CC BY
20
Математическое моделирование www.idmz.ru -ЕЗ!
2018, № 4 *
Н.А. БЛАГОСКЛОНОВ,
Федеральный исследовательский центр «Информатика и управление» Российской академии наук, г. Москва, Россия, e-mail: nblagosklonov@gmail.com Б.А. КОБРИНСКИЙ,
д.м.н., профессор, Федеральный исследовательский центр «Информатика и управление» Российской академии наук, г. Москва, Россия; Российский национальный исследовательский медицинский университет им. Н.И. Пирогова Минздрава России, г. Москва, Россия, e-mail: kba_05@mail.ru А.Б. ПЕТРОВСКИЙ,
д.т.н., профессор, Федеральный исследовательский центр «Информатика и управление» Российской академии наук, г. Москва, Россия; Белгородский государственный национальный исследовательский университет, г. Белгород, Россия; Белгородский государственный технологический университет им. В.Г. Шухова, г. Белгород, Россия; Волгоградский государственный технический университет, г Волгоград, Россия
ДИАГНОСТИКА И ВЫБОР ЛЕЧЕНИЯ ПЕЧЕНОЧНОЙ НЕДОСТАТОЧНОСТИ: МОДЕЛЬ МУЛЬТИМНОЖЕСТВА
УДК 51.78: 616.3
Благосклонов Н.А, Кобринский Б.А., Петровский А.Б. Диагностика и выбор лечения печеночной недостаточности: модель мультимножества (Федеральный исследовательский центр «Информатика и управление» Российской академии наук, г. Москва, Россия; Российский национальный исследовательский медицинский университет им. Н.И. Пирогова Минздрава России, г. Москва, Россия; Белгородский государственный национальный исследовательский университет, г. Белгород, Россия; Белгородский государственный технологический университет им. В.Г. Шухова, г. Белгород, Россия; Волгоградский государственный технический университет, г. Волгоград, Россия)
Аннотация. В работе рассматривается применение мультимножеств или множеств с повторяющимися элементами при моделировании диагностики и лечения печеночной недостаточности, учитывающем различные формы заболевания, этапы его течения, варианты лечебной тактики в зависимости от формы печеночной недостаточности. Модели «Пациент с печеночной недостаточностью» и «Лечение печеночной недостаточности» позволяют обеспечить эффективный подбор персонифицированной лечебной тактики.
Ключевые слова: печеночная недостаточность, лекарственно-индуцированное поражение печени, выбор альтернативного лечения, мультимножество.
UDC 51.78: 616.3
Blagosklonov N.A., Kobrinskii B.A., Petrovsky A.B. Diagnosis and treatment of liver failure: multiset model
(Federal Research Center "Computer Science and Control", Russian Academy of Sciences; N.I. Pirogov Russian National Research Medical University, National Research University "Belgorod State University"; V. G. Shukhov Belgorod State Technological; University, Volgograd State Technical University)
Abstract. The paper considers the use of multisets or sets with repeating elements in the modeling of diagnosis and treatment of hepatic failure, taking into account various forms of the disease, the stages of its course, variants of therapeutic tactics depending on the form of liver failure. Models "Patient with hepatic failure" and "Treatment of hepatic failure" allow to provide an effective selection of personalized medical tactics. Keywords: hepatic failure, drug-induced liver injury, choice of alternative treatment, multiset.
T
© Н.А. Благосклонов, Б.А. Кобринский, А.Б. Петровский, 2018 г.
и информационные
технологии
ВВЕДЕНИЕ
Математические модели управления находят все большее применение в медицине [2]. Такие модели могут также эффективно использоваться для классификации и последующего принятия клинических решений при диагностике и выборе адекватного терапевтического подхода. Персональный подход к лечению пациентов с печеночной недостаточностью (ПН) является важным условием эффективности излечения, ремиссии или даже сохранения жизни. Выбор лечебной тактики зависит от характера поражения печени, проявлений печеночной недостаточности и тяжести заболевания.
Представляется целесообразным классифицировать хроническую печеночную недостаточность (ХПН) и острую печеночную недостаточность (ОПН), подразделяя их на классы на основе ведущих синдромов [14], для чего применить моделирование на основе мультимножества. Мультимножество, включающее повторяющиеся элементы, позволяет рассматривать в единстве модель пациента с различными вариантами клинического проявления печеночной недостаточности и модель лечения печеночной недостаточности с использованием различных методов.
Проблема неопределенности клинических проявлений и ее интерпретация
Доктор Ф.П. Гааз [12] еще в 1811 году писал: «Медицина - самая трудная из наук. Не только вследствие бесконечного множества болезней и не потому, что ей потребно множество других вспомогательных наук, но главным образом потому, что никакие элементы ни одной из ее проблем не могут быть точно рассчитаны, но всегда устанавливаются и расцениваются приближенно».
Клинические проявления печеночной недостаточности, как и многих других заболеваний, характеризуются некоторой неопределенностью и нечеткостью переходов, в частности
неблагоприятное течение лекарственно-индуцированного поражения печени (ЛИПП) может привести к ПН, хотя ЛИПП не является одной из форм печеночной недостаточности, но присутствует схожая этиология, симптоматика и если пациенту не оказать своевременного лечения, то данное заболевание в очень короткие сроки трансформируется в острую печеночную недостаточность с печеночной энцефалопатией [10]. Также возможен переход от одной формы ПН к другой в процессе развития заболевания и продолжающегося воздействия неблагоприятных факторов. Таким образом, мы имеем дело с нечеткими проявлениями многоуровневой классификации заболевания, что создает серьезные трудности диагностического плана. Это является отражением общей нечеткой картины мира при попытках упорядочения знаний и явлений по их глубине и выраженности. Существуют различные подходы к решению этого вопроса.
Проблема неопределенности получила развитие в качестве математического подхода в конце XIX века. Теория приближенных множеств (rough sets) была разработана Здис-лавом Павлаком [13] для описания неопределенности, неточности и неуверенности. Позднее понятия недоопределенности, неточности и неоднозначности было предложено условно называть НЕ-факторами [3]. Неоднозначное значение является более сложным, чем недо-определенное, поскольку кроме недоопре-деленного интервала включает заданное на нем распределение вероятности (возможности, правдоподобия, уверенности и т.п.). Эта оценка может характеризовать как объективный опыт в форме вероятности, так и субъективный в виде возможности и т.п.
Группу объектов, объединяемых отношениями неразличимости, сходства, близости или функциональности, Лотфи Заде назвал гранулой [15]. Гранулярная структура - это семейство гранул, связанных между собой отношением вложенности. В соответствии с принципом
Математическое моделирование
www.idmz.ru
РЧН
грануляции Заде, степень гранулярности измеряемой информации должна соответствовать допустимому уровню неточности при решении конкретной задачи. Грануляция - возможность представлять и оперировать данными, информацией, знаниями на различных уровнях детализации - представляется одним из ключевых свойств когнитивных измерений. Термин «грануляция» охватывает процессы композиции (формирования более крупных гранул) и декомпозиции (формирования более мелких гранул). Выбирая различные степени грануляции измеряемой информации, можно определять различные уровни детализации знаний. Грануляция информации основана на неклассическом представлении множества. Классическими моделями гранул являются подмножества, интервалы, разбиения, покрытия, окрестности, распределения [7].
Теоретико-множественный подход
Анализ структуры данных необходим при формировании базовых концепций системы обработки знаний. В теории множеств считается, что множество однозначно определено своими элементами [9]. Переопределенное множество - это множество с избыточной и противоречивой информацией относительно принадлежности его элементов. Недоопреде-ленное множество представляет собой множество с неполной информацией относительно принадлежности его элементов, когда в данный момент времени ситуация является неопределенной, но впоследствии поступление информации может внести определенность [8]. Строго говоря, модель - это множество, включающее интерпретацию некоторых символов отношений и констант, которые могут как присутствовать, так и отсутствовать [11]. В медицине, во время диагностического процесса, появляется возможность получения новых данных, которые могут или уточнить, или изменить первичную диагностическую гипотезу. Течение
2018, № 4
заболевания может характеризоваться появлением новых признаков, что не исключает переход отдельных элементов (объектов, характеризующих состояние больных) в другое подмножество.
Обобщением понятия множества является мультимножество, в котором, в отличие от множеств, один и тот же элемент может присутствовать многократно, что делает мультимножество качественно новым математическим понятием [6]. Мультимножества являются удобной математической моделью для представления многопризнаковых объектов, признаки которых могут быть непрерывными и дискретными, количественными и качественными, или смешанными. В ряде случаев представление многопризнакового объекта в виде мультимножества можно рассматривать и как коллективное решающее правило, объединяющее индивидуальные классифицирующие правила нескольких экспертов. Для сравнения и выбора объектов разработаны методы коллективного упорядочения АРАМИС и классификации МАСКА, основанные на теории мультимножеств [5].
Модели пациента с печеночной недостаточностью и принципов лечения
Модель лечения ПН функционирует на основе информации о множествах и подмножествах мультимножества пациентов с острой и хронической печеночной недостаточностью, где отдельные элементы (признаки) могут многократно повторяться. На этапе построения модели лечения больных с различными формами печеночной недостаточности была осуществлена коррекция построенной ранее модели пациента с ПН [1]. Необходимость ее модификации определялась потребностью более тонкой настройки модели лечения.
Коррекция модели пациента включала рассмотрение «Обострения хронической ПН», характеризующейся сходством как с хронической,
>
и информационные
технологии
так и с острой ПН в качестве самостоятельного нечеткого подмножества. В множестве «Острая ПН» выделены подмножества «Фуль-минантная форма острой ПН» и «Лекарственно-индуцированное повреждение печени». Выделение названных подмножеств определяется особенностями лечебной тактики при различных формах печеночной недостаточности. В результате скорректированная модель позволяет наиболее эффективно осуществлять поиск сходных больных при различной глубине данных об этиологии и характере клинических изменений в конкретных случаях.
Схематическое изображение обеих моделей, наложенных друг на друга, приведено на рис. 1. Кругами представлены мультимножество (ПН), множества (ХПН И ОПН) и подмножества модели пациента. Множества ХПН и ОПН являются граничащими, имеющими область соприкосновения в геометрической интерпретации, что определяется неопределенностью клинических различий между ними. Внутренний круг подмножества ОХПН - это вариант обострения множества ХПН. Подмножество ФПН внутри ОПН - фульминантная
(молниеносная) форма множества ОПН. Множество ЛИПП частично включено в множество ОПН и мультимножество ПН, так как при определенных ситуациях нарушение печеночных функций переходит в печеночную недостаточность. Заштрихованные сектора соответствуют четырем различным подходам модели лечения.
В соответствии с особенностями множеств и подмножеств модели пациента в модели лечения подбираются способы коррекции ПН (будем называть их классами и подклассами методов лечения). В качестве классов рассматриваются принципиально различные способы лечения: медикаментозное, экстракорпоральная система поддержки печени, трансплантация печени, клеточная инженерия. Подклассами являются: (1) традиционные и новые методы медикаментозной терапии; (2) искусственная, биоискусственная печень, гемо-сорбционные и фильтрующие внепеченочные системы; (3) долевая или полная пересадка печени; (4) клеточная и тканевая технологии. Объекты содержат конкретные препараты и технологии Это: (а) гепатопротекторные,
Рис. 1. Схематическое изображение мультимножества ПН
www.idmz.ru
2018, № 4
вазопрессорные, кортикостероидные, антиок-сидантные, антитоксические, противовирусные и др.; (б) плазменный обмен, фракционированное разделение плазмы и адсорбция, заместительная почечная терапия, MARS - molecular adsorbents recirculatory systems, ELAD -Extracorporeal Liver Assist Device, HepatAssist, Prometheus; (в) долевая от близкого родственника, долевая от стороннего донора, полная от стороннего донора; (г) различные варианты регенераторной медицины - плюрипотентные стволовые клетки (эмбриотические стволовые клетки), мультипотентные стволовые клетки (взрослые стволовые клетки), гемопоэтические стволовые клетки, мультипотентные стромаль-ные клетки.
Комплексный анализ информации и отбор качественных клинических исследований опираются на последовательное использование «Модели пациента с печеночной недостаточностью» с различными ее формами и последующим переходом к «Модели лечения», включающей различные способы и методы, используемые в процессе ведения больных. В процессе тестирования были проанализированы публикации, отвечающие требованиям доказательной медицины. Описанные в них методы лечения
и технологии были классифицированы с использованием модели лечения. Правило классификации в предлагаемом варианте представляет логическое утверждение вида ЕСЛИ <условия>, ТО <решение>, где терм. <условия> определяет требования, которым должен удовлетворять выбираемый объект, терм. <решение> обозначает имя класса [4]. В процессе течения заболевания может проявляться необходимость в смене тактики лечения - переход к другому классу терапии. В особенности это может касаться ЛИПП (лекарственно-индуцированного поражения печени).
ЗАКЛЮЧЕНИЕ
Лечение печеночной недостаточности с использованием модели, основанной на множествах, учитывает клинически различные формы этой патологии и принципиально разные подходы к лечению, а также различные методы реализации этих подходов. Построение модели на основе мультимножества, в которой признаки могут быть количественными и качественными, что имеет место при ПН, может служить основой для широкого спектра принятия многокритериальных решений в области лечения разных форм печеночной недостаточности.
ЛИТЕРАТУРА
1. Кобринский Б.А., Молодченков А.И., Благосклонов Н.А., Лукин А.В. Методы мета-анализа в диагностике вариантов и лечении пациентов с печеночной недостаточностью // Программные продукты и системы. - 2017. - Т. 30. - № 4. - C.745-753.
2. Микшина В.С., Алмазова Е.Г. Математические модели управления в здравоохранении // Математическое моделирование. - 2009. - Т. 21. - № 4. - С. 111-121.
3. Нариньяни А.С. НЕ-факторы и инженерия знаний: от наивной формализации к естественной прагматике // Четвертая национальная конференция с международным участием «Искусственный интеллект-94»: Сборник научных трудов, Рыбинск. - 1994. -Т. 1. - С. 9-18.
4. Петровский А.Б. Методы групповой классификации многопризнаковых объектов // Искусственный интеллект и принятие решений. - 2009. - № 3. - С. 3-14 (часть 1), № 4. -С. 3-14 (часть 2).
и информационные
технологии
>
5. Петровский А.Б. Показатели сходства и различия многопризнаковых объектов в метрических пространствах множеств и мультимножеств // Искусственный интеллект и принятие решений. - 2017. -№ 4. - С. 78-94.
6. Петровский А.Б. Теория измеримых множеств и мультимножеств. М.: Наука, 2018. - 360 с.
7. Тарасов В.Б. Универсальная логика и грануляция информации: новые подходы к моделированию когнитивных процессов и систем // Интегрированные модели и мягкие вычисления в искусственном интеллекте. Сборник научных трудов VIII-й Международной научно-практической конференции «Интегрированные модели и мягкие вычисления в искусственном интеллекте». Т. 1. М.: Физматлит, 2015. - С. 107-122.
8. Тарасов В.Б. Грануляция информации // Подходы к моделированию мышления / Под ред. В.Г. Редь-ко. М.: ЛЕНАНД, 2016. - С. 219-261.
9. Хаусдорф Ф. Теория множеств: Пер. с нем. М.: Книжный дом «ЛИБРОКОМ», 2017. - 304 с.
10. Яковенко Э.П., Агафонова Н.А., Яковенко А.В., Иванов А.Н., Ковтун А.В. Патогенетический подход к выбору гепатопротекторов в терапии лекарственно-индуцированных поражений печени // Лечебное дело. - 2017. - № 2. - С. 34-40.
11. Cohen P.J. Set theory and the continuum hypothesis. New York: Dover, 2008. - 261 p.
12. Hass F.l de Ma visite aux eaux d'Alexandre en 1809 et 1810. Moscow: N.S. Vsevolojsky, 1811. 406 p.
13. Pawlak Z. Rough set theory and its applications // Journal of Telecommunications and Information Technology. - 2002. - Vol. 3. - № 3. - P. 7-10.
14. Xie G.-J., Zhang H.-Y, Chen Q, Liu H.-M, You l.-P, Yang S. et al. Changing etiologies and outcome of liver failure in Southwest China. Virology Journal. - 2016. - Vol. 13. - № 89. - P. 1-12.
15. Zadeh L.A. Toward a theory of fuzzy information granulation and its centrality in human reasoning and fuzzy logic // Fuzzy sets and systems. - 1997. - Vol. 90. - Iss. 2. - P. 11-127.
■■■■
Новости отрасли
-\-
Ассоциация «Национальная база медицинских знаний» совместно с Советом Федерации обсудили проблемы законодательного регулирования медицинского программного обеспечения
1
ноября в Москве прошел круглый стол «Цифровое здравоохранение. Формирование инструментов регулирования медицинского программного обеспечения», организованный Комитетом Совета Федерации по социальной политике совместно с ассоциацией разработчиков и пользователей искусственного интеллекта для медицины «Национальная база медицинских знаний». Участники обсудили текущие законодательные нормы, обязывающие разработчиков регистрировать медицинское программное обеспечение как медицинское изделие. По мнению выступавших, это создает порой неоправданные барьеры на пути развития отечественных инновационных программных продуктов - особенно систем поддержки принятия врачебных решений и решений в области искусственного интеллекта для медицины.
Член Комитета Совета Федерации по социальной политике СФ Татьяна Кусайко признала, что проблема действительно серьезная и неоднозначная, требующая ответственного подхода и учета мнения разных сторон. Вместе с этим регулирование не должно душить инновации и открывающиеся для России перспективы выхода в мировые лидеры в таких областях, как информационные технологии для медицины.
В связи с этим участникам ассоциации «Национальная база медицинских знаний» поручено подготовить и направить в Комитет Совета Федерации по социальной политике обновленные и дополненные предложения по совершенствованию законодательного регулирования оборота медицинского программного обеспечения. Министерству здравоохранения и Росздравнадзору рекомендовано рассмотреть эти предложения и внести необходимые изменения в действующие нормативно-правовые акты и методические рекомендации в целях снятия барьеров для развития рынка медицинского программного обеспечения.
Источник: http://nbmz.ru
