автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Модели и методы принятия решений хирургом

На правах рукописи

00500536.5

Егоров Александр Алексеевич

МОДЕЛИ И МЕТОДЫ ПРИНЯТИЯ РЕШЕНИЙ ХИРУРГОМ

Специальность: 05.13.01 - Системный анализ, управление и обработка информации

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

-.8 ДЕК 2011

Сургут-2011

005005363

Работа выполнена на кафедре «Информатики и Вычислительной техники» Сургутского государственного университета Ханты-Мансийского автономного округа - Югры (ГОУ ВПО СурГУ).

Научный руководитель: кандидат технических наук, доцент

Микшина Виктория Степановна

Официальные оппоненты: доктор технических наук, профессор

Анохин Алексей Никитич

доктор технических наук, профессор Камышников Алексей Иванович

Ведущая организация: Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Югорский государственный университет» (г. Ханты-Мансийск).

/Г:«Л? Защита диссертации состоится 22 декабря 2011 г. на заседании диссертационного совета по защите докторских и кандидатских диссертаций Д 800.005.06 при ГОУ ВПО Сургутском государственном университете ХМАО - Югры по адресу: 628400, Тюменская обл., г. Сургут, ул.Ленина, 1.

С диссертацией можно ознакомиться в научной библиотеке ГОУ ВПО Сургутского государственного университета по адресу: 628400, г Сургут, ул. Ленина 1.

Автореферат разослан 21 ноября 2011 г.

Ученый секретарь диссертационного совета к.т.н., доцент {Уо^B.C. Микшина

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Современное состояние информационных технологий позволяет использовать их во всевозможных областях человеческой деятельности. Наиболее актуальными являются области исследований, в которых требуется обрабатывать большие объемы информации за короткое время, а также решать нетривиальные задачи, не имеющие алгоритмов решения. Такие задачи, как правило, решаются высококвалифицированными экспертами и специалистами.

Разработка математических методов решения медицинских задач началась в ХХ-м веке. За прошедшее столетие исследователями было изобретено множество способов проверки гипотез и выводов. В 60-е годы были разработаны методы анализа, общим признаком которых явилось наличие явных алгоритмов принятия решений. Наиболее популярные методы активно используются в теоретической медицине, однако в клинической практике они не нашли широкого применения.

Перитонит - воспаление брюшины, сопровождающееся как местными, так и общими симптомами. Перитонит занимает высокое место в структуре экстренной хирургии и часто врачу хирургу приходится в своей практике сталкиваться с данным заболеванием. Несмотря на высокий уровень развития медицины на сегодняшний день, особенно в фармацевтической области, и развитие антибиотиков проблема выживаемости при перитонитах остается достаточно острой. Перитонит - это одна из ведущих причин смертности от острой хирургической патологии. Его смертность составляет по разным источникам (Савельев B.C., Шляпников С.А., Ефимова И.С., Koperna Т, Shultz F.) от 25-30% до 8590%. Смертность при перитонитах зависит не только от источника перитонита, распространенности и времени, прошедшего с момента начала заболевания, но также и от ряда других причин, таких как возраст, наличие сопутствующей патологии и многое другое.

При лечении перитонита хирургом, согласно клинической карте Сургутской окружной больницы, учитывается более 80 факторов, выраженных как в количественной, так и в качественной форме. При повторных хирургических вмешательствах количество факторов увеличивается еще на 30. Множество параметров в качестве исходной информации принуждает хирурга анализировать большие объемы данных в условиях ограниченного времени. Принятие решения хирургом состоит в выборе на заключительном этапе хирургического лечения способа завершения операции. Выбор способа завершения операции осложняется не только множеством исходных анализируемых факторов и множеством альтернатив - «способов завершения операции», но и множеством последующих возможных исходов операции и малым временем на

обдумывание решения. От принятого хирургом решения зависит жизнь пациента, и сроки его выздоровления.

Целью диссертационной работы является создание математических методов, моделей и алгоритмов для классификации способов завершения и возможных исходов операции по причине перитонита.

Задачи исследования. Для достижения поставленной цели необходимо решить следующие задачи:

1. Определить набор независимых переменных для построения моделей с использованием бинарной логистической регрессии (ЛР) и метода нейронных сетей (НС) на основе дооперационных и интраопера-ционных данных о пациенте, поступившем в хирургическое отделение.

2. Разработать модели классификации способов завершения операции на основе логистической регрессии и вероятностных нейронных сетей (ВНС). Доказать адекватность и значимость разработанных моделей.

3. Сравнить качество построенных моделей на выборках данных пациентов разного объема и с разной полнотой исходной информации, выявить модель, обладающую лучшими классификационными способностями с целью использования ее в качестве математического аппарата разрабатываемой ИИС ППР. Обосновать выбор модели для использования ее в качестве решателя интеллектуальной информационной системы поддержки принятия решений врачом-хирургом.

4. Разработать информационное, алгоритмическое и программное обеспечение интеллектуальной информационной системы поддержки принятия решения хирурга при завершении операции по причине перитонита.

Объект исследования: Процесс принятия решения хирургом о способе завершения операции по причине перитонита.

Методы исследования. Для решения поставленных задач применяются методы теории систем и системного анализа, теории принятия решений, теории вероятностей и математической статистики, математического моделирования, аппарата вероятностных нейронных сетей, а также результаты исследований российских и зарубежных ученых (Савельева B.C., Гельфанда Б.Р., Филимонова М.И., Зарубиной Т.В., и т.д.).

Ядром математического обеспечения являются методы регрессионного анализа, включающие в себя алгоритм пошагового отбора значимых переменных в модели и модель бинарной логистической регрессии. Второй составляющей математического обеспечения являются вероятностные нейронные сети на основе радиальной базисной функции, подробно описанные в работе Саймона Хайкина.

При разработке ИИС ППР были применены современные средства разработки приложений и концепция объектно-ориентированного программирования.

Научная новизна результатов, выносимых на защиту. При решении задач, поставленных в диссертационной работе, получены следующие новые научные результаты:

Впервые для решения задачи классификации способов завершения и возможных исходов операции по причине перитонита использовались модели, полученные на основе бинарной логистической регрессии. Доказана адекватность разработанных моделей бинарной логистической регрессии. Построены таблицы классификации и графики чувствительности и специфичности моделей.

Впервые для решения задачи классификации способов завершения и возможных исходов операции по причине перитонита использовались модели вероятностных нейронных сетей. Доказана адекватность обученных моделей вероятностных нейронных сетей на основе ради-алыго базисной функции. Построены таблицы классификации и графики чувствительности и специфичности моделей. Проведено сопоставление эффективности применения моделей вероятностных нейронных сетей и бинарной логистической регрессии.

Доказано, что качество классифицирующих моделей, как на основе бинарной логистической регрессии, так и на основе вероятностных нейронных сетей на обучающих выборках сопоставимо, но при тестировании моделей на новых данных вероятностные нейронные сети обладают лучшими классификационными способностями.

Впервые используется теорема Байеса для уточнения результатов, полученных на основе бинарной логистической регрессии и вероятностных нейронных сетей.

Впервые разработана методика системного анализа процесса принятия решения хирургом выбора способа завершения операции по причине перитонита.

Практическая значимость результатов работы. Интеллектуальная информационная система поддержки принятия решения хирурга по выбору способа завершения операции по причине перитонита предоставит хирургам инструмент, помогающий определить способ завершения операции для получения благоприятного исхода. Разработанное программное средство также может использоваться как обучающая система поддержки принятия решения для студентов медицинских вузов.

Апробация результатов работы. Материалы исследований представлены на 3 международных и 4 региональных конференциях. По теме диссертации опубликовано 11 работ, в том числе 1 - тезисы

доклада в материалах конференции, 10 статей, из них три в изданиях, рекомендованных ВАК, а также получено 1 свидетельство о государственной регистрации пакета программ.

Структура и объем работы. Диссертация состоит из введения, 4 глав, заключения и библиографии. Работа содержит 124 страницы и 98 наименований библиографических источников, из них десять - зарубежные.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность темы диссертации, сформулированы основные положения, цель и задачи исследования. Обосновывается научная новизна и практическая и теоретическая значимость работы.

В первой главе представлен аналитический обзор основных направлений анализа медицинских данных, математических моделей и методов классификации.

В целях систематизации знаний о предметной области по различным источникам составлена классификация перитонита. Приведены основные понятия перитонита. Установлено, что единственным методом лечения перитонита на сегодняшний день является хирургическое оперативное вмешательство. При этом хирург вскрывает брюшную полость больного и осуществляет следующие манипуляции: по возможности устраняются причины вызвавшие перитонит, производится санация брюшной полости (удаляется экссудат), закладываются лекарственные препараты, и затем хирург завершает операцию. Завершение операции -самый ответственный этап, так как на данном этапе формируется тактика дальнейшего лечения перитонита.

Согласно Савельеву B.C. в хирургической практике лечения перитонита выделяется три способа завершения оперативного вмешательства:

1. Способ «наглухо», при котором происходит сшивание шва.

2. Лапарастомия - открытый или полуоткрытый метод лечения перитонита, обеспечивающий отток микробно-токсической жидкости (экссудата), скапливающейся в брюшной полости, посредством установления специальных трубок.

3. Программируемая релапаратомия - повторная операция через 1-7 дней для проведения санации брюшной полости.

Принятие решений следует воспринимать не как единовременный акт, а как последовательный процесс, состоящий из определенных этапов. Представлена структурная схема процесса принятия решений хирургом выбора способа завершения операции по причине перитонита.

Математическая модель выбора способа завершения операции должна описывать взаимосвязи между переменными задачи и отражать влияние независимых переменных на значение целевых переменных.

Также в первой главе описаны математические методы принятия решений в задачах диагностики и прогнозирования, известные на сегодняшний день. К таким методам относятся: экспертный анализ, методы математической статистики, в частности модели на основе регрессионного анализа, и модели на основе аппарата нейронных сетей.

Во второй главе содержится описание функциональной структурной схемы процесса принятия решений в ИИС ППР, формулируется математическая постановка задачи выбора способа завершения операции, построена и исследована многомерная математическая модель способа завершения и исхода операции по причине перитонита на основе бинарной логистической регрессии и приводится алгоритм отбора переменных для построения математической модели.

Принятие решения о способе завершения операции по причине перитонита вызывает вопрос о возможных альтернативах с точки зрения дальнейшего развития перитонита, каждая такая альтернатива подразумевает различные исходы. Установлено, что лечение больного с помощью хирургического вмешательства может закончиться тремя исходами:

- летальным исходом (неблагопр. исход);

- повторным хирургическим вмешательством (благопр. исход);

- выздоровлением (благопр. исход).

На рис. 1 представлена функциональная структурная схема принятия решения о способе завершения операции по причине перитонита в ИИС ППР.

Учет и контроль

(-ВЕ ( ( (у? ( [у* (

/

Сто оов .»вершения

Анализ __

11

,1 /— 1 I / Благог^мктньа)

--------

Ц? V--

\

Л

Швлтиц»*«

/V

¿•'И 11 и

к

Рис. 1. Функциональная структурная схема процесса принятия решения о способе завершения операции в ИИС ППР

На приведенной схеме исходные данные сгруппированы в четыре группы. Общие входные данные представляют собой сведения о классификационных признаках перитонита, показателях анамнеза, качественных показателях состояния пациента при поступлении. Данные Общий анализ мочи (ОАМ), Биохимический анализ (БИО) и Общий анализ крови (OAK) объективно характеризуют общее физическое и биохимическое состояние мочи и крови, которые дают представление врачу о состоянии пациента.

В качестве источника исходной информации служат тематические карты больных (ТКБ), используемые Сургутской окружной клинической больницей (СОКБ). Эти данные являются основанием для принятия решения о завершении хирургического вмешательства по причине перитонита.

В результате проведенного анкетирования среди экспертов-хирургов СОКБ, из 88 факторов было отобрано 62 фактора для участия в анализе входной и выходной информации. Факторы, входящие в состав входной и выходной информации, измеряются в количественных и качественных шкалах измерения.

Для измерения количественных факторов во всех случаях использовались абсолютные интегральные шкалы. Для построения единой системы факторов, в которой все факторы сопоставимы, было произведено нормирование всех количественных факторов на интервале от О до 1.

Прежде чем использовать качественные показатели в математической модели, показатели приводились к количественной шкале. В данной работе для приведения показателей, измеренных в номинальной шкале к количественным показателям, использовался аппарат экспертного анализа.

Выбирая способ завершения операции, хирург должен иметь в виду ее возможные исходы. Требуется определить:

1. Вероятность применения одного из способов завершения для достижения благоприятного (выздоровления) или неблагоприятного (летальность) события.

2. Вероятность наступления благоприятного (повторного хирургического вмешательства) или неблагоприятного исхода при использовании одного из трех возможных способов завершения операции.

На рис. 2 представлена функциональная структура модели процесса принятия решения. Модель принятия решений формируется на основании формулировки математической постановки задачи выбора способа завершения операции по причине перитонита.

Рис. 2. Функциональная структура модели принятия решения

Элементами функциональной структуры модели принятия решений являются:

хеХ- состояние пациента, определенное на множестве состояний; у&У - возможные альтернативы способов завершения операции по причине перитонит;

реР - вероятности способов завершения операции по причине перитонит;

ге2 - возможные исходы после оперативного вмешательства по причине перитонит;

/еЬ - множество состояний неопределенности природы при оперативном вмешательстве по причине перитонит;

/- функция оценки оптимальности принимаемого решения; у — ср(х) - множество математических моделей альтернатив; р = Ф(<р) - множество математических моделей альтернатив скорректированных по Байесу;

X = Р{у,1) - множество функций реализаций. Таким образом, требуется определить функцию реализации, которая ставит каждой паре «способ завершения операции - неопределенность» в соответствие исход. Для решения поставленной задачи

требуется выбрать альтернативу (способ завершения операции), которая ведет к наилучшему исходу оперативного вмешательства (выздоровлению пациента).

В общем виде математическая модель принятия решения о способе завершения операции имеет вид уравнения множественной линейной регрессии:

У-1

(1)

где Уи - зависимая переменная, Хщ - независимая переменная, д.0 - свободный коэффициент модели, л - параметры модели,

"у

е - случайная составляющая,

п - количество рассматриваемых уравнений (количество зависимых переменных),

т - общее количество зависимых переменных; к - количество инцидентов.

Преобразуя уравнение (1) множественной линейной регрессии к виду бинарной логистической регрессии, как этого требует постановка задачи, было получено уравнение:

Р„ =

1 + ехр +

У=1

(2)

где Ру - вероятности исхода или способа завершения операций.

Качество уравнений логистической регрессии оценивалось логарифмической функцией правдоподобия:

Др„) = -21п(1(&)) = -21п(/0(<11 х,0)), где ¡(О) - функция подобия;

/о (</[*,©) - функция плотности вероятности, 0 вектор параметров.

Мерой правдоподобия в этой функции служит отрицательное удвоенное значение логарифма этой функции /(©). Помимо -Ио%(Ц(д)) для оценки адекватности регрессионного уравнения использовались коэффициенты детерминации К2 Кокса-Шнела и К2 Наделькеркеса (Дрейпер Н., Бююль А.).

На рис. 3. представлен алгоритм пошагового последовательного отбора значимых переменных в логистическую регрессионную модель бинарного выбора способа завершения операции по причине перитонита.

Расчет корреляционной матрицы

Выбор переменной,

максимально коррелированной с Y¿

Шаг 1

Перебор вееч переменных, - 1.2,... ,п

V

Расчет значения критерия -2f.og

Включение текущей переменной в модель

исключения, для

Llar 2 Процедура прямого \

всеч переменных, которые включены на данном этац р в модель

Перебор всех переменных

в модели, _j ~ 1.2,. .^п_

т~___

Выбор наименее полезной переменной в модели

Расчет значения критерия -2Log

_ -

_У Да

Исключение текущей переменной из модели

Выбор новой переменной претендующей на включение

Конец

Рис. 3. Алгоритм последовательного отбора значимых переменных

Суть метода пошагового отбора заключается в следующем:

Шаг 0. Рассчитывается матрица корреляционных коэффициентов Хц с у, по формуле. Из списка всех возможных независимых переменных формируется выборка независимых переменных с коэффициентом корреляции выше порога равным 0.6.

Шаг 1. После того, как переменная была выбрана, она добавляется в модель. В результате чего появляется уравнение содержащее всего одну переменную. Полученное уравнение проверяется на адекватность при помощи ~2Log. Если адекватность модели не подтверждается, то выбирается другая переменная из сформированной выборки. Если адекватность уравнения подтверждается, текущая переменная добавляется в модель. Адекватность модели не гарантирует того, что новая добавленная переменная действительно значима. Для проверки адекватности включения переменной в уравнение рассчитывается соотношение прироста коэффициента детерминации Я2.

Шаг 2. На данном этапе проводится последовательное исключение из модели переменных, удаление которых может привести к повышению адекватности модели. В том случае, если такая переменная была найдена, она удаляется из модели. Далее осуществляется переход к Шагу 0.

Результатом моделирования стали двенадцать моделей вида (2), позволяющие рассчитать вероятность отнесения пациента к определенному способу завершения операции или исходу:

П + ехр(-(-д:„ * 0,8541 - * 0,1674 + х5, * 6,3608 - х35 * 1,5300 - ]"', (3)

" ~ [_- хи » 13,8203 - л-,, * 0,0072 + д:« * 1,0783 + х, * 2,5290 + 25,2677)

Р12 =[1 + ехр(Чх„ *3,03 — л:, *8,52-л;46 *0,12-д-49 *0,03+ 10,51))]"'»

1 + ехр(-(-х, »10,5058 -лг|8 «14,3325 + л:|6 »3,1999 - Г', (5)

гх№ »0,5048 +*15 »3,5364 »9,0777 - х21 »26,2863 +71,6695))]

1 + ехрН-л-, »34,7415+*5(, »65,7140 + *,0 »8,6188-.х20 »35,1591-х4 »41,5838-Т', (6)

- хг »17,2658 + х„ » 42,9194 + хи * 1,1284 - х,2 » 4,7620 + х„ » 0,0405 - 465,2159))

1 + ехр(-(-.*,„ * 0,0883 - * 6,5812 - хп * 3,7552 - х10 * 0,3279 - *2 * 0,3609 - Т1, (7)

- * 0,0702 - ,г48 * 0,0602 - * 5,3643 + х4„ » 0,2056 - х3 * 0,7118 + 82,1342))

1 + ехр(-(дг14 »0,3434 + х, »21,0357 + х,0 »3,1879 + ]"', (8)

+ хго * 15,6670 - *4 » 69,0759 + лг„ » 22,4412 - 280,4585))

1 + ехр(-(х4, *0,0127 -х14 *0,0261 - х„ *6,9793 + *3,3834 +Т', (9)

_+ х6 * 1,2356 + х„ * 0,5288 - х4 * 5,3969 + х37 * 0,3004 - 5,3748))

. _ 1+ехр(-(-г,»2,1б32-дг,„»0,1412-.*4,*1,6039+дг18*0,11131-%»0,2339-х54»0,16931-]"', (Ю) 12 _ +хя*0,1379-;г4,*1,4540+л,й*1,1024-х,5 »3,9043-*, »2,3732+19,1813)

, П+ехр(-(х35 *8,4834-х, »18,3324-хщ »0,3409-ха «13,1754-хш»1,5788-Т', (11) 21 >хг6 »0,2331+»0,2115+х47 *0,0187-л,, * 17,0973+255,241ЗД

"1 + ехр(-(-х,6 *1,5947-х;, *23,0417+хм »0,3555+х56 »0,9697+х, »60,1816+ (]2) Рп = + х41 * 27,7231- х57» 4,2955- х, * 15,4713+ х„ * 50,6915- х3, * -2,7071+

_+ х,4 * 1,6489- х34 * 0,2308- х53 »0,3095- х49 »0,8481+х, »13,9537- 303,3506))

Рз, = [1 + ехр( -(х, * 45,8247 +х3 * 1,6793 -х35 »11,5571 -114,1389))]"' >

[*1 + ехр| 1+*.,'

ехр(-(дг17 «24,1364 +л„ «3.4254 - г,, «4.2701 -• 0,0607 -*„ «56.0820 + л,„ «5,0126 + ]"'' 27,2662 -л„ «0,3698 -хх «0,8941 -*,„ «1,0993 «4,0394 + х24 «3,8050 -853,7753))]

(13)

(14)

При расчете уравнений логистической регрессии (3) - (14) использовались наблюдения, удовлетворяющие условиям фильтрации. Для каждого уравнения были сформированы многомерные наборы данных, сгруппированные относительно каждой зависимой переменной.

Результаты расчетов адекватностей моделей по критериям -2£оя<7(0) ), Я2 Кокса - Шнела и Я2 Наделькеркеса представлены в табл. 1.

Таблица 1

Сводка для уравнений бинарной логистической регрессии

Уравнение -2 Ьо8(Щ) Я2 Кокса - Шнела Я2 Наделькеркеса

Ри 0,000 0,472 1,000

Р12 12,479 0,657 0,881

Рп 0,000 0,553 1,000

Р 22 0,000 0,632 1,000

Р31 0,000 0,698 1,000

Ри 0,000 0,680 1,000

Р'11 0,000 0,522 1,000

Р'12 65,654 0,509 0,740

Р'21 0,000 0,690 1,000

Р'22 9,364 0,719 0,976

Р'31 0,000 0,738 1,000

Р'ЗЗ 5,407 0,714 0,986

Помимо статистической оценки значимости полученных уравнений, значимость их проверялась таблицами классификации. Таким образом, в результате тестирования уравнений логистической регрессии были получены таблицы классификации с соотношениями верно пред-

сказанных значений более 90%. Также полученные уравнения были проверены на чувствительность и специфичность. Чувствительность и специфичность модели определяют объективную ценность бинарного классификатора. Чувствительность - доля истинно положительных случаев. Специфичность - доля истинно отрицательных случаев, которые были правильно идентифицированы моделями логистической регрессии.

В третьей главе приводится обоснование выбора вероятностных нейронных сетей (ВНС) на основе радиальной базисной функции (РБФ) для бинарной классификации объектов. Приведено описание создания вероятностной нейронной сети множественного выбора. Проведен анализ полученных моделей на чувствительность и специфичность.

В отличие от нейронной сети, построенной на персептронах, ВНС базируются на основе радиалъно базисной функции. Архитектура РБФ сетей создается в соответствии с теорией регуляризации Тихонова, которая является прочным математическим фундаментом для РБФ сетей. В этой теории главную роль играет функция Грина.

Форма функции Грина как базисной функции РБФ сети определяется формулой ограничения на гладкость. Примером функции Грина является многомерная функция Гаусса, имеющая следующий вид (Хай-кин С.):

где х, - центр функции; сг - ширина функции.

Вероятностная нейронная сеть имеет по меньшей мере три слоя: входной, радиальный и выходной. Радиальные элементы берутся по одному на каждое обучающее наблюдение (рис. 4). Каждый из них представляет гауссову функцию с центром в этом наблюдении. Каждому классу соответствует один выходной элемент. Каждый такой элемент соединен со всеми радиальными элементами, относящимися к его классу, а со всеми остальными радиальными элементами он имеет нулевое соединение. Таким образом, выходной элемент просто складывает отклики всех элементов, принадлежащих к его классу. Значения выходных сигналов получаются пропорциональными ядерным оценкам вероятности принадлежности соответствующим классам.

(15)

(16)

Входной Обучающий Суммирующий Выходной

слой спой (РБФ) слой слой

Рис. 4. Архитектура вероятностной нейронной сети

На рис. 4 в качестве X, выступают независимые переменные, отобранные ранее при помощи пошагового отбора в модели бинарной логистической регрессии. Все переменные нормируются в диапазоне от О до 1. Нейроны входного слоя выполняют распределительные функции.

Нейроны слоя образцов выполнены в виде радиальных базисных элементов, активность которых определяется функцией Гаусса.

у[ = ехр

'¿К-*,)2

м

2<х

(17)

где - веса нейронов;

Л"( - элементы неизвестного входного вектора;

<72 - дисперсия, характеризующая ширину радиально-базисной функции.

Задачей вероятностной нейронной сети является создание классификатора, дублирующего классификатор на основе логистической регрессии. В ходе построения модели ВНС было сделано предположение о том, что модели ВНС будет обладать не худшими, а вполне ожидаемо

лучшими характеристиками, нежели модели на основе логистической регрессии.

Всего было построено 12 вероятностных нейронных сетей PNNij и РЛ^у. Сети строились на тех же выборках данных и по тем же зависимым переменным, что и уравнения логистической регрессии. В качестве независимых переменных было принято решение оставить те же признаки, что и признаки из соответствующих уравнений логистической регрессии. Решение обосновывается тем, что все независимые переменные, прежде чем попасть в уравнение логистической регрессии, проходили тщательный отбор, и именно они оказались наиболее значимыми.

При тестировании созданных вероятностных нейронных сетей были получены среднеквадратические и средние абсолютные ошибки для сетей, тестируемых на обучаемой и перекрестной выборках, а также рассчитаны проценты верной классификации по классам.

Средняя абсолютная ошибка оценивалась, как:

1=1

Среднеквадратическая ошибка рассчитывалась по формуле:

где N— количество обработанных ВНС примеров, у- реальный выход ВНС, ¿г желаемый (идеальный) выход НС.

Для более наглядного отражения качества обученных моделей также были построены таблицы классификации. Таким образом, в результате обучения моделей ВНС были получены таблицы классификации с высокими уровнями верно классифицированных результатов.

Классификация отобранных для обучения наблюдений, происходила во многих случаях с 90-100% вероятностью или близкой к ней. Это говорит о хороших аппроксимирующих свойствах полученных моделей ВНС.

На рис. 5 изображены результаты тестирования полученных уравнений логистической регрессии и вероятностных нейронных сетей для обучающих и перекрестных выборок.

Р11 Р12 Р21 Р22 Р31 Р32 Р'11 Р'12 Р'21 Р'22 Р'31 Р'32

Для отобранных наблюдений НС в Для перекрестных наблюдений НС Дги отобранных наблюдений ЛР ОДяз перекрестных набжщенийЛР

Рис. 5. Диаграмма верно предсказанных значений множества уравнений ЛР и ВНС

На рис. 5 по оси X расположены 12 моделей ВНС и 12 моделей ЛР. Из гистограммы видно, что и уравнения логистической регрессии и вероятностные нейронные сети показали себя как хорошие классификаторы на обучающей выборке. Иначе дело обстоит с перекрестными наблюдениями. Здесь вероятности верной классификации наблюдений были не столь высоки, как на обучающей выборке.

Оценка качества моделей по данным перекрестных наблюдений меняется от неудовлетворительного до отличного. По соотношению верной классификации, модели на основе ВНС в среднем на 13,98% превосходят модели ЛР, поэтому можно сделать вывод о том, что аппроксимирующие возможности вероятностных нейронных сетей лучше, чем у логистической регрессии. То есть модели на основе ВНС могут классифицировать неизвестные наблюдения с более высокой точностью.

Низкие значения верно классифицированных наблюдений при тестировании моделей ВНС и логистической регрессии на перекрестных выборках, обусловлены тем, что на вход ВНС поступают, данные заведомо не попавшие в обучающую выборку по каким - либо признакам, характеризующих их, как исключительные наблюдения.

Среднее значение чувствительности для ВНС на обучающей выборке составило 95,48%. Средний уровень специфичности, составил 91,72%. Среднее значение чувствительности для логистической регрессии на обучающей выборке составило 98% (т.е. на 2,5% выше). Средний уровень специфичности, составил 99,02% (выше на 7,3%). В целом

уровни, чувствительности и специфичности для разработанных моделей логистической регрессии и ВНС практически совпадают при тестировании моделей на обучающих выборках.

При тестировании моделей на перекрестных выборках уровни чувствительности и специфичности модели ВНС оказались лучше, чем у модели на основе логистической регрессии. Так, например, среднее значение чувствительности для модели на основе ВНС составило 63,81%, что на 3,24% превышает среднюю чувствительность модели на основе логистической регрессии. Среднее значение специфичности для модели на основе ВНС составило 73,72, что на 18,16% превышает среднюю специфичность модели на основе логистической регрессии.

На рис. 6 и 7 представлены диаграммы чувствительности и специфичности уравнений логистической регрессии и вероятностных нейронных сетей.

Р11 Р12 Р21 Р22 Р 31 Р32 Р'11 Р'12 Р'21 Р'22 Р'31 Р'32

В Нейронная сеть на обучающей выборке Ш Логистическая регрессия на обучающей выборке В Нейронная сеть на перекрестной выборке □ Логистическая регрессия на перекрестной выборке

Рис. 6. График чувствительности вероятностных нейронных сетей и уравнений логистической регрессии

13 Нейронная сеть на обучающей выборке ■ Логистическая регрессия на обучающей выборке Ш Нейронная сеть на перекрестной выборке I □ Логистическая регрессия на перекрестной выборке

Рис. 7. График специфичности вероятностных нейронных сетей и уравнений логистической регрессии

Классическая модель вероятностной нейронной сети на основе радиально базисной функции успешно решает задачи бинарной классификации с вероятностным отнесением объекта поданного на вход сети к тому или иному классу. Для организации модели множественного выбора ВНС, была использована теорема Байеса условной вероятности, которая выражена следующей формулой:

Л*, И- ,(У = 1.2.-п) (20)

м

где, п - количество способов завершения операции;

Р(В,\А) - вероятность использования некоторого способа Б, в условиях наблюдения некоторого исхода А;

Р(В,) - расчетные значения вероятностей по моделям ВНС или по моделям бинарной логистической регрессии;

Р(А\В^ - статистическая вероятность исхода А, от события В,.

Рассматривалось три возможных способа завершения операции:

-В/ : вероятность благоприятного исхода в случае завершения операции способом «Наглухо» - Р(В1):

- В2 : вероятность благоприятного исхода в случае завершения операции способом «Релаггаратомия» - Р(В2)\

- В3 : вероятность благоприятного исхода в случае завершения операции способом «Лапарастомия» Р(В3).

Статистические вероятности благоприятных исходов:

- статистическая вероятность благоприятного исхода в случае завершения операции способом «Наглухо» - Р(А/В1)\

- статистическая вероятность благоприятного исхода в случае завершения операции способом «Релапаратомия» - Р(А/В2)\

- статистическая вероятность благоприятного исхода в случае завершения операции способом «Лапарастомия» - Р(Л/В}).

В четвертой главе представлено описание ИИС ППР: цели, назначение, этапы разработки и организационная структура. При разработке ИИС ППР были изучены работы Джексона П., Нейпора К. и Попова Э.В. Обобщенная структура этапов разработки ИИС ППР изображена на рис. 8.

Рис. 8. Этапы разработки ИИС ППР

Основной маршрут следования от этапа к этапу, как этого требует теория построения ИИС, идет сверху вниз. На практике же часто возникают итерационные процессы, когда приходится возвращаться на предыдущие этапы с целью корректировки или изменения результатов их проектирования.

К разрабатываемой ИИС ППР были предъявлены следующие требования:

- оценка достоверности и внутренней непротиворечивости полученных данных о пациенте;

- анализ разнообразной информации, отражающей неформализованные знания специалистов;

- интерпретация данных на основе медицинского знания, которым располагает система и сведение огромного числа возможных ситуаций в пространстве признаков к небольшому числу типовых ситуаций, по которым формируются решения;

- классификация возможных способов завершения операции и исходов операции;

- объяснение и обоснование предлагаемых решений.

При разработке ИИС ППР использовались теоретические и практические результаты работы, такие как: алгоритмы обработки информации, полученные математические модели, разработанные методики принятия решения. ИИС ППР реализована в среде разработки программного обеспечения Visual Studio 2008 и системе управления базами данных SQL Server 2008. Система представляет собой совокупность узлов, каждый из которых несет особую функциональную нагрузку и выполнен в виде модуля. При разработке системы использовалось объектно - ориентированное программирование. Разработаны следующие модули ИИС ППР:

- база знаний;

- база данных;

- решатель основанный на модели - логистическая регрессия;

-решатель основанный на модели - вероятностная нейронная

сеть;

- подсистема объяснения решений;

- подсистема приобретения знаний;

- подсистема обучения;

- подсистема ввода электронных историй болезни;

- диалоговая подсистема.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

На основании проведенных исследований была решена задача по созданию моделей, алгоритмов и программного обеспечения, предназначенного для помощи врачу - хирургу в принятии решения о способе завершения операции по причине перитонита.

В работе получены следующие основные результаты:

1. Разработана методика многомерного анализа данных, используемых в процессе принятия решений выбора способа завершения операции хирургом с учетом возможного исхода лечения. Описан и применен алгоритм отбора значимых факторов в модели данных. В результате использования алгоритма отбора данных, были отобраны факторы, имеющие высокую значимость для определения возможных исходов и способов завершения операции по причине перитонита. В качестве зависимых переменных было принято взять следующие факторы: благоприятный исход, повторное хирургическое вмешательство, способ завершения операции сшиванием швов наглухо, способ завершения операции релапаратомией, способ завершения операции лапарастомией.

2. Показано, что для решения задачи о выборе способа завершения операции по причине перитонита может быть применена бинарная логистическая регрессия, способная классифицировать наблюдения с высокой долей верной классификации. При оценке качества моделей на обучающей выборке процент верных отнесений для всех моделей превысил 90%, с чувствительностью и специфичностью выше 0,9.

3. Разработаны модели на основе вероятностных нейронных сетей, способные также классифицировать наблюдения с высокой долей верной классификации. При оценке качества моделей на обучающей выборке процент верных отнесений для всех моделей превысил 93%, с чувствительностью и специфичностью выше 0,9 (кроме PNN''l2)■ При проверке качества моделей с использованием вновь поступивших наблюдений, модель на основе логистической регрессии и модель на основе вероятностной нейронной сети продемонстрировали высокие классификационные способности. Проценты верных отнесений в модели на основе логистической регрессии составили в среднем 71%, при этом максимальное значение составило 89%, а минимальное 32%. Проценты верных отнесений в модели на основе вероятностной нейронной сети составили в среднем 74%. при этом максимальное значение составило 100%, а минимальное 31%. Было установлено, что модели на основе ВНС обладают лучшей специфичностью на перекрестных и новых наблюдениях.

4. Создано информационное, алгоритмическое и программное обеспечение ИИС ППР. ИИС ППР представляет собой сложную систему, выполненную на основе гибридного решателя. В качестве математического аппарата в решателе выступают уравнения бинарной логистической регрессии и вероятностные нейронные сети. Процесс самообучения ИИС ППР происходит при поступлении новых данных в систему. При этом происходит перерасчет математических моделей логистической регрессии и вероятностной нейронной сети. Таким образом, с

течением времени независимые переменные, участвующие в моделях, могут модифицироваться.

Важными характеристиками разработанной системы являются высокая скорость обучения ВНС, при которой не требуется участие человека. Применение современных средств разработки приложений и концепции объектно ориентированного программирования позволило реализовать гибкую, открытую и легко сопровождаемую систему. ИИС ППР способна перенимать опыт хирурга непосредственно без участия специалиста разрабатывающего математический аппарат ИИС ППР.

Применение разработанного математического аппарата множественной классификации возможно и в других? как медицинских, так и не медицинских организационных исследованиях. Разработанное программное средство может быть использовано в учебном процессе как обучающая система поддержки принятия решения для студентов медицинских ВУЗов.

Список публикаций по теме диссертации:

В ведущих научных журналах из перечня ВАК:

1. Егоров, A.A. Модель принятия решения хирурга. Вестник новых медицинских технологий Тульского государственного университета / A.A. Егоров, B.C. Микшина // Вестник новых медицинских технологий.-2011.-Т. 7.-№4.-С. 178-181.

2. Egorov, A.A., Mikshina, V.C. Use of Probabilistic Neural Networks to Solve Classification Problems in Surgery. Optical Memory and Neural Networks (Information Optics) / A.A. Egorov, V.C. Mikshina. -2011. - Vol. 20. - No. 3. - pp. 224-231. ISSN 1060 992X.

3. Егоров, A.A. Интеллектуальная информационная система поддержки принятия решений хирурга по выбору способа завершения операции / A.A. Егоров, B.C. Микшина, В.В. Дарвин, A.A. Суровов // Современные проблемы науки и образования. - 2011. - № 6.

В других изданиях:

4. Егоров, A.A. Интеллектуальная информационная система поддержки принятия решения хирурга при завершении оперативного вмешательства по поводу Перитонита / A.A. Егоров, B.C. Микшина, В.В.Дарвин // Международная научно-практическая конференция / ИНФО 2008. - Сочи. - С. 157-159.

5. Егоров, A.A. Интеллектуальная информационная система поддержки принятия решения хирурга при завершении оперативного вмешательства по поводу Перитонита / A.A. Егоров, B.C. Микшина, В.В. Дарвин // Системный анализ и обработка информации в интеллектуальных системах : сб. науч. тр. кафедры автоматизированных систем

обработки информации и управления. Вып. 6 / Сургут, гос. ун-т ХМАО -Югры. - Сургут : ИЦ СурГУ, 2008. - С. 78-89.

6. Егоров, A.A. Модель принятия решений врача-хирурга в условиях риска и неопределенности / A.A. Егоров, B.C. Микшина, A.A. Суровов // Системный анализ и обработка информации в интеллектуальных системах : сб. науч. тр. кафедры автоматизированных систем обработки информации и управления. Вып. 8 / Сургут, гос. ун-т ХМАО - Югры. - Сургут : ИЦ СурГУ, 2010. - С. 3-9.

7. Егоров, A.A. Модель принятия решения хирурга на основе бинарной логистической регрессии. Сборник научных трудов. Вып. 33. Математика. Физика. Информационные технологии. Философия. Политология. Педагогика. Право / Сургут, гос. ун-т ХМАО - ЮГРЫ. - Сургут: ИЦ СурГУ, 2010. - С. 253.

8. Егоров, A.A. Модель принятия решений врача-хирурга в условиях риска и неопределенности / A.A. Егоров, B.C. Микшина П Международная научно-практическая конференция / ИНФО 2010. - 2010. -Сочи.-С. 157-159.

9. Егоров, A.A. Применение вероятностных нейронных сетей для решения задач классификации в хирургии. / A.A. Егоров, B.C. Микшина // Научно-практическая конференция / НЕЙРОИНФОРМА-ТИКА 2011. - Москва. - С. 152-163.

10. Егоров, A.A. Отбор значимых факторов в задачах классификации. Информационные технологии и автоматизация управления : мат-лы III науч.-практ. конф. ОмГТУ. - Омск : ОмГТУ, 2011. - С. 147-151.

П.Логинов, С.И. Интернет изучение физической активности студентов на основе транстеоретической модели изменения поведения связанного со здоровьем / A.A. Егоров, Л.В. Гизатулина, М.Н. Носова, A.C. Кинтюхин // Теория и практика физической культуры. - 2011. -№10.-С. 89-91.

Егоров Александр Алексеевич

МОДЕЛИ И МЕТОДЫ ПРИНЯТИЯ РЕШЕНИЙ ХИРУРГОМ

Специальность: 05.13.01 - Системный анализ, управление и обработка информации

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Подписано в печать 17.11.2011 г. Формат 60x84/16. Усл. печ. л. 1,5. Печать трафаретная. Тираж 100. Заказ П-79.

Отпечатано полиграфическим отделом издательского центра СурГУ. г. Сургут, ул. Энергетиков, 8. Тел. (3462) 76-30-67.

ГОУ ВПО «Сургутский государственный университет ХМАО - Югры» 628400, Россия, Ханты-Мансийский автономный округ, г. Сургут, пр. Ленина, 1. Тел. (3462) 76-29-00, факс (3462) 76-29-29.

Перитонит - воспаление брюшины, сопровождающееся как местными, гак и общими симптомами. Первичные перитониты возникают достаточно редко, приблизительно в 1% случаев острой хирургической патологии. Вторичные перитониты составляют 15-20% всех случаев острой хирургической патологии и травм брюшной полости, т.е. занимают большой объем вктуре экстренной хирургии и врачу хирургу в своей практике часто приходиться сталкиваться с данным заболевайием.

Несмотря на высокий уровень развития медицинских технологий, особенно в фармацевтической области, проблема выживаемости при перитонитах остается достаточно острой и является одной из ведущих причин летальности от острой хирургической патологии и составляет по разным источникам от 25-30% до 85-90%. Так же летальность при перитонитах зависит не только от источника перитонита, распространенности и времени прошедшею с момеша начала заболевания, но также и 01 ряда других сопутствующих причин, таких как возраст, наличие сопутсшующей патологии и многое другое. Каждый раз перед хирургом при лечении перигошпа. особенно в момент операции остро встает один вопрос - о способе завершения операции, т.к. от этого зависит как жизнь пациента, так и сроки его выздоровления.

Современное состояние информационных технологий позволяет использовать их во всевозможных областях человеческой деятельности. Естественно, наиболее актуальными зонами исследования являются те области, которые требуют оперативности обработки больших объемов информации, а также решение нетривиальных задач, не имеющих четких алгоритмов решения. Такие задачи, как правило, решаются высококвалифицированными лсспершми и специалистами.

Разработка математических методов решения медицинских задач началась в 20 веке. За прошедшее столетие исследователями было изобретено множество способов проверки гипотез и выводов. В 60-е годы были разработаны методы анализа, общим признаком которых явилось наличие явных алгоритмов принятия решений. Наиболее популярные методы активно используются в теоретической медицине, однако в клинической практике они не нашли широкого применения.

Многолетние исследования в области клинической медицины показали, что решения, принимаемые специалистами, основываются на интуитивных предположениях (на опыте). Но в виду того, что опыт специалиста трудно формализуем и не может быть представлен в виде четко сформулированного алгоритма, учитывающего все детали, широкое его использование для решения конкретных задач диагностики, прогнозирования и принятия решений затруднено [1]. Принятие решений в области медицины имеет свои особенности, обусловленные тем, что большинство данных содержится в описательном виде, т.е. в виде качественных переменных (бактериальный, желчный и т.д.). Более того, при исследовании объектов, устанавливается, что на объекты изучения влияет большое количество всевозможных факторов. Многофакторное воздействие приводит к тому, что формализация используемой информации ведет к сложному ответу, имеющему совершенно нелинейную зависимость.

Следует учесть тот факт, что затруднение принятия решения обуславливается неспособностью человеческого мозга к обработке больших объемов информации, состоящих из цепочек взаимосвязей, из-за чего при работе с комплексной и изменяющейся во времени информацией эффективность принятия решений снижается. Для решения этой проблемы лицам, принимающим решения, необходимо использовахь в своей работе системы, способные аккумулировать опыт, т.е. системы способные, в некотором смысле, интуитивно думать. В качестве инструментов для создания подобной интеллектуальной системы в данной работе служат: методы математической статистики и нейронные сети, которые ориентированы на анализ сложных, линейных и нелинейных задач.

Исходя из того, что потребность в таких системах существует, в последнее время ведется множество разработок интеллектуальных систем, позволяющих помочь специалисту принять более верное и оперативное решение.

Применяя подобные интеллектуальные системы в области здравоохранения, можно в значительной степени повысить качество оказываемых медицинских услуг не только на этапах диагностики, но и непосредственно в процессе лечения.

Целью диссертационной работы является создание математических методов, моделей и алгоритмов для классификации способов завершения и возможных исходов операции по поводу перитонита.

Задачи исследования. Для достижения поставленной цели необходимо решить следующие задачи:

1. Определить наборы зависимых и независимых переменных для построения математических моделей, на основе дооперационных и интраоперационных данных о пациенте, nocí у пившем в хирургическое отделение.

2. Разработать математические модели классификации способов завершения операции с учетом исходов. Доказать адекватность и значимость разработанных моделей.

3. Сравнить качество построенных моделей на выборках данных пациентов разного объема и с разной полнотой исходной информации, выявить модель, обладающую лучшими классификационными способностями с целью использования ее в качестве математического аппарата разрабатываемой интеллектуальной информационной системы поддержки принятия решений (ИИС ГШР). Обосновать выбор модели для использования ее в качестве решателя интеллектуальной информационной системы поддержки принятия решений хирургом.

4. Разработать информационное, алгоритмическое и программное обеспечение интеллектуальной информационной системы поддержки принятия решения хирурга при завершении операции по причине перитонита.

Объект исследования: Процесс принятия решения хирургом о способе завершения операции по причине перитонита. Предметом исследования является математическое моделирование процесса принятия решеиия о выборе способа завершения операции по поводу перитонита.

Методы исследования. Для решения поставленных задач применяются методы теории систем и системного анализа, теории принятия решений, теории вероятностей и математической статистики, математического моделирования, аппарата вероятностных нейронных сетей (ВМС), а также результаты исследований российских и зарубежных ученых (Савельева B.C., Гельфанда Б.Р., Филимонова М.И., Зарубиной Т.В., и т.д.).

Ядром математического обеспечения являются методы регрессионного анализа, включающие в себя алгоритм пошагового отбора значимых переменных в модели и модель бинарной логистической регрессии (J1P). Второй составляющей математического обеспечения являются вероятностные нейронные сети (ВНС) на основе радиальной базисной функции, подробно описанные в работе Саймона Хайкина.

При разработке интеллектуальной информационной системы поддержки принятия решений (ИИС ППР) были применены современные средства разработки приложений и концепция объектно - ориентированного программирования.

Научная новизна результатов, выносимых на защиту. При решении задач, поставленных в диссертационной работе, получены следующие новые научные результаты:

Впервые для решения задачи классификации способов завершения и возможных исходов операции по причине перитонита использовались модели, полученные на основе бинарной логистической регрессии (J1P). Доказана адекватность разработанных моделей бинарной логистической регрессии (ЛР). Построены таблицы классификации и графики чувствительности и специфичности моделей.

Впервые для решения задачи классификации способов завершения и возможных исходов операции по причине перитонита использовались модели вероятностных нейронных сетей (ВНС). Доказана адекватность обученных моделей вероятностных нейронных сетей на основе радиально базисной функции. Построены таблицы классификации и графики чувствительности и специфичности моделей. Проведено сопоставление эффективности применения моделей вероятностных нейронных сетей и бинарной логистической регрессии (ЛР).

Доказано, чю качество классифицирующих моделей, как на основе бинарной логистической регрессии (ЛР), так и на основе вероятностных нейронных сетей на обучающих выборках сопоставимо, но при тестировании моделей на новых данных вероятностные нейронные сети обладают лучшими классификационными способностями.

Впервые используется теорема Байеса для уточнения результатов, полученных на основе бинарной ло1исгической регрессии (ЛР) и вероятностных нейронных сетей.

Впервые разработана методика системного анализа процесса принятия решения хирургом выбора способа завершения операции по причине перитонита.

Практическая значимость результатов работы. Интеллектуальная информационная система поддержки принятия решения хирурга по выбору способа завершения операции по причине перитонита предоставит хирургам инсфумен!, помогающий определить способ завершения операции для получения благоприятного исхода. Разработанное программное средство также может использоваться как обучающая система поддержки принятия решения для студентов медицинских вузов.

Апробация результатов работы. Материалы исследований представлены на 3 международных и 4 региональных конференциях. По теме диссертации опубликовано 11 работ, в том числе 1 — тезисы доклада в материалах конференции, 10 статей, из них три в изданиях, рекомендованных ВАК, а также получено 1 свидетельство о государспленной регистрации пакета программ.

Структура диссертации. Диссертация состоит из введения, четырех глав с выводами, заключения, приложений.

Вывод

Разработано информационное, алгоритмическое и программное обеспечение для поддержки принятия решения хирурга по способу завершения операции по поводу перитонита. Разработана объектно ориентирванная модель ИИС ППР. Разработан модуль для хранения тематических карт больных.

ЗАКЛЮЧЕНИЕ

На основании проведенных исследований была решена задача по созданию моделей, алгоритмов и программного обеспечения предназначенного для помощи врачу - хирургу в принятии решения о завершении операции по поводу перитонита.

В работе получены следующие основные результаты:

1. Разработаны многомерные модели данных, а также методика многомерного анализа данных. Описан и применен алгоритм отбора значимых факторов в модели данных. В результате использования алгоритма отбора данных, были отобраны факторы, имеющие высокую значимость для определения возможных исходов и способов завершения операции по поводу перитонита. В качестве зависимых переменных было принято взять следующие факторы: благоприятный исход, повторное хирургическое вмешательство, способ завершения операции сшиванием швов наглухо, способ завершения операции релапаратомией, способ завершения операции лапарастомией.

2. Показано, что для решения задачи о выборе способа завершения операции по поводу перитонита может быть применена бинарная'логистическая регрессия, способная классифицировать наблюдения с высокой долей верной классификации. При оценке качества моделей на обучающей выборке процент верных отнесений для всех моделей превысил 90%, с чувствительностью и специфичностью выше 0,9

3. Разработаны модели на основе вероятностных нейронных сетей, способные также классифицировать наблюдения с высокой-долей верной классифиакции. При оценке качества моделей на обучающей выборке процент верных отнесений для всех моделей превысил 93%, с чувствительностью и специфичностью выше 0,9 (кроме /ТУЛО?). При проверке качества моделей с использованием вновь поступивших наблюдений, модель на основе логистической регрессии и модель на основе вероятностной нейронной сети продемонстрировали высокие классификационные способности. Проценты верных отнесений в модели на основе логистической регрессии составили в среднем 71%. при этом ¿максимальное значение составило 89%, а минимальное 32%. Проценты верных отнесений в модели на основе вероятностной нейронной сети составили в среднем 74%. при этом максимальное значение составило 100%, а минимальное 31%. Было установлено, что модели на основе ВНС обладают лучшей специфичностью на перекрестных и новых наблюдениях.

4. Создано информационное, алгоритмическое и программное обеспечение ИИС ППР. ИИС ППР представляет собой сложную систему, выполненную на основе гибридного решателя. В качестве математического аппарата в решателе выступают уравнения бинарной логистической регрессии и вероятностные нейронные сети. ИИС ППР способна решать задачу самообучения при помощи алгоритма пошагового отбора данных в модели. Таким образом с течением времени независимые переменные, участвующие в моделях, могут модифицироваться.

Важными характеристиками разработанной системы являются высокая скорость обучения ВНС, при которой не требуется участие человека. Применение современных средств ■ разработки приложений и концепции объектно ориентированного программирования позволило реализовать гибкую, открытую и легко сопровождаемую систему. ИИС ППР способна перенимать опыт хирурга непосредственно без участия специалиста разрабатывающего математический аппарат ИИС ПГ1Р.

К перспективам дальнейших исследований по данной теме можно отнести:

Рассмотрение возможности применения выработанных алгоритмов и программного обеспечения для решения других не менее сложных задач классификации в области медицины.

1. Богомолов С.Д. Применение искусственных нейронных сетей для прогнозирования в хирургии / С.Д. Богомолов, C.B. Киселев, А.П. Медведев / Нижегородский медицинский журнал. 2003 -№ 1. С. 1316.

2. Савельев B.C., Гельфанд Б.Р. Филимонова М.И. Перитонит: Практическое руководство. М.: Литтерра, 2006. 208 с.

3. Шляпников С.А., Ефимова И.С. Вторичный и третичный перитонит: роль антибактериальной терапии в комплексном лечении //Антибиотики и химиотерапия. 2001. №46(12). С. 35-41.

4. Острейковский В.А. Теория систем. М.: Высшая школа, 1997. - 240 с.

5. Волкова В.Н., Денисов A.A. Теория систем: Учебник для студентов вузов. М: Высшая школа, 2006. 511 с.

6. Микшина В. С. Теория принятия решений: учеб. пособие для вузов. — Сургут : Изд-во СурГУ, 2007. 260 с.

7. Ломоносов С. П. Использование шкалы APACHE II для оценки тяжести состояния больных с инфицированным некротическим панкреатитом // С. П. Ломоносов // Укр. мед. час. —2000. №3. С. 21-25.

8. Ефимова И.С. Системная воспалительная реакция у больных с вторичным и третичным перитонитом // И.С. Ефимова // Хирургические инфекции. 2007. №1. С. 27-31.

9. Шуркалин Б.К. Как завершить операцию при перитоните // Шуркалип Б.К., Кригер А.Г., Горский В.А. и др. // Третий конгресс Ассоциации хирургов им. Н.И. Пирогова. М., 2001. С. 157-159.

10. Аскерханов Г.Р. Применение алгоритма в опеределении показаний к повторным операциям при перитоните. // Аскерханов Г.Р., Гусейнов А.Г., Загиров У.З., Султанов Ш.А. // Южно-Российский медицинский журнал. Медицина: наука и практика. 2000. № 3-4.

11. Koperna Th, Schulz F. Prognosis and treatment of peritonitis. Arch Surg 1996; 131:180—5.

12. Гельфанд Б.Р., Ярошецкий А.И. Интегральные оценки тяжести состояния больных при политравме. ЦЭМПИНФОРМ. Вып. 3. М., 2004. С. 40.

13. Ярошецкий А.И. Респираторная поддержка при остром респираторной дистресс-синдроме // А.И. Ярошецкий, Д.Н. Проценко, О.В. Игнатенко // Инфекции в хирургии. 2009 (7). приложение №2. С. 129-143.

14. Большая медицинская энциклопедия, Т. 11. — 3-е изд. — М.: «Советская энциклопедия», 1979. С.320.

15. Вентцель Е.С. Введение в исследование операций. М.: «Советское радио». 1964.391 с.

16. Дробышев Ю.П. Байесовский подход к задаче различения различных форм вирусного гепатита // Дробышев Ю.П., Нигматуллин P.C. Петрушин Ю.П. // Эпидемиология сердечно-сосудистых заболеваний. Под ред. И.К. Швацабая. М.: Медицина, 1977. С. 90101.

17. Липатов В.А. Оценка выраженности спаечного процесса брюшной полости методом семантического дифференциала // MEDLINKS.RU: медицинские ссылки России. 2000. URI/http://www.medlinks.ru/article.php7siclH 986 (дата обращения: 05.12.2007).

18. Коробов В.Б. Организация проведения экспертных опросов при разработке классификационных моделей // СОЦИС (социологические исследования). 2003. № 11. С. 102-109

19. Ременников В.В. Разработка управленческого решения. М.: ЮНИТИ - ДАНА, 2000, 140 с.

20. Кабатов Ю.Ф., Славин М.Б. Вероятностно-статистические методы в медицинских исследованиях. М.: «Медицина», 1976, 298 с.

21. Славин М.Б., Савицкий В.Б. О связи экономической эффективности средств автоматизации с надежнос1ыо профилактическою обслуживания // Приборы и системы управления, 1969. №7. С. 34-39.

22. Острейковский В.А. О формализации предметной области интеллектуальной информационной системы поддержки принятия решений врачом / Острейковский В.А.,

23. Дрожжин Е.В., Федоров Д.А. // Известия высших учебных заведений. Ядерная энергетика. -2007. №3. С. 30-37

24. Бейли Н. Математика в биологии и медицине: Пер. с англ. — М.: Мир, 1970. 324 с.

25. Бородулин А.И., Свиридова A.B., Судаков О.В. Использование кластерного анализа в диагностике ишемической болезни сердаца // Бородулин А.И., Свиридова A.B., Судаков О.В. // Прикладные информационные аспекты медицины. 2009. №11. С. 149- 154.

26. Халафян A.A. Statistica 6. Статистический анализ данных. 3-е изд. Учебник -М.: ООО «Бином-Пресс», 2008. 512 с.

27. Зарубина Т.В., Гаспарян С.А. Управление состоянием больных перитонитом с использованием новых информационных технологий. Москва, 1999. 265 с.

28. Медведев А.И. Использование нейронных сетей при медицинской диагностике тяжелых осложнений и хирургических операций. Материал научно практической конференции. // ИНФО 2008. г. Сочи. С. 140-142.

29. Тихомиров О. К. Философские и психологические проблемы "искусс1 венного интеллекта" // "Искусственный интеллект" и психология. М., 1976. С. 14.

30. Ежов A.A., Чечеткин В.Д. Нейронные сети в медицине // Откр. сист.- 1997. № 4. С. 34-37.

31. Silvia Miksch, Jim Hunter, Elpida Keravnou. Artificial Intelligence in Medicine. 10th Conference on Artificial Intelligence in Medicine, AIME 2005, Aberdeen, UK, July 23-27, 2005

32. Афонин Д.Н. Прогнозирование вероятности ампутации и инвалидизации у больных атеросклерозом нижних конечностей // Афонин Д.Н., Скляренко Р.Т. Афонин ПЛ. Каличава А.Ш. // Новые технологии в медицине, г. Санкт — Петербург. 2008. С. 19-20.

33. Литвин, A.A. Пейросетевое прогнозирование гнойно-септических осложнений острого деструктивного панкреатита // Литвин A.A., Жариков О.Г., Сенчук Г.А. // Украинский журнал телемедицины и медицинской телематики. — 2007. Том 5. № 1. С. 63-70.

34. Микшина B.C., Егоров A.A. Дарвин В.В. // Интеллектуальная информационная система поддержки принятия решения хирурга при завершении оперативного вмешательства по поводу Перитонита. // ИНФО 2008. г. Сочи. С. 157-159.

35. Черноруцкий И.Г. Методы оптимизации и принятия решений: Учебное пособие. // СПб.: Изд-во «Лань».- 2001. 384 с.

36. Блягоз З.У., Попова АЛО. Принятие решений в условиях риска и неопределенности. Вестник Адыгейского государственного университета. 2006. № 4. С. 164— 168.

37. A.A. Егоров, Модель принятия решения хирурга. Вестник новых медицинских технологий Тульского государственного университета. // A.A. Егоров. B.C. Микшина // Вестник новых медицинских технологий. 2011. Т. 7, №4. С. 178 - 181.

38. Бескровный И. М. Трехмерная интегрированная модель принятия решений // ECONF.RAE.RU: Системный анализ и управление. 2009. URL: http://econf.rae.ru/article/4986 (дата обращения: 17.03.2011).

39. Назаренко Г.И., Гулиев Я.И., Ермаков Д.Е. Медицинские информационные системы: теория и практика М.: Физматлит - 2005. С. 320.

40. Стрижов В.В. Модель управления особо охраняемыми природными территориями /Актуальные проблемы современной науки, 2005, № 5. ISSN 1680-2721.

41. Сенин А. Методы отбора переменных в регрессионные модели // BASEGROUP.RU : Технологии анализа данных. 1995. URL: http://www.basegroup.ru/library/analysis/regression/feature selection/ (дата обращения: 20.05.2008).

42. Айвазян С.А. и др. Прикладная статистика. Исследование зависимостей: Снрав. Изд. М.: Финансы и статистика, 1985. 487 с.

43. Большаков A.A., Каримов Р.Н. Методы обработки многомерных данных и временных рядов: Учебное пособие для вузов. —М.: Горячая линия—Телеком, 2007. 522 с.

44. Барсегян A.A., Куприянов М.С., Степаненко В.В., Холод И.И. Методы и модели анализа данных: OLAP и Data Mining — M.: «БХВ», 2004. 331 с.

45. В.Н.Волкова, В.И.Козлов, Системный анализ и приняше решений. Словарь-справочник. М.: Высшая школа. 2004. 616 с.

46. Славин М.Б. Методы системного анализа в медицинских исследованиях. М.: Медицина, 1989. 304 с.

47. Добров Г.М., Ершов Ю.В., Левин E.H., Смирнов Л.П. Экспертные оценки в научно-техническом прогнозировании. Киев: Наукова думка, 1974. 160 с.

48. Многомерный статистический анализ в экономических задачах: компыоюрнос моделирование в SPSS: Учеб. Пособие/ Под ред. И.В. Орловой. М.: Вузовский учебник, 2009.310с.

49. Вуколов Э.А. Основы статистического анализа . Практикум по статистическим методам и исследованию операций с использованием пакетов STATISTIC А и EXCEL: учебное пособие. 2-е изд., испр. И доп. -М.: ФОРУМ, 2008. 464 с.

50. Елисеева И.И. Эконометрика. М.: Финансы и статистика., 2004. 344 с.

51. Магнус Я.Р., Катышев П.К., Пересоцкий A.A. Эконометрика. Начальный курс: учеб. 6 -изд., перераб и доп. - М.: Дело, 2004. 575 с.

52. Greene W.H. Econometric analysis. 3rd edition. Prentice Hall, Upper Saddle River, New Jersey, 1997.

53. Реброва О.IO. Статистический анализ медицинских данных. Применение накеш прикладных программ Statistica. M.: МедиаСфера,2002 312с.

54. Андронов A.M., Копытов Е.А. Гринглаз Л.Я. Теория вероятности и математическая статистика: Учебник для вузов,- СПб.: Питер, 2004. 461 с.

55. Кобзарь А.И. Прикладная математическая статистика. Для инженеров и научных работников. М.: ФИЗМАЛИТ, 2006. 816 с. - ISBN 5-9221-0707-0.

56. Крянев A.B., Лукин Г.В. Математические методы обработки неопределенных данных. 2-е изд., испр. - М.: ФФИЗМАЛИТ, 2006. 216 с.

57. Логистическая-регрессия // STATSOFT.RU: Статистический портал StatSoft. 1999. URL: http://www.statsoft.ru/home/portal/taskboards/logitregression.htrn (дата обращения: 20.05.2008).

58. Бююль Ахим, Цёфель Петер. SPSS: искусство обработки информации. Анализ статистических данных и восстановление скрытых закономерностей: Пер. с нем. / Ахим Бююль, Петер Цёфель СПб. : ООО «ДиаСофтЮП», 2005 608 с.

59. Ивченко Г.И., Медведев Ю.И. Математическая статистика: Учеб. пособие для втузов. М.: Высш. шк., 1984. 248 с.

60. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. М.: Финансы и статистика., 1986. 369 с.

61. Афифи А., Эйзен С. Статистический анализ. Подход с использованием ЭВМ. М.: Мир, 1982. 480 с.

62. Юнкеров В.И., Григорьев С.Г. Математико-статисшческая обработка данных медицинских исследований. СПб.: ВМедА, 2002. 206 с.

63. Боровиков В.П. Популярное введение в программу STATISTICA. М.: «КомпьютерПресс», 1998. 267с.

64. What are pseudo R-squareds? // ATS.UCLA.EDU: Academic Technology Services. 1995. URL: http://www.ats.ucla.edu/stat/mult pkg/faq/general/psuedo RSquareds.htm (дата обращения: 22.05.2008).

65. Паклин H. Логистическая регрессия и ROC-анализ математический annapai // BASEGROUP.RU: .Технологии анализа данных. 1995. URL: http://www.basegroup.ru/library/analysis/regression/logistic/ (дата обращения: 20.05.2008).

66. Fawcett Т. ROC Graphs: Notes and Practical Considerations for Researchers // Kluwer Academic Publishers. 2004.

67. Davis J., Goadrich M. The Relationship Between Precision-Recall and ROC Curves // Proc. Of 23 International Conference on Machine Learning, Pittsburgh, PA, 2006

68. Россиев, Д.А. Самообучающиеся нейросетевые экспертные системы в медицине: теория, методология, инструментарий, внедрение: Автореф. дис. . д-ра. мед. наук. Красноярск, 1996. 51 с.

69. Artificial Neural Networks: Concepts and Theory, IEEE Computer Society Press, 1992.

70. Richard P. Lippmann, An Introduction to Computing with Neural Nets, IEEE Acoustics, Speech, and Signal Processing Magazine, April 1987.

71. Нейронные сети. Statistica Neural Networks: Методология и технологии современного анализа данных / Под редакцией В.П. Боровикова. 2-изд., перераб. И доп. -М.: Горячая линия - Телеком, 2008. 392 с.

72. Вероятностная нейронная сеть // STATSOFT.RU: Статистический портал StatSoft. 1999. URL: http://www.statsoft.ru/home/portal/applications/NeuralNetworksAdvisor/Adv-new/PNN.htm (дата обращения: 29.01.2009).

73. Н.Г. Ярушкина. Основы теории нечетких гибридных систем: Учеб. Пособие. — М.; Финансы и статистика, 2004. 320с.

74. Мао K.Z., Tan К.С. and Ser W. Probabilistic Neural-Network Structure Determination for Pattern Classification, IEEE TRANSACTIONS ON NEURAL NETWORKS, VOL. 11, NO. 4, JULY 2000/

75. European Journal of Scientific Research/ Cooperative Neural Network Generalization Model Incorporating Classification and Association.Waleed, A.J. Rasheed, №4, 2009, pp.639-648.

76. Калан P. Основные концепции нейронных сетей. -М.: Вильяме, 2001. 287 с.

77. Е.С. Вентцель. Теория вероятностей. М.: Изд.«Наука», 1969. 576 с.

78. Сравнение моделей временных рядов // BASEGROUP.RU: Технологии анализа данных. 1995. URL: http://www.basegroup.ru/solutions/scripts/details/compare model/ (дата обращения: 3.02.2009).

79. Нейронные сети: обучение с учителем // SCORCHER.RU: Естественный интеллект. 2003. URL: http://www.scorcher.ru/neuro/science/Perceptron/mem32.htm (дата обращения: 12.04.2009).

80. Егоров A.A. Модель принятия решений врача-хирурга в условиях риска и неопределенности. // Егоров A.A., Микшина В.В. // Международная научно-практическая конференция // ИНФО 2010.- 2010. г. Сочи. С. 226 229.

81. Воробьев П.А. Принятие решений на пути от теории к практике // Воробьев П.А., Сура М.В. // Проблемы стандартизации в здравоохранении: Научно-пракшческии рецензируемый журнал . — 2004. № 6. С. 3 - 11. — ISSN 1607-2502.

82. Джексон, Питер. Введение в экспертные системы. : Пер. с англ. : Уч. Пос. М. : Издательский дом «Вильяме», 2001. 624 с.

83. Древе Ю.Г. Некоторые вопросы проектирования интеллектуальных информационных систем // Северный регион: наука, образование, культура. 2008. №1. С 27-30.

84. Кобринский Б.А. Ретроспективный анализ медицинских экспертных систем // Новости искусственного интеллекта №2. 2005. С. 6-17.

85. Кобринский Б.А. Искусственный интеллект и медицина: Возможности и перспективы систем, основанных на знаниях // Новости искусственного интеллекта. 2001. №4. С. 44-51.

86. Подходы к отображению субъективно нечетких представлений эксперта и пользователя в интеллектуальных системах // Программные продукты и системы №4. 1997. С. 45—47.

87. Королев В.Ю., Бенинг В.Е., Шоргин С.Я. Математические основы теории риска: Учебн. Пособ. М.: Физматлит, 2007. 544 с.

88. A.A. Егоров, Интеллектуальная информационная система поддержки принятия решений хирурга по выбору способа завершения операции. // A.A. Егоров, B.C. Микшина, В.В. Дарвин, A.A. Суровов // Современные проблемы науки и образования. 2011. № 5.

89. Нейлор К. Как построить свою экспертную систему. М.: ЭнергоАтомИздат. 1991., 286 с.

90. Попов Э.В. Экспертные системы: Решение неформализованных задач в диалоге ЭВМ. М.: Паука. Гл. ред. физ.-мат. лит., 1987 . - 288 с.

91. Структура экспертной системы // AIRPORTAL.RU: Портал исскуственного интеллекта. 2009. URL: http.V/www.aiportal.ru/articles/expert-systems/structure.html (дата обращения: 4.02.2010).

92. Режимы работы экспертных систем // AIRPORTAL.RU: Портал исскуственного интеллекта. 2009. URL: http://www.aiportal.ru/articles/expert-svstems/modes-work.html (дата обращения: 4.02.2010).