Содержание к диссертации
Введение
ГЛАВА 1 Исследование особенностей диагностики патологии цнс у детей раннего возраста 15
1.1. Вводные замечания 15
1.2. Диагностика как процесс постановки диагноза 15
1.3. Группы входных данных 19
1.1.1. Данные анамнеза 20
1.3.1. Клинические данные 24
1.3.2. Данные диагностических исследований (параклинические данные). 26
1.3.3. Особенности исходных данных о пациенте 28
1.4. Структура неврологического диагноза 29
1.5. Особенности диагностики с точки зрения сбора, обработки и анализа данных 33
1.6. Специфика процесса диагностики 39
1.7. Четырехэтапный алгоритм диагностики 40
1.8. Результаты и выводы по главе ..43
ГЛАВА 2 Применение интеллектуального анализа данных для решения задачи диагностики 46
2.1. Вводные замечания 46
2.2. Обзор систем диагностики, применяющих ИАД 47
2.2.1. Экспертные системы 47
2.2.2. Нейронные сети для задач диагностики 47
2.3. Обзор программных систем, реализующих алгоритмы и методы ИАД... 49
2.4. Вопросы выбора методов ИАД для решения задачи диагностики 51
2.5. Анализ особенности применения методов ИАД 54
2.5.1. Деревья решений 54
2.5.2. Методы экспертного анализа 56
2.5.3. Статистические методы 59
2.5.4. Метод самоорганизации моделей: метод группового учета аргументов 62
2.5.5. Визуальное моделирование 65
2.5.6. Вариантное (вариативное) моделирование 71
2.6. Результаты и выводы по главе 75
ГЛАВА 3 Использование иад в процессе разработки модельного и алгоритмического обеспечения задачи диагностики 77
3.1. Вводные замечания 77
3.2. Технология разработки модельного обеспечения с применением ИАД... 77
3.3. Разработка алгоритмов сбора данных 78
3.3.1. Анамнестические данные 79
3.3.2. Данные результатов осмотра невропатолога и результатов исследований 84
3.4. Шкала интегральной оценки патологии 86
3.5. Формирование множества диагностических признаков и создание вектор-моделей с использованием методов экспертного оценивания, деревьев решений иМГУА 91
3.5.1. Обоснование необходимости введения ДП 91
3.5.2. Формирование моделей и алгоритмов расчета значений ДП с применением методов экспертного оценивания и деревьев решений 93
3.5.3. Применение метода группового учета аргументов для создания моделей и алгоритмов расчета ДП 98
3.5.4. Особенности организации вектор-моделей ДП 103
3.6. Организация моделетеки и вопросы выбора модели для формирования различных вектор-моделей 105
3.7. Визуальные диагностические образы 110
3.8. Разработка моделей и алгоритмов этапа анализа данных и формирования диагноза 115
3.9. Результаты и выводы по главе 119
ГЛАВА 4 Применение разработанного модельного и алгоритмического обеспечения для диагностики патологии ЦНС 122
4.1. Вводные замечания 122
4.2. Параметризация и сбор данных 122
4.3. Применение разработанного модельного и алгоритмического обеспечения на этапе обработки 123
4.4. Особенности формирования диагноза 127
4.5. Результаты и выводы по главе 128
ГЛАВА 5 STRONG Описание разработанной системы автоматизированной диагностики патологии ЦНС 129
STRONG 5.1. Вводные замечания 129
5.2. Программно-аппаратный комплекс 129
5.3. Система автоматизированной диагностики врача-невролога 132
5.3.1. Общие характеристики системы 132
5.3.2. Структура системы 133
5.3.3. Функции, выполняемые системой 134
5.4. Использование разработанных методик в практической неврологии 136
5.4.1. Исследование особенностей влияния различных этиологических факторов на ЦНС ребенка 136
5.4.2. Исследование и описание особенностей течения патологии ЦНС, 138
5.4.3. Решение задач прогнозирования 142
5.5. Результаты и выводы по главе 144
Заключение 145
Список литературы
- Группы входных данных
- Нейронные сети для задач диагностики
- Технология разработки модельного обеспечения с применением ИАД...
- Применение разработанного модельного и алгоритмического обеспечения на этапе обработки
Введение к работе
Актуальность
В течение ряда последних лет наблюдается тенденция к росту патологии центральной нервной системы у детей раннего возраста (далее по тексту ЦНС). По данным исследований Ю.И.Барашнева, Л.О.Бадаляна, Н.П.Шабалова, К.А,Семеновой своевременно не выявленные различные формы нарушений ЦНС зачастую проявляются пожизненно, создавая мозаичную картину неврологического дефицита с различными поражениями двигательной, речевой и психоэмоциональной сферы, что вызывает необходимость поиска причин развития патологии и критериев объективной ранней диагностики. Поскольку для принятия диагностического решения о форме и степени выраженности патологии ЦНС у детей раннего возраста врачу необходимо проанализировать большое количество различных диагностических данных, для решения данной задачи необходимо широкое использование современных компьютерных технологий.
Однако при анализе использующихся в этой области медицины автоматизированных диагностических систем было выявлено, что ни одна из них не решает задачу диагностики патологии ЦНС полностью в требуемом объеме, а позволяет решать лишь частные задачи диагностики: оценивать степень функционального дефицита, исследовать состояния структур головного мозга, выполнять прогноз течения заболевания по уже поставленному диагнозу и т.п. Одной из важных причин этого является отсутствие единой строго формализованной шкалы оценки степени выраженности патологии ЦНС и алгоритмического обеспечения в этой области медицины.
Поэтому был сделан вывод о необходимости разработки такой автоматизированной системы, которая позволит проводить обработку и анализ разнородной диагностической информации для подготовки принятия диагностического решения и формирования неврологического диагноза требуемой структуры в соответствии с существующей классификацией перинатального поражения ЦНС. Поскольку разработку диагностических моделей и автоматизацию диагностических алгоритмов для детской неврологии необходимо проводить с учетом свойств исходных данных
10 (неоднородности, неточности и зашумленности), а также знаний об
особенностях проявления и течения патологии, требуется выбрать или
разработать методы и алгоритмы, позволяющие принимать решения с учетом
накопленных данных и знаний предметной области.
Таким образом, разработка и внедрение автоматизированной системы, реализующей обработку разнородной диагностической информации, позволяющей решить важную задачу диагностики патологии ЦНС у детей раннего возраста является актуальной.
Целью диссертационной работы является исследование существующего и разработка нового модельного, алгоритмического и программного обеспечения для ранней диагностики патологии центральной нервной системы у детей раннего возраста (ДпЦНС) на основании разнородной диагностической информации.
В соответствии с поставленной целью в рамках диссертационной работы были поставлены и решены следующие задачи:
Выявление особенностей ДпЦНС с точки зрения сбора, обработки, анализа данных и принятия решения о ее состоянии.
Исследование и выбор методов интеллектуального анализа данных для решения рассматриваемой диагностической задачи.
Разработка модельного и алгоритмического обеспечения диагностики патологии ЦНС.
Разработка системы автоматизированной диагностики патологии ЦНС (САД).
Связь темы исследования с пианами и программами НИР
Актуальность выбранной темы подтверждается тем, что диссертационная работа является частью научно-исследовательских работ, выполняемых в Новосибирском государственном техническом университете (НГТУ), лаборатории Института молекулярной биологии и биофизики (ИМБиБ) СО РАМН и клиники нервных болезней Новосибирской государственной медицинской академии (НГМА) в рамках следующих научно-исследовательских программ и грантов:
1. Грант Минобразования РФ «Университеты России - фундаментальные исследования: Разработка системы мониторинга здоровья населения с
элементами искусственного интеллекта» на 1998 - 2000 г.
(НГТУ, кафедра вычислительной техники (ВТ), руководитель д.т.н,, профессор В.В.Губарев).
Федеральная целевая программа НТР на 1999-2001 гг. регистрационный номер 01.9.80 001488 от 02.12.98г. Тема исследования, проводимого лабораторией Института молекулярной биологии и биофизики СО РАМН, «Изучение состояния иммунной системы детей с патологией центральной нервной системы (ЦНС) различного генеза в раннем постнатальном периоде жизни. Определение критериев и разработка технологии иммунокоррегирующей терапии» (руководитель зав. лаб. д.б.н., профессор А.И.Аутеншлюс).
Грант Минобразования РФ ГОО-4.1-48 на 2001-2002гг. «Теоретические и методологические основы вариативного моделирования (разработка и исследование)» (руководитель зав.кафедрой ВТ, д.т.н., профессор В.В.Губарев).
Методы исследования
Полученные результаты базируются на использовании методов и средств системного и математического анализа, теории классификации, математической статистики и теории вероятностей, экспертных систем, теории принятия решений и интеллектуального анализа данных. Научная новизна полученных результатов заключается в следующем: 1. Разработано оригинальное модельное, алгоритмическое и методическое
обеспечение диагностики патологии ЦНС, конкретизированное на
примере данных анамнеза, а именно:
Алгоритм диагностики, основанный на четырехэтапной схеме автоматизированного принятия диагностического решения, отличающийся активным включением врача в процесс обработки данных при формировании диагноза;
Шкала интегральной оценки патологии (ЙОП), предназначенная для определения степени выраженности патологии ЦНС и основанная на экспертном определении границы «норма-патология»;
Оригинальная отражающая системные свойства объекта диагностики вектор-модель диагностических признаков, способ ее формирования с
12 помощью средств интеллектуального анализа данных и метод применения
ее в алгоритме определения патологии ЦНС по разнородным многомерным
диагностическим данным;
Основанный на использовании вектор-модели и лепестковой круговой
диаграммы метод системной визуализации разнородных многомерных
диагностических данных, ориентированный на включение врача в процедуру
принятия диагностических решений за счет наглядности и системности
представления результатов обработки.
Разработана система автоматизированной диагностики патологии ЦНС у детей раннего возраста (САД), позволяющая проводить процедуры сбора, обработки и анализа анамнестических, клинических и параклинических данных на этапах доврачебной диагностики и в режиме врачебного приема, позволяющая формировать развернутый неврологический диагноз.
Выявлены и описаны важные для формирования новых методических разработок в детской неврологии особенности течения патологии ЦНС в различных диагностических группах детей, полученные на основе использования теоретических исследований и разработанной САД. Практическая ценность и реализация результатов работы
Разработка новых и формализованное описание существующих вариантов принятия диагностических решений в области детской неврологии позволили создать систему автоматизированной диагностики патологии ЦНС у детей раннего возраста и являются стартовой основой для построения систем подобного класса. Разработанные средства диагностики позволяют оценить степень тяжести поражения ЦНС различного генеза у новорожденных и детей раннего возраста, с новых системных позиций подойти к изучению патологических процессов, проистекающих в нервной системе ребенка, и исследовать их с учетом новых объективных критериев. На основе результатов проведенных исследований были получены выводы, позволившие разработать практические рекомендации для врачей невропатологов и неонатологов.
Созданный программный комплекс прошел апробацию и внедрен в эксплуатацию в психоневрологическом центре для детей с патологией ЦНС и нарушением психики (г.Новосибирск). Разработанные методики
13 использовались при проведении научных исследований и внедрены в
практическое здравоохранение, что подтверждается соответствующими
документами.
Достоверность научных положений, выводов и рекомендаций
подтверждается обоснованной постановкой теоретических задач,
положительными результатами исследований, апробации и внедрения
действующей системы диагностики в реальных условиях.
Основные научные положения, выносимые на защиту
Алгоритм диагностики патологии ЦНС у детей раннего возраста, основанный на четырехэтапной схеме автоматизированного принятия диагностического решения по разнородным данным.
Шкала интегральной оценки степени тяжести патологии ЦНС и алгоритм определения степени выраженности патологии ЦНС по этой шкале.
Вектор-модель анамнеза как система моделей созданных с применением интеллектуального анализа данных и способ ее формирования с помощью матриц сопряженности.
Метод визуализации разнородной диагностической информации, основанный на многоосном визуальном системном представлении ее для анализа экспертом.
Система автоматизированной диагностики, позволяющая проводить раннюю объективную диагностику патологии ЦНС у ребенка раннего возраста на основании разнородных диагностических данных, и результаты ее апробации.
Апробация работы
Результаты работы и основные положения докладывались и обсуждались на 19 научных конференциях, в частности, на: VI Российско-Корейском международном симпозиуме КОРУС'2002 (Новосибирск, 2002), VI Международной научно-практической конференции «Системный анализ в проектировании и управлении» (С .Петербург, 2002), Региональной научной конференции студентов, аспирантов и молодых ученых «Наука. Техника. Инновации» (НТИ) (Новосибирск, 2002), Всероссийской научно-практической конференции с международным участием «Роль новых перинатальных технологий в снижении репродуктивных потерь»
14
(Екатеринбург, 2001); IV Международной научной
конференции «Вопросы валеологии и эниовалеологии» (Севастополь, 2001), Всероссийской конференции «Новые направления в клинической медицине» (Ленинск-Кузнецкий, 2000г.), IX - XIII научно-практических конференциях врачей «Актуальные вопросы современной медицины» (Новосибирск, 1999-2003 гг.); на научных семинарах кафедры Вычислительной техники Новосибирского государственного технического университета и на обществе детских невропатологов города Новосибирска с 1999 по 2002 год. Личный вклад автора
Все выносимые на защиту результаты получены автором лично. Экспериментальные исследования и сбор материала проводились в Муниципальном психоневрологическом центре для детей с патологией ЦНС и нарушениями психики (г.Новосибирск) при участии автора. В работах, опубликованных в соавторстве, автором дана постановка задачи, предложены основные идеи решения, совместно проведены необходимые исследования, получены теоретические результаты. Публикации
По теме диссертации опубликована 31 печатная работа, получено авторское свидетельство № 6154 от 15.01.03 на объект интеллектуальной собственности рукопись научной работы «Методика формирования информационно-диагностического образа анамнеза». Структура и объем диссертации
Диссертационная работа состоит из введения, 5 глав, заключения и списка литературы из 137 наименований, содержит 145 страниц основного текста, 34 рисунка, 24 таблицы и 3 приложения. Каждая глава начинается вводными замечаниями и заканчивается выводами. В приложении даны копии документов об использовании разработанных методик и программного обеспечения, примеры работы системы автоматизированной диагностики.
Группы входных данных
Поражения центральной нервной системы у детей раннего возраста (далее по тексту патология ЦНС) предполагают нарушение функций или поражения структур нервной системы (НС) различного происхождения, возникающее как правило в перинатальный период, который охватывает период от внутриутробного развития до первого месяца жизни ребенка [78]. В основе развития перинатальных поражений центральной нервной системы лежат многочисленные факторы, влияющие на состояние плода в течение беременности, родов и адаптации новорожденного в первые дни его жизни, обуславливающие возможность развития различных заболеваний как на 1 году жизни ребенка, так и в более старшем возрасте.
На основании анализа существующего методического обеспечения процесса диагностики [11, 67, 84] был сделан вывод о том, что источниками
данных для формирования диагноза в неврологии, как и в других областях медицины [9, 58], являются анамнестические сведения, клинические характеристики и результаты дополнительных исследований (Рис. 1.2. ). Все они в совокупности представляют собой множество сигналов, данных и знаний, характеризующих состояние пациента и описывающих развитие болезни. На основании всех имеющихся данных о пациенте врачом формируется множество диагностических данных, которые используются для установления диагноза. Рассмотрим каждую из выделенных групп данных с целью выявления степени их участия в формировании диагноза.
Анамнез необходим врачу для расшифровки патогенеза текущего процесса и выявления системы этиологических факторов, в результате действия которых пострадала нервная система ребенка.
Анамнестические данные используются при диагностике во всех областях медицины, и специфика каждой из них отражается на требованиях к содержанию анамнеза и получаемым диагностическим выводам. Нервная система относится к одним из наиболее сложных систем организма. Как уже отмечалось выше, множество факторов влияет на развитие НС, и вопросом научного поиска является нахождение закономерностей этого влияния. В результате исследований последних лет [10, 12, 14, 87, 91, 96] появляются различные интерпретации одних и тех же процессов. Однозначного соответствия между причинами и формой проявления патологии нервной системы до сих лор не установлено. По данным различных авторов от 36% до 75% заболеваний нервной системы у детей возникают в период внутриутробного развития, от 7% до 43% являются последствиями нарушения родовой деятельности, от 15% до 37% являются результатом несвоевременно начатого лечения перинатального поражения нервной системы. Этот перечень можно продолжать достаточно долго, поэтому в детской неврологии на настоящий момент практически не применяются формализованные алгоритмы обработки анамнестической информации, и диагностику по анамнезу каждый врач проводит самостоятельно, используя систему собственных знаний, опыта и результатов современных исследований.
В монографии [87] при описании последовательности процедуры диагностики указывается на то, что диагностический поиск невролог должен начинать общением с больным в процессе сбора жалоб и анамнеза. Правильный сбор жалоб и анамнеза - это более 50 % правильного диагноза. Анамнез совсем не обязательно должен быть громоздким, он должен быть толковым, и, как минимум, должен отвечать трем ниже перечисленным требованиям: анамнез должен отражать течение заболевания, начиная с момента его начала; анамнез должен раскрывать, пояснять и расшифровывать жалобы; анамнез и течение заболевания должны быть по возможности объективно подтверждены результатами исследований, медицинскими справками, выписками и другими документами.
Анамнез содержит сведения о жизни пациента, развитии у него болезни и методах ее лечения и (в случае диагностики патологии нервной системы у детей раннего возраста) включает в себя следующие группы данных: сведения о наличии у ближайших родственников наследственных неврологических заболеваний, сведения о состоянии здоровья матери до и во время беременности, сведения о течении беременности, сведения о процессе родов, данные о росте и развитии ребенка до момента обращения к врачу.
Нейронные сети для задач диагностики
Во второй главе рассматриваются вопросы выбора методов, позволяющих реализовать решение задачи диагностики на основе разработанных и описанных в первой главе четырехэтапной схемы формирования диагноза и алгоритма принятия диагностического решения.
При выборе методов решения задачи диагностики необходимо учитывать особенности входных данных и возможность использования врачебного опыта и знаний при создании модельного и алгоритмического обеспечения. Поэтому было принято решение использовать методы интеллектуального анализа данных (ИАД), которые позволяют выполнять [31,59]:
неформальное извлечение знаний об исследуемом объекте, породившем "данные", непосредственно из этих "данных" (ИАД-1);
получение новых знаний об объекте на базе извлечённых знаний, виртуальных "данных" об объекте и естественного и/или искусственного интеллекта (ИАД-2) [под виртуальными данными подразумевается наличие явно не существующих, но неявно присутствующих в имеющихся "данных" и допускающих реальное появление, получение их при определенных условиях в силу того, что информация, которую они несут (или могут нести), порождена (или может быть "порождена") исследуемым объектом];
поиск, выбор, синтез методов и средств обработки и анализа "данных с учётом поставленных целей исследования объекта (ИАД-3).
Поэтому, принимая во внимание специфику задачи ДпЦНС, был сделан вывод о необходимости применения для ее решения именно ИАД.
А поскольку разработчики диагностических систем обошли вниманием детскую неврологию, для решения задач диагностики в детской неврологии задачу применения ИАД необходимо решать «с нуля», используя опыт аналогичных разработок в других предметных областях и, по-возможности, существующие программные системы, реализующие алгоритмы и методы ИАД.
Для решения задач диагностики ИАД используется в различных предметных областях медицины [75, 76, 90, 104]. В основном это экспертные системы или системы, использующие нейронные сети.
Экспертные системы, использующиеся для медицинской диагностики, построены главным образом на основе правил, описывающих сочетания различных симптомов различных заболеваний. С их помощью решаются задачи донозологической диагностики для принятия экстренных решений о виде необходимой медицинской помощи (применяется в подразделениях скорой медицинской помощи), в кардиологии для анализа электрокардиограмм, в гастроэнтерологии для выбора средств медикаментозного воздействия, в молекулярной генетике и генной инженерии для обнаружения закономерностей в экспериментальных данных, в иммунологии [121]
Правила, являющиеся основной экспертных систем, помогают определять показания — противопоказания, ориентироваться в лечебных процедурах, создавать условия наиболее эффективного лечения, предсказывать исходы назначенного курса лечения и т. п.
Нейронные сети представляют собой нелинейные системы, позволяющие гораздо лучше классифицировать данные, чем обычно используемые линейные методы. Нейросети оказались способными принимать решения, основываясь на выявляемых ими скрытых закономерностях в многомерных данных. Отличительное свойство нейросетей состоит в том, что они не программируются - не используют никаких правил вывода для постановки диагноза, а обучаются делать это на примерах.
Разнообразны возможности применения нейросетей в медицине. На основе прогноза отдаленных результатов лечения заболевания тем или иным методом можно предпочесть один из них. Значительного результата в прогнозе лечения рака яичника (болезнь каждой семидесятой женщины) добился известный голландский специалист Герберт Каппен из университета в Нимегене (он использует в своей работе не многослойные персептроны, а так называемые Машины Больцмана - нейросети для оценки вероятностей). Нейросети можно использовать так же и для прогноза действия различных разрабатываемых средств лечения. Они уже успешно применяются в химии для прогноза свойств соединений на основе их молекулярной структуры. Исследователи из Национального института рака в США использовали сети Кохонена для предсказания механизма действия препаратов, применяемых при химиотерапии злокачественных опухолей. Эти обучаемые без учителя самоорганизующиеся нейросети разбивали вещества на заранее неизвестное число кластеров и поэтому дали исследователям возможность идентифицировать вещества, обладающие новыми цитотоксическими механизмами воздействия. В ТРИНИТИ была разработана система, в которой для поиска скрытых повторов и оценки роли мутаций в последовательностях ДНК используются модификации нейросетей Хопфилда. Нейросетевой подход так же используется для обобщенного спектрального анализа последовательностей данных весьма общего вида, например, для анализа электрокардиограмм.
Технология разработки модельного обеспечения с применением ИАД...
В третьей главе рассматриваются вопросы создания модельного и алгоритмического обеспечения рассмотренными во второй главе методами ИАД в рамках разработанных и описанных в первой главе четырехэтапной схемы формирования диагноза и алгоритма принятия диагностического решения.
Описывается разработанная шкала интегральной оценки патологии и особенности ее применения на этапе разработки. Рассматриваются вопросы разработки визуальных диагностических образов и алгоритм формирования диагноза.
Технология разработки модельного обеспечения с применением ИАД Поскольку вопросы применения методов ИАД для разработки модельного и алгоритмического обеспечения необходимо начинать «с нуля», было принято решение использовать уже существующую технологию, описанную в [121]. Она предполагает последовательное выполнение следующих процедур:
1. Постановка задачи: описание цепей анализа; выделение круга задач, которые необходимо решить; определение способа оценок предполагаемого результата.
2. Сбор данных: определение и описание источников данных, их характеристик и особенностей; подготовка данных; объединение и очистка данных; проверка согласованности данных, преобразование, исправление ошибок; отбор и преобразование данных.
3. Моделирование: выбор метода и средства; построение модели; интерпретация и оценка модели; внешняя проверка.
4. Использование модели и наблюдение за ней. 5. Оформление выводов и практических рекомендаций.
Несложно заметить, что обозначенная курсивом основная подготовительная теоретическая работа для разработки модельного и алгоритмического обеспечения была описана в первой и второй главах. Следовательно, можно переходить к разработке модельного и алгоритмического обеспечения задачи диагностики, которую будем решать с применением описанной в первой главе четырехэтапной схемы формирования диагноза.
В соответствии с разработанной схемой и алгоритмом диагностики на первом этапе выполняется параметризация задачи диагностики. Формирование системы параметров предполагается выполнить после того, как будут решены вопросы описания структуры входных данных, выполнена разработка модельного и алгоритмического обеспечения и описана процедура формирования диагноза, поскольку четкое представление о системе параметров может быть получено при наличии рабочего варианта моделей и методов, которые будут положены в основу системы автоматизированной диагностики.
Разработка алгоритмов сбора данных
При разработке алгоритмов сбора данных для автоматизированной системы диагностики необходимо учитывать существующую технологию и особенности ее реализации в различных диагностических системах, в которых процедура сбора данных, как правило, выполняется с использованием вопросников или формализованных карт.
В первой и второй главах был проведен необходимый анализ как общепринятой врачебной процедуры, так и процессов сбора данных в используемых системах автоматизированной диагностики. По результатам проведенного анализа был сделан вывод о необходимости разработки для рабочего варианта системы формализованных карт сбора данных для всех выделенных групп: анамнез, данные осмотров и исследований. 3.3.1. Анамнестические данные
С целью разработки формализованной карты сбора анамнеза было использовано существующее методическое обеспечение [67], данные их литературных источников [11, 43, 53, 88], результаты исследования использующихся в педиатрии автоматизированных систем анализа анамнестических данных [9, 17, 20, 37 , 97, 103], а также дополнительно проанализирован материал 100 амбулаторных карт.
При разработке формализованной карты в работе был использован статистический метод в форме анализа эмпирических частот, поскольку, как уже было описано выше, анамнестические данные формируются на основании различных групп данных. Как правило, это выписки из родильного дома и амбулаторных карт, заполняемых по месту жительства; результаты исследований и выписки из стационаров, а также результаты врачебных осмотров с информацией о неврологическом статусе ребенка, диагнозе и назначенном лечении. Все эти группы данных обычно представлены произвольным количеством параметров. Было выявлено 75 анамнестических параметров, позволяющих описать процессы, являющиеся возможными факторами поражения нервной системы у ребенка в периодах внутриутробного развития, рождения и новорожденности.
С целью разработки карты сбора анамнестических данных, был проведен содержательный анализ амбулаторных карт пациентов, на основании которого сформировано обобщенное множество параметров ,X={J(c,c = \,mT}. После этого для всех амбулаторных карт, участвующих в исследовании, были подсчитаны частоты встречаемости каждого параметра ,хс и сформировано множество ,N={rrfc}r где с - номер параметра Д rtjc -частота встречаемости параметра Д"с среди всех амбулаторных карт пациентов.
Применение разработанного модельного и алгоритмического обеспечения на этапе обработки
Множества ДП, формируемые по ДЦ, позволяют сокращать количество данных, используемых в процессе принятия диагностического решения. При применении получаемых значений ДП в процессе формирования диагноза выявлена следующая особенность: одновременное использование всех рассчитанных значений ДП позволяет рассмотреть диагностируемый процесс в полноте его проявлений. Поэтому из множества ДП с использованием метода вариативного моделирования была реализована процедура формирования вектор-моделей по группам ДЦ.
Использование шкалы ИОП позволило выполнить эту процедуру без затруднений, поскольку значения диагностических признаков, рассчитанные с использованием разных моделей и алгоритмов, получены в единицах шкалы ИОП. Первый вопрос, который возникает при формировании ВМ, касается особенностей предметной области, поскольку ее организация предусматривает использование взаимосвязанной совокупности ДП, обладающей свойствами системы (цельности, целостности, целевости, эмергентности, структурированности, пороговости и т.п.) и удовлетворяющей требованиям полноты и минимальной избыточности с точки зрения ее назначения для решения задачи диагностики. Поэтому 4 ВМ ДП для рабочего варианта системы образовывались исходя из существующего разделения по группам ДЦ и структуры диагноза, который формируется на основании анализа их значений.
Первая ВМ является совокупностью ДП по анамнестическим данным (см. п.п.3.5.2.).
Вторая ВМ ДП строится по данным врачебных осмотров и результатам исследований. Она формировалась на основании того, что оценка степени тяжести состояния пациента выполняется с учетом многогранности проявлений патологического состояния, так как при одинаковых диагнозах пациенты, зачастую, имеют незначительные различия в степени тяжести или в проявлениях формы выраженности патологии ЦНС, которые в динамике
проявляются разными вариантами течения болезни. Поэтому при получении значений ДП по данным врачебных осмотров предполагает учитывать эти различия и особенности через описание степени тяжести и форму поражения с использованием посиндромных характеристик. При ДпЦНС используется 12 основных неврологических синдромов, среди которых выделяется 5 основных и часто встречаемых. Они и были выделены как диагностические признаки. С их использованием была составлена ВМ для рабочего варианта системы автоматизированной диагностики. ВМ ДП по данным врачебных осмотров ку является системой оценок степени выраженности патологических синдромов, сформированных с учетом симптоматической картины, и включает следующие синдромы: куі - синдром повышенной нервно-рефлекторной возбудимости $2 - миатонический синдром, кУз - гипертензионно-гидроцефальный синдром, %у4 - синдром пирамидной недостаточности, кУз - задержка психомоторного развития.
Третья ВМ по данным УЗИ ГМ ду является системой интегральных оценок параметров исследования и представляет совокупность следующих ДП: Qiyi - состояние и зрелость структур и отделов ГМ Qiyi - очаговые поражения ГМ, 2іУз - структурные изменения справа, qiy4 - структурные изменения слева, Qiys - диффузные поражения ГМ.
И, наконец, четвертая ВМ по данным лабораторных иммунологических исследований крови ребенка Q2y представляет совокупность следующих ДП: qiyi - гуморальное звено, 0 2 - клеточное звено, д&з — неспецифический иммунный ответ, ОІУА - система HLA, Q2y5 - активность процессов.
Еще одна отличительная особенность вектор-модели состоит в том, что она является системой из минимального набора родственных по назначению, простых и близких по сложности моделей, созданных с применением различных методов (ЭО, МГУА, нейронные сети и т.д.). Поэтому возникает вопрос организации, хранения и использования различных вектор-моделей, диагностические признаки которых рассчитываются с использованием не одного, а нескольких методов. Ответом на него является предлагаемая в рамках вариативного моделирования идея организации своеобразной «библиотеки» моделей, или моделетеки.
Моделетека является структурированной совокупностью моделей различной сложности, сформированных с применением разных методов [31, 32, 33]. В качестве способа организации моделей в моделетеке предлагается использовать матрицы сопряженности. В работе рассматриваются только 4 ВМ ДП СІУ, к?, Qiy, Qty). Для создания моделей, образующих ВМ, применяются методы ЭО, деревьев решений и МГУА. В качестве характеристик моделей используются параметры диагностической точности, специфичности и чувствительности. При необходимости количество ВМ, используемых в процессе диагностики, дополняется. Для каждой модели определяется код. Код модели формируется таким образом, что в нем отражается источник ее формирования (Эксперт 1, Эксперт 2 и т.д.), метод создания (Gl, G2, G4), а так же группа, к которой относится ДП (А, К, Q1, Q2) и его порядковый номер в группе (см. Рис. 3.6).
