Содержание к диссертации
Введение
ГЛАВА 1 Постановка задачи медицинской диагностики 10
1.1 Особенности медицинской диагностики 10
1.2 Существующие методы диагностики заболеваний 12
1.3 Методы представления знаний 20
1.4 Предлагаемый подход для решения задачи медицинской диагностики 24
1.5 Формализация задачи медицинской диагностики 27
1.6 Постановка задачи исследования 29
1.7 Анализ математических моделей описания состояний объекта диагностирования 30
1.8 Представление лингвистических моделей для описания текущего состояния объекта диагностики 34
1.9 Анализ методов формирования функции принадлежности 36
Выводы по главе 1 40
ГЛАВА 2 Построение моделей объекта диагностики ... 42
2.1 Задача построения лингвистических моделей 42
2.2 Задача получения информативных переменных 43
2.3 Задача выбора критериев для построения моделей 48
2.4 Приведение значений информативных переменных к шкале термов ЛП 51
2.5 Построение трехуровневой модели 52
2.6 Предлагаемый метод построения моделей 55
2.7 Достижение адекватности модели реальному объекту диагностики 57
2.7.1 Способы достижения адекватности модели объекту
диагностики 57
2.7.2 Постановка задачи формирования и настройки параметров термов ЛП 58
2.7.3 Исследование возможных способов решения и выбор оптимального 2.8 Режим построения моделей АСМД 64
2.9 Экспериментальные исследования предложенных методов построения моделей 65
Выводы по главе 2 72
ГЛАВА 3 Разработка процедуры диагностики 73
3.1 Режим диагностики АСМД 73
3.2 Методика диагностики состояния пациента с использованием трехуровневой модели 74
3.3 Процедура работы АСМД в режиме диагностики
3.3.1 Способы диагностики текущего состояния пациента 78
3.3.2 Алгоритм диагностики состояния объекта на основе модели состояния здоровья пациента 79
3.3.3 Алгоритм диагностики состояния пациента на основе диагностической модели 81
3.3.4 Алгоритм диагностики состояния пациента на основе модели повышенной точности 3.4 Экспериментальные исследования разработанных алгоритмов диагностики 85
3.5 Экспериментальная оценка работы АСМД в режиме диагностики 89
Выводы по главе 3 93
ГЛАВА 4 Программная реализация и исследование АСМД 94
4.1 Разработка концепции и структуры АСМД 94
4.2 Входные данные для АСМД 98
4.3 Процедура работы АСМД 98
4.3.1 Процедура работы АСМД в режиме построения моделей ... 9 8
4.3.2 Процедура работы АСМД в режиме диагностики 101
4.4 Разработка интерфейса АСМД 102
4.4.1 Разработка интерфейса для разработчика системы 102
4.4.2 Разработка интерфейса для врача 1 4.5 Реализация и тестирование АСМД 105
4.6 Разработка АСМД для диагностики заболеваний печени
4.6.1 Задача медицинской диагностики заболеваний печени 106
4.6.2 Диагностика заболеваний печени с помощью разработанной АСМДЗП 108
4.6.3 Формирование модели состояния здоровья пациента для АСМД ЗП 114
Выводы по главе 4 117
Заключение 118
Список используемых сокращений 122
Список литературы
- Методы представления знаний
- Задача выбора критериев для построения моделей
- Алгоритм диагностики состояния объекта на основе модели состояния здоровья пациента
- Процедура работы АСМД в режиме построения моделей
Введение к работе
Актуальность темы исследований. При постановке диагноза врачу приходится обрабатывать большой массив медико-биологической информации: данные обследований и наблюдений, индивидуальные особенности каждого больного (наследственность, реакция на негативные воздействия, перенесенные заболевания) и др. Вместе с тем возрастание информационной нагрузки приводит к физической и психологической усталости врача, ошибкам при выборе и проведении лечения или затягиванию процесса постановки точного диагноза. Однако известно, что постановка точного диагноза на более ранних сроках развития заболевания и, соответственно, начала лечения позволяет избежать осложнений, которые могут нанести дополнительный вред организму пациента.
Поэтому очевидно, что в настоящее время имеется тенденция к возрастанию числа разрабатываемых диагностических медицинских информационных систем (МИС). Однако большинство современных систем является узко специализированным. Кроме того, для поддержки их работоспособности требуется привлечение специалиста, владеющего знаниями в информационных технологиях, из-за необходимости создания и пополнения сложной базы знаний. Данные факторы существенно ограничивают массовое использование подобных систем.
В связи с этим разработка легко настраиваемой системы, направленной на повышение точности и оперативности получения диагностического решения, является актуальной и востребованной на рынке современных медицинских технологий.
Объектом исследования являются автоматизированные системы медицинской диагностики (АСМД).
Предметом исследования являются методы и алгоритмы теории принятия решений.
Целью диссертационной работы является повышение точности и оперативности постановки диагноза пациенту с помощью автоматизированных систем медицинской диагностики за счет использования большого массива медико-биологической информации, обрабатываемого системой по алгоритмам и методам, основанным на теории принятия решений.
Для достижения указанной цели в диссертации решаются следующие задачи:
-
Формализация и постановка задач медицинской диагностики.
-
Разработка критериев и метода построения математической модели пациента на основе априорной и ретроспективной информации и создание на их основе базы знаний АСМД.
-
Разработка метода и алгоритмов диагностики заболевания пациента на основе медико-биологической информации о текущем состоянии здоровья и моделей, хранимых в базе знаний.
-
Исследование эффективности разработанных методов и алгоритмов медицинской диагностики путем компьютерного моделирования.
-
Разработка и построение на основе предложенных методов АСМД заболеваний конкретной категории для исследования точности и оперативности получения диагностических решений в практических условиях.
Методы исследований. В основу исследований положены методы представления и обработки данных и знаний, математической логики, дискретной математики, теории принятия и обеспечения рациональности решений.
Научная новизна диссертационной работы состоит в следующем:
-
Формализована задача медицинской диагностики, что позволило построить многоуровневую модель возможных состояний пациента для поддержки процесса диагностирования.
-
Предложен метод построения многоуровневой математической модели, в которой каждый следующий уровень отличается разрешающей способностью процесса диагностирования.
-
Предложен метод построения настраиваемой модели пациента по априорной и апостериорной информации.
-
Разработан алгоритм поиска диагноза, использующий многоуровневую модель и решающее правило разветвления на основе анализа значений степеней достоверности возможного состояния пациента.
Достоверность научных результатов подтверждена корректным использованием применяемого математического аппарата, результатами моделирования и экспериментальными исследованиями.
Практическая значимость. Применение предложенных методов и алгоритмов позволяет:
-
Создать АСМД для диагностики конкретной категории заболеваний, отличающуюся повышенной объективностью за счет использования базы знаний, хранящей модели состояния здоровья пациентов, и точностью принятия диагностических решений за счет того, что они применяются на основе математических методов.
-
Автоматизировать процесс создания базы знаний, что обеспечит упрощение процедуры создания АСМД без привлечения дополнительных посредников (инженеров-когнитологов).
-
Повысить оперативность принятия диагностических решений за счет того, что многоуровневая математическая модель лингвистического типа содержит всю необходимую медико-биологическую информацию, необходимую для диагностики заболевания.
-
Построить АСМД различных категорий заболеваний с использованием разработанного программного обеспечения для принятия диагностических решений.
-
Создать базу знаний, не только содержащую большой массив медико-биологической информации, характеризующей состояние конкретного пациента, но и постоянно пополняемую новыми знаниями о состоянии его здоровья.
Реализация и внедрение результатов диссертационной работы. Разработана автоматизированная система медицинской диагностики заболеваний печени, которая внедрена в практическое использование в Медицинский институт ФГБОУ ВПО «Тульский государственный университет». Теоретические результаты работы используются в учебных курсах и дипломном проектировании на кафедре ЭВМ Тульского государственного университета.
Положения, выносимые на защиту. На защиту выносятся следующие результаты диссертационной работы:
-
Алгоритм диагностики текущего состояния пациента на основе многоуровневой модели.
-
Метод и алгоритмы построения настраиваемой модели пациента на основе априорной и апостериорной информации с помощью предложенных критериев.
-
Алгоритм формирования базы знаний, включающей многоуровневую модель.
4. Структура АСМД, основанная на предложенной базе знаний.
Апробация работы. Основные результаты работы докладывались на
Международных и Всероссийских научно-технических конференциях, совещаниях и семинарах: 1. XXXV Гагаринские чтения. Международная молодежная научная конференция, Москва, 2009г. 2. Интеллектуальные и информационные системы. Всероссийская научно-техническая конференция, ТулГу, Тула, 2009г. 3. Актуальные проблемы аппаратно-программного и информационного обеспечения науки, образования, культуры и бизнеса. II Международная научно-практическая Интернет-конференция, Москва, 2009г. 4. Актуальные вопросы развития современной науки, техники и технологий. II Всероссийская научно-практическая (заочная) конференция. Москва, 2010г. 5. XXXVI Гагаринские чтения. Международная молодежная научная конференция, Москва, 2010г. 6. Актуальные вопросы современной техники и технологии. III Международная научная заочная конференция, Липецк, 2011г. 7. Информационные технологии. 46 научно-практическая конференция профессорско-преподавательского состава ТулГУ, Тула, 2010г. 8. Интеллектуальные и информационные системы. Всероссийская научно-техническая конференция, ТулГу, Тула, 2011г.
Публикации. По теме диссертационного исследования опубликовано 15 научных работ, в том числе 4, рекомендованных ВАК РФ.
Структура и объем работы. Диссертационная работа изложена на 132 страницах, включает 11 таблиц и 16 рисунков. Состоит из введения, четырех глав, заключения, списка литературы из 108 наименований и 4 приложений. КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ
Методы представления знаний
Число зарубежных МИС, направленных на лечебно-диагностические цели, сравнительно больше. Кроме того, существуют многофункциональные платформы, направленные на создание системы поддержки принятия решений (СПГТР) врача определенной категории [22]. Приведем наиболее популярные из зарубежных МИС.
APACHE (https://cernercare.com) - одна из первых систем поддержки принятии решений в медицинской диагностике. Компания образована в 1988 г. Первоначально система разрабатывалась для прогнозирования риска смерти в медицинских учреждениях, сравнивая медицинские данные конкретного больного с данными, хранимыми в ее базе данных. Точность работы системы составляет 95% [23]. Кроме того, система может смоделировать состояния пациента при воздействии на него определенных препаратов, что может повлиять на выбор метода лечения [24].
ISABEL (http://www.isabelhealthcare.com) - система поддержки принятия решений web-типа, созданная в 2001 г. Система позволяет осуществить медицинскую диагностику пациентов любого возраста в различных областях: болезни внутренних органов, хирургия, гинекология и акушерство, педиатрия, онкология, токсикология и др. Isabel - быстрая и удобная в использовании система, позволяющая поставить диагноз на основе набора текущих симптомов, результатов лабораторных исследования и изучений.
Система также предлагает медикаментозное лечение со списком препаратов, направленных на лечение заболевания. В настоящее время Isabel содержит в своей базе знаний описание более чем 11000 заболеваний и свыше 4000 лекарственных средств [25]. PERFEX (Georgia Tech) - экспертная система (ЭС) для автоматической интерпретации кардиотонических спектральных данных. Она определяет длительность и серьезность заболеваний коронарной артерии из анализа распределений перфузии. Система относится к классу лабораторных, специализируясь на распознавании образов. Основное назначение системы состоит в том, чтобы помочь в обнаружении ошибок при диагностике заболеваний коронарной артерии. Применяются методы обработки и отображения трехмерной визуальной информации в символических представлениях, которые впоследствии используются чтобы вывести структуру (анатомию) из функциональности (физиологии), а также интерпретировать некоторые эффекты перераспределения перфузии и оценить длительность и серьезность сердечнососудистой болезни как количественно, так и качественно.
Основной недостаток систем PERFEX - их узкая специализация. База знаний ориентирована на терминологию конкретной предметной области, что делает невозможным повторное использование системы [26].
ILIAD (University of Utah School of Medicine s Dept) - экспертная система, использующая Байесовские методы для анализа возможного диагноза на основе текущих симптомов [27]. Система разрабатывалась для постановки диагноза в области общей медицины. В данный момент база знаний содержит описание свыше 1500 диагнозов. Оболочка Iliad также может быть использована для создания систем поддержки медицинской диагностики в других областях. Активно используется в качестве системы обучения в медицинских колледжах в США [28].
MYCIN - оболочка для создания 011 UP во многих предметных областях, располагающая множеством инструментальных программных средств. Данная СППР особенно удобна для решения дедуктивных задач, таких как диагностика заболеваний или неисправностей, для которых характерно большое количество ненадежных входных измерений, а пространство решений может быть достаточно четко очерчено. Некоторые программные средства, впервые разработанные для EMYCIN, в дальнейшем стали типовыми для большинства оболочек экспертных систем: язык представления правил и схема их индексирования, использование обратной цепочки рассуждений, интерфейс инженера по знаниям. С помощью
EMYCIN создано множество известных СППР оценивания состояния [29,30]. GURU- оболочка ЭС, в которой предлагаются разнообразные инструментальные средства обработки информации, объединенные с возможностями, основанными на знаниях: вывод решения от фактов к цели, вывод решения от цели к фактам, смешанное формирование цепочки вывода, многозначные переменные и нечеткие рассуждения.
FLEX (http://www.lpa.co.uk/) - распространенная оболочка ЭС, предоставляющая фреймовое, процедурное и продукционное представление знаний; множественное наследование свойств; присоединенные процедуры; автоматическую систему вопросов и ответов. Также система чередует прямой и обратный методы поиска решений. Встроенный язык спецификации KSL позволяет разрабатывать легко читаемые и простые в поддержке базы знаний.
G2 (http://www.gensvm.com/) - мощная графическая, объектно-ориентированная среда для создания интеллектуальных прикладных программ, которые контролируют, диагностируют и управляют динамическими событиями в сетевых и моделируемых средах. Для создания правил, моделей и процедур в СППР используется структурированный естественный язык. G2 является основой всех прикладных программ фирмы Gensym. Система позволяет пользователям создавать графические интерфейсы и системы диагностирования в реальном масштабе времени.
На основе проведенного анализа можно сделать вывод о том, что существующие в настоящее время СППР задач медицинской диагностики обладают одним общим недостатком: сложность формирования базы знаний, которая в основном состоит из совокупности закономерностей в данной предметной области. Это значительно усложняет процедуру разработки СППР с их помощью. Кроме того, для изменения знаний, хранимых в СППР, требуется привлечение дополнительного специалиста (эксперта по знаниям), что снижает оперативность принимаемых диагностических решений.
Задача выбора критериев для построения моделей
В данном разделе опишем построение модели состояния здоровья пациента и диагностической модели. Алгоритм построения одинаков для обеих моделей, поэтому укажем основные шаги их построения в общем виде. Для построения модели требуется определенный объем априорной информации и обучающей выборки данных, содержащей апостериорную информацию, полученную в ходе нормальной эксплуатации исследуемого объекта. Основные этапы построения модели приведены в [74, 75].
Предложенный алгоритм построения модели состоит из начального и настроечного этапов, направленных на достижение максимальной адекватности модели реальному объекту диагностики. Предлагаемая процедура построения лингвистической модели представляет собой процедуру R . На начальном этапе формируется лингвистическая модель первого приближения Ry на основе имеющейся априорной информации и обучающей выборки данных. Суть начального этапа заключается в следующем:
Из экспериментальной выборки данных формируется обучающая выборка данных, на основании которой будет осуществляться построение лингвистической модели.
Обучающая выборка представляет собой матрицу Wffuc = [Хп \ Y] размерностью Nx(n + \). Здесь N - число наблюдений (строк матрицы), п -число информативных входных переменных, Xn = {xn,xi2,-..,xin\ -множество значений входных информативных переменных, Y = {у1,у2,...,Ун] - множество значений выходных переменных. 2. Все значения входных и выходных переменных переводятся. Происходит формирование подуровней многоуровневой модели на основе информации о взаимодействии подуровней, полученной из базы данных (БД), а также мнений разработчика АСМД в данной предметной области.
Если тестовый критерий не превышает заданную величину различения модели и реального объекта т, то делается вывод о корректном представлении лингвистической модели. В противном случае запускается настроечный этап построения лингвистической модели, целью которого является настройка параметров лингвистической модели для достижения глобального минимума значения тестового критерия (12).
В случае, когда на начальном этапе построения модели не удалось построить модель, описывающую все возможные состояния объекта с требуемой точностью (значение тестового критерия (12) превышает заданную величину различения модели и реального объекта т), запускается настроечный этап. Влияние на значение тестового критерия, а следовательно, и на достижение максимальной адекватности объекта модели, могут оказать следующие факторы: 1. Привлечение дополнительной информации об объекте (что приведет к изменению размерности (увеличению в большинстве из случаев) обучающей выборки данных Wfj ис), приводящей к перерасчету значения тестового критерия. 2. Изменение значений элементов матрицы L+rwjV а начальном этапе матрица формировалась на основе матриц М\ и М2 из условия (16). На настроечном этапе элементу матрицы М , ранее принимавшему значение из матрицы М\, присваивается новое значение из матрицы М2. 3. Изменение параметров формирования термов лингвистических переменных: например, возможно как изменение количества термов, так и изменение распределения функций принадлежностей переменных по термам. В работах [76, 77] показано, что это является одним из самых эффективных способов достижения максимальной адекватности модели реальному объекту. Так как этот метод достижения адекватности требует больших математических вычислений, что может увеличить время получения диагностического решения, предлагается использовать его только в том случае, когда использование первых двух методов не помогло достичь требуемой степени адекватности модели объекту.
Постановка задачи формирования и настройки параметров термов ЛП Как указано в разделе 2.7.1, одним из параметров, оказывающих влияние на достижение адекватности моделей (8) и (9) реальному объекту, является изменения параметров формирования термов лингвистических переменных. Таким образом, задача настройки ФП по обучающим выборкам данных заключается в автоматическом поиске множества Ч с Ч уу ифі\ где Yj, Pj - параметры ФП терма а,-, при которых достигается наилучшая адекватность модели объекту диагностики. Настроечный этап представляет собой итерационную процедуру Ri изменения параметров функций принадлежностей термов соответствующей лингвистической переменной: RL:M(k+l)=G(Mk,Wfrduc) (17) Этап построения модели будет продолжаться до тех пор, пока не будут найдены такие значения векторов Г = Y\,—,Xt-} и Ф - \p\ —i Pt-) (гДе Ч - число термов соответствующей ЛП), которые обеспечивают достижение глобального минимума значения тестового критерия (12) и, соответственно, максимально адекватную модель объекту. То есть: g{y,(p) = arg min Ш \ yj.eT (18) сриеФ Использование итерационной процедуры RL (17) для достижения глобального минимума тестового критерия (18) позволит добиться максимальной адекватности модели реальному объекту, что обеспечит высокую точность принимаемых диагностических решений. 2.7.3 Исследование возможных способов решения и выбор оптимального Задача глобальной минимизации (18), позволяющая добиться максимальной адекватности лингвистических моделей объекту диагностики, может быть решена одним из методов математической оптимизации. В данном разделе предлагается анализ наиболее распространенных из них. Все математические методы параметрической оптимизации можно классифицировать по гладкости и наличию у целевой функции частных производных на:
Алгоритм диагностики состояния объекта на основе модели состояния здоровья пациента
Третья глава диссертационной работы посвящена разработке и исследованию алгоритмов диагностики текущего состояния пациента. Сформулирована задача работы АСМД в режиме диагностики. Приведены алгоритмы возможных вариантов диагностики текущего состояния пациента на основе медико-биологической информации, хранимой в базе знаний. Описаны требования, предъявляемые к каждому из методов диагностики. Перечислены достоинства и недостатки предлагаемых методов диагностики.
Приведена методика диагностирования текущего состояния объекта с использованием трехуровневой модели.
Проведены экспериментальные исследования предложенных методов оценивания текущего состояния объекта, доказывающие точность полученного диагностического решения.
Режим диагностики АСМД запускается при возникновении проблемной ситуации, когда необходимо оценить состояние пациента в данный момент времени.
Режим диагностики представляет собой многоуровневую процедуру прохода по всем возможным состояниям пациента по дереву состояний, описанным в (4). В разделе 1.4 предлагается использовать трехуровневую модель для описания дерева состояний. На каждом уровне АСМД определяет степень принадлежности (достоверности) всех возможных состояний объекта данному уровню. Состояние с максимальной степенью достоверности принимается в качестве искомого состояния пациента на данном уровне.
На основе полученной информации врач может воздействовать на АСМД (подачей каких-либо дополнительных параметров и т.д.) для того, чтобы она функционировала корректно. Для использования рабочего режима АСМД необходимо, чтобы модель объекта, функционирующей в конкретной предметной области, была построена и настроена на обеспечение максимальной адекватности реальному объекту. Построение и настройка модели объекта осуществляется в режиме обучения АСМД, подробно описанным во второй главе данной диссертационной работы.
Режим диагностики начинается со сбора значений входных и выходных симптомов пациента, характеризующих его состояние здоровья. Диагностика текущего состояния пациента проводится на основе медико-биологической информации о модели объекта, хранимой в базе знаний.
Результатом работы АСМД в режиме диагностики является набор возможных состояний пациента (заболеваний), упорядоченных по степени их проявления. Если система «видит», что разница между степенями проявления заболеваний мала, она может предложить врачу уточнить определенный набор симптомов у пациента.
Если врач не доверяет полученному результату диагностики, он может указать набор важных симптомов с его точки зрения, которые должны учитываться при определении текущего состояния пациента.
Далее рассмотрим возможные подходы к процедуре диагностики более детально.Методика диагностики состояния пациента с использованием трехуровневой модели Во второй главе описан подход для построения модели сложной многоуровневой модели. В базе знаний (БЗ) трехуровневая модель представлена в виде ориентировочного семантического графа G(Sj ,3) древовидной структуры с Stf вершинами. Возможные состояния объекта отображаются в вершинах графа S {si,S2,—,sg }, а дуги представляют собой отношение между возможными состояниями. С помощью уровней графа организованы иерархические связи между состояниями объекта. Введем вектор показателей zj, характеризующий состояние объекта на у -ой стадии процедуры диагностирования состояния объекта, который используется для расчета степени достоверности ЬІЄВ В корректности определения текущего состояния объекта из Sj є S. Вершина графа s , полученная на у -ом уровне трехуровневой модели, позволяет определить множество вершин s .+1 следующего уровня состояния объекта. Окончательное текущее состояние объекта представляет собой одну из вершин scurrent графа на третьем уровне.
Подсистему определения текущего состояния пациента на у-ом уровне можно представить в следующем виде: где getlndex - операция получения индекса У-ой соответствующей вершины графа G(S,3); sj - множество вершин графа у-го уровня; L,- -мощность множества sj. Состояние объекта, полученное на у-ом уровне процедуры диагностики состояния, должно быть пересмотрено, если каждая из степеней достоверности bj+ij следующего уровня процедуры оценивания окажется меньше заданного порога различимости г. В результате произойдет переход на один уровень вниз по графу, где процедура диагностики состояния объекта будет производиться на основе следующих из оставшихся вершин. Состояние объекта на (у +1) -ом уровне процедуры диагностики вычисляется на основе максимального значения Ьу+у.
Процедура работы АСМД в режиме построения моделей
Для написания всех компонентов АСМД состояния объекта на базе ЭВМ типа IBM PC использовалась технология .NET, язык написания С#, интегрированная среда разработки - Microsoft Visual Studio 2010 Express. Для обеспечения заданного функционирования АСМД было реализовано три класса: LV (файл LV.cs) для описания методов работы с лингвистическими переменами; Model (файл Model.cs), содержащий методы и свойства, направленные на решение задачи построения моделей; Evaluate (файл Evaluate.cs), содержащий методы и свойства для оценивания текущего состояния объекта.
Реализованы все необходимые диалоговые окна для обеспечения требований к интерфейсу АСМД, сформулированных в разделе 4.4. Тестирование АСМД проводилось в двух направлениях: 1) тестирование интерфейса пользователя - на проверку работоспособности интерфейса системы; 2) функциональное тестирование - на проверку адекватности работы системы.
Функциональное тестирование проводилось на примере медицинской диагностики. В результате тестирования АСМД показала себя как надежная система, способная решать поставленные для нее задачи. Определение ошибочного текущего состояния объекта с помощью АСМД составило 3% при автоматизации данного процесса в 85%, что показывает высокую точность и оперативность работы системы.
На основе предложенных методов и алгоритмов была реализована система для диагностики заболеваний печени - АСМД ЗП. Данная АСМД позволяет повысить скорость постановки окончательного диагноза больному за счет использования модели состояния здоровья пациента, основу которой составляет лингвистическая модель. Данная модель отражает динамику изменения состояния больного, перенесенные ранее заболевания, вредные привычки, аллергическую реакцию на медицинские препараты и прочее. Механизм диагностики заболеваний печени представляет собой процесс оценивания текущего состояния больного на основе взаимодействия диагностической лингвистической модели и модели состояния здоровья пациента. Результаты данных исследований отражены в работах [105, 106].
Общее состояние здоровья пациента необходимо учитывать для медицинской диагностики заболеваний всех систем, в том числе и печени. Согласно [107], печень является самым массивным внутренним органом всего человеческого организма, она выполняет огромное количество важнейших функций, без нее организм не может нормально функционировать. Печень способна разрушать различные токсические вещества, выделять желчь и особую секрецию, синтезировать целый ряд биологически активных веществ и качественно поддерживать энергетический баланс всего организма.
Помимо всего прочего, именно в печени образуются и накапливаются эритроциты, происходит фильтрация крови, она превращает все, что мы едим, воздух, который мы вдыхаем, в жизненно ценные и важные для человеческого здоровья вещества. Печень постоянно поддерживает иммунитет человека и принимает важное участие в осуществлении жирового и углеводного, белкового обмена веществ. В таблице 3 приведена классификация заболеваний печени [107, 108]. Таблица 3 - Классификация болезней печени
Цирроз печени Алкогольный цирроз печени Постнекротический цирроз печени Билиарный цирроз печени Гемохроматоз Функциональные нарушения, связанные с желтухой Синдром Жильбера Синдром Криглера-Найяра Синром Дабина-Джонсона и Ротора Так как набор заболеваний довольно обширный, то решено было спроектировать АСМД ЗП для диагностирования заболевания «Гепатит». Различают острый и хронический гепатит, которые, в свою очередь, делятся на «Гепатит А», «Гепатит В», «Гепатит С» и «Персистирующий хронический гепатит», «Активный хронический гепатит» соответственно. Для каждого вида гепатита существует большое количество уникальных признаков, по которым можно диагностировать заболевание. Это дает возможность применения АСМД ЗП. Использование системы позволит сократить время на обследование пациента и увеличит объективность и, как результат, точность поставленного диагноза. вектор значений факторов общего состояния здоровья пациента, а именно: болел ли пациент желтухой; были ли случаи сплен- и холецистэктомии; воздействие токсинов, таких как четыеххлористый углерод, барилий или винилхлорид; посещал ли больной страны, эндемичные по гепатиту; злоупотребляет ли пациент алкоголем; делал ли пациент татуировку недавно; получал ли пациент какие-либо инъекции; если пациент курит постоянно, то не испытывает ли он отвращение к курению в последнее время и др. вектор показателей (наблюдений), характеризующих состояние пациента в текущий момент, а именно: уровень щелочной фосфатазы; уровень аспартатаминотрансфереза; рецидивы острых приступов; оттенок кожи; внепеченочные процессы; результаты УЗИ печени; архитектоника дольки; трансаминаз печени АЛТ/АСТ; анализ крови на наличие антител и др. Требуется построить две модели вида (8) и (9), которые будут использоваться для постановки диагноза: Рассмотрим на конкретном примере алгоритм выработка диагностического решения в АСМД ЗП. На рисунке 16 представлена трехуровневая схема заболеваний гепатитом, вершины которого описывают следующие заболевания печени: S\\ «Гепатит»; #2л «Вирусный гепатит»; 2.2 «Хронический гепатит»; 3.1 «Гепатит А»; 3.2 «Гепатит В»; 3.3 «Гепатит С»; 6 3.4 «Персистирующий хронический гепатит»; 3.5 «Активный хронический гепатит».
