CC BY
98
щщшш
1 и информационные
технологии
Системы поддержки принятия врачебных решений
A. В. ИВАНОВ,
д.м.н., профессор, заведующий кафедрой гистологии, эмбриологии, цитологии, Курский государственный медицинский университет, г. Курск, Россия, kstu-bmi@yandex.ru
B. Н. МИШУСТИН,
д.м.н., доцент, профессор кафедры биомедицинской инженерии, Юго-Западный государственный университет, г. Курск, Россия, kstu-bmi@yandex.ru Л.П. ЛАЗУРИНА,
д.б.н., профессор, декан биотехнологического факультета, Курский государственный медицинский университет, г. Курск, Россия, kstu-bmi@yandex.ru
В.И. СЕРЕБРОВСКИЙ,
д.т.н., профессор, проректор по учебной работе, Курская государственная сельскохозяйственная академия, г. Курск, Россия, kstu-bmi@yandex.ru
НЕЧЕТКИЕ МАТЕМАТИЧЕСКИЕ МОДЕЛИ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ДЛЯ РЕШЕНИЯ ЗАДАЧИ ПРОГНОЗИРОВАНИЯ ОСТРОГО ПАНКРЕАТИТА
УДК 615.47
Иванов А.В., Мишустин В.Н., Лазурина Л.П., Серебровский В.И. Нечеткие математические модели системы поддержки принятия решений для решения задачи прогнозирования острого панкреатита (ЮгоЗападный государственный университет, г. Курск, Россия; Курский государственный медицинский университет, г. Курск, Россия; Курская государственная сельскохозяйственная академия, г. Курск, Россия)
Аннотация: Рассматривается математическая модель прогнозирования возникновения острого панкреатита на основе информации, получаемой традиционными медицинскими методами (опрос, осмотр, лабораторные и инструментальные исследования), по электрическому сопротивлению биологически активных точек, связанных с исследуемым заболеванием, и по содержанию микроэлементов в волосах человека.
Ключевые слова: острый панкреатит, микроэлементы/, электрическое сопротивление, биологически активные точки, нечеткие решающие правила.
UDC 615.47
Ivanov A.V., Mishustin V.N., Lazurina L.P., Serebrovsky V.I. Fuzzy mathematical models of decision support system for acute pancreatitis prediction problems solving (Southwest state university, Kursk, Russia; Kursk state medical university, Kursk, Russia; Kursk State Agricultural Academy named after Professor I.I. Ivanov6, Kursk, Russia) Abstract. The paper describes the mathematical model of acute pancreatitis prediction based on information received with traditional medical methods (interview, physical examination, lab and instrumental tests), by electrical resistance of connected with disease bioactive points and on the content of micronutrients in human hair.
Keywords: acute pancreatitis, micronutrient, electrical resistance, bioactive points, fuzzy decision rules.
Введение
Среди всего многообразия задач, возникающих в хирургической гастроэнтерологии, достаточно остро встает вопрос о прогнозировании и лечении острого панкреатита. Среди острой патологии органов брюшной полости на долю этого заболевания приходится до 16% случаев, причем у 15-20% пациентов из числа заболевших наблюдается тяжелый осложненный характер заболевания. Социальная значимость проблемы
© А.В. Иванов, В.Н. Мишустин, Л.П. Лазурина, В.И. Серебровский, 2013 г.
!■ ■■■ ■■ 60 ■■■■ ■ ■ ■ ■ ■ ■■ ■ ■ ■ ■■■ ■ ■ ■ ■■ ■ ■ ■■■ ■ ■ ■ ■ ■
Системы поддержки принятия врачебных решений
www.idmz.ru
гол 3, №6
определяется тем, что наибольший уровень заболеваемости отмечается в возрасте от 30 до 50 лет [1, стр. 5].
Такая статистика заболеваемости по исследуемой патологии делает актуальной проблему повышения оперативности и качества прогнозирования возникновения острого панкреатита с целью обеспечить своевременное и качественное лечение.
Одним из способов повышения качества решения задачи прогнозирования возникновения острого панкреатита является использование современных математических методов и информационных технологий.
При выборе математического аппарата для решения задач прогнозирования острого панкреатита был произведен предварительный разведочный анализ, в ходе которого было выяснено, что между классами «пациент заболеет острым панкреатитом в течение времени наблюдения Т0» и другими классами заболеваний не существует четкой границы, как и для большинства задач, где ставится вопрос о разграничении здоровья и нездоровья. С учетом этого в качестве основного математического аппарата в соответствии с рекомендациями работ [2, 3, 4, 5, 6, 7, 9, 10] была выбрана теория нечеткой логики принятия решений в ее интерпретации применительно к задачам прогнозирования и медицинской диагностики [2, 3, 4].
Методы и структура системы поддержки принятия решений по прогнозированию возникновения панкреатитов
При выборе методов исследования была поставлена задача, кроме традиционно используемых медицинских признаков, исследовать прогностическую информативность таких неинвазивно получаемых признаков, как содержание микроэлементов в волосах человека и электрического сопротивления биологически активных точек, связанных с исследуемым заболеванием.
В качестве основного метода изучения количественной топографии металлов в биообъектах был выбран метод атомно-эмиссионной спектроскопии с индуктивно связанной плазмой (АЭС-ИСП), широко используемый при идентификации низких уровней концентрации металлов, особенно фоновых, а также физиологических параметров элементов в биоматериале.
При выборе диагностического биосубстрата для решения задачи формирования границ содержания микроэлементов (МЭ) у человека мы исходили из того, что искомые биосубстраты должны позволять судить о степени изменения МЭ в целом организме и в то же время обладать доступностью получения без травмирования и возможностью снижения распространения вирусных инфекций.
Одной из таких сред являются эктодермальные ткани человека — волосы. Установлено, что именно эктодермальные среды служат индикатором изменения металлов в организме. В ряде исследований подчеркнуто, что волосы являются активной метаболической тканью, депонирующей и одновременно выводящей металлы, что обусловливает внимание к ним как к диагностическому субстрату.
Подготовка образцов для анализа осуществлялась следующим образом: образцы биосубстрата высушивались в сушильном шкафу (при температуре 1500°С) до воздушно-сухого состояния. Навеска помещалась в термостойкий стакан, растворялась в концентрированной азотной кислоте особой чистоты при нагревании, охлаждалась, переносилась в мерную колбу и разбавлялась бидистиллированной водой, а затем проводилось определение концентрации различных металлов на плазменном спектрометре ICAP-9000.
Анализ гистограмм распределения концентраций микроэлементов в волосах человека по классам ш0 — «относительно здоров» и ®оп — «острый панкреатит», показал что больные характеризуются увеличением концентрации меди на 25-30%, уменьшением
■ ■ ■ ■ ■ ■■ ■ ■ ■ ■■■ ■ ■ ■ ■ ■ ■■ ■■ ■ ■ ■ ■ ■ ■ ■■ ■■■ ■ ■ ■ ■■ ■■ ■■■ ■ ■ ■■ 2: ■ ■■■ ■ ■
F4II
Системы поддержки принятия врачебных решений
и информационны!
КУаМ + 1) = КУ0АГ) + дШ1(х;.+1)[1 - КУат
технологии
%
> концентрации цинка на 20-25%, уменьшением концентрации железа на 10-15%. Однако похожие тенденции наблюдаются и при других видах заболеваний, например, в ряде заболеваний крови, печени и т.д., поэтому только изменение концентрации микроэлементов относительно их статистических норм не может служить надежным индикатором для построения решающих правил, выделяющих класс «острый панкреатит». Однако эти признаки, как показали результаты разведочного анализа, могут служить как достаточно информативные факторы риска появления и развития исследуемой патологии.
Анализ литературных данных [1] и собственные исследования, проведенные с использованием метода Кульбака, позволили в качестве информативности микроэлементов (МЭ) выбрать медь (Cu), цинк (Zn) и железо (Fe).
Работами ряда исследований было показано, что увеличить достоверность в принимаемых прогностических и диагностических решениях для ряда заболеваний, включая панкреатит, можно используя электрические характеристики биологически активных точек (БАТ), связанных с исследуемой патологией [5, 9].
В соответствии с атласом БАТ, представленным в работе [6], можно сделать вывод о том, что прогнозирование и диагностика панкреатита могут осуществляться по точкам ушной раковины АР 96 и АР 122 с базовой переменной по величине отклонений их сопротивления от своего номинального значения — SR.
Из всего многообразия базовых формул нечеткой логики принятия решений для выбранного класса задач в соответствии с рекомендациями работ [2,3,4] в качестве первичного математического элемента выбраны функции принадлежности к диагнозу (прогнозу) с базовой переменной по диагностическому признаку [7], а их агрегация осуществляется в соответствии с итерационным выражением типа:
где КУЩ (i) — коэффициент уверенности по классу Ш] при условии анализа всех признаков до текущего номера i; jlm(xi+1) — функция принадлежности к по вновь поступившему признси<у х+1; КУШ1(1) = ^Ш^).
Следует иметь в виду, что при выборе формы и параметров соответствующих функций принадлежности для выражения (1) эксперты должны придавать им свойства мер увеличения доверия, введенных в работе [8]. То есть каждый из признаков xi и соответствующая ему jlm(xi) должны увеличивать доверие к Ш1.
При использовании в качестве основного решающего правила выражения (1) задачу прогнозирования, согласно рекомендациям [2], целесообразно рассматривать как задачу классификации с двумя классами: Ш0 — «через заданное время Т0 обследуемый не перейдет в состояние острого панкреатита»; ШП — в течение времени Т0 у испытуемого с уверенностью КУ0>] будет острый панкреатит.
Описанные методы нечеткого прогнозирования реализуются системой поддержки принятия решений (СППР), структурная схема которой приведена на рис. 1.
В этой системе измерение сопротивлений биологически активных точек осуществляется блоком ИСБ, построенным по типу измерителя «Рефлекс 01-03». Измеренные значения сопротивлений через драйвер связи (ДС) поступают на фуззификатор (ФЗ), формирующий нечеткие функции принадлежности для выражения 1. Уверенность в принимаемом решении (прогноз) по панкреатиту рассчитывается блоком принятия решений (БПР), результаты расчета с которого поступают в базу данных (БД) программного обеспечения СППР (ПО СППР). На базы данных вся требуемая для принятия решений информация через интеллектуальный интерфейс (ИИ) передается врачу, который, кроме СППР, взаимодействует с ИСБ, пациентом и спек-
Системы поддержки принятия врачебных решений
www.idmz.ru
гол 3, №6
гш
Рис. J. Структурная схема СППР
трометром ICAP-9000. При необходимости возможна коррекция нечетких решающих правил через блок обучения (БО).
Результаты
Для синтеза нечетких решающих правил в течение пяти лет (с 2008 по 2012 годы) в гастроэнтерологических отделениях больниц г. Курска производились наблюдения с фиксацией параметров заболевших острым панкреатитом, у которых определялись концентрация микроэлементов и электрическое сопротивление биологически активных точек (БАТ), связанных с заболеванием «панкреатит» (V21, P6, VB24 и VB23). Причем, согласно рекомендациям [5], в качестве базовых переменных для функций принадлежности к классам ю0 и шП для БАТ были выбраны отклонения электрических сопротивлений информативных БАТ от их номинальных значений SRj. На базовых переменных, определя-
емых по концентрации микроэлементов Си, Zn, Fe и электрическому сопротивлению БАТ 5RV21, SRp6, <5Rvb24 и <5RVB23, строились гистограммы распределения классов ю0 и оП для заболевших через год, через два, через три, через четыре и через пять лет после начала наблюдений, начиная с 2008 года. В ходе анализа полученных гистограмм было отмечено, что площадь перекрытия гистограмм противоположных классов уменьшается в течение первых трех лет наблюдений и далее стабилизируется. Это позволило выдвинуть предположение о том, что в данной системе признаков наиболее точным является трехлетний прогноз. С учетом этого, пользуясь рекомендациями работ [8,11,12], используя трехлетние гистограммы как базу, методом Делфи специалисты-эксперты построили графики функций принадлежности к классу °П Mшп(5RV21), Mcon^p^
Acon(^RVB24), Aon(^RVB23)) (p^c. 2).
■ ■ ■ ■ ■ ■■ ■ ■ ■ ■■■ ■ ■ ■ ■■ ■ ■ ■■■ ■ ■ ■ ■ 63 ■
щщшш
1 и информационные
технологии
Системы поддержки принятия врачебных решений
%
Рис. 2. Функции принадлежностей к классам по шкалам: а) концентрация меди — Си; б) концентрация цинка — Zn; в) концентрация железа — Fe; г) отклонение электрических характеристик информативных БАТ от своих номинальных значений
С учетом мнения экспертов о равном вкладе каждой из информативных точек в диагноз графики функций принадлежности jlo0n(5Rj) =
= Mcon(dRV2l) = Дшп(дЩРб) = ДшП(дЩ/В24) = ДшП(дЩ/В23)
на рис. 1,г совпадают.
Коэффициент уверенности в прогнозе возникновения острого панкреатита по полученным
функциям принадлежности определяется выражением (1). Результаты математического моделирования показывают, что прогностическая уверенность решающего правила (1) превышает 0,85.
Полученное решающее правило соответствуют субъективному мнению экспертов в том, какое качество классификации принципи-
Системы поддержки принятия врачебных решений
www.idmz.ru
гол 3, №6
2008 2009 2010 2011 2012 *'
ГОД
Рис. 3. График изменения показателя ПЗ по задаче прогнозирования возникновения панкреатита в зависимости от времени наблюдения
Таблица 1
Таблица контрольных испытаний и экспертных оценок прогностических и диагностических решающих правил
Класс ДЧ ДС ПЗ+ ПЗ- ДЭ Экспертная уверенность
max КУШП КУср
Mr 0,87 0,97 0,95 0,91 0,93 0,93 0,88
ально достигается при выбранной системе информативных признаков. Для повышения объективности исследований были сформированы репрезентативные контрольные выборки. Объемы выборок определялись в соответствии с рекомендациями, принятыми в теории распознавания образов, и составили не менее 100 человек на каждый из исследуемых классов. Качество классификации определяется по таким показателям, как диагностическая чувствительность (ДЧ), диагностическая специфичность (ДС), прогностическая значимость (положительных ПЗ + и отрицательных ПЗ-) результатов и диагностическая эффективность (ДЭ).
Тенденция изменения качества прогнозирования по показателю в зависимости от времени наблюдения иллюстрируется графиком, приведенным на рис. 3.
Аналогичные зависимости наблюдаются по остальным показателям качества классификации.
Численные значения показателей качества прогнозирования на трехлетний период с величинами коэффициентов уверенности для максимальных значений соответствующих функций принадлежностей КУ^П и для наиболее часто встречающихся факторов риска Кур, определенными экспертным оцениванием, приведены в таблице 1.
Как видно из приведенных расчетов, результаты контрольных испытаний достаточно «близки» к ожиданиям экспертов, а полученные числовые значения имеют достаточные величины для рекомендации полученных решающих правил в практическом здравоохранении.
■ ■ ■ ■ ■ ■■ ■ ■ ■ ■ ■■ ■ ■ ■ ■■ ■ ■ ■■■ ■ ■ ■ ■ 65 ■
щщшш
1 и информационные
технологии
Системы поддержки принятия врачебных решений
ЛИТЕРАТУРА
1. Локтионов А.Л., Кореневский Н.А., Лазурина Л. П. , Гаврилов И.Л. Прогнозирование возникновения и оценка степени тяжести панкреатитов на основе нечеткой логики принятия решений//Биомедицинская техника и радиоэлектроника. — 2009. - №5. — С. 16-22.
2. Кореневский Н.А., Крупчатников Р.А, Горбатенко С.А. Синтез нечетких сетевых моделей обучаемых по структуре данных для медицинских энергетических систем// Медицинская техника. — 2008. — №2. — С. 18-24.
3. Кореневский Н.А., Рябкова Е.Б. Метод синтеза нечетких решающих правил для оценки состояния сложных систем геометрической структуры многомерных данных// Вестник Воронежского государственного технического университета. — 2011. —
Т. 7. — №8. — С. 128-137.
4. Кореневский Н.А., Филист С.А, Устинов А.Г., Рябкова Е.Б. Геометрический подход к синтезу нечетких решающих правил для решения задач прогнозирования и медицинской диагностики//Биомедицинская радиоэлектроника. — 2012. — №4. — С. 20-26.
5. Кореневский Н.А, Крупчатников Р.А., Серегин СП. Теоретические основы биофизики акупунктуры с приложениями в биологии, медицине и экологии на основе нечетких сетевых моделей. — Курск: Издательство ОАО «ИПП «Курск», 2010. — 521 с.
6. Лувсан Г. Традиционные и современные аспекты восточной рефлексотерапии. — М.: Наука, 1986. — 575 с.
7. Титов В.С, Устинов А.Г., Ключиков И.А., Шевякин В.Н. Оценка состояния здоровья человека с помощью гетерогенных нечетких правил//Известия Юго-Западного государственного университета. — 2012. — № 1 (40). — 4.1. — С. 41-55.
8. Шаповалов В.В. Нечеткий метод построения решающих правил в системах скринирующей диагностики//Биомедицинская радиоэлектроника. — 2013. — № 1. — С. 64-66.
9. Bruce G. Buchanan, Edward H. Shortiiffe. Rule-Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Project. — Addison-Wesley Publishing Company. Reading, Massachusetts, 1984, ISBN 0-201-10172-6.— 742 p.
10. Prediction of gastric ulcers based on the change in electrical resistance of acupuncture points using fuzzy logic decision-making/Riad Al-Kasasbeh, Nikolay Korenev-skiy, Mahdi Alshamasin, Florin lonescou, Andrew Smith//Computer Methods in Biomechanics and Bio-medical Engineering. — 2013. — Vol. 16. — Issue 3. — P. 302-313.
11. Shortiiffe E.H. Computer-based medical consultations: MYCIN. — New York: American Elseviver, 1976.
12. Zadeh L.A. Advances in Fuzzy Mathematics and Engineering: Fuzzy Sets and Fuzzy Information-Granulation Theory. — Beijing: Beijing Normal University Press. 2005. ISBN 7-303-05324-7.
