автореферат диссертации по приборостроению, метрологии и информационно-измерительным приборам и системам, 05.11.17, диссертация на тему:Методы и средства прогнозирования осложнений после операций на предстательной железе на основе гибридных нечетких и нейросетевых технологий

На правах рукописи

Руцкой Роман Викторович

МЕТОДЫ И СРЕДСТВА ПРОГНОЗИРОВАНИЯ ОСЛОЖНЕНИЙ ПОСЛЕ ОПЕРАЦИЙ НА ПРЕДСТАТЕЛЬНОЙ ЖЕЛЕЗЕ НА ОСНОВЕ ГИБРИДНЫХ НЕЧЕТКИХ И НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ

Специальность 05.11.17 - Приборы, системы и изделия медицинского

назначения

Автореферат диссертации на соискание ученой степени кандидата технических наук

5 К/.П 2014

Курск 2014

005548016

005548016

Работа выполнена в Юго-Западном государственном университете на кафедре биомедицинской инженерии

Научный руководитель: доктор технических наук, профессор,

заслуженный деятель науки Российской Федерации Кореневский Николай Алексеевич

Официальные оппоненты: Работкина Ольга Евгеньевна

доктор технических наук, доцент, Воронежский институт государственной противопожарной службы МЧС России, профессор кафедры гражданской защиты

Жилин Валерий Вячеславович кандидат технических наук, доцент, Курская государственная сельскохозяйственная академия, доцент кафедры высшей математики

Ведущая организация: Поволжский государственный

технологический университет, г. Йошкар-Ола

Защита диссертации состоится « 23 » мая 2014 года в 16:00 часов на заседании диссертационного совета Д 212.105.08 при Юго-Западном государственном университете по адресу: 305040, г. Курск, ул. 50 лет Октября, 94 (конференц-зал).

С диссертацией можно ознакомиться в библиотеке Юго-Западного государственного университета»

Автореферат разослан « » апреля 2014 г.

Ученый секретарь диссертационного совета Д 212.105.08

Снопков В.Н.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Актуальность проблемы хирургического лечения предстательной железы определяется все возрастающим объемом пациентов, которым показан этот вид лечения, и значительным числом осложнений в послеоперационный период, которые часто приводят к инвалидизации и даже к летальным исходам.

На сегодняшний день имеется возможность широкого выбора схем оперативного вмешательства, но практически все из них могут привести к различным послеоперационным осложнениям, как в ранние, так и в поздние сроки после такого типа лечения. Такие осложнения, как уретриты, эпидидимоорхиты и др., требуют длительного консервативного лечения; другие — стриктура уретры, стеноз шейки мочевого пузыря - полностью нивелируют эффект операции и требуют повторного хирургического вмешательства. В связи с этим перед врачом возникает необходимость выбора наиболее рационального метода лечения применительно к конкретному пациенту. Принятие такого серьезного решения, определяющего дальнейшую тактику лечения, не может быть продуктом индивидуального, основанного на внешних впечатлениях мнения, пусть даже очень квалифицированного специалиста, поскольку характер принятого решения определяет собой результат последующих действий, которые не всегда приводят к благоприятному исходу. В этих условиях проблема выбора наиболее оптимального метода лечения приобретает особое значение. Точное знание степени риска предполагаемого и показанного оперативного вмешательства способствует принятию правильного в тактическом плане решения.

Степень разработанности темы исследования. В последнее время, с развитием компьютерных технологий предпринимаются попытки внедрения программированного прогнозирования в медицинскую практику. Все больше ученых в последнее время приходят к выводу, что обычные математические модели и алгоритмы не могут быть применены к медицинским задачам из-за низкой степени надежности и эффективности.

На данный момент в урологии практически нет общепризнанных прогностических систем, позволяющих с высокой степенью достоверности принимать правильное решение в лечебной тактике при различных заболеваниях предстательной железы (ПЖ). Сложность прогнозирования в данной ситуации обусловлена тем, что значительная часть информации представляет собой субъективные экспертные оценки врача, основанные на его знаниях и опыте лечения урологических больных. Для моделирования и отражения подобной информации в прогнозирующих системах целесообразно использовать теорию нечеткой логики, как способ наиболее естественного описания характера человеческого мышления и хода его рассуждений. Для качественного решения соответствующей прогностической задачи при составлении решающих правил в качестве информативных признаков используются разнотипные данные, получаемые

в результате биохимических анализов, инструментальных исследований и других диагностических методов.

Анализ существующих подходов к решению выбранной в работе задачи показал, что раздельное использование таких мощных инструментариев, как нейронные сети и нечеткая логика не позволяет должным образом объединить экспертные знания и экспериментальные данные для решения рассматриваемой задачи прогнозирования послеоперационных осложнений урологических больных. С учетом сказанного возникает необходимость разработки способа объединения технологий нечеткой логики и нейронных сетей в гибридную систему для повышения качества прогнозирования результатов хирургического лечения ПЖ, что позволит снизить вероятность возникновения побочных неблагоприятных эффектов и повысить качество оказания терапевтических услуг.

Работа выполнена в соответствии с федеральной целевой программой «Предупреждение и борьба с социально значимыми заболеваниями (20072011 годы)» и в соответствии с научным направлением Юго-Западного государственного университета «Медико-экологические информационные технологии».

Объект исследования. Пациенты, нуждающиеся в оперативном лечении урологических заболеваний.

Предмет исследования. Методы, модели и алгоритмы прогнозирования послеоперационных осложнений при заболеваниях предстательной железы.

Цель работы. Разработка гибридных математических моделей и интеллектуальной системы поддержки принятия решений, основывающихся на комбинированном использовании нечетких и нейросетевых технологий, обеспечивающих повышение качества оказания медицинской помощи пациентам с заболеваниями предстательной железы.

Для достижения поставленной цели необходимо решить следующие задачи:

- изучить значимость факторов риска послеоперационных осложнений при хирургическом лечении предстательной железы;

разработать метод построения функций принадлежности, позволяющих оценить влияние факторов риска на исход хирургического лечения предстательной железы, основанный на экспертных знаниях врача-уролога и статистических исследованиях в предметной области;

- построить структуру гибридной решающей системы и разработать методы и алгоритмы синтеза ее функциональных модулей;

- разработать интегрированный программный пакет, реализующий применение предложенных технологий для интеллектуальной системы поддержки принятия решений врача-уролога;

- провести апробацию предложенных технологий прогнозирования на репрезентативных контрольных выборках.

Научная новизна исследования. В диссертации получены следующие результаты, характеризующиеся научной новизной:

- метод построения функций принадлежности, основанный на экспертных знаниях врача-уролога и статистических исследованиях в предметной области, позволяющий посредством дифференциальной фуззификации информативных признаков в выделенных поддиапазонах определять диагностические коэффициенты для процедуры Вальда;

- метод принятия решений, основанный на решающих правилах процедуры Вальда, анализирующих матрицу диагностических коэффициентов, полученных на основе функций принадлежности, построенных в поддиапазонах информативных признаков, позволяющий построить нечеткие решающие правила для оценки риска осложнений после операций на предстательной железе;

- метод формирования агрегаторов нечеткой решающей системы, отличающийся алгоритмом выбора нечетких операций и алгоритмом выбора последовательности их выполнения, позволяющий осуществить расчет коэффициентов уверенности в принадлежности объекта к каждому из классов;

- структура гибридной решающей сети для интеллектуальной системы поддержки принятия решений врача-уролога, отличающаяся использованием многоуровневых агрегаторов, позволяющая прогнозировать исход хирургического лечения предстательной железы в структурированном пространстве информативных признаков.

.Теоретическая и практическая значимость работы состоит в том, что предложены структура гибридной нейросетевой модели и методы реализации ее функциональных узлов, позволяющие осуществить интеллектуальную поддержку принятия решений при определении схемы оперативного вмешательства при хирургическом лечении урологических заболеваний.

На основании полученных технологий в среде МаНаЬ 7.10 разработан программный пакет для построения модели гибридной нейросетевой системы прогнозирования послеоперационных осложнений при хирургическом лечении ПЖ, позволяющий в интерактивном режиме выполнять синтез и обучение нейросетевых структур, построение нечетких логических заключений путем подбора вида и параметров функций принадлежности с возможностью визуального контроля гибридной структуры на каждом из этапов ее построения.

Применение предложенных в диссертации разработок позволяет увеличить эффективность прогнозирования результатов хирургического лечения ПЖ и повысить качество оказания медицинской помощи урологическим больным.

Практическое значение работы определяется возможностью применения результатов исследования при построении интеллектуальной системы поддержки принятия решений врача-уролога.

Предложенные в работе методы и алгоритмы апробированы в клинической практике больницы скорой медицинской помощи №1 г. Курска и используется в учебном процессе кафедры биомедицинской инженерии Юго-Западного государственного университета при обучении студентов специальности 200401 Биотехнические и медицинские аппараты и системы.

Методы исследования. Для решения поставленных задач использовались методы управления в биотехнических системах, системного анализа, моделирования, теории синтеза сложных информационных систем, теории алгоритмов, теории нечётких множеств, прикладной математической статистики, экспертного оценивания. При разработке диагностической системы в качестве инструментария использовалась среда Matlab 7.10 (R2010a) со встроенными пакетами NNTool, Fuzzy Logic Toolbox и Genetic Algorithm.

Положения, выносимые на защиту. 1. Метод формирования пространства информативных признаков для классификатора риска хирургического лечения урологических заболеваний, основанный на формализации эмпирических экспертных оценок врача-уролога, процедуре Вальда и ранжировании факторов риска. 2. Метод принятия решений, основанный на решающих правилах процедуры Вальда, позволяющий определить групповые коэффициенты уверенности по классам риска оперативного лечения предстательной железы. 3. Структура гибридной системы, позволяющая повысить, в среднем, на 10% показатели качества принятия решений по оценки риска хирургического лечения предстательной железы.

Личный вклад автора. В диссертации приведены результаты исследований, выполненных лично автором или при его непосредственном участии.

Степень достоверности и апробация результатов. Результаты исследования показали их воспроизводимость в различных условиях, непротиворечивость концепциям нечеткой логики принятия решений и нейросетевого моделирования, а так же аналогичным результатам, полученным другими исследователями. Методы и алгоритмы прогнозирования риска оперативного вмешательства построены на теории нечеткого моделирования принятия решений и согласуются с ранее опубликованными экспериментальными данными по теме диссертации.

Основные теоретические положения и научные результаты диссертационной работы докладывались, обсуждались и получили положительную оценку на 9 Международных, Всероссийских и региональных конференциях и симпозиумах: «Теоретические и прикладные вопросы науки и образования» (Тамбов-2013); «Проблемы информатики в образовании, управлении, экономике и технике» (Пенза - 2013); «Инновационные медицинские технологии» (Москва - 2013); «Wschodnie partnnerstwo - 2013» (Przemysl - 2013); «Медико-экологические информационные технологии» (Курск- 2011, 2013); «Интегративные процессы в науке - 2010» (Курск-2010); «Интеграционные проекты в

медицинской и педагогической практике» (Курск-2010); на научно-технических семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск -2011,2012, 2013,2014).

Публикации. По материалам диссертации опубликовано 14 печатных работ, из них 4 статьи в рецензируемых научных журналах.

Структура и объем работы. Диссертация состоит из введения, четырех разделов, заключения и библиографического списка, включающего 133 отечественных и 24 зарубежных наименований. Работа изложена на 139 листах машинописного текста, содержит 40 рисунков и 20 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ Во введении обоснована актуальность темы исследования, определены цели и задачи работы, ее научная новизна и теоретическая и практическая значимость; определены методы решения сформулированных задач; приведены сведения об апробации результатов работы.

В первом разделе рассмотрены вопросы прогнозирования исходов хирургического лечения ПЖ, выделены релевантные послеоперационные осложнения при хирургическом лечении ПЖ, основные факторы, влияющие на риск послеоперационных осложнений и прогнозирование исхода оперативного лечения. Проанализированы подходы к решению задач прогнозирования, использующие современные информационные технологии и существующие методики создания гибридных решающих систем. В заключение раздела определяются цель и задачи исследования.

Во втором разделе сформировано пространство информативных признаков для прогнозирования результатов хирургического лечения ПЖ. На основании сведений об этиологии и патогенезе исследуемого класса заболеваний и особенностей хирургического лечения ПЖ определен набор различных возможных исходов выбранного метода лечения:

Ci — успешное хирургическое лечение ПЖ;

С2 — возникновение осложнений в ходе оперативного вмешательства;

Сз — высокий риск послеоперационных осложнений.

Исследование предметной области показало, что целесообразно разбить пространство информативных признаков на четыре непересекающиеся группы.

В группу Gi вошли данные лабораторных исследований в предоперационном периоде: показатели периферической крови, показатели мочи, биохимические показатели крови. Группа G2 содержит данные инструментального обследования пациентов с заболеваниями ПЖ: данные ультразвукового сканирования, данные радиоизотопной ренографии, пульс и показатели артериального давления. Группа G3 содержит общие данные о пациенте: возраст пациента, вид выполненного хирургического вмешательства, продолжительность операции, объем интраоперационной кровопотери, квалификация оперирующего хирурга, проводилась ли предоперационная антибиотикопрофилактика, продолжительность послеоперационного уретрального дренирования. В последнюю группу

признаков С4 собраны сопутствующие заболевания: сердечнососудистые, легочные, урологические, эндокринные.

С учетом мнения высококвалифицированных экспертов был составлен список из 41 фактора риска и проанализировано влияние этих выделенных факторов риска на семь классов послеоперационных осложнений: послеоперационный эпидидимоорхит, геморрагические осложнения, обострение инфекции мочевых путей, стриктура уретры, стеноз шейки мочевого пузыря, недержание мочи, летальный исход.

Из списка информативных признаков (факторов риска) выбирались информативные признаки, которые имели наибольшие показатели значимости для риска осложнения выделенного класса.

Для оценки информативности факторов риска осуществлялся расчет коэффициента диагностической значимости (КДЗ) по формуле: о" ' + )

где а'х - среднеквадратическое отклонение фактора х, в у'-м классе осложнений,

ах - среднеквадратическое отклонение фактора XI в группе сравнения,

М- среднее значение фактора х, вклассе осложнений,

М* - среднее значение фактора х, в группе сравнения.

При ранжировании показателей факторов риска они выстраиваются по величине нормы х1 (х,) > которая определялась как

1=1,41

Для определения пороговых значений х' (*,) > определяющих состав группы информативных признаков, предназначенных для классификации риска заданного осложнения, использовался критерий информационной осыпи Кэттеля.

Учитывая относительно малые объемы обучающих выборок и неполноту получаемой информации о классах послеоперационных осложнений, для построения классификатора риска использовались мягкие вычисления. При переходе к нечеткому описанию исследуемых факторов использовалась последовательная секвенциальная процедура А. Вальда, которая предусматривает разбиение информативных признаков х1 на К — градаций, характеризующихся числами хл.

Используя такой подход, был предложен метод формирования функций принадлежности, который основан на нечетком моделировании в среде МАТЬАВ и АкгуТЕСН.

Сущность метода состоит в том, для каждого признака заданного класса формируют множество функций принадлежности, число которых определяется числом выделенных поддиапазонов К. Поддиапазоны выделяются на экспертном уровне и могут быть определены как посредством чисел, так и термами. При этом сами функции формируются в автоматическом режиме путем использования стандартных функций среды МайаЪ, а параметры этих функций в интерактивном режиме определяет пользователь. Структура признакового пространства, соответствующая предлагаемому методу, представлена на рисунке 1.

Рисунок 1 - Схема фуззификации пространства информативных признаков для интеллектуальной системы оценки риска хирургического лечения ПЖ

Алгоритм формирования функций принадлежности в пространстве признаков со структурой, представленной на рисунке 1, выполняет следующие процедуры.

1) Загрузка признаков по данным классам. Загружаются две таблицы информативных признаков: класс а, и класс «не со(» - сог. Если классов больше двух, то тогда для каждого класса со, из таблиц информативных признаков оставшихся классов формируется дополнительная таблица информативных признаков с классом сог.

2) Цикл по группам информативных признаков (по параметру у). Так как число информативных признаков в каждой группе различно, то в каждом цикле выполнения процедуры необходимо задать число

признаков и, в той группе, которая является текущей для последующего цикла (по параметру г')-

3) Цикл по признакам в каждой группе (по параметру г). В нем осуществляется загрузка текущего признака для двух альтернативных классов. Признаки представляются в виде графика в интерфейсном окне, в котором пользователь выделяет соответствующие поддиапазоны (число поддиапазонов К).

4) Цикл построения функций принадлежности для каждого поддиапазона текущего информативного признака текущего класса (по параметру к). В цикле строятся функции принадлежности для альтернативных классов (о, и а>г ).

Для каждого из поддиапазонов определяется диагностический коэффициент

икЛхи!(оЛ

Для всех участвующих в классификации признаков диагностический коэффициент ву'-й группе признаков определяется выражением:

ДК]=^ДКк{хи). (4)

1=1 4=1

Учитывая, что функции принадлежности близки к нулю вне диапазона к, правая часть уравнения (4) имеет только слагаемых.

Положительные значения ДК свидетельствуют в пользу класса а>(, отрицательные - в пользу классов еог. При этом существует зона неопределенной классификации, определяемая двумя порогами: порог для класса т, (Ра/) и порог для классов тг {Рщ). Эти пороги определяются выражениями:

(5)

где а - допустимый процент ошибок первого рода, когда гипотеза а>1 принимается за гипотезу сог; ¡3 - допустимый процент ошибок второго рода, когда гипотеза аг принимается за гипотезу а>(.

В базовом варианте процедуры А. Вальда решение о классификации принимается по жесткому алгоритму, что не всегда соответствует клинической логике принятия решения. Поэтому в работе процедура А. Вальда модифицирована до нечеткого правила с определением коэффициентов уверенности принадлежности к классам со, и тг Кищ (ДKJ)

и Киш (ДК ■) по групповым диагностическим коэффициентам Д^ (рисунок

2). На этом рисунке Кит < 1 выбирается экспертами исходя из доверия к точности классификации по заданной группе информативных признаков и к диагностическим возможностям процедуры А. Вальда.

KuVi, Кию 1,0-

Ки"

р., р., ДК,

Рисунок 2 - Варианты зависимости коэффициентов уверенности по классам со, и аг от групповых ДК]

Проведенные исследования показали, что процедура А. Вальда не всегда обеспечивает построения решающего модуля, обеспечивающего требуемое качество классификации. В таком случае осуществлялся переход к гибридным моделям классификации, в которых групповые коэффициенты уверенности КиЮ( (ДК) и Киш (ДК) «встраивались» в более общие

конструкции с синтезом финальных решающих правил, обеспечивающих заданное качество классификации.

В результате проведенных исследований были получены вид и параметры функций принадлежности по диапазонам признаков, которые являлись значимыми для каждого из семи исследуемых видов послеоперационных осложнений, а также графики групповых коэффициентов уверенности для заданных классов риска и рассматриваемых послеоперационных осложнений.

В третьем разделе разработана структура гибридной нейронной сети, предназначенная для прогнозирования результатов хирургического лечения ПЖ. Для повышения эффективности результатов прогнозирования в ней объединены достоинства технологий нейронных сетей и систем нечеткого вывода. В качестве базовой модели для разработки структуры гибридной системы выбрана распространенная модель нечеткого решающего модуля, состоящая из блоков фуззификатора, агрегатора и дефуззификатора.

В отличие от базовой структуры в рассматриваемой системе нечеткого логического вывода на этапе фуззификации выполняется разбиение признакового пространства на группы: С1...С4, что позволяет выполнять агрегирование по двухуровневой схеме: на первом уровне агрегирования вычисляются коэффициенты уверенности принадлежности объектов к заданному классу риска по результатам анализа в каждой из групп информативных признаков на основе процедура А. Вальда, а на втором - для рассчитанных групповых коэффициентов уверенности формируются

агрегаторы по классам риска. Их выходы соответствуют коэффициентам уверенности в принадлежности пациента к соответствующему классу риска. Для синтеза этих агрегаторов используются генетические алгоритмы, позволяющие формировать предпосылки нечетких импликаций при недостаточной квалификации эксперта.

В редукции информативных признаков на выходе агрегаторов второго уровня используется нейронная сеть, которая в терминологии нечетких нейронных сетей выполняет роль дефуззификатора. Ее обучение осуществляется на основе исходных обучающих данных, сформированных для каждого класса осложнений, связанных с оперативным лечением.

На рисунке 3 представлен один из возможных вариантов гибридной нейронной сети, построенной для класса послеоперационных осложнений «инфекция мочевых путей».

Классификатор построен по гибридной схеме и характеризуется набором признаков х^.-хц, которые используются при прогнозировании риска послеоперационного обострения инфекции мочевых путей: лейкоциты в моче, эритроциты в моче, длительность уретрального дренирования, СОЭ, сахарный диабет, хронический пиелонефрит, хронический калькулезный простатит, предоперационная антибиотикопрофилактика, объем остаточной мочи, камни почек, вид операции.

Обучающие выборки, используемые для построения модели и настройки параметров сети, изначально разделены на три класса С], С2 и Сз результатов применения оперативного лечения.

Каждый из объектов обучающей выборки X/,, (/г = \..Н, где Н -количество объектов в выборке) характеризуется набором из одиннадцати признаков. Формат исходных данных представляет собой три двумерных массива размерностью (11-гШ{), а, = 1...3, где га - количество объектов в з

классе риска еое (^ гШ( = Н ).

о}(=\

На этапе фуззификации вычисляются числовые значения функций принадлежности /л^(Хк)рдя каждого признака ху , где функция

принадлежности объекта X/, к классу а>( по г'-му признаку ] -й подгруппы в под диапазоне к.

В связи большим количеством информативных признаков и с взаимным влиянием их друг на друга, опыт эксперта не позволяет построить предпосылки для решающих правил базы правил системы нечеткого вывода. Поэтому агрегаторы первого уровня формировались на основе модифицированной в разделе 2 процедуры А. Вальда, а агрегаторы второго уровня — путем поиска оптимальных комбинаций известных нечетких операций для каждого класса риска.

В результате работы агрегаторов первого уровня, полученных в результате выполнения процедуры А. Вальда, вычисляются числовые значения групповых коэффициентов уверенности Ки/ со,). Указанный

коэффициент определяет уверенность в принадлежности объекта к классу риска ю1 по набору признаков группы Оу.

На следующем шаге агрегирования (второй уровень: на рисунке 3 это агрегаторы А1....А3) осуществляется агрегация групповых коэффициентов

уверенности по классам риска, то есть выполняется расчет числовых значений на выходах указанных агрегаторов (коэффициентов Ки{а>е) уверенности принадлежности объекта к классу а>(). Для построения этих агрегаторов используется генетический алгоритм.

Для выполнения этапа агрегирования в работе сформированы агрегаторы первого уровня (необходимое количество агрегаторов первого уровня определяется исходя из формулы n-s, где п — число классов, s -число признаковых групп, например, если классов три, а признаковых групп четыре, то агрегаторов двенадцать) и агрегаторы второго уровня, число которых соответствует числу идентифицируемых классов. Таким образом, этап построения агрегаторов для каждого класса представляет собой выбор способа объединения заданного набора нечетких логических операций, осуществляемых над функциями принадлежности, используемыми для оценки риска выбранного послеоперационного осложнения. В работе использовался базовый набор, включающий в себя десять нечетких операций. Для решения задачи построения агрегаторов разработан метод автоматизированного подбора оптимальных комбинаций нечетких операций, выполняемых в агрегаторе, основанный на использовании генетического алгоритма.

Для реализации генетического алгоритма был использована утилита gatool, встроенная в пакет Gentic Algorithm среды Matlab 7.10, который выполняет минимизацию заданной целевой функции, зависящей от количества ошибок классификации. Для инициализации генетического алгоритма данного пакета необходимо указать длину входной битовой последовательности, определяемой последовательностью нечетких операций, и целевую функцию. В качестве цели минимизации для алгоритма выступает значение, возвращаемое процедурой расчета ошибки прогнозирования minfunagr.

В процессе выполнения процедуры выполнения генетического алгоритма ошибка классификации рассчитывается для каждого объекта и может принимать значение 1 или 0. Значение «1» обозначает, что при данной комбинации нечетких операций над функциями принадлежности максимальный коэффициент уверенности Китах достигается в классе, отличном от класса, которому принадлежит объект. Значение «0» обозначает, что максимальный коэффициент уверенности достигается именно в том классе, которому принадлежит объект. В результате выполнения генетического алгоритма определяется такой набор нечетких операций и их последовательности для агрегации функций принадлежности, который обеспечивает минимум суммарной ошибки классификации по всем объектам из обучающей выборки.

Для реализации генетического алгоритма системы Matlab 7.10 использовалось битовое кодирование нечетких операций и порядка их выполнения в агрегаторе. Каждая нечеткая операция из базового набора кодируется уникальной битовой последовательностью длиною d. Длина

последовательности выбирается исходя из условия 2е1 > g, где g — общее количество нечетких операций в наборе (если ^ 10, то (1=4). Таким образом, каждой из 10 нечетких операций из сформированного набора будет соответствовать двоичная последовательность длиной четыре бита. Битовые коды каждой нечеткой операции присваиваются автоматически, по порядку их следования в исходном наборе.

Битовыми последовательностями также кодируют все возможные варианты перестановок признаков объекта (необходимость этого вызвана тем фактом, что многие нечеткие функции не обладают свойством коммутативности, т.е. /(ца(х),ць(х))ф/{[ль(х),11а(х)). Длина г битовой последовательности для перестановок определяется из условия 2А>т!, где т — количество признаков.

Так как признаковое пространство на этапе фуззификации было сгруппировано в подгруппы (для выбранной задачи это четыре подгруппы), то каждый из агрегаторов второго уровня потребует длины перестановочной последовательности г = 5. Каждая из возможных перестановок автоматически кодируется соответствующей битовой последовательностью, а количество возможных битовых последовательностей определяется как

Е"'-1 •(«-!)!

Постановка задачи для встроенного генетического алгоритма системы Ма^аЬ 7.10 сводится к нахождению объединенной битовой последовательности (рисунок 4), содержащей информацию о виде и порядке следования нечетких операций, которые будут наиболее полно удовлетворять условию минимума ошибок классификации.

Битовая последовательность кодирования нечетких операций для т признаков: всего gm~1 последовательностей

[оМ- I о I ^ТТТ] ... |Ид|-| 1]

Код битовой последовательности для т!

Рисунок 4 - Структуры битовых последовательностей, используемых в генетическом алгоритме

Для редукции нового пространства информативных признаков (вектор коэффициентов Кщ) используется обучаемая нейронную сеть, на вход которой поступает вектор коэффициентов Кщ, а на выходе формируется результат прогнозирования согласно выражению

/(Кщ.Ки,) = т ах( МЕТ( {Кщ. Ки1)),

(6)

где NETi — выходы нейронной сети.

В качестве обучающей функции используется встроенная в систему Matlab 7.10 функция trainlm. Выбор данной функции обусловлен наибольшими качественными показателями в скорости обучения, по сравнению с другими обучающими функциями. Для контроля ошибки обучения использовалась функция mse из пакета NNTool среды Matlab 7.10, позволяющая адекватно оценивать ошибки при любых диапазонах входных значений переменной.

Преимуществом данного метода редукции является в отслеживании нейронной сетью ситуаций, когда уверенности по классам близки по величине.

В четвертом разделе рассмотрены результаты экспериментальных исследований, позволяющих оценить качество работы интеллектуальной системы поддержки принятия решений врача-уролога, построенной с использованием разработанных методов и средств оценки риска послеоперационных осложнений урологических больных. Для реализации модели прогнозирующей системы в среде Matlab 7.10 был разработан прикладной пакет программного обеспечения «Network», который может работать в трех режимах классификации: нейронная сеть, нечеткий логический вывод, гибридная решающая структура. Интерфейсное окно модуля «Классификация», предназначенного для нейросетевого моделирования, показано на рисунке 5.

яании т • -лш

Исхода^.j . график : Н&^ткие фуккщ« Aipcrorop ! Клосси^ика^я

Признаки для анализа Слоыэб классификации Результаты Ю1ассифнта1$ш

Рисунок 5 - Интерфейсное окно модуля «Классификация»

Для обучения гибридной сети были использованы истории болезни, хранящиеся в архиве БСМП №1 г. Курска, содержащие результатах хирургического лечения ПЖ. Исследовались ранние послеоперационные осложнения: геморрагические осложнения, обострение инфекции мочевых путей, эпидидимоорхиты. Были созданы и обучены три модели решающих систем (обучаемая нейронная сеть, нечеткий логический вывод, основанный на процедуре А. Вальда, и гибридная), в каждой из которых «входными»

параметрами являлись показатели предоперационного обследования 120 пациентов, оперированных по поводу такого заболевания ПЖ, как ее доброкачественная гиперплазия, а «выходными» величинами - уровень риска одного из трех вышеуказанных осложнений. В результате были получены нейросети, способные по предоперационным показателям пациента прогнозировать развитие у него того или иного раннего послеоперационного осложнения.

Аналогичным способом были созданы обученные нейросети, способные по предоперационным данным прогнозировать осложнения в позднем послеоперационном периоде: недержание мочи, стеноз шейки мочевого пузыря, стриктуры уретры. В итоге получили по три модели решающих систем для каждого из семи классов послеоперационных осложнений.

Для обоснования целесообразности использования гибридных технологий, было выполнено прогнозирование результатов с использованием существующих методик, основанных на технологиях обучаемых нейронных сетей и нечеткого логического вывода в отдельности.

Результаты расчета показателей качества прогнозирования исхода хирургического лечения ПЖ для указанных моделей для класса осложнения - «инфекция мочевых путей», представлены на рисунке 6.

Диагностическая чувствительность - ДЧ, диагностическая специфичность -ДС, прогностическая значимость положительных результатов - П3+, прогностическая значимость отрицательных результатов - ПЗ", диагностическая эффективность решающего правила (ДЭ).

Рисунок 6 - Диаграмма показателей качества работы для трех моделей прогнозирующих систем послеоперационных осложнений

При использовании гибридной системы прогнозирования минимальное значение диагностической эффективности по выбранным классам послеоперационных осложнений составило 0.90, что значительно выше показателей методов прогнозирования, основанных на технологиях обучаемых нейронных сетей и нечеткого логического вывода в отдельности.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

Предлагаемая работа посвящена разработке гибридных моделей прогнозирования результатов хирургического лечения предстательной железы, что позволит предупредить возникновение осложнений различной степени тяжести, оценить необходимость проведения предварительной терапии и повысить качество оказания медицинских услуг урологическим больным.

В работе получены следующие основные результаты.

Посредством исследования значимости факторов риска послеоперационных осложнений предстательной железы сформировано и структурировано пространство информативных признаков, используемых во врачебной практике для прогноза результатов хирургического лечения предстательной железы.

Разработан метод построения функций принадлежности, позволяющий посредством дифференциальной фуззификации информативных признаках в выделенных поддиапазонах определять диагностические коэффициенты для процедуры Вальда и агрегировать экспертные знания врача-уролога и результаты статистических исследований в предметной области.

Построена гибридная решающая система с двухуровневой системой агрегаторов, позволяющая осуществлять прогнозирование рисков послеоперационных осложнений при хирургическом лечении предстательной железы, включающая:

- метод принятия решений, основанный на решающих правилах процедуры Вальда, анализирующих матрицу диагностических коэффициентов, позволяющий построить нечеткие решающие правила для оценки риска хирургического лечения предстательной железы;

- алгоритм формирования агрегаторов второго уровня, основанный на применении генетических процедур, позволяющий выполнять автоматический выбор нечетких операций в агрегаторе и последовательность их выполнения;

- метод редукции нечетких коэффициентов уверенности в модели нечеткого логического вывода с помощью обучаемой нейронной сети, позволяющий повысить качество прогнозирования.

Разработано программное обеспечение, осуществляющее интерактивное моделирование гибридной решающей системы с отображением этапов моделирования, а также построение функций принадлежности по каждому из признаков объекта классификации в выбранных под диапазонах их изменения, и формирование комбинированных функций принадлежности для корректного описания нечетких множеств.

Выполнена апробация разработанных методов и средств прогнозирования с использованием контрольной выборки, полученной по результатам анализа историй болезней пациентов урологического отделения больницы скорой медицинской помощи №1 г. Курска. При использовании гибридных технологий прогнозирования значение диагностической эффективности составило 0.92, что значительно выше показателей методов прогнозирования, основанных либо на технологиях обучаемых нейронных сетей, либо на технологиях нечеткого логического вывода.

СПИСОК НАУЧНЫХ РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ

Публикации в рецензируемых научных журналах и изданиях

1. Руцкой, Р.В. Гибридные решающие системы для прогнозирования послеоперационных осложнений у больных с доброкачественной гиперплазией предстательной железы [Текст] / Р.В. Руцкой, С.А. Филист, К. Дерхим А. Кассим // Известия ЮЗГУ. №5 (50). - Курск, 2013.- С. 40-49.

2. Руцкой, Р.В. Метод синтеза комбинированных нечетких правил принятия решений по оценке и коррекции состояния здоровья человека [Текст] / H.A. Кореневский, Р.В. Руцкой, Е.Б. Рябкова и др. // Системный анализ и управление в биотехнических системах, 2013, Т.12, №4,- С. 10751079.

3. Руцкой, Р.В. Метод прогнозирования и диагностики состояния здоровья на основе коллектива нечетких решающих правил [Текст] / H.A. Кореневский, Р.В. Руцкой, С.Д. Долженков // Системный анализ и управление в биотехнических системах, 2013, Т.12, №4,- С. 905-909.

4. Руцкой, Р.В. Муравьиные алгоритмы как основа математического аппарата автоматической классифицирующей системы в онкологии [Текст] / Р.В. Руцкой, И.А. Ключиков // Известия ЮЗГУ. Серия «Управление, вычислительная техника, информатика». №3 - Курск, 2013.- С. 78-83.

Научные работы в других изданиях

5. Руцкой, Р.В. Прогнозирование послеоперационных осложнений в двумерных классификационных пространствах [Текст] / Р.В. Руцкой, Т.Н. Сапитонова, H.A. Кореневский // Теоретические и прикладные вопросы науки и образования: сборник научных трудов по материалам Международной научно-практической конференции. Часть 2. - Тамбов: Изд-во ТРОО «Бизнес-Наука - Общество», 2013. - С. 114-117.

6. Руцкой, Р.В. Гибридные нейросетевые технологии для прогнозирования послеоперационных осложнений в интеллектуальных системах медицинского назначения [Текст] / Р.В. Руцкой, K.P. Черников // Проблемы информатики в образовании, управлении, экономике и технике: сборник статей XIII Междунар. научн.-техн. конф. - Пенза: Приволжский Дом знаний, 2013. - С. 60-62.

7. Руцкой, Р.В. Нечеткие медицинские классификаторы на основе секвенциальной последовательной процедуры А. Вальда [Текст] / Р.В. Руцкой // Materialy IX Miedzynarodowej naukowi-praktycznej konferencji

«Wschodnie partnnerstwo - 2013» Volume 24. Medycyna.: Przemysl. Nauka I stsdia, 2013. - C. 39-43.

8. Руцкой, P.B. Интеллектуальная система поддержки принятия решений по оценку риска послеоперационных осложнений у больных с доброкачественной гиперплазией предстательной железы [Текст] / Р.В. Руцкой, В.В. Руденко, О.В. Шаталова // Международный журнал прикладных и фундаментальных исследований. - 2013. - № 11 - С. 68-69.

9. Руцкой, Р.В. Дозиметрическое обеспечение подвижной электронной лучевой терапии [Текст]/Р.В. Руцкой, М.А. Ефремов//Медико-экологические информационные технологии - 2013: сб. материал. XVI Междунар. научн,-техн. конф. Юго-Зап. гос. ун-т. - Курск, 2013. - С. 143-149.

10. Руцкой, Р.В. Рекомендации для клинического применения подвижного электронного облучения [Текст]/Р.В. Руцкой//Медико-экологические информационные технологии - 2013: сб. материал. XVI Междунар. научн.-техн. конф. Юго-Зап. гос. ун-т. - Курск, 2013. - С. 150-159.

11. Руцкой, Р.В. Перспективы применения автоматических классификаторов [Текст] / Р.В. Руцкой // Медико-экологические информационные технологии - 2011: сб. материал. XIV Междунар. научн.-техн. конф. Юго-Зап. гос. ун-т. - Курск, 2011. - С. 99-101.

12. Руцкой, Р.В. Преимущество применения многопопуляционного муравьиного генетического алгоритма (ММПГА) в задачах оптимизации [Текст] / Р.В. Руцкой // Медико-экологические информационные технологии — 2011: сб. материал. XIV Междунар. научн.-техн. конф. Юго-Зап. гос. ун-т. Курск, 2011.-С. 281-286.

13. Руцкой, Р.В. Системы поддержки принятия решений на основе искусственных нейронных сетей [Текст] / Р.В. Руцкой, Артеменко М.В. // Интегративные процессы в науке - 2010. Материалы международной научно-практической конференции. - Курск: МУ «Издательский центр «ЮМЭКС», 2010. - С. 109-111.

14. Руцкой, Р.В. Перспективы применения муравьиных алгоритмов при решении прогностических задач [Текст] / Р.В. Руцкой // Интеграционные проекты в медицинской и педагогической практике. Материалы межрегиональной научно-практической конференции. - Курск: МУ «Издательский центр «ЮМЭКС», 2010. - С. 87-92.

ИД №06430 от 10.12.01г. Подписано в печать 2.04. 2014. Формат 60x84 1/16 Печатных листов 1,0. Тираж 100 экз. Заказ 39 Юго-Западный государственный университет. Издательско-полиграфический центр ЮЗГУ. 305040, г. Курск, ул. 50 лет Октября, 94

ЮГО-ЗАПАДНЫЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ

04201 459173 Руцкой Роман Викторович

МЕТОДЫ И СРЕДСТВА ПРОГНОЗИРОВАНИЯ ОСЛОЖНЕНИЙ ПОСЛЕ ОПЕРАЦИЙ НА ПРЕДСТАТЕЛЬНОЙ ЖЕЛЕЗЕ НА ОСНОВЕ ГИБРИДНЫХ НЕЧЕТКИХ И НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ

Специальность 05.11.17- Приборы, системы и изделия медицинского назначения

Диссертации на соискание учёной степени кандидата технических наук

Научный руководитель: заслуженный деятель науки РФ доктор технических наук, профессор Кореневский Николай Алексеевич

Курск - 2014

Оглавление

Введение...........................................................................................................................4

1 Технологии нечеткой логики принятия решений и нейронных сетей для прогнозирования результатов хирургического лечения урологических больных. 10

1.1 Прогнозирование исходов хирургического лечения предстательной железы. 10

1.2 Анализ видов послеоперационных осложнений при хирургическом лечении предстательной железы................................................................................................11

1.3 Прогнозирование в медицине, и в частности, в области урологии...................13

1.4 Методы диагностики заболеваний и прогнозирования результатов терапии.. 15

1.4.1 Методики, основанные на применении аппарата нейронных сетей. 15

1.4.2 Формализация экспертных оценок с помощью алгоритмов нечеткого логического вывода.........................................................................................22

1.4.3 Генетические алгоритмы как средство настройки нечетких систем 26

1.4.4 Особенности применения нечетких нейронных сетей.......................28

1.5 Цели и задачи исследования..................................................................................31

2 Синтез признакового пространства и функций принадлежности для системы прогнозирования результатов хирургического лечения предстательной железы. 33

2.1 Формирование исходного набора информативных признаков..........................33

2.2 Исследование значимости факторов при прогнозировании различных классов послеоперационных осложнений................................................................................39

2.3 Метод формирования функций принадлежности по группам информативных признаков.......................................................................................................................51

2.4 Метод принятия решений в группированном признаковом пространстве.......61

»идш 11ЧУ ..................................................................................

эидная система принятия решений для прогнозирования результап яческого лечения предстательной железы.....................................................

уктура гибридной решающей системы..........................................................

год синтеза агрегаторов второго уровня подсистемы нечеткого логическс

¡тод редукции нечетких коэффициентов уверенности с использовани мой нейронной сети...........................................................................................

Заключение.........................................................

Список сокращений и условных обозначений Список литературы............................................

121 122

Введение

Актуальность работы. Актуальность проблемы хирургического лечения предстательной железы определяется все возрастающим объемом пациентов, которым показан этот вид лечения, и значительным числом осложнений в послеоперационный период, которые часто приводят к инвалидизации и даже к летальным исходам.

На сегодняшний день имеется возможность широкого выбора схем оперативного вмешательства, но практически все из них могут привести к различным послеоперационным осложнениям, как в ранние, так и в поздние сроки после такого типа лечения. Такие осложнения, как уретриты, эпидидимоорхиты и др., требуют длительного консервативного лечения; другие -стриктура уретры, стеноз шейки мочевого пузыря - полностью нивелируют эффект операции и требуют повторного хирургического вмешательства. В связи с этим перед врачом возникает необходимость выбора наиболее рационального метода лечения применительно к конкретному пациенту. Принятие такого серьезного решения, определяющего дальнейшую тактику лечения, не может быть продуктом индивидуального, основанного на внешних впечатлениях мнения, пусть даже очень квалифицированного специалиста, поскольку характер принятого решения определяет собой результат последующих действий, которые не всегда приводят к благоприятному исходу. В этих условиях проблема выбора наиболее оптимального метода лечения приобретает особое значение. Точное знание степени риска предполагаемого и показанного оперативного вмешательства способствует принятию правильного в тактическом плане решения.

Степень разработанности темы исследования. В последнее время, с развитием компьютерных технологий предпринимаются попытки внедрения программированного прогнозирования в медицинскую практику. Все больше ученых в последнее время приходят к выводу, что обычные математические

модели и алгоритмы не могут быть применены к медицинским задачам из-за низкой степени надежности и эффективности.

На данный момент в урологии практически нет общепризнанных прогностических систем, позволяющих с высокой степенью достоверности принимать правильное решение в лечебной тактике при различных заболеваниях предстательной железы (ПЖ). Сложность прогнозирования в данной ситуации обусловлена тем, что значительная часть информации представляет собой субъективные экспертные оценки врача, основанные на его знаниях и опыте лечения урологических больных. Для моделирования и отражения подобной информации в прогнозирующих системах целесообразно использовать теорию нечеткой логики, как способ наиболее естественного описания характера человеческого мышления и хода его рассуждений. Для качественного решения соответствующей прогностической задачи при составлении решающих правил в качестве информативных признаков используются разнотипные данные, получаемые в результате биохимических анализов, инструментальных исследований и других диагностических методов.

Анализ существующих подходов к решению выбранной в работе задачи показал, что раздельное использование таких мощных инструментариев, как нейронные сети и нечеткая логика не позволяет должным образом объединить экспертные знания и экспериментальные данные для решения рассматриваемой задачи прогнозирования послеоперационных осложнений урологических больных. С учетом сказанного возникает необходимость разработки способа объединения технологий нечеткой логики и нейронных сетей в гибридную систему для повышения качества прогнозирования результатов хирургического лечения ПЖ, что позволит снизить вероятность возникновения побочных неблагоприятных эффектов и повысить качество оказания терапевтических услуг.

Работа выполнена в соответствии с федеральной целевой программой «Предупреждение и борьба с социально значимыми заболеваниями (2007-2011 годы)» и в соответствии с научным направлением Юго-Западного

государственного университета «Медико-экологические информационные технологии».

Объект исследования. Пациенты, нуждающиеся в оперативном лечении урологических заболеваний.

Предмет исследования. Методы, модели и алгоритмы прогнозирования послеоперационных осложнений при заболеваниях предстательной железы.

Цель работы. Разработка гибридных математических моделей и интеллектуальной системы поддержки принятия решений, основывающихся на комбинированном использовании нечетких и нейросетевых технологий, обеспечивающих повышение качества оказания медицинской помощи пациентам с заболеваниями предстательной железы.

Для достижения поставленной цели необходимо решить следующие задачи:

- изучить значимость факторов риска послеоперационных осложнений при хирургическом лечении предстательной железы;

- разработать метод построения функций принадлежности, позволяющих оценить влияние факторов риска на исход хирургического лечения предстательной железы, основанный на экспертных знаниях врача-уролога и статистических исследованиях в предметной области;

- построить структуру гибридной решающей системы и разработать методы и алгоритмы синтеза ее функциональных модулей;

разработать интегрированный программный пакет, реализующий применение предложенных технологий для интеллектуальной системы поддержки принятия решений врача-уролога;

- провести апробацию предложенных технологий прогнозирования на репрезентативных контрольных выборках.

Научная новизна исследования. В диссертации получены следующие результаты, характеризующиеся научной новизной:

- метод построения функций принадлежности, основанный на экспертных знаниях врача-уролога и статистических исследованиях в предметной области, позволяющий посредством дифференциальной фуззификации информативных

признаков в выделенных поддиапазонах определять диагностические коэффициенты для процедуры Вальда;

- метод принятия решений, основанный на решающих правилах процедуры Вальда, анализирующих матрицу диагностических коэффициентов, полученных на основе функций принадлежности, построенных в поддиапазонах информативных признаков, позволяющий построить нечеткие решающие правила для оценки риска осложнений после операций на предстательной железе;

- метод формирования агрегаторов нечеткой решающей системы, отличающийся алгоритмом выбора нечетких операций и алгоритмом выбора последовательности их выполнения, позволяющий осуществить расчет коэффициентов уверенности в принадлежности объекта к каждому из классов;

- структура гибридной решающей сети для интеллектуальной системы поддержки принятия решений врача-уролога, отличающаяся использованием многоуровневых агрегаторов, позволяющая прогнозировать исход хирургического лечения предстательной железы в структурированном пространстве информативных признаков.

Теоретическая и практическая значимость работы состоит в том, что предложены структура гибридной нейросетевой модели и методы реализации ее функциональных узлов, позволяющие осуществить интеллектуальную поддержку принятия решений при определении схемы оперативного вмешательства при хирургическом лечении урологических заболеваний.

На основании полученных технологий в среде МаИаЬ 7.10 разработан программный пакет для построения модели гибридной нейросетевой системы прогнозирования послеоперационных осложнений при хирургическом лечении ПЖ, позволяющий в интерактивном режиме выполнять синтез и обучение нейросетевых структур, построение нечетких логических заключений путем подбора вида и параметров функций принадлежности с возможностью визуального контроля гибридной структуры на каждом из этапов ее построения.

Применение предложенных в диссертации разработок позволяет увеличить эффективность прогнозирования результатов хирургического лечения ПЖ и повысить качество оказания медицинской помощи урологическим больным.

Практическое значение работы определяется возможностью применения результатов исследования при построении интеллектуальной системы поддержки принятия решений врача-уролога.

Предложенные в работе методы и алгоритмы апробированы в клинической практике больницы скорой медицинской помощи №1 г. Курска и используется в учебном процессе кафедры биомедицинской инженерии Юго-Западного государственного университета при обучении студентов специальности 200401 Биотехнические и медицинские аппараты и системы.

Методы исследования. Для решения поставленных задач использовались методы управления в биотехнических системах, системного анализа, моделирования, теории синтеза сложных информационных систем, теории алгоритмов, теории нечётких множеств, прикладной математической статистики, экспертного оценивания. При разработке диагностической системы в качестве инструментария использовалась среда Matlab 7.10 (R2010a) со встроенными пакетами NNTool, Fuzzy Logic Toolbox и Genetic Algorithm.

Положения, выносимые на защиту. 1. Метод формирования пространства информативных признаков для классификатора риска хирургического лечения урологических заболеваний, основанный на формализации эмпирических экспертных оценок врача-уролога, процедуре Вальда и ранжировании факторов риска. 2. Метод принятия решений, основанный на решающих правилах процедуры Вальда, позволяющий определить групповые коэффициенты уверенности по классам риска оперативного лечения предстательной железы. 3. Структура гибридной системы, позволяющая повысить, в среднем, на 10% показатели качества принятия решений по оценки риска хирургического лечения предстательной железы.

Личный вклад автора. В диссертации приведены результаты исследований, выполненных лично автором или при его непосредственном участии.

Степень достоверности и апробация результатов. Результаты исследования показали их воспроизводимость в различных условиях, непротиворечивость концепциям нечеткой логики принятия решений и нейросетевого моделирования, а так же аналогичным результатам, полученным другими исследователями. Методы и алгоритмы прогнозирования риска оперативного вмешательства построены на теории нечеткого моделирования принятия решений и согласуются с ранее опубликованными экспериментальными данными по теме диссертации.

Основные теоретические положения и научные результаты диссертационной работы докладывались, обсуждались и получили положительную оценку на 9 Международных, Всероссийских и региональных конференциях и симпозиумах: «Теоретические и прикладные вопросы науки и образования» (Тамбов-2013); «Проблемы информатики в образовании, управлении, экономике и технике» (Пенза - 2013); «Инновационные медицинские технологии» (Москва - 2013); «\Узс1юс1те райппе^шо - 2013» (Рггету51 - 2013); «Медико-экологические информационные технологии» (Курск- 2011, 2013); «Интегративные процессы в науке - 2010» (Курск-2010); «Интеграционные проекты в медицинской и педагогической практике» (Курск-2010); на научно-технических семинарах кафедры биомедицинской инженерии ЮЗГУ (Курск -2011, 2012, 2013, 2014).

Публикации. По материалам диссертации опубликовано 14 печатных работ, из них 4 статьи в рецензируемых научных журналах.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и библиографического списка, включающего 133 отечественных и 24 зарубежных наименований. Работа изложена на 138 листах машинописного текста, содержит 40 рисунков и 20 таблиц.

1 Технологии нечеткой логики принятия решений и нейронных сетей для прогнозирования результатов хирургического лечения урологических

больных

1.1 Прогнозирование исходов хирургического лечения предстательной

железы

Заболевания простаты являются наиболее частым урологическим заболеванием среди мужчин пожилого и старческого возраста. Их удельный вес у мужского населения в возрасте 40-49 лет достигает 11,3 %, старше 50 лет около 50 % [10, 34]. У мужчин старше 80 лет заболевания простаты встречается более чем в 90 % случаев [10, 31, 33, 34].

В настоящее время предложено множество методов лечения данной патологии, основными из которых остаются хирургические. Выбор оптимального метода оперативного лечения для каждого больного остается до сих пор неразрешенной проблемой, о чем свидетельствует множество появившихся в последнее время сообщений. Несмотря на разнообразие этих методов, успехи анестезиологии, клинической фармакологии, уровень послеоперационных осложнений очень велик и достигает, по данным разных авторов, от 6,2 до 43% наблюдений [33, 34, 50, 80].

Послеоперационная летальность в настоящее время также остается высокой и колеблется от 0,3 до 15%. При анализе больничной летальности, среди всех мужчин умерших от урологической патологии, от заболеваний предстательной железы умерли более 33 % больных [34].

Указанные данные свидетельствуют о том, что лечение доброкачественной гиперплазии предстательной железы представляет собой не только серьезную медицинскую, но и большую социальную проблему.

На исходы хирургического лечения больных с доброкачественной гиперплазией предстательной железы влияют сочетания многочисленных факторов, характеризующих предоперационное состояние больного.

Можно выделить основные группы факторов риска, влияющих на послеоперационные исходы: нарушения уродинамики; методы хирургического лечения; интраоперационные факторы (величина кровопотери, длительность операции, квалификация хирурга и др.); сопутствующая урологическая патология; интеркуррентные заболевания.

Чтобы прогнозировать возможные исходы хирургического лечения ПЖ необходимо рассматривать все имеющиеся данные о состоянии больного в совокупности, что представляет, несмотря на компьютеризацию медицины, зачастую трудноразрешимую задачу.

1.2 Анализ видов послеоперационных осложнений при хирургическом

лечении предстательной железы

Необходимо подробно остановиться на наиболее часто встречающихся послеоперационных осложнениях при хирургическом лечении ПЖ. Существуют разные, зачастую