close

Вход

Забыли?

вход по аккаунту

?

Анализ оценок моделей группового принятия решений в медицинской практике..pdf

код для вставкиСкачать
Раздел VI. Биоинформатика
цикл состоит из нескольких стадий обработки для М- и Р-потоков за исключением
стадии взаимного ориентированного подавления (стадия 4), которая реализована
для М-потока. Два потока данных взаимодействуют во время общей стадии 5, на
которой взаимодействуют пространственно близкие клетки из М- и Р-потоков. Основные уравнения модели приведены в [6].
Заключение. Рассмотрен новый подход на биологической основе для интегрированного обнаружения границ в цветных изображениях. Модель использует
итеративную обработку визуального входа и локальные усиливающие взаимодействия нейронов, чувствительных к ориентации и к цвету. Обработка основана на
известных принципах нейронных соединений, найденных в визуальной системе
млекопитающих. Ключевая особенность модели заключается в том, что в итерациях усиливаются границы, присутствующие как в цветовых, так и в яркостных переходах. Конечно, реальная модель V1 гораздо более сложна. Но, несмотря на некоторые упрощения, предложенная комбинированная модель выявления цветовых
границ является удачной попыткой моделирования эффекта локального взаимного
возбуждения нейронов. Дальнейшие исследования в данном направлении связаны
с усложнением модели взаимодействия каналов обработки цвета и яркости с целью
увеличения контрастности получаемых границ. Кроме того, планируется включить
в алгоритм модуль параметрического синтеза, т.к. управляющие параметры оказывают решающее воздействие на выходное решение.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Canny J.F. Finding edges and lines in images. Technical Report AI-TR-720, Massachusetts
Institute of Technology, Artificial Intelligence Laboratory, June 1983.
2. Барлит А.В., Нужнов Е.В. Сегментация изображений и выявление контуров объектов на
основе генетических алгоритмов // Известия ТРТУ. Тематический выпуск «Интеллектуальные САПР. Материалы Международной научно-технической конференции «Интеллектуальные САПР»». – Таганрог: Изд-во ТРТУ, 2003, № 2.
3. Hubel D.H., Wiesel T.N. Sequence regularity and geometry of orientation columns in the monkey striate cortex. Journal of Comparative Neurology, 158: pp.267-294, 1974.
4. Borg-Graham L.J., Monier C., Fregnac Y. Visual input invokes transient and strong shunting
inhibition in visual cortical neurons. Nature, 393, pp.369-373, 1998.
5. Ferster D.: The synaptic inputs to simple cells in the cat visual cortex. In: D. Lam and G. Gilbert (eds.): Neural mechanisms of visual perception, Ch. 3, Portfolio Publ. Co, The Woodlands, Texas: pp.63-85, 1989.
6. Барлит А.В., Нужнов Е.В. Биологически мотивированное выявление контуров на цветных изображениях // Перспективные информационные технологии и интеллектуальные
системы (электронный журнал), 2005, № 2 (22).
М.В. Зиборов, С.С. Макаров
АНАЛИЗ ОЦЕНОК МОДЕЛЕЙ ГРУППОВОГО ПРИНЯТИЯ РЕШЕНИЙ В
МЕДИЦИНСКОЙ ПРАКТИКЕ
Цель и задачи моделирования. Создание модели принятия решений в ус-
ловиях частичной неопределенности в медицинской практике необходимо для исследований, для решения задач, связанных с проектированием информационных
систем для врачей различной специализации. С помощью подобной модели можно
осуществить поиск входных параметров и состояния пациента, которые соответствуют наилучшему значению выходного параметра исследуемого органа или систе175
Известия ТРТУ
Тематический выпуск
мы. Так как экспериментировать непосредственно на пациенте для поиска необходимых входных параметров и параметров состояний не только некорректно, но и
не профессионально, то модель полезна с этой точки зрения [1].
Цель моделирования процесса принятия решений в медицинской практике
многосторонняя. Это получение обоснованного представления о характеристиках
жизнеобеспечивающих процессов и процессов терапии, их течений при действии
возмущающих и управляющих воздействий.
Задачи при моделировании процесса принятия решений в медицинской
практике носят исследовательский характер, независимо от конкретизации модели.
Модели в медицинской практике используются для решения задач анализа состояния пациентов, его органов и систем и процессов принятия решений врачом в том
или ином случае медицинской практики.
Формализация процесса принятия решений в медицинской практике состоит
в следующем. Существует среда, которая определяет воздействие на процесс и на
врачей-экспертов. Объект исследования является частью среды. Формально это
отображают схемой, приведенной на рис.1, где B – вектор конструктивных параметров состояния пациента, G – вектор управлений, F – вектор возмущений, Y –
принятые решения.
Среда
Пациент
Врачи-эксперты
B
G
F
Процесс принятия решений
Y
Рис.1. Схема процесса принятия решения в медицинской практике
Математическое моделирование связано с нахождением некоторой
математической схемы, описывающей процесс принятия решений в медицинской
практике и взаимодействие составляющих его: врачей, пациентов, внешней среды.
Моделирование процесса принятия решений в медицинской практике
предусматривает построение алгоритма, который может быть реализован в виде
диаграмм документооборота или дифференциальной диагностики в нотациях IDEF
0, DFD, IDEF 3 [2] в зависимости от поставленных задач.
Групповое принятие решений. Под групповым принятием решений [3]
будем понимать выработку согласованного группового решения о порядке предпочтительности объектов выбора, составляющих предметную область медицинской практики, на основе индивидуальных мнений членов группы (врачейэкспертов). Например, выбор терапевтического алгоритма для пациента исходит из
различных способов оценки предпочтений на множестве возможных терапевтических алгоритмов. В простейшем случае предпочтение задано упорядочением (ранжированием) терапевтических алгоритмов по убыванию их предпочтительности.
Если же оценивается и относительная интенсивность f(а) предпочтительности ка-
176
Раздел VI. Биоинформатика
ждого алгоритма а, то предпочтение задается функцией f, отображающей множество терапевтических алгоритмов A в множество чисел.
Проблема группового принятия решений в медицинской практике сводится
к агрегированию индивидуальных предпочтений f1,f2,…,fn (n - число врачейэкспертов) в единое (групповое) предпочтение f.
Выбор курса терапии эквивалентен указанию отношения предпочтения, при
котором этот курс является наиболее предпочитаемым
Рассмотрим множество пациентов в одном пространстве состояний с показателями fi − в качестве оценок «индивидуальных» предпочтений. Групповое предпочтение f, соответствует комплексному критерию выработки решения, построенному на основе данных показателей.
В терминах группового принятия решений можно полагать, что разные совокупности похожих, высоко коррелированных предпочтений врачей fi выражают
разные точки зрения на оценку предпочтительности терапевтического курса. Например, среди врачей-экспертов при оценке состояния пациента и назначении ему
терапевтического курса могут встретиться представители двух направлений, например, традиционной и нетрадиционной медицины, для которых наиболее важными будут различные параметры. Очевидно, экспертные оценки распадутся на
две совокупности близких друг к другу оценок. Групповое предпочтение – фактор
каждой такой совокупности фактически выражает ее точку зрения. Задача группового принятия решений требует перехода от заданных индивидуальных наборов
данных к компактному единому групповому набору данных.
Врачи-эксперты могут придерживаться разных, иногда противоречивых точек зрения в своих оценках. Возможность противоречивых оценок очевидна в контексте проблем факторного анализа или согласования критериев оптимальности,
особенно, если использовать в качестве групповой оценки средний балл. Например, если два врача-эксперта оценивая выраженность симптоматики пациента по
критериям a, b, c задают их функциями f1(a)=5, f1(b)=3, f1(c)=0 и f2(a)=0, f2(b)=3,
f2(c)=5, то средний балл выраженности симптома b равен 3, тогда как остальные
получили только 2,5.
Для устранения таких расхождений на практике прибегают к различным
процедурам обмена мнениями (метод Дельфи [4]). Эти процедуры дают удовлетворительные результаты, когда врачами вырабатываются решения о наиболее
вероятных значениях каких-либо недвусмысленных признаков. В более сложных
случаях процедуры такого рода иногда только усиливают решимость врачей остаться при своем мнении или же побеждают интересы руководителя группы или
признанного авторитета в обсуждаемой области.
Вторая причина затруднений при групповом принятии решений в медицинской
практике связана с проблемой соизмерения предпочтений различных врачей-экспертов. В
контексте признаков заболевания (параметров пациента) вопрос об их соизмерении также
правомерен, даже если признаки измерены в одной и той же шкале.
Если привести все предпочтения к единому масштабу и началу отсчета, то
можно применить линейное преобразование оценок, при котором наименее предпочтительный терапевтический курс получает оценку 0, а наиболее предпочтительный − оценку 1. Новые оценки f* выражаются через старые с помощью формулы f*(a)=(f(a)-f)/(f*-f), где fmax и fmin - максимальное и минимальное значения
fmax(a)(a∈A) соответственно.
177
Известия ТРТУ
Тематический выпуск
Линейное преобразование оценок имеет недостаток, т.к. оно неинвариантно
относительно изменения рассматриваемой совокупности объектов из-за изменения
fmin и fmax. Сложение оценок может приводить к противоположным результатам,
даже с разными весовыми коэффициентами. Например, если для трех различных
факторов риска сердечно сосудистых заболеваний a, b, c два эксперта определили
выраженность f1(a)=f2(a)=100, f1(b)=f2(b)=90 f1(c)=f2(c)=0, a оценки третьего эксперта равны f3(a)=50, f3(b)=100, f3(c)=0, то, очевидно, что для преобразованных
оценок f*(0;0.5;0.9;1) f*1(a)+f*2(a)+f*3(a)=2.5<f*1(b)+f*2(b)+f*3(b)=2,8 т.е. средняя
оценка а меньше средней оценки b. Но, если исключить из рассмотрения наименее
предпочтительный для каждого из врачей-экспертов фактор риска с, то результат
получится противоположный. В этом случае f*1(a)+f*2(a)+f*3(b)=1,
f*1(b)+f*2(b)+f*3(a)=0, так что f*1(a)+f*2(a)+f*3(a)=2>f*1(b)+f*2(b)+f*3(b)=1. Вряд ли
можно согласиться со столь сильным изменением в суммарном предпочтении из-за
простого исключения одного фактора риска.
Виды оценок в медицинской практике.
Количественные показатели. О количественном выражении показателя
говорят в том случае, когда его значения имеет смысл сравнивать [3].
Например, имеется несколько терапевтических курсов, которые целесообразно пройти пациенту при выявленной нозологии, характеризуемых признаком
«цена». Очевидно, что этот признак является количественным. Действительно, если терапевтический курс а стоит 10 000 рублей, то он вдвое дороже терапевтического курса b, имеющего стоимость 5000 рублей. Признак «цена» выражается
функцией f(a), то функция kf (а) (где k - положительное постоянное число). Существует возможность сравнения, во сколько раз f(a) больше f(b). Если масштаб измерения зафиксирован, то на сколько f(a) больше f(b), т.к. разность kf(a) − kf(b)
может измениться только при изменении k.
Будем называть функцию φ(x) допустимым преобразованием признака f
(а) (a∈A), если функция φ(f(a)) (a∈A) задает тот же признак. Если оценки f показателя определены вместе с множеством всех допустимых преобразований Ф, то
говорят, что измерения произведены в шкале типа Ф. В примере Ф0={kx+b|k>0}.
Шкалу такого типа называют шкалой отношений.
Встречается также случай измерений в шкале типа ФИ={kx+b|k>0}, назы-
шкалой интервалов.
Оценки в балльной и ранговой шкалах. Субъективные мнения врачей-
ваемой
экспертов характеризуют балльными оценками. Пример балльной оценки – выраженность фактора риска сердечно-сосудистых заболеваний – «ожирение».
Значения балльной шкалы представлены ограниченным дискретным рядом
чисел. Обычно при экспертных оценках в качестве значений шкалы берут начальный отрезок натурального ряда или часть ряда целых чисел, симметричную относительно нуля (0, ±1, ±2, . . ., ..., ±m).
В медицинской практике различают два варианта балльных оценок.
В первом варианте оценка производится по объективному критерию, так что индивидуальные оценки являются некоторыми флуктуациями реальных значений. Имеются
некоторые общепринятые эталоны, соответствующие градациям выбранной шкалы, с
которыми и сравниваются рассматриваемые объекты. Чем более точно охарактеризованы
и оценены возможные отклонения от эталонов, тем меньше флуктуации в оценках, тем
больше доверия к ним. Существует множество примеров оценок симптомов заболевания
178
Раздел VI. Биоинформатика
по эталонам и отклонениям от них, соответствие которых конкретному заболеванию формируется на основе личного опыта врача.
Балльная оценка второго варианта производится, когда нет общепринятых
эталонов, сомнительно наличие некоего объективного критерия. Оценки рассматриваются выполненными в ранговой (порядковой) шкале, то есть множество допустимых преобразований
состоит из всех монотонно возрастающих функций.
Ранговые оценки сравнивают по отношению «больше − меньше», что сохраняется
при монотонных преобразованиях. Функция f, измеряющая субъективное предпочтение, называется
.
. Под ранжированием понимают представление объектов
выбора в виде последовательности, в соответствии с убыванием их предпочтительности. Допускается указание на равноценность некоторых рядом расположенных
объектов. Например, пять вариантов терапевтических процедур пациента при известной нозологии один из врачей может ранжировать так: (2,1−3, 4−5), что означает: вариант 2 самый предпочтительный, за ним идут равноценные варианты 1 и
3, варианты 4 и 5 равноценны и самые плохие.
Ранжирование – это оценка в ранговой шкале. Рангом f(a) терапевтического
курса , считается номер места, которое он занимает в ранжировании при обратной
нумерации мест. Считается, что равноценные терапевтические курсы находятся на
одном и том же месте. Для рассмотренного примера варианты 4 и 5 получают ранг
1, варианты 1 и 3 − ранг 2, вариант 2 − ранг 3.
. Метод попарного сравнения в медицинской практике
применим для выявления предпочтения врачей. Качественное сравнение двух объектов сделать гораздо легче, чем выражать свои предпочтения в балльной или ранговой шкале. Этот метод оценки не навязывает врачу априорных условий в отличие от других. Перечисленные виды оценок требуют транзитивности предпочтений: если лучше b, а b лучше , то и лучше . Попарное сравнение такой транзитивности заранее не предполагает.
Попарное сравнение терапевтических курсов определено бинарным отношением на множестве терапевтических курсов , как множество упорядоченных
пар ( , b) таких, что предпочтительнее b. Бинарное отношение на − это подмножество P⊆A×A, где A×A − совокупность всех упорядоченных пар (a, b), a,
b∈A, –
, причем, ( , b)∈P тогда и только тогда, когда
предпочтительнее b.
Отношение порождает многозначное отображение P<a>={b(a, b)∈P}, где < >
совокупность всех терапевтических курсов менее предпочтительных, чем .
В медицинской практике при проведении парного сравнения терапевтических курсов некоторые из них могут быть равноценными для врача, а некоторые −
несравнимыми. Особенно трудно сравнивать разнородные курсы терапии, служащие для разных целей. В том случае, если и b равноценны, в можно включить и
( , b) и (b, ). Если же они не сравнимы, то ( , b) и (b, ) не принадлежат и, значит, содержатся в Ip.
. Перечисленные виды оценки предпочтительности имеют общую черту, т.к. все они задают бинарное отношение предпочтения на множестве рассматриваемых объектов . Если попарные сравнения
образуют явным образом, то остальные четыре вида порождают правилом:
(a,b)∈P↔f(a)>f(b) если речь идет о строгом предпочтении, или (a,b)∈P↔f(a)≥f(b),
Ф
функцией полезности
Ранжирование
а
Попарное сравнение
а
с
а
с
А
а
а
Р отношение предпочтения
а
Р
а
а
Анализ качественных данных
Р
Р
А
а
Ра
а
а
а
а
А
Р
Р
Р
179
Известия ТРТУ
Тематический выпуск
Р
если предпочтение нестрогое. Такие отношения несут полную информацию об
оценках в ранговой шкале и попарных сравнениях.
Количественные и балльные измерения содержат существенно больше информации, чем порождаемые ими отношения. Зная отношение , можно сказать,
лучше ли , чем b, но нельзя сказать, во сколько раз, но представляет интерес и та
информация, которая содержится в этих отношениях.
Нередко выводы носят качественный характер. В медицинской практике
часто конечной целью исследования являются чисто качественные выводы, например, классификация или ранжирование рассматриваемых пациентов по совокупности клинических признаков. Качественную информацию о пациенте значительно
легче получить, чем числовую, т.к. не нужно громоздких приборов.
С другой стороны, для комплексного анализа данных, например, для согласования индивидуальных оценок врачей и объективных показателей пациентов,
измеренных в разных шкалах, необходим переход к одному типу данных, числовому или качественному.
Такой анализ осуществляется с помощью сведения всех показателей к количественным за счет произвольного сужения множества допустимых преобразований. В качественные оценки привносится новая, искажающая информация. При
наличии развитой техники анализа качественных данных можно комплексную обработку информации проводить с помощью сведения числовых показателей к качественному виду, переходя к соответствующим бинарным отношениям предпочтения. При этом часть информации теряется, что может иногда оказаться еще хуже, чем введение дополнительной информации. Однако, если выводы, полученные
на основе «количественной» обработки данных, совпадут с выводами «качественной» обработки, то с большой долей уверенности можно утверждать, что они действительно основаны на исходных данных, а не на методе их извлечения.
Р
а
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1.
2.
3.
4.
Финаев В.И. Моделирование при проектировании информационно-управляющих систем: Учебное пособие. - Таганрог: Изд-во ТРТУ, 2002. – 118 с.
Маклаков С.В. Моделирование бизнес-процессов с BPWin 4.0. – М.: ДИАЛОГ-МИФИ,
2002. – 224 с.
Миркин Б.Г. Проблема группового выбора. - М.: Наука, 1974. - 256 с.
Янч Э. Прогнозирование научно-технического прогресса. – М.: Прогресс, 1970.
180
Документ
Категория
Без категории
Просмотров
3
Размер файла
224 Кб
Теги
анализа, решение, практике, групповой, pdf, принятие, моделей, медицинских, оценок
1/--страниц
Пожаловаться на содержимое документа