CC BY
53
ИЗВЕСТИЯ
ПЕНЗЕНСКОГО ГОСУДАРСТВЕННОГО ПЕДАГОГИЧЕСКОГО УНИВЕРСИТЕТА имени В. Г. БЕЛИНСКОГО ФИЗИКО-МАТЕМАТИЧЕСКИЕ НАУКИ №26 2011
IZVESTIA
PENZENSKOGO GOSUDARSTVENNOGO PEDAGOGICHESKOGO UNIVERSITETA IMENI V.G. BELINSKOGO PHYSICAL AND MATHEMATICAL SCIENCES №26 2011
УДК: 004.032.26:617.54089.85
РАЗРАБОТКА НЕЙРОСЕТЕВОЙ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ РИСКА ГНОЙНО-ВОСПАЛИТЕЛЬНЫХ ОСЛОЖНЕНИЙ В ХИРУРГИИ
© К. А. МИЛОВА
Пензенский государственный педагогический университет им. В. Г. Белинского, кафедра информатики и вычислительных систем e-mail: heidin@mail.ru
Милова К. А. — Разработка нейросетевой системы прогнозирования риска гнойно-воспалительных осложнений в хирургии // Известия ПГПУ им. В. Г. Белинского. 2011. № 26. С. 405—411. — Целью данной работы является создание системы прогнозирования осложнений в послеоперационном периоде у больных торакального профиля. Построены две модели для прогнозирования по 2 и по 9 показателям. Для упрощения процедуры обучения нейронной сети применялось квантование входных данных. Ошибка сети не превышает 13,7%. По результатам эксперимента была реализована система прогнозирования гнойно-воспалительных послеоперационных осложнений.
Ключевые слова: Послеоперационное осложнение, нейронная сеть, квантование, прогнозирование
Milova K. A. — The developing of neural system for prediction of surgical compilcations // Izv. Penz. gos. pedagog. univ. im.i V. G. Belinskogo. 2011. № 26. P. 405—411. — This article is referred to developing of system for prediction of postoperative complications. Two neural networks were built. The first of tahem uses 2 factors, the other one uses 9. The quantization of input vector was used. The network error doesn’t exceeded 13,7%. The neural system for prediction was developed.
Keywords: postoperative complications, neural network, quantization, prediction
Введение Целью данной работы является создание системы прогнозирования осложнений в послеоперационном периоде у больных торакального профиля. Наиболее распространенными осложнениями у пациентов торакального профиля являются постгеморрагическая анемия и гнойно-воспалительные осложнения (эмпиема плевры, бронхо-плевральный свищ, бронхо-торакальный свищ) [1].
На сегодняшний день в хирургии все активнее применяются математические методы для получения прогнозных оценок, однако практически не применяются в торакальной хирургии [2].
Актуальность поставленной проблемы определяется тем, что предвидение особенностей течения заболевания в будущем необходимо для повышения эффективности принимаемых решений [3, 4].
В ходе работы использовались данные историй болезни пациентов отделения торакальной хирургии Пензенской областной клинической больницы им. Н.Н. Бурденко.
Для решения поставленной задачи применялся расширенный набор из 9 показателей. Данные были подвергнуты препроцессорной обработке - квантованию и кодированию. Эксперименты с нейронной сетью проводились в пакете Matlab.
Методы препроцессорной обработки данных, применявшихся в исследовании Среди данных выборки присутствовало два основных типа данных:
• Качественный признак (принимает конечное число значений).
• Число.
Данные типа качественный признак - это параметр с конечным числом состояний. Причем нельзя ввести осмысленное расстояние между состояниями. В нашем случае примером качественного признака может служить клиническая оценка состояния больного - тяжелый, средний, легкий.
Все качественные признаки можно в свою очередь разбить на три класса.
• Упорядоченные признаки.
• Неупорядоченные признаки.
• Частично упорядоченные признаки.
Упорядоченным признаком называется такой признак, для любых двух состояний которого можно сказать, что одно из них предшествует другому. Примером упорядоченного признака может служить состояние больного [5]. В исследуемой выборке присутствовали только упорядоченные качественные признаки.
Упорядоченные частные признаки имеют отношение порядка между состояниями. Однако кодирование их разными значениями одного входного сигнала неразумно из-за того, что расстояние между состояниями не определено, а такое кодирование эти расстояния задает явным образом. Поэтому, упорядоченные частные признаки рекомендуется кодировать в виде стольких входных сигналов, сколько состояний у признака. Но, в отличие от неупорядоченных признаков, накапливать число сигналов с мак-
тт г а, < а. < ...< а
симальным значением. Для случая, когда все состояния обозначены через 1 - ", рекомендуемая
таблица кодировки приведена в 1 [5].
Таблица 1. — Кодирование упорядоченного качественного признака
Состояние Вектор входных сигналов
аі
а 2 '1?
ап (Ь, Ь, Ь,..., Ь)
Компоненты а и Ь соответствуют соответствуют границам допустимого диапазона входных сигналов.
При предобработке численных сигналов необходимо учитывать содержательное значение признака, расположение значений признака в интервале значений, точность измерения значений признака. В случае расположения значений признака в интервале значений имеет смысл рассматривать числовой признак как упорядоченный качественный признак с заданным количеством состояний [5].
В нашем случае был применен метод квантования. Одним из известных преобразований, использующихся при подготовке данных к нейросетевому анализу, является квантование. Квантование подразумевает разбиение диапазона значений числового признака на заданное конечное число интервалов. Затем, полученным интервалам присваиваются номера, именуемые уровнями квантования. Квантование позволяет представлять и хранить данные в более компактном и защищённом от искажений виде и используется
для уменьшения числа разнообразных значений признака, что в некоторых случаях позволяет сделать работу модели более эффективной. В общем случае квантование упрощает алгоритм обучения нейронной сети [5].
Квантование первичных данных проведено для следующих показателей: общая сумма времени выполненных операций, общий объём перелитых трансфузионных сред и кровезаменителей, показатель СОЭ, возраст, гемоглобин, количество лейкоцитов (таблица 2).
Эксперимент В выборку были отобраны 427 историй болезни отделения торакальной хирургии областной клинической больницы им. Н.Н. Бурденко. Из них 188 случаев без осложнения, 239 осложненных случаев. Для экспериментов с нейронной сетью были отобраны следующие показатели: длительность операции в минутах, объём оперативного вмешательства (характеристика проведённой операции), объём гемоплазмотрансфузии в литрах, скорость оседания эритроцитов, возраст больного, уровень гемоглобина в граммах на литр, лейкоциты, данные спирографии и клиническая оценка тяжести состояния больного врачом.
Из исходной выборки были сформированы обучающая и тестовая выборки. Обучающая выборка содержала 300 наблюдений - 150 случаев без осложнений, 150 осложненных случаев, тестовая выборка -127 случаев.
Исходные данные были подвергнуты квантованию и кодированию в соответствии с правилами, приведенными в таблицах 2 и 3.
Полученные в результате квантования и первичного кодирования (см. таблицы 2-3) качественных показателей данные были подвергнуты кодированию способом “битовой маски”. Очевидно, что рассматриваемые качественные признаки являются упорядоченными (например, код клинической оценки состояния больного выражает тяжесть состояния - чем больше оценка, тем тяжелее состояние), поэтому каждый признак кодировался с накоплением числа сигналов с максимальным значением [4]. Например, клиническое состояние пациент 0 кодировалось вектором [100], клиническое состояние 1 - вектором [110] ,а клиническое состояние 2 - вектором [111] соответственно.
Закодированные с помощью битовой маски данные, подавались на вход многослойной сигмоидальной нейронной сети. В качестве функции активации использовалась логарифмическая сигмоидальная функция активации.
Экспериментально подбиралось число слоев нейронной сети и количество нейронов в каждом слое. Лучший результат был достигнут на сети, представленной на рисунке 1.
Layer Layer Layer
Рисунок 1 — Архитектура нейронной сети в пакете МаНаЬ
Сеть содержала 3 слоя: 2 нейрона в первом слое, 8 нейронов во втором слое, один нейрон в выходном слое сети (обусловлено задачей). Дальнейшее усложнение структуры нейронной сети не давало улучшения результата.
Оценка качества работы сети оценивалась путем подсчета правильно распознанных наблюдений. На сети со структурой, представленной на рис. 1 достоверность работы нейронной сети составила 86,3 %.
Таблица 2 — Интерпретация значений квантования количественных медицинских данных
№ Наименование показателя Интерпретация
1. Длительность операции (общая сумма времени всех оперативных вмешательств) 0 — от 0, когда операция не выполнялась, до 100 минут; 1 — от 101 до 200 минут; 2 — от 201 до 300 минут; 3 — от 301 до 400 минут ; 4 —более 400 минут.
3. Объём гемоплазмотрансфузий и кровезаменителей (общий объём перелитых сред больному) 0 —от 0 (не было трансфузий и инфузий) до 1 литра; 1 — от 1 до 3 литров; 2 — от 3 до 5 литров; 3 — от 5 до 7 литров; 4 — более 7 литров
4. СОЭ 0 — соответствует норме и не превышает 19 мм/час; 1 — от 20 до 39 мм/час; 2 — от 40 до 59 мм/час; 3 — от 60 и более мм/час.
5. Возраст больного 0 — от 1 до 30 лет включительно и старше 70 лет; 1 — от 31 до 40 лет; 2 — от 61 до 70 лет; 3 — от 41 до 60 лет.
6. Уровень гемоглобина 0 — соответствует норме; 1 — от 111 до 120 г/л; 2 — от 101 до 110 г/л; 3 — от 91 до 100 г/л; 4 — от 81 до 90 г/л; 5 — 70 до 80 г/л; 6 — менее 70 г/л.
7. Лейкоциты 0 — Соответствует норме; 1 — от 9 до 10; 2 — от 11 до 15; 3 — от 16 до 20; 4 — более 20.
Уменьшение числа показателей, используемых в модели Было проведено экспериментальное исследование, позволяющее выявить, можно ли осуществить прогноз по меньшему числу показателей.
Для отбора факторных признаков для модели был применен метод шаговой регрессии [6]. Как известно, в соответствии с процедурой шаговой регрессии независимые переменные одна за другой включаются в подмножество согласно предварительно заданному критерию. С помощью пошаговой процедуры получается упорядоченный список предикторов. Для определения наилучшего подмножества из этого списка выбираются переменные так, чтобы они возможно лучше предсказывали значение результирующей переменной и их число было по возможности меньше [6].
Таблица 3 — Интерпретация кодирования качественных медицинских показателей
№ Наименование показателя Интерпретация
1. Объём оперативного вмешательства 0 — оперативного вмешательства не было, выполнялось дренирование плевральной полости, торакоскопия или видеоторакоскопия; 1 — дренирование плевральной полости, торакотомия, резекция сегмента лёгкого или атипичная резекция сегмента лёгкого; 2 — дренирование плевральной полости, лоб, билоб - или пневмонэктомия; 3 — торакотомия с декортикацией лёгкого, дренированием плевральной полости; 4 — выполнялось более трёх оперативных вмешательств
2. Спирография 0 — норма или не выполнялась ввиду недостаточной информативности; 1 — незначительное снижение вентиляционной функции; 2 — умеренное снижение; 3 — выраженное, соответствует 3 степени.
3. Клиническая оценка состояния больного 0 — Удовлетворительное состояние; 1 — Состояние средней степени тяжести; 2 — Состояние тяжёлое. Требуется подготовка к экстренной или отсроченной операции в условиях реанимации врачом-реаниматологом и торакальным хирургом
В результате применения процедуры шаговой регрессии было выяснено, что наибольшее влияние на результирующую переменную (наличие или отсутствие осложнения) оказывают две факторные переменные: продолжительность операции (в минутах) и скорость оседания эритроцитов. На основе отобранных факторов была построена новая нейросетевая модель, использующая указанные переменные для определения значения результирующей переменной. В модели использовалась традиционная многослойная сигмоидальная сеть. В первом слое сети содержалось 13 нейронов, во втором - 24, в третьем 1 (обусловлено задачей). На вход сети подавались значения указанных переменных, значения которых были промасшта-бированны в диапазоне [-1;1]. Выбор такого диапазона для масштабирования обусловлен использованием в качестве функции активации гиперболического тангенса, диапазон чувствительности которого [-1;1]. Экспериментально подобранная нейронная сеть, позволяет осуществить прогноз с достоверностью более 88%. При этом для указанной сети ошибка первого рода не превышает 12%, а ошибка второго рода равна
0,68% [7].
Реализация системы По результатам экспериментов была разработана система для прогнозирования риска возникновения гнойных осложнений по 9 показателям и по 2 показателям. При разработке системы использовалась архитектура нейронных сетей, построенных в ходе экспериментов в среде Ма^аЬ. Система зарегистрирована в Реестре программ для ЭВМ [8].
Модуль прогнозирования по 2 показателям представлен на рисунке 2. При запуске приложения пользователю необходимо указать значения длительности операции в минутах и скорости оседания эритроцитов (СОЭ) в миллиметрах/час. Для получения прогноза необходимо нажать на кнопку Прогноз. Значение длительности операции должно лежать в диапазоне [20;425], а значение СОЭ в диапазоне [2;75].
В нижней части окна, в блоке Прогноз будет отображен ответ системы: благоприятный (без осложнений) в случае если гнойное осложнение маловероятно и неблагоприятный (осложнение), если развитие гнойных осложнений вероятно.
Рисунок 2 - Модуль прогнозирования осложнений по 2 показателям.
Модуль прогнозирования осложнений представлен на рисунке 3. При запуске приложения пользователю необходимо выбрать варианты параметров из выпадающих списком Для получения прогноза необходимо нажать на кнопку Прогноз.
Прогноз по 9 показателям
Выбор показателей Длительность операции
Объём оперативного вмешательства
Объём гемоплазмотрансфузий
СОЭ
Возраст
Уровень гемоглобина
Лейкоциты
Данные спирографии
Клиническая оценка состояния больного
дренирование плевральной полости
іт 0 (не было трансфузий и инфузий) до 1 литра
зт 20 д о 39 мм/час;
їв выполнялась ввиду недостаточной информативности -
Благоприятный (без осложнений)
Рисунок 3 - Модуль прогнозирования по 9 показателям
В правой части окна, в блоке Прогноз будет отображен ответ системы: благоприятный (без осложнений) в случае если гнойное осложнение маловероятно и неблагоприятный (осложнение), если развитие гнойных осложнений вероятно.
Заключение Таким образом, в результате экспериментов была предложена модель, позволяющая прогнозировать риск возникновения гнойно-воспалительных осложнений у хирургических больных на основании 9 параметров с погрешностью не превышающей 13,7% и модель на основании 2 параметров с
погрешностью не превышающей 12%. Для упрощения процедуры обучения сети по 9 показателям было произведено квантование исходных данных. При отборе наиболее значимых факторов использовался механизм шаговой регрессии.
На основании экспериментально подобранной архитектуры нейронной сети была реализована система прогнозирования гнойно-воспалительных осложнений по 9 показателям и по 2 показателям.
Список литературы
1. Конден Р., Найхус Л. Клиническая хирургия. М.: “Практика”, 1998.
2. Соломаха А. А. Компьютерное прогнозирование ранних осложнений после операций на желудке (http://www.medicum.nnov.rU/nmj/2003/1/27.php)
3. Назаренко Г. И., Сидоренко В. И., Лебедев Д. С. Прогнозирование характера течения острого панкреатита методом нейронных сетей // Вестник хирургии. 2005. №1. С. 50
4. Милова К. А. Оценка состояний хирургических больных торакального профиля средствами нейронных сетей // Научная сессия МИФИ-2011. XIII Всероссийская научно-техническая конференция “Нейроинформатика-2011”: Сборник научных трудов XIII. М.: МИФИ, 2011. Ч. 1. С. 38-40.
5. Миркес Е. М. Нейроинформатика. Красноярск: ИПЦ КГТУ, 2002. 347 с.
6. Афифи А., Эйзен С. Статистический анализ: Подход с использованием ЭВМ. Пер. с англ. М.: “Мир”, 1982. 488 с.
7. Милова К. А. Нейросетевое прогнозирование гнойных осложнений у хирургических больных // Сборник научных трудов XII Всероссийской научно-технической конференции “Нейроинформатика-2010”. М.: МИФИ, 2010. Часть 1. С. 16.
8. Милова К. А., Горбаченко В. И., Соломаха А. А. Нейропредиктор V. 1.0. Нейросетевая система прогнозирования риска гнойновоспалительных осложнений в хирургии // Свидетельство об официальной регистрации программы для ЭВМ № 2010616453. Зарегистрировано в Реестре программ для ЭВМ 28 сентября 2010 г.
