Укрупненная информационно-аналитическая модель

К значениям показателей качества функционирования предлагаемой СППР ПТ предъявляются следующие требования:

– клиническая приемлемость и непротиворечивость;

– нижние пороговые значения показателей качества не должны быть меньше, чем у ранее разработанных и применяемых (с решающими правилами для сходных форм тромбоэмболии и-или на ином математическом аппарате). Таковыми в данном случае являются [7, 8] диагностическая чувствительность (ДЧ), диагностическая специфичность (ДС), диагностическая эффективность (ДЭ) с пороговыми значениями 0,8.

Обеспечение адекватности синтезированных решающих правил обусловливается двумя основными факторами:

– научно обоснованным сформированным множеством информативных признаков, обладающих требуемыми классификационными характеристиками и системно представляющих состояние организма;

– научно обоснованными и логически непротиворечивыми методами и алгоритмами структурно-параметрической идентификации (синтеза) решающих правил.

Вопросам формирования множества информативных признаков и упорядочивания его элементов по выбранным показателям посвящено множество исследований, рассмотренных в [6, 7].

Большинство из них предполагает:

– обязательное соблюдение принципов доказательной медицины (исключение составляют экспертные методы);

– использование одного из методов с учетом специфики структуры данных;

– обработку одномодальных признаков;

– обработку количественных признаков, представленных в непрерывной шкале значений.

В связи с этим предлагается осуществлять оценку информативности признаков различными методами, учитывающими их гетерогенность и модальность, а затем, упорядочив множество признаков по мере убывания показателя информативности для каждого из методов (частные кортежи признаков), получить искомое множество информативных признаков путем пересечения частных кортежей (или организации взвешенно-мажоритарного голосования между ними) и задания критерия, определяющего максимальный объем множества.

В качестве подобных методов предлагается использовать:

– Метод корреляционных предпочтений.

В каждом классе ω_l вычисляются матрицы парной корреляции между признаками, которым ставятся в соответствие матрицы смежности S_l:

,

где ri,j – коэффициент парной корреляции между признаками i и j, rpl – пороговые значения для коэффициентов парной корреляции в классах ω_l.

Далее вычисляются значения матрицы Msp:

,

которые используются для определения значений вектора Vsp:

(n – количество исходных признаков). В качестве меры информативности признака i принимается величина

.

– Метод дискриминантных предпочтений.

Допустим, значения признаков принимают значения «true» («1») либо «false» (0) либо используется бинарное кодирование в алфавите {0,1}. В этом случае предлагается применять аналог полинома Габора в виде логического многочлена:

,

где n – количество показателей, представленных в булевой форме; T – количество дизъюнкций; α_t,i – логическая константа, позволяющая учитывать или не учитывать логическую переменную i в конъюнкции t (α_t,i = true – показатель i учитывается, α_t,i= false – показатель i не учитывается), zb_i – признак i из {Zb}.

Приведенная формула идентифицируется с помощью аппарата логических нейронных сетей или любыми алгоритмами минимизации булевых функций. Затем, для каждого класса ω_l определяем множество отличий {εb}l логических аппроксимантов от клинически подтвержденных ситуаций, по которым для каждого класса ω_l признаки x_i упорядочиваются и формируются l множеств характеристик для классов и соответствующие им множества рангов

Итоговая информативность определяется как

В качестве элементов множества решающих правил предлагается использовать продукционные конструкции, позволяющие по выполнению (невыполнению) определенных условий осуществлять соотнесение состояния пациентов к определенным классам, – уровням напряженности функционального состояния или определенным патологическим состояниям.

Для случая, когда значения прямых или латентных признаков принадлежат нечетким множествам с базовыми переменными на непрерывной шкале разработаны методы нечеткого логического вывода [9].

Для решения подобных задач в случае представления признаков в форме логических переменных предлагается использовать либо ДСМ-метод [10], либо логический нечеткий вывод на основе лингвистических переменных, как наиболее приближенный к синдромальному подходу в медицине.

Использование ДСМ-метода в случае большого количества признаков (более 20) недостаточно продуктивно, поскольку возникают проблемы с вычислительными ресурсами организации полного перебора сочетаний всех признаков (более 220 и последующим степенным ростом) и выполнением необходимых условий выполнимости посылок правил ДСМ-индукции [11] в случае, если количество пациентов в обучающей выборке соизмеримо (одного порядка или меньше) с количеством анализируемых признаков. Подобные проблемы возникают и при выборе оптимальной конструкции лингвистической переменной.

В связи с этим синтез условий активации продукций с учетом указанной специфики «входной» информации предлагается осуществлять с помощью искусственных логических нейронных сетей [12], организованных на основе базовых парадигм метода группового учета аргументов – МГУА [13].

Таким образом, предлагаемая модель автоматизированной информационно-аналитической поддержки функционального состояния больного в до- и послеоперационный периоды позволяет на различных этапах технологии ведения больного в хирургическом отделении анализировать его функциональное состояние с помощью современных компьютерных технологий применения СППР и оперативно вмешиваться в процесс течения болезни и ее терапии. Отслеживание информационных потоков между отдельными частями модели позволяет формализовать и объективизировать терапевтический процесс, способствуя повышению эффективности операционного воздействия и качества лечения.

Предлагаемая модель апробировалась в хирургическом отделении Курской областной больницы для прогноза развития тромбоэмболии при эндопротезировании крупных суставов (показатели качества – диагностические чувствительности специфичности и эффективности превышали уровень 0,87).