Содержание к диссертации
Введение
Глава 1. Обзор и анализ алгоритмов и методов поддержки принятия медицинских решений в условиях неопределенности 30
1.1. Проблемы поддержки принятия медицинских решений в условиях неопределенности 30
1.2. Понятие и сущность управленческих решений 36
1.3. Разработка управленческих медицинских решений в условиях неопределенности 42
1.4. Решение задач искусственного интеллекта с помощью нечетких объектов 49
1.5. Особенности построения сппр в медицине 70
1.6. Основные принципы учета пациентов в медицинских учреждениях 86
Выводы по главе 1 98
Глава 2. Нечеткая кластеризация для эффективного исследования статистической информации 101
2.1. Описание эффективного мониторинга данных для нечеткой аналитической системы 101
2.2. Кластеризация при исследовании статистических данных 114
2.3. Сложности, возникающие при использовании алгоритма кластеризации 124
2.4. Построение медицинских систем поддержки принятия решений
2.5. Моделирование ситуаций в системе поддержки принятия решений на основе нечеткой кластеризации 141
2.6. Построение систем поддержки принятия медицинских решений в условиях неопределенности в медицинских учреждениях 156
Выводы по главе 2 165
Глава 3. Модели прогнозирования развития ситуации на основе нечетких семантических сетей 169
3.1. Модели представления знаний 169
3.2. Универсальная алгебра описания предметной области 179
3.3. Применение семантической сети при описании предметной области 184
3.4. Построение модели прогнозирования в интеллектуальной системе 200
3.5. Организация механизма логического вывода 202
3.6. Модель пациента 208
3.7. Модель действий, производимых с пациентом 214
3.8. Применение модели пациента для поиска решения 216
Выводы по главе 3 228
Глава 4. Применение когнитивного анализа в задачах управления материальными потоками в интеллектуальных системах 230
4.1. Учет материальных потоков в информационных системах 230
4.2. Когнитивный анализ 236
4.3. Когнитивные карты 242
4.4. Применение нечетких когнитивных карт 251
4.5. Универсальные нечеткие когнитивные карты 262
4.6. Моделирование на основе универсальных нечетких когнитивных карт 270
Выводы по главе 4 294
Глава 5. Программная реализация алгоритмов, методов и моделеи.в интеллектуальных системах поддержки принятия решений в условиях неопределенности 298
5.1. Интеллектуальная аналитическая система мониторинга пациентов на основе нечеткой кластеризации 298
Для медицинских учреждений «диспансер» 298
5.2. Оценка развития при выбранном курсе лечения схожих ситуаций
Посредством систем поддержки принятия решений 305
На базе применения нечеткой логики «stacionar» 305
5.3. Автоматизированная информационная система медицинского учреждения «эксперт» 312
5.4. Система поддержки принятия решений управления материальными потоками «alfavit» 327
5.5. Программный комплекс интеллектуального управления товарными запасами на основе нечеткого когнитивного анализа 332
Выводы по главе 5 348
Заключение 352
Список сокращений 358
Список литературы
- Разработка управленческих медицинских решений в условиях неопределенности
- Построение медицинских систем поддержки принятия решений
- Применение семантической сети при описании предметной области
- Применение нечетких когнитивных карт
Введение к работе
Актуальность исследования. Современные медицинские учреждения функционируют в эпоху динамически развивающихся технологических и информационных процессов, характеризующихся стремительными и широкомасштабными изменениями внешней среды, экономических и социальных отношений. Продуктивным инструментом исследования проблем в области управ-леїпія и создания информационных систем по данному направлению являются методы моделирования. Представление процессов в указанных системах в виде моделей является основой проектирования систем поддержки принятия медицинских решений (СППМР) и способствует повышешпо эффективности как принятия медицинских решений (ПМР), так и управления медицинским учреждением в целом.
В процессе работы с паїшентом выделяют два этапа: диагностика заболевания и лечение выявленной патологии, которые сложно разделить, поскольку для установления первичного диагноза и назначения курса лечения необходимо осуществлять мониторинг процесса, то есть проводить проверку состояния здоровья пациента с целью повышения продуктішпости процесса лечения и коррекции его при необходимости. При этом врач выступает в качестве лица, принимающего медицинское решение (ЛПМР), вырабатывает медицинское решение (MP) в условиях недостаточности и неопределенности исходных данных, опираясь на собственные опыт, знания и интуицию. Процесс ПМР характеризуется недостаточностью знаний и противоречивостью имеющейся информации, отсутствием возможности привлечения компетентных врачей-экспертов, ограниченностью ресурсов во времени, неполнотой или неточностью информации о состоянии пациента. Отмеченные аспекты могут являться причинами врачебных ошибок, приводящих в дальнейшем к усугублению проблемной ситуации. Решение этой проблемы может быть найдено в развитии методологии проектирования интеллектуальных СППМР.
Численность населения Российской Федерации, по данным Госкомстата, за последнее десятилетие сокращается в среднем на 800 тыс. человек в год. Эти показатели формируются на основании информации о рождаемости и смертности, составляемой работниками медицинских учреждений различных профилей. Медицинская ошибка, повлекшая за собой ущерб здоровью пациента, приводігг к материальным потерям: 1) государственным расходам на компенсацию по утрате здоровья пациента; 2) расходам пациента на восстановление здоровья; 3) бюджет теряет (временно или навсегда) налогоплательщика.
В общем случае задачи поддержки принятия медицинских решений (ППМР) в условиях неопределенности очень часто бывают слабоструктурированными или плохо формализованными. В связи с этим применение традиционных методов моделирования сложных систем является малоэффективным, что в свою очередь ведет к применению специально разработанных механизмов ППМР на основе нечетких множеств совместно с методами алгебры логики, семантических сетей и теории когнитивного анализа.
Значительный вклад в совершенствование теории нечетких множеств внесли: А.Н. Аверкин, Р.А. Алиев, Л.С. Бернштейн, А.Е. Алтунин, А.В. Алексеев, К. Асаи, Р. Веллман, А.Н. Борисов, Л.А. Заде, И.З. Батыршин, А. Кофман, А.В. Леоненков, С.Я. Коровин, О.А. Крумберг, Н.Г. Малышев, К. Негойце, А.Н. Мелехов, Р. Ягер, Д.А. Поспелов, Т.Л. Саати, А. Тверски, М.В. Семухин, Т. Тэра-но, С.А. Орловский, С.Д. Штовба и др. Реализация алгоритмов нечеткого вывода освещена в работах X. Ларсена, Е. Мамдани, Т. Такаги, Й. Цукамото.
"> 3
Оптимальным механгомом для автоматшированного решения являются эффективная обработка статистической информации и комплексный анализ полученных данных средствами интеллектуального анализа с применением технологий нечетких множеств и нечеткой кластеризации.
Основные принципы современной теории кластеризации базируются на работах Дж. Рубина, С. МакНотона, Д. Дюраиа, П. Оделла, В.В. Белова, Д.А. Вятчешша Т Кохонена, Л.А. Демидовой, Г. Болла, Д. Холла, Г. Ланса, М. Брюиноша' У. Уильямса, М. Жамбю, Р. Дженсена, Г. Миллигана, X. Фридмана, Н Г. Загоруйко и др. В работах Дж. К. Беждека, Р.Н. Дейва, Дж. К. Данна, Р. Кришнапурама, Дж. М. Келлера, Я. Охаши предлагаются алгоритмы нечеткой кластеризации. Многие работы таких ученых, как Я. Батистакис, Г. Бени, X. Галда, М. Сугено, И. Гаф. А. Гева, Д. Густафсон, В. Кессел, М. Халкиди, С. Се, Ю. Фукуяма посвящены разработке и анализу показателей качества кластеризации в алгоритмах нечеткой кластеризации.
В области построения СППМР целесообразно использовать: концепции построения автоматизированных медицинских систем, теоретіиеские принципы построения медицинских экспертных систем, моделей представления знаний, семантических сетей, универсальных алгебр, нечетких логик и применение теории выбора (А.О. Недосекин, Г.С. Поспелов, А.А. Дородницын, И.А. Каши-рин, Э.В. Попов, М.Л. Минский, М.А. Айзерман, Н. Нильсон, В.М. Глушков, А.в'. Шеер, Р. Риченс, Р. Симмонс, С. А. Юдацкий, Д. Дюбуа, А. Прад, Г.Н. Ка-лянов) На основе этой теории осуществляется построение модели пациента, методов лечешія и эпидемиологической ситуации с применением устоявшійся медицинских закономерностей.
Хранилища данных различных автоматизированных информационных систем применяемых в медицинских учреждениях, позволяют накапливать информацию о материальных медицинских ресурсах, которые с успехом можно применять для извлечения новых знаний, требующихся для качественного управления медищшскпми материальными потоками в интеллектуальных СППР. В основе развития задач оптимального управления материальными потоками научным направлением является методология когнитивного анализа, при котором эффективным инструментом считаются нечеткие когнитивные карты (Р Аксельрод, Е.А. Гребенюк, В.И. Максимов, А.К. Григорян, В.Б. Си-лов К Идеи В М. Казиев, А.Н. Райков, СВ. Качаев, СВ. Коврига, Е.К. Корно-ушенко, Б. Коско, А.А. Кулинич, Д.И. Макаренко, Ф.С Роберте, Э.Ч. Толмен, АС. Федулов), хорошо зарекомендовавшие себя в задачах исследования структуры модели системы учета материальных потоков и получения прогнозов ее развития при разнообразных воздействиях управлешія с целью эффективной стратегии управления.
В последние годы особое внимание уделяется развитию гибридных подходов к построению интеллектуальных систем, функционирующих в условиях неопределенности и реализующих комплексное применение разнообразных инструментов искусственного интеллекта, позволяющих разработать новую ин-формационную технологию построения таких систем. Особая роль при таком подходе отводится знаниям, характеризующим предметную область в различных прикладных задачах (Н.Г. Ярушкина, В.В. Борисов, А.В. Кузьмин, В.В. Круглое, Ю.Н. Минаев, А.П. Ротштейн, М. Пилиньский, Д. Рутковская, А.А. Усков, Л. Рутковский, О.Ю. Филимонова и др.).
В результате исследования известных методов, алгоритмов и моделей ППМР в условиях неопределенности и неполноты исходной информации, ос-
нованных на использоваїши шіструментария теории нечетких множеств, был сделан вывод, что во многих случаях они не обеспечивают получение соответствующих требоватгам решений ввиду малообоснованного выбора параметров моделирования, при этом нахождение адекватных решений из-за необходимости многократного выполнения реализаций используемых методов, алгоритмов и моделей с целью выбора наиболее оптимальных параметров сопровождается большими временными затратами.
Актуальность проблемы заключается в необходимости разработки интеллектуальных медицинских систем на основе эффективных методов, алгоритмов и моделей ППМР в условиях неполноты и неопределенности исходных данных, позволяющих обеспечивать высокую адекватность и обоснованность принимаемых решеїшй в условиях ограниченности временных ресурсов. Совокупное использование инструментария теории универсальных алгебр и семантических сетей, теории нечетких множеств и нечеткой логики, а также теории когнитивного анализа дает возможность создать качественно новые медицинские информационные системы, позволяющие решать более широкий круг задач ППМР в условиях неполноты и неопределенности исходных данных и обеспечивать эффективность принимаемых решений (за счет повышешш точности, объективности и адекватности) в условиях неопределенности.
Научный аспект сформулированной проблемы заключается в развитии теоретических основ поддержки принятия медицинских решений на основе теории нечетких множеств, семантических сетей и когнитивного анализа.
Практическая часть проблемы включает в себя алгоритмизацию, разработку специального программного обеспечения и его практическое применение для поддержки принятия медицинских решений в сфере медицины.
Цель диссертационной работы состоит в разработке эффективных методов, алгоритмов и моделей поддержки принятия решений в условиях неопределенности на основе совокупного использовашія теории нечетких множеств, семантических сетей и когнитивного анализа, позволяющих повысить надежность и качество принимаемых решений, а также минимизировать материальные потери от совершения медицинских ошибок.
Для достижения поставленной цели были решены следующие основные задачи.
1. Разработка метода и алгоритма нечеткой кластеризации на основе нечеткого отношения равнозначности, порождаемых свойствами исследуемых данных и без использования дополнительных сведений о кластерах.
2.Разработка концепции генерации возможных альтернатив рекомендаций по ППМР на основе анализа проблемных ситуаций, возникающих при лечении пациента, и формирование сетевой архитектуры модели пациента и действий, производимых с ним. Концепция строится на теории семантических сетей и теории нечетких множеств и использует гипотезу о подобии.
3. Разработка нечеткой когнитивной карты — универсальная нечеткая когнитивная карта (УНКК), которая объединила в себе все положительные свойства существующих когнитивных карт. УНКК позволит использовать больше возможностей при построении моделей сложных систем, описывающих предметные области (ПрО). На основе УНКК возможно построение когнитивной модели ПрО и проведение когнитивного анализа.
^Формулирование принципа построения интеллектуальных СППМР в медицинских учреждениях, в условиях неопределенности, на основе теорий нечетких множеств, семантических сетей и когнитивного анализа.
5.Решение медицинских прикладных задач ППМР в условиях неопределенности с использованием разработанных методов, алгоритмов и моделей.
Область исследования. Принятие управленческих решений в труднофор-мализуемых предметных областях.
Объект исследования. Объектом диссертационного исследования являются интеллектуальные СППМР, особенности технологии их функционирования в условиях неопределенности и неполноты априорной информации.
Предмет исследования. Предметом исследования являются: -модели ППМР с использованием интеллектуальных систем на основе нечеткого вывода;
методы и алгоритмы нечеткой кластеризации многомерных объектов в условиях неполноты априорной информации;
модели развития процессов, базирующихся на семантических сетях с использованием теории нечетких множеств;
-методы и алгоритмы когнитивного анализа на базе нечетких когнитивных карт в задачах управления медицинскими материальными потоками.
Методы исследований. Методы, используемые в данной работе, в соответствии с принципами системного подхода объединяются для решения поставленных задач. Теоретические исследования проведены с применением методов теорий универсальных алгебр, семантических сетей, нечетких множеств,^ кластеризации, когнитивного анализа, когнитивных карт, принятия решений, нечеткой логики, вероятностей и математической статистики, системного и математического анализа, построения БД и автоматизированных корпоративных информационных систем. Экспериментальные исследования выполнены с использованием методов моделирования (математического и имитационного), технологий объектно-ориентированного и модульного программирования, технологий построения распределенных баз данных и многомерных кубов данных. Научная новизна результатов работы
-
Разработана модификация метода нечеткой кластеризации на основе нечеткого отношения равнозначности, порождаемого свойствами исследуемых данных и без использования дополшггельных сведений о кластерах, которые не зависят от формы кластеров, для чего введены и определены понятия «мягкое нечеткое отношение» и «нечеткое отношение равнозначности», при этом оценивается качество каждого разбиешія и выбирается наилучшее из них.
-
Предложен алгоритм на основе разработанного метода нечеткой кластеризации, который позволяет в исследуемых данных продуктивно выявлять кластеры произвольной формы. Выбор наилучшего из решений задачи кластеризации выполняется с использованием нечеткого отношения равнозначности, приметается специально разработанный критерий - нечеткая оценочная функция разбиения, использующая понятие мощного кластера.
-
Предложена концепция выработки возможных альтернатив рекомендаций по принятию медицинских решений на базе анализа ситуаций. В основе: гипотеза о подобші (получение ситуаций и рекомендаций, в которых понятийные пространства наиболее близки к понятиям, описывающим проблемную ситуацию); методика построения предметной области с использованием семантической сети для рекомендательной медицинской базы знаний; определены нечеткие множества для приблизительных рассуждений и обработки неопределенности при создании модели знаний; основы построения логического вывода для выбора рекомендации; алгоритм расчета веса ключевого понятия в рекомендации: методика получения рекомендации из базы знаний; алгоритм, оцениваю-
щий полученные рекомендации согласно ключевым понятиям проблемной ситуации.
4.На основе концепции построены: сетевая архитектура модели пациента для интеллектуальной системы; модель действий, производимых с пациентом. Модели позволяют производить расширенный и ординарньга способ аналша ситуации на базе оценочной функции и использования критериальных механизмов выбора, дающих возможность с высокой достоверностью находить наиболее релевантные наборы действий согласно сложившейся ситуации, а также осуществлять их раїгжирование по степени значимости.
5.Предложен тип - универсальная нечеткая когнитивная карта (УНКК), объединяющая в себе все положіггельньїе свойства существующих нечетких когнитивных карт. В УНКК теория нечетких множеств используется как при анализе структуры, так и при построении самой карты. В структуре карты нечеткими являются: концепты и связи между концептами, которые отражают тип распространения влияния концепта на концепт; механизмы накапливания влияния группы концептов на конкретный концепт (динамическое моделирование).
-
Разработаны метод и алгоритм обучеїшя УНКК, который позволяет повысить точность их построения и адекватность моделируемых ПрО за счет учета накопленной статистической информации о состояниях исследуемой системы в определенные моменты времени. Введены аналитические показатели устойчивости УНКК - системные показатели модели, рассчитываемые на основе значений нечеткой трашитивно-замкнутой матрицы влияний концепта на концепт и ориентированные на решение задач поддержки принятия решения в управлении медицинскими материальными потоками в динамике.
-
Разработана модель динамики для УНКК, которая дает возможность моделировать и проводить анализ поведения сложных систем, учитывая: нелинейный характер влияния между концептами в корреляции от нечеткого состояния концепта на входе и концепта на выходе; одновременный учет влияния значений изменений концептов и значений их состояний; нелинейный характер влияния изменений концептов; одновременный учет концептов разных знаков друг на друга. Предложен способ построения модели предметной области на основе УНКК.
8.Предложен принцип проектирования интеллектуальных СППМР в медицинских учреждениях в условиях неопределенности, на основе теорий нечетких множеств, семантических сетей и когнитивного анализа.
Достоверность научных положений, теоретических выводов и практических результатов диссертационной работы подтверждается:
результатами моделирования (имитационного и математического), объектно-ориентированного и модульного программирования, построения баз знаний и многомерных кубов данных, разработанных моделей, методов и алгоритмов;
корректным использованием выводов и подходов теорий нечеткой логики и нечетких множеств, нечеткой кластеризации многомерных объектов в условиях недостаточности и неопределенности данных, прогнозирования процессов на базе семантических сетей, когнитивного анализа с использованием нечетких когнитивных карг;
использованием разработанных методов, алгоритмов и моделей в информационных системах для решения реальных прикладных задачах;
технологической реализацией информационных систем и отдельных их элементов, подтверждешпых свидетельствами об официальной регистрации;
наличием актов внедрения результатов диссертационной работы.
Практическая ценность подтверждается разработанными методами, алгоритмами и моделями, реализованными в программных продуктах для ЭВМ: Интеллектуальная аналитическая система (ИАС) мониторинга пациентов на основе нечеткой кластеризации для медицинских учреждений «Диспансер» [82]; Система поддержки принятия решений на основе нечеткой логики «Stacionan> [83]; Интеллектуальная информационно-поисковая система "AnNet"» [81]; Программный комплекс интеллектуального управления товарными запасами на основе нечеткого когнитивного анализа «Alf-Zdr. Товарный запас» [84]; Программный комплекс управлеїшя базой данных статистической информации для систем поддержки принятия решений «Эксперт» [85]; База данных аналитической информации для систем поддержки принятия решений «Эксперт2» [86].
Теоретическая значимость работы заключается в развитии теории, методов и алгоритмов принятия решений в медищшских учреждешіях в условиях неопределенности, а также развитии теории проектирования интеллектуальных систем поддержки принятия медицинских решений.
Реализация и внедрение результатов дессерташіонноіі работы. Работа над диссертацией выполнялась в рамках ряда целевых программ. Одной из них является территориальная программа «Неотложные меры борьбы с туберкулезом в Рязанской области на 1998-2000 годы», согласно Приказу Минздрава Российской Федерации «О создании Государственной системы эпидемиологического мониторинга туберкулеза» № 193 от 03.07.1997.
Исследования по тематике диссертационной работы велись: в рамках государственного контракта № 14.В37.21.0234 «Разработка информационных систем поддержки принятия решений при проектировании и управлении техническими объектами химического и машиностроительного профиля с использованием технологии виртуального моделирования» в рамках Федеральной целевой программы «Научные и научно-педагогические кадры инновационной России» (2009-2013 гг.); в рамках 4 госбюджетных НИР: НИР 7-09Г «Разработка математических методов и алгоритмов передачи и обработки цифровой информации для поддержки интеллектуальных систем управления» (2009-2011 гг.); НИР 11-12Г «Разработка математических моделей, методов и алгоритмов обработки больших объемов информации в сложно организованных системах искусственного интеллекта» (2012-2013 гг.); НИР 9-14Г «Разработка методов и прорывных технологій обработки, распространения и использования аэрокосмических изображений в интересах развития экономики регионов Российской Федерации» (2014 г.); НИР 14-01-97500 «Разработка интеллектуальной аналитической системы оценки состояния здоровья пациентов на основе нечеткой логики для медищшских учреждений с применением прогрессивных технологій!, обеспечивающих инновационное развитие медицины и социальной сферы» (2014-2015
гг.).
Разработанные методы, модели и алгоритмы, а также реализующие их информационные системы внедрены в следующих организациях.
-
Интеллектуальная аналитическая система мониторинга пациентов на основе нечеткой кластеризации для медищшских учреждений «Диспансер» (ИАС МП «Диспансер» ver. 4.0) успешно внедрена и используется в Государственном учреждении здравоохранения «Рязанский областной клинический противотуберкулезный диспансер», г. Рязань (акт внедрения от 20.03.2010).
-
Система поддержки принятия решений на основе нечеткой логики «Stacionar» (СППР НЛ «Stacionar») успешно внедрена и используется в Государственном бюджетном учреждении Рязанской области «Областной клиниче-
ский кожіго-венерологический диспансер», г.Рязань (акт внедрения от 01.12.2011) и в Государствегаюм бюджетном учреждении Рязанской области «Захаровская центральная районная больница», с.Захарово (акт внедрения от 25.05.2012).
-
Автоматизированная информационная система медицинского учреждения «Эксперт» (АИС МУ «Эксперт») поддержки принятия решешш на основе нечеткой логики успению внедрена и используется в Государственном казенном учреждении здравоохранения «Рязанская областная клиническая психиатрическая больница им. Н.Н. Баженова», г.Рязань (акт внедрения от 21.11.2012) и Государственном бюджетном учреждении Рязанской области «Спасская цен-тршіьная районная больница», г.Спасск (акт внедрения от 11.06.2013).
-
Система поддержки принятия решений на основе технологий когшггив-ного анализа «ALFAVIT» (СППР «ALFAVIT») успешно внедрена и используется в городской сети аптек ООО «Аптека № 181», г.Рязапъ (акт внедрения от 12.06.2011) и в областной сети аптек ООО «Алфавит-Здоровье», г.Рыбное (акт внедрения от 02.02.2010).
-
Программный комплекс интеллектуального управления топарными запасами на основе нечеткого когнитивного анализа «Alf-Zdr. Товарный запас» успешно внедрен и используется в региональной сети аптек ООО «Ригла», г.Москва (акт внедрения от 18.10.2011).
-
Результаты полученных в диссертации теоретических, прикладных и экспериментальных исследований используются в учебном процессе Рязанского государственного радиотехшгческого университета при обучении студентов по специальностям: 230105 «Программное обеспечение вычислительной техники и автоматизированных систем» в курсе «Программное обеспечение экономических систем», 080801 «Прикладная информатика в экономике» в курсах «Информационные системы в административном и банковском деле» и «Пакеты прикладных программ», 230201 «Информационные системы и технологии» в курсе «Корпоративные информационные системы»; по направлениям: 231000 «Программная инженерия» в курсе «Программное обеспечегаїе социальных экономических систем», 230700 «Прикладная информатика» в курсах «Информационные системы в экономике» и «Математические и инструментальные методы поддержки принятия решений», 230400 «Информационные системы и технологию) в курсе «Корпоративные информационные системы» (акт внедрения от 20.05.2014).
Использование результатов диссертационной работы на практике подтверждено соответствующими актами о внедрении. Получено б свидетельств ФГБУ «Федеральный институт промышленной собственности Федеральной службы по интеллектуальной собственности, патентам и товарным знакам» (РОСПАТЕНТ) об официальной регистрации программ для ЭВМ и БД.
Содержание диссертации соответствует паспортам специальностей: 05.13.10 «Управление в социальных и экономических системах», а именно п.1, п.4, п.10 и 05.13.01 «Системный анализ, управление и обработка информации (технические системы)», а именно п.1, п.2, п.4.
Основные положения, выносимые на защиту
-
Модифицированный метод нечеткой кластеризации на основе нечеткого отношения равнозначности, при этом оценивается качество каждого разбиеїшя и выбирается наилучшее из шгх, что позволяет осуществлять решешіе задачи кластеризации в формальном виде.
-
Алгоритм на основе разработанного метода нечеткой кластеризации, кото-
рый позволяет в исследуемых данных продуктивно выявлять кластеры произвольной формы.
-
Концепция выработки возможных шгьтернатив рекомендаций по принятию медицинских решений на базе аналша ситуаций, возникающих при лечении пациента. Методика построения предметной области с использованием семантической сети для рекомендательной медицинской базы знаний; определены нечеткие множества для приблизительных рассуждений и обработки неопределенности при создании модели знаний; основы построения логического вывода для выбора рекомендации; алгоритм расчета веса ключевого понятия в рекомендации; методика получения рекомендации из базы знаний; алгоритм, оценивающий полученные рекомендации согласно ключевыми понятиями проблемной ситуации
-
Сетевая архитектура модели пациента для интеллектуальной системы; модель действий, производимых с пациентом; модель пациента, дающая возможность производить расширенный и ординарный способ аналша ситуации на базе оценочной функции и использования критериальных механизмов выбора.
-
Тип нечеткой когнитивной карты - универсальная нечеткая когнитивная карта (УНКК), которая объединила в себе все положительные свойства существующих нечетких когнитивных карт. В структуре этой карты нечеткими являются концепты, связи между концептами и механизмы накапливания влияния іруппьі концептов на конкретный концепт, динамическое моделирование.
-
Метод и алгоритм обучения УНКК; анализ устойчивости УНКК с использованием разработанных аналитических показателей устойчивости.
-
Модель динамики для УНКК. Методика построения моделей на основе математического аппарата нечетких когшшпзных карт, позволяющая описьтать сложные многокритериальные шггеллектуалъные системы поддержки принятия медицинских решений.
8 Принцип построения интеллектуальных СППМР в медицинских учреждениях, в условиях неопределенности, на основе теорий нечетких множеств, семантических сетей и когнитивного анализа.
9. Результаты решения ряда прикладных задач поддержки принятия медицинских решений в условиях неопределенности с использованием разработанных методов, алгоритмов и моделей.
Апробация работы. Основные теоретические положения и практические результаты диссертационной работы докладывались и обсуждались на следящих научных конференциях: Международной научно-технической конференции «Математические методы и информационные технологии в экономике, социологии и образовании» (Пенза, 2001); XVI Всероссийской научной конференции молодых ученых и студентов «Реформы в России и проблемы управления» (Москва, 2001); ГХ Всероссийской межвузовской научно-технической конференции «Микроэлектроника и информатика 2002» (Москва, 2002); межвузовской научной конференции профессорско-преподавательского состава «Проблемы и методы управления экономической безопасностью регионов» (Коломна, 2006); региональной научно-теоретической конференции «Проблемы и методы'управления экономической безопасностью регионов» (Рязань, 2007); межвузовской научной конференции профессорско-преподавательского состава «Национальная экономика в условиях глобализации: роль институтов» (Санкт-Петербург, 2007); VII, XIV, XV, XVI, XVII Всероссийских научно-технических конференциях студентов, молодых ученых и специалистов «Новые информационные технологии в научных исследованиях и в образовании» (Рязань, 2002,
2009-2012); XVI Международной научно-технической конференции «Информационные системы и техіюлогші (ЙСТ-2010)» (Нижний Новгород, 2010); X Международной научно-практической конференции «Исследование, разработка и применение высоких технолопш в промышленности» (Санкт-Петербург, 2010); Международной научно-практической конференции профессорско-преподавательского состава «Социально-экономические проблемы общества в условиях кризисной экономики РФ» (Коломна, 2010); Международных форумах по проблемам науки, техники и образования «III тысячелетие - Новый мир» (Москва, 2010, 2012); Международной научно-практической конференции «Стратегия управления: государство, бшнес, образование» (Рязань, 2010\ XXIII, XXIV, XXV Всероссийских научно-технических конференциях студентов, молодых ученых и специалистов «Биотехішческие, медицинские и экологические системы и комплексы ("БИОМЕДСИСТЕМЫ-2010, 2011, 2012")» (Рязань, 2010-2012); XII Международной научно-практической конференции «Измерение, коїггроль, информатизация» (Барнаул, 2011); Международной научно-технической конференции «Актуальные проблемы науки» (Тамбов, 2011); Всероссийской научно-техшіческой конференции «Информационные и управленческие технологии в медищше и экологии» (Пенза, 2011); Международной научно-практической конферепщш «Ишюващш на основе информационных и коммуникационных технологий» (Сочи, 2011); LXVI Всероссийской конферепщш, посвященной Дню радио, «Научная сессия» (Москва, 2011); Международной научно-практической конференцій! «Инновационные информационные технологии» (Прага, 2012); XII международной научно-практической конференции «Методы и алгоритмы прикладной математики в технике, медицине и экономике» (Новочеркасск, 2012); Международной научно-практической конференции «Общество, современная наука и образование: проблемы и перспективы» (Тамбов, 2012); Международной научной конференции «Инновационные медицинские технолопш» (Москва, 2012); Международной научно-практической конференции профессорско-преподавательского состава «Россия и мир: проблемы и перспективы инновационного развития» (Коломна, 2012); X, XI, XII, XIII, XIV, XV, XVII Международных научно-технических конференциях «Проблемы передачи и обработки информации в сетях и системах те-лекоммуникащш» (Рязань, 2001-2005, 2008, 2012); The IV International research and practice conference «European Science and Technology» (Munich - Germany, 2013); The XLX International open science conference «Modern informatization problems» (Yelm, WA, USA, 2014).
Публикации. По теме диссертации опубликовано 86 печатных работ (17 -без соавторов), в том числе: 14 статей в изданиях, входящих в перечень ВАК для докторских диссертаций; 5 монографий; 22 статьи в научно-техішческігс журналах и межвузовских сборниках; 39 докладов на международных и всероссийских конференциях; б свидетельств о регистрации программ для ЭВМ и баз данных в ФГБУ «Федеральный институт промышленной собственности Федеральной службы по шггеллектуальной собственности, патентам и товарным знакам» (ФГБУ ФИПС - РОСПАТЕНТ).
Личный пклад соискателя. Все результаты диссертационной работы, в том числе постановка задач, разработка и исследование защищаемых методов, моделей и алгоритмов, основные научные результаты, выводы и рекомендации^ принадлежат лично автору. Информационные системы, реализующие разработанные методы, алгоритмы и модели, созданы непосредственно автором. Участие соавторов сводится к методическим консультациям и участию в получе-
ний экспериментальных результатов по предложенным автором постановке задач и технологиям.
Гтпуктупа п ofiMM диссертации. Диссертационная работа состоігг из и» дения пяти глав, основных выводов, списка использованной литературы из 383 наименований и четырех приложений. Работа изложена на 474 страницах машинописного текста, содержит 45 таблиц и 130 рисунков.
Разработка управленческих медицинских решений в условиях неопределенности
Система поддержки принятия решений (СППР) - комплекс математических и эвристических методов и моделей, объединенных общей методикой формирования альтернатив управленческих решений в организационных системах, определения последствий реализации каждой альтернативы и обоснования выбора наиболее приемлемого решения [367].
Каждая СППР носит сугубо индивидуальный характер, поскольку отличается особенностями процедуры принятия решений и конкретным содержанием решаемой управленческой проблемы в той или иной области.
Все процедуры, касающиеся процесса принятия решений, укрупненно можно разделить на регулярные и периодические. В качестве регулярных процедур принятия решений могут выступать планирование деятельности организации, контроль исполнения, оперативное управление, ведение электронной истории болезни (ЭИБ) и т.п. Последовательность функционирования и состав СППР в этом случае закрепляются как нормативные методики, применяемые, как правило, в качестве формальных моделей и методов с незначительным использованием диалоговых процедур. Однако большую группу составляют задачи, которые, как правило, не имеют полных аналогов в прошлом, другими словами, это процедуры, обусловленные периодически возникающими проблемными ситуациями с достаточно высокой степенью неопределенности. В этом случае необходимо разрабатывать СППР индивидуально для каждой предметной области. В состав таких систем включаются преимущественно экспертные и логико-эвристические методы и модели, при этом значительное внимание уделяется диалоговым процедурам. Понятие «решение». Принятие решения для каждого человека сопровождается сомнениями и переживаниями, этот процесс индивидуален и сложен. Способность быстро и правильно принимать решения вырабатывается с опытом. Существует несколько трактовок понятия "решение", откуда следует, что «решение» - это альтернатива.
В медицинской сфере 111 IMP - систематизированный процесс, что связано с большой ответственностью. В медицинском учреждении все решения можно классифицировать как организационные и медицинские, но и те и другие обусловлены занимаемой должностью и направлены на эффективное управление организацией в целом. Такие решения квалифицируют как запрограммированные, то есть являющиеся результатом выполнения конкретной последовательности действий, и незапрограммированные, когда условия, в которых принимаются решения, в определенной степени новы, сопряжены с неизвестными факторами или внутренне не структурированы.
Идеальных решений не бывает, все они имеют и достоинства, и недостатки, а поэтому можно говорить о том, что любое медицинское решение, в том числе организационное, - это компромисс, а сам процесс ПМР - процесс психологический. Решения, которые принимаются лицом, принимающим медицинское решение (ЛПМР), редко бывают логичными, изменяются от спонтанных до высокологичных.
Принятое решение только на основе понимания ЛПМР, что оно правильное, при этом не рассматриваются все имеющиеся возможные варианты, не учитываются их преимущества и недостатки, а также не проводится анализ проблемной ситуации, является интуитивным решением.
Выбор, обусловленный накопленным опытом или знаниями, характеризует решения, основанные на суждениях. ЛПМР в проблемной ситуации использует имеющееся знание о том, что происходило в похожих ситуациях раньше, для прогнозирования результатов альтернативных решений. Этот подход позволяет эффективно расходовать временные и финансовые ресурсы, поскольку ППМР осуществляется сравнительно быстро и не требует сбора и анализа дополнительной информации, что характеризует его с положительной стороны. Однако при таком подходе решения принимаются так сказать на базе здравого смысла, что в реальных условиях встречается очень редко, поскольку, с одной стороны, данные, на основе которых принимается медицинское решение, могут быть искажены по различным причинам, а с другой - в абсолютно новых или уникальных ситуациях принимать правильные медицинские решения не позволяют суждения, так как необходимым опытом для обоснованного выбора ЛПМР не обладает, поскольку суждения, с учетом имеющегося опыта, ориентируют ЛПМР на решение, знакомое по предыдущим ситуациям, при этом упускются новые альтернативы.
Решение, принятое в результате аналитического процесса, характеризующегося своей объективностью, и не зависящее от имеющегося опыта, называется рациональным. Принятие такого решения состоит в последовательном выполнении диагностики проблемы, формулировки ограничений и критериев принятия медицинского решения, определения альтернатив, оценки альтернатив, выбора альтернативы, что позволяет говорить о нем как о структурированном процессе [187].
Определенность и неопределенность решений. В случае когда ЛПМР с точностью может определить исход любого альтернативного решения, возможного в рассматриваемой ситуации, — это решение, принимаемое в условиях определенности. Однако в реальных условиях решений (как организационных, так и медицинских), принимаемых в таких условиях, достаточно мало. Как определенные можно рассматривать части более сложных решений. При принятии решений уровень определенности зависит от предметной области. При наличии ограничения количества альтернатив и снижении риска уровень увеличивается [266, 267].
Построение медицинских систем поддержки принятия решений
Основные функции информационных систем, применяемых в области здравоохранения заключаются: в моделировании деятельности управления целой отраслью (здравоохранения); выработке рекомендаций для ППМР при осуществлении постановки диагноза и назначении курса лечения (проведения лечебного процесса); контроле эффективности применения медицинских решений и оценке результатов, полученных от работы системы; анализе изменения показателей, отражающих состояние здоровья пациента и в целом эпидемиологической ситуации в регионе; управлении оказанием помощи (лечебно-профилактической) населению; прогнозировании возможностей развития системы здравоохранения в отдельных регионах страны в тех или иных направлениях.
Основные цели применения ИС в здравоохранении: сбор, обработка, хранение, оперативное предоставление информации о проведении курса лечения; за счет правильного и быстрого принятия медицинских решений и повышения качества управленческих медицинских решений добиваться повышения результативности управления медицинским учреждением; использование иерархической системы для осуществления цетрализованного хранения, сбора, обработки и передачи информации, которая обычно содержится в амбулаторной карте пациента или в электронной истории болезни с обеспечением корректного и быстрого доступа к информации автоматизированных рабочих мест для достижения повышения результативности деятельности системы управления медицинским учреждением; повышение достоверности имеющихся данных и повышение оперативности и качества информационного обслуживания; организация возможности взаимодействия в информационном пространстве врачей различной специализации с обеспечением возможности [на любых этапах (диспансерном, стационарном, реабилитационном) медицинского обслуживания пациентов] оперативного обмена опытом по оказанию им разного рода медицинской помощи; повышение рациональности использования и распределения медицинских ресурсов (оснащения, аппаратуры, персонала и т.д.); повышение эффективности основных процессов медицинского обслуживания (диагностики и лечения) за счет использования в своей работе БД, содержащей медицинские сведения); повышение качества ПМР за счет применения экспертной поддержки в таких процессах, как диагностика болезни, назначение курса лечения, реабилитация пациента; повышение результативности труда сотрудников медицинской сферы за счет применения автоматизации для выполнения трудоемких, рутинных операций (подготовка справок, выписок, дублирование результатов анализов отчетов и т.д.); проведение сравнения результативности различных методов и курсов лечения пациентов, а также их реабилитации с использованием имеющейся базы данных; проведение анализа стоимости, контроля качества, полноты и достаточности проведенных медицинских мероприятий (диагностических, лечебных, реабилитационных); предоставление необходимой информации справочного характера по основным типам оказанной медицинской помощи с применением сотрудникам сети Internet.
Информационные процессы сопутствуют всем областям здравоохранения, их главная составляющая - информационные потоки, от упорядоченности которых зависят как эффективность функционирования всей отрасли целиком, так и результативность отдельно принятых управляющих решений.
Для управления и регулирования информационных потоков широко применяют информационные системы медицинского назначения, основная цель которых заключается в обеспечении информационной поддержки специалистов при оказании! ими медицинской помощи при решении задач управления медицинскими учреждениями и системой здравоохранения. Отдельно следует отметить ряд задач, касающихся информационной поддержки исследований, носящих научный характер, аттестационной и учебной работы, без которых немыслимо развитие науки и воспитание высококвалифицированных специалистов.
Группировка медицинских информационных систем (МИС) весьма условна; так, например, в соответствии с уровнем управления и организацией данных выделяют следующие классы МИС: государственная (федеральная и региональная); территориальная (муниципальная, городская, районная); учрежденческая (вузы, ЛПУ, медтехники, НИИ и др.); индивидуальная.
На практике часто применяется классификация медицинских МИС, базирующаяся на специфике решаемых задач.
1. Административно-хозяйственные МИС: системы ведения бухгалтерского учета; системы учета материальных потоков медицинского учреждения; системы оформления пациентов; системы автоматизации управления документооборотом; системы для проведения клинических обследований; системы для осуществления контроля за соблюдением лечебных назначений и др. Главной задачей указанных систем является обеспечение информационной поддержки ЛПМР.
2. МИС, предназначенные для выполнения исследований (лабораторных и диагностических): МРТ, радиологии, компьютерной томографии, лабораторные системы микробиологии, рентгенографии, ультразвукового исследования и др. Указанные системы предназначены для автоматизации ввода первичных данных и хранения результатов проведенных лабораторных исследований.
3. ЭС, предназначенные для проведения диагностики, осуществления мониторинга и прогнозирования, - программное обеспечение, изучающее некоторую информацию на базе специализированных механизмов представления знаний (о ПрО) и логического вывода.
4. Обучающие системы — совокупность теоретического и практического материала, направленного на помощь специалистам в изучении материала.
5. Системы, решающие информационные задачи, предназначены для создания и ведения электронных каталогов, подготовки реферативной информации, создания и ведения баз данных профессионального назначения.
6. Интегрированные системы в соответствии со спецификой конкретного учреждения консолидируют функциональные возможности МИС нескольких классов и решают несколько задач разного класса.
Одним из сложнейших уровней автоматизации медицинских учреждений является автоматизация лечебно-профилактических учреждений (далее - ЛПУ) и здравоохранения в общем. Внедрение современных информационных технологий в их деятельность - приорететное и сложнейшее направление в политике нашего государства.
Применение семантической сети при описании предметной области
Методы решения различных задач интеллектуального анализа исходной информации используют математический аппарат теории нечетких множеств, различные классические подходы теории множеств, методы теории семантических сетей и математической статистики, а также на аппарат универсальной алгебры и т.п. Для формализованной задачи алгоритмическое решение связано с нахождением экстремиального значения оценочной функции.
Эффективный анализ данных при условии нечеткости и неполноты исходной информации имеет нечеткий характер. В настоящее время для их формализации успешно используется аппарат теории нечеткой логики и нечетких множеств. Над вероятностными подходами теория нечетких множеств обладает явным преимуществом, которое заключается в том, что ЭС, спроектированные на ее основе, имеют повышенную уровень обоснованности принимаемых решений, поскольку рассматриваются все схемы развития событий, которые могут произойти, что неприсуще вероятностным методам, определенным на дискретном (конечном) множестве сценариев.
Нечеткие исходные данные в рассматриваемом примере формализуются в виде лингвистических и нечетких значений переменных, на основе нечетких алгоритмов [142, 256] представляется нечеткость действий при принятии управленческих решений. Аналитические системы, способные формализовывать исходную нечеткую информацию и преобразовывать ее в рамках нечетких алгоритмов, имеют название нечеткие аналитические системы (НАС).
В разработанной интеллектуальной аналитической системе мониторинга пациентов на основе нечеткой кластеризации для медицинских учреждений с помощью кластеризации решена задача определения варианта течения болезни с использованием анализа статистической информации, в которой ничего неизвестно о внутренних взаимозависимостях в данных. Задачи нахождения зависимостей в исходном множестве, оказывающих влияние на группировку данных, можно формулировать более детально благодаря кластеризации и проводить эффективный мониторинг информации.
Известно большое количество методов кластеризации [34, 36, 37, 58, 134, 148, 176, 256], которые делятся на неиерархические и иерархические, среди них наибольшую . популярность получили методы разбиения (такие, как: Fuzzy С - Means , методы к -средних, кластеризация по Гюстафсону — Кесселю и ДР-).
В этих алгоритмах имеются недостатки: применение в решении понятия кластерного центра (хотя могут отсутствовать); извлечение кластеров только формой, определенной алгоритмом (часть кластеров может быть пропущена); получение кластеров с учетом отношений между центрами кластеров и элементами данных. Нечеткая кластеризация. Преодолеть эти недостатки возможно с помощью применения аппарата нечетких отношений, а связь атрибутов исследуемых данных будем рассматривать как нечеткие объектные связи.
Четкая (непересекающаяся) кластеризация определяет объект , из ПрО Р только к определенному кластеру, тогда как нечеткая кластеризация вычисляет каждому объекту х, из ПрО Рстепень его принадлежности иікк каждому из кластеров, определяющуюся функцией принадлежности fik-показывает степень принадлежности х1 к кластеру у. Для осуществления нечеткой кластеризации необходимо выполнить перечисленные действия. Схема нечеткой кластеризации 1. Задать первоначальное нечеткое разбиение п объектов на кластеров путем указания матрицы принадлежности U размерностью пхк. Чаще всего значение элементов uik матрицы находится в пределах [0,1]. 2. Используя элементы принадлежности матрицы U, вычислить критерий нечеткой ошибки: N К E2(X,U)=YLuik\\xi-ck\\ , (2.15) 120 где ск - центральная часть нечеткого кластера к, =& /. (2.16) /=1 3. Для уменьшения величины критерия нечеткой ошибки можно перегруппировывать объекты исходного множества пока не будет получен результат, удовлетворяющий заданной погрешности. 4. Выполнять действия с пункта 2 до достижения значительных изменений матрицы U.
Гибридные подходы наилучшим образом зарекомендовали себя в решении практических задач, в которых донастроика кластеров выполняется методом к - means , а одним из более подходящих методов осуществляется первоначальное разбиение. Метод к - means прост в реализации и достаточно быстро работает, но при этом способен создавать похожие на гиперсферы кластеры.
В алгоритмах бывает следующим априорное применение природы кластеров: 1) неявное использование характеристик кластеров: а) выбор метрики для анализа (гиперсферические кластеры обычно получаются при метрике Евклида); б) выбор из всех имеющихся характеристик в ПрО соответствующих характеристик объектов; 2) явное использование характеристик кластеров: а) подсчитывание схожести (применяется понятие бесконечности (оо) для отображения расстояния между объектами ПрО из фактически различных кластеров); б) формирование представления результатов (необходимо учитывать явные ограничения). Мера подобия в нечеткой кластеризации. Для осуществления нечеткой кластеризации определим следующие понятия. Нормальная мера подобия по расстоянию Цу (х) порождает близкие к у нечеткие множества точек:
Применение нечетких когнитивных карт
Рисунок отражает графическое представление работы метода нечеткой кластеризации для определения эффективности препаратов. В качестве «показателя» приняты количество выздоровлений в группе из 59 человек и количество дней курса лечения.
Объединенный подход к построению МБЗ, состоящий из трех описанных выше составляющих, обеспечивает возможность использования прошлого опыта лечения пациентов при аккумулировании знаний и участия врачей-экспертов достаточно высокого уровня в формировании правил и учитывается при анализе данных, характерных непосредственно для текущих условий и текущей ситуации, в которых проходит лечение пациента.
В совокупности этот подход дает возможность обеспечивать наибольшую обоснованность предоставляемых системой рекомендаций и выводов даже в условиях неполноты и нечеткости исходной информации.
Утверждение VI (Формирование курса лечения пациента). Формирование текущего курса лечения пациента должно учитывать состояние пациента и результаты уже проведенных курсов. Курсы лечения пациентов включают в себя набор действий и указаний врача, которые проводятся в соответствии с намеченным курсом или по показаниям в соответствии с развитием ситуации, и направлены: - на проведение предварительных медицинских анализов перед назначением курса лечения; - проведение медицинских анализов во время курса лечения; - проведение ежедневного осмотра; - обследование различных систем организма пациента: дыхательной, сенсорной, двигательной, сердечно-сосудистой, системы крови, иммунной и других систем при необходимости расширенных медицинских обследований; - анализ факторов района проживания, социального статуса и места работы пациента, а также уровня медицинского обслуживания. Согласно вышесказанному, множество М - действий, выполняемых врачом, можно условно разделить на три группы: Мх — действия, выполняемые в рамках заранее намеченного курса лечения; Мг — медицинские мероприятия, выполняемые при коррекции курса лечения; М3 - дополнительные медицинские обследования или дополнительные внеплановые процедуры и применение альтернативных медицинских препаратов.
В результате отображения множества MZPk медицинских выводов, полученных в ходе выполнения обследования пациента, появляется необходимость в коррекции намеченного курса лечения, т.е. множество рекомендаций MR меняется согласно сложившейся ситуации.
Примеры некоторых рекомендаций из множества MR приведены в табл. 2.7. Правила получения рекомендаций формируются и вносятся в систему до начала ее эксплуатации на основе опроса врачей-экспертов и хранятся в базе знаний. В процессе работы эти правила при необходимости могут изменяться и дополняться. При этом каждому выводу MZF обязательно соответствует набор рекомендаций MRk(.
При выполнении медицинских мероприятий М2 и Мъ формально означают добавление новых операций в модель развития ситуации по лечению пациента. Поэтому можно ввести множество Q условий выполнения действий врача из О и считать, что формирование Рк выполняется на основе множества О : 0 = {0k,Qj, (2.63) где OkeO,QweQ. Примеры условий выполнения действий врачом из множества Q приведены в табл. 2.8.
Необходимо также отметить, что описанный механизм оценки ситуаций и построение рекомендаций по ним используются при анализе развития эпидемиологической ситуации в районе и области. Строится модель развития ситуации MES [формула (2.52)] - выводы, при построении которых применяется метод нечеткой кластеризации для эффективного мониторинга статистических данных. Формируются множество рекомендаций MESR и множество условий выполнения мероприятий OES [формула (2.63)]. Таблица 2.8 - Примеры условий выполнения действий врачом № п/п Условия выполнения действий врачом (Q) 1 По намеченному курсу лечения 2 При наблюдении отрицательной динамики лечения 3 При возникновении крайне тяжелых ситуаций 4 Проведение конкретных мероприятий курса лечения 5 Проведение мероприятий вне курса лечения
Общая схема системы. На основе представленных формальных объектов и моделей развития ситуаций сформирована методика оценки СЗП при применении определенной схемы лечения [146], обобщенная схема которой, включающая в себя 5 основных блоков, приведена на рисунке 2.13.
Словесное описание общего алгоритма работы системы возможно представить в следующем виде: 1. Определяется целевое множество Мк={мі] действий, производимых врачом для диагностики и лечения пациента, MkczM. 2. Формируется целевое множество GW=\JG, требуемых медицинских характеристик, определяющих как состояние среды пребывания пациента, так и текущее его состояние до и после диспансеризации, G, = {С/ДС/, с G. 3. Выбирается множество моделей Sw = {SJ},SJ=(GJ,UJ), С помощью которых можно получать и накапливать данные по пациенту, такие, что Gw с \JG.. 4. Отбирается множество пар О = {{,,,)}, где Qr - это набор действий согласно назначенному курсу лечения, и существует модель S e.Sw такая, что
