Автоматизована система підтримки прийняття лікарських рішень (на прикладі тиреотоксичного серця)

Размещено на http://allbest.ru

Автореферат дисертації

на здобуття наукового ступеня

кандидата технічних наук

Автоматизована система підтримки прийняття лікарських рішень (на прикладі тиреотоксичного серця)

1.ЗАГАЛЬНА ХАРАКТЕРИСТИКА РОБОТИ

автоматизований медицина лікарський діагностика

Актуальність роботи. В області розробки інформаційно-пошукових та експертних систем обробки інформації для прийняття рішень найбільш актуальним напрямком, що широко розвивається, є створення медичних систем підтримки прийняття рішень. Медичні системи підтримки прийняття рішень надають допомогу в процесі прийняття рішень, підтримують і підсилюють мислення й оцінку ситуації лікарем, підвищують ефективність ухвалення рішення, тому що охоплюють максимальний обсяг інформації. Розробка систем підтримки прийняття рішень у даний момент ведеться в багатьох країнах і у всіх напрямках медицини.

Аналізуючи на сьогоднішній день велику кількість робіт, присвячених застосуванню математичних методів у медицині і створенню систем підтримки прийняття рішень (СППР), експертних систем та систем, що радять, у даний час у зв'язку зі швидким старінням комп'ютерної техніки та ростом інформації, за малим виключенням, немає робіт які заслуговують особливої уваги. І це зв'язано, насамперед, з тим, що ряд таких систем призначений для рішення задач, які важко формалізуються. СППР дозволяють частково або цілком автоматизувати керування лікувальним процесом, використовувати накопичений багатьма роками практики досвід, швидко обробляти велику кількість даних. Така підтримка найбільш ефективна при захворюваннях, що вимагають періодичного обстеження та лікування. Одним з таких захворювань є тиреотоксикоз.

Діагностика тиреотоксичного серця (ТС) пов'язана з великими труднощами у зв'язку зі складністю механізмів розвитку ТС, що базуються на стику наукових досліджень лікарів різних спеціальностей. Діагностика ТС базується на основі аналізу інформації про стан пацієнта та встановлення діагнозу по класифікації ТС на основі оригінальної 9-рівневої класифікації патологій людини.

Через великий обсяг інформації, багаторівневу структуру діагностики захворювання ТС, відсутності можливості ранжирування симптомів, по ступеню важливості, виникають проблеми з виділенням конкретного синдрому захворювання із сукупності рівнозначних синдромів.

Також існує проблема призначення ефективного медикаментозного лікування в залежності від виявленого синдрому захворювання, тому що нерідко, синдроми, що вимагають невідкладного усунення залишаються без уваги лікаря-клініциста.

Захворювання ТС є, власно кажучи, хронічним захворюванням, тому виникає проблема моніторингу цієї категорії пацієнтів. Таким чином, щоб підтримувати життєздатність організму на достатньому рівні, необхідно постійне обстеження та лікування. Різноплановість клінічної картини захворювання, динаміка проявів, велика кількість результатів клінічних та лабораторних методів, неповнота інформації обумовлюють необхідність алгоритмізації діагностичного та лікувального процесу для мінімізації дефектів медичної реабілітації цієї категорії хворих.

Вважаючи особливості захворювання, відсутність можливості ранжирування ознак, а також рішення задачі діагностування в умовах неповної інформації про симптоми стає актуальною задача розробки математичних моделей процесу діагностики, призначення лікарських засобів і методики прийняття рішень з метою впровадження розроблених моделей у СППР для діагностики, лікування та моніторингу хворих тиреотоксичним серцем.

Рішенню цих задач і присвячене дисертаційне дослідження.

Зв'язок роботи з науковими програмами і темами. Дисертаційна робота виконана протягом 1999-2003 р. відповідно до наукового напрямку кафедри “Економічна кібернетика” факультету управління Східноукраїнського національного університету імені Володимира Даля та кафедри “Медична кібернетика та біофізика” Луганського державного медичного університету.

Мета і задачі дослідження. Метою дослідження роботи є розробка математичних моделей і методики прийняття рішень в умовах неповної інформації в рамках задач діагностування. Впровадження розроблених моделей та методики в розробку СППР для діагностики, лікування та моніторингу хворих ТС.

Для досягнення поставленої мети в роботі вирішуються наступні задачі:

- Розробка методики прийняття рішень для діагностики та лікування хворих при неповному наборі симптомів.

- Розробка математичної моделі задачі ідентифікації діагнозу в умовах неповної інформації.

- Розробка математичної моделі прийняття лікарських рішень по лікуванню хворого на основі встановленого діагнозу з урахуванням виявлення невідкладних ознак, визначення ефективності лікування та призначення лікарських засобів спираючись на соціальний статус хворого.

- Проектування структури СППР, визначення основних модулів, задач і умов їхнього функціонування.

- Розробка алгоритмів функціонування модулів СППР на основі створених математичних моделей.

- Апробація розробленої методики у виді створення програмного продукту для сучасної обчислювальної техніки автоматизованої СППР для діагностики, лікування та моніторингу хворих ТС. Реалізація системи в клінічних умовах.

Об'єктом дослідження в роботі є процес діагностування, в основу якого покладені причинно-наслідкові зв'язки між параметрами стану хворого, діагнозом та лікувальним впливом.

Предметом дослідження є математичне моделювання і методика прийняття рішень при діагностуванні в умовах неповної інформації, створення СППЛР та алгоритмів функціонування її модулів.

Методи дослідження. Теоретичною і методологічною основою дослідження є наукові праці ведучих українських і закордонних авторів в області системного аналізу, теорії прийняття рішень, штучного інтелекту, математичного моделювання та сучасних методів програмування.

Наукова новизна отриманих результатів.

У процесі рішення задач відповідно до мети дослідження отримані наступні результати.

- Вперше розроблена методика прийняття рішень для діагностики і лікування хворих при неповному наборі симптомів.

- Вперше розроблена математична модель задачі ідентифікації діагнозу в умовах неповної інформації з використанням поняття вирішальної комбінації симптомів.

- Вперше розроблена математична модель прийняття лікарських рішень по лікуванню хворого на основі встановленого діагнозу з урахуванням виявлення невідкладних ознак, визначення ефективності лікування і призначення лікарських засобів спираючись на соціальний статус хворого.

- Спроектовано структуру системи підтримки прийняття лікарських рішень (СППЛР), що дає можливість автоматизувати всі етапи лікувального процесу.

Практичне значення отриманих результатів.

- Математичні моделі й алгоритми реалізовані у виді програмного додатка “Автоматизована система підтримки прийняття лікарських рішень для діагностики, лікування і моніторингу хворих тиреотоксичним серцем - Тиреотоксичне серце”.

- Автоматизована система включає всі етапи лікувального процесу: введення й обробку інформації, діагностику захворювання, визначення ступеня тяжкості захворювання, вибір лікувального впливу та моніторинг стану хворого протягом його життя. На ряду з функціональними можливостями, система реалізує в собі основні сучасні методи збереження та систематизації інформації, а також має адаптований для лікаря-оператора інтерфейс, що дозволяє зробити роботу із системою зручною та доступною.

- Розроблене програмне забезпечення може використовуватися в спеціалізованих ендокринологічних та терапевтичних відділеннях лікарень, станціях швидкої допомоги, а також у районних лікарнях.

- Розроблені моделі, методика прийняття рішень і СППЛР використовується в лекційних курсах на кафедрі медичної кібернетики і біофізики Луганського державного медичного університету.

- Програмний пакет “Тиреотоксичне серце” застосовується в клінічній практиці в спеціалізованих відділеннях обласної лікарні та міських лікарень №5 та №9 м. Луганська.

Особистий внесок здобувача. Всі основні ідеї, положення, теоретичні і практичні розробки, інші результати дисертаційної роботи, що виносяться на захист, отримані автором самостійно.

Апробація результатів дисертації. Результати дисертаційної роботи доповідалися, обговорювалися і були схвалені на кафедрі “Економічна кібернетика” Східноукраїнського національного університету імені Володимира Даля; доповідалися на Міжвузівській науково-практичній конференції молодих вчених і студентів “Комп'ютерні технології, фізичні методи діагностики і лікування” (Луганський Державний медичний університет та Східноукраїнський національний університет, Луганськ 1999); на науково-практичній конференції “Економіко - математичне і екологічне моделювання та інформаційні технології в ринковій економіці” (Східноукраїнський національний університет, Луганськ 2000); на другій міжнародній науково-практичній конференції студентів, аспірантів і молодих вчених “Системній аналіз та інформаційні технології” (Національний технічний університет “Київський політехнічний інститут, Київ 2001); на другій міжнародній науково-практичній конференції “Математичні моделі та інформаційні технології в соціально - економічних та екологічних системах” (Східноукраїнський національний університет, Луганськ 2001); на Всеросійській науково-технічній конференції з міжнародною участю “Комп'ютерні технології в інженерній і управлінській діяльності” (Таганрозький державний радіотехнічний університет, Таганрог 2001); на VIII міжнародній науково-практичній конференції “Університет і регіон” (Східноукраїнський національний університет імені Володимира Даля, Луганськ 2002).Публікації. За результатами дисертації опубліковано 7 робіт. З них 6 - у наукових виданнях, перелік яких затверджений ВАК України, 1 - у збірниках тез конференцій.

Структура і обсяг дисертації. Дисертація складається з вступу, чотирьох розділів і висновків, викладених на 113 сторінках машинописного тексту; містить 12 таблиць; 18 малюнків; список використаних літературних джерел з 163 найменувань на 13 сторінках і 6 додатків на 40 сторінках. Повний обсяг роботи 167 сторінки.

автоматизований медицина лікарський діагностика

2. ОСНОВНИЙ ЗМІСТ РОБОТИ

У вступі обґрунтована актуальність теми, сформульована мета та задачі дослідження і перераховані основні положення, що виносяться на захист.

У першому розділі обґрунтована актуальність проблеми дослідження роботи, що полягає в створенні математичних моделей і розробці методики прийняття рішень в умовах неповної інформації в рамках задач діагностування. Впровадження розроблених моделей і методики в розробку системи прийняття рішень для діагностики, лікування і моніторингу хворих тиреотоксичним серцем.

Розглядаються питання актуальності використання комп'ютерних технологій та сучасних математичних методів для рішення задач медичної діагностики. Проведено аналіз сучасних і традиційних методів та підходів до рішення задач медичної діагностики. Описано предметну область, об'єкт і предмет дослідження. За результатами оцінки стану питання дане формулювання основних цілей та задач дослідження:

- розробити методику прийняття рішень для діагностики і лікування хворих при неповному наборі симптомів;

- розробити математичну модель задачі ідентифікації діагнозу в умовах неповної інформації;

- розробити математичну модель прийняття лікарських рішень по лікуванню хворого на основі встановленого діагнозу з урахуванням виявлення невідкладних ознак, визначення ефективності лікування і призначення лікарських засобів спираючись на соціальний статус хворого;

- спроектувати структуру СППЛР, визначити основні модулі, задачі й умови їхнього функціонування;

- розробити алгоритми функціонування модулів системи прийняття рішень на основі створених математичних моделей;

- впровадити розроблену методику у виді створення програмного продукту для сучасної обчислювальної техніки автоматизованої СППЛР для діагностики, лікування та моніторингу хворих тиреотоксичним серцем та реалізувати розроблену систему в клінічних умовах;

- провести порівняльний аналіз програмної реалізації розроблених моделей, методики й алгоритмів СППР та результатів діагностики і лікування практикуючого лікаря.

В другому розділі описується класифікована множина діагнозів, множина симптомів і побудова математичної моделі прийняття рішень в умовах неповної інформації в рамках задач діагностування. Викладено математичну постановку задачі ідентифікації і методики прийняття рішень. Вводяться поняття вирішальної комбінації симптомів, а також задача ідентифікації в умовах неповної інформації. Розглядається побудова математичної моделі призначення медикаментозного лікування з урахуванням встановленого діагнозу.

Говорячи про приватну задачу діагностики, ми маємо на увазі наступне - маючи дані про стан пацієнта, потрібно визначити: чи хворіє пацієнт яким-небудь захворюванням із заданої групи чи ні. Таким чином, мова не йде про встановлення яким захворюванням узагалі хворий даний пацієнт. Під словами “група захворювань” мається на увазі деяка сукупність захворювань, об'єднана яким-небудь природним способом. Можна говорити про групу подібних захворювань, зв'язаних загальними причинами виникнення і поразки визначених органів або систем органів пацієнта.

Стан пацієнта описується вектором, компоненти якого утворять двоїчну послідовність довжини . Надалі такій послідовності, що складаються з нулів і одиниць, будемо називати булевими векторами розмірності . Множину усіх булевих векторів розмірності будемо позначати через . Число передбачається досить великим. Помітимо, що тільки незначна частина векторів з множини може дійсно визначати стан деякого пацієнта. Умовимося називати такі вектори - векторами симптомів пацієнта.

Нехай - множина пацієнтів. Поставимо у відповідність кожному пацієнтові вектор симптомів. Іншими словами, визначимо відображення множини у множину . Для довільного покладемо , де .

Розглянемо булеву матрицю . Стовпці матриці - це вектори симптомів пацієнтів з множини . Незважаючи на розходження векторів симптомів для двох різних пацієнтів їм може бути поставлений той самий діагноз. У зв'язку з цією обставиною стовпці матриці можуть бути розбиті на класи. Кожен клас складається з векторів симптомів, що відповідають усім тим пацієнтам, яким поставлений той самий діагноз. Пронумеруємо ці класи стовпців від до , де - це число класів описаної розбивки матриці . Між класами стовпців матриці і всіляких діагнозів установлюється взаємо-однозначна відповідність. Розглянемо довільний -й клас стовпців матриці . Діагноз, що йому відповідає позначимо через . Поставимо у відповідність цьому класові “узагальнюючий” вектор симптомів , що будується таким чином: якщо -та компонента у всіх стовпцях -го класу дорівнює одиниці, то вважаємо , якщо -та компонента у всіх стовпцях -го класу дорівнює нулеві, то . В інших випадках, вважаємо . Знак означає, що для діагнозу, що поставлений усім пацієнтам з векторами симптомів з -ї розбивки -ий симптом може мати місце, а може й ні. Надалі ці узагальнені вектори симптомів будемо називати еталонними векторами симптомів.

Таким чином, на підставі медичної практики для кожного діагнозу даний опис еталонного стану пацієнта, що відповідає цьому діагнозові, у виді еталонного вектора симптомів . Множину усіх діагнозів, поставлених для пацієнтів з множини , позначимо через .

Проблема діагностування полягає в зіставленні кожному припустимому векторові симптомів відповідного діагнозу. Труднощі в побудові математичної моделі діагностування складаються в неможливості описати множину можливих векторів симптомів, тобто множину таких векторів симптомів, що дійсно можуть виникнути на практиці. Справа в тому, що пацієнт може мати супутні захворювання, які не відносяться до групи розглянутих захворювань та вносять у вектор симптомів викривлення щодо еталонного вектора симптомів, котрий відповідає деякому діагнозові. Крім того, для даного пацієнта можуть бути відомі тільки деякі із симптомів. У зв'язку з цим необхідна розробка формальної процедури, що дозволяє, незважаючи на викривлення у векторі симптомів і відсутність деяких симптомів, розпізнати відповідний діагноз.

У результаті аналізу класифікації захворювань, запропонованої медичними працівниками, і її формалізації, нами було введене поняття класифікованої множини.

Визначення 1. Множиною з класифікацією (або класифікованою множиною) називається множина , на якій задане сімейство нетривіальних відносин еквівалентності на множині і, що задовольняють умові .

Відношення - відношення рівності: для усіх . Нагадаємо, що відношення еквівалентності на множині називається нетривіальним, якщо і . Нехай задано кінцева множина із класифікацією . Кожному відношенню еквівалентності буде відповідати розбивка на класи що не перетинаються - , де .

Визначення 2. Нехай . Вектор , де для усіх , якщо . називається вектором класифікації елемента . Справедливо твердження

Пропозиція. Для будь-яких .

Таким чином, різним елементам множини відповідають різні вектори класифікації. Можна показати, що будь-яке ін'єктивне відображення множини в однозначно визначає деяку класифікацію множини .

Позначимо множину усіх векторів класифікації елементів множини через . Елементи множини упорядкуємо лексикографічно, і занумеруємо відповідно до цього порядку . З огляду на нумерацію елементів множини , занумеруємо елементи множини відповідним чином: . Будемо вважати надалі що, для усіх .

Умовимося, множину усіх векторів виду , де позначати через . Нехай задане відображення , де .

Визначення 3. Вектор будемо називати еталонним вектором ознак елемента .

Отже, кожному елементові множини ставиться у взаємно однозначну відповідність два вектори: вектор класифікації й еталонний вектор ознак . Нехай - довільний вектор з . Позначимо через множину, що задовольняє умові . Таким чином, - це множина “визначеності” вектора , тобто це множина тих номерів ознак вектора , що відмінні від .

Визначення 4. Нехай і - довільні вектори з множини . Будемо говорити, що вектор є розширенням вектора , якщо 1) і 2) .

Постановка задачі ідентифікації. Нехай задано кінцеву множину із класифікацією і відображення . Потрібно вказати алгоритм, що дозволяє для будь-якого вектора , або ідентифікувати вектор з деяким елементом з множини , або установити, що не ідентифікується не з одним з елементів множини , або дати вказівку продовжити рішення задачі ідентифікації для деякого розширення вектора . Надалі задачу ідентифікації коротко будемо записувати . Сформульована задача є задачею розпізнавання в умовах неповної інформації, у якій вектори є навчальною послідовністю. Просте порівняння вектора ознак з еталонними векторами за допомогою процедури мінімізації відстані Хеммінгу на практиці не приводить до визначення правильного діагнозу в більшості випадків. Це зв'язано насамперед з тим, що у векторі симптомів присутні симптоми, поява яких зв'язано із супутніми захворюваннями і, крім того, така процедура пошуку діагнозу не враховує ступеню важливості тих або інших симптомів при визначенні діагнозу. У зв'язку з вищесказаним, необхідно використовувати вагові коефіцієнти важливості тих або інших симптомів або використовувати перехід до розгляду сукупності симптомів, що мають вирішальне значення при визначенні діагнозу. Нижче буде запропонована методика ідентифікації, що використовує поняття вирішальної комбінації ознак. Введемо деякі визначення і позначення. Розглянемо задачу ідентифікації: . Нехай , де .

Визначення 5. Послідовність чисел будемо називати припустимою, якщо найдеться вектор класифікації , у якого перші компонент збігаються відповідно з числами .

Нехай - припустима послідовність. Будемо позначати через множину усіх номерів векторів з , у яких перші компонент збігаються відповідно з числами . Таким чином, .

Умовимося позначати через множину усіх номерів компонент у векторі , що збігаються з 1, тобто .

Визначення 6. Початковою вирішальною комбінацією ознак називається множина .

Зауваження. Якщо повернутися до змістовного значення розглянутої задачі на розпізнавання, множина - це множина номерів симптомів, що є первинними ознаками захворювання з розглянутої групи захворювань. Наявність цих ознак у пацієнта служить підставою для його подальшого обстеження на предмет визначення захворювання з розглянутої групи захворювань.

Надалі будемо припускати, що розглянута задача ідентифікації завжди задовольняє умові . Нехай - довільна припустима послідовність чисел. Позначимо через наступну множину: . Множина - це сукупність номерів ознак, загальних для всіх елементів множини з номерами з множини . У силу умови , множина для будь-якої припустимої послідовності чисел .

Визначення 7. Вирішальної комбінації ознак, що відповідає припустимої послідовності чисел , називається множина , що визначається в такий спосіб:

1) , якщо ,

2) , якщо .

Нижченаведена теорема деяким чином з'ясовує “структуру” сукупності усіх вирішальних комбінацій ознак.

Теорема 1. Для будь-якого вектора класифікації множини попарно не перетинаються, а їхнє об'єднання збігається з множиною .

Зауваження. Множина може виявитися порожньою по двох причинах: або множина , або .

Перше неможливо, тому що . Останнє має місце тоді, коли для послідовності чисел існує однина така, що послідовність є припустимою. У цьому випадку, і тому . Розглянемо довільний вектор . Нехай . Нехай, далі, - довільна множина. Якщо - непорожня множина, то позначимо через число, обумовлене рівністю , де і - число елементів у множині і . Очевидно, виконуються нерівності . Помітимо, що - це відносний показник наявності ознак з множини в даному векторі . Очевидно, , тоді і тільки тоді, коли .

Очевидно, що між класифікацією, заданої на множині , і системою еталонних векторів повинен існувати деякий природний зв'язок. Відсутність будь якого зв'язку між класифікацією на множині і системою еталонних векторів робить задачу ідентифікації безглуздою.

Визначення 8. Класифікацію на множині будемо називати погодженою із системою еталонних векторів , якщо для будь-яких припустимих послідовностей чисел і виконується умова

.

Нагадаємо, також, що - множина усіх номерів компонент у векторі , які співпадають з “1”. Пояснимо зміст умови погодженості. Нехай деякий елемент множини , , а - його вирішальна комбінація ознак -го рівня. Якщо елемент , де , має ознаки , то елементи і зобов'язані лежати в одному класі еквівалентних по елементів, тобто .

Доведена нижче теорема показує, що за допомогою функції можна відрізнити один еталонний вектор ознак від іншого.

Теорема 2. Нехай на множині задана класифікація, погоджена із системою еталонних векторів ознак, і нехай - довільний еталонний вектор ознак, а - відповідний вектор класифікації. Тоді для кожного виконується рівність , а для всіх , таких, що - припустима послідовність, має місце нерівність .

Теорема 2 є теоретичним обґрунтуванням для створення алгоритму ідентифікації. Далі необхідно провести дослідження даної методики ідентифікації векторів ознак в умовах неповної інформації.

Під задачею ідентифікації в умовах неповної інформації будемо розуміти наступне. Нехай мається вектор , що ідентифікується як елемент . І нехай у ньому усі компоненти, за винятком деяких компонентів рівних одиниці, замінені на . У результаті ми одержимо деякий вектор , щодо якого можна вважати, що він містить часткову інформацію про вектор . Виникає задача з'ясувати, які умови виявляться достатніми для того, щоб його можна було ідентифікувати з елементом . Нижче поставлено задачу для еталонних векторів ознак .

Уведемо наступне позначення. Для довільної припустимої послідовності чисел позначимо через множину усіх таких чисел , для яких послідовність є припустимою.

Визначення 9. Класифікацію на множині будемо називати ефективною щодо системи еталонних векторів , якщо для будь-якої припустимої послідовності чисел і кожного виконується умова

.

Визначення 10. Ознаку з номером будемо називати суттєвою, якщо найдеться припустима послідовність чисел така, що

.

Визначення 11. Систему ознак з номерами будемо називати повною для елемента , якщо для будь-якого вектора ознак , у якого , і будь-якого , а для всіх , і таких, що - припустима послідовність, виконується рівність .

Представляється цікавим з'ясувати існування таких сукупностей ознак, у яких число ознак значно менше числа ознак в еталонному векторі, але проте дозволяючих ідентифікувати його як відповідний елемент множини .

Теорема 3. Нехай мається задача ідентифікації , і нехай класифікація на множині є ефективною щодо системи еталонних векторів. Тоді для кожного елемента з множини існує мінімальна і повна система ознак, що складається з істотних ознак.

Значення теореми 3 полягає у тому, що алгоритм ідентифікації правильно ідентифікує діагноз, якщо йому буде запропонована повна система ознак, що складається усього з ознак. Помітимо, що число на порядок менше числа ознак в еталонному векторі.

Викладена вище математична модель є основою для створення математичної моделі призначення лікарських засобів.

Нехай - список усіх використовуваних лікарських засобів. Список лікарських засобів має трирівневу структуру: , , . Можливо, що для деяких число підкласів , тоді . Аналогічно, можливо, що для деякої пари індексів число підкласів .

Зауваження. Дана розбивка являє собою розбивку лікарських засобів по типу дії, застосуванню і т.д.

Крім того, усі лікарські засоби можна розбити на класи аналогів. Нехай цій розбивці буде відповідати відношення еквівалентності . Множиною аналогів лікарського засобу , назвемо множину , де .

Визначення 12. Функцію , де , будемо називати функцією вартості лікарських засобів, , де , відповідно - вартістю лікарського засобу .

Нехай, далі, задане відображення . Для кожного вектор будемо називати вектором показань для лікарського засобу . Якщо , то лікарський засіб можна використовувати при лікуванні захворювання, у якому має місце -й симптом. Якщо , то лікарський засіб не можна використовувати при лікуванні будь-якого захворювання, ознакою якого є -й симптом. Умовимося позначати через множину симптомів, при яких лікарський засіб показаний, а через - множину симптомів, при яких лікарський засіб протипоказаний.

Визначення 13. Множиною компонентів векторів класифікації будемо називати множину . Фактично - це ім'я класу еквівалентних по елементів, що занумерований числом . Нехай далі, елементи множини лінійно упорядковані за допомогою ін'єктивного відображення , де - число елементів у множині . Наприклад, якщо , то це значить, що елемент знаходиться в упорядкованій множині під номером . Відображення визначає пріоритет елементів у множині таким чином: із двох елементів множини елемент із меншим номером має більший пріоритет ніж елемент з великим номером.

Далі розглянемо множини номерів симптомів: . Передбачається, що деякі можливо порожні. Передбачається, далі, що множини лінійно упорядковані. Множину будемо називати множиною симптомів, які зв'язані з компонентом класифікації . Надалі будемо виходити з того, що призначення лікарських засобів повинне задовольняти наступним умовам:

1. У списку призначених лікарських засобів не повинно бути лікарських засобів, що протипоказані хворому.

2. Список лікарських засобів повинний бути таким, щоб у результаті проведеного лікування всі показники пацієнта прийшли в норму, тобто симптоми захворювання повинні зникнути.

3. Бажано, щоб список призначених лікарських засобів був мінімальний.

4. Загальна вартість призначених лікарських засобів повинна бути мінімальний за складом.

Нехай тепер деякий вектор ідентифікований як елемент із вектором класифікації , де . Нехай відповідно номера цих елементів в упорядкованій множині . Позначимо через , а через . Через будемо позначати множину лікарських засобів, протипоказаних конкретному пацієнтові з вектором симптомів . Множина лікарських засобів , призначених пацієнтові з вектором симптомів повинна задовольняти наступним умовам:

1) ;

2) ;

3) при видаленні будь-якого медикаменту з множини умова 2) не повинна виконуватися;

4) повинна бути мінімізована по аналогах лікарських засобів, тобто при заміні будь-якого його аналогом сума не повинна зменшитися.

Побудована математична модель призначення лікарських засобів, є основою для розробки алгоритму призначення лікарських засобів, достатніх для успішного лікування, який мінімізує негативні наслідки лікування, а також витрати на придбання необхідних медикаментів.

Викладені у розділі 2 теоретичні положення математичних моделей і методики прийняття рішень, з використанням поняття вирішальної комбінації ознак, є основою для розробки системи прийняття рішень і реалізації розробленої методики.

У третьому розділі роботи розглядаються вимоги до СППР, що дозволяє автоматизувати всі етапи лікувального процесу. З обліком усіх необхідних вимог розробляється структура СППР для діагностики, лікування та моніторингу хворих в умовах неповної інформації. На підставі аналізу архітектури системи виділяються основні модулі, описуються задачі й умови їхнього функціонування з урахуванням особливостей предметної області. Визначається інформаційне наповнення бази даних та бази знань системи. Розробляються алгоритми функціонування основних модулів системи з урахуванням створених математичних моделей. Приводиться опис програмної реалізації СППР для захворювання тиреотоксичним серцем. У складі СППР необхідна наявність трьох головних компонентів: бази даних, бази моделей та програмна підсистема, що складається з бази знань, системи керування базою даних (СКБД), системи керування базою моделей (СКБМ) і системи керування інтерфейсом між лікарем і комп'ютером.

Рис. 1. Основні компоненти інформаційно-технічної системи підтримки прийняття рішень

З урахуванням розробленої структури бази даних, і впровадження створених математичних моделей, методики прийняття рішень у розробку СППР розроблені алгоритми основних функціональних модулів системи і відповідний програмний комплекс “Тиреотоксичне серце”, що реалізує запропоновану методику.

У зв'язку з тим, що кількість даних дуже велика і потрібна їх швидка обробка, для реалізації бази даних була використана СКБД Borland Interbase 6.5. Клієнтська частина програми була створена у середовищі програмування Borland Delphi 6.

Таблиця 1. Оцінка виявлення ознак ТС на стаціонарному етапі

Складні компоненти постановки діагнозу (ознаки),	Кількість хворих (%) з виявленими ознаками ТС,
	без СПР,	з СПР,
біль у животі	15	25	1,667
умовно-рухове збудження	93	97	1,043
пігментація вік, екзофтальм	52	52	1,000
очні симптоми	38	41	1,079
ознаки лівошлуночкової СН	19	22	1,158
аритмічність тонів серця	18	26	1,444
анемія	15	38	2,533
підвищення рівня цукру в крові	5	20	4,000
миготлива аритмія	17	22	1,294
передсердна екстрасистолія	21	30	1,429

У четвертому розділі приведена апробація роботи системи: оцінка виявлення ознак ТС на стаціонарному етапі з використанням і без використання розробленої СППЛР, порівняльна оцінка ефективності діагностичного процесу, оцінка ефективності призначення комплексного індивідуалізованого медикаментозного лікування.

На підставі впровадження системи “Тиреотоксичне серце” у лікарні міста Луганськ №1 отримані наступні результати: виявляємість ознак захворювання з застосуванням СППЛР збільшилася на 18,9 % (табл.1); результати діагностики отримані з використанням СППЛР відповідають результатам діагностики лікаря-експерта і це порозумівається тим, що в системі процес діагностики реалізований на основі вивчення діяльності лікаря-експерта; в умовах порівняння роботи практикуючого лікаря спеціалізованого відділення, використання СППР спостерігається поліпшення якості діагностування; розроблена СППР формує індивідуалізоване медикаментозне лікування на рівних з фахівцем профільного спеціалізованого відділення; автоматизований підбір лікарських препаратів дозволяє більш детально вирішувати питання комплексного синдромного лікування конкретного хворого.

ВИСНОВКИ

У дисертації проведено теоретичне узагальнення і нове рішення наукової задачі діагностування при розробці СППЛР в умовах неповної інформації. Основні результати роботи мають важливе наукове, теоретичне і практичне значення і зводяться до наступного.

1. Запропоновано нову методику прийняття рішень для діагностики та лікування хворих при неповному наборі симптомів. Поставлено задачу ідентифікації в умовах неповної інформації. У відмінності від традиційних методів прийняття рішень у медицині в постановці задачі відсутня можливість ранжирування ознак, враховуються особливості діагностируємого захворювання, а саме його багаторівнева структура.

2. Розроблено математичну модель задачі ідентифікації діагнозу в умовах неповної інформації з метою впровадження в розробку СППЛР для діагностики та лікування хворих.

3. Розроблено математичну модель прийняття рішень по лікуванню хворого на основі встановленого діагнозу з урахуванням виявлення невідкладних ознак, визначення ефективності лікування та призначення лікарських засобів спираючись на соціальний статус хворого.

4. На основі проведених теоретичних досліджень спроектована структура СППР, визначені основні модулі, задачі й умови їхнього функціонування.

5. Для практичної реалізації СППЛР розроблені алгоритми функціонування модулів системи прийняття рішень на основі створених математичних моделей.

6. Розроблено автоматизовану СППЛР. Проведена її апробація для діагностики лікування та моніторингу хворих тиреотоксичним серцем. Порівняльний аналіз результатів процесу діагностики практикуючого лікаря і розробленої системи показав якісну перевагу запропонованої методики, алгоритмів автоматизованої системи.

7. Проведено реалізацію системи в клінічних умовах спеціалізованих відділень Луганської обласної клінічної лікарні і міських лікарень №5 та №9 м. Луганська.

Отримані результати є істотним етапом для підвищення ефективності використання СППР у рамках рішення задач діагностування захворювань з багаторівневою структурою. Реалізація запропонованої математичної моделі призначення лікарських засобів запобігає можливості втрати з уваги лікаря наявної патологічної ознаки і відповідає вимогам лікування в профільному спеціалізованому відділенні. У розробленій методиці прийняття рішень врахована можливість циклічного перебігу захворювання, тобто захворювань хронічної природи.

Досягнення поставленої мети даного дослідження забезпечує можливість широкого використання отриманих результатів в області використання СППР у рамках задач діагностування для захворювань з багаторівневою структурою.

СПИСОК ОПУБЛІКОВАНИХ АВТОРОМ ПРАЦЬ ЗА ТЕМОЮ ДИСЕРТАЦІЇ

1. Ляшенко Т.В. Розробка медичної інтелектуальної системи моніторингу і лікування хворих тиреотоксическим серцем. // Вісник Східноукраїнського національного університету. - Луганськ. - 2001. - №9(43). - С. 248-252.

2. Ляшенко Т.В. Разработка медицинской интеллектуальной системы мониторинга и лечения больных тиреотоксическим сердцем. // Матеріали другої міжнародної конференції “Математичні моделі та інформаційні технології в соціально-економічних та екологічних системах”. - Луганськ. - 2001. - С. 203-204.

3. Ляшенко Т.В. Математичний опис механізму призначення лікувальних засобів для системи підтримки лікарських рішень з метою діагностики та лікування хворих на тиреотоксичне серце. // Вісник ЖІТІ.- Житомир. - 2002. - №4. - С. 203-205.

4. Ляшенко Т.В. Интеллектуальная система поддержки принятия врачебных решений для мониторинга больных с диагнозом тиреотоксическое сердце. // Искусственный интеллект.- ІПШІ “Наука й освіта”. - 2002. - №4. - С. 28-36.

5. Ляшенко Т.В. Компьютерная система диагностики больных тиреотоксическим сердцем. // Известия ТРТУ. - Таганрог. - 2002. - №2. - С. 301-303.

6. Ляшенко Т.В. Концепция реализации компьютерной диагностической для больных тиреотоксическим сердцем. // Вісник Східноукраїнського національного університету імені Володимира Даля. - Луганськ. - 2002. - №2(48). - С. 246-249.

Размещено на Allbest.ru