close

Вход

Забыли?

вход по аккаунту

?

Модели и алгоритмы диагностики атеросклероза артерий нижних конечностей....pdf

код для вставкиСкачать
На правах рукописи
ФEДОРОВ ДМИТРИЙ АЛЕКСЕЕВИЧ
МОДЕЛИ И АЛГОРИТМЫ
ДИАГНОСТИКИ АТЕРОСКЛЕРОЗА
АРТЕРИЙ НИЖНИХ КОНЕЧНОСТЕЙ
Специальность 05.13.01 – Системный анализ,
управление и обработка информации
АВТОРЕФЕРАТ
диссертации на соискание ученой степени
кандидата технических наук
Сургут – 2015
Работа выполнена на кафедре информатики и вычислительной техники
государственного бюджетного учреждения высшего профессионального
образования
«Сургутский
государственный
университет
Ханты-Мансийского автономного округа – Югры»
Научный руководитель:
Острейковский Владислав Алексеевич
доктор технических наук, профессор
Официальные оппоненты: Древс Юрий Георгиевич
доктор технических наук, профессор,
Федеральное государственное автономное
образовательное учреждение высшего
профессионального образования «Национальный
исследовательский
ядерный
университет «МИФИ», профессор кафедры
управляющих интеллектуальных систем
Главин Александр Николаевич
кандидат технических наук,
ОАО «Сургутнефтегаз», заместитель
начальника отдела тяжелого машиностроения
управления
по
материальнотехническому обеспечению производства
Ведущая организация:
Федеральное государственное бюджетное
общеобразовательное учреждение
«Югорский государственный университет»
Защита диссертации состоится 16 апреля 2015 г. в 1500 на заседании
диссертационного совета Д 800.005.06 при ГБОУ ВПО «Сургутский
государственный университет ХМАО – Югры» по адресу: 628412,
Тюменская область, г. Сургут, ул. Ленина 1, ауд. 346.
С диссертацией можно ознакомиться в научной библиотеке ГБОУ ВПО
«Сургутский государственный университет ХМАО – Югры».
Автореферат разослан «15» марта 2015 г.
Ученый секретарь
диссертационного совета,
к.т.н., профессор
В.С. Микшина
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность темы. На практике системы, основанные на
знаниях или интеллектуальные системы поддержки принятия решений,
используются как «системы-советчики» в тех ситуациях, где специалисту
приходится решать сложные задачи, связанные с обработкой больших
объемов прежде всего качественной информации, в условиях неопределенности за ограниченное время. К таким слабоструктурированным предметным областям относится медицина с задачами классификации больного по стадии заболевания. Информационная система поддержки принятия
решений врачом при диагностике заболевания помимо совета должна
предоставлять пользователю возможность определять, на основании каких
данных было сгенерировано то или иное решение, каков вклад выделенных признаков и оценивать альтернативные варианты решения.
Хронические облитерирующие заболевания артерий нижних конечностей (ОААНК) доминируют среди сердечно-сосудистых заболеваний и составляют до 20 % всех видов сердечно-сосудистых патологий,
что соответствует 2–3 % от общей численности населения. Число больных с данным диагнозом растет пропорционально возрасту и составляет
на шестом–седьмом десятилетии жизни уже 5–7 %. При естественном
течении атеросклеротического поражения более 1/3 больных умирает в
течение 5–8 лет после постановки диагноза, а в 25–50 % случаев в этот
же период проводится ампутация пораженной конечности.
Несмотря на очевидный прогресс в диагностике и лечении больных
с ОААНК, проблема не теряет актуальности и продолжаются дискуссии
по диагностике, как основе для назначения лечения. Причина заключается
в том, что существуют трудности в прогнозировании стадии развития атеросклероза и диагностике функциональной картины адаптации обходных
сосудов нижних конечностей к пораженному участку артерии.
Таким образом, актуальность темы диссертационного исследования
объясняется необходимостью повышения эффективности диагностики
ОААНК на основе опроса, анализа и обработки мнений экспертов и статистического анализа историй болезни пациентов, страдающих ОААНК.
Целью диссертационной работы является создание математических моделей и алгоритмов информационной поддержки принятия решений врачом-хирургом при диагностике облитерирующего атеросклероза артерий нижних конечностей.
Для достижения поставленной цели были поставлены и решены
следующие задачи:
1. Провести системный анализ процесса диагностики облитерирующего атеросклероза артерий нижних конечностей больного.
2. Выделить набор наиболее значимых признаков для постановки диагноза и определения степени нарушения артериального крово3
снабжения сосудов нижних конечностей больного с помощью методов
экспертного анализа.
3. Получить математические модели для расчета стадии ОААНК
и степени нарушения артериального кровоснабжения сосудов нижних
конечностей больного на основании данных из историй болезни, а также результатов обработки мнений экспертов.
4. Разработать информационную систему поддержки принятия
решений врачом-хирургом при диагностике ОААНК.
Объектом исследования является процесс диагностики на разных стадиях облитерирующего атеросклероза артерий нижних конечностей и разной степенью адаптации сосудов к заболеванию.
Предметом исследования являются математические модели и
алгоритмы информационной поддержки принятия решений врачомхирургом при диагностике ОААНК.
Научная новизна результатов диссертационной работы:
1. Разработана структурная схема диагностики облитерирующего атеросклероза артерий нижних конечностей с позиции врача-хирурга
для поддержки принятия решений которого выделены основные параметры протекания заболевания.
2. Разработана методика получения, анализа и обработки экспертной информации на предмет выявления наиболее значимых факторов диагностики ОААНК, минимизирующая признаковое пространство,
путем учета минимально и максимально возможных оценок экспертов,
отличительной особенностью которой является учет ограниченных возможностей кратковременной памяти человека в задачах выбора.
3. Впервые получены математические модели множественного
регрессионного анализа для расчета основных стадий протекания облитерирующего атеросклероза артерий нижних конечностей на основании
опроса, анализа и обработки мнений экспертов отделения сосудистой
хирургии Сургутской городской клинической больницы (ОСХ СГКБ) и
множественного регрессионного анализа более 2 000 историй болезни
пациентов ОСХ СГКБ за длительный период с 2003 по 2012 гг.
4. Разработана информационная система поддержки принятия
решения врачом-хирургом при диагностике стадии ОААНК и степени
адаптации сосудов нижних конечностей к заболеванию. Отличительными особенностями данного программного обеспечения являются его
настройка под конкретную предметную область.
Практическая значимость.
Впервые собран многолетний объем экспериментальных данных из
историй болезни пациентов с ОААНК отделения сосудистой хирургии
бюджетного учреждения Ханты-Мансийского автономного округа – Югры
«Сургутская городская клиническая больница» за длительный период
4
с 2003 по 2012 гг. Информационная система поддержки принятия решения врачом-хирургом при диагностике ОААНК предоставляет хирургам
инструмент для определения и расчета наиболее значимых факторов
протекания болезни, необходимых врачу для назначения лечения, что
подтверждается свидетельством о государственной регистрации программы для ЭВМ № 2012660556. Разработанное программное обеспечение может использоваться как обучающая система диагностики ОААНК
для студентов медицинских вузов.
Методы исследования. Для достижения поставленных задач в
работе были использованы методы теории систем и системного анализа,
методы экспертных оценок, теории принятия решений, теории вероятностей и математической статистики.
Основные положения, выносимые автором на защиту:
1. Алгоритм расчета основных параметров диагностики ОААНК:
а) стадии ОААНК по классификации Фонтейна – Покровского; б) виды
необходимого лечения; в) степени коллатеральной компенсации кровообращения. Алгоритм подготовки данных и расчета степени коллатеральной компенсации кровообращения базируется на данных ультразвукового исследования артерий нижних конечностей.
2. Методика получения, анализа и обработки экспертной информации по определению наиболее значимых факторов развития ОААНК,
предназначенная для интерактивного опроса экспертов, по данным, разделенным на смысловые блоки и содержащим не более девяти признаков с целью выявления в плохо формализуемой предметной области
структуры признакового пространства.
3. Математические модели расчета основных параметров диагностики ОААНК с использованием методики экспертного опроса и методов корреляционного и множественного регрессионного анализа на
данных ОСХ СГКБ: архивной информации из историй болезни и мнений врачей-экспертов данного отделения.
4. Информационная система поддержки принятия решений врачом-хирургом при диагностике облитерирующего атеросклероза артерий нижних конечностей, предназначенная для выдачи совета врачухирургу по значениям основных параметров протекания ОААНК.
Соответствие диссертации паспорту научной специальности.
Область и результаты исследований соответствуют паспорту специальности 05.13.01 – «Системный анализ, управление и обработка информации»:
п. 2 «Формализация и постановка задач системного анализа, оптимизации,
управления, принятия решений и обработки информации», п. 4 «Разработка
методов и алгоритмов решения задач системного анализа, оптимизации,
управления, принятия решений и обработки информации» и п. 13 «Методы
получения, анализа и обработки экспертной информации».
5
Достоверность научных положений, выводов и рекомендаций
подтверждается сопоставимостью результатов расчета разработанных
математических моделей с полученными результатами экспертного
опроса врачей. Адекватность полученных моделей и алгоритмов проверена на контрольных выборках данных из историй болезни ОСХ СГКБ.
Результаты согласованы и не противоречат национальным рекомендациям по лечению пациентов с сосудистой артериальной патологией.
Апробация результатов работы. Основные результаты диссертационной работы докладывались и обсуждались на ежегодных научнотехнических семинарах кафедр информатики и вычислительной техники и
факультетской хирургии ГБОУ ВПО «Сургутский государственный университет Ханты-Мансийского автономного округа – Югры» в 2004–
2013 гг., окружной конференции молодых ученых «Наука и инновации
XXI века» (г. Сургут, 2005 г.), второй международной научнопрактической конференции «Исследование, разработка и применение высоких технологий в промышленности» (г. Санкт-Петербург, 2007 г.), международном симпозиуме «Надежность и качество» (г. Пенза, 2008 г.),
научно-практической конференции «Инновации в условиях развития информационно-коммуникационных технологий» (г. Сочи, 2008 г.), научной
сессии «НИЯУ МИФИ-2012 г.» секция «Интеллектуальные системы и
технологии» (г. Москва, 2012 г.), Юбилейной XIII Санкт-Петербургской
международной конференции «Региональная информатика (РИ-2012)»
(г. Санкт-Петербург, 2012 г.), Всероссийской научной интернет-конференции с международным участием «Современные системы искусственного интеллекта и их приложения в науке» (г. Казань, 2013 г.), II Международной научной онлайн-конференции «Математическое и компьютерное моделирование в биологии и химии. Перспективы развития» (г. Казань, 2013 г.), Х Международной научно-практической конференции «Инновации на основе информационных и коммуникационных технологий»
(г. Сочи, 2013 г.), Международной конференции «Математика и информационные технологии в нефтегазовом комплексе», посвященной дню рождения великого русского математика-академика П.Л. Чебышева
(г. Сургут, 2014 г.), XIV национальной конференции по искусственному
интеллекту КИИ – 2014 с международным участием (г. Казань, 2014 г.).
Результаты работы опубликованы в 18 статьях, из них 3 статьи
в журналах из списка ВАК РФ и 8 статей в сборниках научных трудов
международных конференций. Получено свидетельство о государственной регистрации программы для ЭВМ № 2012660556.
Личный вклад автора в работу. Автор непосредственно участвовал во всех этапах проведенных исследований: постановка задачи, анализ
литературы по проблеме, сбор исходных данных, обработка статистического материала, разработка математических моделей и расчет их пара6
метров, разработка алгоритмов, написание программного обеспечения,
обобщение и интерпретация результатов.
Структура и объем работы. Диссертационная работа объемом 174
страницы состоит из введения, четырех глав, заключения, списка литературы, приложений на 17 страницах. В работе содержится 16 рисунков и 70
таблиц. Библиографический список включает 133 наименования.
СОДЕРЖАНИЕ РАБОТЫ
Во введении обоснована актуальность темы диссертации. Представлены анализ состояния проблемы, научная новизна и практическая
ценность работы, сформулированы основные положения, выносимые на
защиту.
В первой главе проведен аналитический обзор основных
направлений диагностики, анализа медицинских данных, математических моделей и методов классификации в медицине. Рассмотрены основные клинические признаки, факторы риска, лабораторные и инструментальные признаки протекания ОААНК. Описаны методы классификации болезни по стадиям, степени адаптации сосудов нижних конечностей и виду назначаемого лечения.
Стадия заболевания в первую очередь зависит от расстояния, пройденного больным до появления болей в нижних конечностях. Врачухирургу необходимо знать причину этой боли, является ли она следствием
недостатка кровоснабжения нижележащих артерий, проследить и спрогнозировать появление боли. Методы классификации болезни по стадиям болезни, степени адаптации сосудов нижних конечностей и виду назначаемого лечения представлены в табл. 1.
Таблица 1
Диагноз и признаки постановки диагноза
Диагностика стадии ОААНК
Степень коллатеСтадия Перемежающая
Развитие коллате- Вид лечения
ральной
болезни
хромота
ральных сосудов
компенсации
Функциональная
1
500–1 000 м
Хорошо развиты
компенсация
Консервативное
2A
более 200 м
Относительно
Субкомпенсация
развиты
2Б
50–200 м
Операция
(органоНе развиты или
3
менее 50 м
Декомпенсация
сохраняющая)
не проходимы
Постоянные
Необратимые
Отсутствует крово4
Ампутация
боли
изменения
ток ниже окклюзии
7
Для выяснения причины боли требуется определить степень
ишемии артерий нижних конечностей и степень развитости обходного
кровотока (степень коллатеральной компенсации), что можно сделать с
помощью инструментальных средств исследования: УЗИ с ЦДК и ангиография. Ультразвуковое исследование (УЗИ) с цветовым доплеровским картированием является самым распространенным и не инвазивным способом исследования организма, но не позволяет объективно
оценить степень развития коллатеральных сосудов.
На данный момент не существует методов, позволяющих описать
воздействие всех факторов развития и течения атеросклероза на организм, поэтому приходится полагаться на знания экспертов конкретных
медицинских учреждений. В первой главе описаны математические методы принятия решений в задачах диагностики, известные на сегодняшний день. К таким методам относятся: экспертный анализ, методы математической статистики, в частности регрессионный анализ.
Во второй главе представлена структурно-функциональная схема процесса принятия решений врачом-хирургом при постановке диагноза ОААНК, представлены методики проведения экспертного опроса
и результаты экспертного анализа. В данной главе использованы методы кластеризации, проведено сопоставление результатов экспертного,
корреляционного и регрессионного анализа, осуществлен отбор наиболее значимых для постановки диагноза переменных.
Проведение экспертного опроса традиционно включает в себя несколько этапов: отбор экспертов, участвующих в опросе; выбор формы
и метода проведения опроса и заполнения анкет; оценка качества работы и компетентности экспертов.
Для сокращения и упорядочивания выделенных экспертами признаков по влиянию на основные параметры протекания болезни
ОААНК сформированы три группы экспертов: группа № 1 – 18 врачей
разной специализации со стажем работы более 3 лет; контрольная группа № 1 А – 5 врачей (4 сосудистых хирурга и врач УЗИ); группа
№ 2 – 25 врачей (интерны, ординаторы) со стажем работы менее 3 лет.
Для проведения экспертного анализа предложена и апробирована
методика экспертного опроса и обработки мнений экспертов контрольной группы № 1 А, опрошенных в 2006 г. и 2012 г. В отличие от классического опроса, она позволяет сократить ошибочность, неоднозначность
и противоречивость исходных данных и знаний о процессе диагностики
ОААНК и включает следующие этапы:
1) признаки в анкете делятся на смысловые блоки, содержащие
не более 9 элементов в каждом;
2) расставляются ранги от 0 до 9 для каждого блока, блоки автоматически упорядочиваются по убыванию рангов;
8
3) расставляются приоритеты для каждого блока в более «сильной» интервальной шкале со значениями от 0 до 100, где 0 – рекомендация эксперта к исключению данного признака;
4) экспертом выставляется направление влияния данного признака: «+» – прямое влияние, «–» – обратное влияние, «?» – неизвестно,
«0» – отсутствие влияния;
5) по аналогии с п. 2–4 проводится опрос экспертов для каждого
показателя в блоке;
6) для каждого блока и показателей внутри блока рассчитывается
вес путем применения операции ранжирования;
7) эксперту выводится упорядоченный по весу список показателей, где также отображаются ранги и баллы;
8) согласованные экспертом оценки сохраняются, в противном
случае п. 1–7 повторяются.
Полученные данные экспертного опроса по четырем блокам
(факторы риска, клинические, лабораторные и инструментальные признаки) подвергаются следующей обработке:
1) количество признаков в группе сокращается за счет вычеркивания показателей, которым эксперты поставили хотя бы один ноль и
коэффициент вариации которых меньше 30 %;
2) рассчитываются коэффициенты согласованности для полной и
сокращенной группы признаков;
3) оценивается коэффициент непротиворечивости экспертов:
 ,
(1)
 1
 max
где  – число высказанных экспертом противоречивых суждений,  m ax
– максимально возможное число противоречивых суждений при парном
сравнении данного количества объектов. Диапазон значений   0,1 ;
4) исключаются эксперты с противоречиями. Рассчитывается согласованность для полной и сокращенной группы экспертов. В случае
улучшения согласованности работа ведется с сокращенной группой,
иначе с полной.
Таким образом, достигается планомерная и логичная процедура
сбора, уточнения и анализа сведений, полученных от экспертов по
определению наиболее значимых факторов для диагностики болезни
ОААНК и оценки состояния больного.
Для оценки эффективности предложенной методики экспертного
анализа был проведен численный эксперимент сравнения результатов
опроса экспертов по классической и предложенной методике результаты представлены в табл. 2.
9
Таблица 2
Результаты сравнения коэффициентов конкордации экспертного
опроса по трем группам № 1, № 2, № 1 А (2006 г.), № 1 А* (2012 г.)
Упорядоченные экспертами
признаки протекания ОААНК
Критерий непротиворечивости (КП)
Коэффициент конкордации W (КП)
Коэффициент конкордации W (ФР)
№1
0,91
0,54
0,42
Экспертные группы
№2
№1А
№ 1 А*
0,87
0,92
1
0,6
0,80
1
0,51
0,40
0,87
После сравнения было выявлено, что эксперты группы № 1 А* в
упорядочивании клинических признаков, согласно общепринятой классификации Фонтейна – Покровского, не допустили ни одной ошибки, а
по факторам риска допустили меньше ошибок, чем в ходе опроса в 2006
году (табл. 2).
Таким образом, применение данной методики позволило решить
следующие прикладные задачи:
1. Выделить контрольную группу экспертов-аналитиков – № 1 А.
2. Определить набор наиболее значимых факторов для определения стадии болезни и состояния организма больного ОААНК:
а) 16 клинических признаков, согласно предложенной методике,
были разделены экспертами на 3 смысловых блока, из которых было
отмечено 6 значимых признаков классификации стадии ОААНК по
Фонтейну – Покровскому;
б) 32 фактора риска разделены экспертами на 7 блоков, из них 7
признаков использованы для формирования однородной выборки историй из архива ОСХ СГКБ и 12 признаков 4 блоков использованы для
построения моделей;
в) 58 лабораторных и 31 инструментальный признак, которые
согласно плану обследования больного, делятся на 9 обязательных
групп, среди которых экспертами выделены 3 блока с 21 лабораторным
признаком и один блок инструментальных исследований (УЗИ сосудов
нижних конечностей) с 3 инструментальными признаками.
По результатам экспертного опроса были выявлены: самый важный фактор риска – «повышение уровня общего холестерина в крови»,
самый важный клинический признак ОААНК – «появление гангрены
нижней конечности», среди лабораторных показателей – «холестерин
липопротеидов низкой плотности», среди инструментальных признаков –
«процент стеноза».
В результате регрессионного анализа экспертных оценок было выявлено, что наиболее значимыми факторами риска ОААНК, ведущими к
повышению уровня холестерина в крови, являются: ожирение, избыточное, высококалорийное питание, концентрация триглицеридов и низкий
уровень холестерина липопротеидов высокой плотности.
10
Таким образом, в диссертации предложена новая методика опроса и обработки мнений экспертов, что позволило выделить высокосогласованную контрольную группу экспертов № 1 А* и впервые получить упорядоченные по важности факторы риска, клинические, лабораторные и инструментальные признаки ОААНК.
В третьей главе рассмотрен формальный подход к моделированию диагностического процесса и определению степени адаптации организма. Подход основан на статистическом анализе данных историй болезни пациентов ОСХ СГКБ, что существенно дополняет результаты эвристического подхода, основанного на профессиональных знаниях врачей
и представленного во второй главе.
Для построения моделей проведен системный анализ данных из более чем 2 000 историй болезни пациентов ОСХ СГКБ за период с 2003 по
2012 гг. Данные выборки историй болезни разделены на три массива (табл. 3).
Таблица 3
Характеристики статистических данных
Количество
историй болезни
исходных показателей
Блоки исходных данных:
1 массив
2003–2010 гг.
1 825
17
ФР, КП
2 массив
3 массив
2003–2007 гг.
2010–2012 гг.
264
170
38
46
ФР, КП, ЛП, ИП
Логистический регрессионный анализ с бинарной функцией отклика используется для прогнозирования вероятности наступления события по имеющимся данным, когда зависимая переменная ( Y * ) принимает два значения. В работе предсказывается значение непрерывной
переменной на отрезке [0,1] при любых значениях независимых переменных. Это достигается применением следующего регрессионного
уравнения (логит-преобразование):
1
p , Y *  θ0  θ1 X1  ...  θn X n  ε ,
(2)
Р
, Y *  ln
(1  е y )
1 p
где P – вероятность того, что произойдет интересующее событие, Y* – логит.
Пороговая модель предполагает, что прогнозирование отклика
основывается на наблюдаемой непрерывной переменной Y*, математическое ожидание которой является линейной комбинацией набора регрессоров Х. Коэффициенты логита оценивают методом максимального
правдоподобия. Отклик Y является дискретной бинарной величиной,
который связан с Y* следующим образом:
0, Y *  0,5;
Y 
*
1, Y  0,5.
11
(3)
Во множественном логит-анализе альтернативы советов врачу
нумеруются от 0 до S, а переменная Y принимает значения S, если выбрана альтернатива S. В основе выбора, как и в бинарной модели, лежит
не наблюдаемая величина Y * , для ранжирования которой рассчитывается s пороговых значений y1, y2, …, ys:
0, если Y *  y1 ;

*
1, если y1  Y  y2 ;
Y 
...
 S , если Y *  y .
s

(4)
На основе структурной схемы процесса принятия решений врачом при диагностике ОААНК предложен обобщенный алгоритм диагностики заболевания по определению стадии и степени адаптации организма (рис. 1).
Исходные параметры состояния организма с диагнозом ОААНК
Клинические
признаки (КП)
Факторы
риска (ФР)
Лабораторные
признаки (ЛП)
Инструментальные
признаки (ИП)
1 шаг. Врач-хирург ставит предварительный диагноз:
стадиию ОААНК по классификации Фонтейна – Покровского
Информационная поддержка принятия решений врачом:
 модель расчета стадии ОААНК по выделенным КП;
 модели расчета стадии ОААНК по выделенным ФР.
2 шаг. Врач-хирург уточняет предварительный диагноз и выбирает
стратегию дополнительного обследования и лечения больного
Информационная поддержка принятия решения врачом:
модель расчета назначения определенного вида лечения по стадии ОААНК.
3 шаг. Врач-хирург ставит основной диагноз, определяет степень коллатеральной компенсации кровообращения больного ОААНК:
Информационная поддержка принятия решения врачом:
 модель расчета вероятности назначения определенного вида лечения
по всему признаковому пространству состояния больного;
 модель расчета вероятности назначения определенного вида лечения
по данным УЗИ, подготовленным по авторской методике.
Рис. 1. Обобщенный алгоритм диагностики ОААНК
12
Первый шаг работы алгоритма диагностики ОААНК.
По данным первого массива (табл. 3) на основании выделенных
клинических признаков построена модель порядковой логистической
регрессии:
(5)
Y3*  5,119  z1  3,081 z2  2,552 z 30,068  х1 ,
где x1 – расстояние, проходимое больным до появления боли, zi – фиктивная (индикаторная) переменная, принимающая значение zi = 1 при
наличии клинического признака и zi = 0 при отсутствии данного признака у больного: z1 – гангрена нижней конечности, z2 – язва, z3 – критическая ишемия артерий нижних конечностей.
Стадия ОААНК Y3 определяется по правилу (6), в которое подставляется рассчитанное по модели (5) значение Y * .
3
1, если Y3*  36,424;

*
2 А, если  36,424  Y3  16,17;

Y3  2 Б , если  16,17  Y3*  3,084;

*
3, если  3,084  Y3  4,558;
*
4, если Y  4,558.
3

(6)
Адекватность модели (5) доказана на контрольной выборке первого массива – 96 % верных классификации совпадений расчетной и экспериментальной стадии ОААНК. Мера, вычисленная по методу Нэйджелкерка, составляет 97 %, что свидетельствует о высокой ее адекватности.
Таким образом, для определения основного показателя диагноза облитерирующий атеросклероз артерий нижних конечностей – стадии ОААНК
по классификации Фонтейна – Покровского в 97 % случаев, достаточно
следующих данных: наличие гангрены, язвы, синдрома критической
ишемии, количество метров, проходимых пациентом без боли, что не
противоречит литературным источникам и согласуется с оценками экспертов группы № 1 А*(табл. 4).
Таблица 4
Согласованность клинических признаков, упорядоченных экспертами с эталоном по классификации Фонтейна – Покровского (Ф.-П.)
Коэффициенты
модели (5)
5,119
3,081
2,552
–0,068
Упорядоченные клинические признаки
Гангрена нижних конечностей
Некротические изменения
Боли в покое
менее 200 м
Перемежающая хромота,
после 200 м до 500
боли при ходьбе:
после 1 км
13
Ранг по
Ф.-П.
1
2
3
4
5
6
На данных первого массива (табл. 3) по выделенным факторам
риска построена модель порядковой логистической регрессии (7), а по
данным второго массива модель (8):
Y4*  0,47  х1  0,435 х2  0,198 х3  0,132  х4  0,022  х5  0,015 х6 ;
(7)
Y  0,445  х1  0,012  х2  0,271 х3  0,087  х4  0,007  х5  0,018  х6 , (8)
где x1 – повышенное содержание холестерина в крови, x2 – количество
операций в анамнезе, x3 – содержание Фибриногена А, x4 – повышенное
содержание сахара в крови, x5 – возраст от 45 до 75 лет, x6 – повышенное
содержание аспартатаминотрансферазы.
По модели (7), подставляя значения входных переменных, можно
рассчитать стадии ОААНК согласно полученным порогам (9) и, соответственно, для модели (8) по правилу (10):
*
5
2 А, если Y4*  1,544;

*
2 Б , если  1,544  Y4  1,716;
Y4  
*
3, если  1,716  Y4  5,265;
4, если Y *  5,265.
4

2 А, если Y5*  3,423;

*
2 Б , если  3,423  Y5  0,033;
Y5  
*
3, если  0,033  Y5  3,039;
4, если Y *  3,039.
5

(9)
(10)
Рассчитанная мера определенности по методу Нэйджелкерка для
модели (7) составляет 41 % и модели (8) 43 %, что свидетельствует о низкой адекватности. Выделенные факторы риска входят в перечень лабораторных признаков, замеряемых при диагностике данного заболевания.
Второй шаг работы алгоритма диагностики ОААНК.
По данным второго и третьего массива (табл. 3) и выделенным
факторам риска получена модель порядковой логистической регрессии:
(11)
Y6*  22,966  х1  6,352  х2  3,841 х3  2,292  х4
Подставляя модель (11) в (4), получаем вид необходимого лечения согласно следующему правилу:
консервативное лечение, если Y6*  2,433;

(12)
Y6  оперативное лечение, если  2,433  Y6*  0,004;

*
ампутация нижней конечности, если Y6  0,004.
Расчет меры определенности по методу Нэйджелкерка для математической модели (11) составляет 23 %, что свидетельствует о ее низкой адекватности. Таким образом, для определения вида необходимого лечения недостаточно знать стадию ОААНК, требуются дополнительные параметры.
14
Третий шаг работы алгоритма диагностики ОААНК.
Описанные в первой главе методы классификации болезни по стадиям болезни, степени адаптации сосудов нижних конечностей и виду
назначаемого лечения показывают (табл. 1), что степень коллатеральной
субкомпенсации обходного кровотока включает в себя две стадии ОААНК
(2А и 2Б) и два класса лечения (консервативная терапия и органосохраняющая операция). Данная неопределенность решена построением соответствующих моделей и алгоритма классификации степени адаптации организма «субкомпенсация» на два класса необходимого вида лечения.
На основании опроса мнений экспертов и анализа литературных
источников была представлена обобщенная модель кровотока (рис. 2).
кровь
капилляры
обходной
кровоток
капилляры
зона с1
Q1
1
Q
*
2
Q2
Q2*
Q3
зона с2
зона с3
3
стенки сосуда
Рис. 2. Обобщенная модель кровотока
В сосуде течет несжимаемая жидкость (кровь). Сосуд делится на зоны ci: с1 – выше участка поражения; с2 – участок поражения; с3 – ниже
участка поражения. От магистральной артерии идут мелкие сосуды (капилляры), которые с целью адаптации организма к развитию ОААНК образуют обходной (коллатеральный) кровоток зоны поражения (с2), тем самым
создается коллатеральная компенсация пораженного участка артерии.
Деление сосуда на зоны осуществляется по соответствующим
названиям участков артерии, на которых врач функциональной диагностики замеряет показатели, меняющие свое значение на границе перехода между зонами от незначимого до значимого. В диссертации предложен следующий принцип деления сосуда на зоны:
i  1, Q  Q  ΔQ
;
1
1
norm


с  i  2, Q  Q  ΔQ
;
i
2
2
norm

i  3, Q  Q  Q
.

3
3
norm

15
(13)
где i – зона сосуда, Qi – значение показателя функциональной диагностики замеряемого в i-ой зоне сосуда, Qnorm – допустимое (незначимое) отклонение от нормы. Характеристику коллатерального кровотока
можно замерить по следующей формуле:
Q*2 = Q3 – Q2.
(14)
На основе данных второго и третьего массива (табл. 3) по результатам экспертного опроса была выбрана однородная выборка из 294 случаев, по которой получена модель бинарной линейной логистической
регрессии Y7* расчета вида необходимого лечения Y по правилу (3):
Y7*  6,53  42,71 z 7с.21 ( I )  86,54  z 7с.21 ( II )  18,93  z 7с.21 ( III)  41,06  z 7с.22 ( I ) 
 41,06  z 7с.22 ( II )  0,09  x 7.3  1,137  x 7.4  0,63  z 7.5 ( I )  41,85  z 7.5 ( II ) 
(15)
 43,31 z 7.5 ( III).
В модели (15) в качестве входных (методом пошагового отбора
значимых переменных) были отобраны 2 количественных признака: x7.3
– «повышенное содержание холестерина в крови», x7.4 – «содержание
креатинина в крови» и 3 индикаторные переменные: z7с.1 – «уровень
2
с2
7.2
процента стеноза в зоне поражения»; z – «уровень кровотока в зоне
поражения»; z7.5 – «предварительная стадия ОААНК».
Для сравнения предложенного способа измерения данных УЗИ
по зонам (рис. 2.) также на основе данных второго и третьего массива
получена модель бинарной линейной логистической регрессии (17),
расчета вида необходимого лечения ( Y8 ).
Y8*  6,53  35,17  z 8с.21 ( I )  74,723  z 8с.21 ( II )  31,78  z 8с.21 ( III )  40,39  z 8с.31 ( I ) 
 42,42  z 8с.31 ( II )  18,25  z 8с.31 ( III )  38,61  z 8с.22 ( I )  37,24  z 8с.22 ( II )  36,95  z 8с.12 ( I ) 
(16)
 12,78  z 8с.12 ( II )  0,023  z 8с.33 ( I )  0,023  z 8с.33 ( II )  42,38  z 8с.33 ( III ).
где индикаторные переменные – zi для каждой зоны ci , i  2,3 кодируются следующим образом:
z7с.i1 , z8с.i1
– процент стеноза:
 (0;0;0), z ci  60% ;

c
(1;0;0), 60%  z i  97%;
( z ci ( I ); z ci ( II ); z ci ( III ))  
ci
(0;1;0), 97%  z  100%;
 (0;0;1), z ci  100%,
z7с.i2 , z8с.i2 – вид кровотока:
 (0;0), z c i " магистрально - измененый" ;

c
( z ( I ); z ( II ))  (1;0), z i " колатеральный" ;
(0;1) , z c i " отсутвует" ,

16
z8.3 – скорость кровотока:
(0;0;0), z8с.i3  z8с.i3 (norm);

с
с
(1;0;0), z8.i3  z8.i3 (norm);
( z ci ( I ); z ci ( II ); z ci ( III ))  
сi
сi
(0;1;0), z8.3  z8.3 (norm);
(0;0;1), z сi  0,
8.3

z7.5 – стадия ОААНК:
(0;0;0), z 7.5
(1;0;0), z

7.5
( z 7.5 ( I ); z 7.5 ( II ); z 7.5 ( III ))  
(0;1;0),
z
7.5

(0;0;1), z 7.5

 2А
 2Б
 3;
 4,
Подставляя поочередно модели (15) и (16) в (2), получаем:
1
1
, P 
.
P 
7
(1  e Y7 )
8
(1  e Y8 )
Зависимая переменная Y* «вид лечения» кодируется следующим
образом: «0» – консервативное лечение, «1» – оперативное лечение.
Вид необходимого лечения для Pi, i = 7,8 рассчитывается согласно
правилу:
0, если Pi  0,5;
Yi  
 1, если P  0,5.
i

Полученные уравнения бинарной логистической регрессии оказались значимыми с позиции статистики отношения правдоподобия. Так для
модели (16):  2 (10 )  293 ,3 p  0,05 , коэффициент детерминации псевдо-R2
Кокса и Снелла составил 63 %, Нэйджелкерка 92 %, для модели (16):
 2 (13)  329 ,1 p  0,05 , коэффициент детерминации псевдо-R2 Кокса и
Снелла составил 68 %, Нэйджелкерка 98 %. В табл. 5 представлены результаты проверки адекватности полученных моделей на контрольной выборке.
Таблица 5
Адекватность моделей (15) и (16)
Модель
(15)
(16)
Процент корректных классификаций по врачебному вмешательству (%)
Оперативное
Консервативное
Общее
88,5
97,2
94,8
100
99,5
99,7
Таким образом, построена математическая модель (16), в которой
найден количественный эквивалент субъективному показателю «перемежающая хромота» и учитывается степень коллатеральной компенсации с делением «субкомпенсации» на два класса необходимого лечения:
консервативное или органосохраняющая операция, что соответствует
стадиям ОААНК 2А и 2Б (табл. 1).
17
В четвертой главе разработано алгоритмическое и программное
обеспечение по диагностике и оценке состояния пациента с диагнозом
ОААНК, описана структура, функции и использованная методика разработки ИСППР. Особое внимание уделено представлению опыта разработки базы знаний (моделей), базы данных и блока логического вывода
данной информационной системы. Описание информационной системы
поддержки принятия решений врачом-хирургом представлено на рис. 3.
Модуль ввода
данных
о
пациенте
набор функциональных модулей
подсистема
тестирования
базы моделей
база данных
база моделей
подсистема
обучения
Решатель
(логический вывод)
подсистема
объяснения
действий
диалоговая
подсистема
ППП статистической
обработки данных
Словари, диагностические сообщения
Интерфейс
пользователя
я
врач
Рис. 3. Схема обобщенной системы поддержки принятия решений
врачом-хирургом
Информационная система поддержки принятия решений состоит
из следующих блоков: базы данных, базы моделей (база знаний), блока
приобретения знаний, блока логического вывода, блока объяснений и
диалогового блока.
База данных предназначена для хранения исходных и промежуточных данных задачи. База моделей служит для хранения моделей и данных, описывающих диагностику и протекание ОААНК.
Организация первоначального заполнения баз данных и знаний
ИСППР осуществляется инженером по знаниям. При этом источниками
информации выступают: результаты экспертного опроса врачей, справочная информация и данные из историй болезни, полученные модели.
Алгоритм поддержки принятия решений врачом-хирургом при диагностике ОААНК осуществляется следующим образом:
1. Сбор врачом информации о состоянии пациента для постановки
диагноза облитерирующего атеросклероза артерий нижних конечностей:
факторы риска, клинические лабораторные и инструментальные признаки.
18
2. Вывод результатов экспертного анализа: упорядоченного сокращенного пространства факторов риска, клинических признаков, лабораторных и инструментальных показателей, а также норм и отклонений
данных признаков.
3. Выбор врачом неуправляемых факторов риска для формирования однородной выборки прецедентов из историй болезни СГКБ.
4. Определение стадии ОААНК (Y3) по клиническим признакам.
5. Расчет зависимости стадии ОААНК (Y4), (Y5) от факторов риска.
6. Сопоставление полученных стадий ОААНК между собой: если
полученные в п. 4–5 стадии ОААНК равны: (Y3) = (Y4) = (Y5), то выводится результат врачу-хирургу и осуществляется переход к п. 7, иначе происходит возврат к п. 1, и врач формирует новую выборку или соглашается
с расхождением результатов.
7. Сбор врачом информации о состоянии пациента для постановки
основного диагноза: ввод значений по сокращенному признаковому пространству; назначение исследования по лабораторным и инструментальным признакам.
8. Определение степени тяжести необходимого врачебного воздействия (Y6).
9. Расчет вероятности назначения определенного вида лечения
(Y7) на основе полного признакового пространства состояния больного.
10. Расчет вероятности назначения определенного вида лечения (Y8)
на основе данных УЗИ, подготовленных по авторской методике (рис. 2).
11. Сопоставление полученных видов лечения Y6, Y7, Y8: если полученные в п. 8–10 виды лечения совпадают, то выводим результат врачухирургу и завершаем информационную поддержку по диагностике
ОААНК, иначе предупреждаем врача-хирурга о расхождении результатов.
Основные результаты работы:
1. Проведен системный анализ существующих подходов к поддержке принятия решений в медицине при диагностике сложных проблемных ситуаций в условиях неопределенности, обеспечивающий разработку структурной схемы диагностики облитерирующего атеросклероза артерий нижних конечностей с позиции врача-хирурга, в которой
выделены основные параметры состояния организма больного с диагнозом ОААНК.
2. Предложена методика получения, анализа и обработки экспертной информации, отличающаяся учетом ограниченных возможностей
кратковременной памяти человека в задачах выбора, которая позволяет
более эффективно, по сравнению с классической методикой экспертного анализа, определять значимые признаки протекания ОААНК.
19
3. Получены математические модели расчета основных признаков
протекания ОААНК и алгоритм диагностики облитерирующего атеросклероза артерий нижних конечностей на основе опроса, анализа и обработки мнений экспертов отделения сосудистой хирургии Сургутской
городской клинической больницы (ОСХ СГКБ) и множественного регрессионного анализа более чем 2 000 историй болезни пациентов ОСХ
СГКБ за длительный период с 2003 по 2012 гг. Указанные модели позволяют в явном виде установить зависимости между основными параметрами диагностики ОААНК: клиническими признаками, факторами
риска, лабораторными, инструментальными показателями и выходными
переменными протекания ОААНК.
4. Разработана информационная система поддержки принятия решения врачом-хирургом при диагностике стадии ОААНК и степени
нарушения артериального кровообращения сосудов нижних конечностей пациента. Информационная система поддержки принятия решения
врачом-хирургом по диагностике атеросклероза артерий нижних конечностей прошла государственную регистрацию программы для ЭВМ, что
подтверждается свидетельством № 2012660556 и внедрена в экспериментально-клиническую практику бюджетного учреждения ХантыМансийского автономного округа – Югры «Сургутская городская клиническая больница» учебный процесс кафедры информатики и вычислительной техники.
Основные публикации по теме диссертации
В рецензируемых журналах из списка ВАК:
1. Острейковский, В. А. О формализации предметной области
интеллектуальной информационной системы поддержки принятия решений врачом / В. А. Острейковский, Е. В. Дрожжин, Д. А. Федоров //
Информационные технологии. 2010. – № 3. – C. 58–63.
2. Дрожжин, Е. В. Динамика изменений в фибринолитической системе гемостаза у больных с синдромом критической ишемии нижних
конечностей / Е. В. Дрожжин, О. Н. Сидоркина, Ю. В. Никитина, Д. А. Федоров // Современные проблемы науки и образования. – 2012. – № 6; URL:
http://www.science-education.ru/106–7447 (дата обращения: 19.11.2012).
3. Дрожжин, Е. В. Изменение показателей системы гемостаза на
фоне озонотерапии и пайлер-света в лечении больных с синдромом критической ишемии нижних конечностей / Е. В. Дрожжин, О. Н. Сидоркина, Ю. В. Никитина, Д. А. Федоров, И. В. Лушенко // Современные проблемы науки и образования. – 2013. – № 1; URL: http://www.scienceeducation.ru/107-8113 (дата обращения: 19.07.2013).
20
Публикации в других изданиях
4. Федоров, Д. А. Системный анализ и обработка информации в
интеллектуальных системах / Д. А. Федоров // Сборник научных трудов
кафедры автоматизированных систем обработки информации и управления Вып. 2 / под общ. ред. Ф. Ф. Иванова; Сургут. гос. ун-т. – Сургут : ИЦ
СурГУ, 2006. – С. 20–22.
5. Федоров, Д. А. Анализ предметной области болезни облитерирующий атеросклероз нижних конечностей / Д. А. Федоров // Наука и
инновации XXI века: Материалы окружной конф. молодых ученных
ХМАО – Югры. / Сургут : Изд-во СурГУ, 2006. – С. 72–73.
6. Федоров, Д. А. К методике анализа предметной области в медицинских интеллектуальных информационных системах / Д. А. Федоров,
А. С. Федин // Сборник трудов второй международной научно-практической конференции «Исследование, разработка и применение высоких
технологий в промышленности» 07–09.01.2006, Санкт-Петербург, Россия.
Под редакцией А. П. Кудинова, Г. Г. Матвиенко, В. Ф. Самохина. – СПб. :
Изд-во Политехнического ун-та, 2007. – Т. 5. – С. 189–190.
7. Федин, А. С. О моделях представления знаний в интеллектуальных информационных системах / А. С. Федин, Д. А. Федоров // Сборник
трудов второй международной научно-практической конференции «Исследование, разработка и применение высоких технологий в промышленности» Санкт-Петербург, Россия / под ред. А. П. Кудинова, Г. Г. Матвиенко,
В. Ф. Самохина. – СПб. : Изд-во Политехнического ун-та, 2007. – Т. 5. – С.
188–189.
8. Федоров, Д. А. Анализ и разработка блоков интеллектуальной
информационной системы поддержки принятия решений врача: сборник научных трудов кафедры автоматизированных систем обработки
информации и управления / под общ. ред. Ф. Ф. Иванова ; Сургут. гос.
ун-т. – Сургут : ИЦ СурГУ, 2008. – Вып. 5. – С. 12–21.
9. Федоров, Д. А. О проектировании основных блоков интеллектуальной информационной системы поддержки принятия решений врачахирурга «Атеросклероз» / Д. А. Федоров, В. А. Острейковский // Надежность и качество : труды Международного симпозиума : в 2-х т. / под
ред. Н. К. Юркова. – Пенза : Информационно-издательский центр
ПензГУ, 2008. – Т. 2. – С. 208–211.
10. Федоров, Д. А. Корреляционный анализ признаков заболевания
при постановке диагноза облитерирующего атеросклероза артерий нижних конечностей с использованием интеллектуальной информационной
системы поддержки принятия решений врача-хирурга «Атеросклероз» /
Д. А. Федоров, В. А. Острейковский // Надежность и качество: труды
Международного симпозиума : в 2-х т. / под ред. Н. К. Юркова. – Пенза :
Информационно-издательский центр ПензГУ, 2008. – Т. 2. – С. 211–217.
21
11. Острейковский, В. А. Фрагмент базы знаний интеллектуальной информационной системы «атеросклероз» поддержки принятия
решений врача-хирурга с использованием методов регрессионного анализа / В. А. Острейковский, Д. А. Федоров // Инновации в условиях развития информационно-коммуникационых технологий : Материалы
научно-практической конф. / под ред. В. Г. Домрачева, С. У. Увайсова. –
М. : МИЭМ, 2008. – С. 455–459.
12. Федоров, Д. А. Математическое моделирование процесса диагностики и назначения лечения при атеросклерозе / Д. А. Федоров //
Сборник научных трудов «Научной сессии НИЯУ МИФИ-2012». – М. :
НИЯУ МИФИ, 2012. – С. 15.
13. Острейковский, В. А. Моделирование процесса поддержки
принятия решений врача по лечению облитерирующего атеросклероза
сосудов нижних конечностей / В. А. Острейковский, Д. А. Федоров //
«Региональная информатика «РИ-2012». Юбилейная ХIII СанктПетербургская международная конференция. Санкт-Петербург, 24–26
октября 2012 г. : материалы конференции. – СПб., 2012. – С. 290–291.
14. Федоров, Д. А. Функции информационной системы направленной на поддержку принятия решений врача / Д. А. Федоров // Современные
системы искусственного интеллекта и их приложения в науке : Всероссийская научная Интернет-конференция с международным участием: материалы конф. (Казань, 2013 г.) / Сервис виртуальных конференций Pax Grid ;
сост. Д. Н. Синяев. – Казань : ИП Синяев Д. Н., 2013. – С. 136–138.
15. Федоров, Д. А. Математическая модель диагностики атеросклероза на основе порядковой логистической регрессии / Д. А. Федоров, Е. В. Дрожжин, И. В. Лущенко // Математическое и компьютерное
моделирование в биологии и химии. Перспективы развития: II Международная научная Интернет-конференция : материалы конф. (Казань,
2013 г.) : в 2-х т. / Сервис виртуальных конференций Pax Grid ; сост.
Д. Н. Синяев. – Казань : ИП Синяев Д. Н. , 2013. – Т. 1. – C. 70–73.
16. Микшина, В. С. Об одной модели поддержки принятия решений врачом при диагностике и лечении облитерирующего атеросклероза
/ В. С. Микшина, Д. А. Федоров // Инновации на основе информационных и коммуникационных технологий : Материалы международной
научно-практической конференции. / науч. ред. А. Н. Тихонов ; общ.
ред. С. У. Увайсов ; отв. ред. И. А. Иванов. – М. : МИЭМ НИУ ВШЭ,
2013. – С. 573 – 577.
17. Микшина, В. С. Математическая модель выбора способа лечения облитерирующего атеросклероза на основе логистической регрессии / В. С. Микшина, В. А. Острейковский, Д. А. Федоров // Инновации
на основе информационных и коммуникационных технологий : Материалы международной научно-практической конференции / науч. ред. А. Н.
22
Тихонов ; общ. ред. С. У. Увайсов ; отв. ред. И. А. Иванов. – М. : МИЭМ
НИУ ВШЭ, 2013. – С. 565–573.
18. Федоров, Д. А. Информационная система поддержки принятия
решений врача, на примере болезни облитерирующий атеросклероз артерий нижних конечностей / Д. А. Федоров // Международная конференция «Математика и информационные технологии в нефтегазовом
комплексе», посвященная дню рождения великого русского математика
академика П. Л. Чебышева и приуроченная к 20-летию сотрудничества
ОАО «Сургутнефтегаз» и компании SAP (Сургут, 14–18 мая 2014 г.) :
тезисы докладов. – Сургут : ИЦ СурГУ, 2014. – С. 250–251.
Свидетельство о государственной регистрации программы для ЭВМ:
19. Федоров, Д. А. Информационная система поддержки принятия
решений для диагностики и лечения облитерирующего атеросклероза.
РОСПАТЕНТ. Свидетельство ЭВМ № 2012660556 от 23 ноября 2012 года.
23
Документ
Категория
Без категории
Просмотров
7
Размер файла
699 Кб
Теги
алгоритм, артерия, pdf, диагностика, модель, нижний, атеросклероз, конечность
1/--страниц
Пожаловаться на содержимое документа