CC BY
89
УДК 616.71
М. А. Сидорова, Н.А. Сержантова
АНАЛИЗ НАИБОЛЕЕ ИНФОРМАТИВНО-ЗНАЧИМЫХ ПАРАМЕТРОВ ГЕМОСТАЗА ПРИ ДИАГНОСТИКЕ НАРУШЕНИЙ СВЕРТЫВАЕМОСТИ
КРОВИ
Рассмотрены вопросы разработки системы скринингового исследования параметров гемостаза. Анализируется возможность повышения качества диагностики тромбозов и эмболий. Выявляются наиболее информативные параметры диагностики.
Гемостаз; нейронная сеть; норма; патология; анализ значимости; вероятность правильной классификации; эффективность диагностики.
M.A. Sidorova, N.A. Serzhantova THE ANALYSIS OF THE INFORMATIVELY MOST-SIGNIFICANT OF THE HEMOSTASIS PARAMETERS AT OF DISTURBANCES COAGULABILITY OF THE BLOOD DIAGNOSTICS
Questions of system engineering scrining researches of a hemostasis parameters are surveyed. The opportunity of improvement of diagnostics quality of clottages and embolisms is analyzed. The most informative parameters of diagnostics are taped.
Hemostasis; neuronic network; norm; pathology; analysis of the importance; probability of correct classification; efficiency of diagnostics.
В настоящее время одной из важнейших проблем медицины является высокая смертность населения России из-за сердечно-сосудистых заболеваний практически всегда сопровождающихся тромбозами, опасными увеличением риска внезапной смерти.
Согласно современным представлениям, внутрисосудистое тромбообразо-вание является сложным процессом, обусловленным воздействием многих факторов. Среди причин, способствующих развитию внутрисосудистого тромбоза, большое значение придают изменению сосудистой стенки, нарушению гемодинамики, склонности к спазмам артерий, изменению в системе гемостаза (нарушения свертывания крови). Очевидно, что исследование параметров гемостаза и их влияния на процессы тромбообразования представляет большой практический интерес [1].
Под системой гемостаза понимают совокупность компонентов кровеносных сосудов, крови и их взаимодействий, которая обеспечивает поддержание целостности кровеносных сосудов, жидкое состояние крови внутри сосудов и остановку кровотечения при повреждении сосуда [1].
Современная медицина оперирует множеством различных биохимических показателей, характеризующих коагуляционный гемостаз. Основными параметрами гемостаза (наиболее часто используются при диагностике нарушений свертывания крови в силу своей информативности и невысокой стоимости реагентов для лабораторной диагностики) являются следующие: Вс - время свертвания (мин); Эх
- эхитоксовое время (с); Ат3 - антитромбин III (мг/л); АПТВ - активированное парциальное (частичное) тромбопластиновое время (с); АПТВк - активированное парциальное (частичное) тромбопластиновое время (с) в контрольном образце; Тв
- тромбиновое время (с); Оф - ортофенантролин (мг/дл); Кл - клампинг-тест (тест
склеивания стафилококков) (г/л); ААТ2 - показатель агрегационной активности одного тромбоцита при индукции агрегации разведением гемолизата 10-2 (с); ААТ6 - показатель агрегационной активности одного тромбоцита при индукции агрегации разведением гемолизата 10-6 (с); ИАТ - индекс активации тромбоцитов (ААТ6/ААТ2); Хзф - хагеман-зависимый фибринолиз (мин); Иэф - индуцированный стрептокиназой эуглобулиновый фибринолиз (с); Пти - протромбиновый индекс (%); Фг - фибриноген (г/л); Тромб - количество тромбоцитов (тыс./мкл).
При анализе параметров возникает ряд трудностей, связанных с невозможностью разграничить диапазоны нормальных и патологических значений параметров. Проведенные авторами исследования показали, что для назначения комплекса диагностических мероприятий целесообразно производить скрининговое исследование, позволяющее получить предварительный диагноз, и, с заданной точностью, определить вероятность возникновения той или иной патологии системы гемостаза.
Постановка диагноза, в общем случае сводящаяся к классификации состояния пациента как нормального или патологического, очень плохо алгоритмизируется. Поэтому в качестве основы для построения скрининговой системы были выбраны нейронные сети, так как они способны обучаться, а также обобщать накопленную информацию и вырабатывать ожидаемую реакцию применительно к данным, не обрабатывавшимся в процессе обучения.
В рассматриваемой скрининговой системе были использованы однонаправленные двухслойные нейронные сети (рис. 1). Число входов определяется количеством исследуемых параметров гемостаза - их 16. Выходов у нейронной сети два -первый выход несет информацию о патологических значениях параметров гемостаза, второй выход отвечает за формирование единичного сигнала в случае, когда параметры гемостаза соответствуют области нормы.
Нейронные сети обучались и тестировались на реальных клинических данных, предоставленных специалистами Городской больницы скорой медицинской помощи им. Г. А. Захарьина, г. Пензы.
Г
—* 1Уи{1,1}
Ь{1}
16 16 2 Рис. 1. Однонаправленные двухслойные нейронные сети
На первом этапе было сформировано обучающее множество - матрица, содержащая как нормальные, так и патологические комбинации значений 16 параметров свертывания, приведенных ранее. Количество столбцов матрицы равно количеству исследуемых параметров свертывания, количество строк соответствует объему данных о значениях параметров свертывания при различных патологиях системы гемостаза, а также о значениях этих параметров у здоровых людей. Одновременно была сформирована матрица желаемых результатов, состоящая из нулей и единиц. Количество строк в матрице желаемых результатов (МЖР) соответствует количеству строк обучающего множества (ОМ), количество столбцов равно двум. Значения в столбцах всегда парные: 0 и 1, если строка ОМ содержит нормальные значения параметров гемостаза; 1 и 0, если строка ОМ содержит патологические значения. В качестве примера в табл. 1 приведен фрагмент данных для ОМ и МЖР.
На втором этапе производилось обучение нейронных сетей, созданных с использованием стандартных средств пакета ЫАТЬАБ, то есть настройку весов и смещений нейронной сети таким образом, чтобы при предъявлении входного множества, на выходе формировалась МЖР. В ходе тестирования [2] алгоритмов обучения, наиболее эффективным был признан алгоритм Левенберга - Марквардта (наименьшее время обучения, наименьшее количество циклов обучения, наименьшая вычислительная сложность).
Таблица 1
Данные для обучающего множества Данные для матрицы желаемых результатов
Тв ИАТ Иэф Пти Фг Тромб Патология Норма
16 0 86 3,17 176 1 0
14 1,14 77 88 3,77 188 0 1
После обучения сети производился контроль работы, т.е. оценка эффективности работы нейронной сети в задаче обнаружения (классификации). С этой целью использовались контрольные множества, содержащие наборы как нормальных, так и патологических параметров гемостаза, а также МЖР для контрольных множеств. Сравнивая результат работы нейронной сети с контрольным МЖР (табл. 2), на основании различных статистических критериев оценили эффективность работы нейронной сети, а также интерпретировали результаты исследования.
Для оценки качества работы рассматриваемой нейронной сети был применен стандартный статистический аппарат [3], а именно произведена проверка независимости, информативности и точности нейросетевой модели (табл. 3).
Таблица 2
Результат работы НС Контрольная МЖР
Патология Норма Патология Норма
1,99Е-05 0,99999 0 1
0,99998 1,73Е-05 1 0
Таблица 3
О Среднее значение Дисперсия СКО Су Сє
0,158003 0,088401 0,297323 188,1753 26,61201
А Среднее значение Дисперсия СКО Су Сє
0,307692 0,221538 0,470679 152,9706 21,63331
Оценка информативности Я2=0,399033
Проведенные исследования показали, что использование стандартного статистического аппарата не позволяет адекватно оценить работу нейронных сетей, так как рассматриваемые признаки варьируют в широких пределах.
Дополнительно применялся математический аппарат биометрических исследований [4]. Произведен расчет количества информации по Шеннону (а = 1,12), коэффициент информативности по Кульбаку (1=-10, 24), аргумент распределения Стьюдента (1=5,35), а также коэффициент корреляции симптома с верифицированным диагнозом (г=0,64) для всех исследуемых показателей. Также анализирова-
лись отдельные параметры. Однако математический аппарат биометрических исследований также не дал положительного результата, так как в его основе лежит изучение отдельных пациентов и отдельных симптомов, влияющих на конкретный диагноз. Нейронные сети работают с экспериментальными выборками клинических данных, касающихся группы пациентов, а результат работы нейронной сети фактически представляет собой один симптомокомплекс. Однако поиск оптимального набора исследуемых параметров [4] позволил определить процент эффективности постановки предварительного диагноза нейронной сетью.
Оценка эффективности диагностики проводилась согласно следующему алгоритму [4]:
1. Проведение нейросетевой диагностики с использованием всех информативных симптомов.
2. Определение эффективности диагностики по формуле
п=Ппр+Ш1 П1
где п - эффективность диагностики, Ппр - процент правильных диагнозов, Ш1 -штраф за ошибку первого рода, П1 - процент ошибок первого рода, Ш2 - штраф за ошибку второго рода, П2 - процент ошибок второго рода.
Эффективность нейросетевой диагностики, с использованием всех информативных симптомов, составила 85 %.
3. Исключается один из параметров и вновь ставится диагноз и определяется эффективность диагностики. Если новое значение эффективности больше предыдущего, то исключается следующий параметр и опять определяется эффективность. Так продолжается до тех пор, пока не наступит момент, когда нельзя ни прибавить ни убавить ни одного параметра с тем, чтобы не уменьшить значение п.
Результаты расчета эффективности при исключении параметров сведены в табл. 4.
Таблица 4
Искл. парам. Все парам. о М к л Й М Ё л и М Ё Л М Н о ■ <м н < < н < < Н < К * л К И н и и тромб
1Л 00 00 00 00 00 с* 00 00 00 00 00 00 00 00 00 00 00 1Л 00
В табл. 4 цветом выделены параметры, исключение которых приводит к увеличению вероятности правильной классификации состояния пациента. На основании этого построили нейронную сеть, обученную на тех же данных, но по 10 параметрам (из исходного обучающего множества исключили столбцы, в которых содержится информация о параметрах Ат3, АПТВ, ААТ2, ААТ6, ИАТ, Фг; анализируемые параметры: Вс, Эх, АПТВк, ТВ, Оф, Кл, Хзф, Иэф, Тпи, Тромб). Для данной нейронной сети была рассчитана эффективность диагностики, которая составила 92 %. Таким образом, сокращение анализируемых параметров привело к повышению качества классификации состояния пациента нейронной сетью.
В настоящий момент авторами проводится дополнительная статистическая обработка результатов исследования, целью которой является выявление опти-
мального математического аппарата, применение которого позволит адекватно оценить результат работы нейронных сетей.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Панченко В.М. Свертывающая, противосвертывающая системы в патогенезе и лечении внутрисосудистых тромбозов. - М., 1966. - C. 286.
2. Оссовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Ру-динского. - М.: Финансы и статистика, 2002. - C. 344.
3. Лапач С.Н., Чубученко А.В., Бабич П.Н. Статистические методы в медикобиологических исследованиях с использованием Excel. - Киев: Морион, 2000. - C. 468.
4. Спиридонов И.Н., Самородов А.В. Методы и алгоритмы вычислительной диагностики. -М.: Изд-во МГТУ им. Н.Э. Баумана, 2006. - C. 50.
Сержантова Наталья Александровна
Пензенская государственная технологическая академия (ПГТА).
E-mail: [email protected].
440605, г. Пенза, пр. Байдукова/ул. Гагарина, д.1а/11, тел.: (8412)496155.
Кафедра «Информационные технологи и менеджмент в медицинских биосистемах» (иТмМбС), ассистент.
Sergantova Nataliya Alexandrovna
Penza State Technological Academy (PSTA).
E-mail: [email protected].
Pr. Bayducova/st. Gagaryna, 1а/11, Penza, 440605, Russia, Phone: (8412)496155.
Department Computer Technologies and Management in Medical and Biotechnical Systems» (CTMMBS), assistant.
Сидорова Маргарита Александровна.
Пензенская государственная технологическая академия (ПГТА).
E-mail: [email protected].
440605, г. Пенза, пр. Байдукова/ул. Гагарина, д.1а/11, тел.: (8412)496155.
Кафедра «Информационные технологи и менеджмент в медицинских биосистемах» (ИТмМбС), доцент, к.т.н.
Sydorova Margarita Alexandrovna.
Penza State Technological Academy (PSTA).
E-mail: [email protected].
Pr. Bayducova/st. Gagaryna, 1а/11, Penza, 440605, Russia, Phone: (8412)496155.
Department Computer Technologies and Management in Medical and Biotechnical Sys-tems» (CTMMBS), senior lecturer, Cand. of Tech. Sci.
УДК 612.821
А.А. Скоморохов, С.М. Захаров
ЭГОСКОПИЯ - ОСНОВНЫЕ ПРИНЦИПЫ И ТЕХНОЛОГИЯ РАБОТЫ
Рассмотрены основные принципы эгоскопии и технология работы, базирующейся на регистрации и анализе физиологических и пиктографических реакций в процессе выполнения психологических и психофизиологических тестов.
Психологическое тестирование; психофизиология эгоскопия; пиктополиграфия.
