Содержание к диссертации
Введение
Глава 1. Проблемы передачи экспертных знаний 8
Особенности мышления экспертов 10
Интеллектуальные обучающие системы 13
Выводы 26
Глава 2. Выявление экспертных знаний 28
Задача экспертной классификации 30
Задача порядковой экспертной классификации 32
Рациональная процедура опроса эксперта для решения задачи порядковой классификации 33
Алгоритм КЛАНШ 38
Поиск и устранение ошибок в ответах эксперта 45
Оценка эффективности 47
Построение базы знаний 58
Выводы 60
Глава 3. Обучение классификации 62
Построение полных баз знаний для обучения задачам распознавания 63
Сложность классификации 65
Метод обучения 69
Алгоритм обучения 71
Объяснение решений 76
Выводы 78
Глава 4. Реализация обучающей системы 81
Система КЛАНШ 82
Построение базы знаний 83
Анализ базы знаний 88
Модель дифференциальной диагностики ТЭЛА с ОИМ 91
Архитектура системы ОСТЭЛА 92
Обучение декларативным знаниям 93
Обучение процедуральным знаниям 96
Эксперименты по обучению 99
Выводы... 99
Заключение 101
Литература 103
Приложение 109
- Интеллектуальные обучающие системы
- Рациональная процедура опроса эксперта для решения задачи порядковой классификации
- Построение полных баз знаний для обучения задачам распознавания
- Модель дифференциальной диагностики ТЭЛА с ОИМ
Введение к работе
Во многих важных областях человеческой деятельности, путь развития от новичка до опытного специалиста занимает значительное время. Поэтому актуальной является задача поиска путей более быстрого и более эффективного обучения. Доступность персональных компьютеров делает возможным их повсеместное использование в учебных заведениях и для самостоятельной подготовки, но отсутствие эффективных обучающих программ не позволяет решить эту задачу в полной мере. Одной из причин такого положения вещей являются значительные теоретические трудности в построении обучающих систем, основанных на знаниях опытных специалистов (экспертов). Поэтому разработка новых методов построения таких систем является актуальной теоретической и практической задачей.
Целью представляемой работы является развитие методов и технологий построения компьютерных систем обучения навыкам решения задач, экспертным знаниям для предметных областей в которых в настоящее время отсутствуют объективные модели принятия решений и решения принимаются экспертом на основе своего профессионального опыта и интуиции.
Научная новизна работы состоит в следующем:
• Предложен новый метод (КЛАНШ) построения полных и непротиворечивых баз экспертных знаний для задач классификации, позволяющий значительно расширить круг решаемых задач в рамках подхода экспертной классификации.
• Предложен метод сравнения алгоритмов решения задачи экспертной классификации. Получены новые данные о качестве работы алгоритма пространственной дихотомии, алгоритмов КЛАСС и ДИФКЛАСС.
• Исследована возможность аппроксимации устойчивых решений эксперта для задач классификации с помощью малого числа дискрими-нантно-аддитивных решающих правил.
• Предложен метод построения обучающих компьютерных систем для задач экспертной классификации в слабоструктуризованных предметных областях, основанный на принципе неявного обучения (когда обучаемому не предъявляются явно сформулированные решающие правила).
• Получено экспериментальное подтверждение возможности неявного обучения искусству классификации на примере сложной задачи медицинской диагностики.
В первой главе рассматриваются проблемы передачи экспертных знаний путем создания интеллектуальных обучающих систем с точки зрения информационного подхода - доминирующего направления в современной когнитивной психологии.
Указывается принципиальное различие в подходах к построению ИОС для хорошо структуризированных областей знаний, к которым относится, например, решение типовых задач математики, физики, программирования, и слабоструктуризированных областей, таких как медицинская диагностика. Рассмотрены особенности мышления экспертов, порождающие основную проблему построения ИОС для слабоструктуризированных областей - проблему извлечения экспертных знаний, когда эксперты не могут сформулировать правила, которыми они пользуются при принятии решений.
Рассматриваются наиболее известные обучающие системы, основанные на экспертных знаниях. При анализе делается акцент на области знаний, виды знаний, которыми можно овладеть с помощью рассматриваемых систем и типы формируемых навыков. На основе проведенного анализа формулируется нерешенные проблемы и формулируется цель диссертационного исследования.
Во второй главе предлагается новый метод для построения полных и непротиворечивых баз знаний в рамках подхода экспертной классификации. В рамках данного подхода исследуется ряд алгоритмов предъявления состояний объекта исследования по стратегии, минимизирующей количество обращений к эксперту (КЛАСС, ДИФКЛАСС). Данные алгоритмы предполагают, что оценки по каждому критерию можно линейно упорядочить по характерности по отношению к каждому из классов решений, что является достаточно сильным предположением и не всегда осуществимо.
В настоящей работе предлагается новый метод построения полных баз знаний для задач классификации, не предъявляющий столь строгого требования к решаемым задачам, причем вычислительная трудоемкость предлагаемого алгоритма не превышает аналогичного показателя алгоритма ДИФКЛАСС.
Приводятся результаты численного моделирования, позволяющие оценить эффективность предложенного метода и сравнить его с алгоритмами пространственной дихотомии, КЛАСС и ДИФКЛАСС.
В третьей главе предлагается новый метод построения компьютерных систем обучения процедуральным знаниям (навыкам) для задач классификации. Делается акцент на то, что высокие результаты, демонстрируемые экспертами, обусловлены в большой степени уникальными перцептивными способностями, когда опираясь на многолетний опыт решения похожих задач эксперт способен интуитивно распознать знакомую ситуацию и прийти к верному решению.
Предлагается метод обучения искусству классификации, который основан на следующих принципах:
1. Обучение классификации происходит путем решения большого количества задач без предъявления решающих правил;
2. Сложность предлагаемых задач изменяется в соответствии с успехами обучаемого;
3. Система анализирует ответы обучаемого и старается подбирать такие задачи, правильное решение которых позволяет сделать более быстрым процесс обучения.
4. При неправильных ответах обучаемому немедленно предоставляются такие объяснения и комментарии, которые помогают обучаемому, но в то же время не являются изложением решающих правил;
5. Обучение считается завершенным, если обучаемый становится способен безошибочно решать задачи максимальной сложности.
Данный метод предназначен для обучения подсознательным навыкам, которые формируются на основе решения задач, где изначально отсутствуют декларативные описания процедур.
В четвертой главе описывается система извлечения экспертных знаний, реализующая предложенный метод построения полных и непротиворечивых баз экспертных знаний; система ОСТЭЛА для обучения искусству дифференциальной диагностики тромбоэмболии легочной артерии и острого инфаркта миокарда, построенная на основе предложенных методов. Приводятся результаты экспериментов по обучению молодых врачей ГКБ им. СП. Боткина и ординаторов Российской Государственной Медицинской академии постдипломного образования.
Интеллектуальные обучающие системы
Своим возникновением, как направлению искусственного интеллекта, интеллектуальные обучающие системы обязаны развитию экспертных систем, аккумулирующих практический опыт квалифицированных специалистов (Хейес-Рот и др., 1987). Успех экспертной системы MYCIN (Shortliffe, 1976), диагностирующей некоторые виды бактериальных инфекций, привел к мысли о том, что базу экспертных знаний можно использовать не только для получения консультаций. Так, на основе MYCIN, была создана обучающая система GUIDON (Clancey, 1982), что стало первой попыткой использовать базу знаний экспертной системы в целях обучения. По замыслу разработчиков, GUIDON должен был помочь студентам-медикам овладеть не только большим объемом специальных знаний, но и эвристическими приемами его использования при решении практических задач.
Важной характеристикой GUIDON стало то, что её знания о стратегии обучения были отделены от знаний о предметной области, а знания о предметной области представлялись на универсальном языке. Это сделало возможным использовать GUIDON для обучения в любой области, для которой имеется база экспертных знаний, построенная на базе EMYCIN - обобщения системы MYCIN. Обучение с помощью GUIDON заключалось в обсуждении со студентом клинических случаев, решенных системой MYCIN, при котором GUIDON могла определять правильность аргументации выдвижения студентом той или иной гипотезы, знания необходимых симптомов пациента для её подтверждения, анализировать неполные решения обучаемого. При этом весь диалог сопровождался необходимыми комментариями и пояснениями. Иными словами, система GUIDON помогала студенту формировать свое понимание предметной области посредством изучения поведения экспертной системы.
За прошедшие полтора десятилетия во всем мире были построены сотни обучающих систем для различных областей знаний, сформировалась схема «типичной» интеллектуальной обучающей системы, как состоящая из следующих взаимодействующих компонент (Patel, Patel, 1996; McArthur et al, 1997): 1. база экспертных знаний; 2. модель эксперта; 3. модель обучаемого; 4. модель обучения; 5. модель взаимодействия с обучаемым (интерфейс пользователя); Приведенная схема является несколько условной, поскольку во многих реальных системах некоторые из перечисленных компонент либо отсутствуют, либо настолько тесно интегрированы между собой, что могут рассматриваться только в едином контексте. Рассмотрим основные черты наиболее известных обучающих систем. GUIDON2
Исследование поведения MYCIN при решении задач показало, что оно радикально отличается от поведения врача-эксперта. При консультации система осуществляла исчерпывающий поиск, по очереди проверяя все возможные решения, реализуя так называемую обратную цепочку вывода. MYCIN находила правильное решение, но порядок вопросов к пользователю в большей степени отражал случайный порядок продукционных правил в базе знаний, чем последовательность заключений. Принципы MYCIN были основательно переработаны и её преемником стала система NEOMYCIN, в которую были введены явно заданные стратегии, правила и эвристики, помогающие системе выбирать путь рассуждений. Новая система стала способна выдвигать и проверять гипотезы, реализуя прямую цепочку рассуждений, присущую экспертам. Также была значительно расширена база знаний, в которую были включены знания о классификациях заболеваний и причинно-следственных зависимостях между ними.
На основе NEOMYCIN была разработана вторая версия обучающей системы - GUIDON2, способной не только обучать отдельным правилам постановки диагноза, но и общим стратегиям клинического мышления, а также целое семейство обучающих программ: GUIDON-WATCH, GUIDON-MANAGE, ODYSSEUS и другие. Целью новых систем стало предоставление студенту среды активного обучения явно сформулированной психологической модели поведения эксперта при постановке диагноза. Важно отметить, что для этого недостаточно просто иметь модель поведения эксперта. Она обязательно должна быть хорошо структурирована, свободна от противоречий и неполноты.
Для работы с системой студенту-медику необходимо обладать предварительными знаниями о рассматриваемых заболеваниях и иметь общее представление о процессе постановки диагноза. Эти предварительные знания формируют так называемую неполную схему диагностических связей (Glaser, Bassok, 1989), которая служит отправной точкой в попытках построить непротиворечивую модель постановки диагноза для некоторых описаний гипотетических пациентов. Имея перед собой информацию о состоянии пациента, обучаемый выдвигает гипотезы о заболевании и запрашивает у системы дополнительную информацию для проверки и уточнения имеющихся гипотез, а также выдвижения новых. Действия обучаемого должны быть достаточно аргументированы с точки зрения природы рассматриваемых заболеваний, причинно-следственных связей и имеющихся данных. Система отображает решение студента в виде последовательно разворачивающегося графа, соответствующего процессу постановки диагноза, который отражает связи между рассматриваемыми гипотезами, известными данными о пациенте, и т.д.
Процесс обучения при данном подходе основан на выявлении противоречий и неполноты знаний студента при решении задач. То есть система пытается обнаружить ситуацию когда обучаемый затрудняется выдвинуть, проверить или уточнить гипотезу, объяснить клинический симптом, аргументировать запрос о дополнительной информации. В такой ситуации студент может задавать системе дополнительные вопросы, ответ на которые помогает ему продолжить или изменить ход решения задачи.
Рациональная процедура опроса эксперта для решения задачи порядковой классификации
Любые две альтернативы, принадлежащие одному классу либо находятся в отношении доминирования, либо несравнимы. Определение 2.5. Подмножество альтернатив В 1(С„) класса Сп называется верхней границей этого класса, если V а, є Сп З а, є B l(Cn) : лу л, и Уві, а, є (Q, «А 9й а,: ак щ. Определение 2.6. Подмножество альтернатив В\Сп) класса С„ называется нижней границей этого класса, если V а, є Сп 3 а, є B\Cn) : а,- -ау- и Vat, а, є Я СС), а а;: ak yat. Задача порядковой классификации может быть решена путем предъявления эксперту всех \А альтернатив для получения искомого разбиения на классы. Однако использование условий 7 и 8 позволяет значительно сократить число предъявляемых альтернатив и тем самым ускорить процедуру построения классификации. Сокращение числа предъявляемых альтернатив становится возможным благодаря использованию информации о уже классифицированных альтернативах для классификации оставшихся. Рассмотрим следующий вспомогательный алгоритм (DOMINATE): Имеется множество альтернатив А на котором задано отношение предпочтения R, а также N классов решений, упорядоченных по качеству. С каждой альтернативой a є А связан список номеров классов решений 1(a), к которым эта альтернатива может быть отнесена. Перед началом классификации Va є A: Z(a)={l,2,..., N}. Классификация считается построенной, когда Va є A : \L(a)\ = 1. Допустим, что эксперт отнес предъявленную ему альтернативу ах к классу С„. Перебирая все не полностью классифицированные альтернативы (шаг 1-2) рассматриваем только альтернативы, сравнимые с альтернативой ах. Если не полностью классифицированная альтернатива а более предпочтительна, чем альтернатива ах (шаг 3), то очевидно, что она не может быть отнесена к классу решений меньшего качества, чем С„ (шаг 4).
Также если не полностью классифицированная альтернатива а менее предпочтительна, чем альтернатива ах (шаг 5), то она не может быть отнесена к классу решений большего качества, чем С„ (шаг 6). В обоих случаях список номеров допустимых классов L{a) сокращается, и таким образом альтернатива а может оказаться классифицированной без ее предъявления эксперту. При этом вычислительная трудоемкость алгоритма DOMINATE не превышает 0(\ A[N). Определение 2.8. Альтернатива а, е А непосредственно доминирует альтернативу cijSA, если atyajt щфа} и 3 аА є Л: а( аЛ Уар а{Фак, а Фак. Определение 2.9. Альтернатива Я, є А непосредственно доминируется альтернативой q є А, если at ар а(Фа} и 3 ак є А: а,-- ак - а,, а{Фаь а}Фак. Множество альтернатив, непосредственно доминирующих альтернативу а„ обозначается как К 1 (а,), а множество непосредственно доминируемых - как К1 (а,). Определение 2.7. Орграфом непосредственного доминирования альтернатив G(A, Е) называется ориентированный ациклический граф, в котором множество вершин есть множество альтернатив А, а в множество дуг Е с: Ах А состоит из элементов (а,, а,), в которых альтернатива а, є А непосредственно доминирует альтернативу о, є А. Определение 2.10. Последовательность альтернатив w = aba2, ...,fl/ , в котором аі+1 є К\а ), 1 / (/- 1), называется цепью. Число / альтернатив цепи w называется длиной цепи. Отдельная альтернатива является цепью длины 1. Алгоритм КЛАНШ (КЛАссификация при Непорядковых6 Шкалах) основан на идее дихотомии цепей альтернатив, начиная с цепи максимальной длины, впервые использованной в алгоритме ДИФКЛАСС (Ларичев, Болотов, 1996). Рассмотрим основные шаги алгоритма классификации КЛАНШ: 1.
Поскольку классы {С„} упорядочены по качеству, границы между классами строятся последовательно, отделяя класс большего качества С„ от класса меньшего качества Сп+1. 2. Орграф доминирования альтернатив G(A,E) может иметь несколько компонент связности, поэтому последовательно исследуются все допустимые, но еще не классифицированные альтернативы из множества Un. Очередная выбранная альтернатива as называется исходной. 3. В текущей компоненте связности орграфа G(A,E) строится цепь wmax альтернатив максимальной длины, проходящая через исходную альтернативу as. 4. Определяется средний элемент ах цепи wmax, причем если альтернатива ах оказалась недопустимой, то она исключается из wmax и снова осуществляется выбор среднего элемента до тех пор, пока wmax не станет пустой. 5. Эксперту предъявляется допустимая альтернатива ах цепи wmax и проводится распространение его решения на максимально возможное число
Построение полных баз знаний для обучения задачам распознавания
Задачу распознавания состояния некоторого объекта можно рассматривать как задачу порядковой классификации с двумя классами решений: Сх и С2. Если эксперт относит состояние объекта исследования а, к классу Сь то это, например, может означать, что больному а, может быть поставлен диагноз Сх и назначен курс экстренной терапии. Если же эксперт выбирает класс С2, то в данном случае это может означать, что для постановки диагноза Сх имеющихся данных недостаточно и соответствующий курс экстренной терапии противопоказан.
Полная и непротиворечивая классификация строится на основе непосредственных решений эксперта на множестве автоматически генерируемых гипотетических состояний объекта исследования (альтернатив). Поэтому не исключено, что алгоритмом построения классификации будут сгенерированны такие альтернативы, которые не имели аналогов в практике эксперта - автора базы знаний. Выбор класса решений для таких альтернатив может оказаться для эксперта трудным и неоднозначным, а сделанный выбор может измениться при повторном предъявлении этих альтернатив. Такие наиболее сложные, проблемные состояния, которые в принципе теоретически возможны, но выходят за рамки сформировавшегося экспертного знания, разумеется, не могут быть использованы в целях обучения.
Таким образом, при построении полных баз знаний для обучения задачам распознавания необходимо выделить границы классов решений, которые бы описывали сформировавшееся, устойчивое экспертное знание.
Эксперты обычно редко признаются в том, что некоторые рассматриваемые ситуации представляют для них значительные трудности при принятии решений. Поэтому поиск границы классов решений, описывающей сформировавшееся экспертное знание, после построения полной классификации заключается в повторном предъявлении элементов нижней границы класса Сх и элементов верхней границы класса С2.
Пусть нижняя граница класса С, представлена в виде списка несравнимых альтернатив ВХ{СХ). Если для некоторого элемента а, списка В\СХ) класс решения изменяется, то применяется следующая процедура: 1. Альтернатива а, исключается из списка: ВХ{СХ) := ВХ(СХ)\ а,; 2. В список ВХ{СХ) добавляются альтернативы множества альтернатив, непосредственно доминирующих а„ которые являются несравнимыми с альтернативами списка ВХ(СХ):
Для верхней границы класса С2 проводится аналогичная процедура. В результате границы классов решений смещаются таким образом, чтобы описывать только устойчивые решения эксперта. Исключенные таким образом состояния переводится в дополнительный класс Сх и более не рассматриваются (Рис. 3.1). Таким образом, полученные границы классов решений теперь описывают устойчивое, сформировавшееся экспертное знание. Т.е. фактически множество положительных и отрицательных примеров классификации, которое может использоваться для обучения.
Исследования поведения экспертов при решений задач классификации показывают, что их устойчивые решения могут с высокой точностью аппроксимироваться небольшим набором решающих правил, имеющих структуру двухуровнего дерева, корень которого соответствует конъюнкции значений некоторых наиболее важных критериев, а концевые вершины - сочетаниям характерных для рассматриваемого класса оценок по менее важным критериям (Larichev, 1994). Поэтому основной гипотезой, положенной в основу метода обучения является предположение о наличии у эксперта небольшого набора подсознательных правил распознавания, который может быть выявлен и использован для обучения.
Одним из важнейших принципов обучения является принцип постепенного усложнения учебного материала «от простого - к сложному» (Anderson et al, 1995). Для соблюдения этого принципа в предлагаемом методе построения обучающих систем необходимо определить понятие сложности альтернатив для классификации.
Очевидно, что чем больше факторов должен принять во внимание эксперт или обучаемый, при отнесении состояния объекта исследования к некоторому классу решений, тем сложнее является это состояние.
Граница класса решений состоит из несравнимых альтернатив и достаточна для полного представления всех элементов этого класса. Поэтому анализ граничных элементов в построенной базе экспертных знаний позволяет выделить критерии, различные оценки по которым не оказывают влияния на решения эксперта, а также выявить возможную избыточность использовавшихся шкал оценок критериев.
На данном, заключительном этапе структуризации полной базы экспертных знаний, называемом заключительной семантической группировкой, на базе анализа граничных элементов производится разделение шкал критериев только на те оценки, которые различным образом оказывают влияние на решения эксперта. Т.е. оценки, qi и q} оказавшихся в одной семантической группе, имеют одинаковую ценность при выборе эксперта относительно принадлежности состояний к рассматриваемому классу решений и могут считаться в этом смысле эквивалентными: qt = #..
Рассмотрим признак Рентгенограмма грудной клетки в задаче дифференциальной диагностики тромбоэмболии легочной артерии (ТЭЛА) и острого инфаркта миокарда (ОИМ). На этапе предварительной семантической группировки (см. Гл. 2) были выделены следующие возможные значения (0) - Наличие признаков ТЭЛА, (1) - Венозный застой в легких, и (2) - Отсутствие патологических изменений. После построения полной классификации был проведен анализ граничных элементов. Выяснилось, что если диагноз ОИМ не подтверждается инструментально, то на решения эксперта о принадлежности к классу ТЭЛА не влияют различия между оценками (2) и (1), то есть при этом может быть корректно проведена заключительная семантическая группировка, объединяющая эти оценки в оценку Признаков ТЭЛА нет: (2) = (1). Если же ОИМ подтверждается инструментально, то предварительная семантическая группировка одновременно является и окончательной, так как все три оценки являются необходимыми для корректной классификации: (2) Ф (1).
Модель дифференциальной диагностики ТЭЛА с ОИМ
Обучающая система ОСТЭЛА является программным продуктом, работающим под управлением Microsoft Windows NT/95. В архитектуре системы различаются два уровня (Рис. 4.4.): уровень I, зависящий от предметной области, и предметно-независимый уровень II, компоненты которого могут непосредственно использоваться в других обучающих системах, построенных по данной технологии. Основные функции уровня I включают: 1. Обучение декларативным знаниям о данной предметной области. 2. Обучение процедуральным знаниям (практическим навыкам диагностики). 3. Ведение протокола обучения процедуральным знаниям. В программном коде уровня I (Asymetrix Toolbook) реализовано представление учебного материала, взаимодействие с пользователем и наиболее общие алгоритмы. Для выполнения более сложных операций происходит обращение к компонентам уровня II (Microsoft Visual C++), реализованных в виде DLL. Обучение декларативным знаниям К обучению навыкам дифференциальной диагностики ТЭЛА-ОИМ можно приступать только после предварительного курса изучения постановки рассматриваемой задачи, предлагаемых шагов ее решения, используемых диагностических признаков, их характерных значений для рассматриваемых заболеваний.
Система обучения таким знаниям представляет собой электронный вариант краткого учебного пособия, после прочтения которого обучаемому предлагается решить ряд задач для проверки усвоенного материала (Рис. 4.5). Для данной системы особенно важным является умение выделять характерные и нехарактерные значения диагностических клинических и инструментальных признаков. Например для выполнения задания на Рис. 4.6 обучаемый должен разложить возможные значения диагностического признака «Рентгенограмма грудной клетки» по папкам, соответствующим характерным значениям для ТЭЛЛ, характерным значениям для ОИМ, и нехарактерным для этих заболеваний. Затем предлагаются задания, более приближенные к реальным задачам.
Например для выполнения задания на Рис. 4.7 обучаемый должен выделить другим цветом в описании гипотетического пациента с предварительным диагнозом ТЭЛА те характерные значения признаков, совокупность которых говорит в пользу поставленного диагноза. Таким образом, подходя к этапу обучению навыкам диагностики, пользователь системы обладает следующими необходимыми знаниями: 1. Является ли каждое значение признака в описании гипотетического пациента характерным или нехарактерным для ТЭЛА. 2. Если все (или почти все) признаки говорят о ТЭЛА, то это ТЭЛА, или соответственно не ТЭЛА, если все признаки имеют нехарактерные значения. 3. Для постановки диагноза ТЭЛА не обязательно наличие всех характерных симптомов. Обучение навыкам диагностики ТЭЛА разделено на две отдельные подзадачи: когда ОИМ не подтверждается инструментально, и когда подтверждается. Перед началом обучения пользователь проходит предварительный экзамен, т.е. решает 20 задач максимальной сложности. Таким образом фиксируется уровень его начальной подготовки. В соответствии с алгоритмом обучения изложенном в Гл. 3 обучение начинается с наиболее простых задач. При правильных ответах обучаемого сложность задач постепенно увеличивается до максимальной. Каждая задача представляет собой развернутое описание гипотетического пациента, которому соответствует некоторая альтернатива в пространстве состояний задачи классификации. Вместе с текстовыми фрагментами расшифровки ЭКГ изображаются и их графические представления (Рис. 4.8). Используемая форма представления материала является максимально приближенной к практике. В описании учебных задач отражаются жалобы больного, данные анамнеза и внешнего осмотра. Обучаемому врачу-кардиологу предъявляется картина ЭКГ, в то время как данные о других инструментальных признаках - эхокардиограмме, рентгенограмме грудной клетки и результатах анализа ферментов крови поступают в виде заключений от врачей-специалистов.
