CC BY
47
ровым испытуемым. Исследование проводилось на базе электроэнцефалографа «Энцефалан-131-03» фирмы «Медиком МТД», г. Таганрог. Исходная ЭЭГ подвергалась частотной фильтрации и удалялись артефакты от ЭОГ. Рассчитывались спектры мощности по 24 частотам в 16 отведениях для каждого пациента. Предварительно было проведено сравнение нормированных спектров мощности (НСМ) больных невралгией и ПЗИ с помощью критерия Стьюдента. Затем данные ЭЭГ обрабатывались в программе STATISTICA методом пошагового дискриминантного анализа.
В ходе проведенного исследования наблюдались значимые изменения ЭЭГ-картины больных невралгией по сравнению с группой здоровых испытуемых. У больных происходило увеличение мощностей 1 Гц и 2 Гц частотных составляющих дельта-ритма, при этом мощность 3 Гц составляющей уменьшалась практически во всех отведениях. Отмечалось увеличение НСМ частотных составляющих тета-ритма в затылочных отведениях. Происходило уменьшение мощности альфа-ритма (11 и 12 Гц) практически во всех отведениях. Для пациентов с невралгией характерно было преобладание дезорганизованной альфа-активности нерегулярной, не локализованной. Модуляции по амплитуде отсутствовали. Бета-активность была представлена в виде групп волн среднего индекса, средней амплитуды, низкой частоты, наиболее выраженная в левой задневисочной и левой затылочной областях.
Обработав данные ЭЭГ в программе STATISTICA, методом пошагового дис-киминантного анализа были получены классификационные функции для двух групп испытуемых. Судя по значению корреляционного коэффициента (R=0,999), значению лямбды Уилкса (0,000002) и собственному значению ("Eigenvalue" = 423489), разделение на группы прошло успешно и дискриминантные функции подобраны удачно.
Таким образом, зафиксированы значимые изменения картины ЭЭГ у пациентов с невралгией по сравнению со здоровыми испытуемыми. Составлены соответствующие дискриминантные функции с наиболее значимыми переменными для каждой группы.
Ю.А. Прокопчук
ИЕРАРХИЯ ОБЪЕКТОВ БАЗЫ ЗНАНИЙ ИНТЕЛЛЕКТУАЛЬНОЙ МЕДИЦИНСКОЙ СИСТЕМЫ
Эффективное использование формализованных знаний требует, чтобы знания соответствующим образом были структурированы и представлены в компьютерных объектах [1-3]. С учетом множественности логических моделей вывода может быть предложена следующая иерархия объектов в БЗ ИС. Самый высокий уровень - список предметных областей (ПрО), следующий уровень - список разделов ПрО, следующий уровень - список задач (классов задач); на самом низком уровне хранятся решающие правила, сценарии диалога, модели запросов, процедуры и макросы. Объекты последнего уровня хранятся в базе умений БЗ ИС (базе алгоритмических и процедурных знаний).
Первые два уровня могут выглядеть следующим образом:
ПУЛЬМОНОЛОГИЯ
Диагностика.
Прогноз.
Лечение.
Информационные ресурсы.
ХИРУРГИЯ
ЭКСПЕРТИЗА КАЧЕСТВА
Карты мониторирования.
Анализ логических ошибок врача.
Индикаторы качества.
Профили врачей.
ИССЛЕДОВАТЕЛЬСКИЙ БЛОК
Системный анализ медико-физиологической информации.
Формирование интервальных и бинарных структур.
Формирование дифференциально-диагностических таблиц.
Формирование дифференциально-прогностических таблиц.
Анализ жизненных циклов процессов.
Построение онтологий предметных областей.
Формирование и модификация решающих правил.
Формирование консилиумов решающих правил.
Анализ ошибок решающих правил.
Моделирование и оптимизация физиологических процессов. Моделирование и оптимизация технологических процессов.
Создание и модификация событий.
Создание и модификация агентов.
Построение минимальных покрытий и замыкания БЗ.
Анализ непротиворечивости, разрешимости и выводимости. КОММУНИКАТИВНЫЙ БЛОК Ведение реестра ИР.
Метаданные для информационных ресурсов.
Создание и модификация описаний ИР.
Запросы к ИР (выборка и модификация данных).
Мультиагентные запросы к ИР.
Сценарии лечебно-диагностических игр.
Сценарии диалога с пользователями.
Сценарии диалога с экспертами (извлечение знаний).
Сценарии диалога с пациентами (сбор анамнеза).
Сценарии телемедицинских консультаций.
Формирование контекста диалога.
Распознавание речи.
Распознавание образов (пользователей).
Сценарии диалога с использованием ЕЯ-синтезатора.
Виртуальный доктор («лицо» ИС).
Взаимодействие с лечебно-диагностическими системами.
БЛОК ОБУЧЕНИЯ
Ситуационные задачи (тренинг).
Мультимедийные учебники.
В разделе «Диагностика» предметной области «ПУЛЬМОНОЛОГИЯ» могут быть, например, такие задачи (дифференцируемые гипотезы):
«Модель пациента».
«Бронхиальная астма», «Астматический бронхит».
«Бронхиальная астма», «Хронический бронхит (обструктивный)». «Пневмония», «Рак легкого».
В разделе «Информационные ресурсы» ПрО могут быть, например, следующие задачи (классы задач):
«Амбулаторные карты».
«Истории болезни».
«АРХИВ».
«Электронные библиотеки».
«Медикаменты».
«Клинические протоколы».
«Шаблоны документов и профессиональной лексики».
«Полезные ссылки».
«Телемедицина».
Классы задач «Амбулаторные карты», «Истории болезни», «АРХИВ» содержат, в частности, процедуры анализа жизненных циклов всех взаимосвязанных процессов по данным конкретной медицинской карты, а также процедуры создания различных представлений информационного образа болезни. Разработка соответствующих процедур осуществляется в ПрО «ИССЛЕДОВАТЕЛЬСКИЙ БЛОК». Кроме того, по данным медицинской карты может быть проведен анализ логических ошибок врача. Соответствующие процедуры разрабатываются в ПрО «ЭКСПЕРТИЗА КАЧЕСТВА».
Класс задач «Клинические протоколы» содержит как информационносправочные задачи, так и задачи контроля соответствия лечебно-диагностического процесса требованиям клинического протокола. Разработка соответствующих процедур и решающих правил осуществляется в ПрО «ЭКСПЕРТИЗА КАЧЕСТВА».
Класс задач «Медикаменты» кроме информационно-справочных задач, содержит задачи моделирования и оптимизации медикаментозного лечения.
Классы задач раздела «Анализ непротиворечивости, разрешимости и выводимости» ПрО «ИССЛЕДОВАТЕЛЬСКИЙ БЛОК» рассмотрены в [3].
Решающие правила содержат всю необходимую информацию о конкретной задаче, включая механизм логического вывода. Решающие правила могут использовать механизм нечеткого вывода, статистического вывода (стратегии Неймана-Пирсона, Байеса, Вальда и т.д.), метод дискриминантных функций, метод прецедентов (алгоритмы типа Кора), нейросетевой вывод и т. д. Чем больше различных задач и разработанных решающих правил в базе знаний интеллектуальной системы, тем больше у нее возможностей в конкретной предметной области.
Ниже представлен фрагмент иерархии объектов БЗ ИС, включая решающие правила [2,4]:
ГЕМАТОЛОГИЯ
Диагностика.
Модель пациента
МП (стандарт МЗ).
МП (уточненная модель, стандарт клиники).
Острый нелимфобластный лейкоз, Острый лимфобластный лейкоз.
ОНЛЛ-ОЛЛ (Нейм.Пирс., 7 признаков без цитохимии).
ОНЛЛ-ОЛЛ (Байес, без цитох., 6 бинарных структур).
ОНЛЛ-ОЛЛ (Нечеткий вывод, 18 признаков).
ОНЛЛ-ОЛЛ (Консилиум: Н-П, Байес, Вальд, Фишер).
Хронический лейкоз, Лимфомы.
ХЛ-Л (Нейм.Пирс., 6 признаков без цитохимии).
ХЛ-Л (Вальд, 9 бинарных структур).
ХЛ-Л (Алгор.дифф.диагностики).
УРОЛОГИЯ
Диагностика.
Доброкачественной опухоли мочевого пузыря, Злокачественной опухоли мочевого пузыря, Цистит.
ДОМП-ЗОМП-Цистит (Вальд, 5 бинарных структур). ДОМП-ЗОМП-Цистит (Н-П, 16 признаков без цистоскопии).
ОМП-Цистит (Консилиум: АДД, Вальд, Эксперты).
ПАТОЛОГИЯ ОРГ. И СИСТЕМ ЖИВОТА Диагностика.
Рвота в сочетании с другими симптомами.
АДД «Рвота в сочетании с сухим и/или обложенным языком».
АДД «Рвота в сочетании с болью в животе».
В интеллектуальной системе возможна интеграция всех или любой части алгоритмов, разработанных для решения конкретной задачи (компьютерный консилиум).
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Алпатов А.П., Прокопчук Ю.А., Костра В.В. Госпитальные информационные системы: архитектура, модели, решения. - Днепропетровск: УГХТУ, 2005. - 257 с.
2. Прокопчук Ю.А. Концептуальная модель базы знаний интеллектуальной медицинской системы // Проблемы программирования. N 2-3, 2004. - С.334-338.
3. Прокопчук Ю.А. Формулировки основных задач, решаемых интеллектуальными медицинскими системами // Сб. докладов Междунар. конф. "Информационные технологии и кибернетика на службе здравоохранения" (Днепропетровск, июнь 2005 г.). - Днепропетровск: ИТМ-УГХТУ, 2005. - С.32-43.
4. Генкин А.А. Новая информационная технология анализа медицинских данных (программный комплекс ОМИС). - СПб: Политехника, 1999. - 191 с.
И.В. Разин, А.М. Прудников О МЕТОДЕ ФАЗОВОЙ ОБРАБОТКИ БИОМЕДИЦИНСКИХ СИГНАЛОВ
Предлагаемый в работе метод «фазовой» обработки стохастических биомедицинских сигналов относится к непараметрическим методам математической статистики, поскольку обладает всеми характерными для них свойствами.
Сущность фазового метода заключается в оценке нормированного энергетического спектра вн (ю) сигнала Е,(0 с помощью среднеквадратических частот. Выбор их в качестве характеристик описания сигнала не случаен - они связаны с нормированными моментами цп энергетического спектра, представленного в базисе обобщенных 8 - функций и ее производных 5(п) (ю) п-го порядка:
ад м ад -
сн(ю) = 2 ^(п)(ю), где м2 = |ю2ан(ю)аю = ю?(1) = Б.(1)(0)/Б5(0) -
п = 0 п! -ад Е Е
момент второго порядка энергетического спектра в (ю),
ад п —2---- БЕ(п/2)(°) БЕ((п —2) / 2) (0) БЛ1)(0) (1)
мп = (ю вн (юМю = Юе(п/2) X ...хюе(1) =-------- ---------X —-------------X ... X—2----- >
— ад Е Е БЕ((п—2)/2)(0) БЕ((п—4)/2)(0) Бе (0)
момент произвольного п > 4 порядка, б (0) - дисперсия (п/2) - раз диффе-
^(п/2) \ )
ренцированного сигнала. Как видно из (1), нормированный момент порядка п > 4 равен произведению отношений средних мощностей производных сигна-
