Содержание к диссертации
Введение
1. Пути повышения эффективности формализации профессиональных знаний врача на основе интеллектуальных технологий идентификации 13
1.1. Особенности методов диагностики сложных объектов и формирования понятий при формализации профессиональных знаний 13
1.2. Системный анализ проблем принятия решений в задачах медицинской диагностики и выбора тактики лечения 24
1.3. Цель и задачи исследования 37
2. Формирование структуры информационного обеспечения интеллектуальных технологий идентификации в задачах медицинской диагностики и выбора тактики лечения 38
2.1. Методика формирования информационной базы медицинских интеллектуальных систем идентификации 38
2.2. Формализация исходной нечеткой информации в терминах лингвистических переменных и формирование правил вывода в информационной базе 47
2.3. Информационные оценки эффективности принятия решений в клинической практике 57
Выводы второй главы 59
3. Алгоритмизация прогнозирования и оптимального управления в задачах медицинской диагностики и выбора тактики лечения 60
3.1. Алгоритмизация задач нечеткого математического программирования в задачах идентификации состояния пациента и выбора тактики лечения
3.2. Особенности формирования нелинейных регрессионных моделей для описания процесса течения заболеваний 66
3.3. Методика формирования систем нелинейных моделей на основе подбора преобразования Бокса-Кокса и линеаризации при помощи параметризации регрессионной модели 83
Выводы третьей главы 89
4. Реализация методов формализации знаний врача в рамках интеллектуальных технологии идентификации состояния пациента и выбора тактики лечения 90
4.1. Реализация моделей и алгоритмов, описание прогностического программного инструментария течения экзотоксического шока при различных тактиках лечения 90
4.2. Диагностика ишемической болезни сердца 105
Заключение 114
Список Литературы 116
Приложение 125
- Особенности методов диагностики сложных объектов и формирования понятий при формализации профессиональных знаний
- Методика формирования информационной базы медицинских интеллектуальных систем идентификации
- Алгоритмизация задач нечеткого математического программирования в задачах идентификации состояния пациента и выбора тактики лечения
- Реализация моделей и алгоритмов, описание прогностического программного инструментария течения экзотоксического шока при различных тактиках лечения
Введение к работе
Актуальность темы. Проблемы формализации и структуризации знаний в различных областях человеческой деятельности и принятия на их основе обоснованных и адекватных управленческих решений занимают в настоящее время особое место в информационных технологиях. При этом все большую актуальность приобретают задачи медицинской диагностики и выбора тактики лечения, так как в данном случае значительная часть информации об объекте исследования носит невербальный характер, а роль опыта и интуиции врача в выборе комплекса клинико-диагностических мероприятий весьма велика.
В современной теории идентификации все более важную роль начинают играть методы, привлекающие лингвистическую информацию при построении моделей нелинейных зависимостей. Одним из наиболее разработанных в инженерном отношении инструментов учета лингвистической информации является теория нечетких множеств и нечеткая логика.
Вместе с тем, успешное освоение новых терапевтических методик и лечебно-диагностических технологий, усложнение методов и средств мониторингового контроля физиологических показателей стимулировали значительное, увеличение объема информации, поступающей в распоряжение врачей, что приводит к формированию неопределенности в выборе целей на текущих этапах лечебных и реабилитационных мероприятий. Необходимость учета большого числа взаимосвязанных факторов и быстро меняющихся требований к адекватной оценке и прогнозированию состояния больного, выбору и корректировке схемы лечения диктуют необходимость использования вычислительной техники в рамках систем интеллектуальной поддержки принятия решений.
В этой связи очевидна необходимость разработки методов, позволяющих получать точные, адекватные и воспроизводимые результаты, необхо- димые для анализа результатов диагностики и лечения больных, поиска путей повышения их эффективности, проверки и обоснования, выдвигаемых врачами гипотез - всего того, что принято называть научной работой в клинической медицине.
Таким образом, актуальность темы диссертационного исследования определяется необходимостью разработки методов прогнозирования и алгоритмов оптимального управления в рамках структуры информационного обеспечения интеллектуальных технологий идентификации в задачах медицинской диагностики и выбора тактики лечения.
Диссертационная работа выполнена в соответствии с межвузовской комплексной научно-технической программой 12.11 «Перспективные информационные технологии в высшей школе» в рамках одного из основных направлений Воронежского государственного технического университета «Биомедкибернетика, компьютеризация в медицине».
Цель и задачи исследования. Целью исследования является разработка методов формализации профессиональных знаний врача на основе интеллектуальных технологий идентификации состояния здоровья пациента и выбора тактики лечения.
Для достижения поставленной цели необходимо решить следующие задачи: провести системный анализ путей повышения эффективности формализации профессиональных знаний врача на основе интеллектуальных технологий идентификации; сформировать структуру информационного обеспечения интеллектуальных технологий идентификации в задачах медицинской диагностики и выбора тактики лечения на основе алгоритмизации оценивания информативности лабораторных показателей и клинических симптомов; предложить методику формализация исходной нечеткой информации в терминах лингвистических переменных и формирования правил вывода в общей структуре информационного обеспечения; разработать алгоритм формирования нелинейных регрессионных моделей для описания процесса течения заболеваний на основе подбора линеаризующего преобразования; построить комплекс нелинейных регрессионных моделей динамики физиологических показателей и предложить оптимизационную процедуру выбора тактики лечения; реализовать математический аппарат численных расчетов в рамках предложенных методов и алгоритмов и оценить эффективность его использования по результатам клинической апробации.
Методы исследования. Для решения поставленных задач использовались основные положения теории вероятности и математической статистики, теории информации, методов нечеткой логики, основных положений теории управления биосистемами.
Научная новизна. В диссертацииполучены следующие основные результаты, характеризующиеся научной новизной: структура информационного обеспечения интеллектуальных технологий идентификации в задачах медицинской диагностики и выбора тактики лечения на основе алгоритмизации оценивания информативности лабораторных показателей и клинических симптомов, отличающаяся введением информационных оценок эффективности принятия решений в клинической практике на основе энтропийных критериев полезности информации; методика формализации исходной нечеткой информации в терминах лингвистических переменных, отличающаяся применением композиционного правила вывода в общей структуре информационного обеспечения; метод формализации динамики физиологических показателей в виде нелинейных моделей множественной регрессии, отличающийся использованием модифицированного алгоритма подбора линеаризующего преобразования; комплекс нелинейных регрессионных моделей на примере изучения динамики ведущих показателей гомеостаза при экзотоксическом шока при традиционном лечении, вспомогательном кровообращении и экстракорпоральной оксигенации крови и предложить оптимизационную процедуру выбора тактики лечения, отличающуюся введением адаптивной процедуры формирования обобщенного показателя эффективности лечения.
Практическая ценность и реализация результатов работы.
Сформированы принципы создания инвариантной среды формализации профессиональных знаний врача на основе интеллектуальных технологий идентификации состояния здоровья пациента и выбора тактики лечения.
Внедрение разработанных моделей и методов позволяет сократить время диагностики нарушений системы гомеостаза, максимально индивидуализировать программу лечения, проводить коррекцию осложнений на основании данных о состоянии пациента.
Учет динамики контролируемых физиологических показателей, алгоритмические схемы адаптивного формирования оценок эффективности лечения позволили врачам выбирать более эффективную схему терапевтических мероприятий. Результаты диссертации внедрены в практику работы кардиологического отделения и отделении реанимации № 1 Воронежской областной клинической больницы. Теоретические и практические результаты работы, реализованные автором в комплексе программных средств выбора оптимальных лечебных мероприятий, внедрены в учебный процесс на межвузовской кафедре «Системный анализ и управление в медицинских и педагогических системах» для студентов специальности 190500 "Биотехнические и медицин- ские аппараты и системы" и кафедре «Анестезиологии и реаниматологии» Воронежской государственной медицинской академии им. Н.Н. Бурденко.
Апробация работы. Основные положения диссертационной работы докладывались и обсуждалось на следующих конференциях, семинарах и совещаниях: III Международная электронная научная конференция «Современные проблемы информатизации» (Воронеж, 1998); Труды всероссийской конференции «Интеллектуальные информационные системы» (Воронеж, 2000); Труды всероссийской конференции «Интеллектуальные информационные системы» (Воронеж, 2000); Всероссийская научно-практическая конференция «Духовность, нравственность, патриотизм» (Воронеж, 2002); Международная научно-практическая конференция «Качество образования на современном этапе развития: концепции и практика» (Орел, 2002); Международная научно-практическая конференция молодых ученых и специалистов «Социально-экономическое развитие регионов: реальность и перспективы» (Воронеж, 2003); Международная научно-практическая конференция молодых ученых и специалистов «Современные сложные системы управления» (Воронеж, 2003); Международная научно-практическая конференция молодых ученых и специалистов «Информация, коммуникации общество» (Санкт-Петербург, 2003); Всероссийская научно-практическая конференция «Интеллектуальные информационные системы» (Воронеж 2003); Всероссийская конференция «Интеллектуализация управления в социальных и экономических системах» (Воронеж, 2004); Всероссийская конференция «Интеллектуальные информационные системы» (Воронеж, 2005)
Публикации. Основное содержание диссертационной работы изложено в 17 печатных работах, в том числе 1 в изданиях по перечню ВАК РФ.
Структура и объем работы. Диссертация состоит из введения, 4 глав, заключения, изложенных на 124 страницах машинописного текста, списка литературы из 113 наименований, приложения, содержит 7 рисунков, 23 таблицы.
Во введении обоснована актуальность темы исследования, определены цели и задачи работы, методы решения сформулированных задач, отмечены основные результаты исследования, выносимые на защиту; определена их научная новизна и практическая значимость; приведены сведения об апробации и внедрении результатов работы.
Первая глава посвящена изучению путей повышения эффективности формализации профессиональных знаний врача на основе интеллектуальных технологий идентификации. Проанализированы особенности методов диагностики сложных объектов и формирования понятий при формализации профессиональных знаний, показана роль системного анализа в принятии решений для задач медицинской диагностики и выбора тактики лечения
В этой связи сформулированы требования для дальнейшего повышения эффективности прогнозирования развития заболевания и рационализации тактики лечения.
Исходя из перечисленных требований, определены цель и задачи исследования.
Во второй главе рассмотрены особенности формирования структуры информационного обеспечения интеллектуальных технологий идентифика ции в задачах медицинской диагностики и выбора тактики лечения. Предло жена методика формирования информационной базы медицинских интеллек туальных систем идентификации. Показано, что поскольку прогнозирование состояния больных требует накопления информации, целесообразным явля ется использование оперативного мониторирования динамики показателей в непрерывном и дискретном режимах. В этом случае особую важность приоб ретает выбор рационального метода измерения частоты измерений, а в слу чае дискретного режима, возможности комплексной оценки состояния. С другой стороны объем поступающей к врачу информации диктует необхо димость формирования алгоритмических процедур снижения пара метрической избыточности, фильтрации информации и оптимизации признакового пространства за счет сокращения числа недостоверных сообщений и неинформативных показателей.
В связи с тем, что ряд показателей идентифицирующих состояние пациента и непосредственно влияющих на выбор тактики лечения носят нечеткий характер, возникает необходимость разработки методики формализация исходной нечеткой информации в терминах лингвистических переменных и формирование правил вывода в информационной базе, основанная на формализации причинно-следственных связей между переменными <входы-выход> и состоящая в описании этих связей на естественном языке с применением теории нечетких множеств и лингвистических переменных. Далее изложены особенности формирования нечеткой базы знаний и принципы формирования правил вывода в информационной базе.
В рамках данного подхода в работе модифицирован алгоритм принятия решения, позволяющий фиксированному множеству качественных оценок параметров состояния конкретного объекта поставить в соответствие решение-класс. Идея алгоритма, который разрабатывался для решения этой задачи, состоит в использовании композиционного правила вывода Заде, устанавливающего связь между одной входной и одной выходной переменными.
Таким образом, нами полученные соотношения, позволяющие на основе информации, содержащейся в матрице знаний, выводить нечеткие множества - решение для текущих лингвистических оценок параметров состояния объекта.
С целью объективизации правильности принимаемых врачебных решений в рамках системы поддержки принятия решений введены информационные оценки эффективности выбора врачебных решений, основанные на определении количества полезной информации, извлекаемой при исключении заведомо ошибочных вариантов терапевтической тактики.
Третья глава посвящена вопросам алгоритмизации прогнозирования и оптимального управления в задачах медицинской диагностики и выбора тактики лечения.
Показано, что формы нечеткого описания исходной информации в задачах принятия решений могут быть различными; отсюда и различия в математических формулировках соответствующих задач нечеткого математического программирования. Приводятся некоторые из таких постановок.
На основании выделенных наиболее значимых показателей состояния больных показано, что наиболее приемлемой формой прогнозирования течения осложнений у больных является интеграция данных оперативного мониторинга и имеющейся ретроспективной информации с построением по этим двум составляющим математической модели, включающей оценку влияния на результативный признак, как показателей состояния, так и временного фактора.
С этой целью в работе представлен подход к прогнозированию течения интенсивных патологических процессов на основе нелинейных моделей множественной регрессии, с использованием модифицированного алгоритма подбора линеаризующего преобразования при основе параметризации регрессионной модели.
Разработан комплекс прогностических моделей основных показателей гомеостаза больного при лечении тяжелого экзотоксического шока для трех видов лечения: традиционные противошоковые мероприятия, вспомогательное кровообращение в сочетании с операцией замещения крови и гипербарическая оксигенация в условиях вспомогательного кровообращения.
В четвертой главе представлена реализация методов формализации знаний врача в рамках интеллектуальных технологии идентификации состояния пациента и выбора тактики лечения на примере моделирования ведущих показателей экзотоксического шока в зависимости от вариантов терапевтического воздействия: традиционного лечения и в условиях вспомога- тельного кровообращения и экстракорпоральной оксигенации крови, а так же вопросы реализации диагностических алгоритмов при ишемической болезни сердца на основе методов нечеткой классификации.
В главе приводится так же анализ эффективности комплекса методов и алгоритмов интеллектуальной поддержки по результатам клинической практики и описание программного обеспечения.
В заключении приводятся основные результаты работы.
Особенности методов диагностики сложных объектов и формирования понятий при формализации профессиональных знаний
Несмотря на появление в последние годы все большего числа новых методов контроля и диагностики основных показателей процессов, эффективность заключений разработчиков повышается медленно. В основном это связано с тем, что методы извлечения информации из получаемых данных остаются весьма примитивными, отсутствует системный подход при формировании показателей, характеризующих состояние системы, и остается открытым вопрос о необходимости и достаточности этой системы показателей для целей управления.
Существенно усложняет ситуацию и тот факт, что существующие определения процессов, недостаточно формализованы. Для точного определения понятия процесса, мы должны указать признак (или совокупность признаков), который позволил бы решить следующую задачу; имеются данные о реальном процессе в системе, необходимо определить, каким процессом он является, и дать ему количественную характеристику.
Таким образом, все основные показатели, используемые в настоящее время, являются некомплексными (каждый из них отражает состояние системы лишь частично) и непосредственно входят в исходное описание системы (т.е. или замеряются непосредственно, или рассчитываются по технологическим формулам).
Во всех задачах диагностики приходится учитывать те или иные свойства объекта по косвенным характеристикам, причем для увеличения достоверности ответа необходимо использовать комплекс характеристик. Под диагностикой состояния системы будем понимать процесс, при котором на основании имеющихся данных наблюдений и исследований системы определяются несколько наиболее существенных, но недоступных для непосредственного измерения, показателей системы, полно характеризующих ее с позиций определенной цели и позволяющих непрерывно следить за переходом системы из начального в интересующее нас состояние.
В настоящее время известны четыре основных метода диагностики нарушений в непрерывном процессе.
1. Статистический метод основан на известных вероятных соотношениях между неисправностью и ее симптомами и на оценке функций правдоподобия методами байесовского анализа. Основным недостатком статистического метода является/9 невозможность непрерывного контроля перехода динамической системы из одного состояния в другое, т.е. мы можем лишь констатировать некоторые состояния системы, но фактически лишены возможности управлять ими. К тому же, статистический метод требует большого объема информации, не позволяет учитывать некоторые физические закономерности в системе и в условиях неоднородности информации просто неработоспособен.
2. Детерминистический метод основан на анализе схемы технологического процесса и выявлении тех точек, в которых необходимо проверять наличие симптомов нарушений. Этот подход не охватывает всех функций, возлагаемых на систему контроля сложного процесса, и поэтому не может быть принят в качестве основного метода. К его недостаткам можно отнести также большую субъективность при анализе системы, слабую способность к обобщению и полное отсутствие возможности адаптации и обучения системы контроля.
3. Распознавание последовательности симптомов — метод, основанный на сравнении реальной последовательности симптомов с эталонными, которые хранятся в памяти ЭВМ. Этот метод обладает тем преимуществом, что позволяет легко расширять "словарь" эталонных последовательностей сим птомов, но имеет некоторые недостатки: необходимость хранения нескольких однотипных эталонных последовательностей симптомов; трудность представления нецифровой информации (например, описание структуры процесса); трудность учета влияния субъективного фактора при разработке эталонов; в существующих системах кодируется лишь наличие или отсутствие симптома (0 или 1) и эталоны записываются в виде кодовых последовательностей.
Применение одного лишь этого подхода едва ли перспективно, поскольку в лучшем случае позволяет автоматизировать процесс нахождения уже известных способов описания и формирования признаков. При этом многие кардинальные вопросы (о полноте признаков и т.д.) остаются открытыми. Часто такие признаки бывают неточными, плохо формализуются и их выработка специалистами представляет собой очень длительный и неформальный процесс.
4. Создание достаточно полных математических моделей дифференцируемых процессов. Тогда задачу дифференциальной диагностики обычно сводят к отнесению наблюдаемого состояния к такому виду, модели которого оно больше соответствует. Для условий сложных одновременно протекающих процессов эта задача становится далеко не тривиальной, и создание полной математической модели сложного процесса пока невозможно.
При создании системы контроля и управления необходимо учитывать, что создание отдельных (даже очень эффективных) методов и программ мало вносит нового в процесс контроля и управления системой, предоставляя разработчику лишь некоторое количество разрозненной информации к размышлению. Методы принятия решений остаются неформальными и малоэффективными. Поэтому встает неотложная задача определения формальных объективных характеристик ситуаций.
Методика формирования информационной базы медицинских интеллектуальных систем идентификации
Среди методов целенаправленного отбора статистической информации можно выделить два класса алгоритмов: 1) алгоритмы фильтрации информации, позволяющие провести отбор достоверной информации для адекватной оценки ситуации; 2) алгоритмы исключения параметрической избыточности, осуществляющие оптимальный выбор признакового пространства.
Основными причинами существования факта недостоверности медицинской информации являются: отсутствие возможности обеспечения объективности оценок; трудность количественной оценки качественных показателей; погрешности вызванные сбоями диагностической аппаратуры; ошибки при внесении данных в историю болезней или в электронную медицинскую карту. Для минимизации вероятности использования искаженной и недостоверной информации при анализе ситуации и построении моделей заболеваний необходимы ее предварительный отбор или фильтрация.
Основным эвристическим правилом при информационной фильтрации является отбор информационных сообщений с наиболее вероятным, т.е. наиболее типичным для данной ситуации набором сведений [62].
Точность моделей заболеваний, построенных на основе классификационных методов в значительной мере зависит от количества учитываемых параметров. Одновременно с увеличением числа параметров значительно возрастают затраты вычислительных ресурсов. Поэтому оптимальный выбор признакового пространства в значительной мере обеспечивает эффективность и качество функционирования алгоритмических схем. Критерием оптимальности является минимизация числа измеряемых параметров при условии обеспечения достаточной информативности выбранной параметрической системы. Степень оптимальности и корректности процедур минимизации определяют надежность и достоверность построенных моделей. Так как при построении многофакторных корреляционных моделей одной из предпосылок обоснованности конечных результатов является требование отсутствия мультиколлинеарности включенных в модель признаков-факторов, предварительно следует произвести оптимизацию признакового пространства. При изучении сложных объектов, заданных многими параметрами, возникает задача разбиения параметра на группы, каждая из которых характеризует объект с какой - либо одной стороны. Но получение легко интерпретируемых результатов осложняется тем, что во многих приложениях измеряемые параметры (признаки) лишь косвенно отражают существенные свойства, которые характеризуется объект.
Подобная природа формирования набора частных характеристик объекта или системы присуща широкому классу явлений и процессов в экономике, социологии, медицине, педагогике и т.п. Во многих случаях изменение какого-либо общего фактора сказывается неодинаково на измеряемых признаках, в частности, исходная совокупность из р признаков обнаруживает такое естественное «расщепление» на сравнительно (с р) небольшое количество групп, при котором изменение признаков, относящихся к какой-либо одной группе, обуславливается в основном каким-то одним общим фактором, своим для каждой такой группы. После принятия этой гипотезы разбиение на группы естественно строить таким образом, чтобы параметры, принадлежащие к одной группе, были коррелированны сравнительно сильно, а параметры, принадлежащие к разным группам, - слабо. После такого разбиения для каждой группы признаков строится случайная величина, которая в некотором смысле наиболее сильно коррелированна с параметрами данной группы; эта случайная величина интерпретируется как искомый фактор, от которого существенно зависят все параметры данной группы [89].
Очевидно, подобная схема является одним из частных случаев общей логической схемы факторного анализа. В отличие от ранее описанных классических моделей факторного анализа при эвристически оптимизационном подходе группировка признаков и выделение общих факторов делаются на основе экстремизации некоторых эвристически введенных функционалов. Разбиения, оптимизирующие функционал J, или J2, называется экстремальной группировкой параметров.
Алгоритмизация задач нечеткого математического программирования в задачах идентификации состояния пациента и выбора тактики лечения
Классическое математическое программирование и его разновидности -в значительной степени нормативная методология эффективного выбора. Нечеткое же программирование выделяет естественную множественность неточно определенных целей, значений и ограничений. При этом оптимальность определяется и в терминах поведения, и как качество, присущее решению.
При моделировании в нечеткой форме реальных задач принятия решений в распоряжении исследователя могут оказаться лишь нечеткие описания функции /"и р, параметров, от которых зависят эти функции, да и самого множества X. Таким образом, задача стандартного математического программирования превратится в задачу нечеткого математического программирования [52]. Формы нечеткого описания исходной информации в задачах принятия решений могут быть различными; отсюда и различия в математических формулировках соответствующих задач нечеткого математического программирования. Нечеткий вариант этой задачи получается, если "смягчить" ограничения, т.е. допустить возможность их нарушения с той или иной степенью. Кроме того, вместо максимизации функции f(x) можно стремиться к достижению некоторого заданного значения этой функции, причем различным отклонениям значения функции от этой величины приписывать различные степени допустимости. Задача 3. Нечетко описана "максимизируемая" функция, т.е. задано отображение ;/р :XxRl - [0,1], где X - универсальное множество альтернатив, R} - числовая ось. В этом случае функция //Дх0,г) при каждом фиксированном х0еХ представляет собой нечеткое описание оценки результата выбора альтернативы х0 (нечеткую оценку альтернативы х0)или нечетко известную реакцию управляемой системы на управление х0. Задано так же нечеткое множество допустимых альтернатив цс:Х- [0,1].
Задача 4. Заданы обычная максимизируемая функция f:X- Rlu система ограничений вида (pl{x) bl,i = \,...m, причем параметры в описаниях функций р,(х)заданы в форме нечетких множеств. Задача 5. Нечетко описаны как параметры функций, определяющих ограничения задачи, так и самой максимизируемой функции. Рассмотрим, например подробнее задачу линейного программирования с нечёткими коэффициентами. Нечеткость в постановке задачи математического программирования может содержаться как в описании множества альтернатив, так и в описании целевой функции. /( )-»max, g(x 0), хеХ (3.1)
На практике часто сталкиваются с применением точной теории оптимизации к неточным моделям, где нет оснований писать точно определенные числа и где слишком часто появляются трудности вычислительного характера при описании больших систем.
Нечеткую обстановку можно рассматривать как множество X альтернатив вместе с его нечеткими подмножествами, представляющими собой нечетко сформулированные критерии (цели и ограничения), т.е. как систему (X,f0,ft,...,f„). Принять во внимание по возможности все критерии в такой задаче означает построить функцию D = f0 n/, n...nfn в которую цели и ограничения входят одинаковым образом. Решение можно определить как нечеткое подмножество универсального множества альтернатив. Оптимум соответствует той области X, элементы которой максимизируют D. Это и есть случай нечеткого математического программирования.
Очевидно, неразумно в реальных ситуациях проводить резкую границу для множества допустимых альтернатив, поскольку может случится так, что распределения, лежащие за этой границей, дадут эффект, превышающий меньшую желательность для лица принимающего решения.
Например, ясно, что при несовместных распределениях эта область пустая. В этом случае налицо необходимость модификации ограничений. Желательно выяснить, как изменить ограничения задачи, чтобы появились допустимые решения и задача стала разрешимой.
В таких случаях представляется целесообразным вводить нечеткое множество допустимых элементов и, следовательно, рассматривать проблему как задачу НМП с применением подхода, дающего человеку больше свободы в использовании его субъективных представлений о ситуации.
Нечеткий вариант стандартной задачи математического программирования получается, если "смягчить" ограничения, т.е. допустить возможность их нарушения с той или иной степенью. Кроме того, вместо максимизации целевой функции f(x) можно стремиться к достижению некоторого заданного ее значения, причем различным отклонениям значения f(x) от этой величины приписывать различные степени допустимости (например, чем больше отклонение, тем меньше степень его допустимости).
Аналогично определяется функция принадлежности //.(д:)для нечетких ограничений. В результате исходная задача оказывается сформулированной в форме задачи выполнения нечетко определенной цели, к которой применим подход Беллмана - Заде (3.2).
Реализация моделей и алгоритмов, описание прогностического программного инструментария течения экзотоксического шока при различных тактиках лечения
Рассмотрим применение методов прогнозирования и выбора оптимальной тактики лечения на примере тяжелого экзотоксического шока (ЭШ).
С этой целью разработан комплекс прогностических моделей основных показателей гомеостаза больного при лечении тяжелого экзотоксического шока (ОЦК - объем циркулирующей крови, УИ - ударный индекс и УПС - удельное периферическое сопротивление) для трех видов лечения: традиционные противошоковые мероприятия, вспомогательное кровообращение в сочетании с операцией замещения крови и гипербарическая оксигенация в условиях вспомогательного кровообращения. Рассмотрим основные этапы.
После проверки на адекватность моделей установили, что ни одна из построенных линейных регрессионных моделей не отвечает условиям адекватности построения, поэтому воспользуемся квадратичной моделью множественной регрессии.
Воспользовавшись статистическим пакетом StatGraph, получим следующие квадратичные регрессионные модели для параметров пространства Y: ОЦК, УИ и УПС. Рассчитаем значимость регрессионных коэффициентов и, с помощью исключения незначимых членов, получим конечные модели описания пространства Y через пространство X. Ишемическая болезнь сердца (ИБС) является одной из наиболее распространенных причин снижения работоспособности и смерти людей в зрелом возрасте. Успешность лечения ИБС определяется возможностью ее дифференциальной диагностики, то есть отнесения к одному из принятых в клинической практике уровней тяжести [57]: нейроциркуляторной дистонии и стенокардии. Качество диагностики сильно зависит от квалификации врача. Это обуславливает актуальность создания компьютерной системы интеллектуальной поддержки принятия диагностических решений.
В соответствии со сложившейся клинической практикой тяжесть ИБС будем определять на следующих уровнях (от низшего к высшему): dt-нейроциркуляторная дистония (НЦД) легкой степени; d2- НЦД средней степени; йъ- НЦД тяжелой степени; J4- стенокардия первого функционального класса; d5- стенокардия второго функционального класса; d6- стенокардия третьего функционального класса.
Перечисленные уровни будем считать типами диагнозов, которые подлежат распознаванию. При установлении диагноза ИБС для конкретного больного будем принимать во внимание следующие основные параметры, которые измеряются в лабораторных условиях (возможные диапазоны изменения указаны в скобках): х,- возраст больного (31-57 лет),х2- двойное произведение (ДП) пульса на артериальное давление (147-405 условных единиц - у.е.),х3- толерантность к физической нагрузке (90-1200
кгм/мин),х4- прирост ДП на один кг веса тела больного (0.6-3.9 у.е.),х5-прирост ДП на один кГм нагрузки (0.1-0.4 у.е.),х6- аденозинтрифосфорная кислота АТФ (34.5-66.2 ммоль/л), х7 - аденозиндифосфорная кислота АДФ (11.9-29.2 ммоль/л),х8- аденозинмонофосфорная кислота АМФ (3.6-27.1 ммоль/л),хд- коэффициент фосфорилирования (1-5.7 у.е.),х,0- максимальное
потребление кислорода на один кг веса тела больного (10.5-40.9 млитр/мин кг),хп- прирост ДП в ответ на субмаксимальную нагрузку ( 46-312 у. е.),х2-коэффициент отношения содержания молочной и пировиноградной кислот (3.9-22.8 у.е.).
Перечисленные параметры (кроме возраста) измеряются в лабораторных условиях после работы больного на велоэргометре. Задача диагностики состоит в том, чтобы каждому сочетанию значений параметров поставить в соответствие одно из решений: dj(j = 1,6).
Параметры х, -f хп, определенные выше, будем рассматривать как лингвистические переменные. Кроме того, введем следующие лингвистические переменные (рис. 4.2.1.): у- опасность ИБС, которая измеряется уровнями dx db- инструментальная опасность, которая зависит от параметров {х2,х3,х4,х5,х{0,хи}; z- биохимическая опасность, которая зависит от параметров [хь,х-,,хг,х9,хп).
