Содержание к диссертации
Введение
ГЛАВА 1. Современные методы диагностики состояния больных с хронической сердечной недостаточностью и направления по повышению эффективности средств диагностирования 11
1.1. Хроническая сердечная недостаточность: определение, значимые симптомы, средства инструментальной и лабораторной диагностики и алгоритм постановки диагноза 11
1.2. Особенности построения медицинских диагностических интеллектуальных систем 26
1.3. Анализ методов разработки медицинских экспертных систем с использованием технологии «Data Mining» 36
1.4. Цель и задачи исследования 50
ГЛАВА 2. Формирование диагностических моделей распознавания состояния больных с сердечной недостаточностью на основе технологии добычи данных 53
2.1. Разработка структуры подсистемы формирования диагностических правил на множестве методов распознавания и добычи данных 53
2.2. Минимизация признакового пространства показателей состояния больных с хронической сердечной недостаточностью 67
2.3. Выявление скрытых закономерностей в статистических данных о состоянии больных с сердечной недостаточностью на основе методов деревьев решений и нейронных сетей 72
2.4. Выводы второй главы 81
ГЛАВА 3. Разработка средств поддержки коллективного решения и оценка качества распознающей системы, многокритериального выбора методов диагностики 83
3.1. Разработка обучаемой системы поддержки коллективного решения группой независимых экспертов 83
3.2. Определение качества распознающей системы на множестве решающих правил по обучающей выборке 99
3.3. Рациональный выбор метода диагностики больных с сердечной недостаточностью по векторному критерию качества 104
3.4. Выводы третьей главы 111
ГЛАВА 4. Разработка и реализация интеллектуальной системы поддержки врача-диагноста на основе консилиума диагностических алгоритмов 112
4.1. Разработка функциональной и логической схем системы поддержки принятия решений врача-диагноста «Консилиум» 112
4.2. Разработка программно-информационного обеспечения подсистемы интеллектуального анализа данных, распознавания и прогноза СППР «Консилиум» 117
4.3. Методика построения решающих правил диагностики больных с сердечной недостаточностью в интеллектуальной СППР «Консилиум» 123
4.4. Выводы четвертой главы 131
Заключение 133
Литература 136
Приложения 150
- Хроническая сердечная недостаточность: определение, значимые симптомы, средства инструментальной и лабораторной диагностики и алгоритм постановки диагноза
- Разработка структуры подсистемы формирования диагностических правил на множестве методов распознавания и добычи данных
- Разработка обучаемой системы поддержки коллективного решения группой независимых экспертов
- Разработка функциональной и логической схем системы поддержки принятия решений врача-диагноста «Консилиум»
Введение к работе
Актуальность темы. Одной из основных задач, стоящих перед врачом, является диагностика заболевания. Для этого необходимо отнести больного к одному из нескольких классов - например, "болен" и "здоров" - на основании данных о его текущем состоянии и истории болезни, т.е. решить задачу классификации. Построить систему, проводящую полную диагностику больного, достаточно сложно, поэтому, как правило, больного исследуют по определенному профилю, например, на предмет наличия отклонений в сердечно-сосудистой системе. Соответственно, количество факторов, на основании которых такой диагноз может быть вынесен, существенно снижается, что позволяет повысить скорость и точность работы алгоритма.
Человеческий организм - высокоточный биологический механизм, который четко и, главное, довольно предсказуемо реагирует на различные факторы. Однако для того, чтобы верно спрогнозировать развитие болезни и шансы больного на выздоровление, необходимо оценивать большое количество факторов. Аналитическая система в данном случае призвана помочь поставить верный диагноз, от которого кардинальным образом будет зависеть методика лечения. Не претендуя на роль опытного врача, безошибочно ставящего диагноз, подобная система может оказаться весьма действенным помощником для специалиста, который и будет выносить окончательное решение. Практика показывает, что подобное сотрудничество человека и аналитической системы может быть весьма продуктивно.
Задача диагностики развития критических состояний больных с сердечной недостаточностью относится к задачам классификации.
В настоящее время актуальным является направление интеллектуального анализа данных или Data Mining, главной задачей которого является обнаружение потенциально полезных зависимостей (знаний) в больших массивах данных. При исследовании данных средствами Data Mining используется большое число различных методов и их возможные комбинации. Наиболее важные и часто используемые методы: кластеризация; ассоциация; деревья решений; анализ с избирательным действием; сети уверенности; метод ближайших соседей; нейронные сети; нечеткая логика; генетические алгоритмы; регрессионные методы; эволюционное программирование.
Разные методы диагностики требуют, вообще говоря, разные наборы информационно-ценных признаков. Поэтому, если использовать для решения одной задачи множество алгоритмов, отличающихся как стратегией распознавания, так и набором информационно-ценных признаков, то результаты будут более надежными, чем решение, принимаемое одним алгоритмом.
Такое множество алгоритмов, пользуясь медицинской терминологией, естественно называть компьютерным консилиумом, или, иначе, — консилиумом диагностических алгоритмов.
Таким образом, актуальность темы диссертационного исследования определяется необходимостью повышения эффективности медицинской диагностики больных сердечной недостаточностью с применением интеллектуальных средств поддержки принятия решений врача-диагноста.
Целью работы является разработка методов исследования, моделей и алгоритмов интеллектуальной и инструментальной поддержки дифференциальной диагностики заболеваний хронической сердечной недостаточности на основе консилиума диагностических алгоритмов.
Исходя из цели, определены следующие задачи исследования: провести системный анализ современных технологий и методов диагностики больных с хронической сердечной недостаточностью; разработать структуру подсистемы формирования диагностических правил на множестве методов распознавания и добычи данных; на основе анализа информации провести минимизацию признакового пространства для класса алгоритмов распознавания по заданному критерию точности алгоритма распознавания; разработать модели диагностики больных с сердечной недостаточностью на основе методов деревьев решений и нейронных сетей; сформировать решающее правило, позволяющее оценивать состояние объекта диагностирования в условиях противоречивой информации, полученной от группы независимых экспертов (алгоритмов); разработать оценки качества распознающей системы, предназначенной для классификации в соответствии с набором нескольких решающих правил при помощи процедуры «голосования»; разработать программно-информационное обеспечение системы интеллектуальной поддержки врача-кардиолога при диагностике состояний больных с хронической сердечной недостаточностью.
Методы исследования. Для решения поставленных задач использовались методы системного анализа, методы теории вероятности и математической статистики, методы нейросетевого моделирования, теории оптимизации и принятия решений, в частности, методы многокритериального выбора, основные положения теории управления биосистемами. При разработке программно-информационных средств применялись методы объектно-ориентированного программирования, создания интеллектуальных информационных систем.
Научная новизна. В диссертации получены следующие основные результаты характеризующиеся научной новизной: структура подсистемы формирования диагностических правил на множестве методов распознавания и добычи данных, организации проведения консилиума алгоритмов диагностики, позволяющая сформировать базу знаний интеллектуальной медицинской системы, предназначенной для диагностики сердечной недостаточности; метод минимизации признакового пространства для класса алгоритмов распознавания по заданному критерию точности алгоритма распознавания, основанный на поиске в многомерном пространстве потенциальных прогностических признаков множества статистически достоверных закономерностей, основанный на кластеризации признаков с учетом их информативности и взаимосвязи; модели диагностики критических состояний больных с сердечной недостаточностью на основе методов деревьев решений и нейронных сетей, позволяющие установить в явном виде зависимости между параметрами гомсо-стаза больных с сердечной недостаточностью и наличием у больного осложнений; алгоритм оценки состояние объекта в условиях противоречивой информации, полученной от группы независимых экспертов (алгоритмов), использующий априорные вероятности классов и условных вероятностях ошибок экспертов; алгоритм оценки качества распознающей системы, предназначенной для классификации в соответствии с набором нескольких решающих правил при помощи процедуры «голосования», характеризующийся возможностью формирования оценок ожидаемой вероятности ошибки и доверительного интервала для вероятности ошибки системы; 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.
Практическая ценность работы. В результате проведенного исследования разработаны функциональная структура, математическое и программно-информационное обеспечение подсистемы интеллектуального анализа данных, распознавания и прогноза СППР «Консилиум», обеспечивающие эффективное решение задач дифференциальной диагностики состояний больных хронической сердечной недостаточностью.
В рамках предложенной структуры СППР «Консилиум» разработана методика построения решающих правил диагностики больных с сердечной недостаточностью, оценки их эффективности. Применение СППР «Консилиум» позволило сократить время, требуемое на вынесение диагноза, и снизить значения риска неверного диагностирования. Своевременная же постановка диагноза приводит к снижению времени, требуемого на лечение, и повышает его эффективность.
Реализация и внедрение результатов работы. Интеллектуальная СГТПР «Консилиум» в виде комплекса технических средств и программно-информационного обеспечения внедрена в клиническую практику в Воронежской областной клинической больнице с ожидаемым годовым экономическим эффектом 153 тыс. руб. Кроме того, данная СГОТР используется в учебном процессе Воронежской государственной медицинской академии им. Бурденко на кафедре "Анестезиологии и реаниматологии", при подготовке врачей по специальности "Анестезиологии и реаниматологии".
Апробация работы. Научные результаты и положения диссертационной работы докладывались и обсуждались на следующих конференциях и семинарах: Всероссийской конференции "Интеллектуализация управления в социальных и экономических системах" (Воронеж, 2003, 2004); международной научно-практической конференции «Измерительные, информационные технологии и приборы в охране здоровья» (С-Петербург, 2003); ежегодных научных конференциях профессорско-преподавательского состава Воронежского государственного технического университета.
Публикации. По теме диссертационной работы опубликовано 14 печатных работ.
В работах, опубликованных в соавторстве, лично соискателю принадлежит: в [1, 4, 5, 68] детальная проработка структуры системы обучения и распознавания на основе методов добычи данных, в [2, 66, 69, 70] фрагменты моделей оценки качества распознавания и формирования консилиума алгоритмов, в [71, 68, 67, 66, 100] результаты формализации ситуаций выбора «коллективного» решения, в [2, 3, 66, 69, 70] подход к решению многокритериальной задачи выбора методов медицинской диагностики, в [68] организация программно-информационных средств интеллектуальной системы.
Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, изложенных на 132 страницах машинописного текста, спи- ска литературы из 153 наименований, 2-х приложений, содержит 10 таблиц и 21 иллюстраций.
ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ
Во введении обосновывается актуальность работы, дается ее краткая характеристика, показываются основные пути решения сформированных проблем.
В первой главе рассматриваются возможности математического аппарата теории управления, а так же параметры технических средств повышения эффективности интенсивной терапии; рассматриваются методы добычи данных в медицинских исследованиях и их эффективность в задачах медицинской диагностики; приведены особенности построения медицинских диагностических интеллектуальных систем. Проанализированы методы разработки медицинских экспертных систем с использованием технологии «Data Mining». Рассмотрены перспективы развития интеллектуальных систем в медицине определяющиеся рядом факторов, среди которых можно выделить вопросы извлечения и представления различных типов знаний специалистов, интеллектуализации интерфейса и блока объяснения, гибридных и динамических систем. На основании проведенного анализа определяются цель и задачи исследования.
Во второй главе рассмотрены особенности разработки структуры подсистемы формирования диагностических правил на множестве методов распознавания и добычи данных. На основе полученных результатов производится формирование базы знаний интеллектуальной медицинской системы, предназначенной для диагностики сердечной недостаточности. Решается задача минимизации признакового пространства для класса алгоритмов распознавания по заданному критерию точности алгоритма распознавания. Приводится способ построения модели диагностики критических состояний боль- ных с сердечной недостаточностью на основе методов деревьев решений и нейронных сетей.
В третьей главе рассмотрены процессы принятия решений в индивидуальном и коллективном режиме работы. Описана архитектура системы, в которой наряду с формированием коллективного решения обеспечивается уточнение вероятностных характеристик, фигурирующих в решающем правиле. Проведена оценка качества распознающей системы, предназначенной для классификации в соответствии с набором нескольких решающих правил при помощи процедуры «голосования». 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.
В четвертой главе разработано программно-информационное обеспечение СППР «Консилиум», предназначенное для анализа медицинских данных с помощью различных статистических и интеллектуальных методов, таких как деревья решений, нейронные сети, байесовские сети доверия и генетические алгоритмы, формирования и выдачи обоснованных заключений при диагностике больных с сердечной недостаточностью на основе консилиума алгоритмов. Предложена методика построения решающих правил диагностики в интеллектуальной системе «Консилиум», сформирована база знаний системы поддержки принятия решений врача-диагноста, ориентированной на диагностику состояния больных с сердечной недостаточностью.
В заключении рассмотрены основные результаты работы.
В приложении приведены результаты работы разработанного программного комплекса, акты внедрения
Хроническая сердечная недостаточность: определение, значимые симптомы, средства инструментальной и лабораторной диагностики и алгоритм постановки диагноза
Формулировка, данная в Европейских рекомендациях по диагностике и лечению хронической сердечной недостаточности (ХСН) в сентябре 2001 года, определяет СН, как "патофизиологический синдром, при котором в результате того или иного заболевания сердечно-сосудистой системы происходит снижение насосной функции, что приводит к дисбалансу между гемоди-намической потребностью организма и возможностями сердца". Современная нейрогуморальная модель патогенеза доказала, что развитие ХСН происходит по единым патофизиологическим законам вне зависимости от этиологии повреждения. С клинической точки зрения это дает "формальные" основания обозначить ХСН не только как сложный симптомокомплекс, осложняющий течение того или иного заболевания сердечно-сосудистой системы, но как самостоятельную нозологическую форму.
Таким образом, с современных клинических позиций ХСН представляет собой заболевание с комплексом характерных симптомов (одышка, утомляемость и снижение физической активности, отеки и др.), которые связаны с неадекватной перфузией органов и тканей в покое или при нагрузке и часто с задержкой жидкости в организме.
Первопричиной является ухудшение способности сердца к наполнению или опорожнению, обусловленное повреждением миокарда, а также дисбалансом вазоконстрикторных и вазодилатирующих нейрогуморальных систем. Рассмотрим принципы диагностики хронической сердечной недостаточности. Постановка диагноза ХСН возможна при наличии 2-х ключевых критериев (табл. 1.1): (1) характерных симптомов СН (главным образом одышки, утомляемости и ограничения физической активности, отеков лодыжек) и (2) объективного доказательства того, что эти симптомы связаны с повреждением сердца, а не каких-либо других органов (например, заболеваниями легких, анемией, почечной недостаточностью).
Следует подчеркнуть, что симптомы ХСН могут присутствовать в покое и/или при нагрузке. В то же время объективные признаки дисфункции сердца должны обязательно выявляться в покое. Это связано с тем, что появление такого признака (например, низкой ФВ ЛЖ) на нагрузке (например, у больного ИБС) может быть признаком не СН, а в данном случае - коронарной недостаточности. По аналогии с ФВ ЛЖ это касается и других объективных признаков повреждения миокарда.
В сомнительных случаях подтверждением диагноза СН может служить положительный ответ на терапию, в частности, на применение диуретиков. При установлении диагноза ХСН следует уточнить причину ее развития, а также факторы и возможные сопутствующие заболевания, провоцирующие декомпенсацию и прогрессирование ХСН. СН может развиться в результате различных заболеваний сердечнососудистой системы поражения миокарда любой этиологии, нарушений ритма и проводимости сердца, патологии клапанов, заболеваний перикарда и т.д.
Самыми частыми причинами развития ХСН в Европе и в России в последние годы стали и ИБС, и ИМ, которые встречаются у 60-70% стационарных больных и ассоциируются прежде всего с нарушением систолической функции ЛЖ. Среди других причин развития ХСН следует отметить дилата-ционную кардиомиопатию, ревматические пороки сердца. В возрастных группах старше 70 лет в основе развития СН наряду с ИБС ведущую роль приобретает АГ и гипертоническое сердце, связанные, в первую очередь, с развитием диастолических нарушений, чему способствует также возрастное уменьшение мышечного элемента и повышенное отложение фиброзной ткани в миокарде у пожилых.
В ряде случаев своевременная диагностика этиологической причины декомпенсации и специфическое воздействие на нее позволяют существенно (а иногда и радикально) воздействовать на развитие и прогрессирование СН: например, своевременное оперативное устранение порока сердца или восстановление синусового ритма у больных с тахи-формой мерцательной аритмии устраняют субстрат для возникновения (прогрессирования) ХСН. Важно выявить потенциально обратимые факторы развития и прогрессирования ХСН.
Понятно, что ИБС и перенесенный ИМ сопряжены с необратимыми изменениями миокарда и представляют собой постоянный субстрат для развития и прогрессирования СН. Однако нередко развитие симптомов СН происходит при отсутствии значимого поражения сердечной мышцы под влиянием так называемых "обратимых" факторов, которые могут провоцировать появление/усугубление симптомов и/или признаков СН, даже при отсутствии миокардиальной дисфункции. Профилактика, выявление и устранение таких факторов является важнейшей диагностической и лечебной задачей. К таким факторам можно отнести транзиторную ишемию миокарда, тахи-брадиаритмии, тромбоэмболии легочной артерии, увеличение митральной регургитации, дисфункцию почек, патологию щитовидной железы, побочные эффекты лекарственных средств, чрезмерное употребление поваренной соли и воды. Особо важную роль для России с ее холодным климатом и неразвитой системой сезонных профилактик имеет такой фактор, как респираторная инфекция и другой традиционный "фактор" - злоупотребление алкоголем ("вклад" алкоголя в заболеваемость ХСН обычно недооценивается). Относительно инфекций известно, что каждая четвертая декомпенсация сердечной деятельности происходит на фоне простудных заболеваний.
Разработка структуры подсистемы формирования диагностических правил на множестве методов распознавания и добычи данных
В настоящее время не существует общепризнанных математических моделей идентификации критических состояний больных с сердечной недостаточностью. Такое состояние развития алгоритмического обеспечения врачей-реаниматологов объясняется в первую очередь трудностью построения оптимального признакового пространства, на котором можно было бы создать универсальную модель диагностики осложнений, учитывающую все признаки их проявления у больного. Кроме этого до конца не определен механизм возникновения критических состояний, что в свою очередь затрудняет алгоритмизацию их диагностики.
Одним из направлений разработки базы знаний для медицинской экспертной системы следует считать средства добычи данных - Data Mining. При этом главной задачей является поиск и выделение из обширного экспериментального материала диагностических правил, т.е. решение задачи распознавания образов. Можно сказать, что результатом распознавания является отнесение данного объекта из экзаменуемого множества к одному из классов обучающего множества [68].
Вместе с тем само распознавание - процесс, состоящий из ряда стадий, который схематически представлен на рис. 2.1. В левом верхнем углу помещен «Банк объектов» (1), куда входят и обучающее и экзаменуемое множества. Далее будем считать, что в обучающее множество входят все (или почти все) классы. Рассмотрим правила выбора обучающего множества из банка объектов. Обучающее множество, как и сам банк объектов, формируется целесообразно и иерархично (по принципу дерева). Поясним это на примере медицинской диагностики. На первом уровне различаются все пациенты, которые чем-то больны (есть отклонения от нормы), от тех, которые здоровы. На следующем уровне пациенты различаются по нозологиям: желудочные, сердечно-сосудистые и т.п. На более высоком уровне приводятся более детальные различия. На каждом уровне ставится диагноз, который по мере продвижения по иерархическому дереву уточняется. Схема распознавания применима к любому иерархическому уровню. Различие лишь в том, что на каждом уровне подбирается свое обучающее множество и свое пространство признаков. В обучающем множестве уже должны быть заданы классы. В основном, классы могут быть заданы одним из трех вариантов: либо заданием эталона класса, либо правилом вывода, либо показом примеров. Задание класса «эталоном» предполагает задание перечня конкретных свойств объектов этого класса, то есть перечня диапазонов значений конкретных показателей. Задание класса «правилом вывода» предполагает иерархию важности (значимости) свойств объектов для определения их принадлежности к классу. Обычно правило вывода формулируется в виде цепочки заключений: «ЕСЛИ..., ТО...». Такой подход используется часто при ситуации «вложенности классов» (то есть иерархии классов).
Особенность задания класса «показом примеров» состоит в том, что сведения о принципах разбиения объектов на классы подсистема получает не в виде формального определения, а путем наблюдения некоторого числа примеров.
Вариант задания классов показом разнообразных объектов каждого из них получил название «синтез названия класса». Предполагается, что число примеров каждого класса достаточно для выработки правил, отличающих один класс от другого. Отсюда следует, что чем больше разнообразие объектов класса, то есть, чем большим количеством признаков описан объект, тем большее количество объектов требуется для выработки правила. При таком задании классов подсистема «абстрагируется» от различий внутри класса и, наоборот, «акцентирует внимание» на то, чем отличается один класс от другого. Предполагается, что если с самого начала в качестве языка описания класса избрать некоторый набор свойств класса, то запоминать в ходе обучения можно не эталоны классов, а эталоны свойств классов.
Следующий блок 2 «Преобразование признаков» относится к выбору признаков. По существу, это важно уже при формировании обучающего множества. Результат решения задач классификации зависит, очевидно, не только от метода, который лежит в основе узнающей системы, но и в большой степени от выбранного пространства признаков, на которых строится классификация.
Основная особенность решения задачи выбора признаков состоит в том, что один и тот же объект может быть описан множеством характеристик, заведомо избыточным для решения какой-либо одной задачи классификации, и при этом может случиться, не имеет характеристик, необходимых для решения другой. Причиной пропущенных данных может быть и невозможность получить (измерить) данные, и отсев их входным устройством как неинформативных.
Иными словами, реальное пространство признаков, с которыми приходится работать, одновременно и избыточно, и недостаточно. Оно избыточно в случае, когда классы в пространстве признаков далеко разнесены друг от друга. Оно же недостаточно, когда два класса в пространстве признаков близки и даже пересекаются друг с другом. Это обстоятельство послужило основой развития в системах распознавания способности, перерабатывать косвенную информацию об объектах -построение «производных» характеристик, оптимально полезных для поставленной задачи.
Разработка обучаемой системы поддержки коллективного решения группой независимых экспертов
В различных областях приложения (техника, экономика, медицина и т.п.) профессиональная деятельность человека связана с принятием решений, которые сводятся к выбору оптимального варианта из множества альтернатив [45, 52]. Для повышения эффективности принимаемых решений часто используется информация, полученная от группы экспертов [53, 56, 58]. В этом случае возникает необходимость формирования коллективного решения на основе "интеграции" частных решений членов группы. Типичным примером подобного коллектива является медицинский консилиум, принимающий окончательное решение на основании учета частных решений отдельных специалистов [18]. Идея коллеісгивного решения получила также известность не только для группы людей, но и для совокупности формальных алгоритмов [7, 136, 138].
Известны различные подходы к интеграции частных решений. В одних случаях предлагается использовать метод голосования (majority vote method) [139, 130] или ранжирования (label ranking method) [128, 108]. В других - использовать схемы, основанные на усреднении или линейной комбинации апостериорных вероятностей, которые оцениваются отдельными классификаторами [125, 151], либо использовать алгоритмы нечетких правил (fuzzy rules) [118]. Развиваются также подходы, основанные на выделении в пространстве наблюдений локальных областей, в каждой из которых только один из частных классификаторов "компетентен" принимать решение [78, 149].
Все эти работы имеют несомненный теоретический интерес и позволяют обосновать выбор той или иной схемы интеграции, если частные решения принимаются на основе формальных правил. В то же время довольно часто на практике эксперты принимают свои решения неформально, полагаясь на свой предшествующий опыт и интуицию.
Разумеется, в этих практически важных случаях также требуется обоснованный подход к интеграции частных решений экспертов. Например, какое окончательное решение должно быть принято, если в результате независимого обследования часть специалистов (экспертов) признала пациента здоровым, а другая часть - больным?
Можно привести и другие не менее актуальные примеры необходимости принятия коллективных решений в условиях ограниченной априорной информации о том, каким образом эксперты принимают свои частные решения [89].
Технология формирования и принятия решения в общем случае Процесс принятия решения включает пять основных фаз. От того, насколько качественно осуществлены подготовка и проведение каждой фазы, зависит и качество конечного решения. Поэтому управлять процессом принятия решения означает управлять каждой фазой этого процесса и их совокупностью. Проблемы принятия решения стоят особенно остро на уровне систем, где задачи управления слабо структурированы и слабо формализованы, где имеется неоднозначность, противоречивость и неполнота начальных данных и знаний об объектах и процессах. К такому классу систем можно отнести системы медицинской диагностики. Работа в таких системах осуществляется в двух режимах: индивидуальном, когда ЛПР на основе имеющейся информации, пользуясь индивидуальными знаниями или экспертной системой, принимает решение; коллективном, когда ЛПР участвует в проведении совещания, где анализируется соответствующая проблема и принимается решение на основе коллективной модели процесса. Индивидуальный режим работы характерен тем, что ЛПР (эксперт) анализирует события и принимает решения, в основном опираясь на собственную базу знаний. При использовании экспертной системы (ЭС) ЛПР к собственной базе знаний добавляет возможности базы знаний экспертной системы. Технология работы ЛПР в таком режиме представлена на рис. 3.2. Необходимость использования цепочки «Объект - ЛПР - ЭС» связана с тем, что эксперты имеют то, что мы обычно называем здравым смыслом -или общедоступными знаниями. Это широкий спектр общих знаний о мире, о законах, которые в нем действуют, то есть знания, которыми каждый из нас обладает и постоянно пользуется. Из-за огромного объема знаний, образующих здравый смысл, не существует легкого способа встроить их в интеллектуальную программу, которая может быть составной частью ЭС. ЛПР Результаты (решения,рекомендации) До настоящего времени основной проблемой создания систем для ЛПР, работающих в индивидуальном режиме, считалась проблема создания базы знаний. Была принята концепция, которую известный американский ученый Д. Уотерман формулирует таким образом: «Чтобы сделать программу интеллектуальной, ее нужно снабдить множеством высококачественных специальных знаний о некоторой предметной области» [87, 86]. При этом исходят из следующих соображений. 1. Знания, позволяющие эксперту (или ЭС) получать качественные и эффективные решения, являются в основном эвристическими, экспериментальными, неопределенными, правдоподобными. 2. Мощность экспертной системы обусловлена, в первую очередь, мощностью базы знаний и возможностью ее пополнения и только во вторую очередь - используемыми ею методами (процедурами). 3. Учитывая неформализованное решаемых задач и эвристический личностный характер используемых знаний, пользователь (эксперт) должен иметь возможность непосредственно взаимодействовать с ЭС в форме диалога.
Разработка функциональной и логической схем системы поддержки принятия решений врача-диагноста «Консилиум»
Система поддержки принятия решений «Консилиум» построена по объектно-ориентированной технологии с применением принципов модульности, открытости, оптимизации, управляемости и адекватности [4, 67] и предназначено для работы на IBM-совместимых компьютерах.
Архитектура СППР «Консилиум» позволяет провести настройку под потребности конкретного пользователя-врача, который может самостоятельно определить перечень исследуемых параметров, сконфигурировать и наполнить карту опроса пациента (клинические и паспортные данные).
Главными требованиями при разработке пользовательского интерфейса СППР «Консилиум» были обеспечение наглядности и логической стройности представления данных, простота доступа и минимизация шагов при вводе характеристик. Программное обеспечение оснащено развитой системой подсказок и контекстно-ориентированной помощи, которая призвана помочь пользователю найти решение при возникновении затруднений в работе. Структурно выделяются следующие функциональные блоки СППР «Консилиум» (рис. 4.1): блок управления прибором (включение; выбор режима; задание временных параметров работы прибора; регистрация измеренных значений отклика ТИ); блок нижнего уровня интерфейса (визуальное решение программы, общая организация окон и меню); блок поддержки карты описания (файловые операции, модификация); блок ведения базы данных (описание структуры, файловые операции, проверка корректности и т.п.); блок ввода/редактирования данных (внесение данных об анамнезе пациента с учетом исследуемой у него группы органов); блок просмотра содержимого БД (формирование списка пациентов); блок поиска (многопараметрный поиск в БД по заданным критериям); блок интерфейса диагностической процедуры (удобный для пользователя способ управления процессом ввода и визуализации на мониторе компьютера в реальном масштабе времени регистрируемых данных); счетный блок (автоматизированная обработка первичных данных, расчет производных характеристик); блок диагностики (поиск информативных сочетаний производных характеристик за то или иное состояние органа); блок представления результатов диагностики (представление в наглядной форме протокола голосования по диагностируемым состояниям с возможностью повторного визуального просмотра данных, распечатки протокола приема пациента и т.п.); блок экспорта данных для анализа в других программах. Система «Консилиум» относится к классу открытых модульных систем поддержки принятия решений. Она служит для решения круга задач, связанных с построением решающих правил классификации на основе методов добычи данных [65, 67]. В процессе решения конкретной задачи производится комплектование программных модулей, реализующих те или иные алгоритмы обработки данных. Система обеспечивает: формирование и ведение проблемно-ориентированной базы данных; формирование и преобразование пространства признаков и симптомов; задание групп исследования: обучения, контроля, (в том числе, промежуточного), групп сравнения и т.д.; выбор методов анализа данных; представление результатов анализа для принятия решений. Логическая схема системы «Консилиум» представлена на рис. 4.2. Результаты работы алгоритмов «Консилиума» представляются различными информационными материалами: таблицами распределения и весов симптомов, набором решающих правил, результатами голосования для контрольных объектов, графиками, содержательным текстом решающих правил классификации и др. В СППР «Консилиум» (в соответствии со схемой распознающей системы, см. рис. 2.1) предусмотрены два принципиальных режима работы: обучение и использование построенного решающего правила.
Первый режим в большей степени соответствует процессу творческого поиска решений, то есть методов и алгоритмов преобразования исходного пространства признаков, подбора наилучших параметров анализа данных и построения решающих правил классификации (в правой части схемы на рис. 2.1).
