Анализ и синтез медицинских систем поддержки принятия решений на основе технологий статистического :: Глобальн

В третьей главе медицинские СППР представлены как значимый фактор в повышении эффективности медицины. Обоснована необходимость создания медицинских СППР.

Очень часто при принятии медицинских решений характерны ограниченность временных ресурсов, отсутствие возможности привлечения большого числа компетентных экспертов, неполнота информации о состоянии больного, высокая динамика течения заболеваний, изменчивость заболеваний и появление новых. Поэтому с развитием и совершенствованием информационных технологий актуальной является проблема обеспечения компьютерной поддержки принятия решений в медицине. Одним из основных подходов к решению данной проблемы считаем создание Decision Support System (DSS) – систем поддержки принятия решений (СППР).

Поддержка принятия решений в различных сферах профессиональной деятельности становится одной из перспективных и быстро развивающихся областей приложения современных интеллектуальных и информационных технологий. В настоящее время в России ведутся теоретические и прикладные исследования по проблемам создания СППР. Некоторые работы выполняются в рамках программ фундаментальных исследований президиума РАН – «Фундаментальные проблемы информатики и информационных технологий» и Отделения нанотехнологий и информационных технологий РАН – «Фундаментальные основы информационных технологий и систем», а также проектов Российского фонда фундаментальных исследований. Построение СППР связано с понятием нечеткости информации или структурированности проблемы (задачи). Медицинские задачи, как правило, относятся к слабоструктурированным или неструктурированным проблемам.

При создании медицинских СППР могут быть использованы как самостоятельно, так и в комбинации друг с другом современные направления обработки и анализа данных: прикладная статистика, Data Warehouse – хранилище данных, Olap-многомерный анализ данных, Knowledge Discovery in Databases – обнаружение знаний в базах данных, Data Mining – добыча данных. Например, в состав Knowledge Discovery in Databases в качестве подсистемы обработки и хранения данных входит Data Warehouse и Data Mining – как подсистема интеллектуального анализа данных. В состав Data Mining могут быть включены в различной комбинации современные методы анализа данных – предметно-ориентированные аналитические системы, статистические пакеты, нейронные сети, системы рассуждений на основе аналогичных случаев, деревья решений, эволюционное программирование, генетические алгоритмы, алгоритмы ограниченного перебора, методы нечеткой логики, когнитивные карты, экспертные методы.

Следует заметить, что в указанных методах анализа данных, за исключением статистических, отсутствует возможность оценивания достоверности полученного решения.

Анализ данных – это процесс движения по спирали от простых методов к более сложным. И если простая модель позволяет решать практические задачи, то нет смысла искать и использовать более сложные методы. Здесь уместно вспомнить методологический принцип, который называют законом достаточного основания, или законом экономии, – «не изобретать сущностей сверх необходимого». Поэтому медицинские СППР в зависимости от сложности решаемой медицинской проблемы могут создаваться как на базе перечисленных выше современных направлений и методов анализа данных, так и на основе классических методов анализа данных, в частности, – экспертных методов, математического и вероятностно-статистического моделирования.

Рассмотрены медицинские экспертные системы. Существенным стимулом в развитии экспертных систем послужило современное направление медицины – телемедицина. Современные системы лабораторного и радиологического оборудования – томографы, УЗИ, магнитный резонанс, цифровая флюорография, компьютерная радиография снабжены процессорами, что позволяет объединять их в информационные системы. Информационные системы по телемедицине создаются в соответствии с государственными программами по телемедицине, которые охватывают создание общеевропейских баз данных. Экспертные системы могут быть завершающим этапом в медицинских системах поддержки принятия решений, предполагающих коллективное принятие решений.

Как было замечено ранее, в основу СППР могут быть положены математические модели процессов, протекающих в человеческом организме. Существует мнение, что основным аналитическим инструментом системного анализа, в том числе и в медицине, являются детерминированные математические модели. Проведен аналитический обзор некоторых современных работ по детерминированному математическому моделированию в медицинских исследованиях. Недостатком детерминированных моделей является жесткая и однозначная зависимость каждого параметра модели от других её параметров.

Невозможно говорить об абсолютно одинаковых, реальных объектах и абсолютно одинаковых воздействиях на них, а потому и об абсолютной детерминированности окружающего нас мира. По-видимому, все реальные объекты и явления имеют черты как детерминированного, так и случайного, которые могут проявляться в большей или меньшей степени. Однако математические модели могут быть либо детерминированными, либо стохастическими, т. е. они включают случайные факторы, подчиняющиеся с определенной точностью законам математической статистики.

Применение вероятностно-статистических моделей в медицинских исследованиях актуально и во многих случаях единственно возможно. Выполнен аналитический обзор работ, посвященных применению статистических методов в медицинских исследованиях. Это монографии, сборники научных трудов, учебные пособия, научные статьи, а также изобретения, в основе которых лежат статистические методы.

^ исследованы теоретические основы анализа и синтеза в построении СППР. В общем случае СППР может быть представлена в виде кортежа

,


где ^ – математическая проблема; S – определение системы; Z – определение целей системы; K – множество критериев эффективности системы; SH – множество шкал измерений критериев; D – способ исследования системы; M – методы моделирования системы; A – множество альтернатив; F – отображение множества альтернатив на множестве критериев; G – система предпочтений лица, принимающего решение (ЛПР); U – вид целевой функции; V – универсальное множество; W – решающее правило, отображающее систему предпочтений. Приведена общая функциональная схема СППР (рис. 1).

Естественно, было бы ошибочным механически переносить принципы системного подхода к разработке технических СППР на создание медицинских СППР, большинство подсистем которых являются биологическими объектами, принципиально отличающимися от технических систем по ряду признаков.




Рис. 1. Общая функциональная схема СППР


При построении медицинских СППР необходимо учитывать следующие специфические особенности:

– человеческий организм в высшей степени сложная функциональная система, о которой мы все же знаем мало. Из-за недостатка информации медицинские знания обладают весьма сложной структурой, что затрудняет их формализацию;

– болезни подвержены естественной изменчивости и, как правило, медицинские задачи являются слабоструктурированными или неструктурированными проблемами;

– не разработаны гибкие и легко используемые компьютерные методы машинного представления медицинских знаний, а также отсутствует формализация процедуры принятия решений;

– системы диагностического кодирования становятся в настоящее время более универсальными, но детальная номенклатура признаков и симптомов, форматы для регистрации данных, а также организация записей определяются индивидуально;

– отсутствует стандартизация в терминологии, формате, шкалах измерения медицинских данных;

– между больными, страдающими одним заболеванием, много общего, но каждый из них глубоко индивидуален;

– принятие решений в медицине непосредственно связано со здоровьем человека, поэтому решения, полученные в медицинской СППР, должны быть максимально достоверными.

По-видимому, в медицинских системах принятия решений должны преобладать вероятностно-статистические методы, позволяющие посредством доверительных интервалов, уровней значимости статистических гипотез, апостериорных вероятностей оценивать достоверность полученных решений.

Процесс принятия медицинских решений можно представить в виде цикла, состоящего из последовательных, следующих друг за другом процедур. Первые три процедуры реализуют сбор, обработку и анализ медицинской информации. Четвертая процедура – это поддержка принятия решения, включающая концептуальное или математическое моделирование, выработку альтернатив и выбор тех, которые в наибольшей степени удовлетворяют поставленным целям, что применительно к медицине означает выбор в конечном итоге оптимального пути лечения больного. Пятая и шестая процедуры включают выбор совокупности наиболее эффективных медицинских мероприятий и их реализацию. После чего цикл замыкается и начинается вновь сбор информации и т. д. Вторая и третья процедуры появились, по-видимому, с зарождением медицины как науки. Можно лишь говорить о совершенствовании этих процедур.

Современные информационные средства сбора и обработки информации позволяют хранить и за считанные секунды обрабатывать данные практически любого объема. Алгоритмизация с последующей компьютеризацией третьей процедуры – анализа уже накопленной медицинской информации и лежит в основе разработки и создания СППР.

На примере системы для идентификации степени тяжести состояния больных или вида заболевания построение медицинских СППР представлено как многошаговый процесс, изображенный на рис. 2 в виде IDEF0-диаграммы.

Первый этап – анализ проблемы – включает осмысливание медицинской проблемы, связанной с некоторым заболеванием, ее структуризацию, изучение взаимосвязи с другими болезнями, оценку полноты и достоверности информации по данной проблеме, создание базы данных информационных ресурсов.

Второй этап – выявление скрытых медицинских знаний посредством современных технологий анализа данных. На данном этапе предполагается поиск и выявление определенных закономерностей в хаосе случайных данных, выделение установившихся связей в них. Многие известные знания окружающего мира получены путем анализа накопленных человечеством данных. После статистического обнаружения зависимостей в данных определяется рациональное объяснение в форме знаний об окружающем мире. Данный этап наиболее важный для медицины, так как в процессе лечебной деятельности накапливаются огромные массивы данных, в которых содержится скрытая информация.




Рис. 2. Функциональная диаграмма создания СППР


Третий этап – формулирование целей и задач – предполагает определение глобальной цели – излечение больного от конкретного заболевания или совокупности заболеваний, выработку целей и задач предполагаемых медицинских мероприятий для достижения глобальной цели. Например, определение принципиальной возможности полного или частичного излечения больного, концептуальная разработка способа лечения данного заболевания, оценка других вариантов лечения больного и т. д.

Четвертый этап – определение критериев – формирует условия, в соответствии с которыми можно произвести разделение больных на группы однородности по тяжести состояния.

Пятый этап – формирование множества альтернатив – групп однородности больных по степени тяжести заболевания, диагнозу, видам заболевания и т. д.

Шестой этап – анализ альтернатив – определяет принадлежность больного к той или иной группе однородности. Данный этап является наиболее важным, так как он является завершающим в процедуре поддержки принятия врачебных решений и состоит в оптимизации вариантов решений (альтернатив) с выбором наилучшей из множества сгенерированных.

Ряд положений показывают целесообразность использования вероятностно-статистических методов в медицинских исследованиях:

– медицинские данные в большинстве случаев не являются точными, поэтому мы вправе считать их случайными величинами, подчиненными определенным законам распределения;

– на состояние больного воздействует большое количество факторов, имеющих случайный характер;

– прогноз состояния больного может быть только вероятностным или неопределенным.

До настоящего времени существенным недостатком вероятностно-статистических методов была чрезвычайно высокая трудоемкость и громоздкость вычислений при их практической реализации. С появлением мощных статистических пакетов, способных анализировать данные, строить сложные вероятностно-статистические модели для формализации слабоструктурированных медицинских проблем и выявления новых медицинских знаний значительно возросла их пригодность при решении прикладных медицинских задач, в том числе и при создании СППР. В то же время существующие СУБД позволяют хранить, структурировать и представлять в удобном для пользователя виде данные практически любой размерности.

Предлагаемая в работе методология заключается в применении методов системного анализа, современных технологий статистического моделирования, хранения и представления данных при построении СППР. Перспективное направление создания СППР – интеграция двух информационных систем – статистических ППП и СУБД. Интеграция обеспечит автоматизацию передачи данных по команде пользователя из СУБД (например, из ЭИБ) в ППП для проведения необходимых расчетов, и обратно из ППП в СУБД, но уже с дополнительной информацией, полученной в процессе проведенного статистического анализа. Объединение ППП и баз данных в единую систему приведет к существенному возрастанию эффективности их совместной деятельности.

При построении СППР придерживались следующих положений:

– СУБД должна быть связана с ППП таким образом, чтобы импорт и экспорт данных осуществлялся с наименьшими трудозатратами и в максимально короткий промежуток времени;

– СППР должна быть простой и иметь интуитивно понятный интерфейс для врача – неискушенного пользователя ПК;

– СППР должна функционировать на базе доступного программного обеспечения.

При разработке СППР в качестве статистического пакета использовали ППП STATISTICA, а базы данных – СУБД MS Access.

Функциональная модель СППР состоит из подсистемы данных, подсистемы связи, подсистемы обновления базы данных, подсистемы файла макроса.

Подсистема данных предназначена для хранения таблиц данных в ППП STATISTICA, СУБД и проведения требуемых расчетов для решения задачи идентификации тяжести состояния больного. Изначальные таблицы данных – до начала работы системы, представляют собой обучающие выборки, по которым решается задача классификации «нового» больного относительно его принадлежности к той или иной группе по степени тяжести состояния. По мере проведения расчетов и идентификации степени тяжести состояния больных, таблицы по желанию пользователя, могут расширяться за счет добавления новых строк, соответствующих новым больным, степень тяжести состояния которых, установили.



Рис. 3. Схема алгоритма СППР


^ одсистема связи с помощью файлов запросов обеспечивает импорт данных, характеризующих состояние больного, из СУБД в ППП STATISTICA для идентификации степени тяжести его состояния и экспорт этих же данных обратно в СУБД, но уже с результатом идентификации.

^ базы данных предназначена для автоматизации передачи данных из таблицы СУБД в таблицу ППП STATISTICA для проведения расчетов.

^ посредством модулей ППП STATISTICA решает задачу классификационного анализа – идентификацию степени тяжести состояния больного.

По методам классификационного анализа – дискриминантного анализа, общих моделей дискриминатного анализа, деревьев классификации были разработаны программные продукты для идентификации степени тяжести состояния больных, страдающих хронической сердечной недостаточностью, нефроптозом, лептоспирозом. Разработанные программные продукты были объединены в модули, соответствующие заболеваниям, и вошли в состав блока программного обеспечения (БПО). Схема алгоритма СППР приведена на рис. 3 (см. с.26)

В пятой главе на примере некоторых заболеваний изложена технология решения задачи классификации объектов посредством современных методов вероятностно-статистического моделирования (рис. 4). Применяя широкий спектр многомерных и углубленных методов анализа данных в среде статистических пакетов можно решить задачу классификации объектов любой природы. Применительно к медицине в качестве объектов могут быть сами больные, виды заболеваний, медицинский персонал и т. д. Предлагаемая технология состоит в последовательном применении методов анализа данных для изучения вероятностной природы данных, методов логико-алгебро-геометрического направления для исследования геометрической природы данных – выявления новых закономерностей, скрытых знаний.



Рис. 4. Технология решения задачи классификации объектов


Выявленные знания позволят решить задачу разделения объектов на группы однородности по совокупности наиболее значимых признаков с последующей классификацией новых объектов – определением их принадлежности к той или иной группе однородности. По-существу данная технология предполагает использование современных статистических методов анализа данных в качестве инструментария поиска и выявления новых знаний, которые могут быть использованы для построения СППР.

Посредством указанной технологии формализованы слабоструктурированные проблемы идентификации тяжести состояния больных, страдающих хронической сердечной недостаточностью, нефроптозом, лептоспирозом.

Анализ медицинских данных указанных заболеваний методами многомерного и углубленного анализа данных позволил выявить новые медицинские знания, которые были использованы при построении СППР.

Для больных лептоспирозом факторным анализом клинико-лабораторных показателей для первых трех недель заболевания выделено по три латентных фактора, достаточно полно описывающих состояние больных:

– на 1-й неделе заболевания: фактор 1 – синдром интоксикации, фактор 2 – синдром органной дисфункции, фактор 3 – синдром неспецифической адаптационной реакции;

– на 2-й неделе заболевания: фактор 1 – синдром эндогенной интоксикации и органной дисфункции, фактор 2 – синдром воспалительной реакции периферической крови, фактор 3 – синдром водно-электролитных нарушений;

– на 3-й неделе заболевания: фактор 1 – синдром органных и метаболических нарушений, фактор 2 – синдром диспротеинемии, фактор 3 – синдром воспалительной реакции периферической крови.

Количественно оценены вклады факторов в описании состояния больных. Построены модели факторов как линейные функции от наиболее информативных клинико-лабораторных показателей. Это лимфоциты (Х1), лейкоцитарный индекс (Х2), кровяно-клеточный показатель (Х3), креатинин плазмы (Х4), клубочковая фильтрация (Х5), концентрационный индекс (Х6), канальцевая реабсорбция (Х7), среднемолекулярные пептиды (Х8), индекс интоксикации Гринева (Х9), эффективная концентрация альбумина (Х10), глобулины альфа (Х11), глобулины бета (Х12), глобулины гамма (Х13).

Коэффициенты модели определяют величину и направление вклада показателей в факторы.

Для первой, наиболее важной недели заболевания, модели факторов имеют вид:

Факторi = 1 Х1 + 2 Х2 + 3 Х3 + 4 Х4 + 5 Х5 + 6 Х6 + 7 Х7 + 8 Х8 + 9Х9 + 10 Х10 + 11 Х11 + 12 Х12 + 13 Х13 , (1)

где значения коэффициентов i для каждого фактора принимают определенные значения (табл. 1).

Значения коэффициентов линейной модели Таблица 1

i

1

2

3

4

5

6

7

8

9

10

11

12

13

1

0,06

0,04

0,01

0,38

-0,1

-0,24

-0,18

0,1

0,07

-0,06

-0,00

0,02

0,01

2

0,12

-0,03

0,02

0,08

0,02

0,04

0,02

-0,004

-0,01

-0,02

0,26

0,45

0,31

3

-1,1

0,05

0,02

-0,18

0,01

0,05

0,03

-0,01

0,0

0,03

0,03

-0,13

-0,00


^ выявлена сильная зависимость между показателями синдрома интоксикации и показателями гематологического синдрома. Синдром интоксикации включает показатели, характеризующие степень интоксикации организма больного: креатинин плазмы, клубочковая фильтрация, концентрационный индекс, канальцевая реабсорбция, среднемолекулярные пептиды, индекс интоксикации Гринева, эффективная концентрация альбумина. Гематологический синдром включает показатели, характеризующие изменение состава крови: эритроциты (Y1), гемоглобин(Y2), тромбоциты (Y3), лейкоциты (Y4), лейкоцитарная формула – миелоциты (Y5), эозинофилы (Y6), юные (Y7), палочкоядерные нейтрофилы (Y8), сегментоядерные нейтрофилы (Y9), лимфоциты (Y10), моноциты (Y11), плазматические клетки (Y12), СОЭ (Y13). Построены модели канонических переменных (Корень 1г, Корень 1и) для указанных синдромов:


Корень 1г = 0,0334Х4 – 0,2882Х5 – 0,015Х6 – 0,497Х7 + 0,0406Х8 + 0,42Х9 + 0,2752Х10 (2)

Корень 1и = – 0,0732Y1 + 0,1008Y2 – 0,2601Y3 + 0,1868Y4. – 0,1658Y5 – 0,1263 Y6 – 0,0053Y7 + 0,1959Y8. – 0,3288Y9– 0,448Y10– 0,117Y11 + 0,053Y12 + 0,2334Y13 (3)


Каноническая корреляция R – корреляция между каноническими переменными (Корень 1и и Корень 1г) равна 0,786, что характеризует степень взаимосвязи между показателями синдромов как сильную.

Методом моделирование структурными уравнениями построена причинная модель и выявлена взаимосвязь между тяжестью заболевания (Y) и факторами макроорганизма (X1) и микроорганизмов (X2) больных лептоспирозом. При этом факторы макроорганизма и микроорганизма, тяжесть течения заболевания являются латентными переменными, значения которых неизвестны. Переменная тяжесть заболевания характеризует состояние больного. Переменная фактор микроорганизма, включает в себя все свойства, позволяющие лептоспирам уклоняться от защитных сил человеческого организма. Переменная фактор макроорганизм, включает в себя все свойства организма заболевшего, способствующие развитию заболевания, – нарушения иммунного статуса организма, наличие сопутствующих заболеваний, вредных привычек, возраст и т. д.

Регрессионные модели, связывающие между собой латентные переменные тяжесть заболевания, фактор микроорганизма, фактор макроорганизма имеют следующий вид:

Y = 1,351· X1 – 0,009. (4)

Y = 40·X2 – 0,68. (5)


Из приведенных уравнений следует, что факторы макроорганизма в значительно большей степени влияют на состояние больного, чем факторы микроорганизма (активность, проникающая способность лептоспир и т. д.). Полученный результат не противоречит данным практической медицины – больные, инфицированные лептоспирами в одно и то же время, в одном и том же месте, имеют различные степени тяжести заболевания.

Для больных нефроптозом посредством моделей кластерного анализа по клинико-лабораторным показателям [отношению максимумов накопления радиофармпрепарата (Аом), времени полувыведения радиофармпрепарата Т1/2, анакроты (), катакроты (), реографического коэффициента (РК), дикротического индекса (ДИ), диастолосистолическго индекса (ДСИ)] проведено успешное разделение больных нефроптозом на кластеры – группы однородности. Причем эти кластеры в большей степени соответствуют разделению больных на группы по степени вращения почек, чем по традиционному делению больных на группы по степени опущения почек.

^ подтверждены результаты исследований, полученных кластерным анализом для больных нефроптозом. Установлено различие средних значений клинико-лабораторных показателей в трех группах по степени опущения – Ст.ОП.1, Ст.ОП.2, Ст.ОП.3 и ротации – Ст.УР.1, Ст.УР.2, Ст.УР.3 почек. Причем в группах по степени ротации почек это различие более выражено, т. е., установлена зависимость между величинами указанных показателей и степенью опущения и ротации почек.

^ данных больных нефроптозом выявил определенные закономерности взаимосвязи между опущением и ротацией почек, а именно между степенью опущения и ротацией существует тесная взаимосвязь, но эта взаимосвязь не носит характер прямой зависимости, т. е. большей степени опущения не соответствует большая степень ротации. Анализ соответствий позволил группы больных представить в виде точек на плоскости (рис. 5), где максимально точно воспроизведено сходство и различие между этими группами.



Рис. 5. График двумерной диаграммы групп больных


Сходство между одноименными группами больных тем больше, чем меньше расстояние между ними на диаграмме. Так, например, больше сходства между группами больных со 2-й (Ст.ОП.2) и 3-й (Ст.ОП.3) степенью опущения, чем между группами с 1-й (Ст.ОП.1) и 2-й степенью опущения. Сходство между разноименными группами определяется по величине угла между прямыми, проведенными из центра тяжести (0,0) к точкам на диаграмме, обозначающим группы больных. Острый и тупой угол означают соответственно сходство и различие между группами.

Из диаграммы следует, что больным из подгруппы Ст.ОП.1 соответствует больший процент больных, принадлежащих подгруппе Ст.УР.1 (сходство), а больным из подгруппы Ст.ОП.2 соответствует значительно больший процент больных, принадлежащих подгруппе Ст.УР.3 (сходство), чем процент больных, принадлежащих к подгруппе Ст.УР.2 (различие).

Таким образом, мы получили важный для медицины вывод, что наибольшей ротации почек в большей степени способствует 2-я степень опущения, чем 3-я. Применительно к разделению больных на группы однородности по тяжести состояния приведенные результаты говорят о необходимости использования в качестве критерия степень ротации почек, а не традиционно используемое опущение почек.

Приведены результаты использования методов классификационного анализа для определения степени тяжести состояния больных указанных заболеваний.

Для больных хронической сердечной недостаточностью (ХСН) применение моделей дискриминантного и кластерного анализа позволило:

– выделить наиболее информативные клинико-лабораторные показатели, по которым можно классифицировать больных на группы по степени тяжести заболевания – функциональные классы хронической сердечной недостаточности (ФКХСН); это слабость (Х1), одышка (Х2), конечный систолический размер левого желудочка (Х3), конечный диастолический размер левого желудочка (Х4), конечный диастолический размер левого предсердия (Х5), диастолическое артериальное давление (Х6);

– уточнить границы 6-мин. теста для оценки степени тяжести состояния больных;

– построить линейные модели классификационных функций, позволяющих определять ^ больных по выделенным клинико-лабораторным показателям:


Классi = 0 + 1 Х1 + 2 Х2 + 3 Х3 + 4 Х4 + 5 Х5 + 6 Х6 (6)


где параметры i принимают определенные значения для каждого функционального класса (табл. 2).


Значения коэффициентов классификационных уравнений Таблица 2

i

0

1

2

3

4

5

6

1

-276,62

4,33

23,174

-2,49

53,86

40,07

1,58

2

-341,9

5,34

28,36

-1,97

59,954

43,85

1,75

3

-409,36

6,55

34,39

1,37

63,75

46,67

1,99

4

-481,84

7,69

39,35

-1,23

69,69

50,99

2,05

5

-583,57

8,81

44,49

1,13

73,73

57,98

2,19


Решена задача определения степени тяжести больных хронической сердечной недостаточностью непараметрическим методом классификационного анализа – общие модели дискриминатного анализа.

Для больных нефроптозом дискриминантный анализ позволил:

– показать преимущества классификации больных по степени ротации почек перед традиционной классификацией по величине опущения почек;

– выделить статистически значимые параметры, определяющие принадлежность больных к группам; это показатели накопления и времени полувыведения родиофармпрепарата в обеих почках, реографический коэффициент, диастолосистолический индекс;

– по выделенным клинико-лабораторным показателям классифицировать больных на три группы по степени гемодинамических нарушений почки: группа 1 – сумма углов ротации меньше 400, группа 2 – от 400 до 700 и группа 3 – от 700 и выше;

– построить линейные модели классификационных функций, позволяющих определить степень тяжести состояния больных.

Для больных лептоспирозом дискриминантным анализом определены наиболее информативные в описании состояния больных показатели, оценен их вклад в идентификацию состояния больных для первых трех недель заболевания. Для первой недели заболевания – канальцевая реабсорбция, лактатдегидроденаза, аспартатаминатрансфераза, гематокрит, хлориды, диастаза, креатинин мочи, клубочковая фильтрация, глюкоза крови. Для второй недели заболевания – клубочковая фильтрация, канальцевая реабсорбция, креатинин мочи, минутный диурез, гематокрит. Для третьей недели – триглицериды, хлориды, b-липротеиды. Выявленные закономерности позволили построить систему классификационных уравнений и решить задачу определения степени тяжести состояния больных для каждой из первых трех недель заболевания.

Методом деревья классификации построены адекватные модели и решающие правила для идентификации состояния больных, страдающих нефроптозом, лептоспирозом, хронической сердечной недостаточностью. Критериями качества бинарного дерева классификации являются: количество ошибок классификации на обучающей выборке, соотношение и значение цен кросс-проверки и глобальной кросс-проверки, количество терминальных вершин.

Рис. 6. Граф дерева классификации


Например, для больных нефроптозом «наилучшее» дерево удалось построить при следующих установках: метод ветвления – полный перебор вариантов для одномерных ветвлений по методу C&RT, критерий согласия – мера Джини; априорные вероятности – оцениваемые; цены ошибок классификации – равные; правило остановки – прямая остановка (Fact); условия остановки – доля неклассифицированных – не более чем 0,03. Приведен граф структуры дерева классификации (см.рис.6). По значимости в процедуре классификации клинико-лабораторные показатели распределились следующим образом – время накопления радиофармпрепарата, диастолосистолический индекс, реографический коэффициент, время полувыведения радиофармпрепарата. Решающие правила представлены в виде неравенств.

^ описана разработанная СППР, которая представляет компьютерную программу СИТСБ, написанную в соответствии с алгоритмом на рис. 3 в STATISTICA VISUAL BASIC (SVB) и в среде программирования СУБД^ .

Описан блок программного обеспечения СППР, состоящий из программных модулей (DIXCH, ODAXCH, DITREEAN, SIAR, TREENEF, DILEPTS, TREELEPTS), в которых реализованы методы классификационного анализа.

Работа программы начинается с ^ , которая загружается при открытии БД. Главная форма является связующей и из нее, по нажатию соответствующих кнопок, открываются остальные формы. Интерфейс прост и не требует особых усилий со стороны пользователя, чтобы приобрести навыки работы. Для идентификации состояния больного, клинико-лабораторные показатели которого предварительно введены в базу данных, по команде пользователя данные импортируются в ППП STATISTICA. Далее при помощи макроса решается задача классификационного анализа методами, указанными пользователем. После завершения работы макроса результат классификации по желанию пользователя может быть сохранен в соответствующем файле STATISTICA и подготовлен для выгрузки в файл внешнего приложения для последующего экспорта в базу данных. Система экспортирует и сохранит результат идентификации степени тяжести состояния больного в соответствующей данному заболеванию таблице СУБД.

СППР построена таким образом, что идентификация степени тяжести состояния больных может быть проведена для любого заболевания, если предварительно выполнена статистическая обработка данных, построена обучающая выборка, созданы макросы методов классификации. Приведен пример реализации разработанной медицинской СППР – программы СИТСБ для определения степени тяжести состояния больной, страдающей хронической сердечной недостаточностью.

По тестовой выборке больных, страдающих хронической сердечной недостаточностью, проведена сравнительная оценка эффективности методов классификационного анализа, использованных в разработанной СППР, – дискриминантного анализа, общих моделей дискриминантного анализа, деревьев классификации и врачебной оценки тяжести заболевания. Результаты классификации сравнивали с оценкой тяжести состояния по 6-мин. тесту. Проценты совпадений классификации указанными методами с классификацией по 6-мин. тесту соответственно составили 85 %, 85 %, 45 %, 75 %. Время, затраченное врачом на оценку тяжести состояния больного, составило не менее 30 мин., а время на идентификацию тяжести состояния программой СИТСБ всеми тремя методами классификационного анализа – не более двух мин. Таким образом, показано, что наиболее точными являются оба метода дискриминантного анализа, далее врачебная оценка и наименее точным – деревья классификации.

В заключении приведены основные результаты и выводы диссертационной работы.

^


1. Определены ключевые проблемы информатизации в медицине. Исследованы прикладные и теоретические аспекты системного анализа в построении современных медицинских информационных систем. Обоснована необходимость в разработке и внедрении медицинских СППР. Рассмотрены различные направления в создании СППР.

2. Разработанные методологические положения использования современных технологий вероятностно-статистического моделирования, представления и хранения данных для построения эффективных медицинских СППР позволили формализовать процедуру разработки СППР для оценки тяжести состояния больных. Основные этапы построения СППР представлены в виде IDEF0-диаграммы. Построен алгоритм СППР.

3. Предложена технология решения задачи классификации объектов посредством современных технологий статистического анализа данных. Методами многомерного анализа формализованы слабоструктурированные проблемы идентификации тяжести состояния больных, страдающих хронической сердечной недостаточностью, лептоспирозом, нефроптозом. Выявлены новые закономерности в течении данных заболеваний. Определены наиболее информативные клинико-лабораторные показатели в оценке состояния больных, исследован характер взаимосвязи между ними, проведен анализ групп однородности больных, построены процедуры классификации больных по группам однородности и т. д. Полученные новые медицинские знания использованы при создании СППР.

4. На основе рассмотренных в работе теоретических и методологических положений разработана эффективная СППР для идентификации степени тяжести состояния больных в виде компьютерной программы СИТСБ. В среде пакета STATISTICA разработан блок математического обеспечения программы СИТСБ, состоящий из макросов модулей классификационного анализа: классического дискриминантного анализа, общих моделей дискриминантного анализа, деревьев классификации.

5. СППР – программа СИТСБ предназначена для идентификации тяжести состояния больных, страдающих хронической сердечной недостаточностью, нефроптозом, лептоспирозом. Показана эффективность построенной СППР на примере группы больных, страдающих хронической сердечной недостаточностью. Возможна адаптация системы для диагностирования видов заболеваний, идентификации тяжести состояния больных, страдающих различными заболеваниями. СППР может функционировать автономно, при наличии электронной базы данных больных, также может быть встроена в МИС как подсистема, имеет простой и удобный интерфейс и практически не требует от пользователя знаний современных информационных технологий.

6. На примере медицины, как предметной области, показана состоятельность предложенной в работе методологии анализа и синтеза СППР с возможностью получения и использования новых скрытых знаний в построении эффективных систем поддержки принятия решений в различных сферах практической, исследовательской, образовательной деятельности человека.