CC BY
38
А.Г. САННИКОВ, А.С. СКУДНЫХ, А.Г. НЕМКОВ, А.П. ЯСТРЕМСКИЙ, С.Д. ЗАХАРОВ,
A.П. ВОХМИНЦЕВ,
B.Д. ДЕРГАЧЕВА, А.С. ПАРАХИН, К.А. САРТИН,
Государственное образовательное учреждение высшего профессионального образования «Тюменский государственный медицинский университет» МЗ РФ
ПОРТРЕТНЫЙ МЕТОД КАК ТЕХНОЛОГИЯ РАЗРАБОТКИ ЭКСПЕРТНЫХ СИСТЕМ ДЛЯ ДИАГНОСТИКИ
И ДИФФЕРЕНЦИАЛЬНОЙ ДИАГНОСТИКИ В КЛИНИЧЕСКОЙ ПРАКТИКЕ
УДК 614.8
Санников А.Г., Скудных А.С., Немков А.Г., Ястремский А.П., Захаров С.Д, Вохминцев А.П., Дергачева В.Д., Па-рахин А.С., Сартин К.А. Портретный метод как технология разработки экспертных систем для диагностики и дифференциальной диагностики в клинической практике (Государственное образовательное учреждение высшего профессионального образования «Тюменский государственный медицинский университет» МЗ РФ) Аннотация. Среди различных технологий разработки экспертных систем наименее изученным является портретный метод, первоначально предложенный Е.В. Гублером. Авторами давно используется портретный метод для формализации медицинской информации при создании экспертных систем для диагностики и дифференциальной диагностики заболеваний. При формировании базы знаний используются клинико-логический, экспертный и кли-нико-экспертный подход в формировании портрета заболевания. Данная статья посвящена описанию методики применения портретного метода при разработке экспертных систем. Рассмотрены особенности формирования базы знаний и алгоритма работы решателя.
Ключевые слова: автоматизация диагностики, экспертные системы, поддержка принятия решения, нефрология, неврология, черепно-мозговая травма.
UDC 614.8
Sannikov A.G., Skudnykh A.S., Nemkov A.G., Yastremsky A.P., Zakharov S.D., Vokhmintsev A.P., Dergacheva V.D., Parakhin A.S., Sartin K.A. Portrait method as technology for development of decision making systems for diagnostics and differential diagnostics in clinical practice (State Educational Institution of Higher Professional Education «Tyumen State Medical University» MH RF)
Abstract. Among the various technologies for the development of expert systems, the portrait method, originally proposed by E.V. Gubler. The authors have long used a portrait method for formalizing medical information when creating expert systems for diagnosis and differential diagnosis of diseases. When forming the knowledge base, the clinico-log-ical, expert and clinical-expert approach in the formation of a portrait of the disease is used. This article is enlightened on the description of the methodology for applying the portrait method in the development of expert systems. The features of forming the knowledge base and the algorithm of the solver work are considered. Keywords: diagnostic automation, expert systems, decision support, nephrology, neurology, craniocerebral trauma.
T
© А.Г. Санников, А.С. Скудных, А.Г. Немков, А.П. Ястремский, С.Д. Захаров, А.П. Вохминцев, В.Д. Дергачева, А.С. Парахин, К.А. Сартин, 2017 г.
технологии
Создание единой государственной информационной системы в сфере здравоохранения (ЕГИСЗ) устанавливает свои приоритеты, в их числе разработка разнообразных интеллектуальных систем поддержки принятия решения, включая экспертные системы [1]. Данное направление является одним из самых перспективных в медицинской информатике. Высокая медико-социальная эффективность систем поддержки принятия решения и сокращения врачебных ошибок является главным эффектом от разработки и применения систем поддержки принятия решения, так как используемые в вышеперечисленных системах математические методы повышают эффективность диагностического процесса, и, как следствие, постановку диагноза [2, 3].
Строиться они могут на различных подходах, начиная от байесового подхода, заканчивая ныне популярными нейронными сетями. Одним из методов создания экспертных систем является портретный метод. Использование данного метода при создании экспертных систем нами видится одним из перспективных, так как позволяет структурировать и формализовать знания экспертов в области диагностики заболеваний [4, 5]. Для формализации диагностических знаний по заболеваниям и формированию базы знаний для экспертной системы могут быть использованы два подхода. Один из
них - клинико-логический. Второй - экспертный.
Одной из экспертных систем, использующих клинико-логический подход, которая нашла широкое применение в практическом здравоохранении Тюменской области, являлась экспертная система «Подбор ортезного пособия для больных с заболеваниями и повреждениями коленного сустава». Так, с ее помощью к маю 2007 года подобраны ортез-ные пособия для 6071 пациента с посттравматическим гонартрозом [6].
В нефрологии при разработке ЭС «Нефрология» мы использовали экспертный метод. Для этого мы по каждому из 9 основных заболеваний почек у взрослых из доступных изданий, таких как учебники, методические рекомендации, научные статьи, монографии, составили перечень симптомов и данных лабораторных и инструментальных исследований, описывающих максимально полную клиническую картину заболевания. В качестве экспертов нами были привлечены: заслуженный врач РФ, профессор, д.м.н. В.А. Жмуров, профессор, д.м.н. С.А. Осколков. В процессе их работы все признаки были разделены на три группы: основные, значимые и факультативные. Каждой группе маркеров присваивался свой коэффициент: основные - 1,5, значимые - 1,0, факультативные - 0,7. В случае, если один и тот же признак экспертами относился к разным
Таблица 1
Фрагмент портрета острого гломерулонефрита в базе знаний
1 1 Жалобы \ Нарушение мочеотделения \ олигурия \ 1,500
2 1 Жалобы \ Нарушение мочеотделения\никтурия\ 0,700
3 1 Жалобы \ Отеки (почечные)\лицо\ 1,000
4 1 Жалобы \ Отеки (почечные)\веки\ 1,000
5 1 Жалобы \ Отеки (почечные)\живот\ 0,700
6 1 Жалобы \ Отеки (почечные)\поясница\ 0,700
7 1 Жалобы \ Отеки (почечные)\общие отеки\ 0,700
8 1 Жалобы \ Лихорадка\субфербрильная\ 0,850
9 1 Жалобы \ Боли в поясничной области\с обоих сторон\ 1,500
10 1 Жалобы \ Изменение цвета мочи\цвета мясных помоев\ 1,500
Формирова ние массива симптомов Б -
(болезнь)
*
Следующий портрет заболевания Аi из
БЗ
Вывод
Конец
3
Рис. 1. Алгоритм работы решателя
>
технологии
эффективности этой ЭС, по мнению экспертов, она показала свою компетентность в диагностике заложенных в ее базу знаний заболеваний [8].
При проверке работы этой ЭС на 476 клинических случаях доля ошибки составила в среднем 8,4±1,5% для всего списка диагностируемых заболеваний (таблица 3). По мнению авторов полученное заключение указывало на то, что «портретный метод» имеет определенные ограничения при создании ЭС для диагностики оториноларингологических заболеваний.
Также в работе А.П. Ястремского и соавторов проведено сравнение заключения по «портретному методу» с популярным сейчас методом «искусственной нейронной сети» (ИНС). Так, после обучения решателя ЭС, основанной на ИНС, и проверки её работы на этом же массиве пациентов с острыми заболеваниями глотки (п = 476), авторы получили долю ошибки в среднем 5,0±0,6%. Все это указывает на то, что «портретный метод» при диагностике острых заболеваний глотки практически сравним с ИНС.
В неврологии при создании экспертной системы «Автоматизация дифференциальной диагностики черепно-мозговой травмы» были использованы клинико-логический и экспертный подходы в формировании признакового пространства. Так, было проанализировано
Таблица 2
группам, этот признак получал промежуточное значение (1,20 или 0,85).
Итогом работы экспертов стало формирование портрета заболевания, где каждый признак получал свой определенный вес. Пример полученного портрета заболевания представлен фрагментом портрета острого гломеру-лонефрита в таблице 1.
Полученный таким образом портрет заболевания приобретал, по нашему мнению, большую индивидуальность.
Оперируя такими портретами, заложенными в базу знаний ЭС, решатель проводит сравнение между портретами и клиническим случаем. Алгоритм работы решателя ЭС "Нефрология" представлен на рис. 1.
При проверке клинической эффективности этой ЭС она, по мнению экспертов, показала свою компетентность в диагностике заложенных в ее базу знаний заболеваний [8].
Также экспертный метод для формирования портрета заболевания использовался при разработке ЭС диагностики острых заболеваний глотки [9]. При этом симптомы обозначались следующим образом: незначимые (0,75), значимые (1,0), патогномоничные -(1,5). Если значимость симптома не имела никакого значения для данной нозологической единицы, её значение определялось равным 0. Пример расстановки коэффициентов приведен в таблице 2. При проверке клинической
Острый тонзиллит (расстановка весовых коэффициентов 0,75; 1,0; 1,5)
Жалобы Боль Лимфоузлы в подчелюстной области Слизистая зева
симптом коэф. имптом коэф. симптом коэф. симптом коэф.
недомогание 1,5 в горле при глотании 1,5 болезненны 1,0 гиперемия яркая 1,5
скопление слизи в носоглотке 1,5 в суставах 1,0 увеличены 1,0 миндалины покрыты налётом 1,5
головная боль 0,75 в подчелюстной области 1,0 подвижны 0,75 отёчность нёбных дужек 1,0
гнусавость 0,75 с иррадиацией ухо 0,75 безболезненны 0 гипертрофия нёбных миндалин 1,0
Таблица 3
Результаты работы экспертной системы, основанной на портретном методе
Кол-во. (абс.) Диагностика ЭС
Нозология Кол-во ошибок (абс.) % ошибок
Паратонзиллит 273 21 7,69
Парафарингит 26 3 11,53
Острый тонзиллит 82 9 10,97
Острый фарингит 95 7 9,47
Итог 476 40 40
726 клинических случаев. Для ранжирования критериев при построении программы определялся шанс наступления события и его относительная частота. Шанс наступления события рассчитывался как отношение вероятности того, что данное событие произойдет к вероятности того, что оно не произойдет [7]. Относительная частота рассчитывалась как отношение числа наступления события к общему числу испытаний. По итогам была сформирована сводная таблица с описанием признака и его проявления. В таблице 4
представлены основные результаты поиска критериев дифференциальной диагностики ушибов головного мозга и ишемического инсульта у пациентов детского возраста. Экспертным методом были выделены наиболее значимые критерии из числа статистически обоснованных. Для первичной дифференциальной диагностики каждому критерию присвоено значение его относительной частоты в соответствующей выборке.
С использованием этих данных были созданы программы по парной дифференциальной
Таблица 4
Распределение критериев в зависимости от разности их относительных величин в группах УГМ и ИИ у детей
Признак Относит частота
ИИ УГМ И1
Гемипарез умеренный или грубый Отсутствие изменений на КТ Парезы конечностей центральные КТ гиподенсивный очаг Центральный парез лицевого нерва Кома Сопор Оглушение 'Разность относительных величин
92,5 83,3 92,5 15 10 0 0 0
0
4,1 17,4 0 0 1,65 2,48 4,96
92,5 79,2 75,1 15 10 1,65 2,48 4,96
>
и информационные
технологии
и дифференциальную диагностику внесённых заболеваний. Практическая апробация экспертных систем на основе портретного метода демонстрирует высокую эффективность, независимо от предметной области. Данный подход при проектировании и программировании таких систем не требователен к высокой квалификации специалистов, не считая экспертов предметной области. В то же время остается открытым вопрос о сравнении эффективности портретного метода и нейронной сети как средств проектирования систем искусственного интеллекта для распознавания патологии.
диагностике черепно-мозговой травмы и схожей патологии, встречающейся у смежных специалистов.
Подводя итог, мы хотим отметить, что использование портретного метода оценки признаков проявления патологии и формирования предметной области при создании экспертных систем видится одним из наиболее перспективных. Это связано с тем, что он опирается на эмпирические знания эксперта, крайне эффективен при анализе больших объемов данных. Позволяет в случае адекватной оценки веса признаков патологии проводить не только диагностику, но
ЛИТЕРАТУРА
1. Зарубина Т.В. Единая государственная информационная система здравоохранения: вчера, сегодня, завтра // Сибирский вестник медицинской информатики и информатизации здравоохранения. - 2016. - № 1. - С. 6-11;
2. Гублер Е.В. Вычислительные методы анализа и распознавания патологических процессов / Е.В. Гублер - Л.: Медицина, 1978. - 321 с.
3. Гублер Е.В. Информатика в патологии, клинической медицине и педиатрии / Е.В. Гублер - Л.: Медицина, 1990. - 176 с.
4. Кобринский Б.А. Медицинская информатика / Б.А. Кобринский, Т.В. Зарубина. - Москва, 2009. - 192 с.
5. Киликовский В.В. Компьютерные медицинские консультативные системы, основанные на представлении знаний эксперта в виде семантической сети / В.В. Киликовский, С.П. Олимпиева, В.В. Киликовский // Медицинский научный и учебно-методический журнал. - 2001. - № 2. - С. 17-27.
6. Мальчевский В.А. Разработка экспертной системы «ортезирование» на основе клини-ко-логического подхода / В.А. Мальчевский, А.Г. Санников, Д.Б. Егоров, Н.П. Козел // Врач и информ. технологии. - 2007. - № 6. - С. 53-56.
7. Реброва О.Ю. Математические алгоритмы и экспертные системы в дифференциальной диагностике инсультов: автореф. дис... доктора мед. наук / О.Ю. Реброва. - Москва, 2003. - 45 с.
8. Скудных А.С. Оценка клинической эффективности экспертной системы «Нефрология» в условиях стационара / А.С. Скудных, А.Г. Санников, А.А. Терентьев, К.А. Сартин // Медицинская наука и образование Урала. - 2017. - Т. 18. -№ 1 (89). - С. 127-129.
9. Ястремский А.П. Оценка значимости диагностических признаков острых заболеваний глотки при разработке экспертной системы портретным методом / А.П. Ястремский, А.И. Извин, Н.С. Соколовский // Медицинская наука и образование Урала. - 2016. -Т. 17. - № 2 (86). - С. 168-172.
