Содержание к диссертации
Введение
1. Аналитический обзор и постановка задач исследования 11
1.1. Современные представления об этиологии, патогенез и диагностике остеохондрозов поясничного отдела позвоночника 11
1.2. Применение методов теории распознавания образов для прогнозирования и диагностики нервных болезней 23
1.3. Использование нечеткой логики принятия решений для прогнозирования и медицинской диагностики 31
1.4. Исследование методов рефлексодиагностики для прогнозирования и диагностики нервных болезней 37
1.5. Цель и задачи исследования 42
2. Методы и модели прогнозирования и дифференциальной диагностики остеохондрозов 44
2.1. Метод синтеза нечетких решающих правил для прогнозирования и диагностики остеохондрозов 44
2.2. Синтез решающих правил для прогнозирования и диагностики остеохондрозов по электрическим характеристикам биологически активных точек 49
2.3. Синтез комбинированных решающих правил для прогнозирования и диагностики начальной стадии остеохондроза поясничного отдела позвоночника 62
2.4. Синтез решающих правил дифференциальной диагностики остеохондрозов 73
2.5. Выводы второй главы 80
3. Разработка автоматизированной системы поддержки принятия решений по управлению процессами прогнозирования и диагностики остеохондрозов 82
3.1. Алгоритм управления процессами прогнозирования и диагностики остеохондрозов по данным рефлексодиагностики 82
3.2. Меридианные модели взаимодействия внутренних органов с биологически активными точками, меняющими свое энергетическое состояние при остеохондрозе 93
3.3. Структура системы поддержки принятия решений для прогнозирования и диагностики остеохондрозов 97
3.4. Выводы третьей главы 100
4. Результаты экспериментальных исследований 102
4.1. Объект, методы и средства исследования 102
4.2. Результаты экспериментальной проверки правил прогнозирования остеохондрозов 107
4.3. Результаты экспериментальных исследований правил принятия решений по ранней и дифференциальной диагностике остеохондрозов 113
4.4. Выводы четвертой главы 120
Заключение 121
Библиографический список 123
- Применение методов теории распознавания образов для прогнозирования и диагностики нервных болезней
- Синтез комбинированных решающих правил для прогнозирования и диагностики начальной стадии остеохондроза поясничного отдела позвоночника
- Алгоритм управления процессами прогнозирования и диагностики остеохондрозов по данным рефлексодиагностики
- Результаты экспериментальной проверки правил прогнозирования остеохондрозов
Введение к работе
Актуальность работы. Клиническая практика показывает, что в группе болезней позвоночника наибольший вес приходится на заболевание, обозначаемое как остеохондроз позвоночника Остеохондроз позвоночника есть междисциплинарная проблема, находящаяся на стыке интересов многих клиницистов (Попеляиский Я Ю , Епифанов В А , Епифанов А В ) Диагноз остеохондроза позвоночника устанавливается настолько часто, что возникают предположения о каких-то социально значимых изменениях в жизни современного человека Проблема остеохондроза привлекает большое внимание отечественных и зарубежных врачей различных специальностей Это обусловлено не только распространенностью заболевания, поражающего людей в наиболее работоспособном возрасте, но главным образом, полиморфизмом синдрома (Веселовский В П, Цивьян Я Л, Юмашев Г С , Степанов ЕВ)
Повысить достоверность прогнозирования и диагностики остеохондрозов и в частности остеохондрозов поясничного отдела позвоночника 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 технику ведения больных, повысить эффективность лечения и снизить сроки нетрудоспособности
Таким образом, актуальность темы исследования определяется необходимостью повышения эффективности прогнозирования и диагностики людей, склонных к остеохондрозу или страдающих этим заболеванием, на основе современных математических методов и информационных технологий
Работа выполнена в соответствии с научно-технической программой
«Научные исследования высшей школы по приоритетным направлениям
науки и техники», подпрограмма 204 «Техночогия живых систем» 2002-2004
гг и в соответствии с научным направлением Курского государственного
технического университета «Разработка медико-экологических
информационных технологий»
Цель работы Разработка методов, моделей и алгоритмов для системы поддержки принятия решений врача-невролога, обеспечивающих повышение качества прогнозирования и дифференциальной диагностики остеохондрозов поясничного отдела позвоночника 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 математического аппарата для вывода решающих правил,
предложить метод синтеза комбинированных правил для прогнозирования и дифференциальной диагностики остеохондрозов поясничного отдела позвоночника,
разработать алгоритм управления процессами прогнозирования и диагностики остеохондрозов по данным энергетических характеристик биологически активных точек и построить соответствующие меридианные модели,
используя стандартные пакеты компьютерной математики, построить модели, реализующие синтезируемые решающие правила, и разработать структуру системы поддержки принятия решений врача-невролога, интегрирующую эти модели,
провести апробацию предложенных методов и средств на репрезентативных контрольных выборках
Методы исследовании 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 моделей распознавания использовалась система компьютерной математики МА ГЪАВ 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
метод синтеза нечетких решающих правил для прогнозирования
и диагностики остеохондрозов, основанный на использовании агрегации
различных типов правил принятия решений, позволяющий получать
решающие правила для задач определения риска исследуемого заболевания
и дифференциальной диагностики остеохондрозов со схожими по
симптоматике заболеваниями с высокой степенью уверенности при
неполном и нечетком представлении разнородной информации в условиях
нечеткого описания границ разделяемых классов,
правила прогнозирования риска возникновения, диагностики начальной стадии и дифференциальной диагностики остеохондрозов поясничного отдела позвоночника, учитывающие различные типы существенных факторов риска, обеспечивающие уверенность в принимаемых решениях на уровне 0 9 и выше, в зависимости от количества получаемой информации, и позволяющие планировать рациональное ведение пациентов,
алгоритм управления процессами прогнозирования и дифференциальной диагностики остеохондрозов, позволяющий гибко
менять тактику обследования и рефлексотерапии с учетом индивидуальных особенностей организма, наличия сочетанных заболеваний, энергетического разбаланса меридианных структур, сохраняющий свою работоспособность при отсутствии начальных диагностических гипотез, и позволяющий обеспечивать достаточную для практических целей точность решаемых задач по выбранному классу заболеваний,
набор меридианных моделей, позволяющих контролировать и
управлять теми структурами организма, которые порождают болевые ощущения при остеохондрозе через соответствующие биологически активные точки, и обеспечивающих выбор рациональной тактики проведения прогностических, диагностических и лечебно-оздоровительных мероприятий
Практическая шачнмость и результаты внедрения работы. Разработанные методы, модели, решающие правила и алгоритмы составили основу построения системы поддержки принятия решений врача-невролога, клинические испытания которой показали целесообразность ее использования в медицинской практике
Применение предложенных в диссертации разработок позволяет снизить риск возникновения и развития остеохондрозов поясничного отдела позвоночника, а также выбирать рациональные схемы проведения реабилитационных мероприятий, повышая эффективность лечения и сокращая его сроки
Основные теоретические и практические результаты работы приняты к внедрению в неврологическом отделении МУЗ «Городская больница скорой медицинской помощи №1» г Курска и в учебном процессе Курского государственного технического университета при подготовке специалистов по направлению «Биомедицинская инженерия», при чтении лекций и проведении лабораторных работ по теме «Автоматизированное рабочее место врача-специалиста» дисциплины «Компьютерные технологии в медико-биологических исследованиях»
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 VIII и IX Международных научно-технических конференциях «Медико-экологические информационные технологии» (Курск, 2005, 2006), 7-й Международной конференции «Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации» (Распознавание-2005) (Курск, 2005), Межрегиональной научно-практической конференции «Актуальные проблемы теории, методологии и практики управления в российских условиях» (Курск, 2005), Всероссийской научно-технической конференции студентов, молодых ученых и специалистов «Биотехнические, медицинские и экологические системы» (Биомедсистемы-2006) (Рязань,
2006), ХНІ Российской научно-технической конференции с международным участием «Материалы и упрочняющие технологии» (Курск, 2006), а также на научно-технических семинарах кафедры биомедицинской инженерии Курского государственного технического университета (Курск, 2004-2007) Положения, выносимые па защиту
Методы, решающие правила и соответствующие программные продукты для прогнозирования, диагностики начальной стадии и дифференциальной диагностики остеохондрозов поясничного отдела позвоночника в условиях неполного и нечеткого представления исходных данных при пересекающейся структуре классов позволяют принимать прогностические и диагностические решения с уверенностью 0 9 и выше
Алгоритм управления процессами прогнозирования и дифференциальной диагностики остеохондрозов совместно с разработанными меридианными моделями позволяет учитывать индивидуальные особенности организма и текущее энергетическое состояние различных меридианных структур, минимизировать набор информативных признаков и выбирать рациональные схемы проведения диагностических и реабилитационных мероприятий
Система поддержки принятия решений врача - невролога с базой моделей, реализующих нечеткие решающие правила, позволяет снизить риск появления и развития остеохондрозов, а также выбирать рациональные схемы лечения, повышая качество оказания медицинских услуг неврологическим больным
Публикации По материалам диссертации опубликовано 11 печатных работ, перечень которых приведен а конце автореферата Из них 2 работы в журналах, рекомендованных ВАК РФ
В работе [1] соискателем предложено универсальное, решающее правило для диагностики состояния человека по электрическим характеристикам БАТ, которое в дальнейшем было использовано для диагностики остеохондрозов В [2] получен набор нечетких решающих правил для прогнозирования и диагностики остеохондрозов поясничного отдела позвоночника, в [4] исследовалась возможность применения нейросетевых структур для диагностики нервных болезней, в [5] и [7] был предложен метод синтеза нечетких решающих правил для прогнозирования нервных болезней, в [8, 9] исследовалась информативность признаков, выделяемых из сигнала голоса и крови для диагностики нервных болезней, в [10, 11] были исследованы архитектурные и структурные решения систем поддержки принятия решений для врачей-специалистов, включая неврологов
Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 143 отечественных и 22 зарубежных наименований Работа изложена на 122 страницах машинописного текста, содержит 45 рисунков и 17 таблиц
Применение методов теории распознавания образов для прогнозирования и диагностики нервных болезней
Анализ состояния проблемы связанной с решением задач диагностики в медицине и в частности в неврологии показывает, что наряду с традиционной врачебной логикой диагностического вывода часто используются так называемые диагностические таблицы [11].
На ранних стадиях использования табличной диагностики в таблицах перечислялись признаки (симптомы) двух - четырех наиболее сложных болезней и словесно характеризовалась их дифференциально-диагностическая ценность. При этом сами признаки представлялись весьма субъективными с плохо интерпретируемыми терминами, например: признак - нехарактерный, малохарактерный, очень характерный. В ряде вариантов в таблицах проставлялась частота встречаемости признаков в классифицируемом заболевании. Такие таблицы были удобны как для подготовки и повышения квалификации специалистов, так и для решения реальных диагностических задач, однако расчет по ним был не совсем удобен и давал лишь общее представление о том, какая из исследуемых болезней наиболее вероятна у конкретного человека [11].
Существенный прорыв в области дифференциальной диагностики и прогнозирования нервных болезней был получен при использовании методов теории распознавания образов реализуемых средствами вычислительной техники [2, 5, 6, 11,12,25,27].
Из всего многообразия методов распознавания образов, используемых в практике диагностики и прогнозирования нервных болезней, наиболее широкое распространение получил метод составления вычислительных диагностических таблиц (ВДТ), методы экспертной оценки, метод Байеса, неоднородный последовательный статистический анализ, линейный дискриминантный анализ [11].
Обычно выделяют несколько этапов построения ВДТ.
1. Выбор исходных диагностических (прогностических) признаков и их градаций. При этом следует учитывать, что признаки должны быть специфичными для данной задачи, а их число достаточно для успешного ее решения. При выборе признаков разработчику рекомендуется использовать свой клинический опыт и данные литературы.
2. Сбор информации об интересующих признаках. Этот этап осуществляется на достаточно большом репрезентативном верифицированном материале (клинических наблюдениях, архивных историях болезни и т.д.). Верификация диагноза осуществляется по-разному: при патологоакатомическом исследовании, на операции, достоверными паро-клиническими методами. В некоторых задачах за достоверный диагноз принимают диагноз установленный высококвалифицированными специалистами, желательно консилиумом. Прогноз верифицируется в процессе наблюдения за больными.
Весь материал разбивается на две примерно одинаковые выборки: обучающая и экзаменационная. Первая используется для построения вычислительной таблицы (решающего правила), вторая - для проверки ее эффективности (подтверждения достоверности работы решающего правила).
3. Обработка обучающей выборки включает в себя несколько этапов: вычисление диагностической (прогностической) ценности признаков и градаций (если они выделены); определение признаков, по которым дифференцируемые состояния достоверно встречаются; выбор наиболее значимых признаков по результатам статистического анализа с добавлением (если необходимо) признаков исходя из врачебной логики и опыта; выбор математической модели диагностики или прогнозирования и построение предварительного варианта вычислительной таблицы.
4. Проверка эффективности таблицы по обучающей выборке (подсчет доли правильных, ошибочных и неопределенных заключений).
5. Корректировка таблицы (изменение числа признаков, градаций, экспертная поправка значений некоторых диагностических и прогностических коэффициентов и т.д.) с последующей проверкой эффективности нового варианта на обучающей выборке.
6. Проверка таблицы на экзаменационной выборке и при необходимости дополнительная корректировка, с созданием дополнительной контрольной выборки.
7. Клинические испытания таблицы осуществляются практическими врачами в реальных условиях.
Рассмотрим более подробно методы, применяемые в практической диагностике и прогнозировании нервных болезней.
Синтез комбинированных решающих правил для прогнозирования и диагностики начальной стадии остеохондроза поясничного отдела позвоночника
При всей привлекательности методов рефлексодиагностики в решении задач прогнозирования и диагностики остеохондрозов только эти признаки не обеспечивают решения выбранного класса задач с заданным качеством.
В связи с этим, используя данные литературы и мнения высококвалифицированных экспертов, нами были определены системы признаков, позволяющих строить решающие правила как для прогноза возникновения остеохондрозов, так и их дифференциальной диагностики.
При формировании прогностических признаков мы исходили из того, что они должны получаться доступными средствами при небольших временных затратах, позволяя легко встраиваться в процедуры обследования большого контингента людей при реализации массовых профилактических мероприятий.
С учетом сказанного и пользуясь рекомендациями полученными в работах [15, 52, 106], нами были выделены факторы, определяющие риск возникновения остеохондроза поясничного отдела позвоночника и его ранние стадии (информативные признаки) с градациями, рост которых увеличивает риск заболевания: XI: избыточность веса определяемая по формуле ЛР=МТ-(РОСТ-100), где МТ- масса тела в кг, рост в сантиметрах. Х2: наследственность: не болели-0 болели дальние родственники -1 болели братья и сестры-2 болели родители-3 болели братья (сестры) и родители-4 ХЗ: дефекты осанки (сколиоз, сутулость и др): нет-0 незначительно-1 умеренно выраженные-2 резко выраженные-3 Х4: сопутствующие заболевания: хронические заболевания желудочно-кишечного тракта, печени и желчного пузыря-1 поражение суставов (деформирующий артрит, полиартрит, ревматизм) эндокринные заболевания-3 поражение сосудов (тромбофлебит, эндартернит)-4 хронические заболевания мочеполовых органов-5 травмы пояснично-крестцового отдела позвоночника, включая перелом позвонка-6 боли в шейном отделе позвоночника (шейный остеохондроз)-7 кистозно-слипчивый передунит поясничного отдела позвоночника-8 травма межпозвонкового диска-9 Х5: избыточная статическая нагрузка на пояснично-крестцовый отдел позвоночника: нет-0 "сидячая" работа-1 работа в преимущественном положении стоя-2 водители транспорта-3 работа в полусогнутом положении-4 X6: избыточная динамическая нагрузка на пояснично-крестцовый отдел позвоночника: нет-0 частые наклоны с подъемом незначительных тяжестей-1 однообразные повороты туловища-2 частые наклоны с эпизодическим подъемом больших тяжестей-3 частые подъемы больших тяжестей (например, грузчики)-4 Х7: неблагоприятный микроклимат: нет-0 сквозняк, холод-1 горячий цех-2 Х8: работа в условиях вибрации: нет-0 да-1 Х9: привычка сидеть сутулясь: нет-0
Алгоритм управления процессами прогнозирования и диагностики остеохондрозов по данным рефлексодиагностики
Работами кафедры биомедицинской инженерии КурскГТУ в области рефлексодиагностики и рефлексотерапии были разработаны методы поиска информативных признаков и синтеза соответствующих решающих правил для решения задач прогнозирования и медицинской диагностики. Основной решаемой задачей в предложенных решениях является определение некоторого заболевания Ю/ по ситуации Х0, входящей в известные списки атласов меридиан. Отдельно ставились и решались задачи определения сочетанных патологий Хр при работе с основной патологией (О/. В общем случае показаны пути определения энергетических характеристик меридиан в целом.
Но единый алгоритм, позволяющий решать задачи прогнозирования и диагностики, с учетом энергетических характеристик меридиан при наличии возможных сочетанных патологий или при неизвестных заранее гипотезах до сих пор не разработан. Этот пробел устраняется нами в данном разделе. При этом предполагается, что для работы предлагаемого алгоритма для каждого из известных типов задач заданы следующие начальные параметры.
1. Для задачи установления диагноза ю/ по ситуации определяемой атласом меридиан Х0 заданы:
ДЗТ 0)/ - список диагностически значимых точек (ДЗТ), с помощью которого исключаются все ситуации, связанные с точками из списка ДЗТ для класса со/ кроме Х0; t - номер не исключаемых ситуаций с помощью ДЗТ; t К ДЗТШ/ - списки ДЗТ для исключения ситуаций с именами Xt не исключаемых ДЗТ0 ; Xt - не исключаемые по энергетике БАТ ситуации; Xj(t) - информативные признаки получаемые другими (не по энергетике БАТ) способами для исключения ситуаций Xt; ДТ(Хо), ДТ(Хі) - дополнительные БАТ для уточнения уверенности в принимаемых решениях по гипотезе о)/; 2. Для определения сочетанных с со/ патологий с именами юр и номерами р задаются: ДЗТыр, ДЗТ(Хр, t), ДТ(Хр, t), Xi(p, t) - аналоги ДЗТ0)/, ДЗТ1,/, ДТ(Хі) и Xi(t). Для определения энергетического состояния всего меридиана задаются: h - номер меридиана; j - номер точки меридиана; q - номер ситуации на меридиане, которую необходимо подтвердить или исключить при определении меридианной энергетики; MTh(j) - номер точки, по которой определяется энергетика меридиана h; X q(j) - имя ситуации, по которой определяется энергетика меридиана путем ее исключения; ДЗТ [Xhq(j)] - ДЗТ для исключения ситуации Xhq (j) по точке MTh(j); A3Tt[Xhq(j)] и Xhq(i,j) - аналоги ДЗТ(Хр, t), Xi(t). Для проверки неизвестных заранее гипотез Xfзадаются: ДЗТ(ХГ), ДЗТ(Х61), ДТ(ХГ) и Xif - аналоги ДЗТй)р, ДЗТ(Хр, t), ДТ(Хр, t) и Xi(p, t) - соответственно.
При этих условиях предлагаемый алгоритм реализуется следующим образом (рис.3.1).
В общем случае на первом этапе решения задач прогнозирования и ранней диагностики пользователь выбирает один из трех типов решаемых задач: Go - подтверждение или опровержение одной диагностической гипотезы (О/; Gi - вместе с гипотезой со/ подтвердить или опровергнуть гипотезы о наличии сопутствующих патологий из заданного списка сор (р=1,...,Р); G2 - задача прогнозирования и (или) диагностики решается без наличия начальных гипотез (блок 1).
Исходя из имеющихся возможностей, пользователь принимает решение об использовании или не использовании БАТ в качестве информативных признаков (блок 2).
Если пользователь не уверен в нормальном энергетическом состоянии меридиан, на которых планируется исследовать энергетические характеристики БАТ, принимается решение о проверке энергетического состояния ЭСЬ искомых меридиан (блок 3).
Результаты экспериментальной проверки правил прогнозирования остеохондрозов
Прогностическое решающее правило построено как правило определения уверенности в том, что в течение трех лет обследуемый попадет в класс і при достаточно высоком уровне КУюі. Для определения порога срабатывания этого правила КУа1п нами были построены гистограммы
распределения исследуемых классов Шо и со( на интервале КУ„,і в трех вариантах.
В первом варианте КУиі рассчитывается только по энергетическим характеристикам БАТ меридиан VG и V.
Во втором варианте - без учета энергетических характеристик БАТ, и в третьем варианте - по всем выбранным в работе информативным признакам.
Для определения «порога срабатывания» решающих правил прогнозирования остеохондрозов по БАТ нами по объектам контрольной выборки были построены гистограммы распределения классов соои со і (hlM и /?fflI)no шкалам КУБшо,уоИ КУШН меридиан VGi и V соответственно (рис. 4.2
1 Анализ рисунков 4.2 и 4.3 позволил экспертам для шкалы КУ fflivo выбрать порог срабатывания решающего правила (значение КУ т1 после которого решение принимается в пользу класса аЛ) на уровне 0.4, а для шкалы КУ wiv - 0.35. Относительно этих порогов были составлены таблицы 4.2 и 4.3 распределения результатов наблюдений срабатывания прогностических решающих правил на объектах контрольной выборки для классов Юо и со і, по которым были рассчитаны соответствующие коэффициенты, определяющие показатели качества по исследуемым частным решающим правилам типов (2.4) и (2.5).
Распределение результатов наблюдений для правила (2.4) 109 ДЧ = 82/120 = 0.68; ДС = 143/200 = 0.71; П3+ = 82/139 = 0.59;
Как видно из приведенных расчетов качество прогноза только по энергетическим характеристикам БАТ не велико.
Гистограммы распределения классов со0 и і по факторам риска без учета БАТ по шкале КУші приведены на рисунке 4.4.
Выбрав порог срабатывания правила типа (2.6) на уровне 0.45, нами была построена таблица распределения результатов «срабатывания» прогностического правила без учета энергетических характеристик БАТ (табл. 4.4).
![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")
