автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.09, диссертация на тему:Разработка моделей и алгоритмов диагностики и прогнозирования острых нарушений мозгового кровообращения

На правах рукописи

« к РГб ОД

Бочков Вадим Борисович

1 4 &

РАЗРАБОТКА МОДЕЛЕЙ И АЛГОРИТМОВ ДИАГНОСТИКИ И ПРОГНОЗИРОВАНИЯ ОСТРЫХ НАРУШЕНИЙ МОЗГОВОГО КРОВООБРАЩЕНИЯ

Специальность 05.13.09 - Управление в биологических и

медицинских системах (включая применение вычислительной техники)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата медицинских наук

ВОРОНЕЖ-2000

Работа выполнена на кафедре биомедицинских и информационно-технических аппаратов и систем в Курском государственном техническом университете.

доктор медицинских наук, профессор Устинов А.Г.,

доктор технических наук, профессор Кореневский H.A.

доктор медицинских наук, профессор Плотников В.В.,

доктор медицинских наук, профессор Иванов В.А.

Воронежская государственная медицинская академия.

Защита диссертации состоится 25 февраля 2000 года в 1730 часов в конференц-зале на заседании диссертационного совета Д 063.81.04 при Воронежском государственном техническом университете по адресу: 394026 г Воронеж, Московский проспект, 14.

С диссертацией можно ознакомиться в библиотеке Воронежского государственного технического университета.

Автореферат разослан «_»_2000 г.

Научные руководители:

Официальные оппоненты:

Ведущая организация -

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ.

Актуальность проблемы. Среди огромного разнообразия задач, возникающих перед практическими врачами, достаточно остро стоит вопрос о прогнозировании и диагностике острых нарушений мозгового кровообращения (ОНМК). Это определяется тем, что ОНМК является одним из опаснейших заболеваний, при котором летальность в остром периоде составляет 35 % и увеличивается еще на 12-15 % к концу первого года после инсульта. Поэтому крайне важно быстро поставить диагноз, правильно оценить тяжесть состояния больного и выбрать оптимальный план лечения. Задача осложняется тем, что часто в первые сутки заболевания больные получают медицинскую помощь вне условий специализированных медицинских учреждений врачами общего профиля, не имеющих достаточной подготовки в области диагностики и лечения острой сосудистой патологи головного мозга (Н.С. Мисюк, А.Я. Лупьян, И.П. Антонов и др.).

Существенного улучшения положения дел в исследуемой области, на наш взгляд, можно добиться, используя современные достижения в области вычислительной техники и новых информационных технологий.

Работами Н.С. Мисюка, В.Д. Трошина, Т.А. Фоминой, А.Я. Лупьяна и др. была убедительно доказана возможность успешного использования методов теории распознавания образов для решения задач прогнозирования, ранней и дифференциальной диагностики инсультов.

В большинстве известных систем прогностические и диагностические алгоритмы, применяемые для оценки состояния мозгового кровообращения, используют детерминистские решающие правила с большой величиной зоны отказа от принятия решений. Система информативных признаков содержит большое число субъективных данных, а объективные данные не всегда можно достоверно и оперативно получить. Все это снижает потенциально достижимую точность принятия решений в жизненно-опасных ситуациях, а логика "машинных" заключений часто не совпадает с врачебной логикой.

В связи со сказанным проблемы поиска системы информативных признаков, которые могут быть оперативно получены дешевыми и доступными средствами, повышение достоверности прогноза и диагностических заключений при острой сосудистой патологии головного мозга являются весьма своевременными и актуальными.

Цели и задачи исследования. Целью диссертации является разработка комплекса моделей и алгоритмов диагностики и прогнозирования острых нарушений мозгового кровообращения обеспечивающих повышение

оперативности и достоверности принятия решений на основе методов рефлексодиагностики с нечеткой логикой постановки диагноза.

Для достижения поставленной цели необходимо решить следующие задачи:

обосновать возможность использования информации, снимаемой с рефлексогенных зон с целью получения высокоинформативных признаков для решения задач диагностики и прогнозирования ОНМК;

разработать информационную модель формирования органных проекций на поверхности тела человека;

разработать систему поддержки принятия решений для диагностики и прогнозирования возникновения ОНМК;

разработать алгоритм формирования информативных проекционных зон; разработать механизм формирования решающих правил для решения задач прогноза и диагностики ОНМК с использованием нечеткой логики принятия решений;

сформировать систему информативных признаков для прогнозирования и диагностики ОНМК с учетом информации, снимаемой с проекционных зон;

синтезировать набор решающих правил для диагностики и прогнозирования возникновения ОНМК.

Методы исследования. В работе использовались основы рефлексологии, неврологии, физиологии, элементы теории распознавания, нечеткой логики, методы математико-статистического анализа и моделирования, элементы теории построения алгоритмов и программ.

Научная новизна. Получены следующие результаты, характеризующиеся научной новизной:

информационная модель формирования органных проекций, учитывающая информативно значащие энергетические составляющие проекционных зон, включая составляющую от исследуемых органов;

алгоритм выбора проекционных зон, информативно значимых для выбранного типа заболевания, минимизирующий количество измеряемых параметров, что позволяет упростить и ускорить процедуру принятия решений;

модели принятия решений по прогнозированию и диагностике ОНМК с использованием правил нечеткого вывода, что позволяет исключить из решающих правил зоны отказа от принятия решений и приблизить "машинную" логику к логике работы врачей-диагностов;

решающие правила для диагностики и прогнозирования возникновения ОНМК.

Практическая значимость и результаты внедрения работы. Разработанные модели и алгоритмы диагностики и прогнозирования ОНМК составили основу соответствующей автоматизированной системы, клинические испытания которой показали ее высокую диагностическую и прогностическую эффективность.

Применение предложенных в диссертации разработок позволили сократить время принятия решений и повысить достоверность диагностики, что в свою очередь позволяет снизить риск летальных исходов и тяжесть течения заболеваний.

Результаты работы внедрены: В Курской городской больнице скорой медицинской помощи;

Используются в учебном процессе кафедры БИТАС Курского государственного технического университета при подготовке специалистов по специальности 19.05.00 - "Биотехнические и медицинские аппараты и системы" и магистров по программе 55.15.17 - "Медико-биологические системы и аппараты".

Апробация. Результаты работы докладывались и обсуждались на Всероссийской научно-технической конференции «Биотехнические, медицинские и экологические системы и комплексы» (Рязань, 1998); на V Российской научно-технической конференции «Материалы и упрочняющие технологии - 98» (Курск, 1998); на I Международной технической конференции «Медико-экологические информационные технологии - 98» (Курск, 1998); на II Международной научно-технической конференции «Медико-экологические информационные технологии - 99»(Курск, 1999); на Всероссийском совещании-семинаре «Высокие технологии в региональной информатике» (Воронеж, 1998).

Публикации. Самостоятельно и в соавторстве по теме диссертации опубликовано 8 печатных работ.

Структура и объем работы. Диссертация состоит из введения, трех глав заключения, приложений, списка литературы, включающего 81 отечественных и 7 зарубежных наименований. Работа изложена на 151 странице машинописного текста, содержит приложение на 36 страницах, 29 рисунков и 15 таблиц.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность работы, представляются основные научные результаты и практическая значимость работы,

определяются цели и задачи исследования, кратко излагается содержание глав диссертации.

В первой главе анализируются методы, модели и алгоритмы диагностики и прогнозирования ОНМК, базирующиеся на различных вычислительных процедурах. Показывается, что известные диагностические и прогностические модели, применяемые для оценки состояния мозгового кровообращения, не обеспечивают требуемого качества принятия решений. В заключении главы на основании анализа существующих проблем определяются пути достижения поставленной цели и соответствующие задачи исследований.

Вторая глава посвящена разработке моделей принятия решений для диагностики и прогнозирования инсультов, использующих информацию, снимаемую с биологически активных точек на основе методов с нечеткой логикой постановки диагноза.

Показывается, что перспективным направлением повышения качества прогностических и диагностических заключений является использование энергетических характеристик проекционных зон, в частности биологически активных точек (БАТ) с элементами нечеткой логики принятия решений.

Однако, прямое использование энергетических характеристик БАТ для оценки уровня функционального напряжения осложняется тем, что каждая из проекционных зон имеет связь с несколькими органами и системами и, кроме того, их состояние зависит от состояния вегетативной нервной системы, функционального состояния человека в целом, текущего перераспределения приоритетов в работе органов и систем, от времени измерения, от внешних факторов и т.д.

С целью устранения неоднозначности в трактовке результатов по состоянию соответствующих проекционных зон при изменении уровня напряженности функционирования органов и систем организма нами была разработана энергоинформационная модель взаимодействия органов и систем человека с их проекционными зонами.

Предлагаемая модель строится в виде графа в узлах, которого находятся элементы, имеющие собственный энергетический потенциал и способные к энергетическому обмену: от нейронов до подзон ретикулярной формации. Дуги графа отображают факт передачи энергии от одного узла к другому.

Общая схема энергетического взаимодействия органов и систем с эффекторной клеткой проекционной зоны и ее рецепторами представлена на рис. 1. На этом рисунке приняты следующие обозначения: О; - орган пли система с номером ¡, имеющая связь с проекционной зоной ПЗу, где ] - номер

Рис. 1. Графовая модель энергетического обмена в системе орган -проекционная зона

проекционной зоны; ЭКо - эффекторная клетка органа; СР и ПР - рецепторные аппараты симпатического и парасимпатического типа; ГУ - ганглионарные узлы ; ЭКЛ- эффекторная клетка проекционной зоны; МРФС,-, МРФ„; -микрозоны ретикулярных формаций спинного мозга симпатического и

парасимпатического вида; СС^ -сопряженные с работой О, органы (1=1,.., Т); ЦУС - центральные управляющие структуры по отношению к ретикулярным формациям спинного мозга; ГС - гуморальная система управления; 1„ - канал передачи информация от ЭКП во внешнюю среду; I о и У о - каналы передачи информации из внешней среды в организм. Латинские буквы над дугами обозначают пути передачи энергии и информации по афферентным и эфферентным каналам различного уровня.

Естественным условием сохранения работоспособности системы является поддержание энергетического равновесия на каждом цикле управления эффекторной клеткой. Это означает, что должно соблюдаться условие

£ек;-£ЕК;+Ес=О, (1)

V №

где V и - текущие номера каналов, подводящих и отводящих энергию относительно элементов системы; ЕК.+„ и ЕК'„, - энергетические характеристики подводящего и отводящего каналов; Ес - собственные энергетические запасы элементов и узлов системы.

Решая уравнение энергетического баланса относительно энергетической составляющей эффекторной клетки, передаваемой во внешнюю среду, после выполнения допустимого класса преобразований получаем уравнение энергетического состояния проекционной зоны от воздействия на нее органа 01 в виде:

ЕГ„ = ДЕХ2К _ (ЕЭКс, + ЕЭКщ,)] + ДЕЦ + ДЕОс +ДЕГС + Ш„' + Ш0" + ЕМРФ + ЕВХ , (2)

к

где к - текущий номер эффекторной клетки органа 01 в проекционной зоне ПЗ^; ЕЭКск и ЕЭК„к - энергетические симпатические и парасимпатические составляющие эффекторных клеток органа, связанного с проекционной зоной; ЕХ2 - энергетическая составляющая сигнала передаваемого из органов в "свои" микрозоны МРФсь АЕЦс, ДЕОс и ДЕГС - энергетические характеристики центральной управляющей системы и органов, работающих сопряженно с О, и гуморального канала; ЕВХ - энергетическая характеристика других рефлекторных колец, работа которых слабо влияет на изменение Е„, при изменении функционального состояния человека; Е1о и ЕУ'о - энергетические составляющие внешних воздействий на исследуемую проекционную зону; ЕМРФ - энергетический уровень МРФС1.

Из анализа многочисленных литературных источников следует, что каждая из проекционных зон имеет связи с несколькими органами и системами от двух до 20-ти и более, поэтому выражение (2) в общем случае для множества ПЗу преобразуется в выражение типа (3):

Ет = рЕЕХг«, - (ЕЭКс, + ЕЭКы)] + ДЕЦс| + ЛЕОс, +ДЕГС, + Ш0' + Ш0" + ЕМРФ, +ЕВХ*], (3)

где 1=1,...,1, - число органов и систем взаимодействующих с ПЗу.

Нашими исследованиями было установлено, что для оценки состояния выбранного органа или системы удается составить систему уравнений типа (3) так, что при их совместном решении все мешающие факторы исключаются, и остается только информация, представляющая интерес для пользователя.

Обосновывается, что высокое качество диагностики и прогнозирования развития инсультов может быть достигнуто при параллельном съеме энергетических характеристик с нескольких БАТ и использовании элементов традиционных диагностических таблиц. То есть, в предлагаемой системе используется три типа данных: данные, получаемые на основании опроса осмотра; данные, получаемые с традиционной медицинской аппаратуры, которая выбирается в соответствии с требованием конкретно решаемого правила из соответствующей решающей таблицы (реоэнцефалографы, электрокардиографы и т.д.); данные, получаемые с аппаратуры анализа биологически активных точек.

Общая структурная схема предлагаемой системы предоставлена на рис. 2.

Информация с БАТ снимается через специально разработанный многоканальный анализатор БАТ (МА БАТ) и посредством соответствующих драйверов передается в специально формируемый файл БАТ, входящий в систему входных файлов электрофизиологической информации (ЭФИ). Электрофизиологическая информация о сигналах РЭГ, ЭКГ и др. считывается традиционной медицинской аппаратурой (ТМА) и через свои драйверы связи предается во входной файл системы. Техническое сопряжение ТМА и МА БАТ с ПЭВМ осуществляет модуль сопряжения с объектом (МСО).

По истечении времени измерения Ти в работу включается алгоритм выделения информативных признаков из электрофизиологической информации, который формирует данные для блока решающих правил, где реализуется диагностическое заключение. Опрос и осмотр пациента производится посредством ответа на стандартные вопросы, хранимые в базе

данных, которые предъявляются на экране видеомонитора ПЭВМ через интерфейс пользователя.

Рис. 2. Структура автоматизированной диагностической системы

В базе данных накапливается информация о фрагментах электрофизиологических сигналов, о списке и значениях информативных признаков, о реализуемом диагностическом заключении, а так же электронная медицинская карта пациента. С помощью интерфейса пользователя врач может наблюдать фрагменты электрофизиологических сигналов, графики распределения величин, отражающих состояние БАТ по меридианам, выделять на графиках характерные участки для специальных расчетов, выводить список и значения полученных информативных признаков, результаты работы решающих правил, вводить в электронную карту пациента необходимые

сведения и читать различные ее разделы, обращаться к справочнику по рекомендуемым методам коррекции состояния пациента.

Рассматривается механизм формирования списка информативных проекционных зон. Известно, что большинство биологически активных точек (БАТ) имеют различные типы связей, которые в литературе описываются на уровне органов, диагнозов, синдромов и симптомов, причем, практически все точки не имеют полностью совпадающего списка связей.

Назовем множество разнородных связей БАТ ситуациями и обозначим через х0 ситуации, связанные с эмоциональным напряжением, а ситуации, которые надо исключить как "мешающие" диагнозы - хк (к=1,2,...К). Поиск информативного списка БАТ будем осуществлять на основании таблицы связей. В строках этой таблицы выписываются все БАТ имеющие

связи с ситуацией х0. В нашем варианте это все БАТ, связанные с оценкой эмоционального напряжения. По столбцам (без повторений) выписываются все возможные ситуации, присущие для выбранного списка БАТ. Элементами таблицы служат двоичные переменные а^={0,1), где 0 означает отсутствие связи между У; и Хк, а 1 означает, что такая связь есть. Для поиска информативных групп У] введем операцию поразрядного логического умножения по строкам. Тогда, если найдутся комбинации строк, для которых по всем разрядам будет нулевое произведение, то эти комбинации и нужно считать максимально информативными. Аналитически этот факт записывается выражением:

] К

2 = 1 ПакГаф1 = 0 . (4)

j=l К=1

В работе приводится алгоритм минимизации выражения (4) с формированием списка исключаемых и решаемых ситуаций. В общем виде может существовать несколько групп из У, удовлетворяющих соотношению (4), может быть и другая ситуация, когда (4) не выполняется для всех строк тогда следует искать либо группы с минимальным значением или те группы, в которых не исключенные алгоритмом минимизации (4) состояния, достаточно легко исключаются лицом, принимающим решение (ЛПР).

Показывается, что для исключения зоны отказа от принятия решений и приближения машинной логики к логике работы врача целесообразно перейти к вычислению величины уверенности в принятии решений через меры доверия к измеренным признакам и соответствующие функции принадлежности.

В качестве меры уверенности удобно использовать понятие коэффициента уверенности, определяемый соотношением

КУ(оУХ) = МД(оУХ) - МНД(иУХ), (5)

где КУ(ц>!,/Х) - уверенность в диагностической гипотезе Шк с учетом наличия свидетельств (признака(ов)) X, МД(а\7Х) - мера доверия к с учетом признаков X, МНД^/Х) - мера недоверия к гипотезе 0)^ с учетом признаков X.

Для получения МД и МНД при поступлении новой информации (новое свидетельство X) можно воспользоваться формулами

МД(шк/Х,х) = МД(сУХ)+ МД(ci\/х)( 1 -МД(а\/Х)). (6)

МНД(аУХ,х) = МНД(Шк/Х)+ МНД(Шк/х)( 1 -МНД(Шк/Х)). (7)

В этих формулах запятая между X и х означает, что х поступает для анализа после поступления и анализа вектора признаков X.

В третьей главе рассматриваются вопросы синтеза правил для решения задач прогноза возникновения и диагностики ОНМК и приводятся результаты экспериментальных исследований.

Рассматриваются вопросы формирования пространства информативных признаков по биологически активным точкам. Показывается, что для задач прогностического типа достаточно исследовать энергетические характеристики точек: АР34, АР25, АР51, VG16, TRIO по французской классификации.

Для диагностики ОНМК следует снимать информацию с БАТ: С9, Е39, АР34, АР25, АР51, R6, VG21, ЮЗ, V62.

Коэффициент уверенности в прогнозе (диагнозе) по БАТ определяется выражением

min { х.}, если БАТ находится в группе признаков,

исключающих "мешающие" ситуации (8)

Ki+i=Ki+x. (1-K¡), для прочих БАТ,

Ку=

где х. - значение меры доверия к измеряемой величине, К| - коэффициент уверенности до измерения х..

Рассмотрены вопросы синтеза решающих правил для прогнозирования ОНМК по точкам АР34, АР25, АР51, VG16, TRIO. Всего для решения было ^выбрано три типа прогностических задач: формирования группы риска появления сосудистых болезней мозга на фоне развития атеросклероза,

артериальной гипертензии и сосудистых дистоний; прогнозирование возникновения ОНМК у больных артериальной гипертонией; прогнозирование возникновения ОНМК у больных, не страдающих артериальной гипертензией. Для всех задач по обучающим выборкам методом экспертного оценивания были получены меры доверия к признакам и их градациям х,, а общая уверенность в принятии решений рассчитывалась по формуле (8).

Рис. 3. График достоверности принятия решений для задачи 1

Сопоставление результатов, полученных в данной работе с базовыми вариантами, удобно произвести на основе графиков, полученных в одинаковых условиях, например на максимальных уровнях градаций.

На рис. 3 приведены графики достоверности принятия решений для различных вариантов. Кривая 1 соответствует первоначальному варианту принятия решений по работе В.Д. Трошина с учетом погрешностей определения градаций; кривая 2 соответствует росту уверенности в принятии решений при использовании нечеткой логики по мере набора признаков субъективного характера без учета погрешностей на ошибку в определении градаций; кривая 3 определяет рост уверенности в принятии решений от получения признаков инструментальными методами по базовому варианту; кривая 4 соответствует росту уверенности в принятии решений при получении данных об энергетических характеристиках БАТ.

Сопоставление этих кривых позволяет сделать следующие выводы. В базовом варианте (кривая 1) для принятия решений о принадлежности к классу 0)з нужно проверить не менее 10 признаков, учитывая весьма "широкую" зону отказа от принятия решения - С0г- При переходе к нечеткой логике принятия решений уже в базовом варианте зона отказа от принятия решений исчезает

(кривая 2) и производится непрерывный расчет коэффициента уверенности в принятии решений в соответствии с выражением (5). Использование информации об энергетике БАТ (кривая 4) позволяет достигнуть высокой уверенности (выше 0,96) в принятии решений о принадлежности к классу а>з уже на 4 признаке, тогда как в базовом варианте с нечеткой логикой нужно исследовать 13 признаков и более.

Во второй задаче сопоставительные графики имеют вид, представленный на рис. 4

На этом рисунке кривая 1 соответствует первоначальному алгоритму принятия решений по Т.А. Фоминой с учетом возможных субъективных ошибок при определении градаций, кривая 2 соответствует росту уверенности в принятии решений по мере набора признаков из базового алгоритма с учетом меры доверия. Кривая 3 определяет рост уверенности в принятии решений по данным ЭКГ, кривая 4 соответствует росту уверенности в принятии решений при получении данных об энергетике БАТ. Анализ полученных кривых позволяет сделать вывод о том, что информативность энергетических признаков БАТ сопоставима с информативностью данных, получаемых от ЭКГ, и является хорошим дополнением к данным, получаемым по таблице базового варианта.

В варианте с максимальной энергетикой БАТ достаточно проверить 2-3 признака из базовой таблицы и при их наличии прогноз получается на уровне 0,95 и выше.

Аналогично решалась задача прогнозирования ОНМК у больных, не страдающих артериальной гипертензией.

Результаты контрольной проверки для общего списка БАТ по всем трем задачам на обучающей выборке по 30 человек на каждый класс и по контрольной выборке по 35 человек на каждый класс показали, что вероятность ошибки прогноза не превышает 0,5. Чувствительность решающего правила не хуже 0,9, специфичность - не хуже 0,95. То есть система настроена лучше на то, чтобы как можно меньше пропустить людей, у которых большая возможность заболевания, тогда как возможность дифференциального разделения классов здесь менее важна.

Рассматриваются вопросы синтеза решающих правил для диагностики ОНМК по точкам С9, Е39, АР34, АР25, R6, VG21, ЮЗ, V62 (табл. 1). Разделяются классы с тяжелыми нарушениями мозгового кровообращения (класс Mi) и с тяжелыми соматическими заболеваниями (класс а>о). Для исключения "мешающих" ситуаций используются точки С9 и IG3, остальные точки используются как подкрепляющие уверенность в диагнозе.

По этой задаче на обучающей выборке по 25 человек на каждый класс вероятность ошибки диагноза не превышает 0,6. Чувствительность решающего правила не хуже 0,94, специфичность не хуже 0,89. Аналогичные результаты получены на контрольной выборке по 30 человек на каждый класс.

Таблица 1. Система признаков и меры доверия для задачи диагностики инсультов

Признаки и их градации X.

х1: 'Энергетика С9 (меридиан сердца):

хбн1=0 (норма и выше нормы) 0,01

хбн1=1 (ниже нормы до 20%) од

хбн1=2 (ниже нормы от 20 до 40%) 0,3

хбн1=3 (ниже нормы от 40 до 60%) 0,4

хбн1=4 (ниже нормы от 60 до 80%) 0,5

хбн1=5 (ниже нормы сверх 80%) 0,6

х2: Энергетика Е39 (меридиан желудка):

хбн2=0 0

хбн2=1 0,05

хбн2=2 0,15

хбн2=3 0,25

хбн2=4 0,35

хбн2=5 0,4

хЗ: Энергетика AR34 (головной мозг):

хбн1=0 (норма и выше нормы) 0

хбн1=1 (ниже нормы до 20%) 0,05

хбн1=2 (ниже нормы от 20 до 40%) 0,15

хбн1=3 (ниже нормы от 40 до 60%) 0,25

хбн1=4 (ниже нормы от 60 до 80%) 0,35

хбн1=5 (ниже нормы сверх 80%) 0,45

х4: Энергетика AR25 (ухо, точка ствола мозга):

хбн2=0 0

хбн2=1 0,05

хбн2=2 0,1

хбн2=3 0,2

хбн2=4 0,3

хбн2=5 0,4

х5: Энергетика AR51 (симпатическая НС):

хбн3=0 0

хбнЗ=1 0,03

хбнЗ=2 0,08

хбн3=3 0,15

хбнЗ=4 0,2

хбнЗ=5 0,3

хб: Энергетика R6 (меридиан почек):

хбн4=0 0

хбн4=1 0,05

хбн4=2 0,15

хбн4=3 0,25

хбн4=4 0,35

хбн4=5 0,4

*

Таким образом, по крайней мерс, для установления диагноза ОНМК достаточно использовать информацию, снимаемую с выбранных БАТ.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ Предлагаемая работа посвящена решению научных и практических задач, связанных с повышением достоверности прогнозирования возникновения и диагностики ОНМК. В результате выполнения работы были получены следующие основные результаты.

1. Обоснована возможность использования информации, снимаемой с рефлексогенных зон, с целью получения высокоинформативных признаков для решения задач диагностики и прогнозирования ОНМК.

; 2. Разработана автоматизированная система поддержки принятия решений для диагностики и прогнозирования возникновения ОНМК, использующая объективную высокоинформативную информацию с БАТ, что позволяет повысить уверенность в постановке диагноза и прогнозе при достаточно простом аппаратно-программном обеспечении.

3. Предложен алгоритм формирования списка информативных проекционных зон, позволяющий минимизировать количество измеряемых параметров, что позволяет упростить и ускорить процедуру принятия решений.

4. Разработан механизм формирования решающих правил для решения задач прогноза и диагностики ОНМК с использованием нечеткой логики принятия решений, что позволяет исключить из решающих правил зоны отказа о принятия решений и приблизить "машинную" логику к логике работы врачей-диагностов.

5. Сформирована система информативных признаков для прогнозирования и диагностики ОНМК, позволяющая повысить объективность и качество принимаемых решений.

6. Синтезирован набор решающих правил для диагностики и прогнозирования возникновения ОНМК, причем вероятность ошибочной классификации не превышает 6%. Для прогностических правил чувствительность не хуже 0,9, специфичность не хуже 0,95. Для диагностических правил чувствительность не хуже 0,94, а специфичность не хуже 0,89, причем диагностика ОНМК может осуществляться только по информации, снимаемой с восьми биологически активных точек.

7. Разработанные методы и программные средства прошли экспериментальную проверку в Курской городской больнице скорой медицинской помощи и в учебном процессе кафедры биомедицинских и информационно-технических аппаратов и систем Курского государственного технического университета.

Опытная эксплуатация показала их высокую прогностическую и диагностическую надежность, давая в руки пользователя высококвалифицированного электронного советчика, позволяющего поднять на новый уровень качество медицинского обслуживания.

Основное содержание диссертации опубликовано в следующих работах:

1. Бочков В.Б., Кореневская E.H. Автоматизированное рабочее место врача для диагностики и прогнозирования мозговых инсультов // Биотехнические, медицинские и экологические системы и комплексы: Тез. докл. Всерос. научн.-техн. конф. студентов, молодых ученых и специалистов. Рязань, 1998. С. 28-29.

2. Кореневский H.A., Бочков В.Б., Антюхов A.A. Использование механизмов рефлексодиагностики для ранней диагностики острых нарушений мозгового кровообращения //Сборник материалов VII Российской научн.-техн. конф. "Материалы и упрочняющие технологии - 99": Курск, 1999. С. 106-109.

3. Принятие решений в универсальной медицинской интегрированной системе ТАИС //Устинов А.Г., Бочков В.Б., Савенкова И.В., Кореневская E.H.: Сборник материалов VI Российской научн.-технической конф. "Материалы и упрочняющие технологии - 98": Курск 1998. С. 212-214.

4. Кореневский H.A., Бочков В.Б.. Автоматизированная система диагностики и прогнозирования мозговых инсультов //Высокие технологии в региональной информатике: Тез. докл. Всерос. совещ.-семинара. Воронеж, 1998. 4.2. С. 4-5.

5. Кореневский H.A., Бочков В.Б. Автоматизированная система прогнозирования острых нарушений мозгового кровообращения //Сборник материалов IV Международной конференции "Распознавание 99": Курск: КГТУ, 1999. С. 239-242.

6. Устинов А.Г., Бочков В.Б., Лазурина Л.П.. Исследование влияния данных функциональных исследований на прогноз возникновения сосудистых болезней мозга//Изв. Курск ГТУ. 1999. № 3. С. 128-139.

7. Бочков В.Б., Кореневский H.A., Каштанов A.C. Система регистрации состояния организма по энергетике биологически активных точек //Сборник материалов IV Международной конференции "Распознавание 99": Курск: КГТУ, 1999. С. 174-177.

8. Бочков В.Б., Савенков С.Н. Определение диагностической ценности лабораторных анализов в задаче дифференциальной диагностики пояснично-крестцового синдрома //Медико-экологические информационные технологи: Материалы Международной технической конференции: Курск, 1998. С. 43-44.