автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.09, диссертация на тему:Разработка автоматизированной поликлинической системы диагностики пульмонологических заболеваний

МИНИСТЕРСТВО ОБЩЕГО И ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ РОССИЙСКОЙ ФЕДЕРАЦИИ

г КУРСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ

' на правах рукописи

<С л, г—-™,, \ .....

РАЗРАБОТКА АВТОМАТИЗИРОВАННОЙ ПОЛИКЛИНИЧЕСКОЙ СИСТЕМЫ

ДИАГНОСТИКИ ПУЛЬМОНОЛОГИЧЕСКИХ ЗАБОЛЕВАНИЙ

Специальность 05.13.09 - Управление в биологических и медицинских системах

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Курск-1998

Работа выполнена в Курском государственном техническс верситете.

Научный руководитель: доктор технических наук,профессор Коренеьсга

Официальные оппоненты: доктор технических наук,

ведущей научный сотрудник Бурмака А.

кандидат медицинских наук Булгакова

Ведущая организация: Воронежский государственный технический университет

Защита диссертации состоится 1998 года

в 44 часов на заседании специализированного Совета Д 054 Курского государственного технического университета по ад£ 305040,г.Курск,ул.50 лет Октября,94

С диссертацией можно ознакомиться в библиотеке униЕер

Автореферат разослан 1998 г.

Ученый секретарь специализированного Совета, какдитат технических наук,доцент

Довгш

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы. Среди всего разнообразия задач, возникающих перед практическими врачами, достаточно остро стоит вопрос о качественной и своевременной диагностике пульмонологических заболеваний поскольку по критериям распространенности и инвалидизации оно занимает одно из ведущих мест (Устимов А.Г., Пятакович Ф.А.Амосов Н.М., Попов A.A., Щепипа П.и др.).

В настоящее время в стране и за рубежом накоплен большой опыт применения средств вычислительной техники и математических методов в медико-биологических исследованиях.

Работами Попова Э.В., Самсонова В.В., Попечителева Е.П., Устинова А.Г., Д. Уотермана, JI. Шортлифа, Р. Девитса и др. было показано, что при решении сложных задач автоматизированной диагностики заболеваний хороших результатов удается достичь при использовании интерактивных систем, когда в контуре диагностики и управления активно функционирует лицо, принимающее решение (ЛПР), обладающее соответствующим запасом знаний, умений и навыков в медицинской предметной области.

Известно достаточно большое количество автоматизированных диагностических систем решающих различные задачи диагностики.

Например, система МОДИС предназначена для анализа гипертонии, система КОНСУЛЬТАНТ-2 - для диагностики острых заболеваний брюшной полости, ЛЕДИ-2 - для выявления заболеваний терапевтического профиля и т.д.

В настоящее время появилась целая серия медицинских достаточно универсальных экспертных оболочек типа INTERNIST, ТАИС, ENMYCIN и др.

При этом следует иметь в виду, что как специализированные системы так и универсальные оболочки требуют приведения решающих правил к стандартному виду, например, правилу продукций, фреймам и т.д., и для каждой предметной области необходимо осуществить поиск решающих правил, что составляет основную работу при построении соответствующих экспертных систем.

Анализ условий, в которых должна функционировать автоматизированная поликлиническая система диагностики пульмонологических заболеваний ( ограничения на время принятия решений, неоднородность структуры классов, разнотипность представления признаков и классов, неопределенность в представлении данных и диагностических заключениях), позволил сделать вывод о том, что существующие системы в полной мере не обес-

печивают выполнение этих требований.

Поэтому разработка автоматизированных систем , работающих в условиях перечисленных выше ограничений, представляется проблемой своевременной и актуальной.

Целыо работы является улучшение качества принятия решений в диагностическом процессе поликлиническим врачом при диагностике пульмонологических заболеваний посредством разработки основных элементов автоматизированной системы поддержки принятия диагностических решений, работающей в условиях ограниченного объема информации и с учетом особенностей в структурах диагностируемых классов.

Для реализации поставленной цели в работе решаются следующие задачи:

- разработка методики формирования знаний для информационно-логической модели системы поддержки принятия решений врачом-пульмонологом;

- определение списка нозологий для поликлинической системы поддержки принятия решений на этапе диагностики пульмонологических заболеваний в условиях ограничений на степень уверенности в диагнозе и время принятия решений;

- разработка методов синтеза нечетких логических решающих правил на основе обучающих таблиц и эталонных представлений классов;

- синтез решающих правил для автоматизированной диагностики пульмонологических заболеваний в условиях поликлиники;

- проведение экспертной проверки разработанной системы в условиях модельного эксперимента и реальных условиях.

Методы исследования.

В работе использованы методы теории распознавания образов, прикладной статистики, моделирования, теории нечетких множеств, методология проектирования экспертных систем.

Научная новизна.

Разработана оригинальная методика приобретения знаний для информационно-логической модели системы поддержки принятия решений врачом-диагностом для типовых лечебно-профилактических учреждений.

Решена задача определения объема и структуры базы знаний для автоматизированной системы поддержки принятия решений по диагностике пульмонологических заболеваний с использованием критериев минимума времени на диагностику и реакции системы и максимума достоверности принимаемых решений.

Разработаны методы синтеза нечетких логических решающих правил на основе обучающих таблиц и эталонных представлений классов.

Предложены новые математические модели классификации для задач определения локализации патологического процесса дыхательной системы, диагностики степени тяжести бронхиальном • йрст|мы, дифференциальной диагностики астматического статуса и дифференциальной диагностики рака легкого.

Практическая ценность.

Разработанные методы и математическое обеспечение для ПЭВМ позволяют повысить достоверность принимаемых решений при диагностике пульмонологических заболеваний б условиях поликлиники, и как следствие, повысить качество оказания медицинской помощи рассматриваемому контингенту больных.

Реализация.

Разработанные методы и соответствующее обеспечение переданы в опытную эксплуатацию в шестую больницу города Курска, внедрены в учебном процессе Курского государственного технического университета, в Кемеровской областной больнице, в гастроэнтерологической клинике Пятигорского НИЛ Курортологии и физиотерапии(г.Железноводск), в санатории «Дубовая ро-ща»(г.Железноводск).

Апробация.

Результаты работы докладывались и обсуждались на Всероссийском совещании-семинаре «Математическое обеспечение информационных технологий в технике, медицине и образовании» (г.Воронеж 1997), на выездной сессии международной академии информатизации (г.Курск 1996), на международной конференции «Материалы и упрочняющие технологии» (г. Курск 1997 г.), на международной конференции «Распознавание - 97» (г. Курск 1997 г.), на научно-технических конференциях различного уровня в Курском государственном техническом университете и институте экологии г. Курска (1996-97 гг.).

Публикации.

Самостоятельно и в соавторстве опубликовано 7 печатных работ.

Структура и объем работы. Диссертация состоит из введения, трех глав, заключения и списка литературы, включающего 91 наименование. Основная часть работы изложена на 124 страницах машинописного текста, иллюстрирована 15 рисунками.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность работы, определяются цели и задачи исследования, кратко излагается содержание глав диссертации.

В п.1.1 на основании анализа литературных данных делается вывод, что для решения сложных диагностических задач, при разнородной структуре классов в условиях неопределенности, лучше всего подходят интерактивные (экпертные) диагностические системы, опирающиеся на теоретические основы медицинских экспертных систем. Сохраняют свое значение и алгоритмы, основанные на теории распознавания образов. Обычно эти подходы не конкурируют между собой и там, где это возможно, используются параллельно, дополняя друг друга при решении конкретных задач.

В п. 1.2 анализируются основные особенности работы автоматизированных систем, работающих в условиях поликлиники и определяются основные задачи исследования.

Вторая глава посвящена разработке моделей принятия решений для поликлинической диагностики пульмонологических заболеваний.

В п.2.1 рассматривается методология формализованного приобретения знаний для информационно- логической модели системы поддержки принятия решений врачом пульмонологом.

Приобретение знаний является одним из важнейших этапов в проектировании систем поддержки принятия решений для любой конфетной предметной области, от которой во многом зависит качество их работы. В предлагаемой работе приобретение знаний ориентировано на диагноз применительно к проблемно-ориентированной сетевой модели базы знаний, целесообразность использования которой в поликлинических автоматизированных системах была обоснована в ряде работ (Устинов А.Г., Кореневский H.A., (1995), Позднякова О.И., Савенкова И.В. (1997)).

На первом этапе процедуры приобретения знаний специалистам пульмонологам предлагается составить список нозологий и их расширений (диагнозов)- w. (j-номер диагноза), относящихся к кругу «служебных обязанностей» специалиста, работу которого поддерживает проектируемое автоматизированное рабочее место. Полученный список разбивается на группы по органам и системам (функциям) организма, причем нозологии (диагнозы) имеющие сходные признаковые описания (симптомы и (или) симп-томокомплсксы) группируются в отдельные подблоки.

Для каждой из нозологий (диагнозов) составляется список основных и сопутствующих признаков, которые, по мнению эк-

спертов, могут с достаточной уверенностью (достоверностью) обеспечить решение искомых диагностических задач.Из полученного перечня исключаются повторяющиеся признаки и (или) диапазоны их совпадающих значений. Для признаков, представляемых лингвистическими переменными исключаются тсрм-множс-ства с одинаковыми значениями (совпадающими функциями принадлежности). Признаки группируются по времени и способу их получения.

Составляется таблица, в которой по строкам определяются имена сгруппированных признаков и, если необходимо для разделения нозологии, значения их градаций, диапазоны изменения, имена терм-множеств лингвистических переменных и т.д.

По столбцам таблицы определяются имена сгруппированных нозологии (диагнозов).

Элементами таблицы служит система коэффициентов, позволяющая производить расчеты показателей, характеризующих уверенность в постановке диагноза на каждом диагностическом шаге, и решать задачи определения качества диагностического этапа.

Каждый из признаков, независимо от нозологий, характеризуется следующим набором показателей:

- С, - стоимость измерения ¡-го признака, выраженная в денежных единицах ; Т.-трудоемкость получения ¡-го признака; г, -время получения искомых значений ¡-го признака; К„ -инструментальная уверенность в заданной точности результатов измерения значений ¡-го признака; Кг. - субъективная уверенность в заданной точности оценки ¡-го признака врачом-экспертом; К,. -уверенность в заданной точности измерения ¡-го признака средствами других ЛПУ (других специалистов).

Для каждой нозологии V/. и по каждому признаку вводится следующая система коэффициентов: - вклад ¡-го признака в коэффициент уверенности при определении .¡-ой нозологии; К5.. -необходимость снятия ¡-го признака для подтверждения .¡-ой нозологии; К6„ - вклад ¡-го признака в решение о необходимость перехода к другой диагностической гипотезе.

С целью приведения вводимой системы коэффициентов к единой шкале измерений они нормируются в интервале [0, 1] или выражаются через функции принадлежностей /(А(х).

При решении вопроса о необходимости получения значений ¡~ го признака для подтверждения (опровержения) проверяемой диагностической гипотезы используются либо показатели К4.. и К5~ либо комплексный показатель вида:

1РГ1/4[-«пС + а2Х- а3г,+ а4,К„ + а5„К4(|+ а^],

ati, ah, a3i, a4., a5jj. и a6ij - весовые коэффициенты соответствующих составляющих, определяемые экспертами в диапазоне [0-1] по их «вкладу» в величину IP .

Для оценки качества работы врача на этапе диагностики, вво- • дится система штрафов, которая учитывается при отступлении от заданной технологии диагностического процесса, если в результате осуществлен выход на ложную нозологию (диагноз).

K7ij- штраф за неиспользование i-ro признака для подтверждения j-ой нозологии; K°8i. - штраф за неиспользование i-ro признака с цслыо исключения j-ой нозологии в пользу 0-ой нозологии; К9.. - штраф за просрочку времени получения признака по вине врача; K10ij - штраф за нарушение технологии проведения диагностической процедуры.

Для каждой нозологии (диагноза) эксперты задают коэффициент уверенности Кд, который требуется достичь при реализации диагностического процесса. Допускается задание требуемой достоверности или вероятности правильной постановки диагноза, которые с некоторыми допущениями могут интерпретироваться совместно (и аналогично) с Кд.

Нарушение технологии проведения диагностического процесса сопровождается расчетом величины функции качества работы врача на диагностическом этапе - FKd, которая в свою очередь может быть связана с соответствующими экономическими показателями. Расчет FKd основан на том, что для каждого решающего модуля PMst сетевой модели базы знаний для j-ой нозологии известна величина потерь P'st (определяемая экспертами на этапе построения системы), которая может трактоваться как «штраф» от неиспользования модуля PMst на этапе диагностического процесса, когда на каком либо из этапов ведения больного устанавливается, что вместо диагноза j врачом выставлен ошибочный диагноз.Здесь индексы st-коордииаты РМ в сетевой модели. Расчет FKd осуществляется по формуле:

FKd = 22 Pst.

s t

Учитывая, что ошибочный диагноз может быть выставлен не только за счет игнорирования решающих модулей, но и за счет того, что технология диагностического процесса может быть нарушена на этапе работы с PMst, введено понятие интегрального признакового штрафа Flld, рассчитываемого по формуле: ю

FHd = 2/?ki Kkij,

k=7

где j8kj -весовые коэффициенты составляющих штрафов,

«водимые экспертами па этапе обучения системы.

Расчетные значения^ и Кка для «наихудшего» случае по каждому решающему модулю служат основой для выбора соответствующих величии Р^.

Вводимые коэффициенты наряду с соответствующими коэффициентами уверенности и функциями принадлежностей используются в дальнейшем при построении решающих диагностических правил, реализуемых соответствующими решающими модулями.

В п.2.2. производится формирование списка задач для поликлинической системы поддержки принятия решений на этапе диагностики пульмонологических заболеваний. Этот список определяется тремя группами экспертов по специально-разработанной методике. В базовую модель было включено тринадцать задач, из них пять задач потребовали своего нового решения.

Причем, как показали результаты моделирования, для задач с четким и нечетким логическим выводом появилась необходимость в разработке специальных методологических приемов, позволяющих учитывать ряд специальных показателей, используемых в медицинской практике, и том числе показателей, характеризующих качество работы лица, принимающего решение. Кроме того, для задач эффективно решаемых с использованием методов эталонных описаний классов, потребовалась разработка правил перехода к нечеткому описанию механизма разделения многомерных областей, имеющих первоначальное детерминированное описание замкнутыми гиперобластями.

В п.2.3 рассматриваются вопросы синтеза решающих .правил по решающим обучающим таблицам, методология получения которых предложена в п.2.1.

Алгоритм синтеза логических решающих правил с блок-схс-мой, представленной на рис.1, состоит из следующих этапов.

1. Для всех заданных нозолий и полученного списка признаков определяются элементарные логические выражения- Х'.., из которых синтезируются правила логического вывода. В записи приняты следующие обозначения: 1=1, ..., N - помер информативного признака, j=l, ..., Ь - помер диагноза (нозологии); р=1, ..., Р - номер элементарной коиыонкции (группы признаков, объединенных по И достаточных для диагностического вывода) (блок 1 алгоритма).

2. Из заданного списка нозологии 0 ~ 1. Ь) выбирается стартовая нозология относительно которой начинается синтез решающего правила. Для этой нозологии экспертами создается первая элементарная конъюнкция (объединение по И; (блок 2).

3.Из выбранных элементарных логических выражений записы-

вается элементарная коныонкция вида

А',= иг'„„

ч

где р - элементарная конъюнкция логических выражений, объединяющая по И необходимые и достаточные признаковые условия для отнесения объекта к классу XV,, q = 1,..., С^, - номер признакового условия Ту Для полученной коныонкции (логического выражения) записывается элемент правила логического вывода для нозологии XV, вида ЕСЛИ А", ТО \У, (блок 3).

4. Формируются решающие правила, причем при использовании правил с нечетким 15Ыводом вначале определяется уверенность ирч1 в принятии решения по классу XV, (Ы1'^ = Р,(К, , К2ч, К4,, К5,)) и затем осуществляется синтез элементарного решающего правила по группе признаков, используемых в пункте 3 описания алгоритма в соответствии с выражением = т!п{иг,} (блоки 47).

5. Для нозологии V/, определяются альтернативные группы признаков и их элементарные логические выражения, которые могут быть получены другими способами и для них через связку И осуществляется синтез элементов логического вывода А', или 11'', так, как это изложено в пунктах 3 и 4 до тех пор, пока не будут получены все элементарные правила (блоки 8, 9).

6. Относительно нозологии XV, определяется список нозологии \Ук, которые имеют сходные признаковые описания, но существуют некоторые дополнительные элементарные логические выражения при наличии которых следует сменить диагностическую гипотезу (блокЮ). По этим выражениям синтезируется функция С=Р2(Вр К6) такая, что ЕСЛИ С то \Ук. Далее для проверки гипотез о нозологии \Ук аналогично тому, как это рассмотрено и пунктах 3-5, строится система решающих правил, которая затем «работает» вместе с правилами о смене гипотез по принципу: принимать ту нозологию, уверенность в которой выше (блоки 20, 21, 22).

7. Для текущей нозологии \У,, записывается общее правило, в котором все альтернативные решения объединяются связкой ИЛИ-В,= ИЛИ А1', (блок П).

8. Синтезируются правила логического вывода с расчетом коэффициентов уверенности по формуле Б, = тах{Яг,} (блоки 12, 15).

9. Если силами данного ЛПУ не достигается заданного качества диагностики определяется круг других ЛПУ, где потенциально достижима более высокая уверенность в принятии решений, за счет более высоких значений величин К 31 и для них синтезируют-

ся решающие правила аналогично методики рассмотренной выше (блок17).

10. После просмотра списка всех нозологии для которых удаётся построить логические решающие правила через связки И-ИЛИ они объединяются в единую систему принятия решений (блок 24).

В п.2.4. рассматриваются вопросы синтеза решающих правил с нечетким выводом при использовании в качестве разделяющих поверхностей замкнутых эталонных гиперобъемов типа:

И 4(aik<Xi</y (1),

i

где©£к и Дк - нижняя и верхняя границы класса а>к по признаку х.;

п

Р°>Ъ =s 2 |Дкх - «J (2),

¡=1

где рсок - показатель, отражающий размеры гиперобъет для класса сок, аж- координаты центра гиперобъема, ß - масштабный коэффициент по координате х.;

ро)<, a.J2 (3),

i=i

где aik - координаты центра гиперсферы,ршк - ее радиус в классе

<ov

Переход от детерминистской классификации к нечеткому описанию границ разделения для эталонов (1-3) будем осуществлять через системы функций принадлежностей /¿rk(Y), с носителем по шкале Y отражающим положение исследуемого объекта относительно центра или границ соответствующих эталонов (классов). Здесь г ^ к - номера разделяемых классов и (или) эталонов.

Для выражения (1) функция принадлежности записывается для каждого эталона (класса) с носителем по каждому признаку х,- /1\(х). При построении функций принадлежностей формируется ряд признаков, «близких» к граничному состоянию и, выбирая для этих объектов соответствующие величины X., строятся соответствующие функции принадлежностей относительно границ а.1к, ß.k. Уверенность Кк в принятии решения принадлежности объекта только классу а>к определяется выражением Kt = min (ми(х.)}. В случае ненулевых величин /<ь1(х,) по всем координатам по несколь-

ким классам предпочтение отдается классу с максимальным значением Кк. Если один и тот же класс характеризуется несколькими эталонами типа (1), то Кк определяется выражением Кк = шах[ш1п{/<к1(х1)}].

При использовании в качестве замыкающих гиперобъемов гиперкубов или гиперсфер типа (2) и (3), каждый из классов сок может быть представлен матрицей вида.

pk, ткп тК.

Л, -

р\ m\lm\1... т\г

">к тк, ... т"

!q Zq nq

рк nr

'р\М\

pk2Mk2

pkMk ' q q

к

(1)

где Мкч - вектор координат центра гиперобъема класса к с номером q.p''q-paдиyc гиперсферы или размер гиперкуба эталона q класса к.

Функцию принадлежностей здесь будем определять расстоянием от центров эталонов до искомого объекта -1кгчр, где к, г - номера классов, а ц и р - номера их эталонов.

Для получения функций принадлежностей вначале определяется список пар классов и их эталонов относительно которых целесообразно построение функций принадлежностей.

При использовании, например, гиперсфер близость эталонов может быть оценена по формуле:

(шк. -П1г. )2

х iq ip'

(Р\+Р\) .

¡=1

В качестве практической рекомендации по выбору эталонов противоположных пар классов, относительно которых целесообразно построение функций принадлежностей можно предложить условия выполнения неравенства.

1»>'м< тах\р\,р'р].

Это неравенство вытекает из предположения о том, что практически важная информация может содержаться в объектах, попадающих за пределы гиперсферы на величину ее двойного радиуса.' .

Для выбранных пар шперобъемов противоположных классов а>к и строки матрицы (4) модифицируются путем записи в них соответствующих обозначений функций принадлежностей /t м и

í'ñ* (матрица (5)).

Pk,Mk,

pk2Mk2

=>

pk Mk г q q

i 1 1,1 II 111 21 •• " ni

дк mk mk nik

/ I 111 12 " 22 n2

й" nr

' ч

, m\ ... nr

Iq 2q i

(5)

Фактические выражения для функций принадлежностей могут быть получены либо путем генерации объектов класса а>к выбранного эталона близко к противоположным эталонам класса а>г программными средствами либо на основании мнения квалифицированных экспертов.

После получения фактического выражения для функций принадлежностей определение уверенности в отношении объекта к тому или ному классу определяется следующим образом.

Если объект попадает в один из эталонов матрицы 4, для пего рассчитываются величины соответствующих значений функций принадлежностей по матрице 5 с предъявлением их пользователю.

Если объект не попадает ни в один из эталонов, производится расчет расстояний от него до эталонов всех классов и всех строк всех матриц определяются величины всех функций принадлежностей. Пользователю выдается список тех значений, которые считаются значимыми (значения выше некоторого порога, выбранного экспертами на этапе обучения системы).

Окончательная уверенность в описании объекта к классу ®к определяется выражением Kt = max[min{/íkr (Y)}].

В главе 3 рассматриваются вопросы синтеза решающих правил для принятия диагностических решений по выделенному экспертами классу диагностических задач.

Для синтеза решающих правил и оценки их применимости в практической работе была сформирована группа из десяти высококвалифицированных экспертов в составе трех докторов медицинских наук, одного главного врача, трех начальников медицинских служб, трех практических врачей-пульмонологов высшей квалификации.

Для решения задачи определения локализации патологического процесса дыхательной системы было синтезировано 65 логических решающих правил типа ЕСЛИ ATO В с логическими связями И-ИЛИ, где А - логическое условие, В - диагностическое заключение и (или) метка перехода.

Результатом работ решающих правил являются рекомендации по переходу к уточняющей диагностике по дыхательной системе или переход на диагностику других систем. Для расчета вероятности развития хронического бронхита были определены «весовые . коэффициенты» признаков, участвующих в диагностике. По сумме полученных коэффициентов, определена следующая логика принятия решения:

ЕСЛИ Y < 1, то Р = 2,9%

ЕСЛИ 1 < Y < 10, то Р = 10, 7%

ЕСЛИ 10 < Y < 19, то Р = 27%4

ЕСЛИ Y > 19, то Р= 34, 4%,

36

где Y=ZK(N),

N=1

K(N) - весовой коэффициент признака с номером N, Р -оценка вероятности развития хронического бронхита.

Логическое решающее правило для диагностики степени тяжести бронхиальной астмы было получено с использованием методов разработанных в разделе 2.3 и содержит 5 правил типа ЕСЛИ А ТО В и позволяет выделять классы: легкая степень удушья; средняя степень удушья; тяжелая степень удушья с нечетким представлением классов в виде двух выводов: вероятный диагноз, достоверный диагноз.

Дополнительно к этому правилу на основе метода регрессионного множественного анализа было получено выражение для для клинического индекса тяжести вида:

9 37

пк=о.о5[2!х(0 + 2x(i) + х12].

i=l ¡=19

Для решения задачи дифференциальной диагностики астматического статуса по результатам анализа медицинских карт амбулаторных больных с достоверно установленной тяжестью протекания заболевания по класеам:первая, вторая и третья степени тяжести и с нечеткой переменной, характеризующей уверенность в неблагоприятном исходе лечения бронхита по обучающему архиву в 45 объектов па каждый класс была получена разделяющая поверхность типа 19

y=2x.

1

¡=1

и далее, синтезированы разделяющие функции принадлежностей /г,(У), /<2(У) и ,Д3(У) для отделения 3-х степеней тяжести

заболевания:

/'.(У) =

1, для У < 4.5

1-2(У-4.5)2/4, для 4.5 <У <5.5 2(У-6.5)2/4, для 5.5 < У < 6.5

о, для у > 6.5;

/<3(У)

/Ч(У) =

1, для У > 12

1-2(У-12)2/4, для 11 < У <12 2(У-10)2/4, для 10 < У < II

0, для У<10 ;

1-/<,(У), ДЛЯ У < 6.5

1, для 6.5 < У < 10 \-Мъ(У), Для У>10 •

Для класса «уверенность в неблагоприятном исходе течения заболевания получено выражение вида:

1, для У > 13

1-2(У-13)2/64, для 9 < У < 13 2(У-5)2/б4, для 5 < У < 9 0, для У < 5 .

Обучение диагностике рака легкого также как и дифференциальной диагностике астматического статуса осуществлялось по обучающей выборке, составленной по соответствующим историям болезней. Выделяется три класса: центральный рак легкого,

хроническая пневмония и отказ в диагностике. Предварительный акглиз структуры исходных данных выявил возможность использования линейной разделяющей поверхности с теоретической вероятностью не хуже 0.9 при объеме обучающей выборки - 40 объектов на каждый класс.

В результате обучения было получено следующее выражение для разделяющей поверхности.

У=0.5Х,+1,8Х2+1 ,ЗХ4+0.6Х6-1.6Х3-0.5Х5+2.5Х,+3.7Х8+0.4Х9+ + 0.4Х10+0.3Х11-2.2Х|2- 1.2Х13-0.2Х14+0.3Х|5+0.07Х|6+1.6Х17 -0.7Х18-0.4Х,9-1.1 Х2О-0.6Х21-1. 1Х22-1.7Х23-0.8Х24+0.6Х25 -1,5Х26-0.5Х27-О.5Х28-Х29-0.8Х30+О.8Х31+0.5Х38+0.3Х33 -2,ЗХ34-5.1Х35+1.4Х36, с правилом классификации типа: ЕСЛИ У<3

ТО «ДИАГНОЗ ЦЕНТРАЛЬНОГО РАКА ЛЕГКОГО» ЕСЛИ У>6

ТО «ХРОНИЧЕСКАЯ ПНЕВМОНИЯ» ИНАЧЕ - ОТКАЗ В ОТВЕТЕ

Оценка вероятности правильности заключения на обучающей и контрольной выборках (50 объектов на каждый класс) не хуже 0.9 (по количеству ошибок на 50 человек обучающей выборки и на 50 человек контрольной выборки).Чувствительность правила -не хуже 0.85, специфичность - не хуже 0.9.

Для этих же разделяющих границ были синтезированы функции принадлежностей , определяющие соответствующие коэффициенты уверенности.

/*,(У) =

,«г(у) =

1, для У < 1 1-2(У-1)/9, для 1 < У <3 2(У-4)/9, для 3 < У < 4 О, для У>4)

Г 1-^,(У), для У < 4 1, для 4 < У < 5 1-/*3(У), для У >5,

1, для У > 7

1-2(У-7)/4, для б < У < 7 2(У-5)/4, для 5 < У < 6 О, для У<5 ,

где /<,(У) - уверенность в диагнозе «центральный рак легкого», /¿2(У) - отказ в ответе, /<3(У) - уверенность в диагнозе «пневмония».

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

Предлагаемая работа посвящена решению научных и практических проблем, связанных с разработкой автоматизированной системы поддержки принятия решений для задач диагностики дыхательной системы в условиях поликлиники.

1. Разработана методика приобретения знаний, позволяющая на формальном уровне сформировать систему признаков по заданным нозологиям и производить синтез нечетких логических решающих правил с расчетом уверенности в принимаемых решениях и с возможностью оценки качества деятельности врача, находящегося в контакте с системой поддержки принятия решений. Предложенный подход к приобретению знаний может быть положен в основу создания локальных автоматизированных рабочих мест врачей-специалистов и глобальной автоматизированной сети медицинских учреждений.

2. Проведена оптимизация списка нозологий для поликлинической системы поддержки принятия решений на этапе диагностики пульмонологических заболеваний в условиях ограничений на время принятия решений и качество постановки диагноза, что позволяет снять ограничения на практическую применимость экспертных систем в поликлинических условиях.

3. Разработаны методы синтеза нечетких решающих правил с логическим выводом по таблице принятия решений и на основе метода эталонов, что позволяет системе работать в условиях неопределенности, характерных для реальных диагностических процессов в условиях поликлиники.

4. Разработанные методы и программные средства прошли экспериментальную проверку в ряде поликлиник Санкт-Петербурга, Курска, Кемерово и Железноводска. Опытная эксплуатация показала их высокую диагностическую надежность, давая в руки пользователя высококвалифицированного электронного советчи-

ка, позволяющего поднять па новый уровень качество медицинского обслуживания населения.

5. Теоретические и научно-практические результаты проведенных исследований могут найти широкое применение не только в указанных направлениях, но и при проведении научных исследовании в различных областях медицины, психологии, биологии, эргономики и социологии.

6. На базе разработанных методов проектируется интегрированная интеллектуальная экспертная система для типовых лечебно-профилактических учреждений.

Основные положения диссертации опубликованы в следующих работах:

1. Корженевич И.М. Информационная медицинская система «Пульмонолог»//Материалы V научно-технической конференции с международным участием «Материалы и упрочняющие техно-логни».20.11,97-Курск, 1997.

2. Пятакович Ф.А., Корженевич И.М., Савенков С.Н. Система автоматизированной оценки работы врача на этапе диагностики/ /Межвузовский сборник научных трудов «Высокие технологии в технике, медицине и образовании».-Воронеж, 1997.

3. Устинов А.Г., Савенков С.Н., Корженевич И.М. «Оценка качества работы врача в автоматизированных системах лечебных на-значений»//Межвузовский сборник научных трудов «Высокие технологии в технике, медицине и образовании».-Воронеж, 1997.

4. Устинов А.Г., Савенков С.Н., Корженевич И.М. «Система оценки качества полифункциональной автоматизированной системы/Дворник научных докладов III Международной НТК «Вибрационные машины и технологии».-Курск, 1997.

5. Кореневский H.A., Попечителев Е.П., Корженевич И.М.-Методы классификации двухмерных отображений в задачах медицинской и экологической диагностики//Материалы III Международной конференции «Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации».»Распознавание-97".

6. Кореневский H.A., Тутов Н.Д., Кретушева Т.А., Корженевич И.М. Автоматизированная система диагностики пульмонологических заболеваний//Труды конференции Курского отделения МА-И,Выпуск 3.-Курск, 1997.

7. Кореневский H.A., Тутов Н.Д., Кретушева Т.А., Корженевич И.М. Полифункциональная информационная система обеспечения экологической безопасности//Межвузовский сборник научных трудов.Выпуск 2.-Воронеж, 1997.