Содержание к диссертации
Введение
1. Аналитический обзор состояния проблемы и постановка задач исследования
1.1. Современные представления об этиологии и патогенезе мочекаменной болезни. Методы диагностики.
1.2. Математические методы и технологии обработки и анализа данных используемые при типовых медицинских исследованиях .
1.3. Использование аппарата нечеткой логики принятия решений в медицине. Цель и задачи исследования .
2. Синтез нечетких математических моделей для прогнозирования и дифференциальной диагностики мочекаменой болезни
2.1. Формирование комбинированного пространства информативных признаков для прогнозирования риска возникновения и обострения мочекаменной болезни.
2.2. Синтез решающих правил для прогнозирования возникновения и обострения мочекаменной болезни.
2.3. Синтез решающих правил диагностики клинических форм мочекаменной болезни .
2.4 Синтез решающих правил дифференциальной диагностики по общему анализу крови в процессе скрининга.
2.5 Выводы второй главы.
3. Разработка основных элементов автоматизированной системы поддержки принятия решений для прогнозирования и диагностики мочекаменной болезни
3.1 Меридианные модели взаимодействия внутренних органов с биологически активными точками, меняющими свое энергетическое состояние при мочекаменной болезни.
3.2 Алгоритм управления процессами обучения, прогнозирования, дифференциальной диагностики и рефлексотерапии в системе поддержки принятия решений .
3.3 Разработка структуры программного обеспечения системы поддержки принятия решений.
3.4 Выводы третьей главы.
4. Результаты экспериментальных исследований
4.1 Результаты экспериментальной проверки достоверности решающих правил прогнозирования возникновения и рецидива МКБ.
4.2 Проверка эффективности правил дифференциальной диагностики мочекаменной болезни.
Заключение.
Библиографический список.
- Математические методы и технологии обработки и анализа данных используемые при типовых медицинских исследованиях
- Использование аппарата нечеткой логики принятия решений в медицине. Цель и задачи исследования
- Синтез решающих правил диагностики клинических форм мочекаменной болезни
- Алгоритм управления процессами обучения, прогнозирования, дифференциальной диагностики и рефлексотерапии в системе поддержки принятия решений
Введение к работе
Актуальность проблемы. Клиническая практика показывает, что в группе мочекаменных болезней значительное место занимает заболевание, обозначаемое как мочекаменная болезнь. Мочекаменная болезиь (МКБ) является одной из самых распространенных среди урологических заболеваний и затрагивает значительную часть населения. Пациенты с конкрементами мочевой системы составляют до 40% всего контингента больных урологических стационаров. В последние годы заболеваемость мочекаменной болезнью не только не снижается, но имеет явную тенденцию к росту. Значительный рост числа больных с данной патологией обусловлен не только определенной предрасположенностью организма, но и особенностями экологии, характером питания, качеством жизни людей, возрастающим психоэмоциональным напряжением и рядом других факторов. Заболевание встречается у мужчин, женщин, детей всех возрастов и во всех регионах Земного шара. Однако распространенность ее по регионам неодинакова и колеблется в пределах от 0,19 до 55 человек на 10 тыс. населения. Как правило, МКБ страдают люди в трудоспособном возрасте - 20-40 лет, при этом мужчины болеют в Зраза чаще, чем женщины. Если человек доживает до 70 лет, вероятность возникновения мочекаменной болезни составляет 12,5%.
Несмотря на широкую распространенность и высокую социальную значимость заболевания вопросы лечения, профилактики, мезофилактики и метафилактики МКБ остаются открытыми. При всем многообразии методов лечения выбор оптимальной комбинации для конкретного пациента является нелегкой задачей, требующей творческого подхода и учета ряда признаков: размер, локализация, химическая структура и плотность камня, длительность стояния камня в мочеточнике, функциональное состояние почки, анатомия верхних мочевых путей, сократительная способность мочеточника, вид оборудования и технические ограничения. Проблема выбора адекватной антилитогенной терапии связана со сложностями верификации и учета всего многообразия индивидуальных причин болезни, особенностей патогенеза, осложнений и типа камнеобразования.
В связи с этим возникает необходимость в разработке процедур прогнозирования, диагностики, выбора рациональной терапии и профилактики, учитывающей особенности течения заболевания. При этом необходим учет теоретических и прикладных системных связей и закономерностей развития патологического процесса с ориентацией на использование современных математических методов и информационных технологий.
Повысить достоверность прогнозирования и диагностики МКБ с учетом ограничений на оперативность, стоимость и качество принимаемых решений можно используя методологию системного анализа, опирающуюся на современные информационные технологии, включая нечеткую логику принятия решений.
Это в свою очередь позволяет рационализировать тактику ведения больных, повысить эффективность лечения и снизить сроки нетрудоспособности.
Таким образом, актуальность темы исследования определяется необходимостью повышения эффективности прогнозирования и диагностики
людей, склонных к МКБ или страдающих этим заболеванием на основе современных математических методов и информационных технологий.
Работа выполнена в соответствии с планами научно-исследовательской работы межведомственного научного совета по урологии и оперативной нефрологии и секции Министерства здравоохранения и социального развития РФ и Российской академии наук и в соответствии с научным направлением Курского государственного технического университета «Разработка медико-экологических информационных технологий».
Цель работы: Разработка моделей и алгоритмов для системы поддержки принятия решений врача-уролога, обеспечивающих повышение качества прогнозирования и дифференциальной диагностики мочекаменной болезни за счет использования комбинированных нечетких решающих правил и методов рефлексодиагностики.
Для достижения поставленной цели необходимо решить следующие задачи:
- на основании данных об этиологии и патогенезе исследуемого
заболевания и данных разведочного анализа сформировать пространство
информативных признаков и обосновать выбор типа решающих правил;
- синтезировать систему нечетких решающих правил для прогнозирования
и дифференциальной диагностики мочекаменной болезни;
- разработать алгоритм управления процессами прогнозирования и
диагностики мочекаменной болезни по данным опроса, осмотра,
инструментальных исследований и энергетическим характеристикам
биологически активных точек, связанных с исследуемым заболеванием, а также
построить соответствующие меридианные модели;
- используя стандартные пакеты компьютерной математики, построить
модели, реализующие синтезируемые решающие правила, и предложить
структуру системы поддержки принятия решений врача-уролога,
интегрирующую эти модели в своей базе знаний;
провести апробацию предложенных методов и средств на репрезентативных контрольных выборках.
Методы исследований. Для решения поставленных задач использовались методы системного анализа, управления в биотехнических системах, математической статистики, теории распознавания образов, теории нечеткой логики принятия решений, рефлексологии и экспертного оценивания. Для построения и тестирования нечетких систем распознавания использовалась система компьютерной математики MATLAB 7 SP1 и пакет визуального моделирования Simulink с системой нечеткой логики Fuzzy Logic Toolbox.
Научная новизна исследования. В диссертации получены следующие результаты, характеризующиеся научной новизной:
- пространство информативных признаков для решения задач
прогнозирования и диагностики мочекаменной болезни, отличающееся
использованием медицинской информации, характеризующей различные
проявления жизнедеятельности, включая энергетическое состояние
меридианных биологически активных точек, изменяющих свои характеристики
при заболеваниях почек, позволяющее получать решающие правила,
обеспечивающие требуемое качество классификации;
система нечетких решающих правил для прогнозирования возникновения и обострения мочекаменной болезни, отличающаяся тем, что высокое качество принятия решений обеспечивается агрегированием различных типов правил, выбираемых с учетом структуры подпространств информативных признаков;
нечеткое правило диагностики клинических форм мочекаменной болезни, отличающееся тем, что оно агрегирует разнотипные данные, получаемые путем опроса, осмотра и доступных инструментальных исследований и позволяющее выделять такие классы заболеваний, как нефролитиаз, уретролитиаз, уретронефролитиаз, что обеспечивает возможность рационализации соответствующих лечебно-оздоровительных мероприятий;
- модель взаимодействия почек с биологически активными точками,
отличающаяся учетом всех существенных для рефлексодиагностики и
рефлексотерапии факторов, позволяющая осуществлять анализ энергетического
состояния соответствующих меридиан с целью рационализации
диагностического и терапевтического процесса при заболевании почек.
- алгоритм управления процессами обучения, прогнозирования и
дифференциальной диагностики мочекаменной болезни, отличающийся
возможностью корректировки решающих правил в соответствии с выбранным
критерием качества классификации, позволяющий гибко менять тактику
обследования и рефлексотерапии пациентов с учетом индивидуальных
особенностей организма, наличия сочетанных заболеваний, энергетического
разбаланса меридианных структур и обеспечивающий достаточную для
практических целей точность решаемых задач по выбранному классу
заболеваний.
Практическая значимость и результаты внедрения работы.
Разработанные методы, модели, решающие правила и алгоритмы составили основу построения системы поддержки принятия решений врача-уролога, клинические испытания которой показали целесообразность ее использования в медицинской практике.
Применение предложенных в диссертации разработок позволяет снизить риск возникновения, развития и обострения заболеваний почек, а также вырабатывать рациональные схемы проведения лечебно-оздоровительных мероприятий, повышая эффективность лечения и сокращая его сроки.
Основные теоретические и практические результаты работы внедрены в составе медицинской информационной системы в практическую деятельность урологических отделениях МУЗ «Городская больница скорой медицинской помощи №1» г. Курска, используются в научно-исследовательской работе кафедры химической технологии биологически активных веществ Курского государственного медицинского университета и в учебном процессе Курского государственного технического университета при подготовке специалистов по направлению «Биомедицинская инженерия».
Экономическая и социальная значимость результатов диссертационного исследования состоит в улучшении качества медицинского обслуживания населения.
Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на следующих научно-технических конференциях: XIII, XIV Российской научно-технической конференции с
международным участием «Материалы и упрочняющие технологии-2006, 2007» (Курск, 2006, 2007); XIX всероссийской научно-технической конференции «Биотехнические, медицинские и экологические системы и комплексы» (Рязань, 2006, г.); юбилейной X международной научно-технической конференции «Медико-экологические информационные технологии-2007» (Курск, 2007 г.); научной конференции «Системные исследования в науке и образовании» (Курск, 2007); международной научной конференции «Измерительные и информационные технологии в,.-охране здоровья (Метромед-2007)» (Санкт-Петербург, 2007); всероссийской научно-практической конференции «Интеллектуальные и информационные системы» (Тула, 2007); V всероссийской научно-практической конференции «Искусственный интеллект в XXI веке. Решения в условиях неопределенности» (Пенза, 2007); 3-й международной научно-технической конференции «Актуальные проблемы бирмединженерии» (Харьков, 2008); на научно-технических семинарах кафедры биомедицинской инженерии Курск ГТУ.
Публикации. По материалам диссертации опубликовано 19 печатных работ, перечень которых приведен в конце автореферата. Из них 4 работы в журналах, рекомендованных ВАК РФ.
Личный вклад автора. В работах [1, 3] опубликованных в соавторстве, автором обосновано использование нечеткой логики принятия решений в задачах прогнозирования возникновения осложнений у урологических больных. В [2] предложен способ агрегации нечетких решающих правил для решения задач прогнозирования и ранней диагностики с использованием нечетких таблиц связей. В [11, 13, 15] получены правила прогноза осложнений у урологических больных. В работе [4] определены факторы риска заболеваний мочекаменной болезнью. В [5] синтезированы решающие правила на основе энергетических характеристик биологически активных точек (БАТ) по урологическим заболеваниям. В [6] получен набор функций принадлежностей для прогнозирования рецидивного камнеобразования в почках. В работе [7] определены особенности решаемых задач, выбран адекватный математический аппарат и получена система нечетких прогностических правил для урологических заболеваний характерным для Курской области. В [8, 9] получены решающие правила для прогнозирования возникновения мочекаменной болезни на основе нечеткой логики. В работе [10] составлены правила прогноза возникновения пиелонефрита на основе нечеткой логики. В [14] предложены нечеткие модели принятия решений для урологических приложений. В [17,18] разработаны нечеткие правила прогнозирования урологических заболеваний.
Структура и объем работы. Диссертация состоит из введения, четырех глав, . заключения и библиографического списка, включающего 131 отечественных и 27 зарубежных наименований. Работа изложена на 132 страницах машинописного текста, содержит 25 рисунков и 15 таблиц.
Математические методы и технологии обработки и анализа данных используемые при типовых медицинских исследованиях
Современная технология обработки данных, начинается с этапа подготовки данных к анализу, целью которого является приведение данных к виду, позволяющему провести1 последующую их "обработку, и предварительное : формирование представлений а типе (структуре) анализируемых данных.
Обычно прзгпроведении медицинского исследования стремятся учесть максимальное количество "характеристик, которые существенны при анализе изучаемого вопроса. При этом исследование состоит из нескольких серий наблюдений, в которых в идентичных условиях регистрируются параметры отдельных объектов (например, больных каким-либо заболеванием). Обычно данные сводят в : единую таблицу, в которой по строкам : , , расположены различные объекты наблюдения (например, больные), а по столбцам параметры (например, температура, частота сердечных сокращений, артериальное давление и т.п.). Внутри этой таблицы объекты могут быть объединены в несколько" групп в соответствии с общим признаком возрасту, по патблогии и т.д.). Исходный материал в таблице; которую часто называют таблицей экспериментальных данных (ТЭД) представляется в количественных и качественных шкалах, но автоматизированная обработка чаще всего осуществляется над количественными данными. Некоторые стандартные пакеты обработки данных, например Statistica автоматически переводят все качественные данные в цифровую форму, т.е. кодирует их. Кодирование качественных значений числами дает возможность анализировать эти значения наравне с количественными и применять к ним те же процедуры.
При этом, однако, следует соблюдать определенную осторожность при выборе процедурній интерпретации результатов, не забывая о качественном характере исходнърс данных [25, 26]. , Важным разделом подготовки данных к " анализу является визуализация, или просмотр данных. Чтобы решать, какие методы анализа надо применять к! имеющимся данным и насколько удовлетворительны полученные результаты статистических процедур, нужно иметь возможность наглядно представлять себе эти данные и результаты, так как изучение таблиц менее удобно, чем представление в виде графиков и диаграмм. Графические образы передают идеи быстрее и нагляднее, чем текст или компьютерные распечатки. В медицинских научных разработках графическое представление помогает наблюдать за тенденциями изменения, выявлять сложные взаимодействующие факторы и упрощает сопоставление данных.
Вторым этапом современной технологии обработки данных является предварительный или разведочный анализ, целью которого является формирование представлений о типе (структуре) анализируемых данных и предварительный выбор методов "анализа.
После того, как предварительное мнение об экспериментальном материале сформировано, можно приступить к предварительному анализу данных.
Первое, что рекомендуют делать практически во всех руководствах по обработке данных, это вычислить элементарные статистические характеристики (минимум: среднее, среднеквадратическое отклонение, ошибка среднего и д.р.) по каждому параметру и по каждой группе. Полезно также вычислить эти характеристики для объединения родственных групп и суммарно по всем данным.
Далее, если хотят показать различия между группами, обычно вычисляют достоверность различия между соответствующими параметрами сравниваемых групп с помощью критерия Стьюдента. Естественно, параметры, показавшие достоверные различия, отмечаются. и,:!( В тех случаях, когда данные1 не могут быть описаны числовыми величинами, используют непараметрические критерии1 различия.
Если необходимо выявить взаимосвязь параметров внутри группы, определяют коэффициенты корреляции между интересующими параметрами [26,27]. ; ; После предварительного анализа данных выбирают метод или группы методов для основного анализа данных.
Применение конкретного статистического метода определяется общей цёль ю исследования и впечатлением, сформировавшимся на этапе предаарительногЫанализа данных. Так, если «необходимо оценивать степень влияния известных факторов на измеряемую величину используют дисперсионный и (или) регрессионный анализы. Если из большого числа влияющих факторов требуется выявить несколько ведущих - применяют регрессионный и факторный анализы. Для оценки особенностей явления, изменяющегося во времени, используют корреляционный и: спектральный анализы. Для того чтобы разбить изучаемую совокупность случаев (объектов) t I на группы «схожих» случаев, применяют кластерный анализ, а простейшим способом решения задачи диагностики является дискриминантный анализ. Отметим, что использование компьютерного анализа данных легко позволяет попробовать решить задачу несколькими сходными методами и выбрать метод, дающий наилучшие результаты. В работе [25] приводится таблица (табл. 1.1) ориентирующая исследователя на выбор методов обработки и анализа данных для различных задач исследования.
Использование аппарата нечеткой логики принятия решений в медицине. Цель и задачи исследования
Для формирования комбинированного пространства информативных признаков на основании рекомендаций работы [65], была сформирована группа из 8 высококвалифицированных экспертов (1 доктор медицинских наук, заведующий урологическим отделением; 1 кандидат медицинских наук, заведующий урологическим отделением; 1 кандидат медицинских наук, врач-уролог; 5 врачей-урологов высокой квалификации). С их участием, на основании анализа литературных данных и собственного опыта был сформирован перечень информативных признаков: - факторов- риска возникновения1 мочекаменной болезни (МКБ), получаемых в результате опросов, осмотров, и простейших исследований. Х4 - нарушения привычной ритмичности жизни и режима труда (при сменности в работе, вахтовом методе, ночных сменах), х5 - характер трудового процесса, преимущественно: 1- двигается; 2- вынужденное, неподвижное положение. III. Факторы питания: Хб : гиперкалорическое питание, х7-; регулярность приема свежих овощей и фруктов (в количестве дней в неделю), х8 - избыточное употребление в пищу продуктов, содержащих пурины (в количестве дней в неделю, X9 - жесткость воды (мг-экв/л), Хю - употребление сырой воды, Хп - ограничение употребления жидкости (мл/сут). IV. Поведенческие факторы: Хп - длительная стрессовая ситуация, х]3 - малоподвижный образ жизни. V. Медико7биологические факторы: Хі4- наследственная предрасположенность, Хі5 - индекс массы тела (кг/м ), х16 - длительный-прием витамина Д или препаратов кальция, Xi7 - остеопороз, остеомиелит, хї8 - хронические заболевания желудочно-кишечного тракта, хі9-ірНмочи, . - гиперурикемия, х2і - кристалурия,; х22 - фоновые заболевания: 1 -гиперпаратиреоз; 2- синдром Кушинга; 3 - дистальный почечный канальцевый ацидоз; 4-саркоидоз; 5 - злокачественные опухоли; 6 - болезнь ГГеджета, ; х2з - врожденные аномалии развития мочевой системы: 1. удвоение почек; 2. дистопйя; почек; . подковообразная почка; 4. поликистоз почек; 5. стриктура лоханочно-мочеточникового сегмента; 6. добавочный нижнеполярный сосуд; 7. нейромыш ечная дисплазия мочеточников; 8. уретероцеле, х24 - нефроптоз: " 1-1 степени; f 2- 2 степени; 3-3 степени, Х25 ГИДрОНефрОЗ, х26-инфравезикальная обструкция ! 44 x27 - хронический пиелонефрит, х28 возраст. VI. Сопротивление БАТ: V54 - дисфункция почек; VB25 - заболевания почек; F14 - заболевания почек; VG7- заболевания почек; АР51- почечно-каменная болезнь; АРІ Г4 - почечно-каменная болезнь.
Для выбора информативных БАТ по отношению к мочекаменной болезни почек по всем задействованным меридианом в соответствии с рекомендациями работ [48, 49] составим списки выводимых на них симптомов, синдромов и диагнозов. В работах [47, 48, 49] эти списки называются ситуациями. ZV54 - обычная точка (дисфункция почек): 1 "-XI-цистит; Х2 - боли в пояснице, спине, тазобедренном суставе; ХЗ - геморрои; Х4 - ишаас; Х5 - парез и паралич нижних конечностей. ZVB25 — сигнальная точка меридиана почек (заболевания почек): ,Х2; : і Х6 - повышенная перистальтика кишечника, метеоризм, понос, рвота; Х7 - боли в плече, лопатке; Х8 - межре берная невралгия; Х9 - гиперт ензия. ZF14 - сигнальная точка (заболевания почек): XI0 - боли в груди и в подреберье; XI1 - заболевания печени; Х12 -понос, рвота, кислая отрыжка, отсутствие аппетита; XI3 - одышка, удушье, бронхиальная астма, плеврит. ZVG7 - обычная точка (заболевания почек): :Х2; XI4 - снижение остроты зрения; XI5 - лихорадочное состояние; XI6- астения. По этим ситуациям для корпоральных БАТ двоичная таблица связей (ДТС) представлена таблицей 2.1. С помощью ДТС в соответствии с рекомендациями работы [47] находятся такие точки, энергетический анализ которых позволяет уточнить искомый диагноз. Такие точки называются диагностически значимыми (ДЗТ).
Анализ таблицы 2.1 показывает, что нет группы ДЗТ, исключающей ситуацию Х2. Она должна быть исключена дополнительными способами, определяется пара {V54, VG7}. Если Х2 не исключается, то в соответствующее нечеткое решающее правило может быть введена поправка в виде коэффициента недоверия по ситуации Х2 аналогично формуле 1.8.
Вклад признаков,в формирование окончательного решения различен. Ряд признаков обладает низкой информативностью, но их можно легко и быстро получить, и их комплексное)использование в формулах 1.18,..., 1.20 позволяет без определения ряда высокоинформативных, но более трудоемких признаков достигать значений коэффициентов уверенности, значимых для врачебной практики. При этом становится возможной иерархическая логика принятия решении, характерная для медицинской деятельности, когда врачом с использованием простейших признаков формируется предварительное мнение и если риски велики, принимается решение о получении дополнительной, более дорогостоящей информации для уточнения диагноза.
Синтез решающих правил диагностики клинических форм мочекаменной болезни
При скрининг диагностике большого количества людей на предмет оценки наличия у них мочекаменной болезни наряду с указанными информативными признаками и синтезированными для них диагностическими правилами с соответствующими функциями принадлежности предлагается использовать результаты общего анализа крови и принципов теории распознавания образов исходя из следующих аспектов: 1. Общий анализ крови осуществляется в обязательном порядке в процессе массовых обследований; , ,, 2. При хроническом течении заболеваний происходят функциональные сдвиги в работе определенных физиологических систем организма, - что отражается на составе соединительной ткани, к которой относится кровь; 3. При развитии патологического процесса происходят изменения не только в процентном соотношении определенных элементов соединительной ткани, но и в структурах и параметрах функционалов, отражающих взаимосвязь между этими элементами, за счет смены доминирующих факторов; , и: J . Исходя из изложенных тезисов предлагается следующая технология синтеза решающих диагностических правил, разработанная на кафедре КурскГТУ биомедицинской инженерии:
1. Осуществляется сбор статистического материла для группы больных мочекаменной болезнью. Собранный материал представляется в видеоматрицы X, строками которой являются обследуемые, столбцами признаки. Матрицу делим на обучающую и экзаменационную таким образом, чтобы они подчинялись одному закону распределения и были взаимнорепрезентативны.
2. От матрицы X переходим к матрице F, элементами которой являются среднеквадратичные отклонения элементов матрицы Ху от значений функционалов X i FjdXy , k j) (Fj — идентифицированный функционал на обучающей выборке, в простейшем случае — регрессия).
3. Нормируем значения полученной матрицы по дисперсии - т.е. из каждого элемента вычитаем оценку математического ожидания столбца и делим полученное значение на среднеквадратичное отклонение (квадратный корень из дисперсии). Таким образом, в образованной матрице оценки математического ожидания и дисперсии по каждому столбцу соответственно равны 0 и 1.
На экзаменационной выборке, по известным функционалам і осуществляем вначале пункт 2, затем п.З, но в качестве оценок математического ожидания и СКО используем информацию полученную в п.З. Суммируем по каждой строке квадраты полученных величин и делим полученные значения на количество признаков. По сути - получаем средний квадрат расстояния. Находим доверительный интервал с заданной величиной ошибки первого рода. Полученный интервал и будет являться решающим диагностическим правилом.
На этапе диагностики поступаем следующим образом: Регистрируем у обследуемого значения необходимых признаков X. Зная полученные в п.2 этапа обучения (синтеза) функционалы определяем значения X и квадраты отклонений значений X от значений X. Определяем среднее значение и факт его принадлежности к полученному доверительному интервалу. Если этот факт наблюдается, то принимаем решение о наличии у обследуемого мочекаменной болезни, если нет, то чем дальше будет лежать вычисленное значение от доверительного интервала, тем меньше уверенность в наличии данного заболевания. Определяем по функции принадлежности значение коэффициента уверенности.
После консультаций с медицинскими работниками в качестве показателей общего анализа крови были выбраны: - С1 - гемаглобин; - С2 - эритроциты; - СЗ - лейкоциты; - С4 - сегментоядерные; - С5 — зинофилы; - С6 - моноциты; - С7 - лимфоциты.
В процессе проведения структурно-параметрической идентификации математических моделей, отражающих зависимости между данными показателями на обучающей выборке больных мочекаменной болезнью (55 человек) методами регрессионного анализа и группового учета аргументов (Excell и специальное программное обеспечение, разработанное на кафедре і БМИ КурскГТУ) были получены следующие формулы: СІ =107.5 + 0.01184-С2-С4р 0.01 (2.13) C2 =-5.45 + 0.1-VCbC2p 0.01 (214) (215) C4 = 69.1 + 0.04 --JL p 0.05 л/С5 C7 =16.3+ 4.75-C6-C62 p 0.0001 (2.16) (Селектировались только зависимости с ошибкой первого рода не более 0,05.) Как видно, показатель СЗ - лейкоциты в крови - не вошел ни в одну из моделей и, следовательно, может не учитываться при расчетах в полученных формулах. Между тем, сравнение значений данного показателя у больных и здоровых, показывает, что в случае заболевания статистически значимо наблюдается повышение данного показателя: у «здоровых» он лежит в интервале 6,1±0,7 и у «больных» - в интервале 7,3±0,8. Следовательно, данный показатель может учитываться как дополнительный фактор, подтверждающий наличие воспалительного процесса.
На обучающей выборке были получены следующие значения оценок математического ожидания и дисперсий квадрата относительного отклонения аппроксимантов и реальной информации:
Алгоритм управления процессами обучения, прогнозирования, дифференциальной диагностики и рефлексотерапии в системе поддержки принятия решений
Полученные во второй главе решающие правила для прогнозирования МКБ строились в основном на основе знаний и опыта высококвалифицированных экспертов.
Для проверки качества «срабатывания» синтезированных решающих правил, были сформированы контрольные выборки, объем которых определялся в соответствии с рекомендациями работ [60, 89] для уровня вероятности правильной .классификации 0,9. В течении двух лет нами наблюдались , студенты Курского государственного технического университета, пациенты урологических отделений МУЗ ГКБСМП г. Курска без признаков МКБ, страдающие другими урологическими заболеваниями (BcerjO 500 человек). Для каждого из них вначале .исследований были рассчитаны величины КУ0рмкв- Критерием отбора в группу наблюдения было значение КУРМКБ 052. После указанного, периода наблюдений в каждой группе сформировались два класса, обследуемых. ч Класс со0 - люди без признаков МКБ (всего 408 человек) и і - люди у которьгх в течение периода наблюдения выявлена. МКБ (всего 92 человека).. То есть, в процессе наблюдений нами были получены две выборки для построения решающего правила, отделяющего 3flqpoBbix людей от людей, которые заболеют МКБ в течение двух лет по признаку уверенность в риске МКБ, что эквивалентно правилу прогноза искомого заболевания. Для этогр нами;.были построены гистограммы распределения классов о и со і по признаку КУРМКБ (рис. 4.1). ,; На основании анализа пересечения полученных гистограмм в качестве пороговой величины КУ.рЛІКБ ДДя правила определения риска возникновения
МКБ была выбрана величина 0,6. Относительно этих величин определялись показатели чувствительности, специфичности, прогностической значимости и диагностической эффективности полученных решающих правил (раздел
Гистограммы распределения классов Шо и сої по признаку КУРМКБ Для прогнозирования возникновения МКБ Таблица 4.1. , Распределение результатов наблюдений Обследуемые .f1 f Результаты исследований Всего положительные і Отрицательные Количество обследуемыхft1 класса со i-n„i Истино і і (ИП) Ложно (ЛО) ИП+ЛО Количество обследуемых класса о- пшо Ложно (ЛП) Истино (ИО) . ЛП+ИО Всегоі ИП+ЛП ЛО+ИО ИП+ ЛП+ ЛО+ ИО .В результате проведенных исследований и вычислений нами были получены конкретные результаты, приведенные в таблице 4.2 1 101 Таблица 4.2. Распределение результатов работы правила для вычисления КУРМКБ при #3 =0, 1Обследуемые Результаты исследований Всего , Положительные Отрицательные «.i=92 ; 81 11 92 л.о =408 23 385 408 Всего 104 396 500 Из полученной таблицы рассчитываются соответствующие показатели качества. ДЧ = 0,%8; ДС = 0,95; П3+= 0,77; П3 = 0,97; ДЭ=0,93.
Таким образом, по признакам, которые можно получить без применения специальных технических средств путем опроса и" осмотра пациента, получаем сводные показатели качества, приведенные в таблице 4.3. Показатель КУРМКБ ДЧ ДС П3+ ПЗ- ДЭ Значение показателя 0,9 0,88 0,95 0,77 0,97 0,93 "Анализ таблицы 4!3. показывает удовлетворительное совпадение результатов экспертного оценивания и проверки качества работы, синтезированных решающих правил на контрольной выборке по показателям ДЧ, ДС, П3"; ДЭ, и низкими значениями П3+.
Для проверки прогностической информативности значений сопротивления диагностически значимых БАТ построены гистограммы БАТ По этим гистограммам, исходя из критерия максимума диагностической эффективности, в качестве пороговой величины КУ Т для алгоритма управления профилактическими мероприятиями выбрана величина 0,25 Относительно этой величины была заполнена таблица 4.4. аналогично таблице 4.1. Положительные отрицательные ; nml=92 3J3; , 92 По о=408 ; і 92 316 408 Всего 151 349 500 По данным таблицы 4.4 были рассчитаны показатели качества работы правил прогноза МКБ по значениям электрического сопротивления БАТ: ДЧ=0,64; ДС=0,77; П3+=0,39; П3"=0,9; ДЭ-0,75. Сводная таблица по показателям качества работы правил прогнозирования по КУБАТ представлена таблицей 4.5.
![Разработка методов, моделей и алгоритмов прогнозирования и донозологической диагностики кожных болезней, имеющих представительство на проекционных зонах, с использованием нечеткой логики принятия решений и рефлексодиагностики [Электронный ресурс]](/i/i/4381/168311.png "Разработка методов, моделей и алгоритмов прогнозирования и донозологической диагностики кожных болезней, имеющих представительство на проекционных зонах, с использованием нечеткой логики принятия решений и рефлексодиагностики [Электронный ресурс] Ходеев Денис Владимирович")
![Научное обоснование и разработка модели прогнозирования исходов болезней системы кровообращения на уровне популяции на основании оценки индивидуального риска [Электронный ресурс]](/i/i/4472/168245.png "Научное обоснование и разработка модели прогнозирования исходов болезней системы кровообращения на уровне популяции на основании оценки индивидуального риска [Электронный ресурс] Леонов Николай Вячеславович")
