CC BY
163
- для сыворотки крови свойственны множественные аутоволны с различными характеристиками, которые, в свою очередь, определяются аутоволновыми параметрами отдельных молекул, присутствующих в исследуемой биожидкости, и их кооперативными действиями;
- аутоволновые ритмические колебания молекул являются физи-ко-химическим механизмом межмолекулярных взаимодействий, и по своей сущности - это структурные элементы сложных функциональных процессов, происходящих в биосистемах;
- молекулы сыворотки крови при патологии меняют свои аутоволновые характеристики, что заставляет их терять физиологические формы взаимодействия с другими молекулами и вступать в аномальные связи.
ЛИТЕРАТУРА
1. Вегман Е.Ф., Руфанов Ю.Г., Федорченко И.Н. Кристаллография, минералогия, петрография и рентгенография. - М., 1990. - 263 с.
2. Гласе J1., Маки М. От часов к хаосу. Ритмы жизни. - М., 1991. - 240 с.
3. Гленсдорф П., Пригожин И. Термодинамическая теория структуры, устойчивости и флуктуаций. - М., 1973.
4. Гомеостаз / Под ред. П.Д. Горизонтова. - М., 1981. - 575 с.
5. Жаботинский А.М. Концентрационные автоколебания. - М.,1974.
6. Шабалин В.Н., Шатохина С.Н. // Бюл. эксп. биол. мед. - 1996. - №10. - С.364-371.
7. Shabalin V.N., Shatokhina S.N., Yakovlev S.A. // Phys. Chem. Biol. Med. - 1995. - V.2 . - №1. - P.6-9.
КОМПЬЮТЕРНЫЕ МЕДИЦИНСКИЕ ЭКСПЕРТНЫЕ СИСТЕМЫ КАК СРЕДСТВО ПОВЫШЕНИЯ ЭФФЕКТИВНОСТИ ДИАГНОСТИКИ И ЛЕЧЕНИЯ
В. И. Шумский, В.П. Булыгин, U.M. Портной, Л.Я. Абакумова, Т.А. Рогачикова, С.И. Федорова, Г.Л. Прокофьева, Г.Ю. Цыплакова, Т.Б. Васанова
МОНИКИ
Повышение эффективности диагностики и лечения является одной из важных и непреходящих задач как клиницистов, так и организаторов здравоохранения. Одним из направлений решения этой проблемы была й остается комплексная автоматизация процессов сбора, хранения, обработки медицинской информации, а также консультативная помощь врачу в процессе принятия решений при диагностике заболеваний, прогнозировании течения болезни и оценке эффективности лечения. В последнее десятилетие широкое практическое распространение в разных отраслях, в том числе в медицине, получили экспертные системы (ЭС) - разновидность систем искусственного интеллекта. Именно эти системы, благодаря ряду достоинств, создают реальные предпосылки для эффективной поддержки принятия решений врачами.
Процесс приобретения знаний реализуется на основе различных методов анализа мышления и деятельности эксперта (врача), решающего реальные задачи в своей клинической практике. Этот процесс и дальнейшее формирование базы знаний осуществляются инженером по знаниям - новой и важнейшей профессией в коллективе разработчиков ЭС [9]. Эвристический характер медицинских знаний (неопределенность, неоднозначность, противоречивость, неточности) делает их выявление, приобретение, систематизацию и формальное представление в виде моделей весьма трудоемким процессом.
Ядром экспертной системы является база знаний (БЗ), сформированная с участием инженера по знаниям на основе выявления экспертных знаний и представляющая собой совокупность системы фактов, правил, процедур, закономерностей. Архитектура ЭС содержит, кроме базы знаний, такие компоненты, как интеллектуальный интерфейс взаимодействия, обеспечивающий диалог с ЭС, объяснение пользователю процесса принятия решений, разнообразные справочные данные, а также рабочую память (базу данных) и динамическое пополнение и обновление БЗ в процессе диалога с экспертами. Таким образом, одно из важнейших достоинств ЭС -наличие базы знаний, аккумулирующей практический опыт и интеллектуальные способности лучших специалистов в данной предметной области, обеспечивает ее использование каждым пользователем в целях получения возможных вариантов принятия решения.
Отделение медицинской кибернетики МОНИКИ занимается созданием медицинских ЭС совместно с ведущими специалистами соответствующих клиник института (экспертами). Некоторые общие вопросы разработки ЭС и, более подробно, экспертная система «ПЕРИТОН» для выбора метода экстракорпоральной гемокоррек-ции при перитоните и описаны нами в предыдущем издании «Альманаха клинической медицины» [3]. В данной статье ставится задача описать этапы создания ЭС, различные подходы к созданию алгоритмов принятия решений, выбору инструментальных средств для обеспечения процесса разработки ЭС. Сказанное выше иллюстрируется на примерах экспертных систем:
- РИСК-ОНКОЛОГИЯ - для формирования групп риска по ряду онкологических заболеваний;
- «Постраневая инфекция глаза» - для прогнозирования течения постраневого процесса и выделения группы риска развития инфекции;
- СКАЗ - для аппаратно-программного комплекса автоматизированного электрокардиографического обследования.
Особенностью медицины как предметной области, по мнению специалистов, является тот факт, что формализация, представление знаний в виде продукционной модели наиболее соответствует процессу рассуждения и принятия решения врачом. В продукционной модели знания представляются в виде ПОСЫЛКА -ЗАКЛЮЧЕНИЕ, где посылкой могут быть, например, симптомы за-
болевания или их сочетания, а заключением, соответственно, диагноз или рекомендации по лечению и прогнозу развития заболевания.
Известно, что в экспертных системах существует такое понятие, как нечеткие знания о фактах, которые используются при принятии решения. В медицинской экспертной системе такими фактами являются наличие каких-либо симптомов, степень их выраженности, значимость для утверждения о наличии заболевания, о прогнозе течения заболевания и т.д. Медицинские знания не могут считаться абсолютными, факты часто не могут иметь только два значения (истина и ложь). Ненадежность, неточность медицинских знаний проявляется как в непосредственных данных, так и в выводе. Выделяются две категории нечеткостей: нечеткость непосредственных данных и нечеткость вывода. Для преодоления проблемы нечетких знаний и нечеткости вывода в экспертных системах используется метод коэффициентов (факторов) уверенности в том или ином утверждении, а также алгебра факторов уверенности (подробнее пример приведен в ЭС «Постраневая инфекция глаза»).
В разработанных экспертных системах проблема нечетких знаний решается в зависимости от конкретной предметной области и особенностей задачи. Однако имеется и нечто общее - использование глубокой статистической обработки медицинских данных на персональном компьютере на этапе выявления знаний и логико-вероятностный подход к созданию базы знаний. Статистическая обработка (в том числе методами многомерного анализа) в процессе диалога инженера по знаниям и эксперта (врача) позволяет последнему выбрать наиболее информативные признаки и комбинации для логических правил в БЗ и обоснованно судить о коэффициентах уверенности в своих утверждениях. Многомерный анализ обучающих верифицированных массивов данных (например, ЭС «РИСК») позволяет включить в БЗ оптимальный набор информативных признаков и правила классификации (линейные дискри-минантные функции), обеспечивающие в блоке вывода получение заключения с высокой достоверностью. Отметим, что представленные экспертные системы относятся к классу гибридных, т.е. использующих логико-лингвистические и математические модели данной предметной области. Выбор инструментального программного средства для создания экспертных систем проводился на момент создания с учетом их класса (продукционного типа с комплексом расчетов), назначения и структуры. Экспертные системы «РИСК» и «СКАЗ» реализованы на языке программирования Тур-бопаскаль, а «ПЕРИТОН» и «Постраневая инфекция глаза» создавались с помощью интегрированной системы для создания прикладных систем с базами данных и знаний ИНТЕР-ЭКСПЕРТ (так называемой «оболочки»), что позволило сократить сроки и трудоемкость процесса разработки.
Экспертная система РИСК-ОНКОЛОГИЯ. В большинстве стран мира злокачественные новообразования являются одной из
основных причин смерти, уступая по частоте только сердечнососудистым заболеваниям, причем в последние годы медицинская статистика регистрирует достоверный рост онкологической патологии. В общей структуре онкологической патологии по распространенности, высокой частоте диагностики в поздних стадиях заболеваний важное место занимают рак легкого, желудка, толстой кишки, молочной железы, гортани [6,7,12]. Комитет экспертов ВОЗ еще в 1969 году пришел к заключению, что более половины всех больных раком могли быть излечены, если бы уже известные методы лечения были применены на самых ранних стадиях развития опухоли. Задача ранней диагностики злокачественных новообразований указанной локализации актуальна и для Московской области. Именно поэтому за последнее десятилетие отделение медицинской кибернетики совместно с ведущими специалистами рентгенологического отделения активно занимались созданием программного обеспечения для селективного онкологического скрининга с использованием современных компьютерных технологий. Пройден весь путь от изучения предметной области - селективного скрининга, создания базы данных и базы знаний по отдельным локализациям путем многомерного анализа верифицированных массивов данных до создания экспертной системы РИСК-ОНКОЛОГИЯ для отбора групп повышенного онкологического риска [4,10].
На первом этапе была проведена работа по упорядочению, структуризации и формализации знаний обо всех изученных к настоящему моменту факторах, влияющих на возникновение злокачественных опухолей легких, желудка, толстой кишки, молочной железы, гортани. В результате экспертного отбора были составлены карты-анкеты по каждой из пяти локализаций, которые заполнялись больными, проходившими обследование в отделениях и поликлинике института, а также контрольной группой здоровых лиц (сотрудники, проходившие ежегодную диспансеризацию). Пациенты с заболеваниями легких отвечали на 45 вопросов, с заболеваниями желудочно-кишечного тракта - на 58, с заболеваниями молочной железы - на 27, с заболеваниями гортани на 17 вопросов. Эти карты-анкеты, заполненные больными с верифицированными диагнозами (2736) и здоровыми лицами (760), и составили обучающую выборку. Далее было проведено комплексное исследование методами многомерного анализа обучающих массивов данных и получены алгоритмы принятия решения по отнесению к группам риска по каждой из пяти локализаций. Получен оптимальный набор признаков и правила классификации (линейные дискриминантные функции) по каждой из локализаций для базы знаний экспертной системы. Исследованы ошибки классификации на новых массивах данных и проведена модернизация алгоритма с целью повышения качества работы экспертной системы. Логические правила (всего около 30) в виде продукций были введены в базу знаний для каждой из пяти локализаций в отдельности и в некоторых случаях имели вид "ЕСЛИ - ТО", а в некоторых случаях определялись сочетанием нескольких факторов. Такой логико-вероятностный подход
в базе знаний позволил повысить достоверность правильного отнесения в группы повышенного риска по разным локализациям от 90 до 94%.
Оптимальные наборы факторов риска по опухолям легких, желудка и толстой кишки были объединены в одну анкету, факторы риска по опухолям молочной железы и гортани - на отдельных анкетах, таким образом, мужчины отвечают на 43 вопроса, женщины - на 54, при этом решается вопрос о степени онкологического риска по пяти локализациям. По окончании ввода данных с анкет или в процессе диалога экспертная система приступает к их анализу и выводу заключения о принадлежности к той или иной группе риска последовательно по раку легких, желудка, толстой кишки, гортани и молочной железы (для женщин). При этом механизм принятия решений использует соответствующий набор правил по каждой из локализаций. Поскольку одной из задач ЭС является обучение, в ней реэлизован механизм объяснения принятия решения. Это позволяет врачу проследить перечень факторов, на основе которых пациент отнесен к данной группе. На дисплей и на принтер выводится не только заключение о необходимости того или иного вида обследования, но и объяснение процесса принятия решения.
Для более наглядного изображения процесса принятия решения об отнесении пациента к группе риска предусмотрена графическая иллюстрация, на которой в виде "облаков", данных в двумерном пространстве, представлены обучающие выборки, разделяющая их дискриминантная плоскость и данное наблюдение, попадающее либо в, группу "норма", либо в группу "риск". На этом же рисунке указан коэффициент уверенности отнесения пациента к одной из этих групп. Коэффициент уверенности (К) позволяет в количественной форме судить о надежности принятого решения и принимает значения в интервале от 0 до 1. При коэффициенте, равном 1, надежность заключения очень высока, значения ниже 0,5 означают пограничное состояние, когда вопрос о рентгенологическом исследовании (особенно в молодом возрасте) должен решаться индивидуально. В представленном случае (рис.1) пациент с большой степенью уверенности отнесен к группе риска по раку желудка (К=0,935), по раку толстой кишки (К=0,985) и к группе «норма» по раку легкого (К=1). Далее пациент направляется на рекомендованное ему исследование с двумя бланками: один из них отражает факторы риска, на основании которых он отнесен к данной группе, второй - те сведения, которые должны будут заноситься в базу данных по мере прохождения обследования. При наличии в лечебном учреждении компьютерной сети потребность в бланках отпадает, так как все сведения о пациенте в любой момент могут быть получены через персональный компьютер.
База данных в ЭС, назначением которой является "запоминание" формирующейся на каждом этапе обследования информации и активизация ее по желанию врача, также предоставляет возможность последующей корректировки решающих правил в БЗ. Возможен просмотр, редактирование и текущее дополнение хранимых
данных. Вывод списка пациентов на экран организуется с сортировкой по номерам, по фамилиям и без сортировки. Кроме того, программа обеспечивает поиск, сортировку, вывод на экран или печать информации в режиме "Фильтр" по следующим параметрам: предприятие или район, рентгенологические исследования и заключения по ним, эндоскопия и результат исследования, функция внешнего дыхания, ультразвуковое исследование, группы риска по четырем опухолевым локализациям. Наиболее часто используемые виды сортировки информации в БД: списки лиц, работающих на одном предприятии (или из одного района); списки лиц, вошедших в группу риска по какой-либо локализации опухоли; списки лиц, которым проводилось (или не проводилось) то или иное обследование; списки лиц, имеющих заключение о наличии патологии по результатам какого-либо вида обследования. Поскольку ЭС предназначена для пользователя неспециалиста по компьютерной технике, особое внимание при ее создании уделялось интерфейсным средствам. Диалог организован с помощью меню с вариантами возможных ответов и с блокировкой от нажатия любых других клавиш, чтобы в случае ввода неверных значений пациент получал сообщение об ошибке.
Рис.1. Схема экспертной системы РИСК.
Схематическая структура ЭС представлена на рис.2. Она состоит из блока ввода данных, базы знаний, блока вывода результатов для пользователя, блока объяснения процесса принятия решений и персонифицированных рекомендаций по тактике дальнейшего обследования, блока базы данных. В базе знаний пред-
ставлены линейные дискриминантные функции по каждому из заболеваний и набор логических правил.
' иллуё^шшяш • шмшт^щщтшж . О - рак ■ - пр(«нк ♦ - моим. В - ц»итр попиляции ■ - ' ««мнем наблицвние - - дмскриминаитная плоокооть (Г;:*; К • « С ш.д« ИЛЕ ♦/А V V1 + с ♦ а • . 0 *
область НОРМЫ область РИСКА Ко»—иционт »••Рвииооти =0.939
ЗАБОЛЕВАНИ ' ' С»»' Е ЛЕГКИХ V* 1+ ЗАБОЛЕВ Т 0 А С Т 0 Я + * « + * А И И Е КИВКИ с™? • «" » 0 п
облаоть РИСКА обметь НОРМЫ Квкицмит уверенности =1.000 область НОРМЫ облмть РИСКА К»»«*нниит тмишнит* =0.985
Рис.2. Графическая иллюстрация принятия решения об отнесении пациента к группе онкологического риска.
По системе РИСК-ОНКОЛОГИЯ (опухоли желудка, легких, толстой кишки, молочной железы) исследовано более 100 тысяч пациентов из групп риска, среди которых выявлено более 3 тысяч раков указанных локализаций (23% из них в начальной стадии течения болезни).
ЭС "Постраневая инфекция глаза" предназначена для врачей-офтальмологов ургентной службы с целью постановки более точного диагноза, определения прогноза течения раневого процесса и риска развития инфекции [8]. Особенно это важно в условиях оказания экстренной помощи (в ночное время, выходные дни), когда нет возможности проконсультироваться с квалифицированным специалистом, а вопросы диагностики должны быть решены в первые часы после травмы с целью проведения раннего патогенетически направленного лечения. Консультация с системой поможет оценить риск развития инфекции, дать картину прогноза. Система может быть рекомендована и в учебных целях для повышения квалификации врачей-офтальмологов.
На основе литературных данных, мнения эксперта и результатов статистической обработки материалов унифицированного обследования больных с прободными ранениями глаз и контрольной группы выделен минимальный достаточный набор симптомов (клинических и лабораторных), знания о которых необходимы при оценке состояния больного и определения тактики лечения. Таким образом, данные обследования, которыми должен располагать пользователь, приступая к консультации с ЭС, включают в себя
24 Альманах клинической медицины том 2
369
ряд клинических симптомов, отражающих состояние роговицы, передней камеры, радужки, стекловидного тела, сетчатки, хориоидеи, а также лабораторные данные.
Экспертная система состоит из блока ввода данных, базы знаний, блока вывода результата и рекомендаций. Ввод данных осуществляется либо перенесением данных с заполненных карт, либо в процессе диалога с персональным компьютером. Существует также возможность возврата к любому предыдущему вопросу и редактирования введенных данных, развернутая система подсказок.
По окончании ввода данных экспертная система приступает к их анализу и выводу заключения о прогнозе течения постраневого процесса и риске возникновения инфекции у данного пациента. При этом механизм принятия решений использует соответствующий набор логических правил вида: "Если рана роговицы с инфильтрированными краями, то вероятно развитие инфекции (коэффициент уверенности с(=50%)"; или "Если в слезе присутствует морфотип 14М, то вероятность развития инфекции высока (коэффициент уверенности с^30%)".
Несколько подробнее рассмотрим вопрос о коэффициентах (или факторах) уверенности, с которыми работает ЭС, а следовательно, и пользователь. Это можно пояснить на примере двух правил, приведенных выше. В ЭС коэффициент уверенности принимает значения от 0 до 100: коэффициент уверенности, равный 100, говорит о полной уверенности в прогнозе риска инфекции, коэффициент уверенности, равный 0, означает полное отсутствие риска инфекции. Коэффициенты уверенности в двух приведенных выше правилах заданы нами (т.е. экспертом) на основе опыта проведенных исследований об информационной значимости выбранных показателей для прогноза риска развития инфекций и тяжести течения раневого процесса. ЭС для принятия решения должна располагать сведениями о 14 показателях у пациента, после ввода которых ЭС приступает к их анализу и выводу персонифицированного заключения с определением результирующего коэффициента уверенности в вероятности риска. Метод соединения этих коэффициентов и есть алгебра факторов уверенности. В нашем случае ЭС использует либо метод максимального значения, либо метод вероятной суммы (по выбору пользователя). В первом случае, за результирующий коэффициент уверенности в прогнозе принимается максимальный из всех сработавших правил ЭС. Если бы в ЭС было всего два правила, указанных выше, то результирующий коэффициент уверенности был бы равен 50% (максимальный из двух -30 и 50%). В реальной ЭС имеется порядка 30 правил, в связи с чем считается предпочтительнее второй метод - вероятной суммы, при котором происходит "накопление" уверенности в заключении по мере срабатывания правил. В процессе обработки правил результирующий коэффициент уверенности увеличивается в зависимости от количества сработавших правил (т.е. от количества симптомов, свидетельствующих о риске инфекции), и коэффициентов уверенности, соответствующих каждому такому правилу (т.е. важ-
ности каждого симптома для принятия решения). Именно такой процесс более всего соответствует процессу принятия решения врачом на основе его опыта и знаний.
В ЭС реализован механизм объяснения вывода заключений о группе повышенного риска инфицирования. Объяснение вывода необходимо в ЭС, так как одним из ее применений является обучение. Обучаемый или любой другой пользователь может проследить перечень факторов, которые внесли свою долю в решение вопроса о риске развития инфекции. Подсистема объяснения выводов является важной частью ЭС, поскольку большинство специалистов пользователей не могут полностью доверять заключению, выведенному компьютером, если они не будут знать, как получено это заключение.
Итак, ЭС оценивает состояние травмированного глаза пациента и согласно этой оценке выдает соответствующие рекомендации в зависимости от величины коэффициента уверенности риска инфицирования. Если результирующий коэффициент уверенности менее 30%, то рекомендуется комплекс мероприятий, включающий введение противовоспалительных препаратов и профилактическое применение низкоэнергетического гелий-неонового лазерного воздействия. Если коэффициент уверенности риска инфицирования от 30 до 50%, то выдаются рекомендации, включающие дополнительно комплекс антибиотиков широкого спектра действия и нестероидных противовоспалительных препаратов. При тяжелом течении раневого процесса (КРе3>50%) ЭС выдает рекомендации, включающие более интенсивную терапию с применением хирургического вмешательства (промыванием передней камеры, интравитре-альным введением антибиотиков, экстракцией поврежденного хрусталика).
Следует подчеркнуть, однако, что ЭС не призвана заменить врача, решение по тактике лечения по-прежнему будет принимать врач, а системе отводится роль консультанта, позволяющего врачу своевременно и точно оценить тяжесть течения раневого процесса и угрозу инфицирования.
Экспертная система «СКАЗ» является также составной частью комплекса автоматизированного электрокардиографического обследования, включающего в режиме on line электрокардиограф «ЛЕКАРД» [2]. Комплекс обеспечивает регистрацию и обработку ЭКГ по методике 12 общепринятых синхронных отведений.
Медицинские заключения в ЭС «СКАЗ» строятся на основании полученных значений временных, амплитудных и угловых параметров, характеризующих кривые отведений ЭКГ. Интерпретация проводится на основе анализа сочетания изморенных величин и элементарных критериев, представляющих собой соотношения измеренных параметров с некоторыми заданными порогами.
При помощи логического алгоритма, имеющего вид древовидной структуры из булевских выражений, сочетания врачебных признаков переводятся в коды заключений, соответствующих медицинскому алгоритму. Результатом работы алгоритма интерпрета-
ции врачебных признаков является набор медицинских заключений, хранящийся в памяти ЭВМ в закодированной форме.
В основу построения заключения положено следующее трехступенчатое правило [3]:
- первая ступень электрокардиографического заключения представляет клинико-электрофизиологическую характеристику элек-трокардиосигнала с обоснованием полученного при этом заключения.
- вторая ступень содержит предложения по анализу дифференциально-диагностического ряда сходных по морфологической ЭКГ картине состояний миокарда.
- третья ступень формирования ЭКГ-заключения представляет рекомендации по дальнейшему обследованию пациента в рамках не только электрокардиографического метода исследования в виде дополнительных отведений ЭКГ, но и привлечение биохимических и клинических анализов крови, рентгенологических методов диагностики, эхокардиографии.
В основу унификации заключений положен перечень основных терминов. Правила формирования заключений при этом задаются посредством ограниченного набора терминов, имеющих однозначную трактовку. Вся система терминологии программного обеспечения в автоматизированном комплексе анализа ЭКГ «СКАЗ» выбрана с учетом наиболее часто употребляемого клиницистами языка врачебных заключений, что реализуется при использовании классификации ВОЗ [5]. В системе старались избегать крайностей в языке словарных заключений о биоэлектрической активности миокарда: не ограничиваться чисто электрофизиологической трактовкой ряда состояний и в то же время отказываться от механического переноса клинико-анатомической терминологии при описании биоэлектрических явлений в сердечной мышце.
Организация системы заключений автоматизированного комплекса «СКАЗ» представлена двумя этапами - определением совокупности основных терминов ЭКГ-заключений и реализацией правил, следуя которым конструируется любое допустимое заключение. Совокупность основных терминов распределена по уровню приоритетов. Группа терминов первого уровня содержит описание основных состояний миокарда: характеристику ритма сердца, функции проводимости, коронарного кровоснабжения, гипертрофии миокарда и т.д. Термины второго уровня подчинены терминам первого уровня и уточняют их: тип, стадия, локализация. Термины третьего уровня указывают степень достоверности выявленных изменений. При сомнительной степени достоверности диагностических критериев патологического состояния формируются рекомендации по применению определенных дополнительных отведений ЭКГ (дополнительные грудные - высокие, низкие, крайние правые; отведения по Небу и т.д) с целью последующего уточнения заключения и повышения его надежности [5].
Практика эксплуатации автоматизированных систем анализа ЭКГ предъявила к программному обеспечению интерпретации ЭКГ
такие требования, как однородная достоверность, устойчивость получения ЭКГ-заключений, доступность и ясность пути построения каждого заключения. При подходе, связанном с сопоставлением измеренных величин с порогами, теряется устойчивость получения заключения для параметров, значения которых близки к порогам. Кроме того, ненадежно и представление входных данных. Ненадежность представления входных данных может порождаться как сложностью алгоритмов измерения параметров на входе системы, так и высокой вариабельностью этих данных. Неточное измерение из-за слабой выраженности или наличия шумов на ЭКГ может, в частности, привести к неточному синдромальному заключению. Для увеличения устойчивости алгоритма, а также для выявления слабовыраженных синдромов при формировании заключений в отделении медицинской кибернетики МОНИКИ развивается подход, связанный с введением триалгебры как развития булевой алгебры обычного логического вида, когда помимо истинного и ложного значений критерия рассматривается третье состояние, соответствующее значению "не уверен" [1]. Соответствующая трило-гика базируется на "размытии" диагностических критериев, введении двухпороговых критериев. Состояние неопределенности устанавливается при значении параметра в пределах между верхним и нижним порогом. При формировании двухпороговых критериев можно опираться на гистограммы распределения параметров, приведенные в стандарте количественной электрокардиографии [11], и на метрологические характеристики входной аппаратуры. Описанный подход позволяет работать со слабовыраженными диагностическими критериями и диагностическими заключениями пограничных состояний.
Словарь синдромальных ЭКГ заключений содержит около 200 наименований, в том числе: нарушения ритма и проводимости сердца, гипертрофия миокарда предсердий и желудочков, коронарная патология нарушения баланса электролитов и т.д, Программное обеспечение "СКАЗ" позволяет анализировать возможность влияния принятых препаратов, формировать рекомендации по дальнейшему обследованию пациента. Для достижения доступности и ясности пути построения каждого заключения используется обратная трассировка - указание признаков, на основании которых заключение было сформировано. Это объяснение причин, обусловивших полученные результаты, позволяет облегчить врачу контроль как над правильностью измерений, так и над критериями выработки заключений. Кроме того, обратная трассировка позволяет использовать комплекс как обучающую систему. Таблица измеренных параметров может быть выведена по заказу на экран и на печать.
Представленные экспертные системы прошли этапы тестирования на реальных клинических данных, опытной эксплуатации в соответствующих подразделениях института и последующую модификацию с целью повышения эффективности принятия решения. Однако следует предостеречь пользователей (врачей), а также
врачей-экспертов и разработчиков от возможного вывода о том, что экспертная система выдает окончательное и лучшее решение. В силу своей эвристичности ЭС является лишь системой поддержки принятия решения. Это средство эмпирического поиска, высококачественных решений на базе формализованных уникальных знаний экспертов-врачей в той или иной узкоспециальной области. Экспертные системы «РИСК» и «СКАЗ» получили широкое внедрение в лечебно-профилактических учреждениях Московской области.
ЛИТЕРАТУРА
1. Булыгин В.П. // Актуальные проблемы медицины: Юбилейный сборник научных трудов, 1993. -С. 105-109.
2. Булыгин В.П., Васанова Т.Б., Лобанов Д.А. и др. Вопросы создания интерпретирующего электрокардиографа (в настоящем сборнике).
3. Ватазин A.B., Абакумова Л.Я., Фомин A.M. и др. // Альманах клинической медицины. - Т.1. - М. - 1998. - С.384-391.
4. Зенгер В.Г., Рогачикова Т.А., Абакумова Л.Я., Булыгин В.П. // Материалы I съезда онкологов СНГ. -1996. - 4.1. -С.53.
5. Кольцун С.С., Федорова С.И. // Актуальные проблемы медицины: Юбилейный сборник научных трудов. - 1993. - С. 115-121.
6. Портной Л.М., Дибиров М.П. Лучевая диагностика эндофитного рака желудка.-М„ 1993.
7. Портной Л.М., Туровский Б.М., Калужский A.A. Флюорография в диагностике опухолей и язвенной болезни желудка. - М., 1990.
8. Прокофьева Г.Л., Абакумова Л.Я., Можеренков В.П., Сергушев С.Г. // Тезисы докладов девятого съезда офтальмологов Украины. - Одесса, 1996. - С. 41.
9. Уэно X., Исидзука М. (ред.) Представление и использование знаний. - М., 1989.-С. 183,192-196.
10. Шумский В.И., Портной Л.М., Абакумова Л.Я., Жакова И.И. // Вестн. АМН СССР. - 1990. - №12. - С. 54-56.
11. Degani R., Bortolan С. // Publishing Company. - 1986. - Р.317-329.
12. Portnoi L.M., Dibirov M.P. Radiodiagnosis of Endophytic Gastric Cancer. - Begeh House. New York. Wallingford. - 1995.
