автореферат диссертации по приборостроению, метрологии и информационно-измерительным приборам и системам, 05.11.17, диссертация на тему:Система экспресс-диагностики тромбозов и эмболий

На правах рукописи

СЕРЖАНТОВА Наталья Александровна

СИСТЕМА ЭКСПРЕСС-ДИАГНОСТИКИ ТРОМБОЗОВ И ЭМБОЛИЙ

Специальность 05.11.17 - Приборы, системы и изделия медицинского назначения

1 О НОЯ 2011

Автореферат диссертации на соискание ученой степени кандидата технических наук

ПЕНЗА 2011

4859339

Работа выполнена в федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Пензенская государственная технологическая академия» (ПГТА) на кафедре «Информационные технологии и менеджмент в медицинских и биотехнических системах».

Научный руководитель - кандидат технических наук, доцент

Сидорова Маргарита Александровна.

Официальные оппоненты: доктор технических наук, профессор

Бодин Олег Николаевич; кандидат технических наук Громиков Кирилл Владимирович.

Ведущая организация - ФГУП ФНПЦ «ПО "Старт" им. М. В. Проценте» (г. Заречный).

Защита диссертации состоится 24 ноября 2011 г., в 14 часов, на заседании совета по защите докторских и кандидатских диссертаций Д 212.186.02 в федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Пензенский государственный университет» по адресу: 440026, г. Пенза, ул. Красная, 40.

С диссертацией можно ознакомиться в библиотеке федерального государственного бюджетного образовательного учреждения высшего профессионального образования «Пензенский государственный университет». Автореферат размещен на сайтах университета www.pnzgu.ru и Министерства образования и науки РФ.

Автореферат разослан «_»__2011 г.

Ученый секретарь диссертационного совета доктор технических наук, профессор

Светлов А. В.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Современное состояние науки и техники характеризуется широким использованием информационных технологий в различных направлениях научных исследований: в проекте расшифровки генома, в медицинской диагностике, в проблемах оптимизации для различных областей технических наук и экономики, в автоматизации распознавания речи, в исследованиях космоса и т.д. Решению многих вопросов, связанных с разработкой информационных систем, а также методик и алгоритмов решения различных практических задач способствовали работы ученых А. В. Красова, В. И. Дмитриева, Т. А. Гавриловой, Л. Ю. Куликовского, Э. К. Шахова и др.

Одной из наиболее перспективных областей применения достижений современных информационных технологий является медицина и медицинская техника. Различные аспекты теории и практики применения информационных технологий в медицине для создания медицинских информационных систем достаточно полно освещены в работах А. В. Гусева, В. Я. Гельмана, Б. А. Кобринского, Д. А. Новикова, А. П. Немирко, И. Н. Спиридонова, А. В. Самородова и др. Несмотря на большое количество проведенных исследований, остаются вопросы, требующие дополнительной проработки. К ним относятся вопросы создания систем экспресс-диагностики, позволяющих исследовать слабоструктурированные клинические данные, производить постановку предварительного диагноза, а также осуществлять прогнозирование исходов заболеваний.

С точки зрения компьютерных технологий система экспресс-диагностики представляет собой компьютерную автоматизированную систему, целью которой является помощь практикующим специалистам, принимающим решение в сложных условиях для полного и объективного анализа предметной деятельности. Одним из социально значимых направлений разработки и внедрения систем экспресс-диагностики является исследование сердца и сосудов, так как заболевания этих органов занимают первое место в мире. Особое внимание при диагностике патологий сердечно-сосудистой системы следует обратить на тромбозы и эмболии, возникновение которых объединяет целый ряд заболеваний и осложнений, в том числе и такие грозные сердечно-сосудистые нарушения, как инфаркт миокарда, инсульт, тромбоэмболия легочной артерии и, как следствие, приводит к увеличению риска внезапной смерти.

Предупреждение и лечение тромбозов является одной из важнейших задач повседневной клинической практики. Широкое распространение тромбозов и эмболий, высокая летальность, разнообразие симптомов и осложнений, тяжелые последствия при несвоевременной диагностике нарушений подобного рода обусловливают актуальность исследований, направленных на поиск наиболее эффективных методов экспресс-диагностики данных патологий.

Целью работы является разработка системы экспресс-диагностики тромбозов и эмболии на базе современных медицинских технологий диагностики и прогнозирования исходов заболевания для повышения диагностической эффективности способов и средств обработки и оптимизации клинических данных, получаемых в медицинском технологическом процессе.

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

1. Анализ существующих способов измерения и оценки исследуемых параметров сердечно-сосудистой системы, выявление их недостатков и обоснование разработки нового способа диагностики тромбозов и эмболии.

2. Разработка нового способа экспресс-диагностики, основанного на применении современных нейросетевых технологий, отличающегося комплексной математической предварительной обработкой параметров гемостаза с последующим выявлением наиболее информативных признаков.

3. Разработка структуры и программного обеспечения системы экспресс-диагностики, производящей обработку, представление, передачу данных и поддержку принятия врачебных решений.

4. Оценка эффективности работы системы экспресс-диагностики для подтверждения адекватности результатов ее работы.

5. Внедрение разработанных способов и средств экспресс-диагностики тромбозов и эмболии.

Объектом исследования является система экспресс-диагностики патологий сердечно-сосудистой системы.

Предметом исследования является информационное, методическое и программно-алгоритмическое обеспечение системы.

Методы исследования. Для решения поставленных задач использовались методы системного анализа и теории биотехнических систем, принципы создания и функционирования программных средств вычислительной техники, методы алгоритмизации и объектно-ориентированного программирования для проведения исследований, методы оценки адекватности полученных результатов, а также интерпретации полученных экспериментальных данных.

Научная новизна. В диссертационной работе получены следующие результаты, характеризующиеся научной новизной:

Разработан новый способ экспресс-диагностики, основанный на применении современных нейросетевых технологий, который отличается комплексной предварительной математической обработкой параметров гемостаза с выявлением наиболее информативных признаков и обеспечивает повышение диагностической эффективности работы системы.

2. Предложен способ оптимизации клинических данных для решения задачи экспресс-диагностики, основанный на расчете значения эффективности диагностики и оценке «вклада» каждого отдельного параметра в увеличение эффективности.

3. Предложен и программно реализован алгоритм диагностики тромбозов и эмболий, отличающийся тем, что на базе нейросетевых технологий производится анализ наиболее информативных параметров гемостаза, позволяющий классифицировать состояние пациента как нормальное и патологическое, а также прогнозировать исход заболевания.

4. Разработаны структура и программное обеспечение системы экспресс-диагностики, производящей обработку, представление, передачу данных и поддержку принятия врачебных решений с помощью специализированного интерфейса.

На защиту выносятся:

1. Способ проведения экспресс-диагностики, основанный на применении современных нейросетевых технологий, отличающийся комплексной предварительной математической обработкой параметров гемостаза с последующим выявлением наиболее информативных признаков.

2. Способ оптимизации клинических данных для решения задачи экспресс-диагностики.

3. Алгоритм нейросетевой диагностики тромбозов и эмболии, отличающийся тем, что на базе нейросетевых технологий производится анализ наиболее информативных параметров гемостаза, позволяющий классифицировать состояние пациента как нормальное или патологическое, а также прогнозировать исход заболевания.

4. Структура и программное обеспечение системы экспресс-диагностики, производящей обработку, представление, передачу данных и поддержку принятия врачебных решений с помощью специализированного дружественного интерфейса.

Практическая значимость. Разработанная система экспресс-диагностики использована в клинической практике при лабораторном анализе, предварительной диагностике, прогнозировании течения заболеваний, а также в медицине критических состояний при планировании интенсивной терапии и для контроля ее эффективности. Кроме того, система используется в учебно-научном процессе кафедры «Информационные технологии и менеджмент в медицинских и биотехнических системах» ПГТА, занимающейся подготовкой специалистов по направлению «Биомедицинская инженерия» и кафедры «Анестезиология-реаниматология и скорая медицинская помощь» Пензенского института усовершенствования врачей (ПИУВ).

Применение данной системы позволяет сократить временные и материальные затраты на дорогостоящую диагностику тромбозов и эмболий, а также автоматизировать процесс прогнозирования исхода заболевания.

В круг пользователей системы входят практикующие врачи, персонал биохимических лабораторий, инженерный и преподавательский состав учреждении образования и здравоохранения, студенты специальностей медицинского и медико-технического профиля.

Внедрение результатов исследования. Результаты исследований внедрены в клиническую практику ПИУВ, технологический процесс ЗАО «Трибомаш» (г. Пенза), учебный процесс кафедры «Информационные технологии и менеджмент в медицинских и биотехнических системах» Пензенской государственной технологической академии и кафедры «Анестезиология-реаниматология и скорая медицинская помощь» ПИУВ.

Апробация работы. Научные и практические результаты диссертационной работы докладывались и обсуждались на конференции «Актуальные проблемы науки и образования», Пенза, 2008, 2011 гг.; на конференции «Информационные технологии в информатике, экономике, медицине и образовании», Пенза, 2007, 2008 гг.; на международной конференции студентов, аспирантов и молодых ученых «Радиоэлектроника, электротехника и энергетика», Москва, 2007-2009 гг.

Публикации. Основные теоретические и практические результаты диссертационной работы опубликованы в 27 статьях и тезисах докладов, среди которых 8 публикаций в ведущих рецензируемых журналах, рекомендованных ВАК РФ, 3 - зарубежных публикаций на иностранном языке.

Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения, списка использованных источников, содержащего 135 наименований, и приложений. Общий объем работы составляет 185 страниц основного текста, в том числе 44 рисунка, 14 таблиц и 3 приложения.

Автор выражает благодарность кандидату медицинских наук, доценту кафедры «Анестезиология-реаниматология и скорая медицинская помощь» ПИУВ Л. А. Филипповой за предоставленные клинические данные параметров гемостаза и консультации по медицинским аспектам диссертационной работы.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертационной работы, сформулированы цели и задачи исследования, научная новизна, практическая значимость, приводится краткое содержание работы по главам.

Первая глава диссертационной работы посвящена выявлению диагностического метода, подходящего для проведения инструментального обследования. Для решения данной задачи проведена систематизация методов диагностики тромбозов и эмболии. Разработана систематизация методов диагностики тромбозов и эмболии по характеру проведения исследований (рис. 1) и по локализируемой патологии (рис. 2),

На основании данных о процедуре диагностики тромбозов и эмболий разработан алгоритм постановки диагноза (рис. 3), отражающий методику проведения диагностических исследований.

Рис. 1. Систематизация методов диагностики тромбозов и эмболий по характеру проведения исследования

Диагностика тромбозов и эмболий

диагностика тромоозов ССИД«|ГИ1Р8ИСГ8 юта_

а-Е

диагностика тромооэоз . . ГПУОРКИХ

Бедро

Голень ; I ,

Таз —С=

г 8 §

е-

«

е-

11

с ! §

| диагностика тромоозмоолии | I легочных артепий I

Рис. 2. Систематизация методов по локализируемой патологии

6

Анамнез, осмотр, "ЖГ. рееттенография

Ц' ^ , , | . —

/Получение 7 1фаз

данных / .по!

/ I"

|А - спишпеские гргоиахи и фахторы рисга версяте&й I патология. Ьтромбоз сосудов головного - — —мозг»;

|2-трочбоз глубоких вен (бедра •и'или голени);

13 - тромбоэмболия легочных артерий.

—О

05 А-1 06 А-2 07 |

Томография УЗИВ Рентгенография

12

ЭхоКГ

14

Оцени

гемодишыихи

Z Постановке /

» I

^ Конец ^

Рис. 3. Алгоритм постановки диагноза

Данный алгоритм демонстрирует, что в общем случае для постановки точного диагноза при подозрении на тромбоз и/или тромбоэмболию необходимо использовать следующие способы измерения и оценки исследуемых параметров сердечно-сосудистой системы: рентгенография, электрокардиография, компьютерная томография (КТ), ультразвуковое исследование вен (УЗИВ), импедансная плетизмография (ИПГ), определение концентрации Ь-димера, эхокардиография (ЭхоКГ), вентиляционно-перфузное сканирование легких (ВПСЛ), оценка параметров гемодинамики, флебография, цветное доплеровское сканирование (ЦЦС), ангиопульмонография (АПГ).

Вместе с тем процедура диагностики часто предполагает назначение повторных исследований, в случае, если результаты не являются очевидно нормальными либо не представляют собой крайний случай патологии. Поэтому данные методы не могут быть применены для экспресс-диагностики. Наиболее общую картину патологии не зависимо от локализации тромба дают метода лабораторной диагностики, которые и будут рассматриваться в дальнейшем. Для корректного анализа признаков, их правильного обобщения и выявления закономерностей медицинских процессов в качестве основы для построения системы экспресс-диагностики выбраны нейронные сети.

Вторая глава посвящена выбору структуры нейронных сетей, входящих в состав системы экспресс-диагностики, а также отбору информативных параметров, необходимых и достаточных для проведения предварительной диагностики.

В приложении к медицинской диагностике нейронные сети дают возможность значительно повысить специфичность метода, не снижая его чувствительность. Отличительное свойство нейросетей состоит в том, что они не программируются - не используют никаких правил вывода для постановки диагноза, а обучаются делать это на примерах. В большинстве задач диагностики, дифференциальной диагностики, прогнозирования, выбора стратегии и тактики лечения и т.д. достаточно легко набрать необходимое количество примеров для обучения нейронной сети. Медицинские задачи практически всегда имеют несколько способов решения и «нечеткий» характер ответа, совпадающий со способом выдачи результата нейронными сетями.

Диагностика является частным случаем классификации событий, причем наибольшую ценность представляет классификация тех событий, которые отсутствуют в обучающем нейросеть наборе. В процессе диагностики тромбозов и эмболии нейросетевые системы применяются для определения наличия/отсутствия нарушений в системе гемостаза, выявляют конкретную патологию (собственно постановка диагноза), а также прогнозируют дальнейшее течение заболевания.

Анализ публикаций о применении нейросетевых технологий в медицине показывает, что практически отсутствуют какие-либо методологии разработки нейросетевых медицинских систем, о чем свидетельствует как отсутствие работ такого профиля, так и огромное разнообразие подходов к нейросетевым алгоритмам обучения и архитектурам нейронных сетей.

Выбор структуры нейронной сети, применяемой при экспресс-диагностике, предполагает выбор архитектуры (способа связи между нейронами), функции активации, алгоритма обучения, определение количества входов, выходов, слоев нейронной сети. Для решения проблемы выбора структуры нейронной сети предлагается использовать алгоритм, представленный на рис. 4.

Ш1Д ВХОДНЫХ ПЯреМШроВ

исйрисетевото ысшкт

Классификация, прапвзтерешою, ретр«ссня. управление ИЛИ аппроксимация

С учетом классификации по врхигекхуре. фушаоа; ыспагции, югЪрнтму сбучаол реилемой задом

Форинромиие обучиоггаяч ынижестзо. мюжиспи дгы кмпрояя. матрмм -«впвс*<ых рпультт»

Контроль JJCi

__ I Рлсют ««роялиста верного ' ' i_«ребошкшоы КС»

ЕГУмбор »rftjwiocnft «m в

^^ I мАхсшлетыы.ч тв'яяюсм

' ' j всрояпюстм »i-pituro

" ^ j сроГчггьшииня tnHCi

/Дшивм о 7

етруюуро / ™ /

к Г

^ Конец ^

Рис. 4. Алгоритм выбора структуры нейронной сети

В качестве критерия выбора оптимальной структуры предложена максимальная вероятность правильной классификации Р параметров гемостаза, рассчитываемая по формуле

п

р" N

где И- количество исследуемых наборов параметров; Еа - ошибка первого рода; £р - ошибка второго рода.

Результаты расчетов вероятности правильной классификации для нейронных сетей различной структуры представлены в табл. 1.

Таблица 1

Тип нейронной сети Функция обучения Функция адаптации Критерий качества обучения Функция активации Вероятность правильной классификации

1 2 3 4 5 6

Feedforward backprop TRAINLM LEARNGDM MSE TANSIG 0,846

TRAINBR LEARNGDM MSEREG LOGSIG 0,846

TRAINGDM LEARNGDM MSEREG TANSIG 0,885

TRAINSCG LEARNGDM SSE LOGSIG 0,846

TRAINLM LEARNGD SSE LOGSIG 0,923

TRA1NGDA LEARNGD SSE PUREL1N 0,769

TRAJNR LEARNGDM MSE LOGSIG 0,692

TRAINLM LEARNGDM MSEREG PURELIN 0,73

TRA1NGD LEARNGDM MSEREG TANSIG 0,308

TRAINRP LEARNGDM MSEREG PURELIN 0,808

TRAINGDM LEARNGD MSEREG PURELIN 0,192

1 2 3 4 5 6

Cascade- TRAINLM LEARNGDM MSE TANSIG 0,23

forward TRAINGDM LEARNGDM MSEREG LOGSIG 0,69

backprop TRAINGDM LEARNGDM MSEREG TANSIG 0,077

TRAINSCG LEARNGDM SSE LOGSIG 0,04

TRAINGD LEARNGD MSE LOGSIG 0,769

TRA1NGDX LEARNGD SSE TANSIG 0,269

Elman TRAINLM LEARNGDM MSE TANSIG 0,19

backprop TRAINGDM LEARNGDM MSEREG TANSIG 0,69

TRAINSCG LEARNGDM SSE LOGSIC 0,692

TRAINLM LEARNGD SSE LOGSIG 0,69

TRAINGD LEARNGD SSE PURELIN 0,15

Результатом проведенных исследований стало обоснование выбора нейронной сети прямой передачи сигнала (Feed-forward backprop) с логарифмической сигмоидной функцией активации (LOGSIG) и алгоритмом обучения Левенберга-Марквардта (TRAINLM), структура которой представлена на рис. 5. Характеристики нейронной сети приведены в табл. 2.

Рис. 5. Структура нейронной сети

Таблица 2

Характеристики нейронной сети

Тип нейронной сети Сеть прямой передачи сигнала (.Feed-forward backprop)

Количество слоев 2

Количество нейронов в первом слое 10

Количество нейронов во втором слое 2

Функция обучения TRAINLM

Алгоритм обучения Левенберга-Марквардта

Функция активации Логарифмическая сигмоидная (LOGSIG)

Критерий качества обучения MSE (Mean Squared Error)

Математически результат работы данной нейронной сети можно представить в виде выражения

Ук = /

\

2>!

\/=0

£4

=/

1Ч2)/

/=0

N

Ы

.(2)

П)

где - выходной сигнал ¿-го нейрона сети; - наборы значений

весовых коэффициентов в слоях нейронной сети; / - функция активации нейронной сети; vi - выходной сигнал скрытого слоя; ху- - входной сигнал нейронной сети.

Целевая функция записывается в виде, отвечающем существованию единственной обучающей выборки:

1 м ,

ВД^ЕЬИ > 2/=1

где е, = [,у,(и,)-£/1].

Предварительные исследования показали, что комплекс нейронных сетей, обученный на модельных данных, взятых из специализированных источников, эффективно выполняет задачи разделения параметров гемостаза на нормальные и патологические. При этом анализировались следующие входные параметры: время свертывания крови, эхитоксовое время, антитромбин III, активированное парциальное тромбопластиновое время, активированное парциальное тромбопластиновое время в контрольном образце, тромбиновое время, ортофенантролин, клампинг-тест (тест склеивания стафилококков), показатель агрегационной активности одного тромбоцита при индукции агрегации разведением гемолизата 10~2, показатель агрегационной активности одного тромбоцита при индукции агрегации разведением гемолизата КГ6, индекс активации тромбоцитов, хагеман-зависимый фибринолиз, индуцированный стрептокиназой эуглобулиновый фибринолиз, протромбиновый индекс, фибриноген, количество тромбоцитов.

Для процесса экспресс-диагностики такое количество входных параметров является избыточным. В связи с этим выполнялась оптимизация клинических данных с целью сокращения трудоемкости исследования. Анализ коэффициентов корреляции показал, что большинство параметров у здоровых пациентов слабо коррелировано, а сокращение количества анализируемых параметров на основе исследований выборки патологических значений нецелесообразно, так как может привести к ошибкам распознавания нормальных значений. В связи с этим проводилась оценка «вклада» каждого параметра в конечный результат диагностики состояния пациента. При этом применялся алгоритм «отсева» малоинформативных параметров (рис. б), заключающийся в том, что производится вычислительная диагностика с использованием всех параметров; эффективность диагностики определялась по формуле

Т1=ппр+ш1п1 + ш2п2,

где г) - эффективность диагностики; Ппр - процент правильных диагнозов; Ш] - штраф за ошибку первого рода; П) - процент ошибок первого рода; Ш2 - штраф за ошибку второго рода; П2 - процент ошибок второго рода; затем исключается один из параметров и по тем же исходным данным вновь ставится диагноз и определяется эффективность т^. Если новое значение эффективности больше предыдущего, то исключается другой параметр и опять определяется эффективность. Так продолжается до тех пор, пока не сформируется набор параметров, при котором исключение из набора любого параметра или добавление параметра в набор приведет к уменьшению значения г).

На основании проведенных исследований выявлены следующие информативные параметры: время свертывания крови, эхитоксовое время, активированное парциальное тромбопластиновое время в контрольном образце, тромбиновое время, ортофенантролин, клампинг-тест, показатель агрегаци-онной активности одного тромбоцита при индукции агрегации разведением гемолизата 10"^, хагеман-зависимый фибринолиз, индуцированный стрепто-киназой эуглобулиновый фибринолиз, количество тромбоцитов.

Рис. 6. Алгоритм «отсева» малоинформативных параметров

Третья глава посвящена разработке системы экспресс-диагностики, а также оценке качества эксперимента с применением стандартного и расширенного статистического аппарата.

Система экспресс-диагностики позволяет производить обработку, представление и передачу данных. Структура разработанной системы имеет вид, представленный на рис. 7, и отличается рядом особенностей.

Рис. 7. Структура системы экспресс-диагностики тромбозов и эмболий

База данных содержит информацию о личных данных пациента, данных лабораторного исследования, промежуточных выводов системы о диагнозе (не доступных пользователю, но открытых для инженера и эксперта), сведения о диагнозе. База данных разработана с применением средств VBA. Ввод данных в базу осуществляется с помощью форм.

Нейронные сети, входящие в состав системы экспресс-диагностики, созданы с учетом количества входных параметров, решаемой задачи, выбранной архитектуры и алгоритма обучения. Обучение и тестирование проводились на реальных клинических данных. Для инициализации нейронных сетей был выполнен ряд операций: сформировано обучающее множество, содержащее как нормальные, так и патологические комбинации значений 10 параметров свертывания крови, приведенных ранее; создана матрица желаемых результатов; проводились обучение и контроль нейронных сетей, созданных с использованием средств пакета MATLAB. Сравнивая результат работы нейронной сети с контрольным МЖР (табл. 3), проводилась предварительная оценка эффективности ее работы.

Таблица 3

Результаты работы нейронной сети и матрица желаемых результатов

Результат работы НС Контрольная МЖР

Патология Норма Патология Норма

3,79Е-06 0,99997 0 1

1,99Е-05 0,99999 0 1

0,99998 1,73Е-05 1 0

0,79459 0,027613 1 0

При работе системы множества для анализа формируются автоматически. Для пользователя предусмотрена система помощи, указывающая последовательность действий. Данные импортируются в MATLAB, обрабатываются нейронной сетью и возвращаются в MS Excel, где производится автоматический анализ результатов и ставится предварительный диагноз. Пример работы представлен на рис. 8.

Ç? MicfMoHibKl «ли/нити

*J - ЧИ»»И M Bns» «да» Сйяк ¡¡о!мью дао ДОМ«'

• . ' .. : ;•;» ■ тли: t к: п~ я.» % > <т

> мияпикт тттчтрч яжят СМяяммЗиждеат шш^т^&Мяйят Нее

Г D32 ** ш ш.....

a,gi7?i4M9j

0,989068519?Нормз

щтаквмВоию".......................—............................

0.98Д2ВЗЗЙ1Норю1~.................... .......... ......——:

■При анализ» на ГЛПС обнаружены отклонения от нормы ■При анализа на ГЛПС обнаружены отклонения от норны

initie...................................... .........................................

Рис. 8. Пример работы системы экспресс-диагностики тромбозов и эмболий

Для автоматизации выполнения данных операций разработан специализированный интерфейс пользователя, обеспечивающий взаимодействие таблиц базы данных, формирование множеств для анализа, обмен данными между приложениями, получение справочной информации, интерпретацию результатов. Разработана панель инструментов. Интерфейс реализован с использованием средств VBA и GUI MATLAB.

Алгоритм работы нейронных сетей представлен на рис. 9.

Для оценки качества модели минимальный объем выборки составляет 5 результатов исследований. Для проведения анализа качества использовали 26 результатов нейросетевого исследования. В качестве расчетных значений выбрали значения матрицы желаемых результатов работы нейронной сети, в качестве фактических - собственно результаты работы.

Был произведен расчет основных статистических характеристик: максимального и минимального значений, моды, медианы, среднего значения, СКО, дисперсии, коэффициента вариации, ошибки СКО. Сравнение расчетных и фактических значений СКО, дисперсии, средних значений позволяет сделать вывод о близости законов распределения. Значения коэффициентов вариации (С„ = 65,28 %) и ошибки СКО (С, = 16,32) свидетельствуют о сильном варьировании рядов данных и значительных погрешностях при оценке статистических характеристик, поэтому оценить качество эксперимента с использованием стандартного статистического аппарата не представляется возможным.

Время свертывания крови, активированной время рекальцификаиии плазмы, активированное частичное тромбодльстиновое время, яротромбиновое время, тромбаиовое время, концентрация фибриногена N — количество пациентов

Начало систематизации параметров по критерия»

«норма - патология» с помощью нейронной сети netl

07

Формирование

матрицы

признаков 2

08 >

Начало систематизации параметров по критерию «гииеркоагуляция -лшокоагуляиия» с помощью нейронной сети пе12

Вероятность отсутствия патологии

11

Вероятность гиперкоагуляции, склонное«. к ТЭ

'Вероятность ги покоагу ляции, склонность к кророточ ИООСТИ

0

Вывод результата

^ Конец ^

Процедура CYCLE аодратумевает обработку нейронной сетью матрицы признаков дня нескольких патентов

Рис. 9. Алгоритм работы нейронных сетей

Для оценки результатов работы нейронных сетей был использован расширенный аппарат статистического анализа, опирающийся на байесовский подход.

При оценке качества эксперимента введены следующие обозначения: а - уровень значимости;

а - частота регистрации патологии первым выходом нейронной сети; Ь - частота регистрации нормы вторым выходом нейронной сети;

с - частота отсутствия патологии на первом выходе нейронной сети; d- частота отсутствия нормы на втором выходе нейронной сети; Уф], - i-e значение на первом выходе («патология») нейронной сети; 1'ф2/ - i-e значение на втором выходе («норма») нейронной сети; Fpl,-i-e значение первого столбца матрицы желаемых результатов; Yp2¡ - i-e значение второго столбца матрицы желаемых результатов; £>1 - патология; D2 - норма;

S- симптокомплекс, совокупность параметров на основе которых производится нейросетевой анализ;

п - общее количество комбинаций параметров в выборке; P(D\) - априорная вероятность развития патологии, определяется по первому столбцу МЖР;

P(D2) - априорная вероятность нормы, определяется по второму столбцу МЖР;

P(S/Dl) - условная вероятность развития патологии; P(S/D2) - условная вероятность нормы.

Для оценки качества эксперимента была предложена математическая структура записи показателей информативности:

о_|21=УФи при при A2j<ot,

[z,=0 при Д1;>а; 1г2=0 ПРИ A2i>a>

_U = l при YpV = 0; d = Х при ГР2'"0'

' Ц=0 при Ур„ = 1; ' |г4=0 при Y?2i = 1;

а = Ь = с = Yci>d = XX; ;=1 /=1 1=1 (=1

P(S/D\) = а!{а + с)\ P(S/D2) = Ы{Ь + d); P(D\) = (а + Ъ)/п; P(D2)={c + d)!n.

Дополнительно были рассчитаны:

коэффициент корреляции диагностические коэффициенты

_ad-be л) P{S!D\)

г = ■■.—_ ... - = ДКг = 101г-

yj(a + c)(b + d)(a+b)(c + d) P(S/D2)

количество информации по Шен- информативность по Кульбаку

нону Ik = lO\g^^-(P(S/Dl)-P(S/D2)).

. P{DHS) P(S / D2) "

а = log, —^-

2 P(Di)

Результаты расчетов приведены в табл. 4.

Таблща 4

Результаты расчетов показателей качества эксперимента_

Частоты Условные вероятности Априорные вероятности Критерии информативности

По выходу 1 По выходу 2 По результатам работы НС ПоМЖР Для нормы Для патологии

а 7 с 17 />(5Я>1) 0,29 />(2)1) 0,31 г -0,42

а -0,08 а 0,03

Ь 17 а 7 Р(5/£>2) 0,71 Р(й2) 0,69 ДК1 -3,85 ДК2 3,85

1к1 1,61 1к2 1,61

Полученные результаты считают информативными, если |г| > 0,25; |ДК| > 3; |/к| ^ 0,25. Таким образом, результаты работы нейронной сети можно считать информативными по совокупности критериев.

Для оценки работы нейронной сети подсчитана эффективность нейро-сетевой системы, включающая такие показатели, как чувствительность и специфичность.

Чувствительность Ее = ТР/(ТР + ГЫ)= 7/8 = 0,88 (или 88 %).

Специфичность 5/? = Ш/(ТМ + РР)= 17/18 = 0,94 (или 94 %).

Диагностическая эффективность

ДЭ = (ТР + Щ/(ТР + РИ +ТИ +РР) = 24/26 = 0,92 (или 92 %).

Чувствительность, специфичность и диагностическая эффективность классификации параметров на нормальные и патологические имеют достаточно высокие значения, поэтому работу нейронных сетей можно признать эффективной.

Четвертая глава диссертации посвящена вопросам практической реализации результатов работы. Описан способ диагностики патологий системы гемостаза с помощью нейронных сетей, отличающийся тем, что комплексно, одновременно, кроме уровня активности антитромбина АТ-Ш, агрегации тромбоцитов и содержания продуктов деградации фибрина и фибриногена, определяют время свертывания крови, эхитоксовое время, активированное парциальное (частичное) тромбопластиновое время, тром-биновое время, ортофенантролин, хагеман-зависимый фибринолиз, индуцированный стрептокиназой эуглобулиновый фибринолиз, протромбино-вый индекс для любой предполагаемой патологии из ограниченного набора; для конкретной патологии проводят анализ и статистическую обработку числовых значений параметров гемостаза, сокращая количество входных показателей до необходимого и достаточного количества; статистически отобранные данные подают на вход нейронных сетей, с помощью которых производят постановку предварительного диагноза, дифференцирование нескольких патологий и/или прогнозирование исхода заболевания. Алгоритм статистической обработки представлен на рис. 10.

ко,геч )

Рис. 10. Алгоритм статистической обработки значений параметров гемостаза

Приведено описание нейросетевой системы экспресс-диагностики. Нейросетевая система исследования параметров гемостаза предназначена для предварительной диагностики нарушений свертывания крови - тромбозов и эмболий - и прогнозирования исходов данных патологий.

Система имеет в составе базу данных, содержащую таблицу сведений о пациентах, таблицу сведений о параметрах гемостаза, таблицу диагнозов; блок нейронных сетей, производящих классификацию входных данных на нормальные и патологические; блок интерпретации результатов, переводящий цифровые значения результатов нейросетевого анализа в текстовые сообщения о диагнозе; а также интерфейс пользователя, обеспечивающий взаимодействие указанных блоков и позволяющий автоматизировать процесс диагностики.

Апробация данной системы проводилась на реальных клинических данных, предоставленных кафедрой «Анестезиология-реаниматология и скорая медицинская помощь» Пензенского института усовершенствования врачей.

Для оценки работоспособности системы были использованы значения параметров гемостаза 50 пациентов, не страдающих нарушениями гемостаза, 20 пациентов с расстройствами системы гемостаза, сопровождающимися гипокоагуляцией, 50 пациентов с расстройствами системы гемостаза, сопровождающимися гиперкоагуляцией. Проведенные исследования показали высокую диагностическую эффективность данной системы. Система внедрена в учебный процесс кафедры «Анестезиология-реаниматология и скорая медицинская помощь» Пензенского института усовершенствования врачей в качестве методического пособия для обучения специалистов медицинского и технического профиля с целью повышения их квалификации и для развития навыков работы с компьютерной техникой.

Разработанный способ диагностики патологий системы гемостаза с помощью нейронных сетей внедрен в клиническую практику. Полученные результаты использованы для создания автоматизированного рабочего места врача интенсивной терапии и мониторинга параметров гемостаза на основе нейросетевых технологий.

Результаты проведенных исследований внедрены в технологический процесс ЗАО «Трибомаш».

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Проведен анализ существующих способов измерения и оценки информационных параметров сердечно-сосудистой системы, который показал, что среднее значение диагностической эффективности этих способов не превышает 80 %, и позволил сформулировать требования к разработке и реализации нового способа диагностики тромбозов и эмболий.

2. Разработан новый способ экспресс-диагностики, основанный на применении современных нейросетевых технологий, отличающийся комплексной математической предварительной обработкой параметров гемостаза с последующим выявлением наиболее информативных признаков, обеспечивающий повышение диагностической эффективности работы системы.

3. Предложен способ оптимизации информационных данных для решения задачи экспресс-диагностики, основанный на расчете значения эффективности диагностики и оценке «вклада» каждого отдельного параметра в увеличение эффективности, позволивший выявить 10 информативных

параметров гемостаза.

4. Предложен и программно реализован алгоритм нейросетевой диагностики тромбозов и эмболий, отличающийся тем, что на базе нейросетевых технологий производится анализ наиболее информативных параметров гемостаза, позволяющий классифицировать состояние пациента как нормальное и патологическое, а также прогнозировать исход заболевания.

5. Разработаны структура и программное обеспечение системы экспресс-диагностики, производящей обработку, представление, передачу данных и поддержку принятия врачебных решений с помощью специализированного дружественного интерфейса, обеспечивающего автоматизацию сле-

дующих операций: ввод данных в базу; экспорт данных в нейросетевой блок; импорт результатов нейросетевого анализа в базу данных; интерпретация результатов работы нейронных сетей; постановка предварительного диагноза; получение справочной информации о скрининговой системе.

6. Экспериментально подтверждена эффективность нейросетевой диагностики тромбозов и эмболий. Чувствительность метода составила 88 %, специфичность - 94 %, диагностическая эффективность (безошибочность) - 92 %.

Полученные результаты использованы в клинической практике для создания автоматизированного рабочего места врача интенсивной терапии и мониторинга параметров гемостаза на основе нейросетевых технологий, а также применяются в качестве методического пособия для обучения специалистов медико-технического профиля с целью повышения их квалификации.

СПИСОК НАУЧНЫХ РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ

Публикации в изданиях, рекомендованных ВАК РФ

1. Ерушова (Сержантова), H.A. Система скринингового исследования параметров гемостаза / М. А. Сидорова, Н. А. Ерушова // Известия ЮФУ. Технические науки. Медицинские информационные системы. - 2008. -№ 5. - С. 72-75.

2. Ерушова (Сержантова), Н. А. Исследование особенностей применения инструментальных методов диагностики тромбоэмболии / М. А. Сидорова, Н. А. Ерушова И Медицинская техника. - 2009. - № 1. - С. 5-9.

3. Erushova (Serzhantova), N. A. Study of Specificity of Application of Instrumental Methods to Thromboembolism Diagnosis / M. A. Sidorova, N. A. Erushova // Biomedical Engineering. - 2009. - Vol. 43. - N. 1. - P. 6-9.

4. Ерушова (Сержантова), H. А. Обоснование выбора параметров нейросетевой скрининговой диагностики нарушений системы гемостаза / М. А. Сидорова, Н. А. Ерушова // Мехатроника, автоматизация, управление. - 2009. - № 8. -С. 59-66.

5. Ерушова (Сержантова), Н. А. Анализ наиболее информативно-значимых параметров гемостаза при диагностике нарушений свертываемости крови / М. А. Сидорова, Н. А. Ерушова // Известия ЮФУ. Технические науки. Перспективы медицинского приборостроения. - 2009. - № 9. - С. 149-153.

6. Сержантова, Н. А. Особенности применения инструментальных методов измерения вязкости крови человека / М. А. Сидорова, Н. А. Ерушова // Известия ЮФУ. Технические науки. Медицинские информационные системы.-2010.-№8.-С. 186-191.

7. Сержантова, Н. А. Диагностика и прогнозирование исходов перитонита с помощью нейросетевой системы исследования параметров гемостаза / М. А. Сидорова, Н. А. Сержантова, Л. А. Филиппова // Медицинская техника. - 2011. -№ 2. - С. 42-74.

8. Serzhantova, N. A. Diagnosis and Prognosis of Peritonitis Outcome Using a Neural-Network System for Hemostasis Parameter Examination / M. A. Sidorova, N. A. Serzhantova, L. A. Filippova // Biomedical Engineering. - 2011.- Vol. 45.-N. 2.-P. 72-75.

Публикации в других изданиях

9. Eruschova (Sergeantova), N. A. Anwenoung der neuronetz-technologien in der diagnostik der parameter von hamostase / M. A. Sidorova, N. A. Eruschova // Internationaler medizinischer kongress «Euromedica - Hannover 2008». Problem Abstracts - Germany; Hannover: Hannover Congress Centrum. - 2008. - P. 81-82.

10. Ерушова (Сержантова), H. А. Методы и средства измерения и анализа информативных параметров тромбоэмболии / М. А. Сидорова, Н. А. Ерушова, С. А. Калмыкова // Радиоэлектроника, электротехника и энергетика : сб. тр. XIII Междунар. науч.-техн. конф. студентов и аспирантов : в 3 т. - М.: Издательский дом МЭИ, 2007. - Т. 1. - С. 299-300.

11. Ерушова (Сержантова), Н. А. Некоторые аспекты применения средств медицинской техники для измерения параметров биологического объекта / М. А. Сидорова, Н. А. Ерушова, С. А. Калмыкова // Динамические и технологические проблемы механических конструкций и сплошных сред: сб. материалов XIII Междунар. симп. - М.: Изд-во МАИ, 2007. - С. 107-108.

12. Ерушова (Сержантова), Н. А. Применение нейронных сетей для повышения качества диагностики тромбозов и эмболий на основе параметров биохимии крови / М. А. Сидорова, Н. А. Ерушова, Т. В. Истомина // Надежность и качество : тр. Междунар. симп.: в 2 т. - Пенза : Изд-во Пенз. гос. ун-та, 2007. -Т. 2.-С. 154-155.

13. Ерушова (Сержантова), Н. А. Компьютерные технологии для диагностики патологий сердечно-сосудистой системы / М. А. Сидорова, Н. А. Ерушова // Современные информационные технологии: сб. ст. Междунар. науч.-техн. конф. -Пенза: Изд-во ПГТА, 2007. - С. 160-161.

14. Ерушова (Сержантова), Н. А. Инструментальные методы диагностики тромбоэмболии / М. А. Сидорова, Н. А. Ерушова // Актуальные проблемы науки и образования: сб. материалов науч. конф. студентов, аспирантов и молодых ученых : в 2 ч. - Пенза : Изд-во ПГТА, 2008. - Часть II. - С. 45-50.

15. Ерушова (Сержантова), Н. А. Особенности анализа клинических данных при нейросетевом исследовании параметров гемостаза / М. А. Сидорова, Н,А. Ерушова И Радиоэлектроника, электротехника и энергетика: сб. тр. XV Междунар. науч.-техн. конф. студентов и аспирантов : в 3 т. - М. : Издательский дом МЭИ, 2009. - Т. 1.-С. 233-235.

16. Ерушова (Сержантова), Н. А. Сравнительный анализ работы нейронных сетей различной архитектуры при решении задач классификации биомедицинских данных / Н. А. Ерушова, Ю. А. Фролова И Актуальные проблемы науки и образования : сб. материалов И научной конф. студентов, аспирантов и молодых ученых: в 2 ч. - Пенза: Изд-во ПГТА, 2009. - Часть И. - С. 69-71.

17. Сержантова, Н. А. Обоснование выбора специализированных программных пакетов для создания скрининговой системы, предназначенной для выявления нарушений гемостаза // Инновационные технологии в экономике, информатике и медицине : сб. материалов VI Межрег. науч. конф. студентов, аспирантов и молодых ученых. - Пенза: Изд-во ПГТА, 2009. - С. 62-64.

Научное издание Сержантова Наталья Александровна

Система экспресс-диагностики тромбозов иэмболий

Специальность 05.11.17 - Приборы, системы и изделия медицинского назначения

Подписано в печать 20.10.11. Формат 60x841/16. Усл. печ. л. 1,16. Заказ № 656. Тираж 100.

Издательство ПТУ. 440026, Пенза, Красная, 40. Тел./факс: (8412) 56-47-33; e-mail: iicigipn2gu.ru

ВВЕДЕНИЕ.

ГЛАВА 1 СРАВНИТЕЛЬНЫЙ АНАЛИЗ СУЩЕСТВУЮЩИХ МЕТОДОВ И СРЕДСТВ ДИАГНОСТИКИ ПАТОЛОГИЙ СЕРДЕЧНО-СОСУДИСТОЙ СИСТЕМЫ ЧЕЛОВЕКА.

1.1 Современные системы экспресс-диагностики заболеваний.

1.2 Методы и средства диагностики тромбозов и эмболий.

1.2.1 Систематизация методов диагностики тромбозов и эмболий.

1.2.2 Анализ преимуществ и недостатков существующих методов диагностики тромбозов и эмболий.

1.2.3 Методы диагностики тромбозов и эмболий, сопровождающиеся забором крови.

1.2.4 Средства диагностики тромбозов и эмболий.'

1.3 Разработка схемы алгоритма диагностики тромбозов и эмболий.

1.4 Выбор математических методов принятия решений в медико-биологическом эксперименте.

Современное состояние науки и техники характеризуется широким использованием информационных технологий в различных направлениях научных исследований: в проекте расшифровки генома, в медицинской диагностике, в проблемах оптимизации для различных областей технических наук и экономики, в автоматизации распознавания речи, в исследованиях космоса и т.д. Решению многих вопросов, связанных с разработкой информационных систем, а также методик и алгоритмов решения различных практических задач способствовали работы ученых A.B. Красова, В.И. Дмитриева, Т.А. Гавриловой, Л.Ю. Куликовского, Э.К. Шахова и др.

Одной из наиболее перспективных областей применения достижений современных информационных технологий является медицина и медицинская техника. Различные аспекты теории и практики применения информационных технологий в медицине для создания медицинских информационных систем, достаточно полно освещены в работах A.B. Гусева, В.Я. Гельмана, Б.А. Кобринского, Д.А. Новикова, А.П. Немирко, И.Н. Спиридонова, A.B. Самородова и др. Несмотря на большое количество проведенных исследований, остаются вопросы, требующие дополнительной проработки. К ним относятся вопросы создания систем экспресс-диагностики для медицины критических состояний, позволяющих исследовать слабоструктурированные клинические данные, производить постановку предварительного диагноза, а также осуществлять прогнозирование исходов заболеваний.

Актуальность исследований

Проблема нахождения функциональной зависимости по эмпирическим данным встает перед многими исследователями в различных отраслях науки. Данная проблема обычно решается при помощи методов интерполяции или экстраполяции. Применяются различные статистические методы, в большинстве случаев сводящиеся к построению линейных регрессионных уравнений.

Однако встречаются ситуации, когда найти зависимости при помощи такого подхода невозможно. В таких случаях применяются «интеллектуальные методы», такие как экспертные системы, нейронные сети, генетические алгоритмы и т.д. С помощью методов и алгоритмов интеллектуальной поддержки принятия решений решаются задачи сжатия массивов эмпирической информации, прогнозирования, классификации, диагностики и т.д. Указанные выше методы находят свое применение и в медицине.

Анализ применения компьютерных технологий в медицинских учреждениях показывает, что в основном они внедряются в областях, связанных с обработкой документации, хранением и передачей данных, а также для статистического анализа, в то время как некоторые важнейшие участки лечебно-диагностического процесса, такие как диагностика заболеваний, практически не используют возможности ЭВМ [1-3]. Во многом этому препятствуют особенности медико-биологической информации и психологический аспект восприятия решений, продиктованных компьютером.

Однако именно в этом сегменте медицинских технологий наиболее актуальным является внедрение компьютерных технологий в виде систем экспресс-диагностики, в основу которых заложены методы и алгоритмы интеллектуальной поддержки принятия решений.

С точки зрения компьютерных технологий система экспресс-диагностики представляет собой компьютерную автоматизированную систему, целью которой является помощь практикующим специалистам, принимающим решение в сложных условиях для полного и объективного анализа предметной деятельности [4]. Одним из социально значимых направлений разработки и внедрения систем экспресс-диагностики является исследование сердца и сосудов, так как заболевания этих органов занимают первое место в мире. Особое внимание при диагностике патологий сердечно-сосудистой системы следует обратить на тромбозы и эмболии.

Возникновение и развитие тромбозов и эмболий объединяет целый ряд заболеваний и осложнений, в том числе и такие грозные сердечно-сосудистые нарушения, как инфаркт миокарда, инсульт, тромбоэмболия легочной артерии.

В России венозным тромбозом ежегодно заболевают 240000 человек, а эмболия легочных артерий, в том числе фатальная, развивается у 100000 из них, что значительно превышает показатели заболеваемости туберкулезом, вирусным гепатитом, а также ВИЧ-инфекцией. По данным многочисленных патоло-гоанатомических исследований [5,6], в 50 - 80% случаев тромбоэмболия не диагностируется вообще, а во многих случаях ставится лишь предположительный диагноз.

Предупреждение и лечение тромбозов является одной из важнейших задач повседневной клинической практики. Широкое распространение тромбозов и эмболий, высокая летальность, разнообразие симптомов и осложнений, тяжелые последствия при несвоевременной диагностике нарушений подобного рода обусловливает актуальность исследований, направленных на поиск наиболее эффективных методов экспресс-диагностики данных патологий.

Применение «интеллектуальных» и алгоритмических методов в ходе проведения исследований связано с рядом особенностей данных для обработки и анализа, а также извлечения знаний:

1. Факторы риска данной патологии являются широко распространенными и к группе риска можно отнести подавляющее большинство населения.

2. Существующие приборы и методы экспресс-диагностики и комплексного исследования тромбоэмболизма дают четкую картину лишь в случае ярко выраженной нормы, либо при острой патологии.

3. До сих пор в клинической практике отсутствуют скрининг-тесты для определения застоя крови, прогнозирования гиперкоагуляции или утолщения сосудов, с возможным формированием тромба.

4. При анализе параметров возникает ряд трудностей, связанных с невозможностью разграничить диапазоны нормальных и патологических значений параметров. Представление о нормальном функционировании системы свертывания крови очень условно и не имеет четких рамок [7, 8].

Перечисленные выше особенности обусловливают тот факт, что для эффективной экспресс-диагностики врачу необходимо проанализировать достаточно большой объем слабо структурированных данных для каждого конкретного пациента в процессе массового обследования населения. Сделать это без применения средств вычислительной техники не представляется возможным. Поэтому, для повышения качества диагностики, необходимо разработать способ оценки состояния пациента, используя возможности современных компьютерных технологий, методов алгоритмизации и средств анализа данных, обнаружения закономерностей в данных и интерпретации полученных результатов.

Для" решения задач классификации (к которым можно отнести процесс постановки диагноза) и отнесения объекта с определенным набором признаков к одному из известных классов можно использовать различные математические методы, такие как дискриминантный, регрессионный анализ и др. Однако, характер исследуемых данных, сложность формализации зависимостей и большой объем вычислительных операций определяет выбор нейронных сетей в качестве математического аппарата для обработки.

Результаты исследований, полученные с применением информационных технологий, являются важными для обеспечения своевременной и качественной диагностики нарушений в системе свертывания крови на ранних стадиях развития заболеваний. Практическое применение системы экспресс-диагностики позволит в дальнейшем сократить временные и материальные затраты пациентов на дорогостоящую диагностику тромбозов и эмболий, а также автоматизировать процесс прогнозирования исхода заболевания.

Цель исследования

Разработка системы экспресс-диагностики тромбозов и эмболий на базе современных медицинских технологий диагностики и прогнозирования исходов заболевания для повышения диагностической эффективности способов и средств обработки и оптимизации клинических данных, получаемых в медицинском технологическом процессе.

Задачи исследования

1. Анализ существующих способов измерения и оценки исследуемых параметров сердечно-сосудистой системы, выявление их недостатков и обоснование разработки нового способа диагностики тромбозов и эмболий.

2. Разработка нового способа экспресс-\циагностики, основанного на применении современных нейросетев'ых технологий, отличающегося комплексной математической предварительной обработкой параметров гемостаза с последующим ^выявлением наиболее информативных признаков.

3. Разработка структуры и программного обеспечения системы экспресс-диагностики, производящей обработку, представление, передачу данных и* поддержку принятия врачебных решений.

4\ Оценка эффективности работы системы экспресс-диагностики для подтверждения адекватности результатов ее работы.

5. Внедрение разработанных способов и средств экспресс-диагностики тромбозов и эмболий.

Для г выполнения основной цели и поставленных задач в работе решены следующие вопросы:

• систематизация методов'диагностики тромбозов и эмболий по способу получения диагностической информации;

• систематизация методов диагностики тромбозов и эмболий по локализации поражений;

• разработка алгоритма проведения диагностических мероприятий при подозрении на тромбоз и/или тромбоэмболию;

• разработка алгоритма «отсева» малоинформативных параметров с целью оптимизации клинических данных;

• разработка алгоритма выбора структуры нейронных сетей, входящих в состав системы экспресс-диагностики;

• разработка алгоритма нейросетевой диагностики;

• разработка интерфейса пользователя системы экспресс-диагностики и прогнозирования исхода заболевания;

• экспериментально-математическая оценка информативности, чувствительности, специфичности и диагностической эффективности системы экспресс-диагностики.

Объектом исследования является система экспресс-диагностики патологий сердечно-сосудистой системы.

Предметом исследования является информационное, методическое и программно-алгоритмическое обеспечение системы.

Методы исследования

Для решения поставленных задач использовались методы системного анализа и теории биотехнических систем, принципы создания и функционирования программных средств вычислительной техники, методы алгоритмизации и объектно-ориентированного программирования для проведения исследований, методы оценки адекватности полученных результатов, а также интерпретации полученных экспериментальных данных.

Научная новизна исследования

1. Разработан новый способ экспресс-диагностики, основанный на применении современных нейросетевых технологий, который отличается комплексной предварительной математической обработкой параметров гемостаза с выявлением наиболее информативных признаков и обеспечивает повышение диагностической эффективности работы системы.

2. Предложен способ оптимизации клинических данных для решения задачи экспресс-диагностики, основанный на расчете значения эффективности диагностики и оценке «вклада» каждого отдельного параметра в увеличение эффективности.

3. Предложен и программно реализован алгоритм диагностики тромбозов и эмболий, отличающийся тем, что на базе нейросетевых технологий производится анализ наиболее информативных параметров гемостаза, позволяющий классифицировать состояние пациента как нормальное и патологическое, а также прогнозировать исход заболевания.

4. Разработаны структура и программное обеспечение системы экспресс-диагностики, производящей обработку, представление, передачу данных и поддержку принятия врачебных решений с помощью специализированного интерфейса.

Практическая значимость

Разработанная система экспресс-диагностики использована в клинической практике при лабораторном анализе, предварительной диагностике, прогнозировании течения заболеваний, а также в медицине критических состояний при планировании интенсивной терапии и для контроля ее эффективности. Кроме того, система используется в учебно-научном процессе кафедры «Информационные технологии и менеджмент в медицинских и биотехнических системах» Пензенской государственной технологической академии (ПГТА), занимающейся подготовкой специалистов по направлению «Биомедицинская инженерия» и кафедры «Анестезиология-реаниматология и скорая медицинская помощь» Пензенского института усовершенствования врачей (ПИУВ).

Применение данной системы позволяет сократить временные и материальные затраты на дорогостоящую диагностику тромбозов и эмболий, а также автоматизировать процесс прогнозирования исхода заболевания.

В круг пользователей системы входят практикующие врачи, персонал биохимических лабораторий, инженерный и преподавательский состав учреждений образования и здравоохранения, студенты специальностей медицинского и медико-технического профиля.

Внедрение результатов исследования

Результаты исследований внедрены в клиническую практику ПИУВ, технологический процесс ЗАО «Трибомаш» (г. Пенза), учебный процесс кафедры «Информационные технологии и менеджмент в медицинских и биотехнических системах» Пензенской государственной технологической академии и кафедры «Анестезиология-реаниматология и скорая медицинская помощь» ПИУВ.

Автор выражает благодарность кандидату медицинских наук, доценту кафедры «Анестезиология-реаниматология и скорая медицинская помощь» ПИУВ Л. А. Филипповой за предоставленные клинические данные параметров гемостаза и консультации по медицинским аспектам диссертационной работы.

Структура и объем диссертации

Общий объем работы составляет 185 страниц основного текста, в том числе 44 рисунка, 14 таблиц и 3 приложения.

Диссертация состоит из введения, четырех глав основного материала и приложений, заключения и списка использованных источников, содержащего 135 наименований.

Основные результаты диссертационной работы были использованы при разработке системы экспресс-диагностики тромбозов и эмболий, предназначенной для предварительной диагностики нарушений свертывания крови -тромбозов и эмболий, и прогнозирования исходов данных патологий. Разработанная система обеспечивает повышение диагностической эффективности способов и средств обработки и оптимизации клинических данных, получаемых в медицинском технологическом процессе.

Предложенные способы экспресс-диагностики патологий тромбозов и эмболий и оптимизации клинических данных позволяют сократить количество входных показателей до необходимого и достаточного количества, произвести постановку предварительного диагноза, дифференцировать несколько патологий и/или прогнозировать исход заболевания.

Полученные результаты использованы в клинической практике для создания автоматизированного рабочего места врача интенсивной терапии и мониторинга параметров гемостаза на основе нейросетевых технологий, а также применяются в качестве методического пособия для обучения специалистов медико-технического профиля с целью повышения их квалификации. Результаты проведенных исследований внедрены в технологический процесс ЗАО «Трибомаш» г. Пенза.

ЗАКЛЮЧЕНИЕ

В процессе подготовки диссертационной работы проводились теоретические и экспериментальные исследования. При проведении этих исследований были получены следующие новые результаты:

1. Проведен анализ существующих способов измерения и оценки информационных параметров сердечно-сосудистой системы, который показал, что среднее значение диагностической эффективности этих способов не превышает 80 %, и позволил сформулировать требования к разработке и реализации нового способа диагностики тромбозов и эмболий.

2. Разработан новый способ экспресс-диагностики, основанный на применении современных нейросетевых технологий, отличающийся комплексной математической предварительной обработкой параметров гемостаза с последующим выявлением наиболее информативных признаков, обеспечивающий повышение диагностической эффективности работы системы.

3. Предложен способ оптимизации информационных данных для решения задачи экспресс-диагностики, основанный на расчете значения эффективности диагностики и оценке «вклада» каждого отдельного параметра в увеличение эффективности, позволивший выявить 10 информативных параметров гемостаза.

4. Предложен и программно реализован алгоритм нейросетевой диагностики тромбозов и эмболий, отличающийся тем, что на базе нейросетевых технологий производится анализ наиболее информативных параметров гемостаза, позволяющий классифицировать состояние пациента как нормальное и патологическое, а также прогнозировать исход заболевания.

5. Разработаны структура и программное обеспечение системы экспресс-диагностики, производящей обработку, представление, передачу данных и поддержку принятия врачебных решений с помощью специализированного дружественного интерфейса, обеспечивающего автоматизацию следующих операций: ввод данных в базу; экспорт данных в нейросетевой блок; импорт результатов нейросетевого анализа в базу данных; интерпретация результатов работы нейронных сетей; постановка предварительного диагноза; получение справочной информации о скрининговой системе.

6. Экспериментально подтверждена эффективность нейросетевой диагностики тромбозов и эмболий. Чувствительность метода составила 88 %, специфичность - 94 %, диагностическая эффективность (безошибочность) — 92 %.

1. Платонов, А.Е. Статистический анализ в медицине и биологии: задачи, терминология, логика, компьютерные методы. -М.: Изд-во РАМН, 2000.

2. Ройтберг, Г.Е. Лабораторная и инструментальная диагностика заболеваний внутренних органов / Г.Е. Ройтберг, A.B. Струтынский. М.: Медицина, 2003.

3. Алгоритмы обработки экспериментальных данных / под ред. H.A. Овсевича. -М.: Наука, 1986.4. " Воробьев, A.B. Общие вопросы скрининга / A.B. Воробьев, А.Э. Протасова // Практическая онкология. Т. 11, №2 - 2010. С. 53-59.

4. Пермяков, Н.К. Патология реанимации и интенсивной терапии. — М.: Медицина, 1985.

5. Мировая статистика здравоохранения: 2010 год. Всемирная организация здравоохранения, 2010.

6. Кириенко, А.И. Острый тромбофлебит / А.И. Кириенко, A.A. Матюшенко, В.В. Андрияшкин. — М.: Изд-во «Литтерра», 2006.

7. Физиология человека / под ред. В.М. Покровского, Г.Ф. Коротько. — М.: Медицина, 2001.

8. Ерушова, H.A. Система скринингового исследования нарушений гемостаза / М.А. Сидорова, H.A. Ерушова // Каталог научно-технической продукции Пензенской государственной технологической академии: Выпуск 4. -Пенза: Изд-во ПТУ, 2007. С. 18-19.

9. Бердников, A.B. Медицинские приборы, аппараты, системы и комплексы. Часть 1. Технические методы и аппараты для экспресс-диагностики / A.B. Бердников, М.В. Семко, Ю.А. Широкова. Казань: Изд-во Казанского государственного технического университета, 2004.

10. Заявка на изобретение 95104727 Российская Федерация, МПК6 А61В10/00. Способ предварительного выявления носителей гарднереллеза /

11. Грачева З.А.; заявитель Грачева З.А. 95104727/14, 31.03.1995; опубл. 27.12.1996.

12. Пат. 2210972 Российская Федерация, МПК7 А61ВЗ/02. Устройство для скрининговой диагностики зрения / Золотов С.А., Воробьева Т.Л., Калинин Н.Н., Козлова Л.П., Швецова Л.И., Дудников C.B., Кезина Л.П., Сельцовский

13. A.П.; заявитель и патентообладатель ЗАО "H111I Центр "Реабилитация". № 2001134563/14; заявл. 21.12.2001; опубл. 27.08.2003.

14. Пат. 2357652 Российская Федерация, МПК7 А61ВЗ/024. Способ скрининговой диагностики глаукомы / Симакова И. Л., Волков В. В., Бойко Э.

15. B., Клавдиев В. Е., Андреа К.; заявитель и патентообладатель Симакова И. Л., Волков В. В., Бойко Э. В., Клавдиев В. Е. № 007137305/14; заявл. 08.10.2007; опубл. 10.06.2009.

16. Пат. 2155345 Российская Федерация, МПК7 G01N3 3/557, C12N15/12, C12N15/62, С07К14/705. Способ скрининга невропатологии / Килгэннон П. Д., Гэллатин У. М.; заявитель и патентообладатель Айкос К. № 97104028/13; заявл. 06.06.1996; опубл. 7.08.2000.

17. Большая медицинская энциклопедия / гл. ред. Б. В. Петровский. т. 25. - М.: Изд-во Советская энциклопедия, 1980.

18. Панченко, В.М. Свертывающая, противосвертывающая системы в патогенезе и лечении внутрисосудистых тромбозов. М.: Медицина, 1966.

19. Интегральная медицина XXI века: теория и практика. — Эл. уч. -Web: http://www.it-med.ru/library/libarticle.

20. Guidelines on diagnosis and management of acute pulmonary embolism. European Society of cardiology. Eur. Heart J., 2000. P. 1301-1336.

21. Munganelli, D., Palla, A., Donnamaria, V. et al. Clinical features of pulmonary embolism. Doubts and certainties // Chest. 1995. - Vol. 107. - P. 25-31.

22. Palla, A., Petruzzelli, S., Donnamaria, V. et al. The role of suspicion in the diagnosis of pulmonary embolism // Chest. 1995. - Vol. 107 (Suppl.). - P. 2124.

23. Stein, P.D., Athanasoulis, C., Alav,i A. et al. Complications and validity of pulmonary angiography in acute PE // Circulation. 1992. - Vol. 85. - P. 462-468.

24. Oger, E. Incidence of venous thromboembolism. EPI-GETBP Study Group. Thropmb. Haemost, 2000. P. 657-660.

25. Patil, S., Henry, J.W., Rubinfire, M. et al. Neural network in the clinical diagnosis of acute pulmonary embolism // Chest. 1993. - Vol. 104. - P. 1685-1689.

26. Передерий, В.Г., Безюк, H.H. Первичная профилактика венозной тромбоэмболии у больных терапевтического профиля эффективный способ снижения стационарной смертности // Украшський медичний часопис. - 2003. -№ 2. - С. 59-64.

27. Савельев, B.C. Современное состояние и перспективы развития проблемы тромбоэмболии легочной артерии // Кардиология. 1986. - № 9. - С. 5-12.

28. Савельев, B.C. Тромбоэмболия легочных артерий — классификация, прогноз и хирургическая тактика // Грудная хирургия. 1985. - № 5. - С. 10-15.

29. Ерушова, H.A. Исследование особенностей применения инструментальных методов диагностики тромбоэмболии / М.А. Сидорова, H.A. Ерушова // Медицинская техника: Научно-технический журнал. 2009. - № 1 — М., 2009. -С. 5-9.

30. Erushova, N.A. Study of Specificity of Application of Instrumental Methods to Thromboembolism Diagnosis /М.А. Sidorova, N.A. Erushova // Biomedical Engineering, 2009, Volume 43, Number 1, Pages 6-9.

31. Румянцев, А.Ш. Современная диагностика: важнейшие исследования при различных заболеваниях. — СПб, Изд-во «Невский проспект», 2003.

32. Эхокардиография— Эл. изд. Web: http://www.dic.academic.ru/ dic.nsf/encmedicine.

33. Варфарин Никомед: лечение и профилактика тромбозов и эмболии. -Эл. изд. Web: http://www.warfarin.ru.

34. Ройтберг, Г.Е. Внутренние болезни. Сердечно-сосудистая система / Г.Е. Ройтберг, A.B. Струтынский. — М.: Медицина, 2003.

35. Ангиопульмонография. Эл. изд. - Web: http://www.medkey.ru/ sur-geny/toracal/radiological.

36. Медицинский справочник. Тромбоэмболия легочной артерии (ТЭЛА). Эл. изд. - Web: http://www.smed.ru/guides.

37. Кохлер, Х.П. Тромбоэмболия легочной артерии // Внутренняя медицина. 2007. - №4. - С.

38. Савельев, B.C. Массивная эмболия легочных артерий / B.C. Савельев, Е.Г. Яблоков, В.И. Кириенко. М.: Медицина, 1990.

39. Рентгеноконтрастная флебография. Эл. изд. - Web: http://www.medideal.ru/zlphleb.

40. Escodro, Р.В., Lopes, P.F.R., Gianini, C.G. Differential diagnosis between aorto-iliac thrombosis and equine protozoal myeloencephalitis: case report // Arq.brasil.Med.veter.Zootecn., 2010; T.62, N 5. P. 1048-1053.

41. Якунин, Г. А. Современные методы анализа тромбодинамограммы. Методическое пособие: Ч. 1. М.: Медицина, 1973.

42. Долгов В.В. Лабораторная диагностика нарушений гемостаза / В.В. Долгов, П.В. Свирин. -М.: Изд-во «Триада», 2005.

43. Грицкж, А.И. Практическая гемостазиология / А.И. Грицюк, Е.Н. Амосова, И.А. Грицюк. Киев: Изд-во «Здоровье», 1994.

44. Кишкун, А.А. Руководство по лабораторным методам диагностики. М.: Издательская группа «ГЕОТАР-Медиа», 2007.

45. Спиридонов, А.В. Методы и алгоритмы вычислительной диагностики / И.Н. Спиридонов, А.В. Самородов. М.: Изд-во МГТУ им. Н.Э. Баумана, 2006.

46. Горбань, А.Н. Нейроинформатика / А.Н. Горбань, В.Л. Дунин-Барковский, А.Н. Кирдин. Новосибирск: Наука. Сибирское предприятие РАН, 1998.

47. Юнкеров, В.И. Математико-статистическая обработка данных медицинских исследований / В.И. Юнкеров, С.Г. Григорьев. СПб.: Изд-во ВМе-дА, 2002.

48. Сержантова, Н.А. Исследование возможности применения нейросетевых технологий для автоматизации лабораторных исследований /

49. Барский, А.Б. Нейронные сети: распознавание, управление, принятие решений. М: Финансы и статистика, 2004.

50. Медведев, В. С. Нейронные сети. MATLAB 6 / B.C. Медведев, В.Г. Потемкин. М.: Изд-во «ДИАЛОГ - МИФИ», 2002.

51. Яхъева, Г.Э. Нечеткие множества и нейронные сети: учебное пособие. — М.: Интернет-Университет Информационных технологий; БИНОМ. Лаборатория знаний, 2006.

52. Круглов, В.В. Искусственные нейронные сети. Теория и практика / В.В. Круглов, В.В.Борисов. — М.: Горячая линия — Телеком, 2001.

53. Круглов, В.В. Нечеткая логика и искусственные нейронные сети / В.В. Круглов, М.И. Дли, Р.Ю. Голубов. М.: Горячая линия - Телеком, 2001.

54. Экономическая информатика / под ред. П. В. Конюховского. — СПб.: Питер, 2000.

55. Кохонен, Т. Самоорганизующиеся карты. М.: Изд-во «БИНОМ. Лаборатория знаний», 2008.

56. Statsoft. Нейронные сети. Эл. уч. - Web: http://www.statsoft.com/ textbook/stneunet.html.

57. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский; пер. с польск. И.Д. Рудинского. М.: Изд-во «Горячая линия - Телеком», 2006.

58. Уоссермен, Ф. Нейрокомпьютерная техника: теория и практика / пер. с англ. Ю.А. Зуева, В.А. Точенова. М.:, 1992.

59. Хайкин, С. Нейронные сети. Полный курс / пер. с англ. H.H. Кус-суль, А.Ю. Шелестова. М.: Издательский дом «Вильяме», 2006.

60. Petterson, D.W. Artificial neural networks. Prentice Hall, 1998.

61. Fausett, L.V. Fundamentals of neural networks: architectures, algorithms and applications. Prentice Hall, 1993.

62. Современные направления развития нейрокомпьютерных технологий. Эл. уч.- Web: http://victoria.lviv.ua/html/oio/html/theme9rus.htm.

63. Artificial Intelligence and Knowledge Engineering. Web: http://zeus.sai. msu.ru/ 7000/hardware.

64. Нейронные сети: математический аппарат. Эл. изд. - Web: http://www.devbusiness.ru/development/dms/bgneironetsmath.htm.

65. Удод, А.А., Шамаев, В.В. Перспективы применения нейросетевых технологий в медицине. Эл. изд. - Web: http://www.rusnauka.com/ ONG/Medecine/7udod.doc.htm. '

66. Петунин, Ю.И. Приложение теории случайных процессов в биологии и медицине. Киев: Изд-во «Наукова думка», 1981. ,

67. Bishop, С.М. Neural networks for pattern recognition. Clarendon Press, 1995.

68. Shepherd, A.J. Second-order methods for neural networks: fast and reliable training methods for multi-layer perceptions. Springer, 1997.

69. Levenberg, K. A method for the solution of certain non-linear problems in liast-squares. Web: http://www.citeseerx.ist.edu.

70. Marquardt D.W. An algorithm for least squares estimation of non linear parameters. Web: http://www.citeseerx.ist.edu.

71. Golub, G., Kahan, W. Calculating the singular values and pseudo-invers of a matrix, SIAM Neural Analysis, B. 2, 2. 1965. P. 205 - 224.

72. Осовский, С. Нейронные сети для обработки информации / Пер. с польского И. Д. Рудинского. -М.: Финансы и статистика, 2002.

73. Зайцев; В.М. Прикладная медицинская; статистика: Учебное пособие / В.М. Зайцев, В.Г. Лифляндский, В.И: Маринкин. СПб: Изд-во «Фолиант», 2003.

74. Информационные потребности. Эл. изд. - Web: Http://www.market-pages.ru/infteh.

75. Куликовский, Л.Ф. Теоретические основы информационных процессов/ Л.Ф. Куликовский, B.Bi Мотов. М.: Высшая школа, 1987.

76. Громкович, Ю. Теоретическая информатика. — М.: 2006.

77. Гаврилова, Т.А. Базы знаний интеллектуальных систем / Т.А. Гаврилова, В.Ф. Хорошевский. СПб.: Питер, 2000.

78. Интернет-Университет Информационных Технологий. Основы проектирования реляционных баз данных. -Эл.изд- Web: http://www.intuit.ru.

79. Пржялковский, В. Модели, базы данных и СУБД в информационных системах // "Биосистемы в экстремальных условиях", Вычислительный центр РАН, М., 1996. С. 34-43.

80. Барсегян A.A. Методы и модели анализа данных: OLAP и Data Mining / A.A. Барсегян, М.С. Куприянов, В.В. Степаненко, И.И. Холод. СПб: Изд-во «БХВ-Петербург», 2004.

81. Ахо, A.B. Структуры данных и алгоритмы / A.B. Ахо, Д. Хопкрофт, Д.Д. Ульман; пер.с англ. A.A. Минько. М.: Издательский дом «Вильяме», 2003.

82. Макконел Дж. Основы современных алгоритмов / пер с англ. С.К. Ландо, М.В. Ульянова. М: Изд-во «Техносфера», 2004.

83. Уокенбах Дж. Профессиональное программирование на VBA в Excel 2002 / пер с англ. И.В. Василенко, И.В. Константинова, O.A. Лещинского, О.В. Шпырко. М.: Издательский дом «Вильяме», 2003.

84. Демидова, Л.А. Программирование в среде Visual Basic for Applications: Практикум / Л.А. Демилова, А.Н. Пылькин. — М.: Изд-во «Горячая линия Телеком», 2004.

85. Ануфриев, И.Е. MATLAB 7.0 / И.Е. Ануфриев, А.Б. Смирнов, E.H. Смирнова. СПб.: Изд-во «БХВ-Петербург», 2005.

86. Матюшкин, И.В. Практикум по ядру пакета MATLAB 7.2 R2006a: Учебное пособие. — М.: 2007.

87. Хлыбов, A.A. MathCad и MATLAB. Начальный курс: Учебно-методическое пособие / A.A. Хлыбов, О.Н. Хлыбова. — Н.Новгород: Изд-во НГПУ, 2007.

88. Бадриев, И.Б. Разработка графического пользовательского интерфейса в среде MATLAB / И.Б. Бадриев, В.В. Банд еров, O.A. Задворнов. Казань: Изд-во Казанского государственного университета, 2010.

89. Handal, J.J. Grafical Pilot Interface Simulator (GPIS). B.S.E.E., Louisiana State University, 2003.

90. Кетков, Ю.Л. MATLAB 7: программирование, численные методы / Ю.Л. Кетков, А.Ю. Кетков, М.М. Шульц. СПб.: Изд-во «БХВ-Петербург», 2005.

91. Любищев, A.A. Дисперсионный анализ в биологии. — Изд-во МГУ,1986.

92. Новиков, Д. А. Статистические методы в медико-биологическом эксперименте (типовые случаи) / Д.А. Новиков, В.В. Новочадов. — Волгоград, Изд-во ВолГМУ, 2005.

93. Лапач, С.Н. Статистические методы в медико-биологических исследованиях с использованием Excel / П. Н. Бабич, С. Н. Лапач, А. В. Чубенко — Киев: Морион, 2000.

94. Лакин, Г. А. Биометрия. М.: Высшая школа, 1991.

95. Закс Л. Статическое оценивание. М.: Статистика, 1976.

96. Адлер, Ю.П. Планирование эксперимента при поиске оптимальных условий / Ю.П. Адлер, Е.В. Маркова, Ю.В.Грановский. М.: Наука, 1976.

97. Бейли, Н. Математика в биологии и медицине / пер.с англ. Е.Г. Коваленко. -М.: Мир, 1970.

98. Serzhantova, N. A. Diagnosis and Prognosis of Peritonitis Outcome Using a Neural-Network System for Hemostasis Parameter Examination / M.A. Si-dorova, N.A. Serzhantova, L.A. Filippova // Biomedical Engineering, 2011, Volume 45, Number 2, Pages 72-75.

99. Eruschova, N.A. Anwenoung der neuronetz-technologien in der diagnostic der parameter von hämostase / M.A. Sidorova, N.A. Eruschova // Internationaler

100. Medizinischer Kongress "EUROMEDICA HANNOVER 2008". РгоЪ1еш Abstracts - Germany, Hannover: Hannover Congress Centrum, 2008. Pages 81-82.