CC BY
36
Статья
Талица 1
Сравнительная оценка ЭКГ-мониторных параметров при воздействии на организм СГС Астраханского месторождения
Показатели ЭКГ-МН
Длительность интервалов (мм/с) Величина зубцов (мм) Сегмент мм ЧСС уд/мин
PQ QRS QT RR TP TQ P R S T ST+10
Контроль n=10 0,05±0,01 0,04±0,009 0,08±0,03 0,18± 0,03 0,05±0,02 0,11±0,03 2,3±0,3 9,2±0,6 3,7±0,6 6,2±0,9 11,5±0,7 338±44
0 О с 0,07±0,01 0,04±0,009 0,1 ±0,01 0,3±0,11* 0,18± 0,09 0,2±0,09 1,3±0,3 8±0,03 4,9±0,8 7±0,75 13,9±0,5 229±62
ОГ+Адр n=15 0,03±0,001* 0,03±0,007 0,08±0,01 0,2±0,01 0,08±0,04 0,2±0,07 0,9±0,2 12±0,01 3,1±0,8 3,8±0,1* 8,9±0,2 268±91
16 день СГ,п=25 0,05±0,001 0,03±0,001 0,09±0,01 0,26±0,13 0,16±0,03 0,2±0,01 2± 0,001 7,5±2* 2±0,4* 7±0,8 13,6±0,7 263±42
21 день СГС,п=20 0,05±0,001 0,03±0,001 0,09±0,01 0,25±0,03 0,1±0,001 0,2±0,03 1,8±0,7 6±0,6* 2,7±0,4* 2±0,8* 8,7±0,6 253±48
Примечание: * - указывают на достоверность различий (р<0.05) между группой контроля и воздействием факторов повреждения
уровня артериального давления в большом круге кровообращения и легочной гемодинамики [2]. Метод ЭКГ-мониторного наблюдения (ЭКГ-МН) важен для оценки нарушений ритма и проводимости, изменений конечной части желудочкового комплекса и других синдромов и заболеваний миокарда [4-5].
Материалы и методы. Работа проведена на 80 белых кры-сах-самцах массой 150-210 г, содержавшихся в стандартных условиях. Оценку характера и степени повреждения миокарда при ингаляционном воздействии на организм СГС Астраханского природного месторождения проводили методом ингаляционного воздействия на организм газа в концентрации 300 мг/м3 по H2S в течение 21 дня в специальных затравочных камерах. В эксперименте использовалась газовая смесь, имеющая состав: метан -57,23±1,24 об.%, этан - 2,26±0,17 об.%, пропан - 0,94±0,06 об.%, изобутан - 0,28±0,04 об.%, изопентан - 0,92±0,03 об.%, углекислый газ - 13,78±1,21 об.%, азот - 0,52±0,02 об.%, сероводород -24,03±1,33 об.%. Оценка велась после 3 - 6 - 9 - 12 - 16 - 21 дня воздействия газа. Для этого сразу после определенного дня воздействия крысу наркотизировали внутрибрюшинным введением 20% раствора гексенала 50 мг/кг. От момента вступления в наркоз у крыс велось ЭКГ-МН с записью со скоростью 50 мм/с при усилении 2 mV на аппарате Mingograf 82, Simens Elema Sweden. При этом для исключения влияния наркоза животное в эксперимент не возвращалось. Результаты вносились в протокол исследования с оформлением дневника ЭКГ-МН и расшифрованы стандартным методом оценки результатов ЭКГ. Статобработку вели на персональном компьютере Intel Pentium III по статистическим пакетам в программе «Microsoft Exel 2000 XP», Statgraph-ics. Данные представляли в виде средней и ее стандартного отклонения (M±m). Достоверность различия показателей оценивали с помощью парного t-критерия Стьюдента.
Результаты. При ингаляционном воздействии на организм человека СГС Астраханского месторождения в концентрации 300 мг/м3 по сероводороду по 4 часа в день, на 16 день воздействия на ЭКГ-мониторе возникал подъем сегмента ST на 2-3 мм (13,6±0,7 мм). То же обнаружено на ЭКГ-мониторе при действии на организм крыс-самцов в течение 6±0,5 мин острой гипобари-ческой гипоксии (ОГ - 13,9±0,5 мм) [1]. При этом на 21 день ингаляционного действия СГС на ЭКГ-мониторе шло снижение сегмента ST на 1,5-2 мм (8,7±0,6 мм), как при моделировании повреждения миокарда, вызванного комбинацией адреналина (Адр) с ОГ (8,9±0,2 мм) (табл.).
СГС, обладая гипоксически-токсическим воздействием на организм, ведут к развитию дыхательной, гемической и тканевой гипоксии органов с ростом образования свободных радикалов и перекисных соединений. В динамике на 16 день воздействия СГС на организм приводило в большей степени к развитию гипокси-ческого характера повреждения миокарда. На 21 день воздействия СГС вело к развитию токсического повреждения миокарда на фоне дыхательной и гемической гипоксии. При действии СГС развиваются два взаимосвязанных процесса: процесс адаптации, стремящийся вернуть физиологические переменные в гомеостатические границы, и патологический процесс из-за влияния возникающих отклонений от нормы на работу систем управления. Патологический процесс переведет все или определенную систему на другой уровень, нужный для ее функционирования, и создаст новые гомеостатические границы.
Заключение. При ингаляционном воздействии на организм СГС Астраханского месторождения приводит к возникновению снижения сегмента ST наблюдаемого на ЭК-мониторе на 21 день воздействия, что может указывать на влияние СГС, на развитие тканевой гипоксии миокарда с возникновением дисметаболиче-ской кардиопатологии. Это открывают возможность для проведения направленного поиска путей кардиопротекции от повреждений миокарда, вызываемых воздействием на организм СГС Астраханского газоперерабатывающего завода.
Литература
1. Патент 2243595 / Епинетов М.А. Способ моделирования ишемического повреждения миокарда у крыс // Изобретения. Заявки и патенты.- 2004.- № 36.- С.976.
2. Полунин И.Н. и др . Токсический отек легких при отрав -лении сероводородсодержащим газом.- Астрахань,1999.-219 с.
3. Полякова В.С. Структурно-функциональная реорганизация эпителия легких и печени при воздействии сероводородсодержащих газовых смесей: Автореф. дис... д.м. н.- М.,2004.- 42 с.
4. Фундаментальные исследования и прогресс в кардиологии: Сб. мат. Конгр. ассоц. кардиол. СНГ.- СПб,2003.-345 с.
5. Чазов Е.И. //ер. Архив.-2004.-36.- С.8-15.
6. Albin R. L. // Neurol-Clin.- 2000.- Vol. 18, № 3.-Р.665-680.
7. Dello-Russo C. et al. // J.Neuroendocr.- 2000.- № 3.- Р.225.
УДК 615.84
СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ДЛЯ ВРАЧА-ТЕРАПЕВТА НА ОСНОВЕ НЕЧЕТКИХ СЕТЕВЫХ МОДЕЛЕЙ
А. А. ГРАХОВ**, Л. А. ЖИЛИНКОВА*, Е.В. ШЕВЕЛЕВА**
Уровень развития вычислительной техники делает возможным создание информационных продуктов - автоматизированных технологий, предлагающих научно обоснованные решения в зависимости от особенностей ситуации, складывающейся на каждом конкретном этапе ведения больного. При решении сложных задач автоматизированной диагностики заболеваний, хороших результатов удаётся достичь при использовании интерактивных систем, когда в контуре диагностики и управления активно функционирует лицо, принимающее решение (ЛПР), обладающее нужным запасом знаний, умений и навыков в медицинской предметной области. Известно большое число автоматизированных диагностических систем, решающих задачи диагностики.
При этом надо иметь в виду, что специализированные системы и универсальные оболочки, требуют приведения решающих правил к стандартному виду, например, правилу продукций, фреймам и т.д., и для каждой предметной области необходимо осуществлять поиск решающих правил, что составляет основную работу, при построении соответствующих экспертных систем.
Анализ условий функционирования автоматизированной системы диагностики заболеваний, работающей в поликлинике (ограничения на время принятия решений, неоднородность структуры классов, разнотипность представления признаков и классов, неопределённость в представлении данных и диагности-
* 305047 г. Курск, ул. Карла Маркса, д. 3. КГМУ
** 305040 г. Курск, ул. 50 лет Октября, д. 94. КГТУ
А.А. Грахов, Л.А. Жилинкова, Е.В. Шевелева
ческих заключений), показал, что существующие системы в полной мере не обеспечивают выполнение этих требований.
Анализ организации медицинского обслуживания пациентов врачами терапевтами в типовых лечебно - профилактических учреждениях показал, что при построении соответствующих систем поддержки принятия решений целесообразно использовать сетевые модели баз знаний и данных из узлов которых, которой возможно совершение разветвлённых переходов дляу-точнения диагнозов, определения степени тяжести заболевания, назначения лечебно-оздоровительных мероприятий; смены диагностических гипотез, смены тактики лечения и т.д. В качестве основного элемента сети используем унифицированный по входам и выходам решающий модуль (РМ), располагающийся в узлах сетевой модели. Решающие правила, используемые в РМ, ориентированы на применение нечётких знаний и фактов, выраженных через коэффициенты уверенности. Для РМ разрешено использование и других хорошо зарекомендовавших себя решающих процедур (дискриминантный анализ, модификации метода эталонов, вероятностные процедуры, методы динамического интерактивного конструирования двумерных отображающих пространств и др.). Каждый РМ производит расчёт показателей качества взаимодействия с ним ЛПР и может быть переведён в режим собственного обучения или в режим реализации программ аттестации, профессионального отбора или обучения медперсонала. Для организации управляемых переходов от модуля к модулю во всех РМ предусмотрен механизм адаптационного управления, по которому адрес перехода определяется специальными фрагментами решающих правил, получаемых на этапе обучения системы в целом.
Таблица 1
Таблица связей
Каждый модуль РМst имеет двойной порядковый номер: по строке 8=1,...,ш и по столбцу X = 1,...к,...п,...г. При реализации лечебно-диагностического процесса сетевой логической моделью каждый решающий модуль, используя набор входных признаков (симптомокомплексов, диагнозов и их особенностей и т.д.), формирует набор гипотез, сопровождающихся соответствующими значениями коэффициентов уверенности. При низкой уверенности в выдвигаемых гипотезах РМ запрашивает дополнительную информацию и на её основе уточняет решения. Входные признаки и дополнительная информация сопровождаются значениями весовых коэффициентов, определяющих их вклад в формирование гипотез. Если ни одна из гипотез не обеспечивает решения с заданной уверенностью, производится переход к новому РМ, либо уточнение или развитие версии по выбранной гипотезе), либо переход к новой гипотезе, либо возврат назад, если первоначальные гипотезы не верны. Этап получения диагноза заканчивается при достижении заданной уверенности в диагнозе, а этап лечения - при достижении заданного оздоровительного эффекта. Набор признаков и дополнительная информация могут быть не полными, что отражается на уверенности в принимаемых решениях. При этом у пользователя есть возмож-
ность просмотра и уточнения роли признаков в формировании гипотезы с целью получения информации о необходимости дообследования, смены гипотезы или тактики ведения пациента. При работе с сетевой моделью в специальной буферной памяти идет запоминание номеров и порядка использования РМ, условий их работы с сохранением данных по каждому модулю. Это позволяет контролировать лечебно-диагностический процесс, используемый РМ. Появляется возможность оценки качества работы эксперта путём анализа используемых модулей и даже отдельных признаков (симптомокомплексов).
Функцию контроля качества деятельности эксперта выполняют специальные программные средства системы оценки качества (СОК). Логика работы СОК основывается на том, что, чем более весомые, с точки зрения выбранного критерия, РМ или признаки (симптомокомплексы) не задействуются (не анализируются) экспертом при работе с ьой нозологией, тем ниже оценивается качество работы врача в случае его ошибок в постановке диагноза и (или) определения тактики ведения пациента. РМ имеет несколько входных и выходных интерфейсов со своими спецификациями. Различаются интерфейсы для ввода/вывода данных, решающих правил, адресов, управляющей и обучающей информации. Для управления лечебно-диагностического процессом РМ обеспечивает выполнения ряда специфических функций, основными среди которых являются: анализ входной информации на её полноту и соответствие спецификации решающего модуля с возможностью управления условиями его включения со стороны входной информации; принятие решений по диагнозам или по тактике лечения с расчётом уверенности в принимаемом решении; получение ряда вариантов решений, сопровождающихся расчетом «своих» коэффициентов уверенности и определением адресов перехода по РМ сети; выбор рациональной тактики ведения больного в зависимости от входной информации с учетом индивидуальных особенностей; реализация механизма объяснения причин снижения качества принимаемых решений с указанием конкретной информации о том, чем вызвано это снижение; организация режима обучения с целью повышения качества принимаемых РМ решений. Для определения круга задач решаемых каждым из РМ сети предлагается использоваться анализ таблиц связей диагнозов с информативными признаками и способами организации лечебно-оздоровительных процедур.
Рассмотрим вариант таблицы связей для блока принятия диагностических решений. Для остальных блоков информационно-логической модели управления лечебно-диагностическим процессом таблицы связей строятся так же. По столбцам таблиц
А.А. Грахов, Л.А. Жилинкова, Е.В. Шевелева
связей предлагаем выписать имена диагнозов у, которые, по мнению пользователей, надо поддержать проектируемой СППР. По строкам последовательно для каждого из диагнозов, начиная с первого, выписываются имена признаков Xri, которые следует задействовать на 1-м этапе постановки диагнозов. Это данные осмотров, доврачебного контроля и данные из медицинской карты предыдущих обследований. Эта часть табл. задействуется для обучения. РМ 1-го слоя СППР. В приведенных обозначениях ]=1,...^ - номер диагноза; г= 1,...К - предполагаемый номер столбца СППР; /=1,.,7 - номер признака в столбце (табл. 1).
Заканчивается 1-я часть табл. 1, используемая на 1-м этапе проектирования первого слоя СППР, строкой предполагаемого коэффициента уверенности, достигаемого на этапе работы системы поддержки принятия решений. Элементами таблицы могут служить двоичные переменные а^ = {0,1}, принимающие значение 1, если Хп надо использовать при постановке диагноза у/, и 0 -если нет. В более общем случае элементами таблицы могут быть частные коэффициенты уверенности Ку, определяющие «вклад» признака х„ в общую уверенность по диагнозу уф. Во 2-й части таблицы (по строкам) выписываются признаки, которые следует собрать, чтобы уточнить диагнозы уф на 2-м этапе обследования. На 1-м этапе синтеза СППР предполагается, что они составят основу проектирования РМ второго слоя сети. Сбор дополнительной информации используется для построения решающих правил, определяющих тактику оздоровительных мероприятий в слоях сети, использующихся на этом этапе лечения. Заканчивается вторая часть таблицы, как и первая, предполагаемым коэффициентом уверенности, достигаемым вторым слоем РМ при работе с диагнозом уф. Так же формируются строки таблицы связи для последующих слоев. После заполнения таблицы связей решается вопрос о том, какие задачи поручаются каждому модулю. При этом рекомендуется придерживаться следующего правила.
Если в каждом из слоев по вертикали находится система признаков (аф=1), дающая уверенность в постановке диагноза, и число входов и выходов РМ не выходит за рамки ограничений на его интерфейсы, задача отдается одному РМ сети. При этом один РМ обеспечивает постановку ряда диагнозов. Для удобства синтеза РМ область его компетенции в табл. связей выделена замкнутой линией, с обозначением места РМ в сетевой структуре. В табл. это показано для диагнозов уу2, уз- Табл. связей - основа алгоритма обучения РМ для решения задач классификации.
Схема алгоритма приведена на рис. 1:
1. На 1-м этапе создания СППР эксперты и администрация поликлиники определяют перечень её функций, число и перечень диагностируемых классов, состав и структуру признаков, которые должны и могут быть получены в условиях ЛПУ (блок 1).
2. По множеству исходных признаков и классов {хп, уу}
строится таблица связей, по которой эксперты выделяют первичные области компетенции решающих модулей (блоки 2 и 3).
3. Эксперты определяют круг диагнозов и РМ, для которых известны решающие правила. Для РМ с известным решающими правилами выполняется пункт 5 алгоритма (блок 4).
4. При отсутствия решающих правил или при необходимости корректировки известных правил, методами теории распознавания образов, с привлечением теории нечётких множеств и других известных методов, использующихся при обработке данных, проводится разведочный статистический анализ (блок 5) и идет поиск информативных признаков, на основании которых избыточные признаки удаляются из табл. связей (блок 6). В зависимости от типа задач по системе информативных признаков ведется синтез чётких или нечётких решающих правил (блок 7).
5. Эксперты, совместно с инженерами, анализируют, насколько первоначально выбранные задачи используют вычислительные ресурсы РМ (блок 8). Если ресурсы решающих модулей используются более чем на 80%, выполняется пункт 7.
6. При недогрузке РМ решают вопрос их объединения либо по строке, либо по столбцу, увеличивая число задач, решаемых РМ (блок 9). После объединения РМ идет контрольная проверка их работоспособности (блок 10).
7. Для каждого из РМ определяются режимы и правила их срабатывания при наличии определенного числа признаков на входе: по срабатыванию решающего правила, по команде лица принимающего решение; устанавливаются адреса и условия связи с другими РМ; определяются правила запроса и получения
дополнительной информации (блок 11); определяются механизмы объяснения причин снижения уверенности в принимаемых решениях и определяются условия их дообучения (блок 12).
В соответствии с общей идеей построения системы поддержки принятия решений после обучения РМ работают в режиме принятия решений и в режиме дообучения. Схема алгоритма управления решающими модулями приведена на рис. 2.
Предлагаемый алгоритм реализуется по следующим основным пунктам. Основным режимом работы РМ является режим принятия решений. Если выбран этот режим (блок 1), общение с РМ начинается с ввода данных Хі (данные осмотров, инструментальных и (или) лабораторных исследований, результаты работы сопряженно работающих РМ и т.д.) (блок 2). Если РМ выбирает ЛПР (блок 3), то выполняется следующий пункт, если РМ выбирается автоматически (без ЛПР), то РМ по заданным наборам входных решающих правил проверяет условия своего срабатывания (блок 4). Если входные правила не срабатывают, РМ не инициализируется и идет анализ инициализации др. модулей. Если входные правила срабатывают, выполняется сл. пункт.
Инициализируется работа ОРП, решающих задачи диагностики или лечения (блок 7). В ходе работы ОРП определяется, к какому из классов относится объект исследования, и с какой точностью выполняется классификация. В предлагаемой СППР принята единая мера отнесения объекта к тому или иному классу
- коэффициент уверенности в принимаемом решении (^) если
в результате срабатывания ОРП рассчитываемый Ку превышает пороговую уверенность Ку > Куп (блок 8), проверяется условие достижимости уверенности в принимаемом решении его заданного классификационного порога КуК, если да, то решение принимается (блок 14). Если же Ку < Кук, то формируется адрес перехода (блок 12) к другим РМ (блок 13). Если Ку > Куп, переходим
к реализации следующего пункта. Для уточнения принимаемых решений для повышения уверенности в принимаемых решениях, решающие модули реализуют свои функции по запросу дополнительной информации из базы данных или знаний (блок 9, 10). Запрос дополнительной информации может идти по заранее записанным адресам в зависимости от величины Кук, или при
Статья
срабатывании решающих правил запроса (РПЗ) вычисляющих адреса запросов в рамках возможностей своих ЛПУ или других учреждений. В результате запроса в РМ передается дополнительная информация х^п (блок 11) и идет переход к п. 2. Во всех
случаях решение заканчивается, если достигнута заданная уверенность в диагнозе или формируется адрес перехода к иным РМ.
В качестве основного математического аппарата, обеспечивающего согласование признаков и различных типов решающих-правил с единым механизмом работы РМ, в работе используется аппарат нечеткой логики принятия решений с определением меры уверенности, выражающейся через коэффициент уверенности КУ, определяемый как разность между двумя мерами.
КУ(щ /X) = МД(щ / X)-МНД(щ / X) (1)
где КУ(щ / X) - уверенность в диагностической гипотезе щ с учетом наличия свидетельств (признака (ов)) Х, МД(щ / X)
- мера доверия к щ с учетом признаков Х, МНД(щ / X) - мера недоверия к гипотезе щ с учетом признаков Х. Для уточнения меры доверия при поступлении новой информации, коэффициент уверенности в диагнозе щ определяется формулой
Кщ ° +1 = Кщ0') + х()щ[ - Кщ 0')] (2)
где Кщ (ф) - коэффициент уверенности (уверенность) в принятии решений по диагнозу щ до поступления признака х вносящего уверенность в диагноз щ равную величине х(,)щ ; Кщ 0 +1) - уверенность в принятии решения после поступления признака х, ; ] - номер итерации в расчете Кщ ; i - номер признака, использующегося в постановке диагноза щ, который в
частном случае может совпадать с ^ Согласование описаний разнородных признаков и способов классификаций удобно производить с использованием функций принадлежностей вида 8 - носитель функции принадлежностей, который в зависимости от типа задачи может определяться величиной исследуемого признака, величиной отклонения признака от его номинальных значений, мерой близости к исследуемому классу, градацией шкалы наименований и т.д. [1, 2]. Для решения задачи диагностики синдрома острой головной боли была синтезирована система логических решающих правил типа ЕСЛИ А, ТО В и в ходе обучения получено 3-уровневое решающее правило. На 1-м уровне выдвигаются 4 вероятные гипотезы с уровнем доверия, недостаточном для принятия диагностических заключений. На 2м уровне производится детализация диагнозов с сужением списка диагнозов до двух-трех с поднятием уровня доверия к группе диагнозов до 0,7-0,8 на третьем уровне производится уточнение диагнозов с коэффициентом уверенности на уровне 0,85-0,87.
Для уточнения диагноза гипертензионной головной боли использована диагностическая информация, получаемая при измерении электрического сопротивления БАТ 01 11, 01 15, Е 9 и Е 36, что позволило повысить уверенность в принятии решений с
0,87 до 0,93. Учитывая важность правильной постановки диагноза внутричерепного кровоизлияния в качестве информативных признаков использовали характеристики БАТ С 9, ^3, Е39, АР34, АР25, АР51, Я6, что позволило получить чувствительность решающего правила не хуже 0,94, специфичность - не хуже 0,89.
Для дифференциальной диагностики гематурии была получена система решающих правил с определением различных типов исходов: установление предварительного заключения типа У1 «Поражение мочевого пузыря» с уверенностью в этом заключении КУм = 0,95; прекращение обследования с предложением повторного посещения в случае рецидива с уверенностью КУ2 = 0,8; прекращение обследования, но с дополнительными
наблюдениями (КУ5 = 0,75) прекращение обследования и назначение дообследования с соответствующим лечением (КУ10 = 0,85) направление к специалисту урологу, хирургу, с уверенностью в правильности такого решения на уровне 0,95. Использование данных о сопротивлении БАТ У54 и УВ52 позво-
ляет уточнить заключение типа У1 и при необходимости сменить гипотезу в пользу заболевания почек ((У = 0,85 - 0,9) Для решения задачи дифференциальной диагностики спленомегалии синтезирована система решающих правил из 11 элементарных высказываний. В зависимости от объема информации уверенность в принятии решений меняется от 0,5 до 0,97. Решение получено и для задач диагностики синдрома гинекомастии и дифференциальной диагностики отеков. Задача диагностики синдрома лихорадки решалась для системных красной волчанки и склеродермии, узелкового периатериита, ревматического артрита, дерматомиозита.
Таблица 2
Показатели качества работы системы
Задачи Объем К/В Ро Рв РЧ РС
Диагностика синдрома острой головной боли 200 0,82 0,79 0,91 0,91
Диффенциальная диагностика гематурии 150 0,9 0,84 0,96 0,94
Диффенциальная диагностика спленомегалии 120 0,86 0,79 0,93 0,93
Диагностика синдрома гинекомастии 210 0,8 0,75 0,75 0,95
Дифференциальная диагностика отеков 250 0,82 0,76 0,92 0,9
Диагностика синдрома лихорадки:
Системная красная волчанка 95 0,88 0,8 0,94 0,94
Системная склеродермия 90 0,85 0,75 0,91 0,94
Узелковый периартериит 100 0,9 0,84 0,95 0,95
Ревматоидный артрит 100 0,9 0,85 0,92 0,98
Дерматомиозит 120 0,86 0,8 0,93 0,95
Примечание: К/В - контрольная выборка; Ро - оценка вероятности правильного решения в предлагаемой системе; Рв - оценка вероятности правильного решения врачом средней квалификации; РЧ - чувствительность решающего правила; РС - специфичность решающего правила
После проведения разведочного анализа на обучающей выборке была получена линейная разделяющая поверхность
У = ^х, с разделением классов: щ - класс здоровых людей и
¡=1
людей, страдающих другими заболеваниями, кроме системной волчанки; щ1 - системная красная волчанка с достоверным диагнозом; щ - вероятная системная красная волчанка.
Аналогичные результаты были получены для решения задач диагностики узелкового периартериита, ревматоидного артрита, дерматомиозита. Для диагностики системной склеродермии используется 27 признаков и решающее правило в двумерном отображающем пространстве. Результаты испытаний решающих правил на контрольных выборках см. в табл. 2.
Из табл. 2 видно, что по всем задачам, по сравнению с врачом средней квалификации, наблюдается рост достоверности в принятии решения в среднем на 7%.
Литература
1. Кореневский НА. и др. Проектирование систем поддержки принятия решений для медико-экологических приложений.-Курск: КГТУ, 2004.- 180 с.
2. Устинов А.Г. и др. Автоматизированные медикотехнологические системы.- В. 3 ч.- Курск: КГТУ, 2004.- 180 с.
УДК 615.84
АВТОМАТИЗИРОВАННАЯ СИСТЕМА ДИАГНОСТИКИ ШИЗОФРЕНИИ НА ОСНОВЕ НЕЧЕТКОЙ ЛОГИКИ ПРИНЯТИЯ РЕШЕНИЙ
И.Н. БУРИЛИЧ, А.Г. УВАРОВА, С.А. ФИЛИСТ*
По данным ВОЗ, ныне отмечается рост психических заболеваний. Шизофрения поражает ~1 % населения планеты.
Диагностика шизофрении, особенно на ранних стадиях, является достаточно сложной задачей, требующей зачастую длительных и дорогостоящих процедур. Некоторые виды шизофрении могут маскироваться другими пара- и клиническими проявлениями. В клинической практике диагностика шизофрении чаще
* 305040, г. Курск, ул. 50 лет Октября, 94, ГОУ ВПО «КГТУ»; тел./факс: (4712) 50-48-20; Е-шаП: [email protected]
