автореферат диссертации по приборостроению, метрологии и информационно-измерительным приборам и системам, 05.11.17, диссертация на тему:Автоматизация диагностики патологии центральной нервной системы у детей раннего возраста

На правах рукописи

ШВАЙКОВА Ирина Николаевна

АВТОМАТИЗАЦИЯ ДИАГНОСТИКИ ПАТОЛОГИИ ЦЕНТРАЛЬНОЙ НЕРВНОЙ СИСТЕМЫ У ДЕТЕЙ РАННЕГО ВОЗРАСТА

Специальность:

05.11.17 - приборы, системы и изделия медицинского назначения

Автореферат диссертации на соискание ученой степени кандидата технических наук

Новосибирск - 2004 г.

Работа выполнена в Новосибирском Государственном Техническом Университете

Научный руководитель: Заслуженный работник ВШ РФ,

доктор технических наук, профессор Губарев Василий Васильевич

Официальные оппоненты: доктор технических наук, профессор,

Лисицина Лилия Ивановна

кандидат технических наук, Голышев Дмитрий Николаевич

Ведущая организация: Сибирский научно-

исследовательский и испытательный центр медицинской техники.

Защита состоится «01» июня 2004 г. в 14-00 на заседании диссертационного совета Д 212.173.08 в Новосибирском Государственном Техническом Университете по адресу: 630092, г. Новосибирск, пр. К. Маркса, 20

С диссертацией можно ознакомиться в библиотеке Новосибирского Государственного Технического Университета

Автореферат разослан «2&л апреля 2004 г.

Ученый секретарь диссертационного совета

В.Л.Полубинский

Актуальность

В течение ряда последних лет наблюдается тенденция к росту патологии центральной нервной системы у детей раннего возраста (далее по тексту ЦНС). По данным исследований Ю.И.Барашнева, Л.О.Бадаляна, Н.П.Шабалова, К.А.Семеновой своевременно не выявленные различные формы нарушений ЦНС зачастую проявляются пожизненно, создавая мозаичную картину неврологического дефицита с различными поражениями двигательной, речевой и психоэмоциональной сферы, что вызывает необходимость поиска причин развития патологии и критериев объективной ранней диагностики. Поскольку для принятия диагностического решения о форме и степени выраженности патологии ЦНС у детей раннего возраста врачу необходимо проанализировать большое количество различных диагностических данных, для решения данной задачи необходимо широкое использование современных компьютерных технологий.

Однако при анализе использующихся в этой области медицины автоматизированных диагностических систем было выявлено, что ни одна из них не решает задачу диагностики патологии ЦНС полностью в требуемом объеме, а позволяет решать лишь частные задачи диагностики: оценивать степень функционального дефицита, исследовать состояния структур головного мозга, выполнять прогноз течения заболевания по уже поставленному диагнозу и т.п. Одной из важных причин этого является отсутствие единой строго формализованной шкалы оценки степени выраженности патологии ЦНС и алгоритмического обеспечения в этой области медицины.

Поэтому был сделан вывод о необходимости разработки такой автоматизированной системы, которая позволит проводить обработку и анализ разнородной диагностической информации для подготовки принятия диагностического решения и формирования неврологического диагноза требуемой структуры в соответствии с существующей классификацией перинатального поражения ЦНС. Поскольку разработку диагностических моделей и автоматизацию диагностических алгоритмов для детской неврологии необходимо проводить с учетом свойств исходных данных (неоднородности, неточности и зашумленности), а также знаний об особенностях проявления и течения патологии, требуется выбрать или разработать методы и алгоритмы, позволяющие принимать решения с учетом накопленных данных и знаний предметной области.

Таким образом, разработка и внедрение автоматизированной системы, реализующей обработку разнородной диагностической информации, позволяющей решить важную задачу диагностики патологии ЦНС у детей раннего возраста является актуальной.

Целью диссертационной работы является исследование существующего и разработка нового модельного, алгоритмического и программного обеспечения для ранней диагностики патологии центральной нервной системы у детей раннего втпяг.тя фдТШГ) »я гнпщрянии разнородной диагностической информации.

В соответствии с поставленной целью в рамках диссертационной работы были поставлены и решены следующие задачи:

• Выявление особенностей ДпЦНС с точки зрения сбора, обработки, анализа данных и принятия решения о ее состоянии.

• Исследование и выбор методов интеллектуального анализа данных для решения рассматриваемой диагностической задачи.

• Разработка модельного и алгоритмического обеспечения диагностики патологии ЦНС.

• Разработка системы автоматизированной диагностики патологии ЦНС (САД).

Связь темы исследования о планами и программами НИР

Актуальность выбранной темы подтверждается тем, что диссертационная работа является частью научно-исследовательских работ, выполняемых в Новосибирском государственном техническом университете ^ГГУ), лаборатории Института молекулярной биологии и биофизики (ИМБиБ) СО РАМН и клиники нервных болезней Новосибирской государственной медицинской академии (НГМА) в рамках следующих научно-исследовательских программ и грантов:

1. Грант Минобразования РФ «Университеты России - фундаментальные исследования: Разработка системы мониторинга здоровья населения с элементами искусственного интеллекта» на 1998 - 2000 г. (НГТУ, кафедра вычислительной техники (ВТ), руководитель д.т.н., профессор В.В.Губарев).

2. Федеральная целевая программа НТР на 1999-2001 гг. регистрационный номер 01.9.80 001488 от 02.12.98г. Тема исследования, проводимого лабораторией Института молекулярной биологии и биофизики СО РАМН, «Изучение состояния иммунной системы детей с патологией центральной нервной системы (ЦНС) различного генеза в раннем постнатальном периоде жизни. Определение критериев и разработка технологии иммунокоррегирующей терапии» (руководитель зав. лаб. д.б.н., профессор

A.И.Аутеншлюс).

3. Грант Минобразования РФ ГОО-4.1-48 на 2001 -2002гг. «Теоретические и методологические основы вариативного моделирования (разработка и исследование)» (руководитель зав.кафедрой ВТ, д.т.н., профессор

B.В.Губарев). Методы исследования

Полученные результаты базируются на использовании методов и средств системного и математического анализа, теории классификации, математической статистики и теории вероятностей, экспертных систем, теории принятия решений и интеллектуального анализа данных. Научная новизна полученных результатов заключается в следующем: 1. Разработано оригинальное модельное, алгоритмическое и методическое обеспечение диагностики патологии ЦНС, конкретизированное на примере данных анамнеза, а именно:

• Алгоритм диагностики, основанный на четырехэтапной схеме автоматизированного принятия диагностического решения, отличающийся активным включением врача в процесс обработки данных при формировании диагноза;

• Шкала интегральной оценки патологии (ИОП), предназначенная для

определения степени выраженности патологии ЦНС и основанная на экспертном определении границы «норма-патология»;

• Оригинальная отражающая системные свойства объекта диагностики вектор-модель диагностических признаков, способ ее формирования с

помощью средств интеллектуального анализа данных и метод применения ее в алгоритме определения патологии ЦНС по разнородным многомерным диагностическим данным;

• Основанный на использовании вектор-модели и лепестковой круговой диаграммы метод системной визуализации разнородных многомерных диагностических данных, ориентированный на включение врача в процедуру принятия диагностических решений за счет наглядности и системности представления результатов обработки.

2. Разработана система автоматизированной диагностики патологии ЦНС у детей раннего возраста (САД), позволяющая проводить процедуры сбора, обработки и анализа анамнестических, клинических и параклинических данных на этапах доврачебной диагностики и в режиме врачебного приема, позволяющая формировать развернутый неврологический диагноз.

3. Выявлены и описаны важные для формирования новых методических разработок в детской неврологии особенности течения патологии ЦНС в различных диагностических группах детей, полученные на основе использования теоретических исследований и разработанной САД. Практическая ценность и реализация результатов работы

Разработка новых и формализованное описание существующих вариантов принятия диагностических решений в области детской неврологии позволили создать систему автоматизированной диагностики патологии ЦНС у детей раннего возраста и являются стартовой основой для построения систем подобного класса. Разработанные средства диагностики позволяют оценить степень тяжести поражения ЦНС различного генеза у новорожденных и детей раннего возраста, с новых системных позиций подойти к изучению патологических процессов, проистекающих в нервной системе ребенка, и исследовать их с учетом новых объективных критериев. На основе результатов проведенных исследований были получены выводы, позволившие разработать практические рекомендации для врачей невропатологов и неонатологов.

Созданный программный комплекс прошел апробацию и внедрен в эксплуатацию в психоневрологическом центре для детей с патологией ЦНС и нарушением психики (г.Новосибирск). Разработанные методики использовались при проведении научных исследований и внедрены в практическое здравоохранение, что подтверждается соответствующими документами.

Достоверность научных положений, выводов и рекомендаций

подтверждается обоснованной постановкой теоретических задач, положительными результатами исследований, апробации и внедрения действующей системы диагностики в реальных условиях. Основные научные положения, выносимые на защиту

11 Алгоритм 'диагностики патологии ЦНС у детей раннего возраста, основанный на четырехэтапной схеме автоматизированного принятия диагностического решения по разнородным данным.

2. Шкала интегральной оценки степени тяжести патологии ЦНС и алгоритм определения степени выраженности патологии ЦНС по этой шкале.

3. Вектор-модель анамнеза как система моделей созданных с применением интеллектуального анализа данных и способ ее формирования с помощью матриц сопряженности.

4. Метод визуализации разнородной диагностической информации, основанный на многоосном визуальном системном представлении ее для анализа экспертом.

5. Система автоматизированной диагностики, позволяющая проводить раннюю объективную диагностику патологии ЦНС у ребенка раннего возраста на основании разнородных диагностических данных, и результаты ее апробации.

Апробация работы

Результаты работы и основные положения докладывались и обсуждались на 19 научных конференциях, в частности, на: VI Российско-Корейском международном симпозиуме КОРУС'2002 (Новосибирск, 2002), VI Международной научно-практической конференции «Системный анализ в проектировании и управлении» (С.Петербург, 2002), Региональной научной конференции студентов, аспирантов и молодых ученых «Наука. Техника. Инновации» (НТИ) (Новосибирск, 2002), Всероссийской научно-практической конференции с международным участием «Роль новых перинатальных технологий в снижении репродуктивных потерь» (Екатеринбург, 2001); IV Международной научной конференции «Вопросы валеологии и эниовалеологии» (Севастополь, 2001), Всероссийской конференции «Новые направления в клинической медицине» (Ленинск-Кузнецкий, 2000г.), IX - XIII научно-практических конференциях врачей «Актуальные вопросы современной медицины» (Новосибирск, 1999-2003гг.); на научных семинарах кафедры Вычислительной техники Новосибирского государственного технического университета и на обществе детских невропатологов города Новосибирска с 1999 по 2002 год. Личный вклад автора

Все выносимые на защиту результаты получены автором лично. Экспериментальные исследования и сбор материала проводились в Муниципальном психоневрологическом центре для детей с патологией ЦНС и нарушениями психики (г.Новосибирск) при участии автора. В работах, опубликованных в соавторстве, автором дана постановка задачи, предложены

основные идеи решения, совместно проведены необходимые исследования,

получены теоретические результаты.

Публикации

По теме диссертации опубликовано 31 печатная работа, получено авторское свидетельство № 6154 от 15.01.03 на объект интеллектуальной собственности рукопись научной работы «Методика формирования информационно-диагностического образа анамнеза». Структура и объем диссертации

Диссертационная работа состоит из введения, 5 глав, заключения и списка литературы из 137 наименований, содержит 145 страниц основного текста, 34 рисунка, 24 таблицы и 3 приложений. Каждая глава начинается вводными замечаниями и заканчивается выводами. В приложении даны копии документов об использовании разработанных методик и программного обеспечения, примеры работы системы автоматизированной диагностики.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ Во введении обоснована актуальность темы, определена цель работы, приведены результаты, выносимые на защиту, их научная и практическая значимость.

В первой главе диссертации рассматриваются особенности задачи диагностики патологии нервной системы у детей раннего возраста с точки зрения процессов сбора, обработки и анализа данных (СОАД). В связи с тем, что в детской неврологии не существует модельного и алгоритмического обеспечения для решения поставленной задачи, были исследованы существующее методическое обеспечение, реальный процесс диагностики, особенности и состав данных, использующиеся для ДпЦНС. В результате выполнена структуризация исходных данных и диагноза (рис.1), введено их структурированное обозначение, а так же разработаны шаблоны таблиц баз данных и карты для сбора и отображения данных.

Рис. 1. Виды исходных данных и структура диагноза.

При анализе методов и алгоритмов СОАД, использующихся в автоматизированных системах диагностики для решения аналогичных задач в других областях медицины, было выявлено, что, как правило, в них реализованы двух-трех уровневые алгоритмы, в которых не разделяются этапы обработки и анализа данных. Это делает процедуру диагностического

вывода жесткой и не позволяет врачу участвовать в процессе формирования диагноза. Поэтому в работе предложена обобщенная формальная трансформация постановки задачи диагностики в задачу СОАД (рис2), в которой процесс диагностики предполагается выполнять в четыре этапа. На . каждом из них предусматривается обязательное участие врача на стадии разработки и настройки системы и активное участие в процессе работы. САД при формировании результирующего диагностического решения.

Рис. 2. Четырехуровневая схема формирования диагноза.

Первым этапом является формирование параметров задачи диагностики определяющих состав исходных данных на

основании которых будет поставлен диагноз, методы (способы) обработки диагностических данных для формирования множества диагностических признаков и структуру диагноза

На втором этапе из неструктурированной совокупности всех данных о

пациенте Х={Х....... Xна момент времени t формируется вектор

диагностических данных который на третьем этапе

предложенным способом преобразуется в вектор диагностических признаков У=(У1, .... Уп), п<т. При этом под диагностическими данными (ДД) X подразумевается структурированная совокупность сигналов, данных и знаний, характеризующих состояние пациента, организованная согласно целям и задачам диагностики и формирующаяся из совокупности всех имеющихся данных о пациенте X. Диагностический признак (ДП) у^ есть агрегированный интегральный показатель, получаемый на основании обработки X.

Четвертый этап предполагает, что на основании значений у должен быть сформирован диагноз D заданной структуры (см. рис.1), который характеризует состояние пациента в фиксированный момент времени t.

Предложенная постановка задачи позволяет сделать гибкой процедуру обработки данных и включить врача в процесс анализа обрабатываемых данных и принятия диагностического решения (ДР) как на этапе разработки и настройки, так и в процессе работы системы. Появляется возможность рассмотреть множество разнообразных вариантов формирования диагноза по различным группам данных (например: диагностика только по данным анамнеза, по клиническим данным, по полному набору клинических и

параклинических данных и т.д.), что позволит врачу сравнить полуденные результаты и принять обоснованное диагностическое решение в неясных случаях проявления патологии.

На основании предложенного варианта постановки задачи диагностики был разработан алгоритм четырехэтапной схемы принятия ДР, представленный на рис.3.

Рис. 3. Алгоритм четырехуровневой схемы принятия диагностического

решения.

Его особенность и отличие от других алгоритмов диагностик» заключается в следующем. Во-первых, решение задачи диагностики начинается с формирования врачом множества параметров задачи

диагностики. Во-вторых, на уровне обработки и анализа производится процедура формирования вектор-моделей ДЦ в виде системы ДП. В-третьих, формирование системы диагностических решений выделяется в отдельный блок, а процедура постановки диагноза сопровождается расчетом характеристик диагностической адекватности (уверенности) формируемого диагноза. Наконец, в-четвертых, в зависимости от значений оценки диагностической уверенности полученного диагноза выполняется переход на требуемый уровень задачи диагностики для выполнения необходимых корректировок и принятия результирующего диагностического решения.

Таким образом, в первой главе на основании проведенных исследований, анализа существующего программного обеспечения и методических разработок описаны особенности входных и выходных данных, выполнена постановка задачи. Как один из способов ее решения предложены обобщенная формальная постановка задачи диагностики как задачи СОАД и алгоритм четырехэтапной схемы принятия диагностического решения, для реализации которых необходимо создать соответствующее модельное, алгоритмическое и программное обеспечение.

Целью второй главы диссертации является исследование применимости алгоритмов и методов интеллектуального анализа данных (ИАД) для разработки модельного и алгоритмического обеспечения решения поставленной задачи. ИАД позволяет осуществлять процедуры обработки и анализа данных и знаний, «извлекать» знания из данных, получать новые знания об объекте на базе извлечённых знаний, выполнять поиск, выбор, синтез методов и средств обработки и анализа "данных" с учётом поставленных целей. Выбор методов ИАД предлагается осуществлять на базе матриц соответствия, одна из которых представлена в виде табл.1.

Выбор метода для решения поставленной задачи предлагается осуществить в два шага. На первом выполняется декомпозиция задачи диагностики на следующие подзадачи: PJ - сбор данных о пациенте; Р2 -обработка данных о пациенте; РЗ - классификация состояния пациента, Р4 -анализ данных и формирование диагностического решения; Р5 - прогноз и формирование перечня методов, которые предполагается использовать для ее решения. На втором шаге из всех рассматриваемых методов, представленных в таблице, рекомендуется на различных стадиях разработки алгоритмического и модельного обеспечения, прежде всего, использовать 6, выделенных курсивом. Это обусловлено тем, что они, как показал их анализ, во-первых, позволяют решать все обозначенные подзадачи диагностики, и, во-вторых, при создании автоматизированной системы обеспечивают гибкость подбора метода. Критерием выбора метода является суммарный балл, характеризующий его пригодность для решения конкретной задачи диагностики и зависящий от этапа ее решения.

Таблица 1

Матрица соответствий «Метод - подзадача диагностики»_

Методы Стадия разраб. подзадачи диагностики Сумма баллов

Р1 Р2 РЗ Р4 Р5

Экспертные методы 1 + + + + + 50

Деревья решений ■ 1 + + + + + 50

Методы статистики 2 + + ± ± + 40

Метод самоорганизации моделей (метод группового учета аргументов - МГУЛ) 2 ± + + ± + 40

Ассоциативный анализ (поиск близких аналогий и выбор ответа по ним) 2 * ± + ± + 30

Нейронные сети 2 - ± + + ± 30

Генетические алгоритмы 2 - - ± ± ± 15

Эволюционное программирование 2 - - ± ± ± »5

Обработка нечеткой информации (мягкие вычисления) 2 - ± + + ± 30

Интегрированные технологии, распределенный интеллект и многоагентные системы 2 ± ± ± ± ± 25

Вариативное моделирование 3 + + + + + 50

Методы визуализации 3 + + + ± ± 40

Пояснения к определению баллов, характеризующих методы решения задачи диагностики: + - метод пригоден для вышеуказанной задачи (10 баллов), ± - использование метода затруднено спецификой задачи (5 баллов), - • для вышеуказанной задачи метод не может использоваться (0 баллов).

В третьей и четвертой главах исследованы вопросы применения методов ИАД в четырехэтапной схеме формирования диагноза (на этапах разработки и применения алгоритмов и моделей для автоматизированной диагностики). Они конкретизировались на примере решения задачи донозологической диагностики, предполагающей установление предварительного диагноза, отражающего причину поражения ЦНС на основании анамнестических данных.

На первом этапе врачом или системой осуществляется параметризация задачи диагностики. Для рассматриваемого примера исходные данные X формируются только из данных анамнеза а в результате диагностики

требуется сформировать диагноз Б, в котором определен этиологический компонент диагноза Оэтшиоги1. Эти входо-выходные особенности определяются по значениям Zx и Предполагается, что выбор методов (способов) обработки и анализа данных в процессе диагностики может осуществляться из предлагаемых системой возможных вариантов или автоматически формируется по настройкам системы, поэтому значение врачом не определяется.

На втором этапе средствами системы совместно с врачом выполняется формирование и отображение данных анамнеза из неструктурированной совокупности всех данных о пациенте которая исходно может быть представлена в электронном виде, на бумажном носителе

или получаться из диалога с матерью ребенка. По условиям рассматриваемой задачи по анамнезу формируются ДД Реализованный

вариант системы автоматизированной диагностики предусматривает формирование анамнестических данных в виде совокупности т=52 параметров, измеренных в различных шкалах с различной степенью информативности и достоверности.

На третьем этапе системой выполняется обработка диагностических данных X и на основе ее формируется множество диагностических признаков (агрегированных интегральных показателей) у по описываемому далее алгоритму, базирующемуся на множестве различных «рекомендуемых» системой или выбираемых врачом методов обработки, а также визуализации полученного результата, облегчающего его последующий анализ врачом и средствами системы. Состав множества диагностических признаков определяется на основании знаний экспертов предметной области. Для анамнеза он представляет собой совокупность п=8 ДП, таких, например, как исходный уровень здоровья матери, особенности течения беременности и родов и т.п. (см. далее рис.6).

Разнородность анамнестических данных приводит к тому, что для каждого из рассчитываемых ДП алгоритмы их обработки должны учитывать, во-первых, разнообразие ДД по каждому ДП, во-вторых, тот факт, что эти данные измерены в различных шкалах. Это приводит к необходимости иметь такую единую шкалу оценки и интерпретации патологии ЦНС с учетом проявления ее симптомов, которая не будет зависеть от алгоритмов обработки исходных данных. Поэтому была разработана и в дальнейшем использована шкала интегральной оценки патологии (ИОЛ).

Шкала ИОП является экспертным аналогом интервальной шкалы измерений. В качестве нулевого значения шкалы принято нормальное состояние ЦНС условно здорового ребенка. Аналогом эталона измерительной шкалы ИОП предложено, во-первых, считать разные «эталоны» по каждому диагностическому признаку; во-вторых, в качестве «эталона» выбирать установленный экспертом уровень интегрированного значения, который признается переходным от «нормы» ЦНС к ее «патологии»; в-третьих, величину этой нормы по каждому ДП приравнять к 100 единицам. Согласно изложенному, значения каждого Л^ предварительно нормируются к «эталонному» значению в результате чего получается относительное значение которое далее участвует в формировании интегрального Значения таким образом получаемых интегральных оценок выраженности патологии от 0 до 100 соответствуют процессам, не выходящим за границу «норма-патология», а значения от 100 и выше соответствуют степени выраженности патологии. Формирование алгоритмов конкретных оценок степени выраженности патологии с использованием шкалы ИОП на этапе разработки системы производится с помощью деревьев решений или экспертных моделей и методов ИАД. Оценки создаются при сотрудничестве с врачами (экспертами предметной области) в процессе разработки алгоритмического и модельного обеспечения системы и являются ядром моделетеки (упорядоченного структурированного множества моделей),

которая в дальнейшем может пополняться моделями-аналогами, сформированными с использованием других методов ИАД.

Алгоритм формирования оценки степени выраженности патологии по шкале ИОП и принятию решений базируется на следующих четырех идеях. Первая - получение интегральной оценки ДП в виде свертки нормированных значений На этом этапе могут быть применены идеи

вектор-моделирования, когда при создании моделей сверток для каждого ДП формируется множество моделей. Вторая - использование для принятия решений не одного ДП а их вектор-модели у. При этом значения у/ приведены к единой шкале. Третья — формирование сверток с помощью разных методов ИАД. И, наконец, четвертая — представление итоговых результатов в виде многоосной визуальной модели - образа состояния ЦНС.

Эти идеи реализованы в процессе выполнения четырех операций 3.1-3.4 как подэтапов третьего этапа разработанного алгоритма (см. рис.4). Первая операция - перевод X в их значения х в шкале ИОП. Вторая - выбор метода свертки для формирования в шкале ИОП. Для этого предлагается

использовать рассмотренные выше методы ИАД и установленные экспертом границы уровня «норма-патология». Третья операция - формирование множества значений ДП в виде вектор-модели (ВМ), например, для анамнеза это у={)>](х), у = 1,и}, где, как уже было сказано выше, п=8.

Рис. 4. Операции третьего этапа

Для создания ВМ используется метод вариативного (вариантного) моделирования. Он предполагает формирование ВМ в виде системы из минимального набора родственных по назначению, простых и близких по сложности моделей, обеспечивающих появление системного свойства эмергентности, отражающих в совокупности все многообразие существа (сути) повлиявших на ЦНС патологических факторов, закономерностей течения патологических процессов и особенностей состояния и функционирования ЦНС ребенка раннего возраста в соответствии с формализованными знаниями экспертов предметной области, которые были положены в основу моделей.

Для создания алгоритмов расчета значений ДП в работе одновременно применяются модели, сформированные с использованием знаний экспертов, формализованных деревьев решений, а также модели, полученные на основании расчетов по методу группового учета аргументов (МГУА). Цель применения МГУА для решения данной задачи: сравнительный анализ

аппроксимирующих свойств методов, использующих знания экспертов для создания диагностических моделей и метода, позволяющего строить зависимости на основании реально накопленных данных. Это дает возможность создать некоторый симбиоз в виде человеко-машинного «интеллектуального потенциала», когда достоинства одного метода могут дополнить, скорректировать недостатки другого. Поскольку формализация экспертных знаний является времяемкой процедурой и дополнительным источником субъективизма, МГУА при пополнении базы данных обеспечивает периодический пересчет и «корректировку» полученных зависимостей, опровергая или подтверждая модели, сформированные с использованием знаний и опыта экспертов предметной области. Итак, метод группового учета аргументов позволяет на основании к векторов данных (х, у) построить функцию аппроксимирующую зависимость значений

выходной переменной у от вектора входных переменных х, используя базовые функции различного вида и размерности. В качестве базовой функции в

данной работе был выбран полином где у -

приведенное к единой шкале значение - вектор

нормированных входных параметров состояния пациента, - число параметров (для данных анамнеза т=52), с, - коэффициент при слагаемом оцененный методом наименьших квадратов; - степень входной переменной х, в слагаемом х Аппроксимация зависимости для каждого из выделенных ДП описанной посредством экспертных моделей и формализованных деревьев решений, выполнялась на исходной выборке при записей

данных анамнеза и соответствующих им значений ДП, после чего осуществлялось тестирование полученных моделей и расчет показателей их качества на записях. Полученные модели показали хорошую

аппроксимирующую способность МГУА, что позволило использовать их для решения задачи ДпЦНС наряду с другими методами.

Использование различных методов ИАД для формирования по каждому ДП и ВМ у побуждает решать вопросы выбора модели. В работе рассматривается несколько способов и в качестве рабочего варианта предложено при автоматизированном выборе модели использовать показатель диагностической точности. Пример фрагмента моделей ДП по анамнезу синтезированных на основании множества ДД /в рассматриваемом случае анамнестических данных при автоматическом подборе моделей по значению показателя диагностической точности (ДТ)/ приведен в табл.2.

То есть, если на этапе параметризации (через соответствующее значение параметра ) был определен метод формирования ВМ, то она образуется из моделей, созданных выбранным методом (например: деревья решений, МГУА и т.д.). Для параметра который не был задан врачом, подбор моделей из моделетеки при формировании ВМ осуществляется по значению критерия ДТ. На рис.5 показаны отличия по значениям ДТ для нескольких ДП по анамнезу (объем тестовой выборки - 167 карт пациентов).

Примеры моделей

Таблица 2

ДП Вид модели •• Метод формирования модели ДТ

"20 Х(ЗХЦ+ЗХ2!+ХЗ!+Х}3+Х17+ЗХ27+3 * /(х,5+х„<2)+5х/(х„+х]б>2)^ Зх/(хц+х,е<2) Формализованное дерево решений (ЛММ) 0,868

Л» -2,2х„-ю,24х;,ххн+0,3бх5хх32-1,3хя +0,41хц +0,02x02 *х37 - 0,54х„ *х«+0,03х2 *х22 *х29 +0,15х„ххзз+0,36х,7+0,06x1,х(х29)>-0,01 МГУА по врачебным оценкам 0,811

луг *-33,Зх(хц+Х1,+2хц+Х16+Х17) ЭО 0,953

Примечание:

Параметры х, берутся из базы данных, сформированной по данный анамнеза ¡(А) - индикаторные функции, значения которых равно 1 если условие »истина», 0-«ложь» Показатель диагностической точности (ЦТ) определяется как доля всех истинно выявленных больных (истинно отрицательных результатов среди всех отрицательных) и здоровых (истинно положительных результатов среди всех положительных) среди всех пациентов данным диагностическим методом по сравнению с базовым Базовым диагностическим методом в данном случае является традиционный врачебный метод диагностики.

Поэтому при организации моделетеки предлагается запоминать и хранить помимо моделей информацию о методе создания, а также характеристиках ДТ, специфичности и чувствительности. Значение показателя специфичности показывает способность метода (модели) не выявлять «болезни» у людей, у которых ее нет. Значение показателя чувствительности отражает долю всех больных, которых можно выявить с помощью данного диагностического метода (модели).

Рис. 5. Сравнительные характеристики ДТразличныхмоделей

Четвертая операция этапа обработки (см. рис.4) направлена на улучшение восприятия врачом множества полученных значений диагностических признаков и активного вовлечения его в процедуру формирования диагноза с использованием вектор-модели. Она-реализуется построением лепестковой круговой диаграммы. В приложении к анамнезу разработана форма визуального представления информационно-диагностического образа анамнеза - анамнестического профиля (АП) представленного на рис.6. АП представляет собой лепестковую диаграмму, на лучах которой откладываются рассчитанные значения соответствующих ДП.

При этом количество лучей соответствует количеству отображаемых диагностических признаков.

На диаграмме можно рассмотреть характер диагностируемого процесса как интегрированного отображения совокупности всей системы факторов и влияния каждого из них по отдельности. Значения ДП располагаются на лепестковой диаграмме с учетом положений теории визуализации и характеризуют проистекавшие процессы, наличие и степень выраженности которых отражает патогенез поражения нервной системы. На рисунке для пояснения особенностей формирования АП внизу по горизонтали развернута временная ось анамнестических фактов, представляющих собой совокупность данных анамнеза - значений

Для облегчения работы с АП предлагается ввести его количественные характеристики, в качестве которых используется вектор оценок где

5\п площадь АП, От коэффициент его напряженности. Значения Б^п

вычисляются по формуле =£5',» где S^ площади образующих АП

треугольников, которые рассчитываются по формуле Герона. Коэффициент напряженности визуального образа анамнеза влп отражает количество резко выделяющихся за границу «норма-патология» диагностических признаков

(ДП) дyj , j = \,n и рассчитывается следующим обра

л'

в>={о,«Я <1оо| • 4 - дл* Vy, w

где

Диагностические донные по анамнезу •••• ж*!»'

Рис. 6. Визуальная модель анамнеза

Как показывают результаты проведенных исследований, значения характеристик АП имеют прогностическую и диагностическую ценность: степень связи между значениями площади АП и показателями динамики течения заболевания позволяет использовать Saij как прогностический показатель, а величина отражает наличие резко выраженных (или преобладающих) этиологических факторов. Для решения задачи диагностики по анамнестическим данным, с целью установления этиологического фактора болезни, из полученных характеристик АП имеет смысл использовать только значение коэффициента , которое отражает наличие одного основного

этиологического фактора, повлиявшего на текущее состояние ребенка. Значение же коэффициента Saiji имеющего прогностическое значение, в данном примере использоваться не будет.

Предложенные решения позволяют на третьем этапе сформировать множество значений диагностических признаков (в приведенном примере по анамнестическим данным) и осуществить их визуализацию в виде анамнестического профиля. В соответствии с описываемым алгоритмом, теперь можно переходить к четвертому этапу диагностики, используя итоги применения на 1-3 этапах разработанных модельного и алгоритмического обеспечения.

Четвертый этап предложенной четырехуровневой схемы формирования диагноза предполагает, что на основании значений у должен быть сформирован диагноз D заданной структуры (см. рис.1), который характеризует состояние пациента в фиксированный момент времени Рассматриваемый пример предполагает формирование только этиологического компонента диагноза, включающего характеристики периода и факторов воздействия, а также характера патологического процесса. Для этого необходимо интерпретировать полученные результаты: значения ДП и АП. Так по изображенному на рис.6 АП опытный врач может сделать заключение о воздействии на общее состояние ребенка и, в частности, на ЦНС инфекции (поскольку 4)>7»150, 0jn=l). Как видно из рис.5, модели, позволяющие формировать значение ДП, характеризующего инфекционный компонент в анамнезе (его график выделен жирной чертой) имеют достаточно высокую диагностическую точность (от 0,83 до 0,95). Поэтому, в случае диагностики с незаданным значением берется модель с максимальным значением критерия ДТ. Рассчитанное значение этого ДП составит 154 единицы по шкале ИОП (ДТ=0,95). Помимо ведущего этологического фактора можно сделать вывод о некоторых отклонениях соматического здоровья матери при благополучно протекавшей беременности

и практически нормальных родах Вероятно, было

некоторое воздействие на ЦНС ребенка гипоксии что

объясняется влиянием выявленного инфекционного фактора, предположительный период воздействия которого - период родов. Поэтому на основании анализа полученных значений ДП вида и характеристик АП врачом формируется результирующее диагностическое заключение о значительном влиянии в периоде родов инфекционного агента на фоне

внутриутробной гипоксии плода легкой степени, обусловленной исходным состоянием здоровья матери.

Таким образом, на рассмотренном примере диагностики по анамнестическим данным кратко описаны основные алгоритмические и модельные особенности данной работы.

Рассмотренные методы ИАД использовались для создания алгоритмов и моделей, выполняющих обработку диагностических данных, формирования диагностических решений и визуальных диагностических образов по всем зыделенным в первой главе работы группам данных. В диссертации описывается разработанное методическое обеспечение задачи диагностики патологии ЦНС у детей раннего возраста, позволяющее проводить диагностику не только по анамнестическим данным, но и оценку степени тяжести и формы поражения нервной системы, а также оценку результатов нейрофизиологических и иммунологических исследований. Сравнительный анализ использования традиционной врачебной диагностики и диагностики средствами разработанной системы показал эффективность и достоверность получаемых в среде описываемой далее САД диагностических выводов не только по анамнестическим, но и по клиническим данным (см. табл.3), о чем свидетельствуют высокие значения ДТ и специфичности по перечисленным ДП (в данном случае - синдромам).

Таблица 3

Оценка результатов диагностики с использованием разработанной системы

Синдромы Показатели

Специфичность ДТ

нервно-рефлекгорной возбудимости 0,708 0,837

гипертечзионио-гидроцефальный 0,702 0,805

миатонический 0,982 0,984

пирамидный 0,728 0,821

диагноз в целом 0,825 0,887

В пятой главе описывается структура (рис.7), общая характеристика и функционирование разработанного программно-аппаратного комплекса.

Рис. 7. Структура программно-аппаратного комплекса

САД врача-невролога, являющаяся функциональным модулем системы, использует режим многопользовательской работы с базой данных. Особенности реализации системы таковы, что оператор (пользователь САД) имеет возможность:

о авторизованного доступа к информации о пациентах;

о автоматизированного занесения в базу данных большого количества

разнородной информации (на рис.8 представлена карта сбора анамнеза); о использования системы поиска пациентов по всей базе данных на основе

интересующих параметров; о автоматизированной генерации готовых к использованию электронных документов (протоколы диагностики, рецепты, отчеты) посредством текстового редактора Microsoft Word

Рис. 8. Пример окнарабочей САД: карта сбора анамнеза

В пятой главе также рассматриваются некоторые результаты применения разработанного методического обеспечения для анализа особенностей течения патологических процессов в нервной системе у детей раннего возраста. В частности, описываются полученные в ходе экспериментальных исследований численные «объективные» характеристики тех явлений, которые ранее интерпретировались качественно, являлись выводами, полученными в результате длительной практической деятельности врача, и не имели реальных количественных характеристик. Одним из таких результатов является приведенный на рис.9 график особенностей течения патологии ЦНС у детей с различным комплексом причинноформирующих факторов. Он отражает динамику характеристик скорости течения патологического процесса и описывает особенности патогенеза

перинатального поражения ЦНС в зависимости от этиологического фактора болезни. Значение показателя динамики определяется по формуле -

гДРУтОх) НУпЫ - средние арифметические сумм значений ДП (выше рассмотренных неврологических синдромов) в единицах ИОП, рассчитанные для текущего и предыдущего осмотров пациента, Д/= — /т — время между осмотрами в заданной единице измерения (месяцы или дни), где 1„ - дата прошлого осмотра, - дата текущего осмотра. На графике показано отличие характера течения болезни в различных этиологических группах, которое проявляется в наличии периодов интенсивного течения процессов до пятимесячного возраста и их замедлении к восьмимесячному возрасту, а также показано наличие отрицательной динамики для группы детей с внутриутробной инфекцией (ВУИ) на интервале от 5 до 7 месяцев.

В §5.4 показано, что полученные характеристики позволяют не качественно, а количественно описать и исследовать особенности развития патологии ЦНС у детей раннего возраста и разработать новые критерии объективной диагностики в рамках существующей классификации патологии ЦНС детей раннего возраста. Использование полученных количественных характеристик степени выраженности и формы поражения ЦНС позволяют использовать те методы, которые ранее не было возможности использовать из-за специфики данных.

месяцы

—-I группа - гипоксически-ишемическое поражение ЦНС,

1 ■ II !труппа - дети с патологией ЦНС и риском реализации ВУИ,

* А * Ш группа • дети с клиническими проявлениями ВУИ в сочетании с патологией ЦНС.

Рис. 9. Характеристика динамики патологического процесса

Например, в качестве метода формирования системы прогнозных моделей используется МГУА. По 52 параметрам анамнеза с интервалом в 14, 30 и 45 дней выполняется прогноз формы и степени выраженности патологии ЦНС у детей раннего возраста в виде совокупности бальных оценок семи основных синдромов, характерных для этого возраста. Ошибка прогноза при этом составляет от 3,4% до 12% по различным ДП. Прогнозные модели, которые описываются в литературе, как правило, позволяют выполнить процедуру расчета вероятности дальнейшего развития патологии ЦНС, решения задачи прогнозирования формы поражения ЦНС ранее не встречалось.

ЗАКЛЮЧЕНИЕ

Таким образом, в диссертационной работе разработаны теоретические основы построения системы диагностики на основании разнородных диагностических данных с использованием методов интеллектуального анализа данных, выполнены необходимые исследования и получены следующие результаты:

1. Выполнена постановка задачи медицинской диагностики в терминах задачи сбора, обработки, анализа данных и принятия решений.

2. Разработана методика обработки данных, используемых для диагностики патологии ЦНС у детей раннего возраста, с применением четырехэтапного алгоритма, позволяющего осуществлять постановку задачи, отбор, обработку, анализ разнородных диагностических данных с помощью системы функций, сформированной с применением методов ИАД.

3. Разработана шкала интегральной оценки патологии, предназначенная для определения степени выраженности патологии ЦНС и основанная на экспертном определении границы «норма-патология».

4. Создана вектор-модель анамнеза, описывающая систему комплекса этиологических факторов, полученная в виде набора моделей, сформированных с использованием методов ИАД.

5. Разработан метод визуализации разнородной диагностической информации, основанный на многомерном визуальном системном представлении ее для анализа экспертом.

6. Разработана система автоматизированной диагностики, позволяющая проводить диагностику патологии ЦНС у ребенка раннего возраста на основании разнородных диагностических данных.

Автор выражает благодарность главному детскому невропатологу Новосибирской области д.м.н., профессору Глухову Б.М. и главному врачу Муниципального психоневрологического Центра для детей с поражениями ЦНС и нарушениями психики Дегтяревой В.Г. за консультации и предоставленный материал, который был использован в работе.

Список основных работ, опубликованных по теме диссертации

1. Губарев В.В., Швайкова И.Н. Подход к созданию экспертной системы прогнозирования показателей жизнедеятельности объекта // Тезисы докладов Международной научно-технической конференции «Идентификация измерение характеристик и имитация случайных сигналов». - Новосибирск: НГТУ-1994.-С.126.

2. Губарев В.В., Швайкова И.Н. Системы медицинского мониторинга // Тезисы докладов Международной научно-технической конференции «Идентификация, измерение характеристик и имитация случайных сигналов». - Новосибирск: НГТУ- 1999. -С.78.

3. Губарев В.В., Швайкова И.Н. Система интеллектуального анализа медицинских данных // Труды 3 Российско-Корейского международного симпозиума (КОРУС '99) - Новосибирск: НГТУ - 1999. - Том 1. - С.252.

4. Губарев В.В., Альсова О.К., Швайкова И.Н. Интеллектуальный анализ «данных» и вариативное моделирование с системных позиций // SCM'2000: International Conference on Soft Computing and Measurements. - Санкт-Петербург: СПб-ГЭТУ. - 2000. - C.65-68.

5. Губарев В.В., Швайкова И.Н., Дегтярева В.Г., Иванова О.В. Системный подход к анализу анамнестической информации у детей с патологией ЦНС // Материалы всероссийской научно-практической конференции с международным участием «Роль новых перинатальных технологий в снижении репродуктивных потерь» / Сборник докладов. - Екатеринбург: Уральский НИИ охраны материнства и младенчества Минздрава России. -2001г.-С.25-28.

6. Глухов Б.М., Дегтярева В.Г., Швайкова И.Н. Использование статистических методов при оценке неврологического статуса новорожденных при острой и хронической гипоксии // Сборник тезисов докладов седьмой областной научно-практической конференции врачей». - Новосибирск: СО РАМН.- 1999г. -С.34.

7. Глухов Б М., Дегтярева В.Г., Иванова О.В., Швайкова И.Н. Логико-математический подход в изучении патогенеза заболеваний ЦНС у детей до года. // «Актуальные вопросы современной медицины» / Тезисы докладов XII научно-практической конференции врачей. - Новосибирск: СО РАМН. - 2002. -С.123-124.

8. Дегтярева В.Г., Глухов Б.М., Иванова О.В., Швайкова И.Н. Особенности патологического процесса в мозге у детей раннего возраста в зависимости от этиологического фактора болезни // там же где [7] - С.125.

9. Глухов Б.М., Дегтярева В.Г., Швайкова И.Н., Иванова О.В. Методика оценки степени тяжести состояния ребенка с патологией ЦНС. // «Актуальные вопросы современной медицины» / Тезисы докладов одиннадцатой научно-практической конференции врачей. - Новосибирск: СО РАМН. - 2001. -С.224-226.

10. Дегтярева В.Г., Глухов Б.М., Швайкова И.Н. Использование анамнестического профиля новорожденного для оценки степени тяжести поражения ЦНС. // Сборник тезисов докладов седьмой областной научно-практической конференции врачей - Новосибирск: СО РАМН. - 1999. - с.79.

11. Дегтярева В.Г., Швайкова И.Н., Глухов Б.М. Анамнестический профиль новорожденного // «Актуальные вопросы современной медицины» / Тезисы докладов десятой научно-практической конференции врачей - Новосибирск: СО РАМН. - 2000. - с. 148.

12. Глухов Б.М., Дегтярева В.Г., Швайкова И.Н, Савина Г.О., Своиновская Н.В., Юхнин Е.Н. Проблемы перинатального поражения мозга в детской неврологии // «Актуальные вопросы современной медицины» Тезисы докладов XIII научно-практической конференции врачей. - Новосибирск: СО РАМН.-2003.-С.91-92.

13. Швайкова И.Н., Фирсов А.Б. Особенности создания диагностических моделей методами интеллектуального анализа данных // Материалы международной научно-технической конференции «Информационные системы и технологии» (ИСТ 2003). - Новосибирск: НГТУ. - 2003. - Том 3. -С.78.

14. Швайкова И.Н. Использование системного подхода при решении задач медицинской диагностики. // Труды VI-й Международной научно-практической конференции «Системный анализ в проектировании и управлении». - Санкт-Петербург: СПбТТУ. - 2002. - С.116.

15. Швайкова И.Н. Модельное обеспечение автоматизированной диагностической системы «АРМ детского невропатолога». // Современные проблемы информатизации в непромышленной сфере и экономике / Сб.трудов. Вып.8. - Воронеж: Центрально-черноземное книжное изд-во. -2003.-С.58-59.

16. Швайкова И.Н. Подход к созданию экспертной системы прогнозирования показателей жизнедеятельности объекта // Тезисы докладов международной научно-технической конференции «Идентификация, измерение и имитация случайных сигналов». - Новосибирск: Изд-во НГТУ. -1994.-С. 126.

17. Irina Shvaikova. Logic-mathematics model for solution of some problems of forecast in medicine (Применение логико-математических моделей для решения задач прогнозирования в медицине), //там же где [3]. - Р . 166.

Alexander Firsov, Irina Shvaikova, Oksana Dunicheva. Use of artificial intelligence technologies for modellung of parameters of the patients' conditions at selection of the scheme of treatment (Применение технологий искусственного интеллекта для моделирования показателей состояния пациентов при подборе схемы лечения). // Materials 6-th Russian-Korean Internattional Symposium on Science and Technology (KORUS-2002). - Новосибирск: НГТУ - 2002. - Vol.3. - P.62.

18. Irina Shvaikova, The structurally fynctional approach to the analysis of clinical data on condition of the patient with pathology of a central nervous system. (Структурно-функциональный подход к анализу клинических данных о состоянии пациента с патологией центральной нервной системы). // там же, где [ 18].-Р. 105.

19. Швайкова И.Н. Методика формирования информационно -диагностического образа анамнеза // Рукопись научной работы - Москва -2003. - 17 стр. Зарегистрировано и депонировано в РАО за № 6154.

20. Авторское свидетельство № 6154 от 15.01.03 на объект интеллектуальной собственности рукопись научной работы: Швайкова И.Н. «Методика формирования информационно-диагностического образа анамнеза».

Н«1 07 43

Отпечатано в типографии Новосибирского государственного технического университета формат 60x84/16, объем 1,5 п.л., тираж 120 экз., заказ № 243, подписано в печать 23.04.04 г.

Список обозначений.

Сокращения.

Введение.

ГЛАВА 1 ИССЛЕДОВАНИЕ ОСОБЕННОСТЕЙ ДИАГНОСТИКИ

ПАТОЛОГИИ ЦНС У ДЕТЕЙ РАННЕГО ВОЗРАСТА.

1.1. Вводные замечания.

1.2. Диагностика как процесс постановки диагноза.

1.3. Группы входных данных.

1.1.1. Данные анамнеза.

1.3.1. Клинические данные.

1.3.2. Данные диагностических исследований (параклинические данные).

1.3.3. Особенности исходных данных о пациенте.

1.4. Структура неврологического диагноза.

1.5. Особенности диагностики с точки зрения сбора, обработки и анализа данных.

1.6. Специфика процесса диагностики.

1.7. Четырехэтапный алгоритм диагностики.

1.8. Результаты и выводы по главе.

ГЛАВА 2 ПРИМЕНЕНИЕ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ ДЛЯ РЕШЕНИЯ ЗАДАЧИ ДИАГНОСТИКИ.

2.1. Вводные замечания.

2.2. Обзор систем диагностики, применяющих ИАД.

2.2.1. Экспертные системы.

2.2.2. Нейронные сети для задач диагностики.

2.3. Обзор программных систем, реализующих алгоритмы и методы ИАД.

2.4. Вопросы выбора методов ИАД для решения задачи диагностики.

2.5. Анализ особенности применения методов ИАД.

2.5.1. Деревья решений.

2.5.2. Методы экспертного анализа.

2.5.3. Статистические методы.

2.5.4. Метод самоорганизации моделей: метод группового учета аргументов.

2.5.5. Визуальное моделирование.

2.5.6. Вариантное (вариативное) моделирование.

2.6. Результаты и выводы по главе.

ГЛАВА 3 ИСПОЛЬЗОВАНИЕ ИАД В ПРОЦЕССЕ РАЗРАБОТКИ МОДЕЛЬНОГО И АЛГОРИТМИЧЕСКОГО ОБЕСПЕЧЕНИЯ ЗАДАЧИ ДИАГНОСТИКИ.

3.1. Вводные замечания.

3.2. Технология разработки модельного обеспечения с применением ИАД.

3.3. Разработка алгоритмов сбора данных.

3.3.1. Анамнестические данные.

3.3.2. Данные результатов осмотра невропатолога и результатов исследований.

3.4. Шкала интегральной оценки патологии.

3.5. Формирование множества диагностических признаков и создание вектор-моделей с использованием методов экспертного оценивания, деревьев решений и МГУ А.

3.5.1. Обоснование необходимости введения ДП.

3.5.2. Формирование моделей и алгоритмов расчета значений ДП с применением методов экспертного оценивания и деревьев решений.

3.5.3. Применение метода группового учета аргументов для создания моделей и алгоритмов расчета ДП.

3.5.4. Особенности организации вектор-моделей ДП.

3.6. Организация моделетеки и вопросы выбора модели для формирования различных вектор-моделей.

3.7. Визуальные диагностические образы.

3.8. Разработка моделей и алгоритмов этапа анализа данных и формирования диагноза.

3.9. Результаты и выводы по главе.

ГЛАВА 4 ПРИМЕНЕНИЕ РАЗРАБОТАННОГО МОДЕЛЬНОГО И АЛГОРИТМИЧЕСКОГО ОБЕСПЕЧЕНИЯ ДЛЯ ДИАГНОСТИКИ ПАТОЛОГИИ ЦНС.

4.1. Вводные замечания.

4.2. Параметризация и сбор данных

4.3. Применение разработанного модельного и алгоритмического обеспечения на этапе обработки.

4.4. Особенности формирования диагноза.

4.5. Результаты и выводы по главе.

ГЛАВА 5 ОПИСАНИЕ РАЗРАБОТАННОЙ СИСТЕМЫ

АВТОМАТИЗИРОВАННОЙ ДИАГНОСТИКИ ПАТОЛОГИИ ЦНС.

5.1. Вводные замечания.

5.2. Программно-аппаратный комплекс.

5.3. Система автоматизированной диагностики врача-невролога.

5.3.1. Общие характеристики системы.

5.3.2. Структура системы.

5.3.3. Функции, выполняемые системой.

5.4. Использование разработанных методик в практической неврологии.

5.4.1. Исследование особенностей влияния различных этиологических факторов на ЦНС ребенка.

5.4.2. Исследование и описание особенностей течения патологии ЦНС.

5.4.3. Решение задач прогнозирования.

5.5. Результаты и выводы по главе.

В течение ряда последних лет наблюдается тенденция к росту патологии центральной нервной системы у детей раннего возраста (далее по тексту ЦНС). По данным исследований Ю.И.Барашнева, Л.О.Бадаляна, Н.П.Шабалова, К.А.Семеновой своевременно не выявленные различные формы нарушений ЦНС зачастую проявляются пожизненно, создавая мозаичную картину неврологического дефицита с различными поражениями двигательной, речевой и психоэмоциональной сферы, что вызывает необходимость поиска причин развития патологии и критериев объективной ранней диагностики. Поскольку для принятия диагностического решения о форме и степени выраженности патологии ЦНС у детей раннего возраста врачу необходимо проанализировать большое количество различных диагностических данных, для решения данной задачи необходимо широкое использование современных компьютерных технологий.

Однако при анализе использующихся в этой области медицины автоматизированных диагностических систем было выявлено, что ни одна из них не решает задачу диагностики патологии ЦНС полностью в требуемом объеме, а позволяет решать лишь частные задачи диагностики: оценивать степень функционального дефицита, исследовать состояния структур головного мозга, выполнять прогноз течения заболевания по уже поставленному диагнозу и т.п. Одной из важных причин этого является отсутствие единой строго формализованной шкалы оценки степени выраженности патологии ЦНС и алгоритмического обеспечения в этой области медицины.

Поэтому был сделан вывод о необходимости разработки такой автоматизированной системы, которая позволит проводить обработку и анализ разнородной диагностической информации для подготовки принятия диагностического решения и формирования неврологического диагноза требуемой структуры в соответствии с существующей классификацией перинатального поражения ЦНС. Поскольку разработку диагностических моделей и автоматизацию диагностических алгоритмов для детской неврологии необходимо проводить с учетом свойств исходных данных неоднородности, неточности и зашумленности), а также знаний об особенностях проявления и течения патологии, требуется выбрать или разработать методы и алгоритмы, позволяющие принимать решения с учетом накопленных данных и знаний предметной области.

Таким образом, разработка и внедрение автоматизированной системы, реализующей обработку разнородной диагностической информации, позволяющей решить важную задачу диагностики патологии ЦНС у детей раннего возраста является актуальной.

Целью диссертационной работы является исследование существующего и разработка нового модельного, алгоритмического и программного обеспечения для ранней диагностики патологии центральной нервной системы у детей раннего возраста (ДпЦНС) на основании разнородной диагностической информации.

В соответствии с поставленной целью в рамках диссертационной работы были поставлены и решены следующие задачи:

• Выявление особенностей ДпЦНС с точки зрения сбора, обработки, анализа данных и принятия решения о ее состоянии.

• Исследование и выбор методов интеллектуального анализа данных для решения рассматриваемой диагностической задачи.

• Разработка модельного и алгоритмического обеспечения диагностики патологии ЦНС.

• Разработка системы автоматизированной диагностики патологии ЦНС (САД).

Связь темы исследования с планами и программами НИР

Актуальность выбранной темы подтверждается тем, что диссертационная работа является частью научно-исследовательских работ, выполняемых в Новосибирском государственном техническом университете (НГТУ), лаборатории Института молекулярной биологии и биофизики (ИМБиБ) СО РАМН и клиники нервных болезней Новосибирской государственной медицинской академии (НГМА) в рамках следующих научно-исследовательских программ и грантов:

1. Грант Минобразования РФ «Университеты России - фундаментальные исследования: Разработка системы мониторинга здоровья населения с и элементами искусственного интеллекта» на 1998 - 2000 г.

НГТУ, кафедра вычислительной техники (ВТ), руководитель д.т.н., профессор В.В.Губарев).

2. Федеральная целевая программа НТР на 1999-2001 гг. регистрационный номер 01.9.80 001488 от 02.12.98г. Тема исследования, проводимого лабораторией Института молекулярной биологии и биофизики СО РАМН, «Изучение состояния иммунной системы детей с патологией центральной нервной системы (ЦНС) различного генеза в раннем постнатальном периоде жизни. Определение критериев и разработка технологии иммунокоррегирующей терапии» (руководитель зав. лаб. д.б.н., профессор А.И.Аутеншлюс).

3. Грант Минобразования РФ ГОО-4.1-48 на 2001-2002гг. «Теоретические и методологические основы вариативного моделирования (разработка и исследование)» (руководитель зав.кафедрой ВТ, д.т.н., профессор В.В.Губарев).

Методы исследования

Полученные результаты базируются на использовании методов и средств системного и математического анализа, теории классификации, математической статистики и теории вероятностей, экспертных систем, теории принятия решений и интеллектуального анализа данных. Научная новизна полученных результатов заключается в следующем: 1. Разработано оригинальное модельное, алгоритмическое и методическое обеспечение диагностики патологии ЦНС, конкретизированное на примере данных анамнеза, а именно:

• Алгоритм диагностики, основанный на четырехэтапной схеме автоматизированного принятия диагностического решения, отличающийся активным включением врача в процесс обработки данных при формировании диагноза;

• Шкала интегральной оценки патологии (ИОП), предназначенная для определения степени выраженности патологии ЦНС и основанная на экспертном определении границы «норма-патология»;

• Оригинальная отражающая системные свойства объекта диагностики вектор-модель диагностических признаков, способ ее формирования с помощью средств интеллектуального анализа данных и метод применения ее в алгоритме определения патологии ЦНС по разнородным многомерным диагностическим данным;

• Основанный на использовании вектор-модели и лепестковой круговой диаграммы метод системной визуализации разнородных многомерных диагностических данных, ориентированный на включение врача в процедуру принятия диагностических решений за счет наглядности и системности представления результатов обработки.

2. Разработана система автоматизированной диагностики патологии ЦНС у детей раннего возраста (САД), позволяющая проводить процедуры сбора, обработки и анализа анамнестических, клинических и параклинических данных на этапах доврачебной диагностики и в режиме врачебного приема, позволяющая формировать развернутый неврологический диагноз.

3. Выявлены и описаны важные для формирования новых методических разработок в детской неврологии особенности течения патологии ЦНС в различных диагностических группах детей, полученные на основе использования теоретических исследований и разработанной САД. Практическая ценность и реализация результатов работы

Разработка новых и формализованное описание существующих вариантов принятия диагностических решений в области детской неврологии позволили создать систему автоматизированной диагностики патологии ЦНС у детей раннего возраста и являются стартовой основой для построения систем подобного класса. Разработанные средства диагностики позволяют оценить степень тяжести поражения ЦНС различного генеза у новорожденных и детей раннего возраста, с новых системных позиций подойти к изучению патологических процессов, проистекающих в нервной системе ребенка, и исследовать их с учетом новых объективных критериев. На основе результатов проведенных исследований были получены выводы, позволившие разработать практические рекомендации для врачей невропатологов и неонатологов.

Созданный программный комплекс прошел апробацию и внедрен в эксплуатацию в психоневрологическом центре для детей с патологией ЦНС и нарушением психики (г.Новосибирск). Разработанные методики использовались при проведении научных исследований и внедрены в практическое здравоохранение, что подтверждается соответствующими документами.

Достоверность научных положений, выводов и рекомендаций подтверждается обоснованной постановкой теоретических задач, положительными результатами исследований, апробации и внедрения действующей системы диагностики в реальных условиях. Основные научные положения, выносимые на защиту

1. Алгоритм диагностики патологии ЦНС у детей раннего возраста, основанный на четырехэтапной схеме автоматизированного принятия диагностического решения по разнородным данным.

2. Шкала интегральной оценки степени тяжести патологии ЦНС и алгоритм определения степени выраженности патологии ЦНС по этой шкале.

3. Вектор-модель анамнеза как система моделей созданных с применением интеллектуального анализа данных и способ ее формирования с помощью матриц сопряженности.

4. Метод визуализации разнородной диагностической информации, основанный на многоосном визуальном системном представлении ее для анализа экспертом.

5. Система автоматизированной диагностики, позволяющая проводить раннюю объективную диагностику патологии ЦНС у ребенка раннего возраста на основании разнородных диагностических данных, и результаты ее апробации.

Апробация работы

Результаты работы и основные положения докладывались и обсуждались на 19 научных конференциях, в частности, на: VI Российско-Корейском международном симпозиуме КОРУС'2002 (Новосибирск, 2002), VI Международной научно-практической конференции «Системный анализ в проектировании и управлении» (С.Петербург, 2002), Региональной научной конференции студентов, аспирантов и молодых ученых «Наука. Техника. Инновации» (НТИ) (Новосибирск, 2002), Всероссийской научно-практической конференции с международным участием «Роль новых перинатальных технологий в снижении репродуктивных потерь»

Екатеринбург, 2001); IV Международной научной конференции «Вопросы валеологии и эниовалеологии» (Севастополь, 2001), Всероссийской конференции «Новые направления в клинической медицине» (Ленинск-Кузнецкий, 2000г.), IX - XIII научно-практических конференциях врачей «Актуальные вопросы современной медицины» (Новосибирск, 19992003гг.); на научных семинарах кафедры Вычислительной техники Новосибирского государственного технического университета и на обществе детских невропатологов города Новосибирска с 1999 по 2002 год. Личный вклад автора

Все выносимые на защиту результаты получены автором лично. Экспериментальные исследования и сбор материала проводились в Муниципальном психоневрологическом центре для детей с патологией ЦНС и нарушениями психики (г.Новосибирск) при участии автора. В работах, опубликованных в соавторстве, автором дана постановка задачи, предложены основные идеи решения, совместно проведены необходимые исследования, получены теоретические результаты. Публикации

По теме диссертации опубликована 31 печатная работа, получено авторское свидетельство № 6154 от 15.01.03 на объект интеллектуальной собственности рукопись научной работы «Методика формирования информационно-диагностического образа анамнеза». Структура и объем диссертации

Диссертационная работа состоит из введения, 5 глав, заключения и списка литературы из 137 наименований, содержит 145 страниц основного текста, 34 рисунка, 24 таблицы и 3 приложения. Каждая глава начинается вводными замечаниями и заканчивается выводами. В приложении даны копии документов об использовании разработанных методик и программного обеспечения, примеры работы системы автоматизированной диагностики.

Основные выводы, полученные в ходе этого исследования явились основанием для разработки модуля визуализации АП для системы автоматизированной диагностики. Поскольку визуальное представление всей системы этиологических факторов, как показала практика экспериментов, проведенных в ходе исследования, позволяет врачу воспринимать и интерпретировать в ходе диагностики весь процесс, обусловивший развитие патологии ЦНС у ребенка раннего возраста.

5.4.2. Исследование и описание особенностей течения патологии ЦНС

Использование разработанного методического обеспечения позволяет получать численные характеристики тех явлений, которые ранее описывались качественно, в виде выводов, основанных на результатах длительной практической деятельности врача, и не имели реальных количественных характеристик. Исследование динамики патологического процесса в ЦНС, как правило, проводилось путем анализа частот встречаемости синдромов (Рис. 5.5).

Разработанная методика оценка степени тяжести позволила исследовать характер динамики степени выраженности патологических синдромов, которые описывают характер текущего процесса в единицах новорожденный акушерский анамнез сходный уровень здоровья мамы

3 группа: патология ЦНС на фоне ВУИ 1Й2 группа: риск реализации ВУИ

И 1 группа: гипоксически-ишемическое поражение ЦНС

Рис. 5.4. АП для различных этиологических групп

ИОП (Рис. 5.6).

Синдром вегето-висцеральнмх нарушений до мес

-1--1-иот 1 до 3 отЗ до 6 отб до 9 от 9 до 12 от 12 до возраст ребенка ^ ®

Синдром нервно-рефлекторной возбудимости до мес

I I I-1 от 1 до 3 отЗ до 6 отб до 9 от 9 до 12 от 12 до

18 возраст ребенка

Гипертензионно-гидроцефальиый синдром до мес от 1 до 3 отЗ до 6 отб до 9 от 9 до 12 от 12 до - ГИПОКСИЯ возраст ребенка 18 о— риск развития инфекции —д—внутриутробное инфицирование

Рис. 5.5. Динамика частоты встречаемости патологических синдромов при поражении ЦНС различного генеза

Синдром вегето-висцеральных нарушений

180 160 С 140

О 1 ол

-а Я" К

В к ч о до мес от 1 до 3 отЗ до 6 отб до 9 от 9 до 12 от 12 до

18 возраст ребенка Синдром нервно-рефлекторной возбудимости до мес от 1 до 3 отЗ до 6 отб до 9 от 9 до 12 от 12 до возраст ребенка 1 д

Гипертензионно-гидроцефальный синдром

180

160

С 140 о я 120

100 и к 80 К 60

3 40

20 0 до мес от 1 до 3 отЗ до 6 отб до 9 от 9 до 12 от 12 до возраст ребенка 18

- гипоксия о—риск развития инфекции —*— внутриутробное инфицирование

Рис. 5.6. Динамика степени выраженности патологических синдромов при поражении ЦНСразличного генеза

Также с введением ИОП появилась возможность исследовать динамику характеристик скорости течения патологического процесса и описать особенности патогенеза перинатального поражения ЦНС в зависимости, например, от этиологического фактора болезни или от неврологического статуса в периоде ново рожден ности [25, 26]. Одним из таких результатов является приведенный график особенностей течения патологии ЦНС у детей с различным комплексом причинноформирующих факторов, приведенный на Рис. 5.7. Значение показателя динамики определяется по формуле [уп(Ь) -у-сОт)]/,Л/, где ут(%) и УпОп) - средние арифметические сумм значений ДП, полученные для оценок выше рассмотренных неврологических синдромов в единицах ИОП для текущего и предыдущего осмотров пациента, Д/= - /т -время между осмотрами в заданной единице измерения (месяцы или дни), где /„ - дата прошлого осмотра, /т- дата текущего осмотра. м о о g и о Си С Я S

К ¡гг

Э С я О

5 S

К£ 3 а я>

Я п

6 е о с тс =

К и В" га Я го м а

200

150

100

50 А \ ' * V ту/ \ Ь* \\ 4 ' \ \ У X , \ \ А f f \ ТЬ - - \ \ \ / / Ч А Л' \ --—Ш. ' Л * ф \ ^ \ ' 'А \ | до 1 мес от 1 до от 2 до 2 3 от 3 до от 4 до cir 5 д а 4 5 V месяцы от 6 до 7 от 7 до 8

-50

- 1 группа - гипоксически-ншемическое поражение ЦНС,

- II группа - дети с патологией ЦНС и риском реализации ВУИ,

- III группа - дети с клиническими проявлениями ВУИ в сочетании с патологией ЦНС.

Рис. 5.7. Характеристика динамики патологического процесса.

На графиках показано отличие характера течения болезни в различных этиологических группах, которое проявляется в наличии периодов интенсивного течения процессов до пятимесячного возраста и их замедлении к восьмимесячному возрасту, а также показано наличие отрицательной динамики для группы детей с внутриутробной инфекцией (ВУИ) на интервале от 5 до 7 месяцев. Использование полученных количественных характеристик степени выраженности и формы поражения ЦНС позволяют не качественно, а количественно описать и исследовать особенности развития патологии ЦНС у детей раннего возраста и разработать новые критерии "объективной" диагностики в рамках существующей классификации патологии ЦНС детей раннего возраста и в дальнейшем использовать те методы, которые ранее не было возможности использовать из-за специфики данных.

5.4.3. Решение задач прогнозирования

В качестве метода формирования системы прогнозных моделей используется МГУА. По 47 параметрам анамнеза с интервалом в 14, 30 и 45 дней выполняется прогноз формы и степени выраженности патологии ЦНС у детей раннего возраста в виде совокупности бальных оценок семи основных синдромов, характерных для этого возраста. Ошибка прогноза при этом составляет от 3,4% до 12% по различным ДП. Ранее на обучающих выборках от 100 до 150 человек такой точности прогноза было сложно добиться. Прогнозные модели, которые описываются в литературе, как правило, позволяют выполнить процедуру расчета вероятности дальнейшего развития патологии ЦНС, решения задачи прогнозирования формы поражения ЦНС ранее не встречалось.

При исследовании прогностической значимости величины площади АП были получены некоторые результаты (см. Рис. 5.8), содержательный анализ которых позволил сделать вывод о том, что для описания и исследования влияния этиологических факторов на динамику степени тяжести поражения ЦНС можно использовать эту характеристику. до 3 месяцев до 0,8 от 0,8 до 1.6 от 1,6 до 2,4 от 2,4 до 3,2 больш 3,2 значения площади АП от 3 до 6 месяцев

80

Шлегкая степень В средняя степень □ тяжелое поражение ЦНС

ДО 0,8 от 0,8 до от 1,6 до от 2,4 до

1,6 2,4 3,2 значения площади АП больш 3,2

Рис. 5.8. Частоты встречаемости значений площади АП при патологии ЦНС различной степени тяжести

5.5. Результаты и выводы по главе

В пятой главе описана разработанная в составе программно аппаратного комплекса система автоматизированной диагностики врача-невролога, позволяющая реализовать описанные в предыдущих главах теоретические разработки, а именно:

• рассмотрена структура программно-аппаратного комплекса и системы автоматизированной диагностики;

• описаны основные функции, выполняемые системой и ее общие характеристики;

• приведены примеры интерфейса пользователя;

• приведены показатели диагностической точности и специфичности по основным неврологическим синдромам, полученные в результате сравнения традиционной врачебной диагностики с вариантом диагностики с использованием автоматизированной системы.

Так же в главе рассмотрены некоторые вопросы использования разработанных методик в практической неврологии при решении следующих научно-практических задач:

• Исследование особенностей влияния различных этиологических факторов на ЦНС ребенка;

• Исследование и описание особенностей течения патологии ЦНС;

• Исследование применения разработанных методов и алгоритмов при решении задач прогнозирования.

Полученные положительные результаты позволяют сделать вывод о возможности дальнейшего применения разработанного модельного и алгоритмического обеспечения

Таким образом, применение системы автоматизированной диагностики в лечебно-диагностическом процессе позволяет по разнородным диагностическим данным на качественно новом уровне с использованием разработанного модельного и алгоритмического обеспечения решать задачу диагностики патологии ЦНС у детей раннего возраста.

Заключение

Таким образом, в диссертационной работе разработаны теоретические основы построения системы диагностики на основании разнородных диагностических данных с использованием методов интеллектуального анализа данных, выполнены необходимые исследования и получены следующие результаты:

1. Выполнена постановка задачи медицинской диагностики в терминах задачи сбора, обработки, анализа данных и принятия решений.

2. Разработана методика диагностики патологии ЦНС у детей раннего возраста с использованием четырехэтапного алгоритма, позволяющего осуществлять постановку задачи, сбор, обработку, анализ диагностических данных и принятие диагностического решения на основании разнородных данных с помощью системы функций, сформированной с применением методов ИАД.

3. Разработана шкала интегральной оценки патологии, предназначенная для определения степени выраженности патологии ЦНС и основанная на экспертном определении границы «норма-патология».

4. Создана вектор-модель анамнеза, описывающая систему комплекса этиологических факторов, полученная в виде набора моделей, сформированных с использованием методов ИАД.

5. Разработан метод визуализации разнородной диагностической информации, основанный на многомерном визуальном системном представлении ее для анализа экспертом.

6. Разработана система автоматизированной диагностики, позволяющая проводить раннюю объективную диагностику патологии ЦНС у ребенка раннего возраста на основании разнородных диагностических данных.

1. Аджиев В. MiniSet-визуальный инструмент аналитика/Юткрытые системы, 1997.- № 3.- С. 73-77

2. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Основы моделирования и первичная обработка данных. / Справочное издание. М.: Финансы и статистика. — 1983. 471с.

3. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Исследование зависимостей / Справочное издание. М.: Финансы и статистика, 1985, 487с.

4. Александров И.О., Максимова Н.Е., Горкин А.Г. и др. Комплексное исследование структуры индивидуального знания // Психологический журнал. 1999. Т. 20. °1. С. 49-69.

5. Алмаев H.A. Интенциональные структуры естественного языка: экспериментальное исследование//Психологический журнал. 1998. Т. 19. °5. С. 71-80

6. Амосов Н.М., Зайцев Н.Г., Мельников В.Г. и др. Медицинская информационная система. К.: Наукова думка, 1975.

7. Бадалян Л.О., Дунаевская Г.Н., Скворцов И.А. К проблеме детских церебральных параличей. // Вестн. АМН СССР.- 1983.- N6.- С.71-79.1.. Бадалян Л.О., Журба Л.Т., Всеволожская H.H. Руководство по неврологии детского возраста Киев: Здоровье, 1989.-218 с

8. Бадалян Л.О., Журба Л.Т., Тимонина О.В. Детские церебральные параличи. -Киев: Здоровье, 1988.-328 с.

9. Баевский P.M., Берсенева А.П. Оценка адаптационных возможностей организма и риска развития заболеваний Москва, 1997 - С: 160-189.

10. Барашнев Ю.И., Бессонова Ю.В. Этиология гипоксии новорожденных // Акуш. и гинеколог. 1997. - №2 - С.28-33.

11. Басин М.А., Шилович И.И. Синергетика и Internet (путь к Synergonet). СПб.: Наука, 1999. - 71 с.

12. Викторов В.А. О развитии медико-технической науки// Вестник РАМН, № Ю, 2000.

13. Выготский Л.С. Избранные психологические исследования. М., Изд-во АПН РСФСР, 1958

14. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб: Изд-во «Питер», 2000. - 384 е., с ил.

15. Гилула М.М. Модели данных и модели информации в информационных системах // по материалам

16. Генкин A.A. Новая информационная технология анализа медицинских данных СПб.: Политехника, 1999. - 167с.

17. Гланц С. Медико-биологическая статистика. Пер.с англ. М.: Практика, 1998.-459 с.

18. Головко М. Жизнь в мусорной куче, или нужны ли нам знания? // Computerwold Россия. 17.08.1999. - С.41-43.

19. Губарев В.В. Информатика в рисунках и таблицах (фрагменты системного путеводителя по концептуальным основам) Новосибирск: Изд-воНГТУ, 1998.- 152 с.

20. Губарев В.В. Системный анализ в экспериментальных исследованиях; Учеб .пособие: В 3-х ч. Новосибирск: Изд-во НГТУ, 2000. - 4.1. - 99с.

21. Губарев В.В., Шухова Н.В. Проблема совместной интерпретации разнотипных иммунологических обследований. // Тез. докл. Междунар. симпозиума «Окружающая среда, здоровье, развитие Сибири». Новосибирск: НГУ, 1997. С.121-123

22. Гублер Е.В. Вычислительные методы анализа и распознавания патологических процессов. Л.: Медицина, Ленингр. отд. 1978. - 294с.

23. Гуров И.П., Васильев В.Н. Компьютерная обработка сигналов в приложении к интерферометрическим системам Спб.: БХВ-Санкт-Петербург, 1998.-240с.

24. Доказательная медицина (клиническое наблюдение, статистическое обобщение, модели процессов): Сборник докладов региональной научно-практической конференции. — Воронеж: Воронежская государственная медицинская академия, январь 2000. — 212 с.

25. Дэйвисон М. Многомерное шкалирование: Методы наглядного представления данных. М.: Фи-нансы и статистика, 1988,254с.

26. Дюк В.А. Компьютерная психодиагностика. СПб., изд-во "Братство" - 1994. - 364с.

27. Еремеев А.П. Построение решающих функций на базе тернарной логики в системах принятия решений в условиях неопределенности // Изв. РАН. Теория и системы управления. 1997. N 5. С. 138-143.

28. Ермоленко Н.А. Клинико-психологическая и электрофизиологическая оценка результатов лечения и реабилитации детей раннего возраста с нарушениями неврологического развития: Автореф. дис. канд. мед. Наук. Воронеж 1998.

29. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. -Новосибирск: Изд-во ИМ СО РАН, 1999. 270 с.

30. Заде JI. Понятие лингвистической переменной и его применение к принятию приближенных решений / Пер. с англ. М.: Мир, 1976.

31. Здоровье и образование в xxl веке: Материалы Второй международной научно-практической конференции. М.: Изд-во РУДН. -2001.-376 е., вкл.

32. Знаков В.В., Тихомиров O.K. Понимание текста как процесс постановки и решения мыслительной задачи // Вестник МГУ. Сер. 14. Психология. 1991. №3. С. 17-27.

33. Зозуля Ю.А. Современные возможности инструментальной диагностики заболеваний центральной нервной системы //«Лжування та Д1агностика», №1'97. С. 8-12.

34. Ивахненко А. Г. Долгосрочное прогнозирование и управление сложными системами. // К.: "Техника", 1975. 312 с.

35. Ивахненко А.Г. Индуктивный метод самоорганизации моделей сложных систем. Киев: Наук, думка, 1981. - 296 с.

36. Ивахненко А.Г., Зайченко Ю.П., Димитров В.Д. Принятие решений на основе самоорганизации. М.: Сов. радио, 1976. - 280 с.

37. Искусственный интеллект. В 3-х кн. Кн. 2. Модели и методы: Справочник / Под ред. Д.А. Поспелова. М.: Радио и связь, 1990. 214с.

38. Информатика. Теория (с задачами и решениями). Под ред. Шауцуковой Л.З. — М.: Просвещение, 2000 г. (Интернет-версия издания http://www.tstu.edu.ua/irexЛnformatyka/index.html)

39. Кабулов Б.Т. Метод построения лиц Чернова, ориентированный на интервальные оценки параметров // Техническая Кибернетика, №3, 1991. с. 59-62.

40. Киселев М., Соломатин Е. Средства добычи знаний в бизнесе и финансах. // Открытые системы, 1997. №4. - С. 41-44.

41. Кобринский Б.А. Автоматизированные диагностические и информационно-аналитические системы в педиатрии РМЖ, том 7 №4. -1999. - С.17-25.

42. Кобринский Б.А. Значение визуализации данных при компьютерной обработке в медицине. Вестник АМН СССР, 1988, N8, С.92-97.

43. Кобринский Б.А. Системы искусственного интеллекта в медицине: Состояние, проблемы и перспективы // Новости искусств, интеллекта 1995, №2 С.65-79.

44. Котов Ю.Б. Методы формализации профессионального знания врача в задачах медицинской диагностики. Автореф. дисс. на соискание ученой степени д.ф.-м.н., Москва 2002

45. Лабзин Ю.А., Романенко В.Ю., Крутцов A.C., Шмелев В.В., Горелова J1.H. Особенности диагностического процесса в неврологии // Проблема доказательности в медицине и медицинском образовании (Материалы конференции). Изд-во СГМА. - 2000. - С.59-73.

46. Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений. М.: Физматлит, 1996

47. Латыпов А.И., Радченко С.В. Применение нечёткой логики в дифференциальной диагностике стоматологических заболеваний // Здоровье-МЭИ, 2000. http://lgkb.kazan.rU/0123/picl#picl

48. Литтл Р.Дж.А., Рубин Д.Б. Статистический анализ данных с пропусками. М.: Финансы и стати-стика, 1991,336с.

49. Маслова О.И. Проблемы неврологии в педиатрии. (Актовая речь на торжественном собрании, посвященном 77 годовщине со дня основания Института педиатрии РАМН. Москва, 1999г.) - Препринт Института педиатрии РАМН, Москва - 1999. - 32с.

50. Миллер Г. Магическое число семь плюс минус два. Инженерная психология. М.: Прогресс, 1964

51. Митькин A.A. Системная организация зрительных функций. М.: Наука,

52. Мусаев Александр. Интеллектуальный анализ данных: Клондайк или Вавилон? // «Банковские технологии» №11-12 1998, С.23-29.

53. Мусхелишвили Н.Л., Шрейдер Ю.А. Значение текста как внутренний образ //Вопросы психологии. 1997. №3. С. 79-91.

54. Науман Э. Принять решение но как?: Пер. с нем. - М.: Мир, 1987. -198с.

55. Орехов А.Н., Ильясов И.И. О новом виде интуитивных мыслительных операций // Вестн. Моск. ун-та. Сер. 14. Психология, 1997, №2. С. 3-11

56. Орлов А.И./Анализ нечисловой информации в социологических исследованиях. М.: Наука, 1985. - С.58-92.

57. Пальчик А.Б., Шабалов Н.П. Гипоксически ишемическая энцефалопатия новорожденных. С-Пб: Изд-во «Питер», 2001. 224с.

58. Популярная медицинская энциклопедия. Гл.ред. Б.В.Петровский, в 1-м томе. М.: Сов.энциклопедия - 1979. - 704 е., ил.

59. Приобретение знаний: Пер. с япон. / Под ред. С.Осуги, Ю.Саэки. М: Мир, 1990.- 304 с.

60. Ранние предвестники неблагоприятного исхода у доношенных новорожденных с постасфиктической гипоксически-ишемической энцефалопатией. // Российский вестник перинатологии и педиатрии 1996. -N4. С.60-64.

61. Раскин Л.Г. Анализ сложных систем и элементы теории оптимального управления. М.: Сов. радио, 1976. - 344 с

62. Решение проблемы комплексного оперативного анализа информации хранилищ данных / С.Д. Коровкин, И.А. Левенец, И.Д. Ратманова, В.А. Старых, Л.А.Щавелев. // СУБД, №5-6, 1997. - С.47-51

63. Рузайкин Г.И. Орудие Data Mining: успех в анализе данных // Мир ПК, 1997.-№ 1.-С. 102-103.

64. Самарский А., Михайлов А.П. Математическое моделирование. Идеи. Методы. Примеры. М., Наука, 1997, 283 с.

65. Саулебекова JI.O. Состояние здоровья плода и новорожденного республики Казахстан // Научно-практическая конференция, посвященная 70-летию НЦПиДХ "Современные проблемы педиатрии и детской хирургии", (http://pediatrics.med.kz/conf7confr.htm)

66. Семенова К.А., Мастюкова Е.М., Смуглин М.Я. Клиника и реабилитационная терапия детских церебральных параличей.- М., 1972.

67. Сепетлиев Д. Статистические методы в научных медицинских исследованиях. М.: Медицина - 1968. - 419 с.

68. Сидельников Ю.В. Теория и организация экспертного прогнозирования. М.: ИМЭМО АН СССР, 1990. - 196 с.

69. Смирнов В.А. Арутюнов Г.П. и др. Логика и клиническая диагностика: Теоретические основы // "Наука" 1996

70. Советский энциклопедический словарь / Гл.ред. А.М.Прохоров. -4-е изд. М.: Сов.энциклопедия - 1988. - 1600 е., ил.

71. Сотник С.Л. Идентификация колебательного звена методом группового учета аргументов и искусственной нейронной сетью с генетическим алгоритмом обучения (по материалам http ://www. gmdh.net/articles/index.html)

72. Судаков К.В., Викторов В.А., Юматов Е.А. Новые медицинские технологии оценки состояния человека// Вестник РАМН, № 9, 1999

73. Теоретические исследования физиологических систем: математическое моделирование. /Под. Ред. Н.М.Амосова, Киев: Наукова думка, - 1977. - 245с.

74. Туманов В. Data Warehouse: с чего начать? // PC WEEK, 1999. № 29. -С. 15-16.

75. Устинов А.Г. Автоматизированные медико-технологические системы. Курск, 1995. - 217с., илл.

76. Формирование консилиума алгоритмов информационной поддержки клинических решений // Труды VII международной конференции и дискуссионного научного клуба «Новые информационные технологии в медицине и экологии». Гурзуф. 1999. с.155-158.

77. Хинтон Д.Е. как обучаются нейронные сети // В мире науки. 1992. °11-12. С. 103-110.

78. Чадеева М. Графический анализ данных в системе STATISTIC А. (по материалам http://soc-gw.univ.kiev.ua/EDUCAT/BASIC/MMPS/STATISTICA/ textbook/)

79. Шапот М. Интеллектуальный анализ данных в системах поддержки принятия решений // Открытые системы, 1998. № 1. - С. 30-35

80. Шкала Апгар (по материалам http://www.pregnancy.ru/info/ query/apgar.htm)

81. Шлоссберг Д., Ионас А. Шульман. Дифференциальная диагностика инфекционных болезней Спб.: «Невский Диалект», 1999. - 287с.

82. Шухова Н.В. Разработка компьютерных иммунологических консультирующих систем Дис.канд.тех.наук - Новосибирск, 1998. - 182с.

83. Штарк М.Б. Технология виртуальной реальности и физиологические функции// Вестник РАМН, № 10,1999.

84. Эфрон Б. Нетрадиционные методы многомерного статистического анализа. М.: Финансы и статистика. 1988. - 263с.

85. Genkin A. A. Correlation coefficients of clinical laboratory data as signs of mechanisms of regulation. Clin. Lab. Diagn. 1996: 3, P.37-45. (Russian, English abstract).

86. Gubarev V.V. Experimental Data Analysis in the Systems Context // Proceedings The Third Russian-Korean International Symposium on Science and Technology. Novosibirsk: NSTU, 1999. - Vol.1. - P.241-244; // Abstracts. -Vol.1.-P. 190.

87. Hinton G. E. Connectionist Learning Procedures // Artificial Intelligence, Vol 40, 1989, P 185 — 234.

88. Hopfield J. J. Neural networks and physical systems with emergent collective computational abilities. // Proc. of the National Academy of Sciences. — 1982.-79.-pp. 2554-2558.

89. Материалы сайта www.iupesm.org (International Union for Physical and Engineering Sciences in Medicine)

90. Molnar G.E. Reabilitation in Cerebral Palsy The Western// The Western J. Med.- 1991.- Vol. 154, N5.-P. 509-572.

91. Norell S.E. Workbook of Epidemiology. N.Y.; Oxford: Oxford Univ. Press. 1995. 317pp.

92. The XXXIV International Congress of Physiological Sciences "from Molecule to Malady" (по материалам сайта www.iups2001 .org.nzAUPS)

93. Акты и справки об использовании разработанного модельного, алгоритмического и программного обеспеченияа|йыи врач Центра1. Дегтярева В.Г.ъо »032001 г.1. АКТ

94. О разработке и внедрении Автоматизированного рабочего места врача-невропатолога в опытную эксплуатацию

95. Внедрение АРМ в лечебный процесс является удобной и качественно новой формой работы врача, позволяющей сократить время на оформление амбулаторных карт и на анализ информации о больном.

96. Зам.главного врача Центра по лечебной работе1. Попова Г.А.1. Справкао разработке и внедрении алгоритма и электронных таблиц по расчету интегральной системной оценки анамнеза детей с патологией ЦНС

97. Работа над созданием методики и ее применение показали не только принципиальную возможность и полезность разработки, но и позволили разработать новые подходы к процессу системной диагностики.- Зав.отделением функциональной

98. Научный руководитель Центра, д.м.н., профессор

99. Диагностики Центра, к.м.н.1. АКТ

100. О разработке и внедрении методики интегральной системной оценки степени тяжести патологии ЦНС у детейсозданной авторским коллективом в составе: Швайкова И.Н. Дегтярева В.Г.1. Иванова О.В.

101. Методика предназначена для системной интегральной диагностики патологии ЦНС и используется в исследовательских целях.

102. Применение методики показало не только принципиальную возможность и полезность разработки, но и позволило разработать новые подходы к процессу системной диагностики и интегральной оценке эффективности проводимого лечения.

103. Зав. лаб. физико-химической индикации иммунных процессов, д.б.н. профессор1Ыэзамдиректора по науке

104. Ш.ИМБиБ СО РАМН °Щ ДЦтарк М.Б.1. ГI1. XV Ла-^идиО ■¿ ¿>77об использовании методики интегральной системной оценки анамнеза детей с патологией ЦНС

105. Методика предназначена для системной диагностики процессов, повлиявших на развитие патологии ЦНС и обусловивших степень тяжести ребенка и используется в исследовательских целях.

106. Зав. лаб. физико-химической индикации иммунных процессов, д.б.н. профессор

107. УТВЕРЖДАЮ» Проректор по науке НГТУ д.т.н. профессор

108. УТВЕРЖДАЮ» Главный врач центра,1. Ф' Вострецов А.Г.2003г.11. АКТ об использованиирецензия-рекомендация на применение) шкалы интегральной оценки степени тяжести поражения нервной системыразработанной Швайковой И.Н.

109. Шкала ИОП позволяет измерить степень выраженности функционального дефицита в конкретных структурах мозга у ребенка с патологией ЦНС и оценить степень влияния различных этиологических факторов на развитие и течение болезни.

110. Учитывая вышеизложенное, считаем целесообразным применение разработанной шкалы в практическом здравоохранении и научно-исследовательской работе.

111. Научный руководитель аспиранта,

112. Научный руководитель центра,профессор кафедры неврологии и нейрохирургии Ш МА д.м.н.зав.кафедрой ВТ, д.т.н. профессор1. Глухов Б.М.1. РОССИЙСКОЕ1. АВТОРСКОЕ1. ОБЩЕСТВОГ