Інформаційна підтримка прийняття рішень для медико-генетичної консультації

Размещено на http://www.allbest.ru/

МІНІСТЕРСТВО ОСВІТИ І НАУКИ УКРАЇНИ

ХЕРСОНСЬКИЙ НАЦІОНАЛЬНИЙ ТЕХНІЧНИЙ УНІВЕРСИТЕТ

УДК 681.323:518.2

ІНФОРМАЦІЙНА ПІДТРИМКА ПРИЙНЯТТЯ РІШЕНЬ

ДЛЯ МЕДИКО-ГЕНЕТИЧНОЇ КОНСУЛЬТАЦІЇ

05.13.06 - інформаційні технології

Автореферат

дисертації на здобуття наукового ступеня

кандидата технічних наук

ДИМОВ ВОЛОДИМИР СТЕПАНОВИЧ

Херсон - 2009

Дисертацією є рукопис.

Робота виконана в Херсонському національному технічному університеті Міністерства освіти і науки України.

Науковий керівник: доктор технічних наук, професор Марасанов Володимир Васильович, завідувач кафедри економічної кібернетики, Херсонський державний аграрний університет Міністерства аграрної політики України, м. Херсон.

Офіційні опоненти: доктор технічних наук, професор Шарко Олександр Володимирович, завідувач кафедри загальної і прикладної фізики Херсонський національний технічний університет Міністерства освіти і науки України, м.Херсон;

доктор технічних наук, професор Скобцов Юрій Олександрович, завідувач кафедри автоматизованих систем управління Донецький національний технічний університет Міністерства освіти і науки України, м. Донецьк

Захист відбудеться «09» жовтня 2009р. о 10.00 годині на засіданні спеціалізованої вченої ради Д 67.052.01 в Херсонському національному технічному університеті за адресою:

73008, м. Херсон, Бериславське шосе, 24, корп. 3, ауд. 320.

З дисертацією можна ознайомитися в бібліотеці Херсонського національного технічного університету за адресою: 73008, м. Херсон, Бериславське шосе, 24.

Автореферат розіслано «08» вересня 2009 р.

Вчений секретар

спеціалізованої вченої ради А.В. Шеховцов



АНОТАЦІЯ

Димов В.С. Інформаційна підтримка прийняття рішень для медико-генетичної консультації. - Рукопис.

Дисертація на здобуття вченого ступеня кандидата технічних наук за фахом 05.13.06 - інформаційні технології. - Херсонський національний технічний університет, Херсон, 2009.

Дисертаційна робота присвячена актуальній проблемі підвищення ефективності функціонування медико-генетичної консультації за рахунок введення в практику обстеження пацієнтів нових методів і алгоритмів прогнозування виникнення і діагностики вроджених вад розвитку і генетичних відхилень. генетичний медичний консультація вада

Вперше запропонований комплекс математичних моделей і інформаційна технологія для вирішення задач ранньої диференціальної діагностики вроджених вад розвитку і генетичних відхилень.

Проведена структуризація і визначений функціональний склад СППР лікаря-генетика. СППР включає підсистеми, що реалізують всі етапи процесу обстеження пацієнта. Виконаний аналіз джерел негативного впливу зовнішнього середовища на материнський організм і плід.

Розроблена модель оцінки негативного впливу забруднення повітряного басейну викидами промислових підприємств і автотранспорту на організм людини. Запропонований коефіцієнт небезпеки підприємства з погляду кількісного і якісного складу викидів, а також узагальнений коефіцієнт шкідливості для людини.

Для реалізації діагностичного алгоритму запропонований метод головних компонент. Як засіб опису взаємної залежності симптомів використані кореляційні матриці нозологічних форм. Аналіз власних значень кореляційних матриць «зразків» захворювань і вектора обстеження пацієнта дозволяє перейти до їх опису за допомогою меншого числа прихованих внутрішніх чинників при збереженні основної інформативності. Для пошуку власних значень кореляційних матриць запропоновано використовувати нейронну мережу, що працює на основі правила навчання Хебба, і що дозволяє істотно прискорити обчислювальний процес і скоротити розмірність оброблюваних даних.

Результати моделювання роботи системи показали достатньо високу імовірність постановки правильного діагнозу при скороченні об'єму оброблюваних даних, а також часу обробки.

Отримані результати можна використовувати для інформаційної підтримки діагностичного процесу, а також для оцінки екологічного стану міста і в учбовому процесі.

Ключові слова: інформаційна технологія, підтримка прийняття рішень, медико-генетична консультація, постановка діагнозу, метод головних компонент, нейронні мережі.



АННОТАЦИЯ

Дымов В.С. Информационная поддержка принятия решений для медико-генетической консультации. - Рукопись.

Диссертация на соискание ученой степени кандидата технических наук по специальности 05.13.06 - информационные технологии. - Херсонский национальный технический университет, Херсон, 2009.

Диссертационная работа посвящена актуальной проблеме повышения эффективности функционирования медико-генетической консультации за счет введения в практику обследования пациентов новых методов и алгоритмов прогнозирования возникновения и диагностики врожденных пороков развития и генетических отклонений.

Впервые предложен комплекс математических моделей и информационная технология для решения задач ранней дифференциальной диагностики врожденных пороков развития и генетических отклонений.

Проведена структуризация и определен функциональный состав СППР врача-генетика. СППР включает подсистемы, реализующие все этапы процесса обследования пациента. Выполнен анализ источников негативного воздействия внешней среды на материнский организм и плод.

Разработана модель оценки негативного воздействия загрязнения воздушного бассейна выбросами промышленных предприятий и автотранспорта на организм человека. Предложен коэффициент опасности предприятия с точки зрения количественного и качественного состава выбросов, а также обобщенный коэффициент вредности для человека.

Для реализации диагностического алгоритма предложен метод главных компонент. В качестве средства описания взаимной зависимости симптомов использованы корреляционные матрицы нозологических форм. Анализ собственных значений корреляционных матриц «образцов» заболеваний и вектора обследования пациента позволяет перейти к их описанию при помощи меньшего числа скрытых внутренних факторов при сохранении основной информативности. Для получения собственных значений корреляционных матриц предложено использовать нейронную сеть, работающую на основе правила обучения Хебба, и позволяющая существенно ускорить вычислительный процесс и сократить размерность обрабатываемых данных.

Результаты моделирования работы системы показали достаточно высокую вероятность постановки правильного диагноза при сокращении объема обрабатываемых и хранимых данных, а также времени обработки.

Полученные результаты можно использовать для информационной поддержки диагностического процесса, а также для оценки экологического состояния города и в учебном процессе.

Ключевые слова: информационная технология, поддержка принятия решений, медико-генетическая консультация, постановка диагноза, метод главных компонент, нейронные сети.

ANNOTATION

Dymov V.S. Informative support of making a decision for medical genetics consultation. - Manuscript.

Dissertation for obtaining candidate scientific degree of the engineerings sciences on speciality 05.13.06 - information technologies. - Kherson National Technical University, Kherson, 2009.

Dissertation work is devoted the issue of the day of increase of efficiency of functioning of medical genetics consultation due to introduction to practice of inspection of patients new methods and algorithms of innate teratosiss and genetic rejections prognostication and diagnostics.

The complex of mathematical models and information technology is first offered for the decision of tasks of early differential diagnostics. Strukturizing is conducted and functional composition of doctor-geneticist DSS is certain. DSS includes subsystems, realizing all of the stages of patient inspection process . The analysis of sources of negative influence of external environment is executed on a maternal organism and pre-born.

The model of estimation of negative influence of air pool contamination the extrass of industrial enterprises and motor transport is developed on the organism of human. The coefficient of enterprise danger is offered from point of quantitative and high-quality composition of extrass, and also the generalized coefficient of harmfulness for a human.

For realization of diagnostic algorithm the method of main components is offered. As a mean of description of mutual dependence of symptoms the cross-correlation matrices of nosology forms are utillized. The analysis of eigenvalues of cross-correlation matrices of diseases «standards» and vector of patient inspection allows to pass to their description through the less number of the hidden internal factors at the maintainance of the basic informing. For the receipt of eigenvalues of cross-correlation matrices it is suggested to utillize a neuron network, working on the basis of Hebb's teaching rule, and allowing substantially to accelerate a calculable process and shorten the dimension of the processed information.

The results of the system modelling shown high enough probability of raising of correct diagnosis at reduction of volume of the processed and storable information, and also time of treatment.

It can draw on the got results for informative support of diagnostic process, and also for the estimation of the ecological state of city and in an educational process.

Keywords: information technology, decision support system, medical genetics consultation, diagnosis, main components method , neuron networks.



ЗАГАЛЬНА ХАРАКТЕРИСТИКА РОБОТИ

Актуальність теми. Сучасна медицина характеризується різким зростанням кількості інформації, що переробляється при вирішенні традиційних лікарських задач: постановка діагнозу, прогнозування захворювання, вибір схеми лікування і її корекція по спостережуваних результатах. За спостереженнями фахівців, обробка інформації займає 30% і більш робочого часу лікарів і не менше 20% робочого часу середнього медичного персоналу.

Одним з найважливіших завдань медицини є постановка діагнозу, тобто процес зіставлення виявленого у пацієнта набору симптомів відомому захворюванню. Від правильності постановки діагнозу залежить як вибір методу лікування, так і його результат.

Розвиток кібернетичних методів в медицині відбувається повільніше, ніж в технічних науках. Це пов'язано з наступними чинниками:

· надзвичайна складність об'єкту, що вивчається, - людини;

· велика кількість і різноманітність нозологічних форм;

· результати обстеження хворого містять численні істотні взаємозалежні чинники, кожен з яких схильний до природної мінливості;

· відсутність стандартизації в описі хвороб, інтерпретації лабораторних досліджень і точних кількісних критеріїв в області медицини.

Проблемам застосування кібернетичних методів в медицині присвячені роботи вітчизняних учених Н.М. Амосова, В.М. Глушкова, І.І. Коваленко, В.В. Марасанова, Ю.А. Скобцова, Е.В. Гублера, А.А. Генкина, А.М. Дуброва, Т.Б. Постновой, В.В. Александрова, Г.К. Максимова, А.А. Коровіна, І.Я. Лієпа, а також зарубіжних Р. Беллмана, Н. Бейлі, Р.Б. Тейлора, Л. Ластеда та ін.

Проте, ряд питань, що стосуються автоматизованої медичної діагностики, так і залишається невирішеним. Перш за все це стосується вибору алгоритму діагностики і статистичного методу, який лежить в основі діагностичного процесу і дозволить точно описати і пояснити всю сукупність взаємозв'язаних результатів досліджень.

Відомо, що можна автоматизувати обробку майже всіх видів медичної інформації. Аналіз постановки діагнозу лікарем показав, що цей процес в значному ступені залежить лише від інтуїції. Лікар широко використовує досвід, накопичений в його пам'яті, відомості, отримані при обстеженні хворого, і діє по певних правилах, яким він був навчений або виробив самостійно в процесі лікувальної практики (тобто відповідно до певного діагностичного алгоритму). У обчислювальній діагностиці процес постановки діагнозу є динамічною процедурою: дослідження проводяться послідовно від простих до складніших і поетапно робляться діагностичні висновки. Чим більше є даних, тим більше імовірність постановки правильного діагнозу. Теоретично можна отримати будь-яку кількість інформації про пацієнта, проте на практиці доводиться враховувати ряд важливих обмежень: недолік часу, відсутність кваліфікованого персоналу, відсутність засобів діагностики. Обчислювальна діагностика не припускає виключення лікаря з сфери діагностичної діяльності, її головне завдання - створення нових, точніших і досконаліших методів прийняття діагностичних рішень на основі математичних методів і засобів обчислювальної техніки.

Зв'язок роботи з науковими програмами, планами, темами.

Виходячи з існуючої потреби вирішення задачі створення СППР лікаря-генетика проведений комплекс наукових і дослідницьких робіт за оцінкою дії впливу навколишнього середовища на генетичний апарат людини, розробкою методів і алгоритмів визначення ризику виникнення вроджених вад розвитку і генетичних відхилень, а також їх автоматизованої допологової діагностики.

Роботи виконувалися на кафедрі технічної кібернетики Херсонського національного технічного університету Міністерства освіти і науки України відповідно до наукового напряму кафедри в рамках держбюджетної теми «Математичні моделі прогнозування і діагностики генетичних відхилень новонароджених» (ДР № 0107U010642 і № 0105U000950). Особистий внесок автора, як одного з виконавців, полягає в розробці і реалізації алгоритмів пошуку найбільш імовірного діагнозу, а також в розробці нових моделей і методів оцінки дії навколишнього середовища на організм людини.

Мета і завдання дослідження. Основна мета роботи: підвищення ефективності функціонування медико-генетичної консультації за рахунок введення в практику обстеження пацієнтів нових методів і алгоритмів прогнозування виникнення і діагностики вроджених вад розвитку і генетичних відхилень.

Для досягнення поставленої мети в дисертації сформульовані і вирішені такі завдання:

· проведений аналіз виявлених генетичних відхилень і вроджених вад розвитку у новонароджених в м. Херсоні і області на основі даних дитячої клінічної обласної лікарні і обласного медико-консультативного діагностичного центру, а також аналіз динаміки виявлених відхилень;

· проведений аналіз каналів негативного впливу на материнський організм і плід; визначені найбільш небезпечні канали впливу;

· розроблена структура СППР; визначений склад основних підсистем; вибрані засоби реалізації функцій підсистем СППР;

· вибрані кількісні оцінки для характеристики несприятливого впливу навколишнього середовища на організм вагітної жінки і плід;

· систематизовані теоретичний апарат і математичні моделі задачі постановки медичного діагнозу, методи автоматизованої діагностики;

· реалізовані розроблені моделі і алгоритми, створені засоби, що реалізують функції підсистем СППР;

· проведено моделювання роботи діагностичного алгоритму і аналіз результатів моделювання.

Об'єкт дослідження. Процес ранньої диференціальної діагностики можливих генетичних відхилень плоду, які викликаються насамперед впливом тератогенних і мутагенних чинників навколишнього середовища.

Предмет дослідження. Моделі і методи прогнозування і пошуку найбільш імовірного діагнозу, а також близьких по імовірності діагнозів.

Методи дослідження. Теоретичні дослідження, виконані в роботі, базуються на методах теорії ймовірностей і випадкових процесів, математичної статистики (факторний аналіз), розпізнавання образів, теорій прийняття рішень, теорії штучних нейронних мереж. Експериментальні оцінки запропонованих методів засновані на методах статистичної обробки експериментальних даних і імітаційному моделюванні.

Для вирішення задач моделювання і обробки експериментальних даних використані пакети програм MATHCAD, Statistica, SPSS, а також оригінальні програми, написані автором на мовах FOXBASE і Turbo Pascal).

Наукова новизна отриманих результатів. В процесі досліджень було отримано нове рішення наукового завдання створення інформаційної технології в підтримку роботи медико-генетичної консультації.

Вперше:

· запропонований комплекс математичних моделей і інформаційних технологій для вирішення завдань ранньої диференціальної діагностики нозологічних форм, направлений на підвищення ефективності роботи медико-генетичної консультації, який є доповненням теоретичних і практичних основ методології і інструментарію процесів диференціальної діагностики для аналізу, синтезу і побудови СППР лікаря-генетика.

Отримали подальший розвиток:

· структуризація і функціональний склад СППР лікаря-генетика, що включає основні етапи процесу обстеження пацієнта, дозволяє підвищити ефективність роботи медико-генетичної консультації на основі вивчення теоретичних і методичних питань інформаційного забезпечення діагностичного процесу, аналізу джерел негативного впливу навколишнього середовища на материнський організм і плід, методів інформаційного і математичного моделювання.

· процес прийняття рішень в задачах ранньої диференціальної діагностики захворюваньна підставі аналізу кореляційних матриць нозологічних форм та вектору обстеження пацієнту.

· математичні моделі процесу вироблення найбільш імовірного і близьких по імовірності діагнозів на базі теорій факторного аналізу і штучних нейронних мереж на підставі порівняння кутів відхилень вектору обстеження пацієнту від векторів зразків нозологічних форм.

Вдосконалені:

· структура і склад баз даних, які складають інформаційне забезпечення СППР лікаря-генетика.

· модель оцінки негативного впливу забруднення повітряного басейну викидами промислових підприємств і автотранспорту на організм людини. Запропоновано коефіцієнт небезпеки підприємства з погляду кількісного і якісного складу викидів, а також узагальнений коефіцієнт шкідливості для людини.

· методологія отримання власних значень кореляційних матриць на основі правила навчання Хебба, що дозволяє істотно прискорити обчислювальний процес і скоротити розмірність оброблюваних даних.

Обґрунтованість і достовірність наукових положень, виводів і рекомендацій підтверджується коректним використанням математичного апарату і збігом результатів статистичного і імітаційного моделювання з теоретичними положеннями і прогнозами; порівняльним аналізом з підтвердженими діагнозами.

Практичне значення отриманих результатів.

Розроблена в дисертаційній роботі СППР в цілому, а також методи і алгоритми, що входять до її складу, можуть бути використані для вирішення задач постановки діагнозу не тільки в області медичної генетики, але і в інших областях, які вимагають пошук найбільш імовірного і близьких по імовірності діагнозів. Особливе значення отримані результати мають для діагностичних систем відкритого типу, які самонавчаються в процесі роботи. При моделюванні на тестових даних запропонований діагностичний алгоритм показав підвищення достовірності діагностики в порівнянні з використовуваними методами і алгоритмами.

У дисертації закладені основи подальшого розвитку СППР на основі роботи самонавчальних штучних нейронних мереж, що приведе до значного скорочення часу прийняття рішень при використанні паралельних обчислювальних систем і технологій паралельного програмування.

Наукові положення, теоретичні і експериментальні результати, викладені, в дисертаційній роботі були використані при проведенні лабораторних робіт і читанні курсів лекцій з дисциплін «Методи обробки даних і прогнозування» і «Основи екології» на кафедрах економічної кібернетики і генетики Херсонського державного аграрного університету Міністерства аграрної політики України.

Практична цінність дисертації підтверджується актом про впровадження елементів наукових досліджень в роботу відділу інструментально-лабораторного контролю Державної екологічної інспекції в Херсонській області.

Особистий внесок здобувача.

Всі положення, теоретичні і практичні результати дисертаційної роботи, які виносяться на захист, отримані автором самостійно. З наукових робіт, опублікованих в співавторстві, в роботі використані тільки ті ідеї і положення, які з'явилися результатом робіт здобувача.

Апробація результатів дисертації.

Основні положення дисертації і її окремі результати обговорювалися на конференціях і нарадах: міжнародній конференції «Моделювання і дослідження стійкості систем» (Київ, 1997); IV-й Української конференції «Автоматика-97» (Черкаси, 1997); V-й Української конференції «Автоматика-98» (Київ, 1998); VIII-й Міжнародній конференції з управління «Автоматика-2001» (Одеса, 2001); всеукраїнській конференції «Проблеми легкої і текстильної промисловості» (Херсон, 2001); Х-й Міжнародної конференції з автоматичного управління «Автоматика-2003» (Севастополь, 2003); VI-й Міжнародної науково-практичної конференції «Інформаційні технології в освіті і управлінні (стендова доповідь) (Н.Каховка, 2004); 3-ій Міжнародній конференції «Комп'ютерній моніторинг і інформаційні технології» (Донецьк, 2007); наукових семінарах кафедри технічної кібернетики; міжкафедральних наукових семінарах ХНТУ.

Публікації. Основний зміст дисертації відбитий в 17 публікаціях, з них: статті - 10 (у журналах і тематичних збірках, зокрема 6 в спеціалізованих виданнях ВАК України), тези доповідей - 7.

Структура і об'єм дисертації. Дисертація складається з вступу, 4 розділів, виводів, списку літератури і додатків. Матеріал викладений на 165 сторінках. Робота містить 14 малюнків, 25 таблиць і 5 додатків. Список літератури включає 136 найменувань.

ОСНОВНИЙ ЗМІСТ РОБОТИ

Вступ містить загальну характеристику роботи; актуальність теми і наукової задачі; зв'язок роботи з науковими програмами, темами, планами; мету і задачі дослідження; об'єкт, предмет і методи дослідження; наукову новизну і практичне значення отриманих результатів; оцінку особистого внеску здобувача; відомості про апробацію, впровадження і публікацію результатів дослідження.

У першому розділі «Аналіз стану проблеми і постановка задачі досліджень» позначені основні проблеми з області медичної діагностики, проведений огляд використовуваних інформаційних технологій, а також інформаційного і програмного забезпечення. Показано, що по вигляду і наявності інформації, характеру схвалюваних рішень і ходу протікання процесу прийняття рішень проблемна область медичної діагностики найбільш близька до управлінської проблемної області, а СППР має вагомі переваги перед експертними системами.

В даний час існують як розробки країн СНД (наприклад, "ДІАГЕН", "ХРОДІС", "СИНГЕН" і "СИНДИАГ"), так і зарубіжні ("P.O.S.S.U.M.", Лондонська база даних - LDDB та ін.) діагностичні системи. Практично всі вони орієнтовані на попередню діагностику спадкових захворювань по клінічній симптоматиці і результатам лабораторних і (або) функціональних досліджень. Їх використання значно звужує круг діагнозів і надає лікареві-генетикові вузький диференціальний ряд нозологічних форм. Крім того, вказані програмні продукти характеризуються високою вартістю, постійно зростаючим об'ємом інформації, що зберігається і обробляється, та складністю адаптації медичного персоналу до роботи з програмою.

Для обліку впливу зовнішнього середовища на материнський організм і плід, що розвивається, проведений аналіз можливих каналів негативного впливу. Проаналізована динаміка виявлення уроджених вад розвитку та генетичних відхилень в м. Херсоні і області за 5 рокув спостережень.

Аналіз екологічної обстановки в м. Херсоні і області показав, що не дивлячись на спад виробництва, кількість шкідливих домішок, що містяться в атмосферному повітрі, практично не зменшується і у багатьох випадках (наприклад, бензо(а)пірен) перевищує допустимі норми.

На основі результатів аналізу конкретизована основна мета роботи і завдання досліджень.

У другому розділі «Принципи побудови системи підтримки прийняття рішень для медико-генетичної консультації» розроблена рекомендована узагальнена схема обстеження пацієнта з урахуванням особливостей роботи лікаря-генетика консультації. На її основі розроблена структура СППР, визначений склад її основних підсистем визначені функції підсистем і запропоновані засоби для їх реалізації.

СППР складається з функціональної та забезпечуючої частин. Функціональна частина СППР включає опис сукупності взаємозв'язаних завдань, що відображають особливості функцій діяльності користувача, які підлягають автоматизації. В основі функціональної частини СППР лежать вимоги, що пред'являються до неї з боку користувача; функціональна специфікація (опис вхідної, внутрішньої і вихідної інформації); засоби і методи досягнення необхідної достовірності і якості інформації; інтерфейси.

Забезпечуюча частина СППР включає традиційні види забезпечень: інформаційне, технічне (апаратне), програмне, технологічне, математичне і організаційне. Інформаційне забезпечення містить опис організації інформаційної бази СППР, регламентує інформаційні зв'язки. Технічним забезпеченням є комплекс технічних засобів обробки інформації, призначений для автоматизації виконання функцій фахівця в предметній і проблемній областях його інтересів. Програмне забезпечення містить як загальну частину (операційні системи, мови програмування і сервісні програми, так і спеціалізовані програми, розроблені для вирішення конкретних обчислювальних завдань. Технологічне забезпечення СППР призначене для організації технологічного процесу використання системи: методика роботи з програмним забезпеченням, вимоги до обчислювального і периферійного устаткування. Математичним забезпеченням СППР є сукупність математичних методів, що є основою алгоритмів вирішення задач. Організаційне забезпечення включає засоби і методи організації функціонування, вдосконалення і розвитку СППР. До організаційного забезпечення відноситься документальне оформлення прав і обов'язків користувачів СППР.

Основні підсистеми СППР вирішують наступні задачі:

· підсистема управління і координації відповідає за взаємодію всіх підсистем СППР, початок і закінчення сеансу роботи, захист від несанкціонованого доступу до даних;

· підсистема реєстрації пацієнтів виконує включення нового пацієнта в базу даних, збір особистих даних пацієнта, оновлення бази даних при повторних зверненнях пацієнтів;

· сервісна підсистема виконує перевірку коректності даних, що вводяться до системи, корекцію записів в базі даних пацієнта, збереження і резервне копіювання даних, вивід на друк;

· пошукова підсистема дає можливість пошуку заданої певним критерієм інформації в базі даних;

· підсистема статистичної обробки інформації відповідає за збір, обробку і видачу статистичної інформації, корекцію баз даних нозологічних форм при отриманні остаточних результатів обстеження з урахуванням підтверджених діагнозів;

· підсистема анкетування пацієнтів виконує збір додаткової інформації про пацієнта, аналіз зібраної інформації; визначає емпіричний ризик спадкових захворювань;

· підсистема аналізу впливу медикаментів призначена для прогнозування ризику виникнення генетичних відхилень та уроджених вад розвитку на основі аналізу фармакологічних препаратів, що приймаються пацієнтом, з урахуванням їх тератогенно-термінаційних циклів (ТТЦ);

· підсистема аналізу впливу навколишнього середовища виконує розрахунок коефіцієнтів небезпеки промислових підприємств і автотранспорту з урахуванням якісного і кількісного складу їх викидів в атмосферу, розрахунок узагальненого коефіцієнта шкідливості для материнського організму і плоду, прогнозування ризику на підставі розрахованих коефіцієнтів;

· підсистема аналізу впливу функціональних досліджень призначена для збору і аналізу інформації, отриманої за результатами функціональних досліджень пацієнтів та видачі попередніх рекомендацій;

· діагностична підсистема відповідає за проведення розрахункових діагностичних процедур та видачу рекомендацій по найбільш вірогідному і близьким по вірогідності діагнозам.

Для кожної з підсистем запропоновані засоби її реалізації. Службові підсистеми реалізуються в основному стандартними засобами СУБД (таблиці, форми введення, запити, форми звітів). Засоби збору і аналізу інформації для операційних підсистем мають специфічний зміст і складені в тісній співпраці з медичним персоналом медико-генетичної консультації.

Оскільки найбільший вплив на материнський організм і розвиток плоду надає дія шкідливих (тератогенних і мутагенних) речовин, що містяться у атмосферному повітрі, в складі СППР виділена окрема підсистема для аналізу цього впливу. Зазвичай оцінка якості повітря проводиться з урахуванням прийнятих стандартів - гранично допустимих концентрацій (ГДК), проте при цьому практично не враховуються тератогенні і мутагенні властивості хімічних сполук, що входять в його склад. Запропоновано для екологічної оцінки джерел забруднення атмосфери використовувати коефіцієнт небезпеки джерела шкідливих викидів, який враховує інформацію про спектр шкідливих речовин, що викидаються в атмосферу промисловими підприємствами і транспортом (їх гранично допустимі концентрації (ГДК_i) і клас небезпеки (K_i), а також про продуктивність джерел цих викидів P_i:

Дані про забруднення атмосфери є важливими як для оцінки рівня забруднення, так і для оцінки ризику захворюваності та смертності населення. Для оцінки дії навколишнього середовища на організм людини запропоновано використовувати узагальнений коефіцієнт шкідливості:

де t_p (t_н) - час перебування індивіда на відстані R_pk (R_нk) від k-го джерела забруднення атмосфери в робочий (неробочий) час;

h - висота приземного шару атмосфери, в межах якої спостерігається основна концентрація викидів (в розрахунках прийнято h = 200 м);

M_k - коефіцієнт небезпеки джерела викидів згідно (1).

Для спрощення розрахунків узагальненого коефіцієнта шкідливості територія м. Херсона і прилегла до нього була розділена згідно карти на квадрати розміром 500500 м (це відповідає масштабу турбулентності в межі міста). Для кожного з отриманих квадратів розрахований коефіцієнт потенційної небезпеки для населення з точки зору забруднення атмосферного повітря і з урахуванням розташування джерел викидів. При розрахунку відстаней до джерел викидів використана евклідова метрика. Квадратам, через які походять основні автомагістралі міста надано емпіричний ваговий коефіцієнт 1,2. Квадратам, в яких знаходяться зони відпочинку, або паркові зони надано емпіричний ваговий коефіцієнт 0,8.

Найбільш важливою виходячи з поставлених завдань є реалізація діагностичної підсистеми, яка необхідна для вироблення на основі отриманих даних найбільш вірогідного діагнозу і близьких по вірогідності діагнозів. Методи і алгоритми вирішення задачі діагностики представлені в третьому розділі.

Для операційних підсистем СППР розроблена інфологічна ER-модель («сутність - зв'язок»), що визначає склад таблиць, що входять бази даних підсистем, а також зв'язку між ними. Виконана нормалізація баз даних з метою зниження об'єму інформації, що зберігається.

Третій розділ «Математичні моделі для вирішення задачі постановки діагнозу» присвячений аналізу математичного апарату вирішення задач пошуку діагнозу і знаходження близьких по вірогідності діагнозів. Рішення задачі діагностики проводилося з позиції розпізнавання образів (нозологічних форм) на основі аналізу набору ознак (симптомів) у вигляді наступної послідовності етапів:

· дослідження об'єктів (образів), з'ясування їх особливостей;

· вибір принципу класифікації об'єктів;

· впорядковування апріорного словника ознак з урахуванням обмежень (можливість отримання апріорної інформації про ознаку, наявність необхідної інформативності ознаки, можливість оцінювання ознаки);

· опис класів об'єктів мовою ознак;

· розробка алгоритму розпізнавання і визначення міри близькості між об'єктом, що розпізнається, і класами об'єктів;

· розробка алгоритмів управління системою розпізнавання;

· вибір показників ефективності системи і оцінка їх значень.

Автоматизація оцінки діагностичної інформації вимагає введення чітких оцінок для симптомів з урахуванням їх цінності для постановки діагнозів різних нозологічних форм. Спочатку виділяється круг симптомів, характерних для даної форми або груп форм, а далі для цифрового запису лікарського досвіду по конкретній формі групу форм, обраних для диференціальної діагностики, представляють у вигляді впорядкованого списку {D₁, D₂, ...,D_k, ..., D_n}, де D_k - k-а нозологічна форма. Тоді лікарський досвід по k-ій нозологічній формі можна представити у вигляді m-вимірного вектора D_k = (X₁, X₂, ..., X_i, ..., X_m), де X_i, (i = 1, 2, ..., m) - впорядкований номер симптому, причому значення Х_i можуть вибиратися з ряду {0, 1} (якісна оцінка) або з ряду {0; 0,25; 0,5; 0,75; 1} (імовірнісна оцінка, отримана на основі лікарського досвіду). У другому випадку вектор

D_k = [P(X₁/D_k), P(X₂/D_k), ..., P(X_i/D_k), ..., P(X_m/D_k)],

де P(X_i/D_k) - умовна частота зустрічання симптому X_i для нозологічної форми D_k.

За аналогією можна представити і результати обстеження -го пацієнта: B = (X₁, X₂, ..., X_i, ..., X_m), X_i = 1, якщо у пацієнта виявлено i-ий симптом, інакше X_i = 0.

В роботі розглянуті існуючі методи комп'ютерної медичної діагностики і алгоритми , що їх реалізують (рис. 4).

Для реалізації діагностичного алгоритму вибраний метод головних компонент (МГК) - класичний метод зниження розмірності даних шляхом визначення незначної кількості лінійних комбінацій початкових ознак, що пояснюють велику частину мінливості даних в цілому (дисперсії), який дає однозначне рішення.

В цьому випадку метод головних компонент дає можливість перейти від опису захворювань за допомогою спостережуваних симптомів, до їх опису за допомогою прихованих внутрішніх чинників, і ґрунтується на аналізі власних значень кореляційних матриць «зразків» нозологічних форм і вектора обстеження пацієнта. Математична модель методу стверджує, що нормоване і центроване значення i-го симптому дорівнює сумі добутків значень внутрішніх чинників на коефіцієнти їх кореляції з даним симптомом:

де f_j - значення j-ої головної компоненти.

Процедура виконання обчислювальних операцій при обробці даних методом головних компонент представлена наступними перетвореннями.

Основною задачею є отримання матриці A - матриці коефіцієнтів кореляції між спостережуваними симптомами і головними компонентами. Початковими даними для розрахунків служить матриця X - сукупність ймовірностей симптомів, характерних для даної групи захворювань (кожен рядок матриці відповідає окремій нозологічній формі). Матриця X має розмір nm, де n - число нозологічних форм, а m - число симптомів (ознак).

На першому етапі обробки даних елементи матриці X за допомогою центрування і нормування перетворяться в елементи матриці Y = {y_ik}, у якій



де M(x)_k - математичне очікування x_ik; _k - середньоквадратичне відхилення x_ik.

На другому етапі за допомогою матриці Y визначаються кореляційні матриці R для кожної нозологічної форми (всього k матриць) - сукупність коефіцієнтів кореляції симптомів захворювання. В цій матриці кожен елемент r_iq = P(X_iX_q/D_k) = P(X_i/D_k)(P(X_q/D_k) - частота сумісної появи симптомів X_i і X_q для нозологічної форми D_k.

На третьому етапі по стандартних програмах визначається матриця A, з якою пов'язана важлива характеристика компонентного аналізу, - дисперсія головної компоненти, яка визначається виразом

На четвертому етапі відбирається необхідне число головних компонент l, які пояснюють задану величину дисперсії, і виконується вирішення зворотної факторної задачі, після отримання якого кожна головна компонента може бути представлена у вигляді функції від симптомів. Далі визначається внесок кожної головної компоненти в загальну дисперсію. Потім, розглядаючи головну компоненту як вектор, що визначає напрям і величину «руху» динамічної системи, знаходиться різниця між напрямами рухів зразкових систем (станів організму, характерних для конкретних нозологічних форм) і стану конкретного пацієнта у вигляді кута сумарного відхилення власних векторів захворювань і пацієнта. Мінімальний кут відхилення вказує на найбільш імовірний діагноз. Після упорядкування за збільшенням величин кутів між вектором пацієнта і векторами захворювань отримуємо інформацію про близькі по імовірності діагнози. Відбором необхідного числа головних компонент l метод дозволяє отримати необхідну достовірність результату (0,9; 0,95 і більше).

Для пошуку головних компонент запропонований метод, заснований на використання фільтру і узагальненого алгоритму навчання Хебба для нейронної мережі. Зроблені наступні припущення щодо структури мережі:

· всі нейрони вихідного шару є лінійними;

· нейромережа має m входів і l виходів (l < m).

Навчанню підлягає тільки множина синоптичних ваг {w_ji}, що поєднують вузли i вхідного шару з обчислювальними вузлами j вихідного шару, де i = 1, 2, …, m; j = 1, 2, …, l. Зміна синоптичної ваги w_kj в момент часу n можна виразити наступним співвідношенням:

де - швидкість навчання.

Існує тісний зв'язок між поведінкою нейронних мереж, що самоорганизуються, і статистичним методом аналізу головних компонент. Одін лінійний нейрон з правилом Хебба адаптації синоптичних ваг може бути перетворений у фільтр для виділення першої головної компоненти вхідного розподілу. Нейрон отримує множину з m вхідних сигналів x₁, x₂, …, x_m (координати вектора обстеження хворого, координати зразкового вектора нозологічної одиниці) через множину m сигналів w₁, w₂, …, w_m. Вихід отриманої моделі:

.



Розширивши це положення для мережі з l нейронів отримаємо, що вихідний сигнал y_j(n) нейрона j в момент часу n, який є відгуком на множину вхідних впливі {x_i(n)} | i = 1, 2, ..., m}, визначається наступною формулою

Синоптична вага w_ji(n) настроюється на кожному кроці відповідно до узагальненої форми запису правила навчання Хебба.

де w_ji(n) - корекція, вживана до синоптичної ваги w_ji(n) в момент часу n;

- параметр швидкості навчання.

Обчислення, що виконуються узагальненим алгоритмом Хебба, є простими і їх можна описати наступною послідовністю дій:

1. В момент часу n = 1 ініціюємо синоптичні ваги w_ji мережі випадковими малими значеннями. Призначаємо параметру швидкості навчання деяке мале позитивне значення (наприклад, де , m - розмірність вектора обстеження хворого).

2. Центруємо вектор

:



і надалі, відповідно до викладеної теорії фільтру Хебба використовуємо центроване значення; .

3. Для n = 1, j = 1, 2, ..., l та i = 1, 2, ..., m обчислюємо:

,

де x_i(n) - i-ий компонент вхідного вектора розмірності m1;

l - необхідна кількість головних компонент.

4. Збільшуємо n на одиницю, переходимо до кроку 3 і продовжуємо до тих пір, доки синоптичні ваги w_ji не досягнуть своїх сталих значень. Для великих значень n синоптичні ваги w_ji нейрона j сходяться до i-го компоненту власного вектора, пов'язаного з j-им власним значенням матриці кореляції вхідного вектора .

5. Знайшовши вектор головних компонент обстеження хворого і типові вектори нозологічних форм можна поставити діагноз або видати декілька найбільш імовірних діагнозів.

Доведено, що метод головний компонент і метод фільтру Хебба, що є реалізацією стохастичної апроксимації, дають аналогічний результат, оскільки використовують одну і ту ж інформацію, зосереджену в матриці кореляцій. Фільтр Хебба, реалізований у вигляді нейронної мережі прямого розповсюдження, вирішує задачу знаходження головних компонент і має найбільш просту обчислювальну реалізацію.

Прийняття рішення можна здійснювати шляхом знаходження мінімуму скалярних добутків вектора обстеження пацієнта і теоретичних векторів нозологічних форм.

У четвертому розділі «Моделювання роботи системи і реалізація результатів досліджень» виконана реалізація функцій запропонованих підсистем СППР на рівні алгоритмів і програмного забезпечення. Реалізована інфологічна модель баз даних, що входять до складу СППР у вигляді сукупності взаємозв'язаних таблиць і системи управління ними.

Головне вікно програми, що реалізує підсистему управління СППР з розкриттям основних пунктів головного меню, приведене на рис. 7. Форми заповнення документів (реєстрація пацієнтів, відповіді на опит лікаря, дані про медпрепарати з урахуванням ТТЦ та інші), склад запитів до БД і форми звітів реалізовані відповідно до вимог працівників медико-генетичної консультації.

При реалізації підсистеми аналізу впливу навколишнього середовища виконаний розрахунок забруднення атмосферного повітря районів м. Херсона з урахуванням викидів промислових підприємств і автотранспорту. Виявлені найбільш забруднені райони, проживання і робота в яких може привести до підвищеного ризику виникнення генетичних відхилень та уроджених вад розвитку у плоду.

Для перевірки запропонованого діагностичного алгоритму використані дані по 12 нозологічним формам (грип і захворювання, що мають схожі симптоми в перші дні протікання), засновані на більш, ніж 750 реальних історіях хвороби. Сукупність нозологічних форм описується сукупністю з 49 ознак. Частота появи ознак для кожної з форм послужила в якості початкових даних для проведення розрахунків за допомогою методу головних компонент. Для кожної з нозологічних форм побудовані кореляційні і коваріаційні матриці. Отримання значень головних компонент здійснено з використанням програми, що реалізовує нейронну мережу, побудовану на основі правила навчання Хебба. Це позбавляє медичний персонал від роботи із спеціалізованими програмними пакетами обробки багатовимірних даних. Отримані результати збігаються з результатами, отриманими за допомогою відомих статистичних пакетів Statistica та SPSS. Перші 8 головних компонент з 12 пояснюють більше 90% дисперсії результуючого значення (9 головних компонент - більше 95%).

Оскільки існує безліч ортогональних перетворень, що відображають спостережувані ознаки в безліч внутрішніх чинників, для підвищення інформативності виконано обертання власних векторів методом варімакс. Отримані матриці факторних навантажень і рахунків, що пов'язують спостережувані ознаки НФ з прихованими чинниками, які є координатами власних векторів, відповідних першим l головним компонентам. Подальше скорочення числа головних компонент недоцільно з-за зниження відсотків з'ясовної дисперсії, що можна пояснити сильною розрідженістю матриці початкових даних.

Виконано моделювання запропонованого методу діагностування на основі пошуку головних компонент зразків нозологічних форм і векторів обстеження пацієнтів. З метою перевірки роботи методу сформовані моделі нозологічних форм (200 випадків для кожної форми з урахуванням частоти прояву симптомів). В результаті моделювання отримані результати, які вказують на підвищення ефективності роботи медико-генетичної консультації і підвищення якості діагностування.

У додатках приведені результати розрахунків і моделювання, а також акти про використання отриманих результатів дисертаційного дослідження.

ВИСНОВКИ

1. Виконана формалізація процесів ранньої допологової діагностики можливості виникнення вроджених вад розвитку і генетичних відхилень, що дає можливість СППР видавати найбільш імовірний діагноз і близькі по імовірності діагнози.

2. Розроблена методика обчислення найбільш імовірного діагнозу на підставі аналізу головних компонент зразків нозологічних форм і їх порівняння з вектором обстеження пацієнта. Методика дозволяє скоротити об'єм даних, що зберігаються і обробляються, на 25-33% при достовірності постановки діагнозу відповідно 95,1 % і 90,8 %. Для реалізації процесу пошуку головних компонент використана нейронна мережа на основі алгоритму навчання Хебба, яка має найбільш просту обчислювальну реалізацію.

3. Запропонована структура СППР лікаря-генетика, визначений її склад і функціональне призначення підсистем з урахуванням особливостей характеру діагностичного процесу. Розроблені функції підсистем СППР лікаря-генетика; виконана практична реалізація підсистеми управління і координації СППР у вигляді закінченої програмної оболонки.

4. Розроблені інфологічні моделі «сутність - зв'язок» баз даних для всіх операційних підсистем СППР, реалізовані бази даних з урахуванням вимог лікарів медико-генетичної консультації.

5. Вперше розроблена модель оцінки негативного впливу викидів промислових підприємств і автотранспорту в атмосферу міста. Вдосконалена модель впливу викидів промислових підприємств на організм людини. Проведений розрахунок забруднення для території м. Херсона з урахуванням територіальної прив'язки промислових підприємств і розташування основних автомагістралей.

6. Результати дисертаційного дослідження впроваджено в роботу відділу інструментально-лабораторного контролю Державної екологічної інспекції в Херсонській області, а також в навчальний процес в Херсонському державному аграрному університеті.



СПИСОК ОПУБЛІКОВАНИХ ПРАЦЬ ЗА ТЕМОЮ ДИСЕРТАЦІЇ

Публікації в наукових фахових виданнях

1. Дымов В.С. Информационное обеспечение автоматизированного рабочего места (АРМ) врача-генетика / В.С. Дымов // Автоматика. Автоматизация. Электротехнические комплексы и системы. - Херсон: ХГТУ. - 1997. - №1. - С. 210 - 214.

2. Дымов В.С. Методы автоматизированной дифференциальной диагностики заболеваний / В.С. Дымов // Автоматика. Автоматизация. Электро-технические комплексы и системы. - Херсон: ХГТУ. - 1998. - №1 (2). - С. 82 - 89.

3. Дымов В.С., Дымова А.О. Применение методов факторного анализа в медицинской диагностике / В.С. Дымов, А.О. Дымова // Автоматика. Автоматизация. Электротехнические комплексы и системы. - Херсон: ХГТУ. - 1998. - №2 (3). - С. 100 - 103. Особистий внесок здобувача: запропоновано використати факторний аналіз (метод головних компонент) для вирішення задач медичної діагностики.

4. Дымов В.С. Подход к задаче автоматизированной медицинской диагностики с позиций распознавания образов / В.С. Дымов // Вестник Херсонского государственного технического университета. - Херсон: ХГТУ. - 2000. - №3 (9). - С. 192 - 195.

5. Дымов В.С., Иванов В.И. Оценка воздействия загрязнения атмосферы в автоматизированной системе регионального экологического мониторинга / В.С. Дымов, В.И. Иванов // Труды Одесского политехнического уни-верситета: Научный и производственно-практический сборник по техническим и естественным наукам. - Одесса: ОДПУ 2001. - Вып. 4 (16). - С. 164 - 167. Особистий внесок здобувача: методика розрахунку рівня забруднення в межах міста.

6. Марасанов В.В., Байматова И.В., Дымов В.С., Забытовская О.И. Хеббовское правило обучения для решения задачи нахождения главных компонент при диагностике и прогнозировании / В.В. Марасанов, И.В. Байматова, В.С. Дымов, О.И. Забытовская. // Проблемы информационных технологий. - 2008. - №2 (4). - С. 34-42. Особистий внесок здобувача: Використання алгоритму Хебба для вирішення задач медичної діагностики.

Матеріали та тези доповідей конференцій

1. Дымов В.С. Использование метода главных компонент при диагностике отклонений новорожденных: труды междунар. конф. «Моделирование и исследование устойчивости систем» (Київ, 10 - 13 травня. 1997 р.) / М-во освіти і науки України, НТУУ «Київський політехнічний інститут» - К.: Вид-во НТУУ «КПІ». - С.42.

2. Дымов В.С. Построение автоматизированной системы прогноза генетических отклонений новорожденных: праці 4-ої Укр. конф. з автоматичного управління [«Автоматика - 97»], (Черкаси, 23 - 28 червня. 1997 р.) / М-во освіти і науки України, Черкаський інженерно-технологічний ін-тут - Черкаси: Вид-во ЧІТІ, 1997. - Т.3 С.22.

3. Дымов В.С. Экспертная система для медико - генетической консультации: праці 5-ої Укр. конф. з автоматичного управління [«Автоматика - 98»], (Київ, 13 - 16 червня. 1998 р.) / М-во освіти і науки України, НТУУ «Київський політехнічний інститут» - К.: Вид-во НТУУ «КПІ», 1998. - Ч.2 С. 148 - 153.

4. Дымов В.С., Иванов В.И. Автоматизированная система регионального экологического мониторинга: праці Міжнар. конф. з управління [«Автоматика - 2001»], (Одеса, 10 - 14 вересня. 2001 р.) / М-во освіти і науки України, Одеський державний політехнічний університет - Одеса: Вид-во ОДПУ, 1997. - Т.2 С.44. Особистий внесок здобувача: методика розрахунку рівня забруднення в межах міста.

5. Дымов В.С. Количественные критерии оценки экологической опасности промышленных предприятий / В.С. Дымов // Проблемы легкой и текстильной промышленности Украины. - Херсон: ХГТУ. - 2001. - №5 - С. 324 - 325.

6. Дымов В.С. Моделювання постановки медичного діагнозу за допомогою методу головних компонент / В.С. Дымов // Proceedings of 7-th INTERNATIONAL MODELLING SCHOOL of AMSE-UAPL, (Crimea, Alushta, Ukraine, September 12 - 17, 2002) / AMSE-UAPL. - Алушта, 2002. - С. 125 - 126.

7. Димов В.С., Фаніна Л.О. Постановка медичного діагнозу на основі алгоритму роботи оптимального приймача: матеріали 10-й Міжнар. конф. По автоматичному управлінню [«Автоматика - 2003»], (Севастополь, 15 - 19 вересня. 2003 р.) / М-во освіти і науки України, Севастопольський національний технічний університет - Севастополь: Вид-во СевНТУ, 2003. - Т.1 С. 132 - 133. Особистий внесок здобувача: проаналізована можливість використання для медичної діагностики алгоритмів роботи оптимального приймача.

8. Дымов В.С. Золотухин С.В. Мониторинг загрязнения воздушного бассейна города выбросами промышленных предприятий: Матеріали 3-ої міжнародної наукової конференції студентів, аспірантів і молодих вчених [«Комп'ютерний моніторинг і інформаційні технології»], (Донецьк, 22 - 23 травня. 2007 р.) / М-во освіти і науки України, Донецький національний технічний університет - Донецьк: Вид-во ДонНТУ, 2007. - С. 3. Особистий внесок здобувача: запропонований алгоритм розрахунку забруднення ділянок територїї міста з урахуванням розташування промислових підприємств та основних автомагістралей.

Інші видання

1. Марасанов В.В., Дымов В.С. Разработка информационного обеспечения для автоматизированной оценки вредности окружающей среды / В.В. Марасанов, В.С. Дымов // Ресурсозберігаючі та енергозберігаючі технології. Тематичний збірник наук. праць. - Херсон: Херс. індустр. ін-тут. - 1996. - С. 167 - 169. Особистий внесок здобувача: запропонований узагальнений коефіцієнт для оцінки небезпечності промислового підприємства з точки зору спектр шкідливих речовин, що викидаються в атмосферу, реализована база даних «Підприємство - Спектр речовин».