автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.18, диссертация на тему:Модели, методы и программы для развития медицинской информационной системы прогноза ретинопатии

На правах рукописи

005044226

МАРЧУК

V

V

Юрий Владимирович

МОДЕЛИ, МЕТОДЫ И ПРОГРАММЫ ДЛЯ РАЗВИТИЯ МЕДИЦИНСКОЙ ИНФОРМАЦИОННОЙ СИСТЕМЫ ПРОГНОЗА РЕТИНОПАТИИ

Специальность 05.13.18 - Математическое моделирование, численные методы и

комплексы программ

Автореферат диссертации на соискание ученой степени кандидата физико-математических наук

1 7 МАП 2012

Екатеринбург - 2012

005044226

Работа выполнена в ФГАОУ ВГ10 «Уральский Федеральный Университет имени первого Президента России Б.Н.Ельцина» и в Государственном бюджетном учреждении здравоохранения Свердловской области детской клинической больнице восстановительного лечения Научно-практическом центре «Бонум»

Научный руководитель:

доктор технических наук, профессор Гольдштейн Сергей Людвигович

Научный консультант:

доктор медицинских наук, профессор Блохина Светлана Ивановна

Официальные оппоненты:

доктор физико-математических наук, профессор Вараксин Анатолий Николаевич

кандидат физико-математических наук Турчик Владимир Юрьевич

Ведущая организация:

Федеральное государственное бюджетное учреждение науки Институт математики и механики Уральского отделения РАН, г. Екатеринбург

Защита состоится 29 мая 2012 г. в 17.00 часов на заседании диссертационного совета Д 212.285.13 при ФГАОУ ВПО «Уральский федеральный университет имени первого Президента России Б.Н. Ельцина» по адресу: 620002, г. Екатеринбург, ул. Мира, 19, аудитория I главного учебного корпуса (зал ученого совета).

С диссертацией можно ознакомиться в читальном зале библиотеки ФГАОУ ВПО «Уральский федеральный университет имени первого Президента России Б.Н. Ельцина».

Отзыв на автореферат в одном экземпляре, заверенный гербовой печатью, прошу направить по адресу: 620002, г. Екатеринбург, ул. Мира, 19, ФГАОУ ВПО «Уральский федеральный университет имени первого Президента России Б.Н. Ельцина», ученому секретарю университета.

Автореферат разослан^ апреля 2012 года.

Ученый секретарь диссертационного

совета Д 212.285.13,

кандидат физ.-мат. наук, профессор

Рогович В.И.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы

Существующие медицинские информационные системы прогноза ретинопатии недоношенных новорожденных (МИС ПРН) - одного из тяжелых заболеваний, приводящих ребенка к быстро наступающей слепоте, обеспечивают лишь «грубый» неоперативный прогноз. А для эффективного лечения необходим своевременный прогноз с «тонким» разделением степеней тяжести. Это требует развития прототипа МИС ПРН в части моделей, методов и программного обеспечения.

Теоретическим основам математического моделирования в медицине и применению моделирования для решения актуальных практических задач, в т.ч. в области НИОКР медицинских интеллектуально-информационных систем, посвящены работы как зарубежных ученых (Р. Беллман, Christine L. Tsien, N. Lavrac и др.), так и отечественных (С.А. Айвазян, A.A. Генкин, Е. В. Гублер, В. Дюк, М. Ю. Охтилев, Б. В. Соколов, JI. Б. Штейн, В. Эмануэль, Р. М. Юсупов и др.). Значительный вклад в развитие данной тематики внесён уральской школой (А.Н. Вараксин, С.Л. Гольдштейн, В. С. Казанцев, H.H. Красовский, бд.Д. Мазуров, В.Д. Мазуров и др.).

Результаты применения математического моделирования в медико-биологических исследованиях и их информационно-программная поддержка свидетельствуют о существенном вкладе технических дисциплин в эффективность работы врачей, и особенно-исследователей с объектами высокой сложности.

Диссертация выполнена в рамках социального заказа от медицинских учреждений научно-практического типа на выполнение работ по моделированию и реализации систем информационно-программной поддержки медицинской деятельности в соответствии с программами министерства здравоохранения Свердловской области (тема №1150-пп «Развитие здравоохранения Свердловской области на 2007 - 2015 гг.» от 29.12.2006 г.), кафедры вычислительной техники УрФУ (тема № 3775 «Системная, информационная и компьютерная поддержка нечетких технологий»), грантами правительства Свердловской области (государственный контракт № 7-8/07 от 07.05 2007 г. «Разработка модели медико-социальной профилактики тяжелых нарушений зрительного анализатора у недоношенных детей»), ГБУЗ СО ДКБВЛ Научно-практического центра «Бонум» (договор № 694 от 13.12.2007 «Разработка пакета средств информационно-методической поддержки прогнозирования риска развития ретинопатии у недоношенных детей»).

Объект исследования - модели, методы и программы для развития МИС

ПРН.

Предмет исследования - развитие моделей, методов и программ МИС

ПРН.

Глобальная цель работы - развитая медицинская информационная система оперативного прогноза тяжелых степеней ретинопатии с выделением промежуточных.

Локальные цели:

- получение нового знания в виде пакета моделей,

- применение пакета моделей для компьютерного решения в виде комплекса программ и его практического использования.

Основные задачи работы

1. Анализ состояния проблематики развития МИС ПРН (литературно-аналитический обзор с выходом на пакет прототипов медицинской информационной системы прогноза и ее подсистем) и определение модернизируемых и дополнительно вводимых ее подсистем и блоков.

2. Создание пакета полуформализованных (концептуальных, системных, структурных, алгоритмических) и математических моделей, необходимых для проектирования нового качества МИР ПРН и последующего программирования.

3. Развитие алгоритмов и методов дискриминантного анализа для «тонкого» разделения факторов с последующей идентификацией тяжелых (между 4 и 5) степеней патологии.

4. Разработка программного обеспечения для развитой МИС ПРН.

5. Инженерная реализация развитой МИС ПРН, ее испытание и внедрение.

Научная новизна

1. Дан анализ факторов, показавший, что

- исходный список факторов, используемых медицинскими специалистами для оценки риска возникновения РН, из порядка 100 наименований, может быть редуцирован методами статистики на порядок до списка информативных; при этом выявленные факторы разделены с помощью дискриминтатного анализа на 3 ранга: 4 сильно влияющих и по 3 средне- и слабо влияющих фактора;

- нецелесообразно использование лишь одного из факторов «масса» или «возраст», более информативна совместная массо-возрастная характеристика; применением математической комбинации кластерного анализа и двойной нормировки на плоскости состояний объекта впервые выделены три новых массо-возрастных группы;

- для дитохомического (да/нет) прогнозирования наличия или отсутствия РН достаточно учитывать сильно влияющие факторы; для легкой, средней и тяжелой - средне влияющие факторы, а для «тонкого» прогнозирования (между 1 и 2, а также между 4 и 5 степенями) - мало влияющие факторы.

2. Развиты алгоритмы:

- разрешения «пограничных» ситуаций (нахождение объекта в пересечении облаков классов) и получения однозначного ответа, отличающиеся математическими приемами использования операционных характеристик - чувствительно-

сти и специфичности, а именно — вычислением рейтинга и антирейтинга решающих правил;

- применения адаптированного дискриминантного анализа, отличающегося использованием условных (массо-возрастных) классификаций, малоинформативных признаков и разрешенных «пограничных» ситуаций, что позволило перейти от выделения 3-х степеней тяжести к их более «тонкому» разделению на 5 основных, методом идентификации с помощью предложенных продукционных правил;

- математического описания динамики готовности прогноза для прототип-ных и предлагаемого решений, отличающейся вводом в сигмоидное уравнение настраиваемых параметров времени реагирования и точности оценок.

3. Развиты структура и алгоритмы функционирования МИС ПРН, для чего:

- создан (методом критериальных взвешенных оценок аналогов с последующей процедурой отбора) трехранговый пакет научных и корпоративных прототипов, позволивший выявить недостатки системы, ее подсистем и блоков и сгенерировать гипотезы о парирующих эти недостатки новых технических решениях;

- предложен пакет полуформализованных моделей (концептуальных, системных, структурных, алгоритмических) основных объектов исследования, отличающийся строгим синтаксисом и интерпретируемой семантикой, связанной с настройкой на особенности пациента, патологии и деятельности медицинских специалистов;

- получен (из вербальных описаний опыта врачей методами контент-анализа) пакет иерархических кортежных моделей формализованного отражения логики решения основной задачи через вспомогательные и частные.

4. Новые технические решения по теме диссертации защищены:

- патентами на изобретения № 2007144799/14(049084) от 03.12.2007 и № 2011108890/14(012810) от 09.03.2011;

- свидетельствами об официальной регистрации программ для ЭВМ «Система поддержки прогнозирования степени риска развития ретинопатии недоношенных «втЯМ»: №2008610460 от 24.01.2008 и № 2009615071 от 16.09.2009.

Практическая значимость работы

Развитая МИС ПРН может применяться в медицинских учреждениях соответствующего профиля. Она прошла испытания и передана в ОДКБ №1 и в НПЦ«Бонум» г. Екатеринбург (имеются акты внедрения).

Модели, методы и программы используются в учебном процессе по направлению «Информационные системы и технологии в медицине» на кафедре вычислительной техники ФГАОУ ВПО УрФУ, а также - на кафедре педиатрии ФПК и ПП ГОУ ВПО УрГМА Росздрава, г. Екатеринбург (имеются акты внедрения).

Методы исследования

В ходе решения задач исследования использовали методы системотехники и системологии, математического моделирования, многомерного анализа данных, теории распознавания образов, статистического анализа, экспертных оценок, опроса и обработки экспертных данных, вычислительного эксперимента, объектно-ориентированного программирования.

Положения, выносимые на защиту:

1. Созданный пакет научных и корпоративных прототипов МИС РН, обладающих структурно - функциональной и параметрической неполнотой, может быть надежной основой для сравнения с требованиями к задаче и необходимого развития ее структуры и алгоритмов функционирования в части модификации четырех прототипных подсистем (выявления специфики и объединения данных, прогноза профильными специалистами, оценки прогноза, прогноза профильными специалистами при поддержке медицинской инженерии) и введения новой - прогноза «тонких» степеней, а также их блоков.

2. Кортежно-иерархически представленная логика решения нечеткой по исходной постановке задачи развития МИС ПРН, а также полуформализованные (концептуальные, системные, структурные, алгоритмические и пр.) и математические модели для интеграции разнородных данных, редукции списка факторов, оперативного (к 14 дням после рождения) прогнозирования «тонких» степеней тяжести заболевания обеспечивают подтверждение прогноза в 93% случаев против (35-88 %) «да/нет» и «легкого/среднего/тяжелого» неоперативного (к 70-80 дню) прогнозирования в прототипах, а также оценку динамики готовности прогнозов.

3. Численные методы дискриминантного анализа, адаптированные и развитые под специфику задач за счет сочетания условных (массо-возрастных) классификаций, учета малоинформативных признаков и разрешения «пограничных» ситуаций в составе способов прогноза, защищенных патентами на изобретения, могут быть основой для корректной обработки данных при компьютерной реализации.

4. Разработанное программное обеспечение МИС ПРН, на которые получены свидетельства о регистрации, может быть успешно внедрено в медицинскую практику и учебный процесс.

Личный вклад автора. Разработка программного обеспечения по сбору и структуризации данных; алгоритма интеграции разрозненной информации и соответствующего программного обеспечения; формализованной карты учета, статистическая обработки данных по выявлению информационно ценных признаков, разработаны математические модели для прогноза степени риска развития РН до 14 дней жизни, с возможностью выделения «тонких» (между 4 и 5) тяжелых степеней в составе МИС ПРН, а также организация и участие в испытаниях и внедрении.

Реализация и апробация работы. Результаты диссертационного исследования докладывались и обсуждались на Международной научной конференции «Информационно - математические технологии в экономике, технике и образовании» (Екатеринбург, 2007, 2008, 2009), 1-ом международном научно-практическом симпозиуме «Современные наукоемкие технологии: теория, эксперимент и практические результаты» (Хургада, Египет, 2007), IV-й Международной научно-практической конференции «Исследование, разработка и применение высоких технологий в промышленности» (Санкт-Петербург, 2007), II общероссийской научной конференции с международным участием «Инновационные медицинские технологии» (Москва, 2010), П-ой Межрегиональной конференции «Актуальные вопросы детской офтальмологии и ретинопатии недоношенных» (Екатеринбург, 2007), VI съезде РАСПМ и Ш-ем Конгрессе специалистов перинатальной медицины (Москва, 2008), заседаниях ученого совета НПЦ «Бонум» (2007, 2008, 2010), научных семинарах кафедры вычислительной техники УрФУ (2010-2012г.г.).

Публикации. Основное содержание диссертации представлено в 26 публикациях, из них 4 - в журналах из списка ВАК, 7 единиц интеллектуальной собственности.

Объем и структура работы. Диссертация состоит из введения, 5 глав, заключения, списка литературы из12\ наименований, и содержит IZ.2 стр. основного машинописного текста, 35рисунков и i"?-таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении сформулированы актуальность темы, цели и задачи исследования, дана характеристика научной новизны и практической ценности, отражены результаты внедрения результатов работы и ее апробации, приведены структура и объем диссертации.

В первой главе «Анализ состояния проблематики прогнозирования ретинопатии недоношенных и применения математических методов и средств её информационно-программной поддержки» приведены результаты применения методов многомерного анализа данных к прогнозированию степени риска развития патологического процесса. Представлено описание результатов использования дискриминантного анализа в диагностике как технических, так и медицинских объектов. Отражены результаты применения регрессионного моделирования, как альтернативы моделям распознавания образов, в решении задач аналитической поддержки диагностики. Приведен обзор средств информационно-программной поддержки деятельности врачей при прогнозировании вариантов исхода патологий.

Обзор информации представлен по трём основным направлениям. Первое - медицинские информационные системы прогноза, для которых оценкой и отбором аналогов определен прототип нулевого ранга. Второе - пять подсистем МИС ПРИ, как прототипы первого ранга. Третье - 21 блок пяти подсистем

МИС РН, как прототипы второго ранга. Эти компилятивные прототипы (табл. 1) были взяты за основу для конструктивной критики и генерирования гипотез решений по ее парированию.

Таблица 1

Ранг прототипа Название прототипа Ссылка*) Критика прототипа

0 Медицинская информационная система прогноза РН [1,7,6] Системно-структурная неполнота

1 Подсистемы: 2- объединения данных [2,7] Функционально-параметрическая неполнота

3- прогноза 1 да/нет (профильными специалистами) [3,10]

4 - оценки прогноза [8,6,51

5 - прогноза 2 легкая/средняя/тяжелая (профильными специалистами с поддержкой от медицинской инженерии) [4,8,9]

7 - прогноза 3 для «тонких» степеней

*)[•]- Кулакова М.В. Транспупиллярная диодлазеркоагуляция васкулярных зон сетчатки в лечении прогрессирующей ретинопатии недоношенных с различными вариантами течения [Текст]: дис. ... канд. мед. наук: 14.00.08 / М.В.Кулакова. - Екатеринбург.-2006. - 194с.

[2] - Гнмадеев Ш.М «Интеграция источников медицинской информации: цели и методология» - Режим доступа: [электронный ресурс] www.emm.infomed.su/articles/

[3] - Приказ МЗ РФ N 457 от 28.12.2000г. «О совершенствовании пренаталыюй диагностики в профилактике наследственных и врожденных заболеваний у детей».

[4] - Патент - RU 2 358 656 Cl МПК А61В 10/00 (2006.01). Способ диагностики ретинопатии недоношенных 1V-V стадий/ Е.В. Аронскинд, В.Н. Шершнев; Уральская государственная медицинская академия. - N2007148117/14; Заяв. 26.12.2007; Опубл. 20.06.2009.

[5] Дж.-О. Ким, Ч.У. Мыоллер, У.Р. КлеккаУ Факторный, дискриминантный и кластерный анализ / под ред. И.С. Еникова. М. Финансы и статистика, 1989. - 215 с.

[6] - Мазуров В.Д. Математические методы распознавания образов,- Екатеринбург: Изд-во Урал, ун-та, 2010,- 101 с.

[7] - Onofrey C.B. The outcome of retinopathy of prematurity: screening for retinopathy of prematurity using an outcome predictive program / C.B.Onofrey, W.J.Feuer, J.T.Flynn II Ophthalmology. - 2001. - Vol. 108, №1. - P.27-34.

[8] - Гублер E.B. Информатика в патологии, клинической медицине и педиатрии / Е.В. Гублер. Л. Медицина, 1990. 176 с.

[9] - Мазуров В.Д., Казанцев B.C., Белецкий Н.Г. Пакет Квазар прикладных программ распознавания образов (версия 2): Информ. материалы по математ. обеспечению. АН СССР. УНЦИММ. Свердловск: Б.и., 1979. 121 с.

[10] - Вараксин А.Н., Панов В.Г., Казмер Ю.И. Статистические модели с коррелированными предикторами в экологии и медицине. Екатеринбург, Издательство Уральского университета, 2011. 141с.

Во второй главе «Декомпозиция задач и полуформализованное моделирование» исходя из вербального нечеткого представления опыта врачей была

сформулирована (в кортежно-иерархическом формализме) основная задача (3) диссертационного исследования:

3 = <3|, 32; Я>, (1)

где 3| - первая вспомогательная задача создания полуформализованных моделей МИС РН и ее подсистем, 32 - вторая вспомогательная задача создания и использования математических моделей прогноза РН, Я - матрица связей.

Для решения первой вспомогательной задачи 3| разработан пакет системно-структурных и алгоритмических моделей МИС прогноза РН (рис. 1 и 2) и ее подсистем.

'Прототип 0 ранга 1

Рис. 1 Системно - структурная модель МИС ПРН (прототип и предлагаемое решение: уголки,

фон, жирная стрелка)

Подсистемы: 1 - сбора данных, 2 - выявления специфики и объединения данных, 3 - прогноза 1 (профильными специалистами), 4 - оценки прогноза, 5 - прогноза 2 (профильными специалистами при поддержке медицинской инженерии), 6,8 - интерфейсов, 7 - прогноза 3 (для

«тонких» степеней)

нием роли врача - п.с. 9), п.с. - подсистема

На основе пакета декомпозированных (до блоков и модулей) графических моделей получена детализация первой вспомогательной задачи Зь

3,= <3п,...,313;я,> (2)

где частные задачи: Зц - сбора данных, 3,2 - выявления специфики объекта и объединения данных, 3|з - отбора не избыточных информативных факторов, К| -матрица связей.

Частную задачу сбора данных для подсистемы 1 (см рис. 1):

311 =<3т. Зц2; Яц> (3)

где подзадачи: Зш - формирования перечня баз данных о функциональном состоянии недоношенного, 3) 12 - перевода текстовой версии истории болезней в электронный вид.

решали на инженерном уровне.

Поскольку медико-инструментальные данные о состоянии недоношенного находятся в различных несвязанных между собой источниках (города, БД, истории болезней) разработали алгоритм решения задачи 3,2:

8|2=<8|2Ь 8122; 3123; К-12>> (4)

что отражено в табл. 2 и в схеме на рис.3.

Таблица 2

№ Признак специфики Содержательный аспект специфики Следствия для разработки

1 Фактор достоверности прогноза Бш: - диагноз ставится к 2-3 мес., - дорогостоящее диагностическое оборудование Может быть использовано как средство подтверждения адекватности модели

2 Количество факторов, используемых для определения риска развития РН Б122 : порядка 100 Необходима редукция факторов

3 Время прогноза ^123: -граница прогноза меньше 14 дней - быстродействие (часы) Можно использовать как критерий достижимости

Внешние хранилища данных

БД,

Eft

БД:

БД-

Sines

Sinei

Sinei

uz

Sinc3

зг

Sinei

ЭП,

зги

Рис. 3 Схема интеграции разрозненных данных подсистемы 2 (см. рис. 1). ЭП|, ЭП2 -эмпирические базы, ПО - программное обеспечение.

Процедура выявления и исключения малоинформативных признаков в матрицах данных больших размеров, используемых врачами в способах-прототипах, решена в рамках частной задачи З|3:

3[з=<3131, Зпг, Зпз, З134,3135; Я|з>, (5)

где подзадачи: Зщ - исключения признаков с нулевой дисперсией, Зп2 - применения метода ранговых корреляций, Зш - применения метода наименьших квадратов, З134-сравнения групп по номинальному признаку, З]35- формализованного представления и учета общей тенденции факторов дородового периода.

В результате работы подсистем 1 и 2 созданы необходимые предпосылки для постановки второй вспомогательной задачи:

32=<321, 322; Я2>, (6)

где частные задачи: 321, 322 - создания и использования математических моделей прогноза, соответственно.

На этой основе сформулирована общая математическая постановка задачи прогноза РН.

Пусть имеется множество описаний объектов {0^(1)={А|(1),А2(1),...,АтО), ИБ),...,ИБЛ}; в виде разрозненных, неупорядоченных, разнородных сведений о пациентах на разных этапах развития объекта в моменты времени 1|<К12, где А|, ..., Ат — базы данных медицинских учреждений, ИБ],...,ИБП - истории болезней, 1|- время рождения, = {0,.., 14} дней до прогноза. Необходимо найти функциональную зависимость между множеством описаний {Оу}, {ИБу} объекта О, и множеством предсказаний Р {р1,р2,....,р5} исходов развития ретинопатии ко времени окончания фиксации диагноза (1 = 15 недель). При этом качество решения задачи должно удовлетворять мультипликативному критерию:

/ = П(/аЬ (7)

I =1

где I - интегральный показатель качества решения задач диссертационного исследования, 1, - частный показатель качества решения вспомогательных и частных задач, а - вес задачи,

2>, = ь

Третья глава «Модели и алгоритмы прогноза РН» посвящена последовательному решению частных задач, требующих математического моделирования:

32=<3гь 322,...,327; (8)

где частные задачи: 32| - ранжирования дискриминантных возможностей факторов развития РН, 322 - прогноза легкой, средней и тяжелой степеней РН, 32з - «тонкого» прогнозирования РН, З24 - массо-возрастной классификации, З25 -оценки точности прогноза, 326 - разрешения пограничной ситуации, Я2-технологическая цепочка, 327 - динамика готовности прогноза, 1*2 - технологическая цепочка.

В частной задаче 32ь применяя ДА к массиву данных размерностью 10*155 и группировочному признаку (пять степеней РН), совместно с врачами-экспертами предложено ранжирование дискриминантных возможностей факторов (табл. 3).

Таблица 3

№ Группа значимости факторов Факторы (наименование) Р- статистика (значние) Время поступления (дни)

1 Часто сочетающиеся, высоко-влияющие Массо-возрастная характеристика при рождении 6,55 1

Уровень углекислого газа в крови 4,83 7

Отслойка плаценты 3,65 1

Переливание эритроцитарной массы 3,04 5

2 Средне сочетающиеся, средневлияющие Длительность искусственной вентиляции легких 2,62 7

Внутрижелудочковое кровотечение 2,49 2

Введение сурфактанта в родовом зале 2,31 2

3 Реже сочетающиеся, маловлияющие Оценка по шкале Апгар на 5 мин 2,27 1

Перивентрикулярная лейкомаляция 2,03 1

Уровень давления кислорода в крови 1,9 13

--- " Г^ -II-

РН - да/нет) достаточно учитывать высоковлияюшие факторы. В частной задаче 322 установлено, что для легкой, средней и тяжелой форм РН достаточно учитывать средневлияющие факторы. В задаче З23 выявлено, что для «тонкого» прогнозирования тяжелых (между 4 и 5) стадий дополнительно необходимо учитывать маловлияющие факторы (рис 4).

При этом, выявление принадлежности объекта к одной из существующих групп осуществляли по выведенным продукционным правилам типа ¡(ЧЬеп-е^е.

В частной задаче 324 установлено, что информативность некоторых подмножеств входных характеристик, интерпретируемых с предметной точки зрения, может быть усилена в достаточной степени с применением кластерного анализа. На основе применения его и двойной нормировки на плоскости состояний объекта впервые в классификации недоношенных выделены три новых массо-возрастных группы. Полученная условная классификация стала основанием для построения решающего правила выявления массо-возрастной подгруппы, которое, в свою очередь, включено в механизм прогнозирования риска.

Матрица классификации кросс-проверки

% РН (1,2,3 ст.) РН (4ст.) РН (5 ст.)

РН (1,2,3 ст.) 98,83 35 0 1

РН (4ст.) 93,75 0 30 3

РН (5 ст.) 86,66 1 2 26

Всего 94,01 36 32 30

Г2 = 10*^ + ^ + ^-60,5 У, = 10*x^ + x¡T + x^-69,l

К„„ = шах{К } i

¡f _YJ = У^,_then_X е (¡; _el\e_continue j = 1,2,3

( 0,9 0,88*x, 0,72 «x, 0,59 * (0,94 ».O

1,15**, 6,1 l«x, (0,72-xj 0,7 " 1,13 » д-г 5,66" x,

10,9«,, j

'3,92* л 3,68 » X 2,12 * xlj

'8,32 2,23 * jcfi ,3,14 »jt7/

'9,2 'x, 4,68«,,

(2,06 ' 1,78 *.Y„ 0,61» jr,M

1,095 1,41

1,66 «хи _

l,3«jr, 2,37 'x, 0,81 * jr.

Рис. 4 Применение дискриминатного анализа к решеиию задач прогнозирования промежуточных (между 4-ой и 5-ой) тяжелых степеней РН (Y|, V2 ,Y3 - ЛКФ)

В частной задаче 32¡ для разрешения «пограничных» ситуаций и получения однозначного ответа разработан набор правил на основе операционных характеристик - чувствительности и специфичности. Для этого предложено использовать множества значений чувствительности Se = {5e1,5e2,...,5e„} и специфичности Sp = {Sp,,Sp2,...,Sprl} решающего правила, где п - число альтернатив. Предложено также применять множество величин, характеризующих степень удалённости объекта от соответствующих центроидов групп R = {л,, /г2,...,/?„} в абстрактном пространстве канонических линейных дискриминантных функций. Определение приоритетной альтернативы осуществяли с помощью двух вспомогательных множеств: рейтингов Т= {гх,Тг,..,,Тп} и антирейтингов S = {S,,S2,...,S„} патологий.

Предварительно строили вспомогательные множества: Se = fnax{Se,},Wl{Se,}.....minj^,}} и Тр = [пах{Л>у},шесЛ{5>;},...,тт{5ру}}. (9)

В них все элементы упорядочены по убыванию величины. Затем строили множество R = |ntin{/?t},meí/l{/?,},...,rnax{/?,)|, где упорядочение выполнено по возрастанию значений удалённости объекта от центров классов. В обозначенных выше множествах функция medí, med2 ... medn_2 является функцией отыскания следующего по величине элемента исходных множеств Se, Sp, R.

После этого в рассмотрение вводили функции, которые извлекают порядковый номер элемента для множеств Se, Sp и R:

F^-.Ш-F— :S/>->/,.. (10)

F.-.R-

R

"Sp'

В качестве аргументов функции получали название рассматриваемой группы, в качестве результата возвращали порядковый номер позиции, соответствующий рассматриваемой группе.

Для каждой существующей группы (j=1 ; j++; j=n) считали:

Tt+ = F-(jVF-W). ОН

Чем выше значение Tj - рейтинга i-ой альтернативы и ниже Si - антирейтинга альтернативы ¡, тем меньше значение отношения S,/Tn и тем больше приоритет у i-ой альтернативы в сложившейся ситуации (расстояния всегда различны).

Предложен пакет продукционных правил. Если a, = mm{a,,a:,...,aj, тогда i-

ая патология имеет высший приоритет в сложившейся ситуации, если а, =а, =min{ai,a2,...,a„}, тогда необходимо руководствоваться следующей процедурой. Пусть Rmax = {йшаХ|,Лшах2,...,/?гпах„} - множество внешних радиусов на одном уровне распознавания. Назовём коэффициентом пропорциональной удалённости двух альтернатив i и j (КПУЧ) отношение двух внешних радиусов пересекающихся альтернативных классов: КПУЙ = Л max,/Яшах,.

Если »,л™ах. ; тогда предпочтение отдаётся j - ой патологии, если А< Rmax<, Я, /?тах, Rj Rmmj

тогда -i-ой патологии, если К _ я™**,. тогда - наиболее тяжёлому варианту nazi, К max,

тологии (сочетание патологий тяжелее монопатологии).

Технологическая цепочка R2 вспомогательной задачи 32, ориентированной на поддержку деятельности врача, представлена на рис. 5 , где короткий пунктир - инженерный, длинный - научный уровни новизны.

F---П Машина ; Yl Г*

^_¡^Бдцдл^! ^обработки! :

QreKCTi^j-* обе

ашина обрэботки2 J

Машина ! iMtiM обработки^

Рис. 5 Технологическая цепочка взаимодействия элементов информационно - программной

поддержки прогнозирования.

31 - запрос на сбор медицинских данных, 32 - запрос прогноз легкой, средней, тяжелых форм РН, 33 - запрос на прогноз промежуточных степеней, С1 - массив данных из разрозненных электронных источников, С2 - массив данных из бумажных историй болезней

Общее качество решения задачи в соответствии с (1) и (7) при поддержке деятельности врача (подсистема 9 на рис. 2) подсистемами 3-5 и 7 составило 0,86.

Четвертая глава «Разработка МИС ПРИ» посвящена принципам построения, средствам разработки, а также реализации системы с описанием пользовательского интерфейса.

В качестве корпоративного прототипа объекта развития использовали МИС «Spectator 2». Основные её недостатки состоят в отсутствии аналитической подсистемы выбора решений врачом и невозможности ее добавления из-за конструктивных особенностей. Многие функции в этом корпоративном прототипе реализованы с помощью последовательного перебора записей БД, что значительно увеличивает время ответа на запрос. Для устранения подобных дефектов нами построена конвертирующая программа.

ПО представляет собой модули регистрации пациентов и учёта динамики их состояния в течение диспансерного периода наблюдения, а также аналитической поддержки выбора врачом одного из вариантов развития патологического процесса. У врача имеется возможность использовать как полностью автоматический механизм поддержки выбора, так и механизм настройки для подключения отдельных блоков, реализующих различные подходы к определению варианта прогноза. В распоряжение врача также дано средство визуализации (рис. 6) состояния пациента в абстрактном пространстве классифицирующих функций, где отображаются типичные варианты патологии и «пограничные» ситуации.

Рис. 6 Фрагмент автоматизированной системы - блок графической визуализации

ПО предоставляет возможность формировать текстовый документ, отображающий все характеристики пациента, манипуляции с ними, прогнозируемое состояние, отметку о соответствии текущего состояния прогнозируемому ранее. В программе предусмотрен также блок регистрации новых прецедентов, фиксируемых после объективного инструментального подтверждения окончательного состояния пациента на момент снятия с диспансерного учёта.

В пятой главе «Реализация, испытание и внедрение МИС ПРИ» отражены результаты реализации, испытания и внедрения созданного пакета средств поддержки. Программа передана в эксплуатацию в ОДКБ №1 и в НПЦ «Бо-нум». По результатам использования получены данные о прогнозах (рис. 7), удовлетворяющие модели вида:

=-!-¡-, (12)

1 + 5"'

где \Д/-готовность прогноза, В - погрешность оценок, х - оперативность (в неделях), I - время в неделях, и результатах лечения на их основе (см. пример).

№ на рис. Варианты прогноза Время готовности (недели) Быстродействие (недели) Точность, %

1 легкая/ средняя/тяжелая 10 1,2 88

2 да/нет 7 0,6 35-80

3 4 и 5 степени 2 0.3 93

Рис.7 Динамика готовности прогноза по прототипу («грубый» прогноз) и предлагаемому решению («тонкий» прогноз 4 и 5 степеней РН) Пример. В НПЦ «Бонум» поступило 128 недоношенных детей с экстремально низкой массой тела, попавших в группу риска по развития ретинопатии. Все они были зарегистрированы в ПО «СтГШ». По клинико-инструментальным и лабораторным данным все пациенты прошли развитую процедуру прогнозирования. За счет выигрыша во времени (> 8 недель) в течение следующих трёх месяцев дети получали лечение согласно прогнозу. После прохождения адекватного лечения, спланированного на основе данных прогноза ОтЯЫ, удалось перевести 28% детей из группы риска в группу не угрожаемых по ретинопатии; 18% детей, угрожаемых по развитию тяжёлых форм ретинопатии, попали в группу детей со спонтанным регрессом. А остальные 54% подтвердили к 15 неделе спрогнозированный диагноз.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

Сформирован пакет прототипов МИС ПРН и ее составляющих, на базе которых выполнено развитие системы. Разработаны и реализованы алгоритмы сбора, объединения и унификации информации, первично регистрируемой в разрозненных источниках данных. Получены: набор информативных и значимых переменных для оценки риска развития РН; массо-возрастные классификации, используемые в качестве независимой переменной в основном правиле прогноза; набор линейных дискриминантных функций и вариант применения дискриминантного анализа для выявления степени риска развития РН, превосходящий по качеству прототип и реализованный в виде программного средства. Предложена модель динамики готовности прогноза. Есть патенты на изобретения, а также свидетельства об официальной регистрации программ для ЭВМ.

Сделан вывод о том, что предложенные модели, методы и разработанные средства информационно-компьютерной поддержки деятельности врачей-неонатологов обеспечили развитие МИС ПРН и достаточны для достоверного прогнозирования основных и промежуточных степеней патологии.

Основные положения диссертации опубликованы в следующих работах Падания, рецензируемые ВАК

1. Марчук Ю.В., Кожевников М.А., Хамидулина О. Н., Монтиле А.И., Погосян И. А. Разработка средства поддержки диагностики на основе дискриминантного анализа клинико-анамнестических данных // Журнал «Информационные технологии», №6. 2009 г. - С. 65-69

2. Марчук Ю.В., М.А. Кожевников, С.И. Блохина, А.И. Монтиле, Е.В. Власова Адаптация методов многомерного анализа к прогнозированию риска развития ретинопатии недоношенных // Журнал «Вестник Воронежского государственного технического университета», Том 4 №10,- Воронеж, 2008 Г.-С.143-147

3. Блохина С.И., Ковтун О.П., Власова Е.В., Марчук 10.В., Кожевников М.А. Клинико-лабораторные критерии оценки тяжести и прогнозирования ретинопатии недоношенных детей на основе методов многомерного анализа данных // Журнал «Вестник уральской медицинской академической науки», №2.- Екатеринбург, 2008г.-С.56-62

4. Хамидуллина О.Н., Погосян И.А., Кожевников М.А., Марчук Ю.В. Диагностика структурных нарушений на основании комплекса анамнестических и клинических данных // Журнал «Вестник уральской медицинской академической науки», №2.- Екатеринбург, 2008г.-С.148-153

Работы, опубликованные в научных журналах

5. Марчук 10.В., Власова Е.В., Кожевников М.А. Разработка системы поддержки прогнозирования степени риска развития ретинопатии недоношенных «Онп1Ш» // Электронный научный журнал «Системная интеграция в здравоохранении», №1,- Екатеринбург, 2008г.-С. 48-55

6. Марчук 10.В., Кожевников М.А. Пакет средств информационно-программной поддержки раннего выявления риска развития ретинопатии у недоношенных детей // Научно-практический журнал «Прикладная информатика», № 4(16). 2008г. С.96-106

7. Марчук Ю.В., Власова Е.В., Блохина С.И., Ткаченко Т.Я. Применение методов многомерного анализа к прогнозированию риска развития ретинопатии недоношенных // Журнал «Успехи современного естествознания», №12, 2010, С. 64-66.

8. Марчук Ю.В., Власова Е.В. Математическая модель прогноза риска развития ретинопатии недоношенных // Системная интеграция в здравоохранении: электронный научный

журнал. - Екатеринбург, 2010. -№1 (7). - Систем, требования Adobe Acrobat Reader. URL: http://sys-int.rU/file/2010.l/76/sysJnt_62_l_7_2010.pdf (дата обращения 05.05.2010).

Работы, опубликованные в научных сборниках и материалах конференций международного уровня

9. Применение многомерного анализа и разработка информационно-интеллектуальной системы к диагностике ретинопатии / Марчук Ю.В., Кожевников М.А., Власова Е.В., Голь-дштейн C.JI. / Информационно - математические технологии в экономике, технике и образовании. Вып.4: Прикладные аспекты моделирования и разработки систем информационно-аналитической поддержки принятия решений: сборник материалов 2-й Международной научной конференции. Екатеринбург: УГТУ-УПИ, 2008.- С. 162-169.

10. Применение метода дискриминантного анализа для поддержки диагностики структурных нарушений краниовертебральной области у детей / Кожевников М.А., Марчук Ю.В., Хамидуллина О.Н., Погосян И.А., Гольдштейн СЛ. / Информационно - математические технологии в экономике, технике и образовании. Вып.4: Прикладные аспекты моделирования и разработки систем информационно-аналитической поддержки принятия решений: сборник материалов 2-й Международной научной конференции. Екатеринбург: УГТУ-УПИ, 2008,-С. 226-233.

11. Автоматизированная система поддержки принятия решения логопедом: обзор аналогов и выбор прототипа / Марчук Ю.В., Гольдштейн С.Л., Ткаченко Т.Я./ Сборник материалов Международной научной конференции «Информационно - математические технологии в экономике, технике и образовании». Екатеринбург: УГТУ-УПИ, 2007. -С. 201-207

12. Адаптация дискриминантного анализа к диагностике опорно-двигательного аппарата. / Кожевников М.А., Хамидуллина О.Н., Гольдштейн C.JI., Марчук Ю.В./ Высокие технологии, фундаментальные и прикладные исследования, образование. Т. 11: Сборник трудов Четвертой международной научно-практической конференции "Исследование, разработка и применение высоких технологий в промышленности". 02-05.10.2007, Санкт-Петербург, Россия. Под ред. А.П. Кудинова, Г.Г. Матвиенко. СПб.: Изд-во Политехи, ун-та, 2007. С. 264-266

13. Прогнозирование исходов заболеваний ретинопатии у недоношенных детей методом дискриминации и интерпретации межгрупповых различий/ Гольдштейн СЛ., Марчук Ю.В., Кожевников/ Тезисы докладов второй международной конференции «Информационно -математические технологии в экономике, технике и образовании». Екатеринбург: ГОУ ВПО УГТУ - УПИ, 2007. - С. 228 - 229.

14. Применение метода дискриминантного анализа для диагностики типа структурных нарушений кранио-вертебральной области у детей / Кожевников М.А., Хамидуллина О.Н., Марчук Ю.В., Погосян И.А. Гольдштейн СЛ./ Тезисы докладов второй международной конференции «Информационно - математические технологии в экономике, технике и образовании». Екатеринбург: ГОУ ВПО УГТУ - УПИ, 2007. - С. 221 - 223.

15. Применение метода дискриминантного анализа для диагностики степени выраженности структурных нарушений кранио-вертебральной области у детей / Кожевников М.А., Хамидуллина О.Н., Марчук Ю.В., Погосян И.А. Гольдштейн С.Л./ Тезисы докладов второй международной конференции «Информационно - математические технологии в экономике, технике и образовании». Екатеринбург: ГОУ ВПО УГГУ - УПИ, 2007. - С.219-221.

16. К определению системно-интеллектуального подсказчика в медицине / Марчук Ю.В., Кожевников М.А./Современные наукоемкие технологии: теория, эксперимент и практические результаты: Тезисы докладов 1 междунар. науч.-практил. симпозиума 14-20 апреля 2007 г./ Под общ. ред. чл.-кор. РАН В.П. Мешалкина. - М.; Тула: ТулГУ, 2007. - С. 68-69

17. К вопросу о выборе математического аппарата разрешения нетипичных ситуаций в медицине / Кожевников М.А., Марчук Ю.В. / Современные наукоемкие технологии: теория.

эксперимент и практические результаты: Тезисы докладов 1 междунар. науч.-практич. симпозиума 14-20 апреля 2007 г./ Под общ. ред. чл.-кор. РАН В.П. Мешалкина. - М • Тула- Изд-во, 2007. - С. 69-70

18. Автоматизированная система поддержки принятия решения логопедом: обзор аналогов и выбор прототипа / Марчук Ю.В., Гольдштейн С.Л., Ткаченко Т.Я. / Тезисы докладов международной конференции «Информационно - математические технологии в экономике, технике и образовании». Екатеринбург: ГОУ ВПО УГТУ - УПИ, 2006. - С. 232 - 233.

19. Структурное моделирование информационно-интеллектуального подсказчика логопеда / Ю.В. Марчук, Обухова Н.В., Степаненко Д.Г. / Инженерные и инновационные технологии в медицине, -сб. статей / Под ред. Проф. В. М. Лисиенко, проф. С.И. Блохиной - Екатеринбург: «СВ-96»,2006,- 234-240.

Интеллектуальная собственность

20. Хамидуллина О.Н., Марчук Ю.В., Кожевников М.А., Блохина С.И. Свидетельство об официальной регистрации программы для ЭВМ №2007614539 от 29.10.2007 Система диагностики патологии кранио-вертебральной области у детей «GimOrt»

21. Марчук Ю.В., Власова Е.В., Кожевников М.А., Степанова Е.А., Ковтун О.П., Блохина С.И. Свидетельство об официальной регистрации программы для ЭВМ № 2008610460 от 24.01.2008 Система поддержки прогнозирования степени риска развития ретинопатии недоношенных «GimRN»

22. Система поддержки прогнозирования степени риска развития ретинопатии недоношенных «GimRN 2» / Ю. В. Марчук, М.А.Кожевников, О.П.Ковтун, С.И.Блохина; - Свидетельство об официальной регистрации программы для ЭВМ № 2009615071 от 16.09.2009.

23. Прогноз развития мультифактроной патологии у детей «ART-babies» / Марчук Ю.В. Плаксина А.Н., Ковтун О.П., Бдохина С.И., Кузнецов H.H. Свидетельство о, официальной государственной регистрации программ для ЭВМ № 2011613486 от 9 марта 2011 г.

24. Способ диагностики структурной патологии кранио-вертебральной области у детей / Хамидуллина О.Н., Погосян И.А., Кожевников М.А., Марчук Ю.В. Патент на изобретение №2007144799

25. Способ прогнозирования степени риска развития ретинопатии у недоношенных детей / Марчук Ю. В., Кожевников М.А., Блохина С.И., Ковтун О.П. -Патент на изобретение №2008112453; Заяв. 31.03.2008; Опубл. 10.10.2009, Бюл. №28

26. Способ прогнозирования развития мультифакторной патологии детей, рожденных с помощью вспомогательных репродуктивных технологий. / Плаксина А.Н., Ковтун О.П., Блохина С.И., Кузнецов H.H., Марчук Ю.В. Патент на изобретение № 2011108890/14(012810) от 09.03.2011

СПИСОК" СОКРАЩЕНИЙ

БД - база данных, ГВ - гестационный возраст, ДА - дискриминантый анализ, КА - кластерный анализ, КЛДФ - канонические линейные дискриминантные функции, ЛКФ - линейные классифицирующие функции, МТ - масса тела, МИС ПРИ - медицинская информационная система прогноза ретинопатии недоношенных, РН - ретинопатия недоношенных, ОЦРН - областной центр ретинопатии недоношенных, РП - решающее правило.

Подписано в печать 24.04.2012 Формат 60x84 1/16 Бумага писчая. Плоская печать. Усл.печ.л. 1,25 Уч.-изд. л. 1,0 Тираж 100 экз. Заказ 3546

Отпечатано в типографии ООО «Издательство УМЦ УПИ» г. Екатеринбург, ул. Гагарина, 35а, оф. 2 Тел.: (343) 362-91-16. 362-91-17

61 12-1/1074

ФГАОУ ВПО «Уральский Федеральный Университет имени первого Президента

России Б.Н.Ельцина» Государственное бюджетное учреждение здравоохранения Свердловской области детская клиническая больница восстановительного лечения Научно-практический центр «Бонум»

МАРЧУК ЮРИЙ ВЛАДИМИРОВИЧ

На правах рукописи

МОДЕЛИ, МЕТОДЫ И ПРОГРАММЫ ДЛЯ РАЗВИТИЯ МЕДИЦИНСКОЙ ИНФОРМАЦИОННОЙ СИСТЕМЫ

ПРОГНОЗА РЕТИНОПАТИИ

Специальность 05.13.18- математическое моделирование, численные методы и комплексы программ

диссертация на соискание ученой степени кандидата физико-математических наук

Научный руководитель:

доктор технических наук, профессор

Гольдштейн Сергей Людвигович

Научный консультант:

доктор медицинских наук, профессор

Блохина Светлана Ивановна

Екатеринбург - 2012

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ..........................................................................................................5

1 АНАЛИЗ СОСТОЯНИЯ ПРОБЛЕМАТИКИ ПРИМЕНЕНИЯ

МЕТОДОВ, МОДЕЛЕЙ И СРЕДСТВ ИНФОРМАЦИОННО-ПРОГРАММНОЙ ПОДДЕРЖКИ ПРОГНОЗИРОВАНИЯ РЕТИНОПАТИИ (литературно-аналитический обзор с выходом на пакет прототипов)................................................................12

1.1 Способы диагностики и прогнозирования ретинопатии недоношенных.............................................................................................12

1.2 Применение математических подходов и методов для...........................16

прогнозирования патологического процесса..................................................16

1.3 Информационно-программные средства поддержки..............................27

прогнозирования РН..........................................................................................27

1.4 Пакет прототипов, его критика и предполагаемые решения..................30

1.5 Результаты и выводы по главе 1................................................................31

2 ДЕКОМПОЗИЦИЯ ЗАДАЧ И ПОЛУФОРМАЛИЗОВАННОЕ................32

МОДЕЛИРОВАНИЕ ОСНОВНЫХ ОБЪЕКТОВ ИССЛЕДОВАНИЯ........32

2.1 Декомпозиция задач: первое рассмотрение и цикличность....................32

2.2 Полу формализованные модели..................................................................33

2.2.1 Пакет концептуальных моделей МИС и МИС ПРН.............................33

2.2.2 Пакет системно-структурных моделей МИС ПРН...............................35

2.2.3 Пакет алгоритмических моделей функционирования МИС ПРН.......37

2.4 Математическая постановка задач классификации и прогноза..............56

2.5 Результаты и выводы по главе 2................................................................56

3 МАТЕМАТИЧЕСКИЕ МОДЕЛИ И МЕТОДЫ..........................................58

КЛАССИФИКАЦИИ И ПРОГНОЗА..............................................................58

3.1 Моделирование процедуры исключения малоинформативных

признаков....................................................................................................58

3.2 Математические модели для решения исходных задач..........................60

3.2.1 Модель ранжирования факторов по дискриминантным возможностям..............................................................................................60

3.2.2 Модель дихотомического «грубого» прогноза «да/нет»......................62

3.2.3 Модель прогноза легкой, средней и тяжелой форм патологии...........65

3.2.4 Модель применения кластерного анализа для усиления межгрупповых различий...........................................................................68

3.2.5 Модель «тонкого» прогноза (между 4 и 5) тяжелых степеней............73

3.2.6 Модель разрешения пограничных ситуаций в ответах........................77

решающего правила..........................................................................................77

3.2.7 Оценка точности результатов классификации и прогноза...................84

3.3 О матрице связи...........................................................................................86

3.4 Результаты и выводы по главе 3................................................................87

4 РАЗРАБОТКА И РЕАЛИЗАЦИЯ МИС ПРН..............................................88

4.1 Этапы и стадии создания МИС ПРН.........................................................88

4.2 Информационная модель БД......................................................................91

4.3. Структура программного продукта..........................................................92

4.4 Реализация программы «GimRN» и описание интерфейса.....................93

пользователя.......................................................................................................93

4.5 Результаты и выводы по главе 4..............................................................101

5 ИСПЫТАНИЕ И ВНЕДРЕНИЕ МИС ПРН...............................................102

5.1 Оценка динамики готовности прогноза..................................................102

5.1.1 Эмпирические данные............................................................................102

5.1.2 Математическая модель W (t)...............................................................103

5.2.Примеры клинических испытаний..........................................................105

5.3 Материалы внедрений...............................................................................108

5.4 Результаты и выводы по главе 5..............................................................109

ЗАКЛЮЧЕНИЕ................................................................................................111

Библиографический список............................................................................113

ПРИЛОЖЕНИЯ...............................................................................................124

Приложение 1...................................................................................................124

Приложение 2...................................................................................................131

Приложение 3...................................................................................................136

Список наиболее часто встречающихся сокращений и обозначений

БД - база данных, ГВ - гестационный возраст, ДА - дискриминантый анализ, КА - кластерный анализ, КЛДФ - канонические линейные дискрими-нантные функции, ЛКФ - линейные классифицирующие функции, МТ - масса тела, МИС ПРН - медицинская информационная система прогноза ретинопатии недоношенных, РН - ретинопатия недоношенных, РП - решающее правило, 8е - чувствительность, 8р -специфичность, К - расстояние от объекта до центроида класса; матрица связи, У - значение ЛКФ, X; — признак, Зххх- задача, I - интегральный показатель качества решения задачи I, - частный показатель качества решения задачи, а - вес, I - время прогноза, т - оперативность прогноза, В - погрешность оценок, - готовность прогноза.

ВВЕДЕНИЕ

Актуальность темы

Существующие медицинские информационные системы прогноза ретинопатии недоношенных новорожденных (МИС ПРН) - одного из тяжелых заболеваний, приводящих ребенка к быстро наступающей слепоте, обеспечивают лишь «грубый» неоперативный прогноз. А для эффективного лечения необходим своевременный прогноз с «тонким» разделением степеней тяжести. Это требует развития прототипа МИС ПРН в части моделей, методов и программного обеспечения.

Теоретическим основам математического моделирования в медицине и применению моделирования для решения актуальных практических задач, в т.ч. в области НИОКР медицинских интеллектуально-информационных систем, посвящены работы как зарубежных ученых (R. Bellman, Christine L. Tsien, N. Lavrac и др.), так и отечественных (С.А. Айвазян, A.A. Генкин, Е. В. Гублер, В. Дюк, М. Ю. Охтилев, Б. В. Соколов, JI. Б. Штейн, В. Эмануэль, Р. М. Юсупов и др.). Значительный вклад в развитие данной тематики внесён уральской школой (А.Н. Вараксин, C.JI. Гольдштейн, В. С. Казанцев, H.H. Красовский, В л. Д. Мазуров, В. Д. Мазуров, В.Н. Шершнев и др.).

Результаты применения математического моделирования в медико-биологических исследованиях и их информационно-программная поддержка свидетельствуют о существенном вкладе технических дисциплин в эффективность работы врачей, и особенно - исследователей с объектами высокой сложности.

Диссертация выполнена в рамках социального заказа от медицинских учреждений научно-практического типа на выполнение работ по моделированию и реализации систем информационно-программной поддержки медицинской деятельности в соответствии с программами министерства здравоохранения Свердловской области (тема №1150-пп «Развитие здравоохранения Свердловской области на 2007 - 2015 гг.» от 29.12.2006 г.), кафедры вы-

числительной техники УрФУ (тема № 3775 «Системная, информационная и компьютерная поддержка нечетких технологий»), грантами правительства Свердловской области (государственный контракт № 7-8/07 от 07.05 2007 г. «Разработка модели медико-социальной профилактики тяжелых нарушений зрительного анализатора у недоношенных детей»), ГБУЗ СО ДКБВЛ Научно-практического центра «Бонум» (договор № 694 от 13.12.2007 «Разработка пакета средств информационно-методической поддержки прогнозирования риска развития ретинопатии у недоношенных детей»).

Объект исследования - модели, методы и программы для развития МИСПРН.

Предмет исследования - развитие моделей, методов и программ МИС

ПРН.

Глобальная цель работы - развитая медицинская информационная система оперативного прогноза тяжелых степеней ретинопатии с выделением промежуточных.

Локальные цели:

- получение нового знания в виде пакета моделей,

- применение пакета моделей для компьютерного решения в виде комплекса программ и его практического использования.

Основные задачи работы

1. Анализ состояния проблематики развития МИС ПРН (литературно-аналитический обзор с выходом на пакет прототипов медицинской информационной системы прогноза и ее подсистем) и определение модернизируемых и дополнительно вводимых ее подсистем и блоков.

2. Создание пакета полу формализованных (концептуальных, системных, структурных, алгоритмических) и математических моделей, необходимых для проектирования нового качества МИС ПРН и последующего программирования.

3. Развитие алгоритмов и методов дискриминаитного анализа для «тонкого» разделения факторов с последующей идентификацией тяжелых (между 4 и 5) степеней патологии.

4. Разработка программного обеспечения для развитой МИС ПРН.

5. Инженерная реализация развитой МИС ПРН, ее испытание и внедрение.

Научная новизна

1. Дан анализ факторов, показавший, что

- исходный список факторов, используемых медицинскими специалистами для оценки риска возникновения РН, из порядка 100 наименований, может быть редуцирован методами статистики на порядок до списка информативных; при этом выявленные факторы разделены с помощью дискримин-татного анализа на 3 ранга: 4 сильно влияющих и по 3 средне- и слабо влияющих фактора;

- нецелесообразно использование лишь одного из факторов «масса» или «возраст», более информативна совместная массо-возрастная характеристика; применением математической комбинации кластерного анализа и двойной нормировки на плоскости состояний объекта впервые выделены три новых массо-возрастных группы;

- для дитохомического (да/нет) прогнозирования наличия или отсутствия РН достаточно учитывать сильно влияющие факторы; для легкой, средней и тяжелой - средне влияющие факторы, а для «тонкого» прогнозирования (между 1 и 2, а также между 4 и 5 степенями) - мало влияющие факторы.

2. Развиты алгоритмы:

- разрешения «пограничных» ситуаций (нахождение объекта в пересечении облаков классов) и получения однозначного ответа, отличающиеся математическими приемами использования операционных характеристик -чувствительности и специфичности, а именно - вычислением рейтинга и антирейтинга решающих правил;

- - применения адаптированного дискриминантного анализа, отличающегося использованием условных (массо-возрастных) классификаций, малоинформативных признаков и разрешенных «пограничных» ситуаций, что позволило перейти от выделения 3-х степеней тяжести к их более «тонкому» разделению на 5 основных, методом идентификации с помощью предложенных продукционных правил;

- математического описания динамики готовности прогноза для прото-типных и предлагаемого решений, отличающейся вводом в сигмоидное уравнение настраиваемых параметров времени реагирования и точности оценок.

3. Развиты структура и алгоритмы функционирования МИС ПРН, для

чего:

- создан (методом критериальных взвешенных оценок аналогов с последующей процедурой отбора) трехранговый пакет научных и корпоративных прототипов, позволивший выявить недостатки системы, ее подсистем и блоков и сгенерировать гипотезы о парирующих эти недостатки новых технических решениях;

- предложен пакет полуформализованных моделей (концептуальных, системных, структурных, алгоритмических) основных объектов исследования, отличающийся строгим синтаксисом и интерпретируемой семантикой, связанной с настройкой на особенности пациента, патологии и деятельности медицинских специалистов;

- получен (из вербальных описаний опыта врачей методами контент-анализа) пакет иерархических кортежных моделей формализованного отражения логики решения основной задачи через вспомогательные и частные.

4. Новые технические решения по теме диссертации защищены:

- патентами на изобретения № 2007144799/14(049084) от 03.12.2007 и № 2011108890/14(012810) от 09.03.2011;

- свидетельствами об официальной регистрации программ для ЭВМ «Система поддержки прогнозирования степени риска развития ретинопатии

недоношенных «ОипКГС»: №2008610460 от 24.01.2008 и № 2009615071 от 16.09.2009.

Практическая значимость работы

Развитая МИС ПРН может применяться в медицинских учреждениях соответствующего профиля. Она прошла испытания и передана в ОДКБ №1 и в НПЦ «Бонум» г. Екатеринбург (имеются акты внедрения).

Модели, методы и программы используются в учебном процессе по направлению «Информационные системы и технологии в медицине» на кафедре вычислительной техники ФГАОУ ВПО УрФУ, а также - на кафедре педиатрии ФПК и ПП ГОУ ВПО УрГМА Росздрава, г. Екатеринбург (имеются акты внедрения).

Методы исследования

В ходе решения задач исследования использовали методы системотехники и системологии, математического моделирования, многомерного анализа данных, теории распознавания образов, статистического анализа, экспертных оценок, опроса и обработки экспертных данных, вычислительного эксперимента, объектно-ориентированного программирования.

Положения, выносимые на защиту:

1. Созданный пакет научных и корпоративных прототипов МИС ПРН, обладающих структурно - функциональной и параметрической неполнотой, может быть надежной основой для сравнения с требованиями к задаче и необходимого развития ее структуры и алгоритмов функционирования в части модификации четырех прототипных подсистем (выявления специфики и объединения данных, прогноза профильными специалистами, оценки прогноза, прогноза профильными специалистами при поддержке медицинской инженерии) и введения новой - прогноза «тонких» степеней, а также их блоков.

2. Кортежно-иерархически представленная логика решения нечеткой по исходной постановке задачи развития МИС ПРН, а также полуформализованные (концептуальные, системные, структурные, алгоритмические и пр.) и математические (интеграции разнородных данных, редукции списка факто-

ров, оперативного (к 14 дням после рождения) прогнозирования «тонких» степеней тяжести заболевания и др.) модели обеспечивают подтверждение прогноза в 93% случаев против (35-88%) «да/нет» и «легкого/среднего/тяжелого» неоперативного (к 70-80 дню) прогнозирования в прототипах, а также оценку динамики готовности прогнозов.

3. Численные методы дискриминантного анализа, адаптированные и развитые под специфику задач за счет сочетания условных (массо-возрастных) классификаций, учета малоинформативных признаков и разрешения «пограничных» ситуаций в составе способов прогноза, защищенных патентами на изобретения, могут быть основой для корректной обработки данных при компьютерной реализации.

4. Разработанное программное обеспечение МИС ПРН, на которые получены свидетельства о регистрации, может быть успешно внедрено в медицинскую практику и учебный процесс.

Личный вклад автора. Разработка программного обеспечения по сбору и структуризации данных; алгоритма интеграции разрозненной информации и соответствующего программного обеспечения; формализованной карты учета, статистическая обработки данных по выявлению информационно ценных признаков, разработаны математические модели для прогноза степени риска развития РН до 14 дней жизни, с возможностью выделения «тонких» (между 4 и 5) тяжелых степеней в составе МИС ПРН, а также организация и участие в испытаниях и внедрении.

Реализация и апробация работы. Результаты диссертационного исследования докладывались и обсуждались на Международной научной конференции «Информационно - математические технологии в экономике, технике и образовании» (Екатеринбург, 2007, 2008, 2009), 1-ом международном научно-практическом симпозиуме «Современные наукоемкие технологии: теория, эксперимент и практические результаты» (Хургада, Египет, 2007), 1У-й Международной научно-практической конференции «Исследование, разработка и применение высоких технологий в промышленности» (Санкт-

Петербург, 2007), II общероссийской научной конференции с международным участием «Инновационные медицинские технологии» (Москва, 2010), П-ой Межрегиональной конференции «Актуальные вопросы детской офтальмологии и ретинопатии недоношенных» (Екатеринбург, 2007), VI съезде РАСПМ и Ш-ем Конгрессе специалистов перинатальной медицины (Москва, 2008), заседаниях ученого совета НПЦ «Бонум» (2007, 2008, 2010), научных семинарах кафедры вычислительной техники УрФУ (2010-2012г.г.).

Публикации. Основное содержание диссертации представлено в 26 публикациях, из них 4 - в журналах из списка ВАК, 7 единиц интеллектуальной собственности.

Объем и структура работы. Диссертация состоит из введения, 5 глав, заключения, с