рекомендовать построенную модель для использования в практической медицине критических состояний. Нейросеть позволяет проводить диагностику критических состояний больных с бронхо-легочной недостаточностью по данным мониторинга показателей гомеостаза.
Для решения проблемы поиска структуры скрытой сети, оптимальной с точки зрения достоверности выдаваемых прогнозов, разработан алгоритм, схема которого изображена на рис. 2.7.
Ввод пользователем ограничений для алгоритма: минимального и максима- льнога количества слоев сети; мини- i мального и максимального количества/ нейронов на первом и последнем скрытых слоях; количество одновре-/менно обучаемых нейросетй каждой конфигурации
Ввод пользователем условий обучени , конфигураций: количества прогонов , обучающей выборки, начальная ско-у рость обучения, доля обучающей вы- борки в общем количестве доступны; записей
Удаление повторяющихся конфигураций, появляющихся за счет округления до ближайшего целого количества нейронов в каждом слое
Обучение заданного количества экземпляров сети очередной конфигурации в соответствии с заданными пользователем параметрами; удаление конфигурации из списка
Тестирование обученных сетей на тестовой выборке, определение средней достоверности, выдаваемой сетями данной конфигурации
Схема алгоритма оптимизации структуры скрытых слоев нейросетй Пользователь задает все параметры, которые ограничивают минимальную и максимальную сложность конфигурации сети: Nmin и Nmax - минимальное и максимальное количество слоев нейросети, Pmin и Рщах - минимальное и максимальное количество нейронов на первом скрытом слое нейросети, и Qmin и Qmax - минимальное и максимальное количество нейронов на последнем скрытом слое.
Затем задаются параметры обучения нейросетей, которые строятся для каждой конфигурации в заданном пользователем количестве, обучаются и тестируются. По результатам тестирования определяется оптимальная с точки зрения достоверности прогнозов структура сети.
При необходимости сеть может быть дообучена. Рекомендуется оптимизацию структуры производить с небольшим количеством прогонов обучающей выборки (с целью экономии времени), а затем сеть оптимальной структуры дообучать с количеством прогонов, необходимых для достижения максимального уровня достоверности прогнозов (обычно - от сотен до нескольких тысяч прогонов).
Исходными данными для подбора оптимальной методики лечения больного бронхо-легочной недостаточностью являются: нейросетевая модель больного, список сопутствующих заболеваний и список возможных в условиях данного конкретного стационара лечебных воздействий.
Пусть список сопутствующих заболеваний состоит из М наименований, и список возможных лечебных воздействий состоит из N наименований. Объединим список сопутствующих заболеваний и список допустимых лечебных воздействий в матрицу применимости лечебных воздействий С размерностью NxM.
Для нашего случая М=11, а N зависит от условий конкретного стационара. В общем виде (без учета условий стационара) матрица применимости лечебных воздействий будет иметь вид, приведенный в табл. 2.4. Здесь значение Су=1 обозначает применимость і-го лечебного воздействия для больного с j-м сопутствующим заболеванием, а значение С;0=0 означает соответственно неприменимость.
Прогнозирование возникновения осложнений у больных бронхо-легочной недостаточностью по данным оперативного мониторинга и ретроспективной информации
Известно, что сложность проблемы принятия решений по векторному критерию даже в условиях определенности связана не столько с вычислительными трудностями, сколько с концептуальной обоснованностью выбора оптимального решения. Невозможно строго математически доказать, что выбранное решение наилучшее, - любое решение из числа недоминируемых, то есть неулучшаемых одновременно по всем частным критериям, может оказаться наилучшим для конкретного врача-диагноста в конкретных условиях. С этой же точки зрения не имеет смысла говорить о наилучшем решении вообще, поэтому лучшее решение следует считать наиболее "рациональным". Это может считаться основной аксиомой обоснования решений по нескольким критериям.
В процедурах многоцелевой оптимизации делается явное или неявное предположение, что вся информация, позволяющая определить наилучшее решение, скрыта в формальной модели задачи и, следовательно, с помощью некоторых преобразований может быть из этой формальной модели извлечена и использована. То есть считается, что множеств альтернатив U и целевых функций Wi(u), Уґг(и), ... вполне достаточно для объективного, не зависящего от отсутствующих в данной модели факторов определения оптимального решения. В такой постановке сравнение альтернатив по векторному критерию может проводиться следующими методами: обобщенного критерия, главного критерия, идеальной точки и метода Парето. Рассмотрим каждый из указанных методов принятия решений и выберем один, наиболее полно удовлетворяющий требованиям задачи рационального выбора метода медицинской диагностики.
В методе обобщенного критерия частные компоненты вектора W сворачиваются в скаляр с помощью некоторой агрегирующей функции, которая затем максимизируется с целью отыскания оптимальной альтернативы а . Вид функции агрегирования для метода обобщенного критерия устанавливается на основе анализа допустимой компенсации увеличения значений одних критериев за счет уменьшения значений других. Наиболее распространенными являются следующие обобщенные показатели: Fz = УІЩ - аддитивная свертка показателей векторного критерия; Fn - X\W?X - мультипликативная свертка; где уг коэффициент относительной важности частного показателя Wt, а коэффициенты важности удовлетворяют условию нормировки YjYi = 1 При использовании обобщенных показателей недостаточная величина одного показателя компенсируется избыточной величиной другого. Основной проблемой этого метода является обоснование допустимости свертки. Требует подтверждения, что рассматриваемые показатели эффективности являются однородными. Известно, что показатели эффективности разделяются на три группы: показатели результативности, ресурсоемкости и оперативности. В общем случае разрешается свертка показателей, входящих в обобщенный показатель для каждой группы отдельно. Свертка показателей из разных групп может привести к потере физического смысла такого критерия. Кроме того, основной недостаток обобщенного критерия состоит в том, что он не вытекает из объективной роли частных критериев в определении качества метода диагностики и выступает поэтому как формальный математический прием, придающий задаче удобный вид.
Метод главного критерия в отличие от метода обобщенного критерия не требует построения функции агрегирования на частных критериях. Здесь агрегирование сводится к назначению одного из критериев, например W-, главным, то есть принимают F(w) = Wj и требуют, чтобы значения всех остальных критериев w(,i j, удовлетворяли дополнительным ограничениям. Недостаток метода очевиден: нет смысла проводить глубокий анализ, если все критерии, кроме одного, не учитываются.
В методе идеальной точки в пространстве критериев частные критерии w, имеют смысл "расстояния" до некоторой идеальной точки мЛ Пусть на множестве альтернатив Uзаданы п целевых функций Wi(n),...,W„(u).
В пространстве векторных оценок рассмотрим идеальную точку х={Х],...,х„}, где Xi=mmWi(u). Если бы точка д: принадлежала множеству векторных оценок, т.е. если бы существовала альтернатива и U такая, что Wi(u) = Х{, /=/,...,«, то, очевидно, что и была бы лучшей альтернативой. Однако, как правило, этого не происходит, поэтому в качестве наилучшей альтернативы предполагается выбрать такую точку, векторная оценка которой находится ближе всего к идеальной точке х.
Интуитивно такой метод принятия решений представляется очень привлекательным, соответствует представлениям врача-диагноста о самом надежном методе, называемым «золотым стандартом» (референтным методом). Однако рассматриваемый метод принятия решений не лишен довольно существенных недостатков. Одни из основных - возникновение проблемы выбора метрики и несоответствие аксиоме независимости.
В настоящее время разработан ряд методов, основанных на принципе компромисса, то есть принятия взвешенного решения, в котором фигурируют в определенной пропорции все действующие показатели. Одним из таких методов является весьма распространенный метод Парето. Основная идея метода Парето заключается в сохранении множества возможных вариантов и выделении области, из которой необходимо выбирать наиболее целесообразные варианты. Для метода Парето предложены многоэтапные процедуры сравнения вариантов, недостатками которых являются высокая сложность и большая продолжительность выполнения сравнительного анализа вариантов.
Как показано выше, ни один из перечисленных выше методов не свободен от недостатков, связанных с желанием упростить задачу и сделать ее однозначной. Однако, как правило, упрощение сложного явления, в принципе не упрощаемого, не может дать верного ответа. Для выбора рационального метода медицинской диагностики на основе известных методов принятия решений был использован метод идеальной точки в пространстве критериев. Особенность выбранного метода заключается в следующем: во-первых, не требуется, как таковая, относительная важность показателей качества методов диагностики -экспертиза задает гипотетически идеальный метод диагностики; во-вторых, не требуется многоэтапная процедура оптимизации для выполнения требований аксиомы независимости от непричастных альтернатив. Эти достоинства обусловливают перспективность широкого его применения.
Рационализация диагностики состояний и выбора тактики интенсивной терапии больных с применением подсистемы интеллектуальной поддержки врача-реаниматолога
Больной М., 51 год, история болезни № 11343, поступил в стационар с жалобами на приступы удушья при физической нагрузке, приступы затрудненного дыхания без четкой зависимости от времени суток, кашель в течение суток с небольшим количеством трудноотделяемой вязкой мокроты. Из анамнеза: болен Б А в течение 18 лет; развитие приступов связывал с физической нагрузкой, простудными заболеваниями, редко - с воздействием внешних аллергенов (пыльца цветущих растений в весенне-летний период). Приступы удушья возникают 2-3 раза в неделю в ночное время; днем физическая активность вызывает затрудненное дыхание (до двух раз в день).
Объективно: состояние средней тяжести. Грудная клетка бочкообразной формы. Перкуторно - легочный звук с коробочным оттенком, границы легких умеренно расширены, уменьшена подвижность нижних краев легких. При аускультации выслушивались сухие свистящие хрипы различного тембра по всем легочным полям.
В мокроте и крови эозинофилия не определялась, анализ мокроты выявил 30-40 нейтрофилов в поле зрения. Рентгенография органов грудной клетки: легочный рисунок деформирован, усилен, в прикорневых отделах -фиброз. ОФВі - 55% от нормы, колебания ПСВ в течение суток - 20%, при спирографии выявлено значительное нарушение вентиляционной способности легких по обструктивному типу, нарушение проходимости мелких бронхов.
Больная Т., 28 лет, история болезни №9884, поступила в пульмоотделе-ние ГКБ №9 с жалобами на приступы удушья до 2 раз в сутки с затруднением выдоха, преимущественно в ночные и предутренние часы, кашель с малым количеством вязкой «стекловидной» трудноотделяемои мокроты, отходящей на высоте приступа. Страдает БЛН с 20 лет. Развитие приступов удушья связано в основном с воздействием различных раздражающих веществ (запах лакокрасочной продукции, пыльца растений, шерсть кошек). Физическая нагрузка приступов не провоцирует. Больная не отмечает связи обострений астмы с простудными заболеваниями. Имеет отягощенный наследственный анамнез по данной патологии (мать и бабушка страдали бронхиальной астмой).
Объективно: состояние средней тяжести. Грудная клетка обычной формы. При перкуссии определялся ясный легочный звук, границы легких в пределах нормы, подвижность нижних краев легких несколько уменьшена. При аускультации выслушивались сухие свистящие хрипы в задне-нижних и зад-не-боковых отделах легких.
В крови выявлялась эозинофилия (9%), анализ мокроты - наличие спиралей Куршмана. Рентгенография органов грудной клетки: легочный рисунок несколько усилен. ОФВі - 70% от нормы, колебания ПСВ в течение суток 25%, при спирографии выявлено умеренное нарушение вентиляционной способности легких по обструктивному типу.
Прогнозируемая эффективность лечения - 5 баллов по пятибалльной шкале. Достоверность прогноза эффективности лечения - 78%. Прогнозируемая длительность пребывания в стационаре - 9 дней. Достоверность прогноза длительности пребывания в стационаре - 68%. Приведенная схема лечения была применена для 38 больных с аналогичными параметрами в пульмонологическом отделении ГКБ №9 (СМП) (г. Воронеж) и показала увеличение эффективности лечения по сравнению с прогнозируемой при применении стандартной схемы лечения без учета всех параметров больного. При этом повышение эффективности лечения выражалось в снижении длительности пребывания больных в стационаре в среднем на 14% по сравнению со стандартной схемой лечения. Результаты применения стандартной схемы лечения были получены на тех же больных, которые проходили лечение ранее в том же отделении. Такое сравнение возможно в связи с тем, что БЛН в настоящее время не является излечимой в полном объеме, и целью лечения является достижение временной ремиссии большей или меньшей продолжительности этого заболевания.
Разработанное программное обеспечение представляет собой ком плекс взаимосвязанных программных модулей, обеспечивающих реализацию интеллектуализации принятия решений на основе имитационно семантического моделирования путем интерактивного построения модели и управления тактикой лечения на основе предложенных алгоритмов. В основе комплекса лежат математические модели идентификации осложнений и те чения заболевания, полученные в предыдущих разделах. Все модели, исполь зуемые программой, хранятся в базе данных. Это позволяет производить их обновление без перекомпиляции исходного кода программного комплекса. Несмотря на то, что компьютеризация терапии увеличила материальные затраты, экономически она выгодна, благодаря повышению эффективности усилий по сокращению продолжительности лечения.
Модель больного БЛН должна прогнозировать только один показатель - эффективность лечения. Длительность пребывания больного в стационаре при применении заданной схемы лечения целесообразно прогнозировать с помощью отдельной нейросети - так как эксперименты показали, что достоверность прогнозирования времени пребывания оказывается заметно ниже достоверности прогнозирования эффективности лечения.
Разработанная схема лечения была применена для 38 больных с аналогичными параметрами и показала увеличение эффективности лечения по сравнению с прогнозируемой при применении стандартной схемы лечения без учета всех параметров больного. При этом повышение эффективности лечения выражалось в снижении длительности пребывания больных в стационаре в среднем на 14% по сравнению со стандартной схемой лечения. Результаты применения стандартной схемы лечения были получены на тех же больных, которые проходили лечение ранее в том же отделении. Такое сравнение возможно в связи с тем, что БЛН в настоящее время не является излечимой в полном объеме, и целью лечения является достижение временной ремиссии большей или меньшей продолжительности этого заболевания.
Разработка методов, моделей и алгоритмов, ориентированных на конкретные классы лечения больных, является одним из основных направлений прикладного системного анализа и теории управления. Особую значимость приобретает интеграция предметно-ориентированных процедур в систему интеллектуальной поддержки принятия решений врачом. Именно такую цель преследуют реализованные в диссертации задачи моделирования и прогнозирования состояния больных бронхо-легочной недостаточностью. Тем самым обеспечивается выбор рациональной тактики лечения на основе адаптивных алгоритмов с использованием комплекса программно-аппаратных средств.
![Анализ, моделирование и алгоритмизация процесса диагностики вертебрально-базилярной недостаточности на основе инструментальных методов исследования [Электронный ресурс]](/i/i/4465/168237.png "Анализ, моделирование и алгоритмизация процесса диагностики вертебрально-базилярной недостаточности на основе инструментальных методов исследования [Электронный ресурс] Кривцова Людмила Ивановна")
