Содержание к диссертации
Введение
1. Анализ путей повышения эффективности управления состоянием медико-технических систем анамнестического мониторинга 10
1.1. Анализ современных систем анамнестического мониторинга 10
1.2. Возможность применения технологии предварительной обработки информации, методов параллельной обработки данных, индивидуального прогнозирования и классификации для моделирования систем анамнестического мониторинга 30
1.3. Цели и задачи исследования 55
2. Рационализация программного гемодиализа на основе параллельной обработки данных, индивидуального прогнозирования и классификации 57
2.1. Управление состоянием пациентов с терминальной стадией хронической почечной недостаточности в системе анамнестического мониторинга программного гемодиализа 57
2.2. Оптимизация управления обработкой данных в системе анамнестического мониторинга программного гемодиализа 82
2.3. Выводы 88
3. Разработка информационного и программного обеспечения системы анамнестического мониторинга гемодиализной терапии 89
3.1. Разработка информационных агентов системы анамнестического мониторинга программного гемодиализа 89
3.2. Алгоритмизация задачи построения системы анамнестического мониторинга программного гемодиализа 103
3.3. Разработка программного обеспечения системы анамнестического мониторинга программного гемодиализа 116
3.4. Выводы 128
4. Практическая реализация системы анамнестического мониторинга и апробация результатов исследования 129
4.1. Анализ численных результатов работы системы анамнестического мониторинга программного гемодиализа 129
4.2. Оценка адекватности и эффективности системы анамнестического мониторинга программного гемодиализа 133
4.3. Выводы 136
Результаты работы 138
Список литературы 140
Приложение 146
- Возможность применения технологии предварительной обработки информации, методов параллельной обработки данных, индивидуального прогнозирования и классификации для моделирования систем анамнестического мониторинга
- Оптимизация управления обработкой данных в системе анамнестического мониторинга программного гемодиализа
- Алгоритмизация задачи построения системы анамнестического мониторинга программного гемодиализа
- Оценка адекватности и эффективности системы анамнестического мониторинга программного гемодиализа
Возможность применения технологии предварительной обработки информации, методов параллельной обработки данных, индивидуального прогнозирования и классификации для моделирования систем анамнестического мониторинга
В медицине критических состояний и при хронических патологиях нередко считается достаточным простой мониторинг (одного критического показателя) в связи с тем, что разработка подходов, при которых используются компьютерные возможности нового медико-биологического знания, отличается значительной трудоёмкостью. Однако современные методы медикаментозной и физиотерапии пациентов с ТХПН оказывают влияние на различные системы регуляции организма, что ведёт к необходимости комплексного мониторинга (параллельно проводится диагностика по проблемным общеклиническим направлениям). Задача выделения комплексных клинических картин состояний множества пациентов во времени давно стоит, но не решается в традиционной медицине. Для её решения не применяется комплексная автоматизация как единая методология (параллельная вычислительная обработка данных по каждому параметру и показателю).
Сфера задач, возлагаемых на здравоохранительные организации, включает как диагностирование и лечение патологий и критических состояний (дыхательная недостаточность, критическая недостаточность кровообращения и остановка сердца, шоковые состояния), так и долгосрочное наблюдение за пациентом (формирование у пациента навыков самонаблюдения и самообслуживания) [4].
Мониторная система является автоматической системой сбора, переработки информации и решает задачу анализа [9]. Объем информации, получаемый в ходе лечения каждого больного, как параллельно в одно и то же время, так и последовательно в течение лечения, настолько значим, что позволяет (при определенных условиях используя ранее полученные обобщения) оперативно получать достоверные статистические обобщения и принимать решения. Принимаемые решения должны учитывать индивидуальную специфику (регуляции, биофизики, физиологических и особенно патофизиологических) процессов. Для реализации этой возможности должны представляться целенаправленно обработанные и подготовленные результаты контроля [2]. Неопределённости на уровне формирования математического описания, выделения однородных компонентов и выбора оптимального варианта управления могут быть решены только при участии ЛПР (экспертов) и ЭВМ. Без использования ЭВМ нельзя провести моделирование последствий тех или иных управленческих решений. Без использования ЭВМ оно выполняется методом проб и ошибок и не отличается оптимальностью.
Поэтому при современном уровне развития средств научных исследований управление в условиях неопределённости представляет собой человеко-машинную процедуру, выполняется в человеко-машинной системе. Такая система называется автоматизированной системой принятия решений (АСПР), рис.1.8. [14].
АСПР характеризуется тем, что в своей структуре обязательно содержит два контура - контур I реализации ЛПР (принятия решений человеком-экспертом с использованием информации контура II) и контур II вычислительных и логических операций (проверки на адекватность статических и динамических моделей, моделирование возможных исходов без реализации на реальном объекте в ускоренном масштабе времени).
В САМ любому аппаратурному контролю предшествует клиническая оценка состояния больного. В свою очередь, эта оценка опирается на объективные методы исследования и аппаратурного мониторного контроля. Разработка обеспечения АСПР САМ выполняется по следующей схеме:
1) анализ автоматической системы сбора, переработки информации, принятие решения и реализация управления;
2) изучение реакции на управление входными воздействиями;
3) синтез системы с целью обеспечения устойчивости (способности системы под действием регулятора возвращаться к равновесному состоянию) и качества (способности системы максимально точно воспроизводить управляющее значение в условиях качественного подавления возмущающих воздействий); 4) анализ устойчивости и качества в переходном процессе.
В рамках этой схемы предварительная обработка медико-статистической информации для моделирования АСПР САМ включает следующие этапы [15]:
I. Формирование перечня исследуемых показателей, структуры информационной базы. Аналитическим, экспериментальным или другим путем необходимо установить, какие явления доступны управлению, какие нет, определить перечень показателей, описывающих исследуемую медицинскую систему. Значения факторов как управляемых, так и неуправляемых могут меняться в зависимости от места и времени их приложения.
При этом, если сбор информации сопряжен с большими затратами, целесообразно сократить перечень анализируемых показателей, отобрав самые значимые. Определение значимости показателей производится на основе экспертных оценок с использованием метода априорного ранжирования.
Согласно табл. 1.3, при диагностическом мониторинге эта процедура отсутствует (монопараметрическое наблюдение). В зависимости от задачи реанимационного мониторинга оно может быть или востребовано, или нет. При ремиссионном мониторинге без неё не обойтись.
II. Выражение критических значений показателей в виде смысловых (лингвистических) оценок.
Анамнестический мониторинг преследует цель качественной оценки динамики наблюдаемых изменений. При этом основная исходная информация, на основе которой формируется модель САМ, согласно данным табл. 1.3 - это численные оценки параметров пульмо-, окси-, гемодинамики, специфических показателей. Причём специфика мониторного наблю 35 дения заключается в том, что численные значения этих параметров критичны только в пороговых областях или же важен только факт наступления пороговых событий.
Поэтому в САМ мы предлагаем выразить такие события фиксированными смысловыми (лингвистическими) значениями сообщений и проводить дальнейшую их обработку. Существенным является то, что данный подход одинаково уместен для всех видов анамнестического мониторинга - диагностического, реанимационного и ремиссионного.
III. Преобразование качественных характеристик в количественные оценки.
Для дальнейшей обработки информация, содержащая фиксированные смысловые (лингвистические) значения сообщений, должна быть преобразована в численную. Согласно [15] преобразование осуществляется следующим образом.
Сообщения, имеющие два возможных варианта (типа «да», «нет»), преобразуются соответственно в 1 и 0.
Если сообщение может принимать более двух различных лингвистических значений Li 0= U; 3) используется метод экспертных оценок. Перед N экспертами (N 2) ставится вопрос: «Насколько значение Lj более значимо, чем LM ( = )? Ответы для каждой пары формируются в форме лингвистической переменной у; сообщение Li важнее сообщения LM , (/ = V).
Для минимизации вероятности использования искаженной и недостоверной информации при проведении системного анализа и построении прогностических и классификационных моделей САМ необходимы ее предварительный отбор или фильтрация.
Среди методов целенаправленного отбора статистической информации можно выделить два класса:
1) алгоритмы фильтрации информации, позволяющие провести отбор достоверной информации для адекватной оценки ситуации;
2) алгоритмы исключения параметрической избыточности, осуществляющие оптимальный выбор признакового пространства. Вероятностные методы адекватны природе регистрируемых явлений, однако при их применении необходимо, чтобы выполнялись требования статистической устойчивости.
В процессе формирования базы данных возникают «пробелы», обусловленные неполнотой представленных данных, при этом отсутствие даже одного показателя влечет за сбой невозможность использования при моделировании всей информации об объекте. Для устранения данной проблемы в случае единичных пропусков согласно [15] обычно используется аппроксимация на основе регрессионных или нейромоделей, для временных рядов - на основе экспоненциального сглаживания.
В отличие от корреляционных методов нейронные сети умеют обучаться на примерах, извлекая скрытые закономерности из потока данных. Кроме того, современные нейронные сети обладают рядом дополнительных возможностей: они позволяют оценивать сравнительную важность различных видов входной информации, уменьшать ее объем без потери существенных данных, распознавать симптомы приближения критических ситуаций.
Оптимизация управления обработкой данных в системе анамнестического мониторинга программного гемодиализа
Реализация отмеченных комплексных расчётов менее эффективна параллельной обработки данных на ЭВМ (выполнение их в условиях детерминированных специальных циклов), то есть проявилась необходимость установления ограничений на задержки оценочных расчётов обработки информации на каждом уровне реализуемых схем. При этом преимущество параллельного выполнения независимых расчётов сводится к потоковой обработке однородных данных.
Ввиду использования в разработанной модели САМ гемодиализной терапии элементов теорий предварительной обработки информации и индивидуального прогнозирования и классификации состояний в разработанной модели появляется элемент информационной фильтрации. Это чревато появлением значительных задержек при реализации алгоритмов управления по последовательной схеме. Поэтому встаёт вопрос дополнительной организации управления информационными потоками. Так же с учётом определений п.2.1 справедливы свойства программного гемодиализа, на основании которых уместен вывод о гетерогенности структуры комплекса технических средств гемодиализной САМ:
- определение состояния больного и контроль над ходом процедуры представляют собой сложный многоуровневый информационно-измерительный процесс;
- сложилась практика субъективной регуляции пациентами физико химических особенностей процедуры, при которой параметры процедуры (скорость кровотока в инвазивнои системе «аппарат» - «пациент», содержание соды в диализирующем растворе, время диализа) определяются самими пациентами, логические схемы изменения параметров процедуры индивидуальны для каждого пациента;
- не определимы объективные критерии, индивидуально приводящие пациентов - субъектов к выбору оптимальных параметров процедуры.
При организации сбора и обработки информации в гетерогенных системах управления первоочередное внимание уделяется именно взаимодействию с информационными системами.
Как правило, подходы комплексного мониторинга создаются и развиваются постепенно, с применением различных принципов и технологий. Обеспечение постоянного мониторинга поведения различных объектов, входящих в их состав, осуществление своевременного и корректного управления ими, реализация кратко- и долговременного планирования и прогнозирования являются в таких условиях сложной, нетривиальной задачей.
Одна из основных подзадач при этом заключается в организации сбора и обработки информации по каждому параметру каждого пациента. Эти процессы невозможно выполнять синхронно. Необходимо оптимизировать
Необходимо введение ограничений на задержки в ожидании выполнения условий синхронизации в соотношениях распределения времени окончания объединяемых процедур. При создании системы сбора и обработки информации, подобной изображённой на рис. 1.8-1.9, первоочередное внимание уделяется следующим функциям:
- осуществление диспетчеризации запросов к разнородным источникам с целью получения максимального количества информации за минимальное время;
- гибкость в настройке и предоставление возможностей введения в систему новых информационных источников и модификации уже существующих с минимальными затратами;
осуществление непрерывного мониторинга информационно-вычислительных ресурсов системы с возможностью оповещения обслуживающего персонала об изменении тех или иных параметров или состояния объектов;
- упрощение обязанностей работников, занятых в процессе сбора и обработки информации, увеличение степени автономности системы.
Представленным требованиям соответствуют системы, основанные на использовании интеллектуальных агентов (взаимодействия с пользователем, взаимодействия с информационной системой, реализации специализированных функций). Поэтому детализация этапов моделирования САМ (рис. 2.1) наиболее полно выражается при помощи механизма интеллектуальных агентов [36]. Информационные агенты (рис, 2.7) могут осуществлять взаимодействие на нескольких уровнях:
- совместное решение задач несколькими агентами;
- обмен информацией между агентами;
- обмен информацией с разнородными интеллектуальными информационными источниками.
Организация взаимодействия между информационными системами предполагает решение следующих задач:
- извлечение информации из источников по однократным и/или многократным запросам;
- мониторинг состояния информационных источников;
- диспетчеризация запросов;
- планирование выполнения запросов.
Новые соотношения соответствуют наиболее распространенным в практике ситуациям:
- объединение согласно логической функции «И» при наличии различных ограничений на задержки в ожидании выполнения условий синхронизации;
- объединение согласно функции «М из N» при отсутствии ограничений на задержки в ожидании выполнения условий синхронизации.
При выводе соотношений выделен типовой фрагмент параллельного вычислительного процесса, включающий N последовательных подпроцессов и ограниченный двумя узловыми вершинами. При этом условия параллельного запуска подпроцессов описывает функция FF, а функция FJ отображает условия их объединения. Каждому последовательному подпроцессу соответствует/Щ вероятность окончания его выполнения в момент времени к=1,2,....... и Отграничение на задержку в ожидании выполнения условий синхронизации, /=1,2,,..Д.
Алгоритмизация задачи построения системы анамнестического мониторинга программного гемодиализа
Эффективность компьютерной САМ ТХПН во многом определяется организацией интерфейса между медицинским персоналом и системой, способом организации обмена данными между отдельными проблемно-ориентированными подсистемами.
После того, как определены основные интеллектуальные агенты САМ гемодиализной терапии, продолжим анализ задачи и рассмотрим некоторые сценарии работы системы. Начнем с составления списка ситуаций. С точки зрения пользователя список будет выглядеть примерно следующим образом:
- включение системы;
- мониторинг первичных измеряемых параметров: пульса, температуры, кровяного давления и веса;
- показ максимальных и минимальных значений выбранных параметров;
- установка времени и даты;
- калибровка выбранных датчиков.
Добавим еще две дополнительные ситуации:
- отказ питания;
- отказ датчика.
Исследуем вышеприведенные сценарии для того, чтобы понять поведение (именно новедение, а не внутреннюю структуру) системы.
Главной задачей системы является мониторинг основных измеряемых параметров. Одним из ограничений является невозможность обрабатывать информацию с частотой, не превышающей 1 10Е8 измерений в секунду. Наиболее значимые параметры меняются с меньшей скоростью. Дополнительный анализ показывает, что для своевременной регистрации изменений различных параметров процедуры достаточно обеспечить следующие частоты снятия информации (табл.3.1):
Ранее мы приняли решение о том, что интеллектуальные агенты не должны отвечать за организацию периодических измерений. Эта работа лежит в сфере ответственности внешнего агента, взаимодействующего с датчиками. Отложим пока описание поведения данного агента (оно определяется в большей степени особенностями реализации системы и будет рассмотрено на этапе проектирования). Диаграмма взаимодействий, приведенная на рис. 3.7, иллюстрирует в некоторой степени сценарий его работы. Мы видим, что когда агент начинает обработку измерений, он последовательно опрашивает датчики, однако при этом может пропускать те из них, для которых интервал опроса больше 1 минуты. Такая схема, в отличие от той, где каждый датчик самостоятельно отвечает за измерение, обеспечивает более предсказуемое поведение системы, потому что контроль за процессом считывания параметров сосредоточен в одном месте, а именно, в экземпляре класса-агента.
Продолжим рассмотрение данного сценария. Теперь нам предстоит решить, какие из объектов, приведенных на диаграмме, должны отвечать за вывод информации на экран дисплея, то есть, фактически, за передачу данных агенту LCDDevice. Здесь возможны два варианта: можно передать ответственность за эти действия агентам датчиков (подобная схема реализована в архитектурах, подобных MVC), либо создать отдельного агента для связи между датчиками и дисплеем. В данном случае мы выбираем второй вариант, так как он позволяет нам изолировать в рамках одного агента все проектные решения, касающиеся механизмов реализации вывода параметров на экран. В итоге к результатам нашего анализа добавляется описание еще одного агента
Операция drawStaticIeems рисует на экране ту часть изображения, которая не изменяется в процессе работы системы.
На рис. 3.8 приведена диаграмма агентов, иллюстрирующая связи между абстракциями, ответственными за вывод информации на экран, и роль каждой из них в обеспечении заданного сценария.
Отметим важное преимущество выделения отдельного агента DisplayManager. Задача локализации системы для различных стран предполагает изменение языка, на котором информация выводится на дисплей. Наличие отдельного агента, ответственного за вывод сообщений на экран, существенно облегчает процесс локализации, так как имена всех сообщений (например, ТЕМПЕРАТУРА или ДАВЛЕНИЕ) находятся, в этом случае, в ведении единственного агента; они не разбросаны по множеству различных абстракций.
Рассмотрение задачи локализации ставит перед разработчиком ряд дополнительных вопросов, не выраженных явным образом в требованиях к системе. Например, как следует показывать температуру, по Цельсию или по Фаренгейту? Ясно, что программное обеспечение не должно быть жестко ограниченным. Для обеспечения гибкости в использовании системы конечным пользователем необходимо добавить к описанию агента TemperatureSensor еще одну операцию, setMode, устанавливающую нужную систему измерений. Также следует добавить в описание этих агентов новую обязанность, предусматривающую возможность установки вновь создаваемых объектов в известное состояние. Необходимо изменить описание операции DisplayManager: : drawStaticItems таким образом, чтобы при изменении единиц измерений соответствующим образом менялась панель дисплея. В результате нам придется добавить к списку режимов работы системы еще один сценарий - установка единиц измерения
Рассмотрим некоторые из возможных сценариев взаимодействия пользователя с системой (вывод на экран максимальных и минимальных значений выбранного параметра):
1. Пользователь нажимает клавишу SELECT,
2. Система выводит на экран сообщение SELECTING.
3. Пользователь нажимает одну из следующих клавиш: PULS, TEMPERATURE, PRESSURE или VES; нажатие всех остальных клавиш (кроме клавиши RUN) игнорируется.
4. Название выбранного параметра начинает мигать на экране.
5. Пользователь нажимает одну из клавиш UP или DOWN, выбирая тем самым, какое значение — максимальное или минимальное — будет выведено на экран; нажатие всех остальных клавиш (кроме клавиши RUN) игнорируется.
6. Система выводит на экран выбранное значение, а также время его замера.
7. Переход управления к пункту 3 или 5.
Замечание: для прекращения работы в данном режиме пользователь нажимает клавишу Run, при этом экран дисплея возвращается в первоначальное состояние.
После рассмотрения этого сценария мы приходим к выводу о необходимости расширить описание агента DisplayManager, добавив к нему операции f lashLabel (переключает вывод названия параметра в режим мигания и обратно, в зависимости от аргумента) и dispayyMode (выводит на дисплей текстовое сообщение).
Оценка адекватности и эффективности системы анамнестического мониторинга программного гемодиализа
В работе проведён эксперимент по определению зависимости времени с момента запроса массива исходных данных до окончания их обработки. Результаты этого эксперимента показывают выигрыш во времени выполнения тестов, достигаемый введением задержек (табл.4.1).
Благодаря реализации процедур моделирования параллельных вычислительных процессов в подсистеме планирования действий интеллектуальных информационных агентов среднее время диагностирования сократилось более, чем в 3 раза (рис. 6).
Показана экономия времени и оптимального использования вычислительных ресурсов за счёт применения параллельного вычислительного процесса реального времени в условиях задержек, обусловленных динамикой сбора, предварительной обработки данных и их интерпретации автоматизированной системой поддержки принятия врачебных решений в едином технологическом цикле.
Полезный эффект выражен лучшим перенесением процедуры в отдельных случаях и снижением уровня смертности диализных пациентов с терминальной стадией хронической почечной недостаточности (с 25 до 21 %).
Анализ полученной классификации и эталонного разбиения показал, что степень их совпадения достаточно высока. Классификация на основе минимизированного признакового пространства позволила синтезировать обучающую выборку с достаточно высоким процентом соответствия эталону, следовательно, минимизированный набор показателей позволяет с большей точностью и достоверностью описывать состояние диализного пациента.
В реальной клинической практике диализный врач редко может с уверенностью дать заключение о принадлежности пациента к одному конкретному виду нарушений. Состояние пациента может определяться как комбинация различных классов состояний. Следовательно, необходимо так изменить конфигурацию признакового пространства, чтобы объект обучающей выборки к выделенным классам состояний гомеостаза отражал реальную картину заболевания.
Для получения адекватного описания состояния диализного пациента было решено изменить геометрию параметрического гиперпространства таким образом, чтобы формируемая модель позволяла учитывать все нюансы заболевания.
Выходом из данной ситуации может оказаться попытка проведения классификации на базе так называемого комбинированного признакового пространства, представляющего собой набор признаковых пространств, построенных на основе классификационных показателей, соответствующих нарушению данного вида.
![Анализ, моделирование и алгоритмизация процесса диагностики вертебрально-базилярной недостаточности на основе инструментальных методов исследования [Электронный ресурс]](/i/i/4465/168237.png "Анализ, моделирование и алгоритмизация процесса диагностики вертебрально-базилярной недостаточности на основе инструментальных методов исследования [Электронный ресурс] Кривцова Людмила Ивановна")
