Содержание к диссертации
Введение
ГЛАВА 1. Современные методы диагностики состояниябольных атеросклерозом артерий нижних конечностей пути повышения эффективности средств диагностирования 13
1.1. Атеросклероз артерий нижних конечностей: определение, факторы риска, клинические признаки, средства инструментальной и лабораторной диагностики 13
1.2. Этапы принятия решения врачом по назначению диагноза болезни атеросклероз артерий нижних конечностей 22
1.3. Особенности разработки моделей и алгоритмов экспертных систем в медицине 26
Цель и задачи исследования 37
ГЛАВА 2. Полуение, анализ и обработка мнений экспертов по вопросам диагностики атеросклероза артерий нижних конечностей 39
2.1. Структура экспертного опроса, обработки и анализа информации 39
2.2. Подбор и опрос экспертов, выделение высокосогласованной группы.. 46
2.3. Разработка методики опроса, анализа и обработки мнений экспертов 53
2.4. Получение, обработка, анализ и сравнение результатов экспертного опроса по классической и предложенной методике опроса экспертов 56
2.4.1. Получение и обработка результатов экспертного опроса 56
2.4.2. Сравнение результатов по разным методикам. Обработка и анализ результатов. 62
2.4.3. Применение регрессионного анализа к результатам экспертного опроса 65
2.5. Проведение экспертного анализа по лабораторным и инструментальным признакам по предложенной методике 69
Выводы по второй главе з
ГЛАВА 3. Моделирование процесса диагностики больных атеросклерозом по данным историй болезни 79
3.1. Структура математического моделирования диагностики
облитерирующего атеросклероза артерий нижних конечностей 79
3.2. Сбор и формализация данных из историй болезни пациентов 80
3.3. Математические модели с качественными зависимыми переменными 82
3.3.1. Логистическая регрессия с бинарной зависимой переменной 83
3.3.2. Логистическая регрессия с порядковой зависимой переменной 84
3.4. Модели выдачи совета по предварительному диагнозу на основе выделенных экспертами клинических признаков и факторов риска и собранных значений из историй болезни 91
3.4.1. Модели расчета стадии болезни по клиническим признакам 91
3.4.2. Модель расчета стадии болезни по факторам риска 94
3.4.3. Модель расчета состояния артерий нижних конечностей по стадии болезни.. 98
3.5. Модель расчета степени коллатеральной компенсации кровотока на
основе логистической регрессии 100
Выводы по третьей главе 106
ГЛАВА 4. Разработка алгоритмического и программного обеспечения информационной системы поддержки принятия решений врачом-хирургом при диагностике атеросклероза артерий нижних конечностей 106 CLASS
4.1. Структура информационной системы поддержки принятия решений врачом-хирургом 107
4.2. Функции информационной системы поддержки принятия решений врачом-хирургом 109
4.3. Основные блоки информационной системы диагностики атеросклероза артерий нижних конечностей 112
4.3.1. Структура базы данных 112
4.3.2. База моделей ИС «Атеросклероз» 113
4.3.3. Блок логического вывода 114
4.3.4. Алгоритм расчета основных параметров диагностики ОААНК 117
4.3.5. Алгоритм извлечения прецедентов из базы данных пациентов 119
4.4. Методика разработки информационной системы поддержки принятия решений врачом-хирургом при диагностике атеросклероза артерий нижних
конечностей 120
Выводы по четвертой главе 122
Заключение 123
Литература
- Этапы принятия решения врачом по назначению диагноза болезни атеросклероз артерий нижних конечностей
- Получение, обработка, анализ и сравнение результатов экспертного опроса по классической и предложенной методике опроса экспертов
- Математические модели с качественными зависимыми переменными
- Основные блоки информационной системы диагностики атеросклероза артерий нижних конечностей
Этапы принятия решения врачом по назначению диагноза болезни атеросклероз артерий нижних конечностей
Перемежающая хромота - характерный симптом поражения артериального русла конечностей. Важнейшее значение имеет определение дистанции ходьбы до появления боли. Стандартным требованием в этом случае является ходьба средним темпом (3-5 км/ч) по горизонтальной поверхности. Появление болей при дистанции ходьбы более 500-1000 м свидетельствует о 1-й степени ишемии. Уменьшение проходимого расстояния от 500 до 200 м расценивается как 2А степень ишемии. Дистанция ходьбы в 25-200 м - 2Б степень артериальной ишемии.
Следует, помнить, что ориентировка на степень выраженности перемежающейся хромоты (табл. 1.1) по длительности прохождения расстояния без боли 200 м достаточно условна и зависит от образа жизни, профессии и даже характера больного.
В общей сложности было выявлено 16 клинических проявлений облитерирующего атеросклероза сосудов нижних конечностей (см. прил. 2).
Клинические проявления у больного с ОААНК свидетельствуют о степени артериальной недостаточности и характере ишемии пораженного органа, что позволяет определить вид лечения, который следует применить для достижения компенсации кровообращения у данной категории больных.
Диагностика облитерирующего атеросклероза артерий нижних конечностей. В медицинских учреждениях диагностика и лечение проводятся согласно утвержденным стандартам, которые регламентируются и оплачиваются на основании плана и перечня страховой медицинской компании. В отделении сосудистой хирургии проводят диагностику согласно плану обследования больного, который состоит и 9 обязательных этапов.
План обследования больного: 1) общий анализ крови (OAK); 2) общий анализ мочи (ОАМ); 3) биохимия; 4) микрореакция (RW, Luis); 5) коагулограмма; 6) ЭКГ; 7) УЗДГ-ЦДК сосудов н/к; 8) кровь на гепатиты, ВИЧ; 9) группа крови и резус-фактор; Поиск лабораторных критериев, позволяющих прогнозировать вероятность ретромбозов у больных с критической ишемией нижних конечностей, остается актуальной задачей сосудистой хирургии. С этой целью разрабатываются, апробируются новые способы выявления маркеров факторов риска ОААНК, свидетельствующих о тромбогенной опасности [35].
Несмотря на выявленные в [35] факторы риска, характеризующие состояние больного, анализируемые показатели чаще всего используются в научных исследованиях, так как требуют использования дорогих реактивов и не замеряются повсеместно. Также сказывается недостаточное количество статистических данных. Таким образом, не представляется возможным использовать результаты исследования [35] в медицинской практике любой больницы Ханты-Мансийского автономного округа - Югры.
Целесообразно применять современные информационные технологии к тем средствам и методам диагностики и замеряемым лабораторным показателям, которые доступны в среднестатистической больнице. Существует ряд методик [11,70,84], позволяющих предсказать развитие атеросклероза у конкретного человека до появления основных клинических признаков -атеросклеротических бляшек. Для этого рассчитываются специальные параметры - предикторы, которые служат метками при диагностике атеросклероза. По таблицам, полученным в результате статистических исследований, определяется насколько эти параметры близки к норме. Одним из предикторов является толщина комплекса интима-медиа (КИМ), где интима - внутренняя, а медиа - средняя оболочка сосуда. При разрастании КИМ уменьшается просвет сосуда, что измеряется с помощью ультразвукового исследования. Следующими предикторами являются эластичность стенок сосуда и скорость распространения пульсовой волны (пульсовая волна - это колебание стенок сосуда в результате сердечного выброса) [52].
Коллатеральная компенсация (обходные сосуды) является адаптацией организма на существующую атеросклеризацию артерий и развивается в процессе протекания заболевания. При остром нарушении кровообращения, особенно у молодых людей, компенсация кровообращения невозможна из-за невыраженности коллатерального кровообращения, что приводит к гибели органа и его ампутации. У людей старше 50 лет, длительно болеющих ОААНК, при естественном течении болезни организм может адаптироваться к атеросклерозу: компенсировать недостаток притока крови по магистральным сосудам через развитые коллатеральные сосуды. При достаточной развитости коллатерального кровотока больному может не понадобиться оперативное лечение, так как организм компенсирует доставку крови в нижерасположенные органы, минуя окклюзированную артерию. В настоящее время можно косвенно судить о степени ишемии пораженных артерий и коллатеральной компенсации через обходные сосуды по следующим методам исследования: 1) отношение регионарного систолического давления, измеренного на лодыжке, к системному давлению, измеренному на плечевой артерии (лодыжечно-плечевой индекс); 2) ангиография; 3) ультразвуковое дуплексное сканирование [54]; 4) измерение напряжения кислорода в артериальной крови Ра(02) - это количественный показатель давления кислорода, растворенного в крови; 5) объемная скорость кровотока в артерии [19].
Показатели лодыжечно-плечевого индекса (ЛПИ) оцениваются путем измерения систолического АД на обеих плечевых артериях, артерии тыла стопы и задней болыпеберцовой артерии после того, как больной находился в положении лежа в течение 10 минут. Интерпретация ЛПИ: 1,3 - невозможно сдавить кальцинированные артерии; 1,0-1,29 - норма; 0,91-0,99 - пограничный (сомнительный) результат; 0,41-0,9 - поражение периферических артерий средней степени тяжести; 0-0,4 - тяжелое поражение периферических артерий.
Получение, обработка, анализ и сравнение результатов экспертного опроса по классической и предложенной методике опроса экспертов
Необходимо повысить эффективность данных этапов. Поскольку врач-хирург принимает решение в два этапа: постановка предварительного и основного диагноза, то опрос и анализ мнений экспертов для сокращения трудозатрат также целесообразно проводить аналогичным образом.
Подбор и опрос экспертов, выделение высокосогласованной группы В процессе постановки предварительного диагноза врач анализирует 48 показателей, выделенных экспертами-аналитиками: 16 клинических признаков и 32 фактора риска.
Использование экспертных оценок сопряженно с обобщением объективных и часто отличающихся друг от друга мнений о проблеме. Данные расхождения обусловлены различной классификацией, опытом и даже мотивацией привлекаемых экспертов. К тому же определенная сложность возникает при выявлении основных точек зрения, и здесь приходится разделять экспертов на группы. Данная задача - задача нечеткой классификации, решение которой относится к области многомерного статистического анализа [3].
Первый подход по выделению высокосогласованной группы заключается в расчете критерия непротиворечивости по формуле (2.10).
Предварительный диагноз ставится в виде определения степени ишемии артерий нижних конечностей, которые в медицинской литературе имеют упорядоченность по степени тяжести проявлений заболевания. Таким образом, на примере анализа клинических признаков мы можем оценить непротиворечивость специалистов. В рамках эксперимента врачам было предложено упорядочить клинические признаки в целях согласования компетентности экспертов с классификацией Фонтейна - Покровского [84], применяемой в данном лечебном учреждении. При этом использовался критерий непротиворечивости экспертов, который имеет вид: где г - число высказанных экспертом противоречивых суждений, Ушах - максимально возможное число противоречивых суждений при парном сравнении данного количества объектов. Диапазон значений - г/ є [од], где значение 1 соответствует абсолютной непротиворечивости оценок, 0 -полностью противоречивой матрице (табл. 2.1).
Следует отметить, что эксперты первой, более опытной группы, совершили меньше ошибок, которые противоречат классификации Фонтейна -Покровского. Среднее значение коэффициента непротиворечивости данной группы (№ 1) равно 0,93. В группе № 2 этот коэффициент равен 0,87. Рассчитанный коэффициент конкордации составляет 0,42 по группе № 1, что говорит о средней согласованности мнений экспертов старшей группы. Младшая группа экспертов (№ 2) в составе 25 врачей показала большую согласованность, при этом демонстрируя в своих мнениях большее отклонение от классификации Фонтейна - Покровского.
Второй подход заключается в использовании эвристического алгоритма выделения высокосогласованных групп экспертов [5]. В целях выделения контрольной группы № 1А применяем эвристический алгоритм к группе экспертов № 1. Описываемый алгоритм является дальнейшей модификацией методики, основанной на многоугольнике «коэффициентов парной ранговой корреляции» [33], и позволяет решать задачу при неизвестных классах.
Для т - экспертов, участвующих в опросе, вычисляем коэффициенты парной ранговой корреляции, из которых формируем корреляционную матрицу p = {pij\ij = \...m}, где /г є [-l.l] - коэффициенты парной ранговой корреляции
Зададим некоторое пороговое значение рпор, определяющее понятие «сильная» связь, для пары экспертов, у которых коэффициент ранговой корреляции превышает данный порог. Таким образом, сформируем матрицу «сильных» связей:
Выявляем лидера первой высокосогласованной группы, который имеет наибольшее количество «сильных» связей. В матрице Н (2.11) ему соответствует строка Щ, имеющая максимальную сумму. Если таких экспертов несколько, то выбираем первого из них. Формируем шаблон связей группы, являющийся копией строки матрицы Н: V=Ht z-го лидера.
Анализируем весь список экспертов, добавляя в группу экспертов, у которых не менее 50 % «сильных» связей совпадает со связями шаблона. При добавлении нового эксперта шаблон корректируется: выполняется дизъюнкция шаблона и строки, соответствующей добавленному эксперту: v - v v Ht.
При добавлении новых экспертов в формируемую группу анализ повторяется, если шаблон в ходе данного процесса хоть раз изменялся.
Завершив предварительное формирование группы, подсчитываем общее количество вошедших экспертов и удаляем тех, у кого общее количество «сильных» связей составляет меньше 50 % от численности группы. Вычислим по формуле (2.1) коэффициент конкордации Wоткорректированной группы.
Обнулим строки матрицы Н, соответствующие экспертам, вошедшим в первую группу, после чего выявим лидера второй группы, сформируем ее и так далее до тех пор, пока в матрице Н не останется ни одной ненулевой строчки, и все эксперты не будут отнесены к какой-либо из групп. Для этого рассчитываем матрицу парных корреляций (табл. 2.2).
Математические модели с качественными зависимыми переменными
Для построения и апробации моделей принятия решения при диагностике облитерирующего атеросклероза артерий нижних конечностей из историй болезни пациентов городской клинической больницы № 1 г. Сургута за период 2003-2012 гг. были собраны и проанализированы медицинские данные из амбулаторных карт больных облитерирующим атеросклерозом артерий нижних конечностей (ОААНК).
Исследование состояло из двух этапов. На первом этапе были проанализированы 70 исходных показателей: 32 фактора риска (ФР); 16 клинических признаков (КП) ОААНК; 15 лабораторных и 7 инструментальных показателей (ИП). Из них 30 определены как входные независимые показатели (X) и 6 выходные (Г) - зависимые. Исключались такие показатели, как фамилия, имя, отчество, адрес проживания и т.п.
Данные выборки историй болезней были разделены на три массива (табл. 3.1). Первый массив включает данные из историй болезни пациентов с 2003 по 2007 гг., 1 825 случаев ОААНК.
По данным экспертного опроса двух групп врачей отделения сосудистой хирургии СГКБ и результатам корреляционного анализа, были отобраны параметры, вызывающие наибольший риск развития ОААНК, всего 17 показателей, из которых 16 являются независимыми переменными.
Второй массив включал данные по 264 случаям заболеваний ОААНК и 38 показателей. Третий массив данных включал показатели факторов риска, которые до 2010 г. не были представлены в историях болезни пациентов (170 случаев) и содержат дополнительные данные ультразвукового исследования, биохимии, общего анализа крови, коагулограммы (табл. 3.1).
Характеристики статистических данных 1-й массив 2003-2010 гг. 2-й массив 2003-2007 гг. 3-й массив 2010-2012 гг. Количество случаев заболевания ОААНК, из них: 1825 264 170 - пролеченных консервативно 1331 193 122 - оперативное лечение 494 71 31 Количество анализируемых показателей 17 38 46 Блоки исходных данных КП, ФР КП, ФР, лип КП, ФР(+), ЛИП(+) 3.3. Математические модели с качественными зависимыми переменными
Сложность анализа экспериментальных данных слабоструктурированных предметных областей в информационных системах заключается в особенностях исходных данных. Анализируемые пространства признаков х є X , у. є Y , характеризующих состояние больного, диагноз и способ лечения, содержат признаки, измеренные в разных шкалах: количественных и качественных (порядковых и номинальных).
Большинство разработанных методов обработки экспериментальных данных рассчитано на анализе информации, представленной в количественной форме.
Для зависимых переменных, измеряемых в количественных шкалах, обычно используют классическое уравнение линейной регрессии в следующем виде: где Y(X) - зависимая переменная; Д - свободный член уравнения; Д. -коэффициенты регрессии; i = \,k - число независимых переменных (факторов); є - стандартная ошибка.
При исследовании связей в медицинских объектах зависимая и независимая переменные довольно часто являются дискретными. При этом возможны следующие представления переменной: - количественная целочисленная характеристика; это может быть число предшествующих хирургических операций с сохранением конечности, количество ампутаций, число шагов до возникновения боли, количество койко-дней; - качественная целочисленная характеристика, определяющая одно из двух или более состояний характеризуемого объекта. Например, пол (1 - мужской, 0 - женский), вид лечения (1 - консервативное, 0 - оперативное), наличие гангрены (1 - да, 0 - нет); - порядковая (ранговая), когда выбор среди нескольких альтернатив ранжированный. Это может быть оценка стадии заболевания ОААНК или степени тяжести лечения.
Каждая из описанных переменных может зависеть от ряда факторов и в каждом конкретном случае потребуется уникальная модель, способная описать эту зависимость.
Результаты диагностики можно представить в виде бинарной переменной (болен или здоров) и порядковой (стадия ОААНК: 1, 2А, 2Б, 3, 4). В задаче множественной регрессии для случая с качественной зависимой переменной требуется найти модель, которая бы порождала дискретное распределение E(Y\X), зависящее от X, и достоверно описывала исходные данные. Классическая модель регрессии не подходит для описания данной ситуации, поскольку предполагает, что зависимая переменная имеет непрерывное распределение.
Логистическая регрессия аналогична обычной множественной регрессии, за исключением того, что зависимая переменная (Г) является бинарной (то есть имеет два значения - 0 и 1), а не непрерывной. В таком случае вместо предсказания бинарной переменной в логит модели предсказывают непрерывную переменную со значениями на отрезке [0, 1].
Основные блоки информационной системы диагностики атеросклероза артерий нижних конечностей
В блоке приобретения знаний выделяют три фазы процесса получения информации: - предварительная фаза (извлечение знаний из различных источников знаний на домашинных этапах разработки ИС, включающих идентификацию решаемой проблемы, получение знаний, структурирование); - начальная фаза (приобретение знаний на этапе реализации текущего прототипа ИС и наполнение ИС знаниями об области экспертизы); - фаза наполнения (приобретение знаний), выполняемого на этапах реализации и тестирования, связанного с проверкой полноты и непротиворечивости знаний, используемых в ИС.
Решатель, используя исходные данные из БД и знания из БЗ, формирует такую последовательность правил, которые, будучи примененными к исходным данным, приводят к решению задачи.
Диалоговый интерфейс «врач — система — эксперт» ориентирован на организацию общения со всеми категориями пользователей как в ходе решения задач, так и приобретения знаний, объяснения результатов работы. Интерфейс содержит компонент получения знаний, при помощи которого знания эксперта поступают в информационную систему, перерабатываются и пополняют базу знаний.
Функции информационной системы поддержки принятия решений врачом-хирургом
Информационные системы поддержки принятия решений врачом имеют специфические функции [46, 111], а именно [105]: 1) организация первоначального заполнения базы данных и базы знаний ИСППР; 2) анализ разнообразной информации, отражающей неформализованные знания специалистов; 3) оценка достоверности и непротиворечивости полученных данных о пациенте; 4) интерпретация данных о пациенте; 5) вывод совета и генерирование гипотез; 6) прогнозирование естественного хода болезни; 7) визуальное качественное и количественное представление результатов работы машины логического вывода ИСППР; 8) обоснование и объяснение предполагаемых решений; 9) генерирование «новых знаний» на основе уже имеющихся.
На основе анализа аналогов в литературных источниках разработанных ИС рассмотрим особенности каждой из перечисленных выше функций для медицинской информационной системы применительно к системе поддержки принятия решений в процессе диагностики ОААНК (табл. 4.1).
Организация первоначального заполнения баз данных и знаний ИСППР осуществляется инженером по знаниям [104, 106, 108]. При этом источниками информации выступают результаты экспертного опроса врачей [76], справочная информация и данные из историй болезни (архив).
С одной стороны, в рамках функции анализа разнообразной информации, отражающей неформализованные знания специалистов, повышается значение использования ИСППР в качестве консультативной системы, основанной на знаниях, что особенно важно для начинающих врачей, не обладающих большим личным опытом. С другой стороны, стремление к улучшению качества диагностики и лечения путем увеличения разнообразной информации приводит к еще большим трудностям для лица, принимающего решения. Задачи диагностики и лечения атеросклероза обладают большим разнообразием исхода и требуют использования широкого диапазона знаний, что вызывает трудности для быстрой и адекватной оценки особенно в условиях незамедлительных решений [76]. Содержание функций и структура
Функция оценки достоверности и непротиворечивости полученных данных о пациенте представлена в работах [76, 108]. Входные данные о пациенте характеризуются большим объемом, не обладают свойствами абсолютной достоверности, полноты и своевременности. В связи с этим входные данные нуждаются в прикладной обработке: корректировке границ и диапазонов значений показателей (нормальные, критические, минимальные, максимальные, допустимые и недопустимые отклонения), которые непосредственно влияют на постановку диагноза.
Функция интерпретации данных о пациенте согласно [76, 108] заключается в сведении большого числа возможных ситуаций в пространстве признаков к небольшому числу типовых, по которым формируются решения.
Вывод совета и генерирование гипотез детально рассмотрен в работе [108]. Гипотезы о заболеваниях в информационных системах должны изменяться при поступлении новой информации, вступающей в противоречие с ранее выдвинутой гипотезой. В качестве гипотезы берется предполагаемый диагноз и соответствующая стадия, которая зависит от общепринятых медицинских нормативов. Каждый пациент индивидуален, поэтому перед выдвижением гипотезы о предполагаемых диагнозах необходимо пересчитывать нормативные показатели на основе анализа данных об этом пациенте и диагноза, поставленного ему в предыдущих обращениях к врачу. Такой подход позволяет приблизиться в процессе постановки диагноза к принципам врачебного мышления.
Прогнозирование естественного хода болезни на основе экстраполяции в пространстве типовых ситуаций. Полностью одинаковые прецеденты повторяются очень редко, каждый пациент индивидуален, поэтому прогноз будущего состояния и признаков необходимо производить с помощью сравнения, подстановок прецедентов и прошлых исследований данного пациента [108].
Функция обоснования и объяснения предполагаемых решений [76, 108] качественных и количественных результатов работы ИСППР включает альтернативные объяснения, которые получены путем использования аналогичных прецедентов, экспертных знаний и вывода возможного исхода лечения.
Реализация функции генерирование «новых знаний» на основе уже имеющихся [76] возможна за счет корректировки (обучения) базы знаний ИСППР «Атеросклероз». Таким образом, применение рассмотренных функций в информационной системе должно помочь врачу повысить достоверность диагностики и лечения ОААНК.
![Разработка моделей и алгоритмов диагностики и лечения ювенильных маточных кровотечений [Электронный ресурс]](/i/i/4246/168175.png "Разработка моделей и алгоритмов диагностики и лечения ювенильных маточных кровотечений [Электронный ресурс] Авдеева Ольга Николаевна")
