CC BY
0
УДК 004.891.3
DOI: 10.24412/2071-6168-2023-9-321-322
РАЗРАБОТКА СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ ВРАЧЕБНЫХ РЕШЕНИЙ ПРИ НАЗНАЧЕНИИ
ЛЕЧЕНИЯ ПАЦИЕНТУ
А.С. Серобабов, Л.А. Денисова, А.Л. Серобабова
В статье представлен подход к анализу медицинской информации с целью выявления групп пациентов на основе их степени приверженности к терапевтическим вмешательствам. Выполнен анализ данных с использованием метода нечеткой кластеризации, позволяющий на основе слабо формализованной информации о пациентах выявить факторы их восприятия лечения. Получены группы (кластеры) пациентов, которые имеют схожий тип восприятия терапии по всем критериям, рассматриваемым в исследовании. На основании результатов кластерного анализа получены функции принадлежности пациентов к кластерам, нечеткие правила принятия врачебных решений. Подтверждена эффективность полученной системы при использовании врачом-кардиологом.
Ключевые слова: поддержка принятия врачебных решений, метод с-средних, нечетко-логический вывод, степень уверенности, нечеткая база правил.
Введение. В настоящее время большое внимание уделяется вопросам приверженности к медицинскому сопровождению как важной составляющей успешного лечения пациентов. Соблюдение рекомендаций врача помогает контролировать состояние здоровья, предотвращать осложнения и улучшать качество жизни пациентов. Поэтому актуальными являются как разработка способов влияния на отношение пациентов к применяемой терапии, так и создание подходов к оценке эффективности и рациональности медицинского вмешательства [1-3].
Эффективным решением, позволяющим спрогнозировать приверженность пациентов, является применение систем поддержки принятия решений (СППР), которые на основе данных о клинических и лабораторных результатах обследования пациента вырабатывают план лечения с учетом оценки эффективности и рациональности медицинского вмешательства и индивидуального подхода к лечению.
В статье представлены результаты синтезирования базы правил принятия решений по результатам кластеризации с-средних для оценки приверженности пациента к назначенному лечению. Следует отметить, что характерной особенностью оценки приверженности пациента к назначенному лечению является наличие у него индивидуальных характеристик, а также высокая степень обобщенности критериев. Поэтому для выявления закономерностей необходимо, чтобы модель обладала свойствами обобщаемости и интерпретируемости полученных результатов. В связи с этим в предлагаемой системе принятия врачебных решений применен метод нечеткой кластеризации, преимущество которого заключается в возможности количественной оценки уровня принадлежности пациентов к группам при назначении медицинского сопровождения и в получении информации для дополнительного анализа.
Постановка задачи. Многочисленные клинические исследования в области терапии больных хроническими заболеваниями подтверждают важность отношения пациентов к назначенному лечению, а также ценность получаемых позитивных и негативных результатов терапии [1-3].
В качестве исходных данных для проведения исследований использованы экспериментальные результаты доктора медицинских наук Николаева Н.А. [4, 5]. Исходные данные для исследования сформированы на основе опросника профессора Николаева Н.А., с помощью которого возможно количественно оценить такой качественный параметр как приверженность пациента к терапии. Исследовательская выборка состоит из 200 пациентов в возрасте от 40 до 85 лет, страдающих кардиоваскулярными заболеваниями [5, 6]. Для оценки приверженности пациента к лечению предложены следующие критерии: ожидаемая эффективность модификации образа жизни (Jeuwl), ожидаемая эффективность лекарственной терапии (!Емт), ожидаемая эффективность врачебного сопровождения (IEms). Интегральный индекс ожидаемой эффективности лечения (Index of expected efficiency of treatment IEET) рассчитывают по формуле: lIEET = (lEUWL + 2 lEMT + 3 lEMS)/6, где коэффициенты перед критериями характеризуют степень важности при принятии решений о приверженности пациента к назначенному лечению, в знаменателе указано нормирующее значение оценки.
По значению 11ЕЕТ профессором Николаевым Н. А. определяется качественная оценка эффективности применяемого лечения: Q = {Qi,Q2,Qs}, где Q1 е [1; 1,99] - хорошая эффективность, Q2 £ [2; 3,99] - удовлетворительная эффективность, Q3 е [ 4; 6] - неудовлетворительная эффективность.
Задача настоящего исследования заключается в выявлении категорий пациентов, обладающих максимально схожим типом восприятия терапии в совокупности по трем критериям ожидаемой эффективности и базы правил принятия решений, полученной на основе эмпирических данных.
Алгоритм выявления групп пациентов по типам восприятия лечения. Для решения задачи выявления групп пациентов с максимально схожими характеристиками восприятия лечения, учитывая все три критерия, использован алгоритм кластеризации нечетких с-средних. Особенностью этого алгоритма является представление данных в виде нечетких множеств, где каждый элемент может принадлежать нескольким кластерам с определенной степенью принадлежности [7-9]. Применительно к поставленной задаче кластерная структура представляет собой матрицу нечеткого разбиения пациентов U, где каждая г'-я строка (i = 1, m) выражает степень принадлежности г'-го пациента к кластеру Aj, j = 1, с. В формуле обозначены: m - это количество пациентов, а с - число кластеров (групп приверженности к назначенному лечению). Степень принадлежности ^¡у = [0,1]. То есть матрица нечеткого разбиения пациентов имеет вид:
И-и ^12 ... И-ь ^21 ^22 ... ^2
U = [ßti] =
ßml ß22 ... ßrt
321
(1)
В рамках алгоритма нечетких с-средних выявление групп пациентов происходит в несколько этапов. На первом этапе задается число кластеров (с = 3) и весовой коэффициент элементов ^ = 2), который используется для вычисления центров кластеров. Кроме того, в качестве условия завершения алгоритма указывается точность решения Д^=1е-5.
На втором шаге генерируется матрица нечеткого разбиения U. При этом необходимо исходить из следующих соображений. Требуется, чтобы все объекты были распределены по каждому кластеру в соответствии с выражением:
= 1; * = 1/т, (2)
и, кроме того, ни один кластер не являлся пустым множеством или содержал все элементы:
о < Е^у^^й. (3)
Центры кластеров рассчитываются на третьем шаге по выражению:
Е™!«^)2^/^!«^)2;; = (4)
где и1е А] - г-й объект/-го кластера.
На четвертом шаге определяется расстояние между объектами из матрицы и и центрами кластеров. Применительно к исследуемым данным каждая строка матрицы содержит индексы приверженности конкретного пациента, каждый столбец матрицы содержит значения индексов 1ЕМТ, 1БШ, ¡Бишь. При определении расстояния между объектами используется Евклидова метрика, являющаяся геометрическим расстоянием:
0ц =
\Ut -C,||;i = 1 ,m;j = 1,с.
(5)
На пятом шаге выполняется расчет элементов матрицы нечеткого разбиения пациентов по формуле:
^(ОухЕи^)"1. (6)
На шестом шаге сравниваются матрицы нечеткого разбиения пациентов текущего и предыдущего шага. При условии, если ||У — и'!<Аи, алгоритм завершается, в противном случае выполняется переход к третьему шагу, и'- матрица нечеткого разбиения на предыдущей итерации алгоритма.
Результаты экспериментальных исследований. Для проведения кластерного анализа в исследовании использованы количественно оцененные индивидуальные особенности приверженности пациентов к лечению. Эти особенности применены для разделения пациентов на группы в соответствии с ожидаемой эффективностью лечения.
Кластерный анализ выполнен с помощью встроенного пакета Еш^Ьо&сТооШох инструментария ЫАТЬАБ [10]. Результат кластерного анализа изображен на рис. 1. Каждый график на рисунке представляет собой результат кластеризации пары критериев, где степень ожидаемой приверженности к терапии обозначена цветовым выделением: красный - высокая степень приверженности, зеленый - удовлетворительная, синий - неудовлетворительная. Черным цветом выделены центры кластеров.
I«
JE
з г 1
1 \ ол: : з!
• ' J. Л. * ' / ^ J
Л Г V©-; :-ir' 3
. * Л .4 * ** - - I '
i .ЛЯл :
: . ■ . .
■,.(,, ... ,
3 4
« 4
: i&Jfr1' 1
'ЕМТ
1 2 3 4 5 'ЕМТ Б
К | > 111 "" h"|iinr|h»k lKlnrL
'¡Ш/Г S ы L
lljiu i r[iMW lrMt - 5
S A Ol O-,
м <?■ Ii. Ol
L Vi Q, А
[1|1И ► и 11 г j..... ',„! = М
Л' 0, 9, <fc
м <7, Q, i,
% O, Q, O,
IlfH цнифнн !г и 1 = L
S <h 0, Л
М Q, 9. «i
1. Л Ощ 0,
Рис. 1. Результаты кластеризации пациентов по степени приверженности по принятым критериям
и таблица правил принятия решений
В нижней правой части рисунка представлена таблица правил принятия решений по введенным профессором Николаевым Н.А. критериям. Каждый критерий характеризуется тремя термами (S - малое значение, M -среднее значение, L - большое значение). Правила сформированы на основе полученных центров параметров для определения качественной оценки эффективности применяемого лечения.
Также извлечены функции принадлежности термов для пациентов с разной степенью приверженности к лечению. Функции принадлежности получены проецированием степеней принадлежности соответствующего кластера (строк матрицы нечеткого разбиения U) на оси индексов ожидаемой эффективности.
На Рис. 2 представлены графики с функциями принадлежностей термов параметров: IEUWL, 1Емт, Iems.
Диапазоны изменения параметров
медицинского обследований пациентов: в результате экстракции функций принадлежности
1 hus UUT UpWL
ф 1 jmln /.МЛ ГГПГГА1 i m.' fc'MT imax 'г.": J TN ¡1 'EUWL ■ mar 'Sí/Wt
S 0 4,25 0 а 0 3,75
м 2 6 1,25 5,75 1,25 5,75
L 4,25 е 4 6 4 6
б) fee
Рис. 2. Функции принадлежности по ожидаемым критериям эффективности (по результатам кластеризации): а - 1ЕМТ; б - IEMS; в - ¡EUWL
Функции для каждого терма выбирались следующим образом: для терма S выбрана z-образная функция
((х-сУ
fzW =
1+ е-а(х-с)>
для терма L применена s-
терм М задается симметричной гауссовой функцией = е ^ ' образная функция [5(х) = 1+ е^(х-с). Такие функции принадлежности выбраны по причине того, что представлены в виде простых формул с небольшим количеством параметров регулирования, а также являются гладкими и имеют ненулевые значения во всей области определения.
Аппроксимация к заданным функциям проводилась с помощью метода наименьших квадратов:
= !Г=1У; Р{Р) - ты, (7)
где р - вектор неизвестных переменных, у;,1 = 1,т набор экспериментальных данных (значения степеней принадлежности к кластеру), т - количество пациентов, — аппроксимирующая функция для терма.
Полученные значения степени принадлежности для каждого входного параметра передаются в блок синтезированных нечетких правил. Данный блок содержит определенные правила, реализованные с помощью операции минимума, константы и операции умножения (логическая операция «и»). База нечетких правил содержит список правил, которые принимают несколько входных параметров и формируют одно выходное значение.
Выходы из блоков продукционных правил соединяются с двумя сумматорами, реализуя операцию дефаз-зификации (обратного преобразования нечетких переменных в четкие):
(8)
Rq =
Ht=1ßi(Ri)
где Rq - четкое значение выходной переменной (группа приверженности); - заключение г-го правила, может иметь следующие значения: Q1 = 1, Q2 = 3, Q3 = 5; ^¡(Ä;) - степень выполнения г-го правила;
После дефаззификации на выходе системы образуется числовое значение Rq , которое передается в блок определения степени приверженности, где определяется группа приверженности (Q) и степень уверенности в принятом решении системы (RCF). Для каждого принятого решения по группе приверженности дополнительно вычисляется степень уверенности в принятом решении (что данный пациент принадлежит к выбранной группе).
Степень неуверенности вычисляется по следующей формуле:
Й„ = р0]-Д0| • 100%, (9)
где [Rf] - округление до ближайшего целого. Степень уверенности представляет собой процентное значение по формуле:
Rcf = 100-Rcf . (10)
Проверка точности классификации проводилась при сравнении значений классификатора c результатами профессора Николаева Н.А. Результаты сравнения представлены в Табл. 1.
На рис. 3, а представлены гистограммы принятия решений о степени приверженности пациента к назначенному лечению. Каждый столбец гистограммы соответствует численному значению принадлежности к стадии болезни для каждого пациента и состоит из двух характеристик: серым указана степень неуверенности в принятом решении, черным - четкое значение выходной переменной. Горизонтальная черта над или внутри гистограммы соотвветствует окончательному принятию решения о группе приверженности пациента к лечению.
На рис. 3, б представлены гистограммы сравнения принятых системой решений с полученными по методике врача оценками. Каждому пациенту соответствуют три гистограммы: светло-серым обозначено решение, принятое системой о приверженности пациента к лечению; черным - полученные по методике врача оценки приверженности пациента к лечению; белым - степень уверенности в приятом системой решении (RCF, %).
Показано, что в пяти из шести рассматриваемых случаев принятые системой решения совпали с полученными по методике врача оценками приверженности пациентов к лечению. При этом степень уверенности в принятом системой решении была высокой и принимала значение в диапазоне от 73% до 93%.
В случае, когда приверженность, определенная системой и по методике врача, не совпала, степень уверенности принятия системой решения была ниже 55%. Это может послужить основой для принятия врачом-экспертом по рассчитанной степени уверенности решения о доверии к результату, полученному системой. Принятые с высокой степенью уверенности системой решения в совокупности с клиническим опытом врача-эксперта помогут при определении степени приверженности к лечению пациента.
Фрагмент сравнения результатов системы с эмпирическими результатами профессора Н. А. Николаева
№ ¡EUWL ¡ЕМТ ¡EMS Результат по формуле Н.А. Николаева (степень приверженности) Результат системы (степень приверженности) rCF (степень уверенности, %)
1 1,3 1,5 1,53 1,48 (&) 1,41 (Qi) 79,5%
2 1,6 1,32 1,53 1,47 (&) 1,41 (Qi) 79,5%
3 3,12 4,21 3,2 3,52 (Q2) 3,46 (Q2) 77%
4 3 1,82 1,95 2,08 (Q2) 1,96 (&) 52%
5 2,4 3,1 2,12 2,49 (Q2) 2,46 (Q2) 73%
200 4,12 5,21 5,03 4,94 (Q3) 4,86 (Q3) 93%
Ы, «2 N3 Н4 «I н2 "3 "5 «2«
Ноиер пациентаномер лзциентэ Ч
Рис. 3. Гистограммы принятия решений о приверженности пациента к лечению: а - решения, принимаемые системой; б - гистограммы сравнения принятых системой решений с полученными по методике врача
оценками
Предложенный подход открывает возможность выявления группы пациентов со схожими критериями, что позволяет классифицировать их без предварительной информации. Кроме того, такой подход позволяет создать функции принадлежности пациентов к группам и сделать вывод о приверженности новых пациентов к терапевтическому вмешательству.
Заключение. В результате проведенных исследований разработан метод выявления групп пациентов согласно степени их приверженности к назначенному лечению. При проведении исследования учитывалось, что индивидуальные особенности приверженности к лечению у больных могут быть выявлены, оценены количественно и использованы для прогноза и мониторинга ожидаемой эффективности лечения.
Получены нечетки правила, которые использовались для построения нечеткого классификатора, определяющего уровень принадлежности пациентов к группам при назначении медицинского сопровождения. В результате выделены три группы пациентов со схожим типом восприятия терапии, полученные по трем критериям ожидаемой эффективности и базе правил принятия решений, выработанной на основе эмпирических данных.
Важно отметить, что применение предлагаемого метода обработки медицинской информации в сочетании с методиками, предназначенными для клинической практики, открывает возможности для разработки систем поддержки принятия решений для пациентов с кардиологическими заболеваниями. Это позволяет надеяться на значительное повышение эффективности работы врачей-кардиологов при назначении лекарственной терапии.
Список литературы
1. Хлопотов Р. С. Особенности проектирования баз данных для автоматизированного рабочего места вра-ча-нутрициолога // Известия Тульского государственного университета. Технические науки. 2022. Вып. 9. С. 84-89.
2. Голосовский М.С., Юдин А.Б., Медведев В.Р., Васягин С.Н., Евтушенко Е.В. Алгоритм настройки нечеткого логического вывода в медицинских информационных системах, основанных на знаниях // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2021. Т. 11. № 4. С. 196-211.
3. Серобабов А.С., Чебаненко Е.Б., Денисова Л.А., Кролевец Т.С. Разработка экспертной системы ранней диагностики заболеваний: программные средства первичной обработки и выявлений зависимостей // Омский научный вестник. 2018. №4 (160). С. 179-184.
4. Николаев Н.А. Руководство по клиническим исследованиям внутренних болезней. М: Издательский дом Академия Естествознания. 2015.
5. Николаев, Н. А. Количественная оценка приверженности к лечению в клинической медицине: протокол, процедура, интерпретация / Н. А. Николаев Ю.П. Скирденко, В.В. Жеребилов // Качественная клиническая практика. 2016. №1. С. 50-59.
6. Chebanenko, E. Intelligent Processing of Medical Information for Application in the Expert system / E. Che-banenko, L. Denisova, A. Serobabov // Proceedings - 2020 Ural Symposium on Biomedical Engineering, Radioelectronics and Information Technology, USBEREIT 2020, Yekaterinburg, 14-15 мая 2020 года. Yekaterinburg, 2020. P. 85-88.
7. Штовба C. Проектирование нечетких систем средствами MATLAB. М.: Горячая линия-Телеком, 2007,
С. 187-223.
8. Zhang M., Zhang W., Sicotte H. and Yang P. A new validity measure for a correlation-based fuzzy c-means clustering algorithm / Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2009. P. 4 3865-8.
9. Knyazev N.L., Denisova L.A. The detection methods of dynamic objects / J. Phys.: Conf. Ser. 2018, p. 944
012051.
10. Дьяконов В.П. MATLAB 7. */R2006/R2007: самоучитель. Москва: ДМК Пресс, 2008. 768 с.
Серобабов Александр Сергеевич, аспирант, [email protected], Россия, Омск, Омский государственный технический университет,
Денисова Людмила Альбертовна, д-р техн. наук, профессор, [email protected], Россия, Омск, Омский государственный технический университет,
Серобабова Анастасия Леонидовна, канд, техн, наук, [email protected], Россия, Старотеряево, МОФМосУ МВД России имени В.Я. Кикотя
DEVELOPMENT OF A MEDICAL DECISION SUPPORT SYSTEM TO DETERMINE PATIENT ADHERENCE TO
PRESCRIBED TREATMENT
A.S. Serobabov, L.A. Denisova, A.L. Serobabova
The article presents an approach to analysing medical information in order to identify groups of patients based on their degree of adherence to therapeutic interventions. The data analysis using fuzzy clustering method is performed, which allows to identify factors of their perception of treatment on the basis ofpoorly formalised information about patients. Groups (clusters) of patients who have a similar type of perception of therapy according to all criteria considered in the study were obtained. Based on the results of cluster analysis the functions of patients' belonging to clusters, fuzzy rules of medical decision making were obtained. The effectiveness of the obtained system when used by a cardiologist was confirmed.
Key words: medical decision support, c-means method, fuzzy-logical inference, degree of confidence, fuzzy rule
base.
Serobabov Aleksandr Sergeevich, postgraduate, [email protected], Russia, Omsk, Omsk State Technical
University,
Denisova Lyudmila Albertovna, doctor of technical science, professor, [email protected], Russia, Omsk, Omsk State Technical University,
Serobabova Anastasia Leonidovna, candidate of technical science, [email protected], Russia, Staroteryaevo, Moscow Regional Branch of the Kikot Moscow University of the Ministry of Internal Affairs of Russia
