Содержание к диссертации
Введение
1. Анализ методов и средств борьбы с профессиональными заболеваниями работников агропромышленного комплекса 12
1.1. Сельскохозяйственные ядохимикаты и их влияние на появление и развитие профессиональных заболеваний 12
1.2. Математическое моделирование в задачах оценки состояния здоровья 18
1.3. Методы распознавания образов и нечеткая логика в задачах прогнозирования и медицинской диагностики 26
1.4. Информационные технологии в здравоохранении 39
2. Метод и модель нечеткого прогнозирования и ранней диагностики профессиональных заболеваний работников агропромышленного комплекса, контактирующих с ядохимикатами 46
2.1. Объект, методы и средства исследования. 46
2.2. Метод синтеза нечетких решающих правил прогнозирования и ранней диагностики работников агропромышленного комплекса, контактирующих с ядохимикатами . 56
2.3. Информационно-аналитическая модель принятия решений по прогнозированию и ранней диагностике профессиональных заболеваний. 69
Выводы второй главы 72
3. Синтез нечетких математических моделей прогнозирования и ранней диагностики заболеваний, провоцируемых действием сельскохозяйственных ядохимикатов . 73
3.1. Синтез частных решающих моделей прогнозирования профессиональных заболеваний от контакта с ядохимикатами . 73
3.2. Синтез гибридных нечетких решающих правил прогнозирования возникновения профессиональных заболеваний работников агропромышленного комплекса, занятых в растениеводстве. 80
3.3. Синтез гибридных нечетких моделей ранней диагностики профессиональных заболеваний работников агропромышленного комплекса, занятых в растениеводстве. 92
Выводы третей главы 97
4. Система поддержки принятия решений врачей, обслуживающих работников агропромышленного комплекса, контактирующих с ядохимикатами . 98
4.1. Алгоритм управления системой поддержки принятия решений 98
4.2. Структура системы поддержки принятия решений врача профпатолога, обслуживающего агропромышленный комплекс. 104
4.3. Экспериментальная проверка математических моделей прогнозирования и ранней диагностики заболеваний работников агропромышленного комплекса, контактирующих с ядохимикатами . 110
Выводы четвертой главы 115
Заключение 116
Библиографический список. 118
- Математическое моделирование в задачах оценки состояния здоровья
- Метод синтеза нечетких решающих правил прогнозирования и ранней диагностики работников агропромышленного комплекса, контактирующих с ядохимикатами
- Синтез частных решающих моделей прогнозирования профессиональных заболеваний от контакта с ядохимикатами
- Экспериментальная проверка математических моделей прогнозирования и ранней диагностики заболеваний работников агропромышленного комплекса, контактирующих с ядохимикатами
Введение к работе
Актуальность темы. Анализ профессиональной заболеваемости работников агропромышленного комплекса (АПК) показал, что, несмотря на значительные усилия работников здравоохранения, обслуживающих эту категорию населения, доля болеющих людей и людей, имеющих инвалидность этой категории населения, остается недопустимо высокой.
Это в значительной мере относится к работникам АПК, занятым в
растениеводстве, поскольку при реализации трудовой деятельности
существует такой мощный фактор риска как контакт с
сельскохозяйственными ядохимикатами (минеральные удобрения и
пестициды). Часто этот фактор значительно усиливается такими негативными условиями труда, как хроническое утомление, несовершенство используемой сельскохозяйственной техники, другие сопутствующие экологические факторы, значительный уровень психоэмоционального напряжения и др.
В сочетании с индивидуальными особенностями организма условия труда растениеводов провоцируют появление и развитие заболеваний: желудочно-кишечного тракта, нервной и сердечно-сосудистой систем, мочеполовой системы, системы дыхания и др.
Одним из способов повышения качества оказания медицинской
помощи работникам АПК, занятым в растениеводстве является
своевременное выявление факторов риска, анализ последствий их воздействия на организм человека с целью проведения эффективных мер по профилактике и лечению профессиональных заболеваний исследуемой категории работников.
Таким образом, повышение качества прогнозирования и ранней диагностики заболеваний работников АПК, занятых в растениеводстве, за счет использования современных информационных и интеллектуальных технологий является актуальной задачей.
Степень разработанности темы исследования. Для решения задач оценки степени риска заболевания работников, контактирующих с вредными факторами, и в частности, с ядохимикатами, применяющимися в сельском хозяйстве, как у нас в стране, так и за рубежом (стандарт ИСО) используют в основном два типа моделей: по гигиеническим критериям путем сравнения содержания вредных факторов с предельно допустимыми концентрациями (ПДК) или предельно-допустимыми условиями (ПДУ); по медико-биологическим критериям — индексу профессиональной заболеваемости; включая заболеваемость с потерей трудоспособности.
Использование традиционных подходов к оценке риска
профессиональных заболеваний ориентируется на информацию об уже возникших профессиональных заболеваниях, которая не всегда корректно коррелирует с решением прогностических задач. В реальных условиях трудовая деятельность, проходящая в условиях действия плохо учитываемых
вредных экзогенных факторов провоцирует появление и развитие
профессиональных заболеваний. Прогнозирование и ранняя диагностика
профессиональных заболеваний, включая работников, занятых в
растениеводстве, значительно усложняется тем, что разнородные экзогенные факторы часто имеют нечеткую природу и не всегда собираются в полном объеме. Кроме того, действие экзогенных факторов может быть значительно усилено эндогенными факторами, определяемыми индивидуальными особенностями организма.
В таких условиях, как показывает опыт, накопленный при решении аналогичных задач в Юго-Западном государственном университете, целесообразно использовать технологию мягких вычислений и в частности методологию синтеза гибридных нечетких моделей.
Цель работы: повышение качества медицинского обслуживания
работников агропромышленного комплекса, контактирующих с
сельскохозяйственными ядохимикатами, путем разработки метода, моделей и алгоритма прогнозирования и ранней диагностики профессиональных заболеваний на основе гибридных нечетких технологий.
Для достижения поставленной цели необходимо решить следующие задачи:
- выполнить анализ структуры деятельности работников
агропромышленного комплекса, контактирующих с ядохимикатами, их
условий труда, экзогенных и эндогенных факторов риска, приводящих к
появлению и развитию профессиональных заболеваний с целью выбора
адекватного математического аппарата и средств исследования;
- предложить метод синтеза гибридных нечетких моделей
прогнозирования и ранней диагностики заболеваний сельскохозяйственных
рабочих, контактирующих с ядохимикатами;
разработать информационно-аналитическую модель, учитывающую структуру взаимосвязей гибридных нечетких моделей между собой и пространством неоднородных информативных признаков, описывающих известные эндогенные и экзогенные факторы риска;
получить систему нечетких решающих правил прогнозирования и ранней диагностики наиболее распространенных профессиональных заболеваний работников типового агропромышленного комплекса Курской области, контактирующих с сельскохозяйственными ядохимикатами;
-разработать структуру интеллектуальной системы поддержки
принятия решений врача профпатолога, предназначенной для решения задач
прогнозирования и ранней диагностики профессиональных заболеваний
работников агропромышленного комплекса, контактирующих с
ядохимикатами, и алгоритм управления этой системой, учитывающий разнородные факторы риска исследуемых заболеваний;
- произвести апробацию интеллектуальной системы поддержки
принятия решений врача профпатолога по прогнозированию и ранней
диагностике профессиональных заболеваний работников
агропромышленного комплекса, контактирующих с сельскохозяйственными ядохимикатами и доказать эффективность ее использования.
Научная новизна исследований. В диссертации получены следующие результаты, характеризующиеся научной новизной:
- метод синтеза гибридных нечетких моделей прогнозирования и
ранней диагностики заболеваний сельскохозяйственных рабочих,
контактирующих с ядохимикатами, отличающийся возможностью учета
таких специфических факторов, как концентрация вредных веществ в
организме и окружающей среде, время контакта с ядохимикатами, их
комплексное, мультипликативное и индуцированное влияние на различные
органы и системы, уровень индивидуальной защиты в сочетании с другими
экзогенными и эндогенными факторами риска, позволяющий синтезировать
решающие правила, обеспечивающие повышение качества прогнозирования
и ранней диагностики заболеваний работников агропромышленного
комплекса, контактирующих с ядохимикатами;
- информационно-аналитическая модель, отличающаяся учетом в ее
структуре взаимосвязей гибридных нечетких моделей между собой и
пространством неоднородных информативных признаков, описывающих
существенные экзогенные и эндогенные факторы риска, позволяющая
осуществить проектирование базы знаний с рациональным механизмом
взаимодействия соответствующих программных модулей;
- система нечетких решающих правил прогнозирования и ранней
диагностики профессиональных заболеваний работников
агропромышленного комплекса, контактирующих с сельскохозяйственными
ядами, основанная на использовании гибридных нечетких моделей,
агрегирующих существенные экзогенные и эндогенные факторы риска,
объединенные в иерархические структуры, обеспечивающие уверенность в
прогнозе на уровне 0,85, а в диагностике ранней стадии – на уровне 0,9;
- алгоритм управления и структура интеллектуальной системы
поддержки принятия решений (ИСППР), отличающаяся использованием
гибридных нечетких решающих правил с иерархической структурой,
позволяют гибко менять тактику ведения пациентов в зависимости от
меняющейся внешней обстановки и индивидуальных факторов риска, что
обеспечивает повышение качества оказания медицинских услуг исследуемой
категории пациентов.
Теоретическая и практическая значимость работы состоит в развитии технологии мягких вычислений, и в частности, теории уверенности, теории измерения латентных переменных, метода группового учета аргументов, в решении задач повышения качества медицинского обслуживания работников агропромышленного комплекса, контактирующих с ядохимикатами, путем разработки нового поколения систем поддержки принятия решений врачей профпатологов.
Разработанные математические модели позволяют оценить
уверенность в прогнозе появления и наличия ранних стадий
профессиональных заболеваний по исследуемой категории пациентов.
Информационно-аналитическая модель и алгоритм управления работой ИСППР обеспечивают оценку состояния здоровья пациентов и формируют рекомендации по ведению пациентов агропромышленной отрасли, контактирующих с ядохимикатами.
Предложенные в работе метод, модели и алгоритм реализуются ИСППР, обеспечивающей новый уровень оказания медицинских услуг населению, занятому в агропромышленной сфере растениеводства.
Работа выполнена в рамках федеральной целевой программы
«Исследования и разработки по приоритетным направлениям развития
научно-технологического комплекса России на 2014 - 2020 годы»
(«Проведение прикладных научных исследований в области
биоинформационных технологий», уникальный идентификатор прикладных научных исследований (проекта) RFMEFI57614X0071) и в соответствии с научным направлением Юго-Западного государственного университета «Разработка медико-экологических информационных технологий».
Результаты работы внедрены в учебном процессе Юго-Западного государственного университета при подготовке магистров по направлению 12.04.04 «Биотехнические системы и технологии» и используются ОБУЗ «Горшеченская ЦРБ» при прогнозировании профессиональных заболеваний у работников агропромышленного комплекса Горшеченского района.
Методология и методы исследований. Для решения поставленных задач использовались методы системного анализа, теории биотехнических систем медицинского назначения, моделирования, теории синтеза сложных информационных систем, теории алгоритмов, нечетких множеств, прикладной математической статистики, экспертного оценивания. При разработке гибридных нейросетевых модулей принятия решений в качестве инструментария использовался Matlab 8.0 с графическим интерфейсом пользователя для Neural Network Toolbox и со встроенным пакетом Fuzzy Logic Toolbox.
Положения, выносимые на защиту:
-
Метод синтеза гибридных нечетких моделей прогнозирования и ранней диагностики заболеваний сельскохозяйственных рабочих, контактирующих с ядохимикатами, позволил получить решающие правила, обеспечивающие повышение качества прогнозирования и ранней диагностики исследуемого класса состояний.
-
Система решающих правил прогнозирования и ранней диагностики профессиональных заболеваний работников агропромышленного комплекса, контактирующих с сельскохозяйственными ядами, обеспечивает уверенность в прогнозе на уровне 0,85, а в ранней стадии заболеваний – на уровне 0,9.
3. Информационно-аналитическая модель, алгоритм управления и
структура интеллектуальной системы поддержки принятия решений, отличающаяся использованием гибридных нечетких решающих правил с иерархической структурой, позволяют гибко менять тактику ведения пациентов в зависимости от меняющейся внешней обстановки и индивидуальных факторов риска, что обеспечивает повышение качества оказания медицинских услуг исследуемой категории пациентов.
Степень достоверности и апробации результатов. Результаты
исследования показали их воспроизводимость в различных условиях,
отсутствие противоречий относительно нечетких алгоритмов принятия
решений и методов математического моделирования, а так же аналогичных
результатов, полученных другими исследователями. Результаты
экспериментальных исследований решающих правил по прогнозированию профессиональных заболеваний работников агропромышленного комплекса согласуются с ранее опубликованными экспериментальными данными по теме диссертации.
Основные теоретические положения и научные результаты диссертационной работы докладывались, обсуждались и получили положительную оценку на Международных и Всероссийских научных конференциях: XXI конференции «Медико-экологические информационные технологии-2018» (Курск, 2018); Международной научно-практической конференции «Новизна и инновации в сельском хозяйстве» (Курск, 2011); II Всероссийской научно-практической конференции «Инфокоммуникации и космические технологии: состояние, проблемы и пути решения» (Курск, 2018); Международной научно-практической конференции «Перспективы развития науки и образования» (Тамбов, 2018); III Международной научно-практической конференции «Приоритетные направления развития науки и образования» (Пенза, 2018), а также на научно-технических семинарах кафедры биомедицинской инженерии Юго-Западного государственного университета (Курск, 2016-2018).
Публикации. Основные результаты диссертационного исследования отражены в 11 научных работах, из них 4 статьи в ведущих рецензируемых научных журналах.
Структура и объм работы. Диссертация состоит из введения, четырх разделов, заключения и списка литературы, включающего 175 отечественных и 36 зарубежных наименований. Работа изложена на 143 страницах машинописного текста, содержит 13 рисунков и 8 таблиц.
Математическое моделирование в задачах оценки состояния здоровья
Наличие значительного числа экологических рисков, несовершенство технических средств производства и другие факторы приводят к ухудшению состояния здоровья людей, что побуждает исследователей искать пути снижения риска заболеваемости вызываемых экологическими факторами, включая работников агропромышленного комплекса (АПК). Сложность объектов исследования (организм человека, контактирующего с окружающей средой) заставляет искать адекватные математические модели позволяющие с достаточной степенью точности прогнозировать развитие неблагоприятной экологической обстановки, включая контакт с ядохимикатами и оценивать ее влияние на состояние среды обитания и на состояние здоровья человека.
Истории анализа и управления состояния сложными объектами принято считать, что наилучшие модели получают, если в них как можно более точно учитываются особенности объекта исследования [73, 79, 84, 89, 99, 103, 124, 125, 153].
Характерной особенностью экологических систем и систем управления здравоохранением является их иерархичность, что позволяет выделить три их важных свойства [114, 124, 151, 152, 153]:
- каждый уровень иерархии имеет свой собственный язык, свою систему концепций или принципов;
- на каждом уровне иерархии происходит обобщение свойств объектов более низкого уровня;
- взаимосвязи между уровнями не симметричны (для нормального функционирования более высших уровней требуется нормальное функционирование элементов низшего уровня, но не наоборот.
С классификационной точки зрения выделяют эмпирические и функциональные модели.
В эмпирических моделях осуществляется описание исследуемого объекта, а функциональные - ориентированы на объяснение поведения моделей основываясь на эмпирических моделях.
В другой классификации модели систем делят на статические, динамические и стохастические [41, 89]. Статические модели отличаются тем, что в них допускают независимость их поведения от времени. Такие модели могут эффективно работать, когда система находится в состоянии равновесия или близка к устойчивому равновесию.
Динамические модели учитывают изменения состояния системы в зависимости от времени. Часто составной частью динамической модели являются статистические модели. Вместе эти два класса моделей объединяют понятием детерминистских моделей, главной особенностью которых является то, что получаемые прогнозы и диагнозы выражаются конкретным понятием (числом), тогда как в стахостических моделях используют понятия распределения вероятностей и их параметров.
В стахостических моделях оперируют случайными переменными задаваемыми с помощью соответствующим законов распределения.
Построение математических моделей носит непростой, многоэтапный характер. В работе [90] выделяются следующие этапы построения математических моделей:
На первом этапе анализируется состояние проблемы, определяются цели и задачи исследования.
На втором этапе определяется система информативных признаков, описывающих состояния объекта, факторы внешней среды, строится структура объекта исследования.
На третьем этапе с использованием методов разведочного анализа выбираются адекватные математические модели, которые могут быть описаны алгебраическими уравнениями или неравенствами, четкими или нечеткими продукционными правилами, целевой функцией, уравнениями связей и др.
При построении формальных математических моделей разработчики выделяют три основные ситуации:
- можно построить уравнения описывающие поведение объекта, а следовательно можно определять реакцию объекта исследования на заданный входной сигнал;
- при известной математической модели объекта и известной реакции (выходному) сигналу необходимо найти соответствующий входной сигнал;
- математическое описание объекта неизвестно, но имеются или могут быть заданы совокупность входных и соответствующих им выходных сигналов.
В силу сложности и динамичности исследуемых в работе объектов (человек в контакте с окружающей средой) возникает именно третья ситуация, которая может быть реализована с помощью различных подходов [4, 5, 8, 41, 44, 51, 58, 84, 95, 99, 210, 211]. При этом следует иметь ввиду, что для многих рассматриваемых явлений имеется достаточно много известных математических описаний и типовых математических моделей которые реализованы в соответствующих стандартных пакетах для ПЭВМ, однако сложность и динамичность объектов экологии и здравоохранения для получения адекватных результатов, часто требует разработки оригинальных математических методов и соответствующих программ [58].
Следует так же учитывать и то, что для получения параметров достаточно сложных аналитических моделей необходимо проводить машинное моделирование для которого составляются таблицы экспериментальных данных, на основе которых решаются задачи интерпретации, аппроксимации и экстраполяции [58, 124].
Интерполяция – приближенное или точное нахождение какой - либо величины по известным отдельным значениям этой же или других величин, связанных с ней.
Аппроксимация – замена одних математических объектов другими, в том или ином смысле близкими к исходным. Экстраполяция – продолжение функции за пределы ее области определения, при котором продолженная функция принадлежит заданному классу.
Прогнозная экстраполяция строится на основе математического анализа исходного ряда с учетом логики и существа развития объекта, его физики и абсолютных пределов.
Одной из основных задач решаемых в работе является прогнозирование состояния здоровья при воздействии на организм человека разнородных экзогенных и эндогенных факторов. Для решения этого класса задач чаще всего используются статистические методы анализа и прогнозирования временных рядов, которые реализуются специализированными пакетами прикладных программ (VAR, STATISTICA, ARCH, «Мезозавр», «Олимп», SAS и др.).
В ходе исследования временных рядов изучается динамика оцениваемых показателей во времени. Рассмотрим ряд основных определений и аналитических соотношений используемых при анализе временных (динамических) рядов [17, 38, 43, 159].
Временным рядом (time series) называют последовательность значений статистических показателей (признаков) упорядоченных в хронологическом порядке.
Каждый ряд динамики содержит два элемента: значения времени и соответствующие им значения признаков (уровней) ряда. В зависимости от характера представления шкалы времени ряды делятся моментальные и интервальные.
В моментальных рядах динамики уровни характеризуют значения показателя по состоянию на определенные моменты времени, и в интервальных рядах – за определенные интервалы (периоды) времени.
Уровни рядов динамики могут определяться как абсолютные, относительные и средние значения. Известны задачи, когда уровни ряда получают некоторым расчетом, когда их называют производными. При решении задач прогнозирования традиционно используют такие показатели как средний уровень, абсолютные приросты, темпы роста, темпы прироста.
Средний уровень определяют по формуле среднего арифметического. При оценке интервальных рядов с переменным интервалом времени средний уровень определяют, как взвешенную среднюю арифметическую, а весовые коэффициенты определяют через продолжительность интервалов времени между уровнями.
Абсолютный прирост вычисляют по разности двух сравниваемых уровней. Средний абсолютный прирост – скорость изменения исследуемого показателя. Темп роста определяют как отношение двух сравниваемых уровней ряда. Средний темп роста характеризует интенсивность изменений уровня роста. Темп прироста характеризует абсолютный прирост в относительных величинах.
Приведенные показатели могут быть трех видов: средние, базисные и цепные [38].
В таблице 1.1 приведены аналитические соотношения для вычисления основных показателей динамики.
Метод синтеза нечетких решающих правил прогнозирования и ранней диагностики работников агропромышленного комплекса, контактирующих с ядохимикатами
Как отмечалось выше, методологической основой математической базы выбрана методология синтеза гибридных нечетких решающих правил. Однако, в известных публикациях, например в [70, 73, 74, 78, 79, 88, 91, 139, 170, 194] ее описание определяет обобщенную концепцию, перечень методов с общими рекомендациями по их отдельному и совместному использованию.
В связи с этим, при решении специфических задач, к которым относится и тематика диссертационного исследования, появляется необходимость в разработке методов синтеза решающих правил наиболее адекватных структуре данных, что, в свою очередь, обеспечивает повышение оперативности и качества принимаемых решений.
Анализ литературных источников и собственные исследования позволили определить ряд специфических особенностей действия ядохимикатов, содержащихся в удобрениях, на организм человека. Например, нитраты, попадая в кровь человека, меняя свойства гемоглобина, способствуют появлению кислородного голодания, что, в свою очередь, приводит к нарушению функций нервной системы, сердца, тканей почек и печени. В свою очередь, соли азотной кислоты, соединяясь с другими веществами, во много раз усиливают ядовитые свойства нитратов, создавая выраженный мультипликативный эффект с неизвестной и неустойчивой аналитической зависимостью между концентрацией вносимых удобрений и риском возникновения профессиональных заболеваний.
Другой пример: ряд пестицидов, в результате прямого воздействия, повреждает слизистую оболочку желудочно-кишечного тракта (ЖКТ), а влияние тех же пестицидов на нервную систему приводит к развитию вегетативных нарушений, что, в свою очередь, меняет моторику органов пищеварения. Такой двойной эффект значительно усугубляет прямое действие пестицидов на слизистую оболочку, и в силу сложности взаимодействия нервной системы с человеческими органами традиционное построение математических моделей практически невозможно.
Характерной особенностью влияния сельскохозяйственных ядохимикатов на организм человека является наличие накопительного эффекта, когда при малых временах воздействия опасность появления и развития профессиональных заболеваний практически отсутствует, но по мере увеличения времени контакта вред здоровью человека растет существенно нелинейно.
Дополнительные сложности при синтезе прогностических и диагностических решающих правил связаны с тем, что в реальных условиях работы с ядохимикатами проводятся в разных климатических условиях, с непостоянной периодичностью, трудноподдающемуся наблюдению за соблюдением рабочими санитарных норм и правил и т.д.
С учетом перечисленных и ряда других особенностей структуры данных при синтезе искомых моделей прогнозирования и ранней диагностики заболеваний с ведущим фактором риска сельскохозяйственные ядохимикаты предлагается следующий набор рекомендаций, совместимых с общей методологией синтеза гибридных нечетких решающих правил.
Для синтеза набора частных решающих правил прогнозирования и ранней диагностики по подпространству признаков сельскохозяйственные ядохимикаты (ПСЯ) рекомендуется сформировать группу высококвалифицированных экспертов в составе: агрохимиков, врачей-гигиенистов и профпатологов, врачей кибернетиков – специалистов по системным медицинским исследованиям. Как и для других экспертов, согласованность их действий оценивается коэффициентом конкордации.
При наличии временных и экономических ресурсов определяются независимые от решаемых задач методы и средства для прогнозирования и ранней диагностики исследуемых классов заболеваний. В работах [30, 66, 81, 82, 176] рекомендуется для этих целей использовать энергетические характеристики биологически активных точек в сочетании с данными опросов, лабораторных и инструментальных методов исследования. В работах [52, 53, 64, 90, 106, 135] описаны соответствующие решающие правила по заболеваниям, характерным для растениеводческой области АПК (заболевания сердечно-сосудистой, нервной, мочеполовой и дыхательной систем, а также желудочно-кишечного тракта).
Выбираются исследуемые классы заболеваний и формируются репрезентативные обучающие и, при возможности, контрольные выборки с достаточно точно установленными прогнозами и ранними диагнозами с использованием выбранных методов и средств. Если для формирования обучающих и контрольных выборок использованы методы и средства, описанные в работах [64, 65, 88,90, 132, 133], то в качестве функций отклика (результаты прогноза и ранней диагностики) определяются на непрерывных шкалах (диапазон [0, …, 1]) уверенностей в принимаемых решениях.
Наличие обучающих выборок позволяет изучить структуру используемых данных и сформировать соответствующие рекомендации по синтезу решающих правил.
Поскольку действия различных сельскохозяйственных ядохимикатов, а также сочетанное действие ядохимикатов с другими экзогенными и эндогенными факторами риска может вызвать мультипликативные воздействия на состояние здоровья человека, для выяснения такого типа сочетанных воздействий в аппарат разведочного анализа необходимо включить аппарат установления возможных мультипликативных связей. К математическим аппаратам такого типа относится метод группового учета аргументов (МГУА), имеющий хорошую методическую и программную поддержку [7, 8, 56, 83, 191]. МГУА дает хорошие результаты в условиях малых выборок, последовательно формируя полиномы Колмогорова-Габора, описывающие возможные структурные связи анализируемых данных, включая взаимосвязи между факторами риска и исследуемыми классами состояния здоровья. В составе математического обеспечения МГУА имеются механизмы оценки адекватности формируемых полиноминальных моделей решаемым задачам, и оценки информативности используемых переменных.
Кроме того, разработана нечеткая модификация МГУА, ориентированная на взаимодействие с нечеткими моделями других типов, составляющих основу методологии синтеза гибридных нечетких моделей принятия решений [83].
Влияние сельскохозяйственных ядохимикатов на появление и развитие соответствующих заболеваний наиболее точно можно определить по их содержанию в органах с учетом концентрации в них /-го ядохимиката и времени его воздействия.
Учитывая нелинейные и априори неизвестные зависимости концентрации сг и времени воздействия tt на орган с возникновением и развитием заболевания а 1 введем функцию принадлежности // р{?р-) с базовой переменной zй, зависящий от параметров с,- и t{.
Обеспечивается безопасное функционирование органа в смысле патологии со(; tpi - резестентное время, меньше которого орган «не успевает» перейти в патологию сое; f(i(-) - нормировочная функция степени влияния ядохимикатов с концентрацией сг на появление и развитие заболеваний со, с областью определения [0, …, 1]; f &( ) – нормировочная функция степени влияния времени воздействия ядохимиката / на появление и развитие патологии сог
Типовые графики функций степени влияния и функции принадлежности по патологии со приведены на рис.2.1
Синтез частных решающих моделей прогнозирования профессиональных заболеваний от контакта с ядохимикатами
В ходе анализа известной литературы было установлено, что наиболее точный прогноз в появлении и развитии профессиональных заболеваний от контакта с ядохимикатами может быть осуществлн при использовании современного лабораторного оборудования и специализированных инструментальных средств, которые в практической профпатологии практически не применяются, за исключением специально организуемых научных исследований.
В то же время известно, что наиболее часто применяемые минеральные удобрения и пестициды приводят к кислородному голоданию, являющемуся одной из причин появления и развития заболеваний сердечно-сосудистой, нервной системы и системы дыхания.
Для определения содержания кислорода в крови целесообразно использовать простые и достаточно дешевые приборы – пульсоксиметры. Современная промышленность выпускает доступные и надежные приборы для определения сатурации крови.
С учтом того, что снижение кислорода в крови может вызываться многими причинами: от курения до лгочной и сердечной недостаточности, однозначно связывать показатели сатурации с действием азотосодержащих ядов нельзя. Однако, в рамках нечтной логики можно делать вывод, о некоторой доли уверенности в появлении и развитии заболеваний сердечнососудистой и нервной системы, а также системы дыхания по измеренным параметрам сатурации крови S%, причм, эта уверенность будет больше, если одновременно с сатурацией учитывать время контакта t сельскохозяйственных рабочих с ядохимикатами. При этом, надо учитывать, что точное время контакта рабочих с сельскохозяйственными ядохимикатами практически не определяется. В предлагаемой работе, с учтом мнения экспертов, учитывается непрерывный стаж работы с сельскохозяйственными ядохимикатами при реализации типовой агрохимической технологии.
На реализацию типовой аграрной технологии ориентируются эксперты и при определении функции принадлежности к классам высокий риск появления сердечно-сосудистой патологии (класс соПС ), патологии нервной системы (класс соПН) и патологии системы дыхания (класс соПД).
С учетом рекомендаций [88, 90] функции принадлежности juП(S,t) к классам соП ( = С,Н,Д) определяются выражением: МП (S, t) = juП (S) -r(t), (3.1) где juПe{S) - функция принадлежности к классам высокий риск появления (прогноз) в классе соП с базовой переменной S; yg(t) - поправочный коэффициент для класса от стажа работы с ядохимикатами, принятыми в типовой обработке растений сельскохозяйственного назначения.
На рис 3.1 приведены график функций принадлежностей juП(S) и y(t) для прогнозирования заболеваний сердечно сосудистой системы.
Дополнительно следует иметь в виду, что если S 90%, то не зависимо от подозрений на профессиональные заболевания работник АПК должен быть направлен для проведения специализированных обследований на предмет выявления опасной патологии Перспективным на наш взгляд решением в задачах экспресс контроля содержания вредных веществ в организме человека является использование современных, малогабаритных фотометров, соответствующая настройка которых позволит определить содержание концентрации составляющих ядохимикатов, например, в крови обследуемого. Однако, для получения соответствующих прогностических и диагностических моделей на основе спектрофотомерии необходимо организовать и провести многолетние исследования.
В данной работе, исходя из имеющихся возможностей, на экспертном уровне была построена табличная модель прогноза возникновения наиболее распространенных профессиональных заболеваний работников АПК по специально разработанному опроснику.
Опросник составлен исходя из общепринятой технологии агрохимической обработки растений на среднестатистическом агропромышленном предприятии с различной степенью отношения работающих к средствам зашиты. «Промежуточные» условия труда и объемы сельскохозяйственного производства при выборе соответствующих частных коэффициентов уверенности в появлении и развитии профессиональных заболеваний могут быть интерпретированы исходя из реальных соотношений со среднестатистическим агропромышленным предприятием.
Предполагается, что рабочие пользуются защитными средствами, нарушая инструкции не более чем на 20%.
Элементами таблицы (таблица 3.1) являются частные коэффициенты уверенности в прогнозе по классу соП. При выборе частных коэффициентов уверенности эксперты исходят из того, что увеличение номенклатуры и доз используемых удобрений и пестицидов приводит к увеличению риска появления и развития патологии.
В скобках указаны условные обозначения соответствующих прогнозируемых классов заболеваний.
С учетом выбранной методики определения частных коэффициентов уверенности общая уверенность от контактов работников АПК с ядохимикатами определяется выражениями:
В соответствии с информационно-логической моделью рис 2.2 для решения задач прогнозирования кроме показателя 1/СЯе (формулы (3.2) или (3.3)) используются показатели YP ( уровень психоэмоционального напряжения); YU (уровень утомления); YE (уровень эргономичности используемых технических систем); ЖК( (уверенность в риске возникновения заболевания сое по группе экологических признаков); иИФ((уверенность в риске возникновения заболевания со, по группе индивидуальных факторов риска).
Для прогнозирования заболеваний нервной системы, сердечнососудистой системы и системы дыхания базовая переменная YP определяемся по методике, описанной а работах [63, 67, 77, 87, 88, 120, 165, 169, 198], а базовая переменная YU по методике, описанной в работах [88, 120, 163, 167, 168]. В наиболее точном варианте показатели YP и YU определяются по трм составляющим
Экспериментальная проверка математических моделей прогнозирования и ранней диагностики заболеваний работников агропромышленного комплекса, контактирующих с ядохимикатами
Приведенные выше результаты экспериментального оценивания носят субъективный характер, требующий объективизации путем статистических испытаний на репрезентативных контрольных выборках.
Объемы выборок определялись по принятым в теории распознавания образов методам [100, 137]. Для удобства вычислений и сопоставительного анализа число обследуемых было выбрано постоянным и составило 100 человек на каждый класс, что позволило для различных годов наблюдения за эталон оценки вероятности правильной классификации выбрать уровень 0,95.
Качество классификации оценивалось по показателям диагностической чувствительности (ДЧ), специфичности (ДС), диагностической эффективности (ДЭ), прогностической значимости положительных (ПЗ+) и отрицательных (ПЗ-) результатов.
В ходе контроля правил прогнозирования профессиональных заболеваний работников АПК, контактирующих с сельскохозяйственными ядохимикатами (модели 3.17, 3.18, 3.19), было организовано наблюдение за состоянием их здоровья.
Процесс наблюдения осуществлялся в течение 5-ти лет.
В начале исследований (первый год) было произведено измерение информативных признаков задачи прогноза появления заболевания с расчетом UPН (модель 3.17), UPС (модель 3.18), UPД (модель 3.19).
В ходе анализа структуры данных был выбран порог дефазиффикации на уровне 0,55. Относительно этого порога было отобрано 100 работников АПК, по которым математические модели 3.17, 3.18 и 3.19 приняли решение о том, что они останутся в классе «здоровые», и 100 работников по которым модели приняли решение о переходе в классы исследуемых заболеваний (классы ПН , ПС и ПД).
После каждого года наблюдения производилась фиксация количества заболевших и не заболевших обследуемых.
Результаты работы прогностических решаюзих правил фиксировались с расчетом всех показателей качества.
Результаты этого расчета по классу ПН приведены в таблице 4.2., по классу ПС – в таблице 4.3, а по классу ПД – в таблице 4.4.
Анализ данных таблиц 4.2,…,4.4 показывает, что показатели ДЧ, ПЗ-, ДЭ растут от года к году.
К третьему году качество работы прогностических решающих правил стабилизируется, и далее остается достаточно высоким. Это позволило экспертам выбрать трехлетний срок как надежное время прогноза профессиональных заболеваний работников АПК, контактирующих с ядохимикатами.
Показатели ДС и ПЗ+ остаются высокими для всех периодов наблюдения, что говорит о том, что прогностические математические модели «мало ошибаются» по классу здоровых людей. Значительная ошибка характерна для классов заболевших.
При оценке качества работы математических моделей ранней диагностики (классы РН , РС и РД) не требуется анализ временных трендов.
В каждый из наблюдаемых годов, несмотря на рост колличества контролируемых работников, получающих раннюю стадию исследуемых заболеваний, адекватные решающие правила должны сохранять соответствующее качество классификации.
Для этого класса задач для экспериментальной проверки качества работы моделей 3.21, 3.23 и 3.24 ежегодно отбирались по 100 человек, не приобретших исследуемые заболевания и 100 человек с подтвержденной ранней стадией, расчет производится по таким показателям как ДЧ, ДС, ДЭ.
В таблице 4.5. приведены средние значения показателей качества классификации классов РН , РС и РД.
Анализ результатов профессиональных испытаний, полученных прогностических (таблицы 4.2, 4.3, 4.4) и диагностических (таблица 4.5) решающих правил показывает, что они дают результаты соизмеримые с результатами математического моделирования и экспертного оценивания.
Полученные количественные характеристики позволяют рекомендовать результаты диссертационной работы в медицинскую практику лечебно-профилактических учреждений, обслуживающих АПК.