CC BY
54
Диагностика и ИТ
И.Б. БАРАНОВСКАЯ,
С.А. ОНИЩУК,
Кубанский государственный университет, г. Краснодар
www.idmz.ru 2005, N“ 6
СИСТЕМА РАСПОЗНАВАНИЯ ПАТОЛОГИЙ ЭРИТРОПОЭЗА НА ОСНОВЕ ВЫЧИСЛИТЕЛЬНЫХ ПРОЦЕДУР
В настоящее время ведется активная работа над улучшением точности диагностики заболеваний. Принципиальные трудности при дифференциальной диагностике возникают не из-за дефицита необходимой информации, а из-за отсутствия соответствующих методов ее структуризации. Появление персональных компьютеров дало толчок к применению их в медицине для создания автоматизированных методов распознавания патологий. Было создано большое количество систем диагностики, основанных на математических методах обработки информации, проведена большая работа по созданию программного обеспечения для автоматизированных диагностических систем.
Однако компьютерная диагностика не получила такого широкого распространения, какое должна была бы получить, что связано с недостаточным техническим обеспечением сферы здравоохранения и отсутствием системы обучения медперсонала. Подготовка врачей должна предусматривать их способность работать на самом современном оборудовании, максимально используя получаемую информацию. Автоматизированные диагностические системы должны исполнять роль активной информационной базы, с помощью которой можно обрабатывать большие массивы данных.
Рассмотрим методы диагностики, применяемые в настоящее время в клинической практике [1].
1. Традиционно применяется нозологический метод диагностики. В значительной степени на процесс распознавания заболевания влияет субъективный фактор. Предварительный диагноз может быть неточным и для его подтверждения назначается целый ряд инструментальных и лабораторных обследований. Метод плохо работает в нестандартной ситуации (редко встречающееся заболевание или нетипичная форма течения заболевания). Этот метод достаточно эффективен лишь в практике тех врачей, которые имеют дело с довольно ограниченным кругом заболеваний 2. Синдромологический подход к диагностике. Это метод использования минимального объема врачебных исследований и
© И.Б. Барановская, С.А. Онищук, 2008 г.
■ ■ ■ ■ ■ ■■ ■ ■ ■ ■■■ ■ ■ ■ ■■ ■ ■ ■■■ ■ ■ ■ ■ 53"
Врач lisa
™ и информационные
технологии
Диагностика и ИТ
минимального числа симптомов, имеющих решающее значение [2]. Фактически это тот же нозологический метод, оптимизированный по принципу оптимальной диагностической целесообразности, со всеми его недостатками.
3. Статистический метод обработки информации. Основная идея — анализ частоты встречаемости симптомов позволяет выделить признаки, характерные для того или иного заболевания. Симптомы получали «вес», то есть значимость в баллах. Диагностическая процедура сводилась к суммированию «весов» выявленных у больного симптомов отдельно для каждого заболевания. Тот диагноз, который набирал большее число баллов, считался истинным. Недостатки: после сравнения значимости клинических признаков диагноз, по существу, оставался неопределенным. Кроме того, статистический «вес» симптомов зависит от характеристик выборки и далеко не всегда коррелирует с его клинической значимостью.
4. Метод «антисиндром». Разновидность
статистического метода. Суть: выделялись
сочетания симптомов, которые никогда не встречаются при каком-либо из дифференцируемых заболеваний. Если у больного обнаруживались такие «антисиндромы», это служило основанием для отрицания соответствующего диагноза. Недостаток: невозможно дать клиническую интерпретацию некоторых статистически достоверных признаков. Как правило, позволяет проводить сравнение только двух альтернативных вариантов.
5. Алгоритмический метод диагностики.
Базируется на некоторой сумме точных знаний, верифицированных в результате клинических, лабораторных, инструментальных или патолого-анатомических исследований, а в отдельных случаях — на экспертных оценках. Рабочая гипотеза: существуют признаки
заболевания наиболее общего порядка и признаки, призванные последовательно уточнить диагностическую ситуацию. Возникает «логическое дерево» признаков. Подтверждая
или отрицая наличие у больного симптомов, совершается последовательный переход к более высоким этапам диагностической процедуры. В результате происходит выбор между альтернативными заболеваниями. Недостатки: алгоритм имеет жесткую схему, при внесении каких-либо изменений непредсказуемым образом меняется результат диагностической процедуры. Затруднительно создать «логическое дерево» для диагностики полиморфных заболеваний, когда сходные симптомокомплексы могут наблюдаться при различных по этиологии заболеваниях.
6. Имитационное моделирование. Один из вариантов алгоритмического метода диагностики. Метод имитационного моделирования позволяет проводить диагностический эксперимент не на живом человеке, а на некотором информационном фантоме, каждый раз возвращаясь к исходной позиции вплоть до получения желаемого результата. Позволяет отображать некоторое патологическое состояние. Недостатки те же, что и у алгоритмического метода диагностики.
7. Экспертные системы. Особенность — режим диалога с оператором, когда система может осуществлять оценку диагностической ситуации и посылать запросы на недостающую информацию. В отличие от алгоритмического метода диагностики, очерчены различия между базой данных и механизмами, оперирующими этими данными. Имеет адаптивность, то есть способность наилучшим образом приспосабливаться к определяемой ситуации. Позволяет приблизить алгоритм ее работы к логике действий врача при построении диагноза [3]. Обладает высокой точностью диагностики в случаях распознавания редких синдромов [4,5]. Недостатки: отсутствует единая унифицированная база для разработки таких систем, узкая специализация отдельных разработок, субъективный фактор, вносимый оператором-экспертом. Диагностические системы, созданные различными авторами, отличаются в значительной степе-
' 54 ■ ■ ■ ■ ■■ ■ ■ ■ ■ ■■ ■ ■ ■ ■■ ■ ■ ■■■ ■ ■ ■ ■ ■
Диагностика и ИТ
ни по назначению, принципу работы, форме представления конечного результата. Они практически несовместимы между собой и не могут быть объединены в единую информационную конструкцию.
8. Интеллектуальные системы [6]. Представляют собой остов (фрейм) из набора позиций (слотов), содержащих декларативные и количественные данные, связи между ними (семантическая сеть) и правила применения данных и связи (продукция). Имеется режим подтверждения решений, включающий дифференцирующие признаки или уровни уверенности. Используется механизм ассоциаций, при котором одно понятие вызывает по сходству, смежности или противоположности другое. Позволяет учитывать полиморфность клинических проявлений и атипичные формы болезней. Недостаток: трудность структуризации и формализации информации.
9. Гибридные системы. Обработка логической компоненты знаний в сочетании с вычислительными процедурами или математическими моделями. Используется либо совокупность математических и логико-лингвистических моделей, либо экспертно-статистические системы для дифференциальной диагностики. Интеграция программно-аппаратных комплексов обработки электрофизиологических и биохимических данных существенно обогащает гибридные системы. Недостаток — та же самая трудность структуризации и формализации медицинских знаний в том случае, когда это не касается математических данных.
10. Нейронные сети [7]. Искусственная нейронная сеть — это математическая модель, представляющая собой частный случай дискриминантного анализа. Является самообучающейся системой соединенных и взаимодействующих между собой блоков (искусственных нейронов). Каждый блок подобной сети имеет дело только с информацией, которую он получает от других блоков, и информацией, которую он посылает другим блокам [8-10]. Технически обучение заключается
www.idmz.ru 2005, № 6
в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что в случае успешного обучения сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке. При обучении сети предлагаются различные виды заболеваний и набор их признаков. При этом совокупность всех признаков должна однозначно определять заболевание. По окончании обучения сети можно предъявлять неизвестные ей ранее признаки и получать от нее ответ о принадлежности их к определенному заболеванию. Сеть также может сигнализировать о том, что входные признаки не относятся ни к одному из имеющихся заболеваний, то есть заболевание новое для сети. К недостаткам такого метода можно отнести сложность установления коэффициентов связей между нейронами, а также то, что если признаков недостаточно, сеть может соотнести их с несколькими болезнями.
Таким образом мы видим, что основная проблема автоматизированной диагностики заключается в правильной интерпретации нецифровых данных. Частично эту проблему можно решить переводом некоторых медицинских терминов в количественный вид, то есть произвести их оцифровку. Например, если при исследовании мочи указано, что цвет у нее светло-желтый и неполная прозрачность, то оптическими и спектральными методами анализа можно определить коэффициент мутности в цифровом выражении и численный цветовой спектр.
Современные автоматические анализаторы позволяют получить множество численных показателей, например, в гематологии. Однако все эти показатели крови в большинстве случаев не рассматриваются. Гематологи устанавливают диагноз на основании, как правило, нескольких из них плюс анамнез.
■ ■ ■ ■ ■ ■■ ■ ■ ■ ■■■ ■ ■ ■ ■■ ■ ■ ■■■ ■ ■ ■ ■ 55"
Врач lisa
™ и информационные
технологии
Диагностика и ИТ
Исследовать всю полноту информации могли бы как раз автоматизированные диагностические системы. Логично в данном случае было бы применить статистический метод обработки информации, дополнив его методами теории вероятности. Тогда образуется метод вероятностной диагностики, лишенный трудностей структуризации и формализации медицинских знаний, так как все показатели численные, и не имеющий недостатка статистического метода в определении «весов» выявленных у больного симптомов, так как данные равноценные.
Суть метода заключается в том, что, как и в статистическом методе, проводится анализ частоты величин отдельных показателей крови, характерных для того или иного заболевания, вычисляется вероятность исследуемых заболеваний для каждого значения одного показателя, а затем вычисляется вероятность того или иного заболевания по нескольким показателям. Конечно, диагноз может быть установлен и не со стопроцентной вероятностью, но и при постановке диагноза врачом не исключена возможность ошибки. Поэтому, во-первых, диагноз практически всегда является вероятностным, а во-вторых, с увеличением числа показателей диагноз все с большей вероятностью будет склоняться в сторону одного определенного заболевания.
Целью данной работы было исследование возможности получения методики вероятностной диагностики анемий различного генеза на основе гемограмм, полученных на автоматическом гематологическом анализаторе Sys-mex XE-2100.
Данный прибор фигурирует во многих научных работах по исследованию гематологических нарушений [11, 12], так как позволяет с высокой точностью устанавливать рети-кулоцитарные показатели, являющиеся важными маркерами для диагностики и лечения анемий различного генеза [13-18]. Это, в частности, RET% — относительное количество ретикулоцитов, RET# — абсолютное коли-
чество ретикулоцитов, LFR — процентное содержание ретикулоцитов с низкой флуоресценцией (зрелых), MFR — процентное содержание ретикулоцитов со средней флуоресценцией (средней зрелости), HFR — процентное содержание ретикулоцитов с высокой флуоресценцией (незрелых), IFR — фракция незрелых ретикулоцитов, представляющая собой сумму MFR- и HFR-фракций.
В качестве основы для компьютерной диагностики были взяты такие показатели, как Ret-He — среднее содержание гемоглобина в ретикулоцитах, измеряемое в пг, МСН — среднее содержание гемоглобина в эритроцитах (пг), MCV — средний объем эритроцита, измеряемый в фл (мкм3). Диагностировалась группа здоровых (отсутствие анемии) индивидуумов, пациентов с установленным диагнозом латентный дефицит железа (ЛДЖ), с железодефицитной анемией (ЖДА), анемией хронических заболеваний (АХЗ), В12-дефицитной анемией (ВДА), миелодиспластическим синдромом (МДС).
Для всех 6 групп составлялись гистограммы плотности вероятности показателей Ret-He, MCV, МСН, HGB, которые аппроксимировались гладкой математической функцией. В качестве такой функции для описания распределения с левосторонней асимметрией была взята четырехпараметрическая функция, ранее использовавшаяся для моделирования небиологических распределений [19]:
(
рА{х) = Н
V
В — х С
т
п
е
J
при 0 < х < B + C, р4(х) = 0 при x > B + C, где Н —значение плотности вероятности в моде, B — величина моды, C — разница между краем распределения и модой, m и n — параметры функции распределения, определяющие асимметрию и эксцесс.
Величина Н, полученная из условия нормирования, рассчитывалась по следующей формуле:
■ SB ■ ■ ■ ■ ■■ ■ ■ ■ ■■■ ■ ■ ■ ■■ ■ ■ ■■■ ■ ■ ■ ■ ■
Диагностика и ИТ
Н =
т+1
п (т' п
т Се” Г
1 п )
где Г — гамма-функция.
Для описания распределения с правосторонней асимметрией бралась симметричная четырехпараметрическая функция:
р4(х) = Н
х-В
\ т ™
+ 1
На рис. 1 приведен пример аппроксимации распределения MCV в группе здоровых данной функцией. Параметры функции в этом случае следующие: B =81,5; C =2,5; m =1,4; n = 0,8; H =0,149. Гистограмма имеет ярко выраженную правостороннюю асимметрию. Такой вид распределения показателя приводит к выводу, что вопрос о референсных границах теряет смысл. Действительно, среднее этого показателя не несет никакой значимой информации об относительной частоте количественных оценок MCV для людей, не страдающих анемией. Референсный интервал включает 95% индивидуумов, а остальные 5% неравномерно распределятся вокруг интервала. Если бы распределение было гауссовым, информация была бы куда более значимой.
Авторы [20] проделали огромную работу, составив статистические таблицы семи показателей крови при обследовании 5100 человек. Однако ценность исследований значительно снижает отсутствие вида распределения. Кроме того, доверительный интервал с 95%-ной вероятностью оказался в 10 раз меньше стандартного отклонения, что противоречит законам статистики, так как интервал с 95%-ной вероятностью должен быть втрое больше стандартного отклонения. Если учитывать, что в таблицу при вычислении среднего попали и здоровые, и больные, использование таких данных в качестве базовых представляется сомнительным.
www.idmz.ru 2005, № 6
p4(MCV)
I—■ 1 ---2
MCV, фл
78 82 86 90 94 98
Рис. 1. Гистограмма показателя MCV группы здоровых индивидуумов:
1 —плотность вероятности MCV,
2 —четырехпараметрическая функция
Далее по каждому из анализируемых показателей гемограммы строился общий график функций для всех исследуемых групп, как это показано на рис. 2 для МСН. Возвращаясь к вопросу о референсных границах, следует признать, что смысла в них больше не стало. Во-первых, распределения показателя по большей части асимметричны, во-вторых, имеет место значительное перекрытие распределений. Индивидуум, имеющий значение МСН около 30 пг, может быть как здоровым, так и больным, вследствие возможности отнесения его по данному значению показателя к четырем разновидностям анемических состояний. Сравнивая распределения для всех исследуемых групп по МСН и HGB можно выявить смысл вероятностной диагностики. Распределения также асимметричны и также имеют место перекрытия распределений, но для HGB они носят совершенно иной характер. Сопоставляя плотности вероятностей двух показателей крови, мы уже с большим основанием соотносим индивидуумов с рассматриваемыми диагнозами. Три—четыре показателя дают возможность с высокой долей вероятности предполагать наличие конкретной гематологической патологии либо отсутствие данных за анемию.
■ ■ ■ ■ ■ ■■ ■ ■ ■ ■ ■■ ■ ■ ■ ■■ ■ ■ ■■■ ■ ■ ■ ■ 57 ■
Врач::::
™ и инсЬоомаиионные
Диагностика и ИТ
1 и информационные
технологии
i
!>
Л
/г*;
МСД пг
1
2
3
4
5
6
р(х), %
Ret-He, пг
Рис. 2. Плотности вероятности показателя MCH для исследуемых групп: 1 - группа здоровых индивидуумов, 2 - ЛДЖ,
3 - ЖДА, 4 - АХЗ, 5 -ВДА, 6 - МДС
Рис. 3. Вероятностный диагностический график: 1 - группа здоровых индивидуумов, 2 - ЛДЖ,
3 - ЖДА, 4 - АХЗ, 5 -ВДА, 6 - МДС
По данным диаграмм плотности вероятности рассчитываются вероятностные графики (рис. 3). С помощью их уже можно поставить вероятностный диагноз. Например, если у пациента Ret-He составляет 10 пг, это 100% ЖДА, если 20 пг — это на 87% вероятность ЖДА и на 17% вероятность АХЗ, если 30 пг — для диагноза ЖДА вероятность всего 1,5%, АХЗ — 24%, ЛДЖ — 36% и то, что человек здоров, — 38,5%. Если у пациента Ret-He составляет 40 пг, это 100% ВДА.
Вероятностный график рассчитывается следующим образом. По диаграмме плотности вероятности для каждого значения данного показателя суммируются плотности вероятностей всех заболеваний и нормируются на 100%. Если известны вероятностные диагнозы, например, по четырем показателям, как это было в наших исследованиях, то вероятности каждого заболевания перемножаются и нормируются таким образом, чтобы сумма вероятностей всех возможных диагнозов была равна единице (или 100%). Чем по большему количеству показателей будет устанавливаться диагноз, тем он будет более склоняться к какому-то конкретному виду заболевания. В качестве примера в таблице 1 пока-
зана вероятностная диагностика реального пациента, проходившего обследование на наличие анемии, которому был поставлен диагноз «здоров», где Ret-He — 34,2 пг, MCV — 88,2 фл, MCH — 32,9 пг — исходные показатели гемограммы.
Ни по одному показателю в отдельности нет возможности установить диагноз с большой вероятностью (хотя бы 90%). Однако при сопоставлении показателей почти со стопроцентной вероятностью можно утверждать отсутствие данных за наличие анемии.
В таблице 2 показана вероятностная диагностика другого реального пациента, которому был поставлен диагноз ЛДЖ. Исходные показатели гемограммы: Ret-He — 27,2 пг, MCV — 77,7 фл, MCH — 27,9 пг. Также ни по одному показателю в отдельности нет возможности с большой вероятностью установить диагноз. И также при сопоставлении показателей с вероятностью почти 93% можно утверждать наличие заболевания ЛДЖ.
Однако с увеличением показателей до четырех картина заметно меняется. У того же самого пациента с диагнозом ЛДЖ концентрация гемоглобина HGB — 12,8 г/л. Вероятностный диагноз ЛДЖ уже с вероятностью
' 58 ■ ■ ■ ■ ■■ ■ ■ ■ ■ ■■ ■ ■ ■ ■■ ■ ■ ■■■ ■ ■ ■ ■ ■
Диагностика и ИТ
www.idmz.ru 2005, № 6
Таблица 1
Вероятностный диагноз пациента по трем показателям крови
Ret-He MCV MCH Диагноз
Здоров 30,92 63,67 73,74 99,99
ЛДЖ 6,70 32,60 0 0
ЖДА 0 3,70 1,49 0
АХЗ 34,61 0,022 24,77 0,013
ВДА 25,93 0 0 0
Таблица 2
Вероятностный диагноз пациента с ЛДЖ по трем показателям
Ret-He MCV MCH Диагноз
Здоров 0 0 0,36 0
ЛДЖ 55,27 63,21 61,10 92,76
ЖДА 6,55 25,08 2,00 0,143
АХЗ 38,18 11,71 36,54 7,10
ВДА 0 0 0 0
Таблица 3
Вероятностный диагноз пациента с ЛДЖ по четырем показателям
Ret-He MCV MCH HGB Диагноз
Здоров 0 0 0,046 37,2 0
ЛДЖ 76,7 58,4 65,5 44,9 98,2
ЖДА 3,22 17,1 1,7 0,95 0,00066
АХЗ 20,1 24,5 29,7 16,1 1,76
ВДА 0,0006 0 0 0,83 0
МДС 0 0 3,13 0,006 0
98,2%. Логично предположить, что при введении пятого показателя вероятность диагноза еще более увеличится (таблица 3).
Следует отметить, что если хоть по одному показателю вероятность отнесения к группе равна нулю, то и в окончательном диагнозе эта вероятность также будет равна нулю. Таким образом, вероятностная диагностика органично включает в себя диагностическую систему «антисиндром», при которой наличие отрицающих признаков исключает из списка данное заболевание.
В результате работы предложена автоматизированная система компьютерного диагностирования анемий различного генеза. В качестве примера рассмотрено формирование диагнозов пяти видов анемических состояний по четырем показателям гемограммы. Для установления более точного диагноза необходимы статистические исследования большой (не менее тысячи) выборки гемограмм больных по всем возможным заболеваниям крови с составлением вероятностных диагностических графиков по всем известным
■ ■ ■ ■ ■ ■■ ■ ■ ■ ■ ■■ ■ ■ ■ ■■ ■ ■ ■■■ ■ ■ ■ ■ 59"
Врач lisa
™ и информационные
технологии
Диагностика и ИТ
показателям. Тем не менее, предложенная методика может служить базовой моделью компьютерного диагностирования анемий различного генеза.
Данная методика существенно облегчит труд врачей при профилактических осмотрах населения, которые являются, по сути, скринингом на наличие или отсутствие патологии. Вероятностная диагностика может помочь при определении начальной стадии заболевания, когда индивидуум практически здоров, но уже имеется тенденция к развитию какой-либо болезни, выявленной с небольшой долей вероятности. Кроме того, при заболевании смешанного типа (например, ЖДА и АХЗ, ЖДА и В ^-дефицитная анемия) вероятностная диагностика укажет на обе болезни с существенной долей вероятности. В отличие от других способов диагностики анемий [21], данная вычислительная система позволяет различать сразу несколько разновидностей патологии эритропоэза. Расчет вероятности заболеваний может быть произведен без использования графиков, с помощью алгебраических вычислений величин показателей по аппроксимационной гладкой четырехпараметрической математической функции. Это позволяет с высокой скоростью устанавливать диагноз в компьютерном варианте, используя, например, программу Excell.
Вероятностная диагностика может иметь как самостоятельное значение, так и входить математической частью в интеллектуальные и гибридные системы диагностики. При всех своих достоинствах она имеет и некоторые недостатки. При составлении гистограммы плотности вероятности показателей редкие величины показателей могут либо совсем не войти в выборку и останутся за краем распределения, либо в силу своей малочисленности не будут иметь значимой вероятности. То есть существует риск игнорирования редких, но патогномоничных симптомов. Однако в своей работе любой врач может встретиться с нестандартной ситуацией, когда
у больного имеется редко встречающаяся патология или атипичная форма заболевания.
При сопоставлении верифицированных ранее диагнозов с диагнозами, рассчитанными с помощью предложенной методики, лишь в редких случаях наблюдалось несоответствие. Мы полагаем, что в ряде случаев причиной тому была исходная врачебная ошибка. Трудность классификации пациентов с ЖДА и АХЗ связана с высокой частотой сочетания данных анемических состояний, с повторной госпитализацией части больных на фоне многократных гемотрансфузий и приема железосодержащих препаратов, что иногда кардинально меняет картину периферической крови.
Предложенная диагностическая система обладает рядом примечательных достоинств. В частности, она реализуется простыми программными средствами, а значит, доступна широкому кругу пользователей. В отличие от интеллектуальных, нейронных, экспертных систем, использующих сложные информационные конструкции и логико-лингвистические модели, взаимодействие между которыми осуществляется внутри элементов программы, а оператору выдается лишь конечный результат, функционирование предложенной нами модели основывается на детерминистско-вероятностном подходе, где каждое действие имеет четкое математическое обоснование. Отсутствует такой субъективный фактор, как мнение эксперта, что может кардинально повлиять на верификацию диагноза.
Так, в частности, в современной гематологии нет единых представлений о нормальных границах колебаний параметров обмена железа. Так, по данным статьи Петухова В.И. и др. [22], разброс значений концентрации сывороточного ферритина (СФ) в группе здоровых лиц колеблется от 0 до 311 мкг/л и дается поправка на возраст и/или пол. Нет согласия между авторами в оценке предельного значения СФ, ниже которого диагноз ЛДЖ становится высоковероятным. Несмотря
■ 60 ■ ■ ■ ■ ■■ ■ ■ ■ ■■■ ■ ■ ■ ■■ ■ ■ ■■■ ■ ■ ■ ■ ■
Диагностика и ИТ
на то, что в критериях постановки ЖДА авторы более единодушны, и здесь нет полного согласия. Значения концентрации сывороточного железа и связанного с ним коэффициента насыщения трансферрина железом еще менее информативны, так как показатели лабильны до ±30% в сутки [23].
Таким образом возникает вопрос: «Как относиться к нормативным показателям, имеющим разброс в десятки, а иногда и сотни раз?» А ведь именно основываясь на результатах анализа метаболизма железа, зачастую, выставляется окончательный диагноз. Например, латентный дефицит железа характерными изменениями со стороны красной крови, как правило, не обладает и может быть диагностирован только на основании исследований параметров метаболизма железа, а именно, уровней сывороточного железа и ферритина [24]. Вероятностная диагностика лишена недостатков субъективной оценки, так как основывается на статистическом методе.
Методика позволяет в короткий срок обработать большой массив данных, что особенно ценно при профилактических скрининговых обследованиях населения. Способ дифференцирует сразу несколько форм гематологических дисфункций, а в перспективе список диагностируемых нозологических единиц может быть расши-
www.idmz.ru 2005, № 6
рен. Система распознавания патологии эритро-поэза работает в области предпатологии, выявляя вероятность наличия начальной стадии заболевания, координируя алгоритм дальнейшего обследования больного. Другим преимуществом предлагаемой методики является способность диагностической системы к развитию и самосовершенствованию, ведь с каждым верифицированным диагнозом пополняется база данных, уточняются вероятностные распределения.
С прагматической точки зрения, использование всего набора лабораторных и инструментальных методов исследований для скрининговых осмотров неэффективно, так как приводит к нерациональному использованию труда специалистов и тех минимальных средств, которые выделяют на исследования. Предложенный нами методологический подход, основанный на методах математической статистики и теории вероятности, открывает новые возможности дифференциальной диагностики гематологических нарушений. В перспективе возможно применение вероятностной диагностики в качестве универсального метода для скрининга самых разнообразных дисфункций, а также для дифференциальной диагностики нозологических форм, трудно различающихся с помощью традиционных диагностических процедур, выявления совокупностей смешанных форм патологий.
ЛИТЕРАТУРА
1. Хинко М.А. Сравнительные аспекты автоматизированных диагностических систем/Известия Уральского государственного университета. — 2006. — № 40. — С. 217-222.
2. Гублер Е.В. Вычислительные методы анализа и распознавания патологических процессов. — М., 1978.
3. Попов Э.В. Экспертные системы: решение неформализованных задач в диалоге с ЭВМ. — М., 1987.
4. Хинко М.А. Новый подход к компьютерной диагностике неврологических забо-леваний//Известия Уральского государственного университета. — 2005. — №37. — С. 101-107.
5. Хинко М.А. Анализ результатов работы автоматизированной компьютерной системы для диагностики неврологических и соматоневрологических заболеваний//Изве-стия Уральского государственного университета. — 2005. — № 37. — С. 175-180.
6. Кобринский Б.А. Консультативные интеллектуальные медицинские системы: классификации, принципы построения, эффективность//Врач и информационные технологии. — 2008. — № 2. — С. 38-47.
■ ■ ■ ■ ■ ■■ ■ ■ ■ ■■■ ■ ■ ■ ■ ■ ■ ■■■ ■ ш ■■ ■ ■ ■■■ ■■ ■■ ■ ■ ■ ■■■ ■■ ■ ■ ■ ■ ■ ■ ■■ ■■ ■ ■
Врач lisa
™ и информационные
технологии
Диагностика и ИТ
7. Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика.
— М.: Горячая линия — Телеком, 2001. — 382 с.
8. Терехов В.А., Ефимов Д.В, Тюкин И.Ю. Нейросетевые системы управления. — 1-е.
— Высшая школа, 2002. —184 с.
9. Хайкин С. Нейронные сети: полный курс. — М.: «Вильямс», 2006. — 1104 с.
10. ЯсницкийЛ.Н. Введение в искусственный интеллект. — 1-е. — Издательский центр «Академия», 2005. — 176 с.
11. Canals C., RemachaA.F., SardaM.P., Piazuelo J.M., RoyoM.T., RomeroM.A. Clinical utility of the new Sysmex XE 2100 parameter- reticulocyte hemoglobin equivalent — in the diagnosis of anemia//Hematologica. — 2005. — Vol. 90. — № 8. — P. 1133-1134.
12. Buttarello M., Temporin V., Ceravolo R., Farina G., Bulian P. The new reticulocyte parameter (RET-Y) of the Sysmex XE 2100: its use in the diagnostic and monitoring of posttreatment sideropenic of anemia//American Journal of the Clinical Pathology. — 2004. — Vol. 121. — №4. — P.489-495.
13. FranckS., Linssen J, MessingerM, Thomas L. Potential utility of RET-Y in diagnosis of iron-restricted erythropoiesis//Clinical Chemist. — 2004. — Vol. 50. — №7. — P. 1240-1242.
14. KicklerT.S., Borowitz M.J, Thompson R.E, Charintranont N., Law R. RET-Y a measure of reticulocyte size: a sensitive indicator of iron deficiency anemia//Clinical and Laboratory Hematology. — 2004. — Vol. 26. — № 12. — P.423-427.
15. Brugnara C., Schiller B., Moran J Reticulocyte hemoglobin equivalent (Ret He) and assessment of iron-deficient states//Clinical and Laboratory Haematology. — 2006. — Vol. 28. — № 5. — P. 303-308.
16. Ullrich C., Wu A., Armsby C. et all. Screening healthy infants for iron deficiency using reticulocyte hemoglobin content//Journal of the American medical association.
— 2005. — Vol. 294. — № 8. — P. 924-930.
17. Brugnara C, Schiller B., Moran J. Reticulocyte hemoglobin equivalent (Ret He) and assessment of iron-deficient states//Clinical and Laboratory Haematology. — 2006. — Vol. 28. — № 5. — P. 303-308.
18. Thomas L., Franck S., Messinger M. et all. Reticulocyte hemoglobin measurement-comparison of two methods in the diagnosis of iron-restricted erythropoiesis//Clinical Chemistry and Laboratory Medicine. — 2005. — Vol. 43. — № 11. — P. 1193-1202.
19. Онищук С.А. Аппроксимация распределения основной характеристики электронных приборов на основе кремния гладкой функцией/В сб. материалов совещания-семинара «Аморфные полупроводники и диэлектрики на основе кремния в электронике». — Одесса, 1989. — С. 292-299.
20. Волкова С.А, Маянский Н.А., Боровков Н.Н., Балабанов А.С., Егорова Т.В., Под-сосова Е.В., Торшакова Г.А. Показатели гемограммы у взрослого работающего населения//Гематология и трансфузиология. — 2008. — Т. 53. — № 1. — С. 21-27.
21. ГребенниковаЛ.Г., Белошевский В.А., Минаков Э.В. Способ дифференциальной диагностики железодефицитной анемии и анемии хронических заболеваний. Пат. №2316007. Изобретения. Полезные модели. — 2008. — №3. — V ч. — С. 1082.
22. Петухов В.И., Быкова Е.Я., Бондаре Д.К., Строжа И.Л., Константинова О.А, Бук-барде И. Сывороточный ферритин в диагностике железодефицитных состояний// Гематология и трансфузиология. — 2003. — Т. 48. — № 2. — С. 36-40.
23. Cook J.D. Diagnosis and management of iron-deficiency an anemia. Best practice & research//Clinical Haematology. — 2005. — Vol. 18. — № 2. — P. 319-322.
24. Луговская С.А, Миронова И.И., Морозова В.Т., Почтарь М.Е. Гематологические анализаторы в диагностике железодефицитных анемий//Клиническая лабораторная диагностика. — 1996. — № 6. — С. 7-10.
' 62 ■ ■ ■ ■ ■■ ■ ■ ■ ■ ■■ ■ ■ ■ ■■ ■ ■ ■■■ ■ ■ ■ ■ ■
