Содержание к диссертации
Введение
Пути повышения качества диагностических решений
Системный анализ проблемы повышения качества
здравоохранения на основе информатизации
Обзор экспертных систем медицинской диагностики
Обзор подходов к решению задачи медицинской диагностики
Цели и задачи исследования
Основные результаты и выводы к первой главе
Глава 2. Развитие подходов, основанных на механизме «похожести»
2.1 Постановка задачи классификации/кластеризации
2.2 Общий подход к формированию механизмов «похожести»
2.3 Количественная оценка сходства/несходства
2.4 Метод «ближайших соседей» и его модификации Основные результаты и выводы ко второй главе
Глава 3. Разработка алгоритмов для решения задачи медицинской диагностики на основе методики нечеткого моделирования
3.1 Особенности проектирования нечетких систем
3.2 Нечеткая система для оценки сходства/несходства
3.3 Метод построения диагностического дерева Основные результаты и выводы к третьей главе
Глава 4. Описание программного комплекса для диагностики анемии
4.1 Характеристика информационной среды
4.2 Описание программного комплекса FuzMedSys
4.2.1 Основные сведения
4.2.2 Модуль «Диагностика анемии на основе дерева»
4.2.3 Модуль «Диагностика анемии методом «ближайших соседей»
4.2.4 Нечеткая система диагностики анемии
Основные результаты и выводы к четвертой главе
Заключение
Список использованных источников
- Обзор экспертных систем медицинской диагностики
- Общий подход к формированию механизмов «похожести»
- Нечеткая система для оценки сходства/несходства
- Описание программного комплекса FuzMedSys
Обзор экспертных систем медицинской диагностики
Причины, вызванные неправильным врачебным вмешательством или диагностической процедурой, называются ятрогенными. В 2001г. ятрогенные причины смертности в США оказались на первом месте, обогнав смертность связанную с сердечно-сосудистых заболеваниями (700 тысяч) и онкологическими (550 тысяч) [98].
Нанесение вреда здоровью пациента за счет медицинской ошибки несет за собой материальные потери, которые проявляются: личным финансовым затратам пациента на лечение, государственному бюджету грозит временная или полная утрата налогоплательщика, дополнительные затраты государства на лечение пациента, приобретение лечебных препаратов.
Медицинские ошибки вызывают огромные финансовые затраты. В одном из отчетов Института медицины говорилось о том, что США тратит около 37,7 млрд. долл. в год на покрытие медицинских ошибок, при этом можно было предотвратить затраты на 17 млрд. долл. Почти половина средств уходит на лечение последствий вызванных медицинскими ошибками [103]. Пути решения проблемы: - повышение качества медицинского обслуживания; - совершенствование информационного обеспечения процессов принятия диагностических и лечебных решений путем внедрения интеллектуальных информационных систем и экспертных систем; - совершенствование методов обработки информации, получаемой с медицинских приборов и оборудования.
Проблема, связанная с неправильным применением лекарственных препаратов К числу врачебных ошибок, относят все случаи, когда лекарственные препараты используются с нарушением инструкции по их применению. Об этом свидетельствуют данные, полученные при мониторинге использования лекарственных средств в стационаре. Выявлены следующие типы ошибок: ошибки выбора врачом лекарственного препарата (56%); ошибки, связанные с неоптимальным изменением дозы и некорректной длительностью применения лекарств (34%); ошибки, допущенные средним медицинским персоналом (10%). Среди причин смертности 4 и 6 место занимают осложнения лекарственной терапии, после сердечно-сосудистых заболеваний, онкологии, бронхо-легочных болезней и травм.
Побочные реакции, вызванные применением лекарственных средств - это серьезные медицинские, социальные и экономические проблемы. На лечение предотвратимых осложнений в США затраты составляют от 17 до 29 млн. долл. На основе данных экспертов из другого обзора, затраты США составляют около 210 млрд. долларов ежегодно на ненужные или неправильно назначенные лекарственные средства или процедуры [29, 97].
Затраты на лечение осложнений фармакотерапии являются значительными во всех странах, где такие исследования были проведены [100]. Изучая проблемы побочного действия лекарственных средств за рубежом, был сделан вывод, что большинство лекарственных осложнений - это следствие медицинских ошибок. Пути решения проблемы: - внедрение интеллектуальных информационных систем (экспертных систем, систем поддержки принятия решений), позволяющих обосновать решение в рамках лекарственной терапии и отслеживать его эффективность; - разработка баз знаний для эффективной лекарственной терапии тех или иных заболеваний. Проблема диагностических ошибок Актуальной задачей медицины на сегодняшний день является развитие новейших методов диагностики и усовершенствование возможностей уже применяемых методов. Основной целью диагностики является установление состояния исследуемого объекта на основе комплекса исследовательских процедур. Однако в широком смысле процесс диагностики включает и прогнозирование. Обобщая, можно выделить следующие основные задачи диагностики: - задача первого типа - определение состояния объекта в текущий момент времени; - задача второго типа - определение состояния объекта в будущем. Решение задачи диагностики в медицине опирается на выявление зависимости «симптом - болезнь». Несмотря на то, что количество показателей, характеризующих организм человека, достаточно большое, в настоящее время продолжается поиск новых показателей и связей между ними. Для многих заболеваний уже известны характерные для них симптомы, для поиска других симптомов необходимо использовать новые методы, базирующиеся на современных информационных технологиях интеллектуального анализа данных.
В качестве основных причин, приводящих к диагностическим ошибкам, можно выделить следующие [105]: - слабая квалификация медицинского персонала; - несовершенство методов обработки информации полученной с медицинских приборов; - некоторые заболевания эволюционируют, поэтому симптомы характерные для них могут изменяться с течением времени, поэтому необходима модификация диагностических процедур; - сложность проблемы диагноза, обусловленная наличием сопутствующих заболеваний, следовательно, нужны комплексные диагностические процедуры, реализация которых возможна при условии активного использования информационных технологий.
Новые диагностические и лечебные технологии заставляют использовать методы искусственного интеллекта. Эти методы создают возможность многократно использовать, обрабатывать, накапливать и хранить медицинские данные [75]. Интеллектуальные информационные системы и информационные технологии в настоящее время играют важную роль в здравоохранение, осуществляя сбор, анализ и обработку медицинской информации. Однако данные системы зачастую являются узконаправленными. В них отсутствуют стандартизированные способы получения, преобразования и хранения данных, что, в свою очередь, негативно сказывается на здравоохранении населения. В настоящее время важной задачей по включению информационных технологий в медицину является алгоритмизация, создание интеллектуальных систем и стандартизация получаемой информации о состоянии и лечении больных.
В связи с активным развитием информационных технологий медицинские информационные системы все активнее внедряются в деятельность лечебных учреждений. Так, финансирование данной области в США составляют 8,5 млрд. долларов в год, и, по прогнозам специалистов, затраты в ближайшие годы должны вырасти до 13 млрд. долларов в связи с обновлением и заменой устаревших систем [100].
Можно использовать следующие возможности современных информационных технологий, которые имеют актуальное значение для медицины: а) наличие методов обработки больших массивов информации; б) наличие методов работы с нечисловыми типами данных (Simbolic Data), которые являются неотъемлемой частью медицинской информации; в) с появлением современных диагностических технологий, которые способны учитывать ранее полученный опыт в принятии решений, а также интерпретировать информацию медицинских обследований, разрешимой становится задача о создание систем медицинской диагностики с целью раннего выявления различных заболеваний и повышения качества медицинской помощи.
Общий подход к формированию механизмов «похожести»
Итак, пусть получено разбиение на классы {G2,...,GN} и для данного нового объекта х определены к ближайших соседей, которые в наибольше степени с ним схожи. Известно множество расстояний {dj,...,dk} до каждого из соседей х. ,...,х. , при этом известно, к какому классу принадлежат соседи г1 гк объекты. Необходимо определить правило принятия решения об отнесении объекта х к некоторому классу. Данную задачу можно представить как задачу группового выбора на основе голосования [64,71]: r-ым голосом считается номер класса, к которому относится г -ый ближайший сосед. Таким образом, к ближайшим соседям соответствует выборка длины к, каждый элемент которой - номер класса. Введем различные характеристики классов и ближайших соседей объекта х\ Пусть из к ближайших соседей щ относятся к классу G}, п2 - к классу G2,…, nN - к классу GN, так что n1+... + nN=k. Весом класса Gr назовем величину w = — - относительное количество объектов в классе. r к Рангом rang{Gr) класса Gr назовем порядковый номер класса в ранжировании классов по невозрастанию весов wr (или количеству ближайших соседей объектах ). Средним расстоянием до класса GR назовем величину d x\Gr) = — X d[x\y). Пг {y.y Gr} Кратчайшим расстоянием р ы до класса Gr назовем минимальное расстояние от х до ближайших соседей из класса Gr, т.е. pr = mm d(x\y). в класс G называется величина Вкладом объекта х в класс G г Г t/2( ) contnb(Gr)= X {y:ysG,.} Сформулируем несколько типов правил об отнесении объекта х к некоторому классу. 1) правило простого большинства [71]: новый объект следует отнести к тому классу G,, объекты которого занимают в выборке более половины мест, п, т.е. w, = — 0.5; к 2) правило относительного большинства [71]: новый классифицируемый объект будет отнесен к тому классу, элементов которого окажется больше в выборке из к ближайших соседей, т.е. к тому классу, который наберет наибольшее количество голосов r = argmax{nV г 3) правило взвешенного большинства заключается в выборе такого класса г , номер которого определяется формулой г = arg max г mm г 4) правило среднего: новый объект относится к тому классу G., до которого среднее расстояние минимально, т.е. г = org max d (х , Gr) 5) правило, основанное на критериях качества классификации, заключается в том, что объект относится к тому классу, чтобы вновь полученное разбиение оптимизировало выбранный критерий качества. Например, одним из критериев является компактность классов, поэтому считая, что чем ближе объект класса к объекту х, тем больше он вносит вклад в классификацию, можно предложить следующее правило классификации: объект х относится к тому классу, для которого его вклад contrib(Gr) максимальный. Заметим, что если расстояния от х до каждого из ближайших соседей приблизительно одинаковы, то можно воспользоваться правилами простого или относительного большинства. Если ближайшие соседи разбиваются на классы приблизительно одинаковой мощности, то, наоборот, имеет смысл использовать те правила, которые в большей степени учитывают расстояния (например, правило среднего). Правило взвешенного большинства учитывает и количество объектов в классе (через весовой коэффициент wr), и расстояние до этих объектов. Если классов достаточно много и веса wr приблизительно одинаковы, то вначале осуществляется выборка таких классов, чтобы их суммарный вес был больше, чем 0.5, а затем применяется одно из правил.
Учитывая различные критерии качества классификации, можно получить и другие правила.
На основе разработанной компьютерной программы был проведен сравнительный анализ различных правил на известном примере классификации ирисов Фишера [32]. Выборка цветов состоит 150 штук и содержит 3 вида цветов: Iris Setosa, Iris Versicolor, Iris Virginica (по 50 штук каждого вида). Считается, что каждый цветок описывается двумя характеристиками - это длина чашелистика и длина лепестка. Считается, что длина лепестка вдвое важнее длины чашелистика. Необходимо классифицировать новый цветок со значениями длины лепестка 4,8 и чашелистика 6,1 см. Расположение нового цветка, среди известных, представлено на рис. 2.2. Рисунок 2.2 - Размещение цветка среди уже известных цветов
Находим трех ближайших соседей: A4,7; 6,1) - Iris Versicolor, B(4,8; 6), C(4,8 6,2) - Iris Virginica. Заметим, что по длине лепестка новый цветок относится к виду Iris Virginica, а по длине чашелистика он ближе к виду Iris Versicolour. Расстояния от нового цветка до каждого из классов представлены в табл. 2.1. Таблица 2.1 – Ближайшие соседи для цветка Запись Длина лепестка Длина чашелистика Рассчитанное расстояние Класс Цветок 4,8 6,1 – A 4,7 6,1 0,14 Iris Versicolour В 4,8 6 0,1 Iris Virginica с 4,8 6,2 0,1 Iris Virginica Анализ таблицы показывает, что согласно правилам простого, относительного и взвешенного большинства, цветок должен быть отнесен к виду Iris Virginica. Вычислим величины contrib(IrisVersicolour) = 50, contrib(IrisVirginica) = 200.
Так как contrib(IrisVirginica) contrib(IrisVersicolour), то, согласно правилу, основанному на критерии компактности, получим, что цветок классифицируется как Iris Virginica. Основные результаты и выводы ко второй главе
1. Необходимость развития методов кластеризации и их использования заключается, прежде всего, в том, что такие методы помогают построить научно обоснованные классификации, выявить внутренние связи между единицами наблюдаемой совокупности объектов.
2. Большое значение для успешного решения задач классификации/кластеризации имеет формализация «похожести» объектов заданного множества. Для этой цели используются отношения сходства/несходства и подобия/различия, для формирования которых используются различные метрики, ультраметрики, функции расстояния. Выбор конкретного механизма «похожести» должен быть обоснован с учетом результатов вычислительного эксперимента.
3. Нечеткое отношение сходства лежит в основе представления естественных кластеров в методах классификации/кластеризации. Переход к нечетким множествам, функции принадлежности которых отражают степени уверенности в наличии у объектов свойств, позволяют решить проблему несравнимости объектов по различным наборам свойств. Предложенный подход может быть использован для решения задач медицинской диагностики, когда различные симптомы проявляются по-разному для тех или иных заболеваний.
4. Несмотря на простоту реализации, метод «ближайших соседей» показывает хорошие результаты при классификации. Среди его преимуществ перечислим следующие: гибкость в выборе правила отнесения нового объекта к одному из классов, что позволяет оптимизировать алгоритм; объясняющие способности и возможность интерпретации результатов классификации; простота программной реализации. 5. Модификация метода «ближайших соседей» за счет различных правил принятия решений об отнесении объекта к классу позволяет учитывать возможные требования к результатам и качеству кластеризации. Вместе с тем, как показал вычислительный эксперимент, качество работы метода ближайших соседей зависит от репрезентативности данных. Перспективным направлением развития метода ближайших соседей является использование критериев качества классификации.
Нечеткая система для оценки сходства/несходства
При разработке медицинских экспертных систем используется значительный арсенал математических моделей и методов [6,7,25,31,76,82,87], а также современные информационные технологии, обеспечивающие свойство интеллектуальности: нейросетевое моделирование [21,40,58,69], нечеткое моделирование [39] и мягкие вычисления; эволюционное моделирование и генетические алгоритмы [81,84,85], кластерный анализ, технология многоагентных систем [22] и Data Mining [27]. Медицинские экспертные системы разрабатываются в соответствии с классической теорией [26,28,38,59,68,73-76,88,89,93], при этом особое внимание уделяется созданию баз знаний [11,16,17,36,95], позволяющих использовать опыт экспертов – высококвалифицированных врачей.
Анализ тенденций развития медицинских экспертных систем показывает, что востребованными являются распределенные экспертные системы или их комплексы, которые обеспечивают сервис экспертной поддержки врачей крупных медицинских учреждений и диагностических центров [19,34,35]. При разработке таких систем целесообразно использовать некоторую единую методологию, жестко ориентированную на определенный математический аппарат и существующие алгоритмические решения, построенные на его основе. Необходимо заметить, что в настоящее время существуют инструментальные средства для разработки экспертных систем медицинского назначения (например [93], ЭКСАПРАС – система для разработки ЭС на основе теории распознавания образов; SIMER+MIR – инструментарий для ЭС, ориентированных на извлечение знаний путем моделирования рассуждений). Как показывает анализ существующих экспертных систем, проведенный в пункте 1.2, наиболее распространенным подходом для их разработки является методика нечеткого моделирования.
Нечеткие системы (НС) - это системы, в которых для описания поведенческих характеристик моделируемой системы используется лингвистическая аппроксимация, основанная на знаниях экспертов [62, 80]. Структура нечеткой системы включает следующие подсистемы [49,62,72]: блок фазификации (лингвистического представления числового значения); блок дефазификации, который выполняет обратное преобразование (нечеткому множеству ставится в соответствие число); механизм нечеткого логического вывода и база знаний, состоящая из базы правил, описывающих зависимость между входными и выходной переменными на качественном уровне, и базы данных, которая содержит определения лингвистических и нечетких переменных, использующихся для описания входов и выходов системы.
Основой механизма нечеткого логического вывода является схема правильных рассуждений «обобщенный modus ponens» [72], согласно которой, значение В выходной переменной у, соответствующее значению А входной переменной х, при наличии правила если х есть А, то у есть В, определяется по формуле В = А о(А В) (здесь символом о обозначена операция композиции, - - импликация), которая может быть записана в виде B,(y) = maxT( A,(x),l( A(x), B(y))), (3.1) где соответствует [max- Т) -композиции, Т - треугольная норма, / импликация, juB, (у), juA, (х), juA (х), juB (у) - функции принадлежности нечетких множеств В , А , А,В соответственно. База правил представляет собой совокупность правил R = {Ri=Ai Bi\=—, поэтому при формировании выходного нечеткого множества В существенную роль играют схемы и операции агрегирования. К основным схемам агрегирования относятся следующие [49]: ) (yi = XN(B; = AoR.)} B = Agg(B 1,...,B,N), (3.2) ії) R = Agg(R1,...,Rn) = B = A oR. (3.3) Вариант реализации НС с учетом ее структуры определим кортежем НС = {input, output, fuz,I,T,Agg,defuz), (3.4) где input, output - перечни входных и выходной переменных с соответствующими лингвистическими шкалами; fuz,defuz - выбранные методы фазификации и дефазификации.
При проектировании НС необходимо соблюдать принцип многоальтернативности [65,66], за счет которого обеспечивается множество вариантов реализации НС, что позволяет выбрать такой, которому соответствует лучшее качество аппроксимации.
Нечеткие системы и модели интенсивно используются для разработки интеллектуальных информационных систем медицинского назначения, в том числе экспертных систем [9,10,37,39,67,68,86].
Методика нечеткого моделирования [8,62] является тем инструментом, который позволит унифицировать процесс разработки экспертных систем для диагностики различных видов заболеваний. Ее использование обусловлено следующими особенностями задач медицинской диагностики:
1. Информация для принятия диагностического решения является разнородной, и можно выделить некоторые основные ее типы. Лингвистические модели являются универсальным способом представления качественной и приближенной информации.
2. Задача постановки диагноза решается врачом многократно, следовательно, формируются устойчивые навыки, которые можно формально представить в форме если-то-правил (нечетких продукционных правил), образующих ядро базы знаний.
3. Диагностическая деятельность имеет дело с трудно формализуемыми зависимостями между симптомами и заболеваниями, нечеткостью некоторых симптомов, постоянным эволюционированием многих заболеваний, поэтому при разработке ЭС должна быть обеспечена возможность пополнения и модификации базы знаний (при использовании если-то-правил в качестве модели представления знаний это делается легко).
4. При постановке диагноза даже опытный врач не всегда может объяснить ход своих рассуждений, поэтому в ЭС диагноз необходимо получить как результат работы некоторого алгоритма принятия решений, тем самым, выстраивая логику механизма объяснения (в продукционных системах в основе принятия решения лежит логический вывод).
5. Если для постановки диагноза привлекается несколько ЭС, то возникает проблема согласования решений-диагнозов (частично она решается путем использования специальных методов генерации и оптимизации базы правил).
Описание программного комплекса FuzMedSys
Апробация предложенных моделей и алгоритмов осуществлялась на примере диагностики анемии. Анемия - это патологическое состояние больного, когда концентрация гемоглобина и число эритроцитов в определенном объеме крови меньше нормативных показателей [14]. Она может возникнуть при многих заболеваниях, а также при определенных физиологических состояниях. Анемия может развиваться при заболеваниях пищеварительного тракта, почек, печени, гормональных нарушениях, оперативном вмешательстве, неправильном питания, нарушением всасывания, аутоиммунными состояниями и другими факторами. Часто анемия является симптомом некоторых внутренних заболеваний, онкологических и инфекционных болезней.
Определяющее значение в диагностике анемии имеет лабораторный анализ крови - содержание концентрации гемоглобина, количества эритроцитов, величины и насыщенности их гемоглобином. Во всех случаях заболевания анемией проводится полное морфологическое исследование крови на содержание количества тромбоцитов, лейкоцитов, ретикулоцитов и лейкограммы. Перечислим основные типы анемии [14]. Железодефицитная анемия - синдром, характеризующийся нарушением синтеза гемоглобина вследствие дефицита железа. Основными причинами железодефицитной анемии являются кровопотери и недостаток богатой гемом пищи. Железодефицитная анемия редко бывает самостоятельным заболеванием. Постоянный признак анемии — бледность кожных покровов, выраженность которой отчетливо коррелирует с концентрацией гемоглобина.
Гемолитическая анемия - групповое название достаточно редко встречающихся заболеваний, общим признаком которых является усиленное разрушение эритроцитов. Иммунные гемолитические анемии возникают из-за повреждения и гибели эритроцитов в результате воздействия антител. Антитела вырабатываются организмом в ответ на внедрение в организм антигенов. В норме антитела склеиваются с антигенами и выводятся вместе с ними из организма. Иногда антитела начинают вырабатываться на собственные клетки организма, такие реакции называются аутоиммунными. Аутоиммунные гемолитические анемии чаще это возникает на фоне какого-то другого заболевания, а также вызываются приемом некоторых лекарственных препаратов. Повышенное разрушение эритроцитов возникает при наличии искусственных клапанов аорты или сердца, при тяжелых физических нагрузках, под воздействием ионизирующего излучения, некоторых микроорганизмов (токсоплазмы, вирусы), отравлений некоторыми химическими веществами. Гемолитические анемии встречаются значительно реже, чем железодефицитные анемии.
Гипопластическая анемия обусловлена угнетением деятельности костного мозга. В подавляющем большинстве случаев причина гипопластической анемии остается неизвестной. Гипопластическая анемия наблюдается в любом возрасте, но наибольшая частота ее у лиц молодого и среднего возраста. Гипопластическая анемия обычно характеризуется подострым или хроническим течением с периодическими обострениями, сменяющимися периодами ремиссий или некоторого улучшения под влиянием комплексной терапии.
В12-дефицитная анемия - заболевание, обусловленное нарушением кроветворения из-за недостатка в организме витамина Bi2. Особенно чувствительны к дефициту этого витамина костный мозг и ткани нервной системы. Анемии указанного вида могут быть вызваны двумя причинами и разделены на группы: недостаточным поступлением в организм больного витамина В12 с продуктами питания и нарушением его усвоения. При адекватном лечении больные В12-девфецитной анемией живут длительное время, принимая витамин В12.
Для правильного лечения необходимо точно определить тип и причины анемии. Легкость диагностики анемии может привести к необоснованному применению «антианемических» средств без определения причины и патогенеза анемии. Такое лечение, не эффективно и может принести вред больному. Несвоевременно поставленный диагноз анемии без установления причины может привести к позднему выявлению других заболеваний, вначале которых анемия являлась единственным диагностированным симптомом. Поэтому крайне важно, прежде всего, установить причину и характер анемии и только затем назначить необходимое лечение. Процедуры обследования больных с различными формами анемий, как правило, обеспечивают постановку диагноза, однако при некоторых гемолитических процессах верификация может оказаться весьма сложной.