О нейросетевом подходе поддержки принятия решений амбулаторно-поликлиническими службами

Лопин В.Н.; Прилуцкая И.Е.

Статья

конечного списка конфликтных слов. Обосновано, что в качестве достаточного условия построения конфликтных слов выступают конструктивные конъюнкции вида (5) и (6) с нулевым значением

(в:=о>(о:=ф=о, (5)

(к:=ю&к:=к н)=о- (6)

где индексы «н», «к» обозначают начало и окончание і-ого и ^ого образцов или і-ого и ^ого конфликтного слова. Данные конъюнкции описывают ситуации двойного пересечения начал и окончаний двух образцов или конфликтных слов. В случае истинности конструктивных конъюнкций (5) и (6) построение полного списка конфликтных слов невозможно. В этом случае стратегия равноправных выводов не обеспечит полноту и корректность генерируемых решений. Для метрически эффективной обработки знаний в СППР (медицинских) разработаны базовые принципы быстрых символьных вычислений, основанных на оригинальных законах параллельных вычислений. Методы быстрых символьных вычислений дают эффективную генерацию полного множества вариантов решений за счет использования стратегии безвозвратного поиска в пространстве состояний.

Литература

1. Попов Э.В. и др. Статические и динамические экспертные системы.- М.: Финансы и статистика, 1996.- 319 с.

2. Хорошевский В.Ф. Механизмы вывода решений в экспертных системах: Уч. пособие.- М.: МИФИ, 1988.- 44 с.

3. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем.- СПб.: Питер, 2001.- 384 с.

4. Довгаль В.М. Методы модификации формальных систем обработки символьной информации.- КурскГТУ, 1996.- 114 с.

УДК 519.816

О НЕЙРОСЕТЕВОМ ПОДХОДЕ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ АМБУЛАТОРНО-ПОЛИКЛИНИЧЕСКИМИ СЛУЖБАМИ

В.Н. ЛОПИН*, И.Е. ПРИЛУЦКАЯ**

В работе рассматривается нейросетевой подход поддержки принятия решений амбулаторно-поликлиническими службами, основанный на использовании оперативных данных по вызовам станции скорой медицинской помощи (ССМП). В ряде случаев возникают ситуации, когда наблюдаются серии последовательных во времени вызовов на ССМП со стороны отдельных больных. Очевидно, что это в значительной мере связано с недостаточно эффективной работой соответствующих территориальных амбулаторно-поликлиническая служб. Мониторинг подобных ситуаций и своевременное принятие решений по лечению таких больных амбулаторно-поликлиническими службами позволит повысить эффективность работы как ССМП, так и поликлиник.

Для решения задачи поддержки принятия решений амбулаторно-поликлиническими службами предлагается использовать нейросетевой пакет NeuroPro 0.25, разработанный в ИВМ СО РАН. Этот программный продукт является менеджером обучаемых нейронных сетей и позволяет реализовывать ряд базовых операций, связанных с задачами прогнозирования и классификации данных. В рассматриваемом подходе используется решение задачи классификации на основе нейросетей, обученных на объективных статистических данных информационной базы ССМП. Для обучения и тестирования результатов обучения использовались объективные обучающие и тестирующие выборки, включающие строки формата, показанного на рис.

| pol | vozr | povl | dz1 | vp1 | ... | pov5 | dz5 | vp5 | resh |

Рис. Формат строки выборки: pol - код пола больного; vozr - код возраста больного; povi - код повода вызова больным ССМП на временном интервале i; dzi - код диагноза поставленного врачом ССМП на временном интервале i; vpi - код вида помощи оказанной врачом ССМП на временном интервале i; resh - код принятого решения о лечении больного амбулаторно-поликлиническими службами.

Обучающая выборка содержала 270 строк (примеров), каждая из которых включает данные о поле, возрасте, результатах

**305040, г. Курск, ул. 50 лет Октября 94, КГТУ, тел. 55-45-48 305003, г. Курск, ул. Дружининская 3, Станция скорой медпомощи

трех последовательных во времени вызовах ССМП к больному и решению, принятому амбулаторно-поликлинической службой вследствие анализа этих данных. Тестирующая выборка содержала 30 аналогичных примеров, не участвовавших в обучении нейросети. Примеры в этой выборке состоят из шести групп, каждая из которых включает пять случайно выбранных примеров для одного из шести возможных решений. Обучающая и тестирующая выборки реализованы в виде соответствующих баз данных в формате ёЪ£ При создании вышеуказанных баз данных использовалось кодирование данных в соответствии с табл. 1-6.

Таблица 1

Кодировка пола

pol значение

1 мужчина

2 женщина

Таблица 2

Кодировка возраста

vozr значение

1 18-39 лет

2 40-49 лет

3 50-59 лет

4 59-70 лет

5 70-74 лет

6 свыше 75 лет

Таблица 3

Кодировка повода вызова

pov значение

1 «задыхается»

2 «потеря сознания»

3 «боли в животе»

4 «травма, ушибы»

5 «приступ почек»

6 «приступ печени»

7 «задержка мочи»

8 «сердечный приступ»

9 «плохо пьяному»

10 «болят почки»

11 «болят суставы»

12 «плохо гипертонику»

13 «приступ бронхиальной астмы»

14 «болит печень»

15 «болит желудок»

16 «болит спина»

17 «плохо»

18 «болит голова»

19 «АД - давление»

20 «все болит»

Таблица 4

Кодировка диагноза больного

dz значение

1 болезни органов дыхания

2 болезни системы кровообращения

3 болезни органов пищеварения

4 болезни мочевыводящей системы

5 травмы и хирургия

6 болезни костно-мышечной системы

7 алкоголизм

8 практически здоров

Таблица 5

Кодировка вида помощи больному

vP значение

1 инъекция

2 закрытый массаж сердца

3 ЭКГ

4 остановка кровотечения

5 искусственное вентиляция легких

6 зондовое промывание;

7 шина

8 наложение повязок

9 катетер мочевого пузыря

10 совет

Таблица 6

Кодировка принятого решения

resh значение

1 диспансеризация

2 эффективная медикаментозная терапия

3 направление в стационар

4 направление в социальную служба

5 консультация специалиста

6 созыв консилиума врачей

Статья

Для выработки нейросетями коллективного решения был создан и обучен консилиум из пяти нейросетей (NET1, NET2, NET3, NET4, NET5) на обучающей выборке из 270 примеров. Это связано с тем обстоятельством, что нейронные сети в процессе обучения используют датчик случайных чисел и приобретают индивидуальность - «мнения» сетей в общем случае могут различаться. В данном случае при выработке решения консилиумом используется операция усреднения. Качество обучения консилиума оценивалось результатами тестирования нейросетей на 30 примерах, не входящих в обучающую выборку (табл. 7).

Результаты тестирование нейросетей

Таблица 7

низкая уверенность (<50%) в распознавании класса интерпретируется как неправильное распознавание класса. На основании результатов этой таблицы можно определить в процентном отношении уровень правильного распознавания классов нейросетями консилиума в тестирующей выборке (табл. 8).

Предлагаемый нейросетевой подход поддержки принятия решений обеспечивает высокий уровень распознавания классов решений и создает предпосылку на разработку эффективной системы поддержки решений для амбулаторно-поликлинических служб. Эффективная работа территориальных амбулаторнополиклинических служб позволит ССМП соответствовать своему функциональному назначению.

Тестируемые классы Тестирование консилиума нейросетей

NET1 NET2 NET3 NET4 NET5

класс уверенность класс уверенность класс уверенность класс уверенность класс уверенность

1 1 100% 1 100% 1 100% 1 100% 1 100%

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

1 1 100% 1 100% 1 100% 1 100% 1 100%

2 2 100% 2 100% 2 100% 2 100% 2 100%

2 3 23,90% 2 100% 2 100% 2 100% 2 100%

2 2 100% 2 100% 2 100% 2 100% 2 100%

3 3 100% 3 100% 3 100% 3 100% 3 100%

3 2 67,30% 5 100% 3 38,70% 5 100% 3 100%

3 3 100% 3 100% 3 100% 3 100% 3 100%

4 4 100% 4 100% 4 100% 4 100% 4 100%

4 4 100% 4 100% 4 28,30% 4 100% 4 100%

4 4 100% 4 100% 4 100% 4 100% 4 100%

5 3 100% 3 100% 5 100% 3 100% 3 86,30%

5 5 100% 5 100% 5 100% 5 100% 5 100%

6 6 100% 6 100% 6 100% 6 100% 6 100%

В табл. 7 используется параметр «уверенность», характери зующий качество обучения. Суть его заключается в следующем [1, 2]. В задачах классификации над нейросетью надстраивается интерпретатор ответа, анализирующий сигналы с выходных нейронов сети и относит ответ сети к тому или иному классу. Используется интерпретатор типа «победитель забирает все», означающий, что нейрон с наибольшим по величине выходным сигналом определяет соответствующий класс. При этом вводится параметр «надежность», характеризующий порог, на котором сигнал нейрона-победителя должен отличаться от сигналов других нейронов на обучающем примере. В процедуре обучения надежность определена значением 0,1.

Параметр «уверенность» при тестировании показывает величину превышения сигнала на нейроне-победителе над сигналами других нейронов на тестируемом примере. При уровне превышения равном/большем параметра «надежность» считается, что параметр «уверенность» равен 100%, иначе он определяется отношением уровня превышения к параметру «надежность».

Уровни правильного распознавания классов

Таблица 8

Нейросети консилиума Классы

1 2 3 4 5 6

NET1 100% 80% 80% 100% 80% 100%

NET2 100% 100% 80% 100% 80% 100%

NET3 100% 100% 80% 80% 100% 100%

NET4 100% 100% 80% 100% 80% 100%

NET5 100% 100% 100% 100% 80% 100%

Консилиум 100% 96% 84% 96% 84% 100%

Литература

1. Горбань А., Россиев Д. Нейронные сети на персональном компьютере.- Новосибирск: Наука, 1996.- 276 с.

2. Россиев А.А. // В сб. Методы нейроинформатики, СО РАН.- Красноярск, 1998.- С. 6-22.

УДК 681.322

ВВОД И ПРЕДВАРИТЕЛЬНАЯ ОБРАБОТКА ДАННЫХ ОБ ЭЛЕКТРОФИЗИОЛОГИЧЕСКИХ СИГНАЛАХ

Е.Ф. СТАРКОВ *

Из табл. 7 следует, что обученный консилиум нейросетей обладает достаточно высоким качеством распознавания классов, сопоставляемых в данном случае с решениями. Считается, что

Введение. Широкое использование диагностических приборов в ЛПУ позволяет получить объективные данные о состоянии пациента. Большинство приборов выполняют лишь визуализацию процесса на мониторе или самописце и не позволяют проводить расчет дополнительных параметров. Регистрация электрокардиограмм (ЭКГ) и реограмм [1, 2] идет на базе ЭВМ и датчиков, позволяющих регистрировать биопотенциалы и преобразовывать их в цифровой сигнал, который передается для обработки в ЭВМ. Комплексы оснащены программным обеспечением визуализации и обработки полученных сигналов, что дает возможность оперативно и точно обрабатывать получаемую информацию, с минимальными затратами вносить изменения в алгоритмы обработки путем обновления программного обеспечения. Массовое внедрение таких комплексов затруднено из-за их высокой стоимости и основная масса ЭКГ и реограмм продолжает регистрироваться на бумажных носителях. В связи с этим актуально обеспечение ввода данных в ЭВМ для их обработки с помощью специализированных программ.

Рассмотрим ввод данных на примере ЭКГ и реогра-фии. ЭКГ занимает ведущее место среди методов диагностики заболеваний сердца [3], это - регистрация электрических явлений, возникающих в сердечной мышце при ее возбуждении. Для изучения состояния внутренних органов и системы кровообращения распространение получила реография. Реография отражает колебания кровенаполнения, происходящие в органах и тканях во время сокращения сердца [4]. Метод основан на способности живой ткани проводить электрический ток и позволяет изучить объемный кровоток. Получаемая при этом кривая пульсовых колебаний электрического сопротивления получила название реограммы. Достоинства этих методов - информативность, безвредность и возможность применения в любых условиях. Существует два способа передать поступающие данные в ЭВМ -сканирование полученных с самописцев результатов измерений и непосредственное сопряжение прибора и ЭВМ через АЦП.

Ввод данных сканированием с бумажных носителей. Сканирование изображения ЭКГ или реограммы с бумажного носителя дает графическое изображение вида (рис. 1, 2). Визуальный анализ изображений показывает, что по структуре изображения идентичны, имеется координатная сетка, возможно наличие посторонних надписей, все линии имеют разную толщину и разрывы, присутствуют помехи в виде точек, после сканирования изображение может быть повернуто на небольшой угол. Исходя из особенностей графических изображений электрофи-зиологических сигналов предварительная обработка проводится в ряд этапов: фильтрация помех на изображении; утонение линий; определение узлов координатной сетки; поворот; перевод линии сигнала в последовательность отсчетов - оцифровка.

* 305040, г. Курск, ул. 50 лет Октября, 94, ГОУ ВПО «КГТУ»

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Лопин В. Н., Прилуцкая И. Е.

Текст научной работы на тему «О нейросетевом подходе поддержки принятия решений амбулаторно-поликлиническими службами»