Автоматизированный подход к принятию медицинского решения для диагностики инфаркта миокарда при длительном космическом полете к другим планетам Текст научной статьи по специальности «Компьютерные и информационные науки»

4. Гибкость программных решений может быть достигнута не стандартными имитаторами искусственных нейронных сетей, а программными модулями, сопряжёнными с системой технического зрения и средствами промышленной роботизации на уровне конкретных проектов, т.е. требуется программный компонент.

В ходе дальнейших исследовательских работ планируется рассмотреть методологический подход к решению поставленной задачи на базе искусственных нейронных сетей, а так же создать модель сцены позиционирования деталей на конвейере, алгоритмы обучения нейронной сети и распознавания для задачи выделения образа детали на изображении.

Список литературы:

1. Аксенов С.В., Новосельцев В.Б. Организация и использование нейронных сетей (методы и технологии).

Томск: Издательство научно-технической литературы, 2006. - 128 с.

2. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений. М.: Финансы и статистика, 2004. - 176 с.

3. Головко В.А. Нейроинтеллект: Теорияипримене-ния. Книга 1. Организация и обучение нейронных сетей с прямыми и обратными связями. Брест: БПИ, 1999. - 260 с.

4. Ким Н.В. Обработка и анализ изображений в системах технического зрения. М.: МАИ, 2001. - 160 с.

5. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия - Телеком, 2002. - 382 с.

6. Сойфер В.А. Методы компьютерной оптики. М.: Физматгиз, 2000.

АВТОМАТИЗИРОВАННЫЙ ПОДХОД К ПРИНЯТИЮ МЕДИЦИНСКОГО РЕШЕНИЯ ДЛЯ ДИАГНОСТИКИ ИНФАРКТА МИОКАРДА ПРИ ДЛИТЕЛЬНОМ КОСМИЧЕСКОМ ПОЛЕТЕ К

ДРУГИМ ПЛАНЕТАМ

Литвина Дарья Владимировна

Стажер, Московский авиационный институт (Национальный исследовательский университет), аэрокосмический

факультет, кафедра системы жизнеобеспечения, Москва

АННОТАЦИЯ

Для своевременного предупреждения чрезвычайной ситуации на борту космического аппарата в условиях воздействия дополнительных негативных факторов длительного космического полета к другим планетам, в том числе на сердечно-сосудистую систему, требуется усовершенствование диагностических мероприятий. Этого возможно достичь при разработке и внедрении автоматизированной системы поддержки принятия медицинского решения.

ABSTRACT

To warn of an emergency on board the spacecraft under the impact of additional negative factors of prolonged space flight to other planets, including on the cardiovascular sy&em, requires improvement of diagno^ic measures. This can be achieved in the development and implementation of an automated sy&em to support medical decisions.

Ключевые слова: теория принятия решения, чрезвычайная ситуация, теорема Байеса.

Keywords: theory of decision support, emergency, Bayes' theorem.

Введение. Важную роль в обеспечении безопасности экипажа при длительных космических полетах (ДКП) к другим планетам занимает медицинский контроль (МК). В условиях ДКП при недостаточном уровне эффективности МК возможно развитие ряда заболеваний, что может негативно сказаться на безопасности экипажа в ДКП и успешном завершении миссии в целом [1]. Следует заметить, что многие методы МК разрабатываемые и используемые в космической медицине, нашли свое применение в общей медицинской практике, а сами научные исследования в области МК принесли новые знания об особенностях функционирования организма человека и его возможностей в экстремальной ситуации ДКП.

Целью исследования является своевременная и корректная диагностика опасных состояний космонавтов на борту космического аппарата в условиях ДКП для предупреждения чрезвычайных медицинских ситуаций. Этого возможно достичь при помощи, разработки алгоритма на базе системы поддержки принятия медицинского решения

для наиболее опасных состояний, таких как острый коронарный синдром (ОКС) и инфаркт миокарда (ИМ) с целью предотвращения чрезвычайных ситуаций на борту.

Исследовательская часть. Особое место в обеспечении медицинского контроля пилотируемых полетов занимает предупреждение развития сердечно-сосудистых заболеваний среди прочих.

Безусловно, космонавты проходят тщательный медицинский отбор, прежде чем отправиться в космическую миссию, однако воздействие негативных факторов ДКП и автономность экипажа создают повышенную вероятность возникновения опасных состояний здоровья, в том числе по кардиологическому профилю. Одним из самых опасных сердечно-сосудистых заболеваний является инфаркт миокарда, проявления которого может поставить под вопрос безопасность всей миссии и как следствие привести к чрезвычайной ситуации на борту. Для предупреждения подобных ситуаций необходимо осуществлять как можно более раннюю диагностику.

Известно, что основным симптомом острого коронарного синдрома (ОКС) является боль, локализованная за грудиной, однако лишь одна треть пациентов с данным диагнозом имели подобное развитие заболевания. Согласно результатам крупных исследований, порядка 50% пациентов с подозрением на ОКС при госпитализации не имеют диагностически значимых изменений на ЭКГ. В таком случае значительную помощь оказывает определение содержания маркеров некроза миокарда в крови.

Оптимально выбрать следующие кардиомаркеры: мио-глобин, тропонин I и КФК фракция МВ. Однако стоит отметить, что миоглобин не является специфичным фактором некроза миокарда в отличие от тропонина I и КФК фракция МВ. Следовательно, для диагностики в условиях ДКП оптимально использовать суммарно три показателя, которые предполагается контролировать при помощи метода «сухая химия» [2].

В рамках решения задачи автоматизации ранней диагностики ИМ необходимо применить методы машинного обучения, так называемое «обучение с учителем», которое заключается в наличие обучающей выборки, которая содержит информацию о симптомах заболевания и разделена на классы, а классовая принадлежность других симптомов не известна, требуется разработать алгоритм, способный классифицировать произвольный симптом или набор симптомов

[3].

На основании собранных клинических данных пациентов, была сформирована оптимальная обучающая выборка из 96 подтвержденных случаев ИМ. Выборка представляет собой клинические данные по трем биохимическим показателям, размеченные в соответствии с медицинским заключением лечащего врача, необходимые для процесса «обучения» математической модели.

Для решения данной задачи выбран наивный байесовский классификатор (НБК), который основан на формуле Байеса. При практической реализации данного алгоритма формула Байеса примет следующий вид [5]:

Di=arg ^РфО+^-^Р^ р) ), (1)

где Р(Р0 -априорная вероятность диагноза Di безотносительно к информации о наличии симптомов Sj,

Р(Р^) - апостериорная вероятность диагноза Di при наличие комплекса симптомов Sj,

Р^р^ -правдоподобие диагноза Di при появление сим-

птомов Sj,

Р (Sj) -вероятность одновременного наступления всех симптомов Sj.

На базе теоремы Байеса был разработан НБК и обучен на основании выборки данных. При проведении оценки достоверности методом перекрестной прроверки, была выявлена точность не менее 95%.

Заключение. На базе формулы Байеса создан НБК, а так же сформирована оптимальная обучающая выборка, которая позволяет добиться высокой точности работы классификатора при диагностики ИМ по трем маркерам некроза миокарда. Практическое применение возможно в условиях ДКП, а так же на любых других изолированных объектах.

Список литературы

[1] - Егоров А.Д., Теория и методология медицинского контроля в длительных космических полетах [Электронный ресурс] / Актовая речь д.м.н., проф. Егоров А.Д. - Электрон. текстовые дан. - Москва, 2001. - Режим доступа: http:// www.imbp.ru/webpages/win1251/Science/UchSov/Docl/2001/ Egorov_actsp.html, свободный.

[2] - Строганова Л.Б., Медицинский контроль состояния жидких сред организма человека в экстремальных условиях космического полета: автореф. Дис. на соиск. уч. степ. канд. тех. наук (05.26.02, 14.00.32) / Строгонова Любовь Борисовна, Московский авиационный институт (государственный технический университет, - Москва. - 2002, - 50 с.

[3] - Классификация [Электронный ресурс] - Режим доступа: http://www.machinelearning.ru/wiki/index.php?title=% D0%9A%D0%BB%D0%B0%D1%81%D1%81%D0%B8%D1 %84%D0%B8%D0%BA%D0%B0%D1%86%D0%B8%D1% 8F, свободный.

[4] - Евдокименков В.Н., Компьютерные технологии сбора, обработки и анализа данных медико-биологических исследований / Евдокименков В.Н. - Москва: Издательство МАИ, 2005.

[5] - Коэльо Л.П., Построение систем машинного обучения на языке Python / Коэльо Л.П., Ричарт В. - Москва: ДМК Пресс, 2016