CC BY
83
УДК 007.51
ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ПРИНЯТИЯ РЕШЕНИЙ В УСЛОВИЯХ ВЫБОРА ТАКТИКИ ЛЕЧЕНИЯ ХРОНИЧЕСКИХ ЗАБОЛЕВАНИЙ НА ОСНОВЕ ОБЛАЧНЫХ
ТЕХНОЛОГИЙ
А.А. Спирячин, В.Л. Бурковский
В статье описывается обобщённая модель интеллектуальной системы принятия решений в условиях выбора тактики лечения хронических заболеваний на основе облачных технологий
Ключевые слова: интеллектуальная система, принятие решений, тактика лечения, хронические заболевания, облачные технологии
Хронические заболевания являются одной из тяжелейших проблем современного общественного здравоохранения. Хроническое заболевание может начаться в любой период жизни человека. Хронические заболевания имеют различные симптомы, лечение и течение. Они представляют угрозу жизни, и по мере их развития качество жизни человека и его функциональные способности ухудшаются. Лечение хронических заболеваний -довольно сложный процесс, требующий полной информации о состоянии здоровья пациента, постоянный контроль параметров,
характеризующих эффективность выбранной тактики лечения. Выбор и корректировка тактики лечения, как процесс принятия врачебных решений, с точки зрения системного анализа, является сложным объектом управления. Сложные объекты управления характеризуются как
детерминированными, так и
недетерминированными зависимостями и характеристиками. Изменение состояния сложных объектов управления состоит в воздействии на состояние как качественных факторов, характеризующих однозначное изменение состояния сложного объекта на требуемое, так и малоизвестных, неопределенных сторон, поэтому изменение состояния сложных объектов следует отнести к классу слабоструктурированных проблем системного анализа.
Изменение состояния сложного объекта, такого как процесс принятия врачебных решений по выбору и корректировке тактик лечения хронических заболеваний, является актуальным в виду распространённости и неполной детерминированности лечения в современной медицине.
Облачные технологии в настоящий момент являются одним из самых быстрорастущих сегментов ^-рынка, поскольку компаниям не нужно покупать дорогостоящее программное обеспечение: осуществляется лишь аренда
Спирячин Александр Александрович - ВГТУ, аспирант, e-mail: [email protected]
Бурковский Виктор Леонидович - ВГТУ, д-р техн. наук, профессор, тел. 8(473) 246-59-98
сервисов. Преимуществом также является экономия на стоимости 1Т-оборудования, лицензии, обслуживании и интеграции со сторонними системами принятия решений [1].
Концепция облачных вычислений
предполагает то, что программы запускаются и выдают результаты работы в окно стандартного веб-браузера на локальном компьютере, при этом все приложения и их данные, необходимые для работы, находятся на удаленном сервере в интернете.
Компьютеры, осуществляющие облачные вычисления, называются «вычислительным облаком». При этом нагрузка между компьютерами, входящими в «вычислительное облако», распределяется автоматически.
Интеллектуальная система принятия решений в условиях выбора тактики лечения хронических заболеваний будет облачной программой, которая будет функционировать в вычислительном облаке. На рис. 1 представлена структура данной облачной программы:
Компьютер врача
Облачная медицинская интеллектуальная система
Модуль взаимодействия узлов кластера
Модуль клиентского ввода/вывода
$
Серверный логический модуль
СУБД «1
j к к к
1 г л г
Модуль кластерного анализа данных Нейросетевой модуль прогнозирования
Рис. 1. Структура облачной программы облачной медицинской интеллектуальной системы
Облачная медицинская интеллектуальная система принятия решений в условиях выбора
тактики лечения хронических заболеваний является модульной, что позволяет гибко расширять функциональность добавлением новых модулей.
Облачные технологии позволят
предоставлять пациентам персонифицированное лечение, использующее большой объём данных для анализа. Программное обеспечение как услуга в облачных технологиях может быть предоставлена из любой точки мира, где есть доступ к глобальной сети Интернет. При этом требования к вычислительным мощностям клиентов минимальны, поскольку требуют лишь наличия браузера или мобильного приложения-клиента, соединяющегося по сети с одним или несколькими облачными серверами [2]. В зависимости от наличия возможностей при обработке информации могут быть использованы все преимущества распределённых вычислений [3].
Вся основная логика работы программы сосредоточена в серверном логическом модуле, который отвечает за работу программы как облачного приложения с логикой выбора тактики лечения и является связующим звеном между остальными модулями [4].
Модуль клиентского ввода/вывода содержит программный код, который позволяет врачу осуществлять ввод и вывод данных программы в веб-браузере без необходимости инсталляции отдельных программ.
Модуль взаимодействия узлов кластера позволяет организовать совместную работу компьютеров вычислительного облака в рамках кластера.
СУБД (система управления базами данных) служит для хранения различных данных для анализа.
Модуль кластерного анализа данных позволит провести автоматическую классификацию при анализе лабораторных данных и других показателей состояния здоровья для постановки диагноза.
Нейросетевой модуль прогнозирования предназначен для прогнозирования динамики параметров в ходе контроля текущего состояния пациента при выбранной тактике лечения.
Для прогнозирования динамики
контролируемых параметров применяется искусственная нейронная сеть, позволяющая выявлять скрытые зависимости параметров.
Искусственная нейронная сеть -это система соединённых и взаимодействующих между собой простых нейронов. Нейроны в сети одного слоя соединяются каждый с каждым нейроном соседнего слоя, и такая сеть является полносвязной. Каждый искусственный нейрон состоит из входов, синапсов, сумматора, аксона и выхода.
Пусть на входы нейрона поступают значения х1, х2, ... хп, где п - количество входов нейрона.
Синапсы характеризуются пропускной способностью каналов, а именно коэффициентами w1, w2, ... wn.
Состояние нейрона на выходе сумматора определяется формулой:
*=1
хм.
(1)
1=1
Затем состояние аксона определяется значением активационной функцией, то есть значение выхода есть зависимость от сумматора:
У = ^Б)
(2)
В качестве активационной функции может быть использован сигмоид:
¥ (8) =
1
1 + е-
(3)
Данная функция дифференцируема во всей области определения:
/ '(8) = «■ / (8) • (1 - / (8))
(4)
При уменьшении а график сигмоида становится более пологим, а при а=0 сигмоид вырождается в горизонтальную линию на уровне 0,5. При увеличении а сигмоид приближается к функции единичного скачка. То есть можно утверждать, что при определённых значениях сумматора нейрон либо тормозится, либо возбуждается.
Для успешного прогнозирования нейронная сеть должна быть обучена.
Под обучением понимается процесс адаптации сети к предъявляемым эталонным образцам путем модификации весовых коэффициентов связей между нейронами, то есть решается многопараметрическая задача нелинейной оптимизации.
Для обучения нейронной сети с успехом используется модифицированный метод
градиентного спуска - метод обратного распространения ошибки. Данный вид обучения требует дифференцируемости активационной (передаточной) функции нейрона, чему соответствует сигмоид. Сети предъявляются входные данные как набор параметров, а в качестве выходных - следующий набор. Таким образом, обученная нейронная сеть будет способна спрогнозировать следующий набор.
В результате контроля текущего состояния пациента искусственная нейронная сеть будет делать прогноз будущих наборов контролируемых параметров.
Обобщенная модель принятия решений в условиях выбора тактики лечения хронических заболеваний представлена на рис. 2.
Рис. 2. Обобщенная модель принятия решений в условиях выбора тактики лечения хронических заболеваний
При обращении пациента с жалобами в системе фиксируется текущее состояние пациента. Затем происходит анализ лабораторных данных и других показателей состояния здоровья. С помощью библиотеки моделей симптомов и состояний, находящейся в базе данных и с помощью модуля кластерного анализа происходит идентификация состояния и постановка диагноза в нечёткой форме с описанием автоматически выделенного класса. Врач имеет возможность изменить решение системы.
После постановки диагноза врач фиксирует своё решение в системе. Если диагноз врача не совпадает с выданным системой решением, то медицинская информационная система должна учитывать это при дальнейшей обработке информации для других пациентов.
После фиксации диагноза система предлагает одну или несколько тактик лечения с учётом индивидуального состояния пациента из библиотеки моделей альтернативных тактик лечения. Врач выбирает тактику лечения или предлагает свою.
Система должна учитывать решение врача в дальнейшем.
В зависимости от заболевания назначается дата следующего посещения врача. При этом возможна промежуточная фиксация состояния больного в виде субъективных показателей. Облачные технологии позволяют пациенту вносить определённые показатели самостоятельно, находясь дома.
В ходе очередного посещения врача осуществляется контроль текущего состояния. Текущее состояние фиксируется медицинской системой, происходит сравнение и прогнозирование показателей с помощью нейросетевого модуля для определения тенденции динамики. При положительной тенденции происходит проверка того, достигнут ли терапевтический эффект, если да, то фиксируется текущее состояние здоровья пациента как требуемое и считается, что пациент вылечился, иначе проводится процесс дополнительного лабораторного обследования. При фиксации требуемого состояния имеется возможность лицу, принимающему решения, провести анализ зафиксированного состояния.
Далее происходит итерационный процесс выбора альтернативных тактик лечения, а если требуется - корректировка диагноза.
Для выбора альтернативных тактик лечения предлагается использовать продукционную модель представления знаний.
Продукционная модель представления знаний - это модель, основанная на правилах, которая позволяет представить знания в виде «Если (условие), то (действие)».
Продукционное правило состоит из антецендента (условия) и консеквента (следствия) [5]. Медицинская информационная система будет сочетать как прямые, так и обратные выводы, т.е. будет двунаправленной.
При разработке небольших систем проявляются в основном положительные стороны продукционных моделей знаний, однако при увеличении объёма знаний более заметными становятся слабые стороны, такие как медленный вывод и противоречивость. Снижению воздействия слабых сторон продукционной модели на медицинскую информационную систему является распределённое хранение (например,
шардирование) и распределённая обработка данных на облачных серверах.
Воронежский государственный технический университет
Особенностями интеллектуальной системы принятия решений, основанной на облачных технологиях, являются:
1) предоставление программного обеспечения как услуги с возможностью подключения к облачному серверу из любой точки мира при наличии устройств с минимальными вычислительными мощностями;
2) эффективный алгоритм по поддержке принятия врачебного решения;
3) модульный принцип построения информационной системы.
Литература
1. Спирячин А.А., Елизаров Д.Э., Бурковский В.Л. Проблематика использования облачных технологий в системах принятия решений // Прикладная математика, механика и процессы управления, Издательство ПНИПУ, 2014, C. 150.
2. Спирячин А.А., Бурковский В.Л. Архитектура вычислительной распределённой системы обработки медицинской информации // Новые технологии в научных исследованиях, проектировании, управлении, производстве: труды Всероссийской конференции / Воронеж: ГОУВПО «Воронежский государственный технический университет», 2013, С. 291-293.
3. Спирячин А.А., Бурковский В.Л. Структура медицинской информационной системы на базе облачных технологий // Перспективные исследования и разработки в области информационных технологий и связи: труды Всероссийской конференции / Воронеж: IV Воронежский форум инфокоммуникационных и цифровых технологий, 2014, С. 17-18.
4. Спирячин А.А., Бурковский В.Л. Моделирование информационной системы управления процессами принятия решений на основе облачных технологий в здравоохранении // Современные методы прикладной математики, теории управления и компьютерных технологий (ПМТУКТ-2014) : сборник трудов VII Международной научной конференции 14-21 сентября 2014 г. / Воронеж: Издательство «Научная книга», 2014 С. 358-360.
5. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем / СПб: Питер, 2000, С. 384.
6. Подвальный, С.Л. Имитационное управление технологическими объектами с гибкой структурой [Текст] / С.Л. Подвальный, В.Л. Бурковский. - Воронеж, 1988.
7. Акинин, Ю.Р. Использование ресурсов облачных вычислительных систем и мобильных агентов при решении задач мобильных технологий [Текст] / Ю. Р. Акинин, В. Н. Черников, В. Ф. Барабанов //Вестник Воронежского государственного технического университета. - 2013. - Т. 9.- № 3-1. - С. 28-34.
INTELLECTUAL DECISION SUPPORT SYSTEM UNDER CONDITIONS OF THE TREATMENT SELECTION CHRONIC DISEASES CLOUD-BASED
A.A. Spiryachin, V.L. Burkovsky
This article describes a generalized model of the intellectual decision support system under conditions of the treatment selection chronic diseases cloud-based
Key words: intelligent system, decision making, treatment strategy, chronic diseases, cloud technology
